Evaluation of forest ecological quality in coastal zone counties of Fujian Province, eastern China based on multi-source remote sensing data
-
摘要:目的
森林生态质量是从生态角度反映森林质量的内涵,对森林的生态功能和生态服务、生长状况以及自我调节功能进行综合测度,以期提高森林改善生态环境、维护生态平衡的能力。
方法利用中、高分辨率多源遥感数据,获取大范围尺度下能表征森林生态质量的关键指标信息,在此基础上,分析福建省海岸带40个县域的森林生态质量状况。首先,基于2016年2 m分辨率多源遥感数据为主要数据源,利用双层尺度集模型选定最佳分割尺度,多分类器集成算法集,自动选择最优分类算法进行森林类型提取,并结合2020年Sentinel遥感数据及森林分类产品,更新2020年福建省海岸带森林类型精细分布图;其次,利用LandTrendr算法衍生的干扰开始时间特征推算现存森林年龄,通过GEDI冠层高度产品获取海岸带森林冠层高度分布图;在以上关键森林质量指标提取基础上,对遥感手段获取的8项森林生态质量评价指标进行主成分分析,获得福建省海岸带县域森林生态质量综合评价结果。
结果2020年福建海岸带40个县域约50%的县域森林生态质量处于优良水平,其中仙游县、闽侯县、南安市、霞浦县、柘荣县及厦门海沧区、思明区、集美区、同安区等森林生态质量为优;森林生态质量较差的县域有惠安县、秀屿区、石狮市、福安市、平潭实验区、诏安县。
结论结合中、高分辨率多源遥感数据,能够发挥遥感大范围监测优点,客观评价福建省海岸带40个县域的森林生态质量;研究结果表明2020年福建沿海县域森林生态质量还存在较大的提升空间,需要针对存在的问题采取相应森林管理措施提升森林生态质量。
Abstract:ObjectiveForest ecological quality reflects the ecological quality of forests from an ecological perspective, measuring the comprehensive capacity of forests to improve the ecological environment, maintain ecological balance, and provide ecological functions and services. Utilizing medium and high-resolution multisource remote sensing data, we aim to acquire crucial indicator information that characterizes forest ecological quality at a large-scale level. Based on this foundation, our objective is to analyze the forest ecological quality status in the 40 coastal counties of Fujian Province of eastern China.
MethodFirstly, the primary data source utilized was 2 m resolution multisource remote sensing data. The bi-level scale-sets model (BSM) was employed to determine the optimal segmentation scale, integrating multiple classifiers to create an algorithm set. The best classification algorithm for forest type extraction was automatically selected. This approach was complemented by the use of Sentinel remote sensing data in 2020 and fine forest classification products, resulting in an optimized fine-scale distribution map of coastal forests in Fujian Province for year 2020. Secondly, forest age was estimated using disturbance onset time features derived from the LandTrendr algorithm. Additionally, GEDI crown height products were used to obtain the canopy height distribution map of coastal forests. Building upon the extraction of key forest quality indicators through remote sensing methods, a principal component analysis was conducted on eight forest ecological quality assessment indicators obtained through remote sensing. This led to a comprehensive assessment of forest ecological quality for the coastal counties of Fujian Province.
ResultIn 2020, approximately 50% of the 40 coastal counties in Fujian’s coastal zone exhibited a favorable level of forest ecological quality. Among them, Xianyou County, Minhou County, Nan’an City, Xiapu County, Zherong County, as well as the districts of Haicang, Siming, Jimei, and Tong’an in Xiamen, demonstrated excellent forest ecological quality. On the other hand, counties with relatively poor forest ecological quality included Huian County, Xiuyu District, Shishi City, Fu’an City, Pingtan Experimental Zone, and Zhao’an County.
ConclusionUtilizing high and medium-resolution multisource remote sensing data, the advantages of remote sensing large-scale monitoring have been leveraged to provide an objective assessment of the forest ecological quality in the 40 coastal counties of Fujian Province. The research findings reveal that there is considerable room for improvement in the forest ecological quality of the coastal counties in Fujian Province in 2020. Addressing the existing issues calls for the implementation of appropriate forest management measures to enhance the forest ecological quality.
-
Keywords:
- remote sensing /
- forest type /
- forest age /
- canopy height /
- forest ecology quality /
- Fujian coastal zone
-
森林资源作为陆地生态系统的主体,提供与人类生存发展休戚相关的生态服务功能,有助于国民经济的长期增长[1−2]。森林资源数量与质量并重已然成为目前我国林业发展的主要任务[3]。森林生态质量从生态角度反映森林质量的内涵,对森林的生态功能和生态服务、生长状况以及自我调节功能的综合测度,反映森林改善生态环境、维护生态平衡的能力[4−5]。评估区域森林生态质量的状态、变化过程与空间差异特征,对构建区域生态安全格局至关重要,是当前国际地理学、生态学等领域研究的热点议题[6]。
森林生态质量评价是一个多元且复杂的过程,构建能够反映森林生态质量的指标体系是森林生态质量评估的关键一步。目前学者常聚焦于森林生长、立地条件、生物物理属性等角度,选取易获取的指标体系综合评估森林质量[5,7]。如Feng等[8]综合森林生物量、森林结构及森林健康多个标准建立层次模型评价省级森林质量;张琳等[9]综合群落结构、物质生产指数、生物多样性指数、群落发展多维度指标更完整全面地反映植被质量状况。但上述研究获取指标因子都是基于地面调查的森林立地条件、生物属性获得,虽然获取的数据较为准确,但需要耗费大量的时间和人力物力,无法实现大区域的高效评价;而遥感技术的发展则弥补了传统评价方法的不足,可实现区域、乃至全球尺度森林生态参数的快速估算,为大范围进行森林生态质量评价提供了可能性。如陈强等[10]利用MODIS遥感数据产品和地面监测数据,从生产力、稳定性和承载力等方面构建指标体系对洞庭湖周边生态系统质量进行了评价;Zhao等[11]根据卫星数据,使用各种回归方法对森林参数进行估算,评价了陕西永寿县森林质量状况,使用遥感与地面调查数据相结合的方式可实现森林指标参数的获取和生态质量评价。目前利用遥感技术进行森林资源生态质量评价研究多基于林场[12]、市县等小范围,对于大区域的森林生态质量遥感评价研究较少,需要对大范围基于遥感的森林生态质量评价进行进一步研究。
指标权重确定和评价方法也是基于遥感森林生态质量评价研究的重点。由于表征森林生态质量的各类指标的贡献率不同,因此在评估过程中赋予他们的权重也不同[5],确定权重的方法主要分为主观权重法和客观权重法两种,前者操作简单,实用性强但由于依赖决策者的个人经验,主观性较强,后者则更为客观,可避免人为因素造成的偏差。如唐雅娟[13]基于永安市森林资源二类调查数据,采用主成分分析法确定各指标权重对森林质量进行综合评价;杜志等[14]基于森林资源调查数据,利用因子分析法获取指标权重,对31个省级行政区森林质量进行了全面评价;使用主成分分析法和因子分析法可以更好地评价森林生态质量,其他方法如熵权法、均方差综合分析法等在森林质量评价中运用较少[15]。 选择合适的森林生态质量评价方法是评估结果科学、准确的保证,常见的评价方法有模糊综合评价法、物元分析法、灰色关联分析法和综合指数法。在实际评估中为了避免使用单一方法的弊端,往往会将多种方法结合起来,如邵炜等[16]综合利用层次分析法和综合指数法,以3个层次9个指标构建指标体系,综合评定永定河流域森林质量状况。冯继广等[17]先通过因子分析计算相关指标权重,最后运用综合指数法对全国各省市森林质量进行评价。综合指数法具有简便实用,信息利用率高、评估结果直观准确等特点,其中的加法合成法在森林质量评价中应用最为广泛[18],适合用于森林生态质量评价研究。
当前基于遥感开展大范围区域森林生态质量评价研究较少,基于此,本文综合利用Landsat时间序列影像、国产高分辨率影像、GEDI星载激光雷达数据等多源卫星遥感数据,针对海岸带特色研究区,将遥感数据与地面调查数据相结合,旨在有效降低森林生态质量评价成本的前提下,高效准确获取福建省海岸带森林主要类型、林龄以及树高空间分布信息,根据衍生的森林生态质量遥感评价指标,综合评价福建省海岸带40个县域的森林生态质量。
1. 研究区概况与数据源
1.1 研究区概况
福建省位于中国东南沿海亚热带区域,森林覆盖率位居中国第一。福建省海岸(116°55′ ~ 120°43′E,23°35′ ~ 27°26′N)陆域面积达3.04万km2,福建省西北部高山峻岭的屏障作用以及海洋的调节作用,独特的气候和地形条件造就了海岸带复杂的植被覆盖类型。然而由于受人为活动和台风活动双重干扰,且多地种植经济作物,水土保持和涵养水源方面受到挑战,导致沿海地区森林覆盖率普遍低于全省平均森林覆盖率,森林生态质量受多方面制约亟待提升。在森林质量提升工程的推进下,森林管理和保护工作成为全省生态工作重点。本研究选取福建省临海的6个地级市(宁德市、福州市、莆田市、泉州市、厦门市、漳州市)下的40个海岸带县域作为研究区,发挥遥感技术优势进行海岸带森林生态质量评价研究。
1.2 数据获取与预处理
1.2.1 遥感数据获取与预处理
本文所用遥感数据源(表1)按照空间分辨率分为两种:一是高分辨率遥感影像,包括天绘一号(TH-1)、资源三号(ZY-3)、高分一号(GF-1),影像数据时间跨度为2015年下半年到2016年,覆盖福建省海岸带县域研究区,因获得的影像是正射校正后的影像,为保证影像的颜色保真度和保持研究区地物的特性,本研究针对TH-1影像,采用主成分分析(principal components analysis,PCA)融合方法进行全色波段和多光谱波段融合,针对GF-1、ZY-3影像,采用最邻近扩散(nearest neighbor diffusion,NND)融合方法,融合后分辨率为2 m;二是中等分辨率遥感影像,主要为1991—2020年间的Landsat时序数据,每年度时相集中在7—10月间,并利用Landsat影像QA波段进行云掩膜处理。为了尽可能降低变化检测时传感器所带来的误差,构建更加具有一致辐射特性的Landsat时序数据,借助Roy等[19]提出的Landsat表观反射率转换系数表,对ETM + 影像和OLI影像的反射率进行转换,量化不同传感器之间的线性差异。
表 1 遥感影像数据介绍Table 1. Introduction of remote sensing image data卫星名称
Satellite name空间分辨率
Spatial resolution景数
Scene number获取时间
Access time资源三号 ZY-3 2.1 m (全色)
2.1 m (panchromatic)
5.8 m (多光谱)
5.8 m (multispectral)30 2015年9月至2016年9月,以2016年度卫星影像为主
September 2015 to September 2016, based on
annual satellite imagery in 2016高分一号 GF-1 2 m (全色)
2 m (panchromatic)
8 m (多光谱)
8 m (multispectral)19 天绘一号 TH-1 2 m (全色)
2 m (panchromatic)
10 m (多光谱)
8 m (multispectral)13 Landsat5、Landsat7、Landsat8 30 m 每年约20 ~ 40景
About 20−40 views per year1991—2020年7—10月
July to October in 1991 to 20201.2.2 GLC_FCS30-2020地表分类产品
GLC_FCS30-2020(https://doi.org/10.5281/zenodo.4280923)是中国科学院刘良云团队研发和对外发布的全球30 m地表覆盖精细分类产品,反映了2020年全球陆地区域在30 m空间分辨率下的地表覆盖分布状况[20]。该数据集包含针叶林、阔叶林、混交林3种森林覆盖类型,适合作为福建省海岸带森林生态质量评价指标的辅助数据。
1.2.3 GEDI冠层高度模型
全球生态系统动态调查(global ecosystem dynamics investigation,GEDI)研究卫星是一种新的星载激光雷达仪器,搭载了全球首台用于高分辨率森林垂直结构测量的多波束线性体制的激光测高仪[21]。GEDI仪器在全球范围内收集51.6°N和51.6°S之间的数据,对地球的三维结构进行最高分辨率和最密集的采样。原始的GEDI02_A产品是一个空间分辨率(平均足迹)为25 m的点表,马里兰大学全球土地分析与发现实验室Peter Potapov团队利用GEDI和Landsat数据获得 30 m空间分辨率全球森林冠层高度图[22],本研究利用该团队GEDI冠层高度产品(https://glad.umd.edu/dataset/gedi/),结合野外实测数据和森林二类调查小班数据获得冠层高度验证样本点91个,验证样本数据覆盖红树林、茶园、针叶林与阔叶林多种森林类型。
1.2.4 地形数据
本文使用的地形数据是ALOS DEM数字产品,空间分辨率为12.5 m。根据福建省海岸带研究区矢量边界和DEM数据生成研究区坡度、坡向、山体阴影影像图。
2. 研究方法
本文以福建省海岸带为研究区开展森林生态质量遥感评价研究,主要分为4个部分:一是福建海岸带县域森林类型提取;二是海岸带干扰量级、森林林龄及冠层高度指标提取;三是利用遥感手段获得的森林生态质量关键指标及其衍生辅助数据,基于主成分分析方法权衡指标的贡献程度;最后基于综合指数法实现海岸带40个县域的森林生态质量评价。技术路线如图1所示。
2.1 高分辨率遥感森林类型提取
该部分以多源高分辨率遥感影像为数据源,综合利用双层尺度集模型[23](bi-level scale-sets model,BSM)、多分类器集成算法和2020年全球30 m地表覆盖精细分类产品(GLC_FCS30-2020)实现福建省海岸带森林类型提取与更新。BSM通过对每景影像建立双层尺度集架构优化图像分割效果,其中第一层利用小尺度参数进行初步分割,随后通过二级分割,提炼出更为精细的图像特征;在影像分割的基础上,本研究提取对象的光谱特征(各波段均值、比率、标准差、亮度、最大差及归一化植被指数 [24]、归一化水体指数[25]、比值植被指数[26]、修正型归一化植被指数[27]、差异归一化差分植被指数、土壤调节植被指数、改进植被指数、红树林识别指数)、纹理特征(包括对比度、角二阶矩、同质性、相关性和信息熵等5个纹理特征[28])和地形特征构建特征向量集,集成支持向量机、K-近邻、决策树、集成分类器等16种算法,结合交叉验证的方式确定精度最高的最优分类算法进行森林覆盖类型提取,实现不同分类器间的优势互补,得到比单个分类器算法精度更高的分类结果[29];最后在机器学习分类结果的基础上,利用2020年10 m分辨率Sentinel卫星影像,重点区域2 m国产高分系列卫星遥感数据,结合小班数据及实地勘察数据,对2016年茶园、果园等森林类型进行人工修正,将获得的2020年福建海岸带40个县域的精细森林覆盖类型嵌入2020年全球30 m GLC_FCS30-2020产品,由此获得包括以阔叶林、针叶林、针阔混交林、茶园灌木林、果园经济林为主要林地类型的福建海岸带2020年森林类型分布图。
2.2 海岸带森林林龄指标提取
本研究运用LandTrendr算法[30],分析福建省海岸带森林的时序变化和林龄估算。该算法的核心在于对时间序列数据的分割拟合能力,通过追踪光谱时间轨迹,既可以识别森林短期剧烈干扰,如火烧、采伐,也能够监测森林长期的恢复过程。Kennedy等[30]的研究表明,相较于归一化植被指数(normalized difference vegetation,NDVI)和缨帽变化湿度指数(Wetness),归一化燃烧指数(normalized burn ratio,NBR)对于火烧、采伐等干扰事件具有更高的灵敏度[31],并能够更好地揭示干扰的特征[32];为获取更为精确的森林干扰发生与恢复结果,本研究在运用LandTrendr算法时选取NBR作为光谱指数构建像素级的时间序列,通过监测NBR时序轨迹中突变点来准确判断森林的状态和变动。同时为适应目前研究区的植被特征,本研究在以往基础上基于LT-GEE算法[33]进行相应参数调整(表2),得到福建省海岸带1991—2020年30期的海岸带森林发生扰动情况。根据先验知识,南方森林采伐干扰与重新造林时间间隔通常不超过一年,福建用材林多以马尾松、杉木等针叶林为主,森林恢复图噪声较大,因此选择基于LandTrendr算法获得的每一年森林干扰开始时间,结合森林扰动持续时间的结束年份,作为干扰后新造林林分年龄计算依据,估算人工林林龄。
表 2 LandTrendr算法参数Table 2. Parameters of LandTrendr algorithm过程
Step参数
Parameter值
Value分割
Segmentation核尺寸 Kernel size 3 最大分段数
Maximum number of segmentation6 噪声值 Noise level 0.9 恢复率阈值 Recovery rate threshold 0.25 最优模型比例 Optimal model ratio 0.75 滤波
Filter1年植被覆盖损失阈值
1 year vegetation cover loss threshold10 10年植被覆盖损失阈值
10 year vegetation cover loss threshold3 干扰前覆盖阈值
Pre-interference coverage threshold20 植被生长比例阈值
Threshold for percentage of vegetation growth5 制图
Mapping最小制图单位 Minimum mapping unit 30 m 2.3 海岸带森林生态质量评价
森林的生物物理属性与生长状态因其时空尺度的不同而有所区别,国内外学者针对不同研究区域、不同尺度、不同侧重点上森林生态质量评价指标体系和评价方法也不尽相同[34]。本研究以目前森林生态质量研究现状和方法为基础,并结合海岸带森林实际情况,森林覆盖类型、自身生长状况等因素,依照定性与定量相结合的原则,基于遥感手段获得森林生态质量评价关键指标及其衍生的辅助指标(见表3)。指标选取时,由于考虑到森林郁闭度、蓄积量等指标获取结果不确定性高,故选用相关性较高的森林覆盖度、冠层高度和林龄因子代替。指标获取过程中,GEDI冠层高度产品验证精度要达到森林生态质量评价分析要求,才能直接作为冠层高度指标进行计算,否则需要考虑到福建省地理位置及地形地貌等特征信息,对GEDI产品进行修正。指标体系中X1,X2,X3,X5,X6,X7,X8均根据森林类型、林龄、冠层高度及干扰量级等指标衍生而来,X4指标中人工林面积为LandTrendr算法计算得到的受干扰区域面积,各指标具体计算方法如表3所示。因各指标原始变量量纲有差异,本文选极差正规化方法来标准化数据。
表 3 森林生态质量评价指标体系Table 3. Forest ecological quality evaluation index system指标
Index森林生态质量评价指标含义
Meaning of forest ecological quality assessment indicators计算方法
Calculation method森林类型
Forest type (X1)表征森林覆盖类型的均衡程度
Characterizing the balance of forest cover types森林各类型面积与其区域面积比
Proportion of area of each forest type in relation to
its regional area森林覆盖率
Forest coverage (X2)反映地区森林资源、林业发展状况及森林效益的综合性指标
Comprehensive indicators reflecting regional forest resources,
forestry development and forest benefits区域森林面积与其区域面积比值
Ratio of regional forest area to its regional area龄级结构
Age structure (X3)反映森林龄级的均衡水平
Reflecting equilibrium level of forest age class各龄级与森林面积比值
Ratio of age classes to forest area人工林比重
Percentage of plantation (X4)反映森林资源造林活动的演替程度
Reflecting the degree of succession of silvicultural
activities on forest resources人工林面积与森林面积比值
Ratio of plantation area to forest area人均森林面积
Forest area per capita (X5)反映森林资源的人均占有量水平
Reflecting the level of per capita occupancy of forest resources森林总面积与人口比值
Ratio of total forest area to population林地利用率
Forest land utilization rate (X6)反映林业用地的利用水平
Reflecting the level of utilization of forestry land有林地面积与林业用地面积比值
Ratio of forested land area to forest land area冠层高度
Canopy height (X7)反映森林生长状况
Reflecting forest growth condition各冠层高度面积与森林总面积比值
Ratio of area of each canopy height to
total forest area干扰量级
Interference level (X8)反映森林受干扰的程度
Reflecting the extent of forest disturbance不同干扰量级与干扰总面积比值
Ratio of different interference levels to
total interference area为了构建更加科学合理的森林生态质量评价指标体系,结合研究区各项与森林生态质量相关的指标数据,利用主成分分析法对森林生态质量评价指标权重进行确定,然后利用综合指数法实现海岸带40个县域的森林生态质量评价(y(n)),并结合自然断点法,使各段分级之间差异最大化,将森林生态质量状况划分为优(y(n) ≥ 0.50)、良(0.35 ≤ y(n) < 0.50)、中(0.15 ≤ y(n) < 0.35)、差(y(n) < 0.15)共4个等级。
3. 结果与分析
3.1 福建海岸带森林类型提取
3.1.1 海岸带森林类型提取精度评价
为评价森林类型提取结果精度,本研究利用分层随机采样的方法结合GoogleEarth影像及野外考察样本点获取总计1 667个验证样本点,对海岸带各个市域进行精度验证(表4)。验证结果表明福建海岸带以市为单位的分类结果总体精度均能达到90%以上,说明选取最优算法方法在大区域森林类型提取研究中具有一定的普适性,提取结果可作为后续评价森林生态质量重要指标。森林类型提取结果中,有林地的用户精度和生产者精度最高,除莆田市用户精度为88.89%,其余市都稳定维持在90%以上,茶园和果园光谱特征易与类似植被混淆,提取精度略有下降,但也稳定在85%以上,满足后续分析需求。
表 4 福建海岸带森林类型遥感分类结果精度验证Table 4. Validation of the accuracy of forest classification results in the coastal zone of Fujian Province地区
Region精度
Accuracy人工地表
Artificial
surface耕地
Plow
land迹地
Trails有林地
Woodland果园
Orchard茶园
Tea
plantation水体
Waters红树林
Mangrove总体精度
Overall
accuracy/%Kappa系数
Kappa
coefficient宁德市
Ningde CityPA/% 94.12 91.89 88.89 92.86 88.46 88.24 95.83 91.11 0.89 UA/% 91.43 82.93 92.31 94.20 85.19 91.84 95.83 F 92.75 87.18 90.57 93.53 86.79 90.00 95.83 福州市
Fuzhou CityPA/% 92.31 88.10 89.74 96.25 88.24 87.10 97.37 92.71 0.91 UA/% 85.71 86.05 94.59 95.06 93.75 93.10 97.37 F 88.89 87.06 92.11 95.65 90.91 90.00 97.37 莆田市
Putian CityPA/% 92.31 94.00 91.67 92.31 85.71 87.18 94.87 91.51 0.89 UA/% 96.00 94.00 91.67 88.89 85.71 89.47 97.37 F 94.12 94.00 91.67 90.57 85.71 88.31 96.10 泉州市
Quanzhou CityPA/% 89.13 93.88 85.71 91.30 86.11 84.62 96.30 93.33 90.20 0.88 UA/% 95.35 85.19 92.31 95.45 86.11 81.48 92.86 87.50 F 92.13 89.32 88.89 93.33 86.11 83.02 94.55 90.32 厦门市
Xiamen CityPA/% 89.19 91.67 90.91 93.88 83.33 92.31 96.00 91.96 0.90 UA/% 91.67 91.67 90.91 93.88 88.24 92.31 92.31 F 90.41 91.67 90.91 93.88 85.71 92.31 94.12 漳州市
Zhangzhou CityPA/% 93.18 93.33 91.67 93.65 87.10 87.23 91.67 93.75 91.32 0.90 UA/% 93.18 91.80 91.67 92.19 88.52 89.13 93.62 90.91 F 93.18 92.56 91.67 92.91 87.80 88.17 92.63 92.31 注:PA、UA、F分别代表生产者精度、用户精度和F统计量。Notes: PA, UA, and F represent producer accuracy, user accuracy, and F statistic, respectively. 3.1.2 森林类型空间分布及面积统计
本研究福建海岸带遥感提取2020年森林类型主要包括阔叶林、针叶林、针阔混交林、茶园、果园经济林、红树林等森林类型(图2)。研究区林地以阔叶林为主,总体森林分布呈现西北方向至东南方向逐渐减少的趋势,靠近海岸地区的森林覆盖明显减少,海岸带西南方向尤其明显。福州市辖区、厦门市辖区及泉州市辖区森林覆盖明显稀少,仙游县、闽侯县、福安市、云霄县等森林覆盖面积较大。
福建省海岸带研究区共有40个县域,本研究按照各县域森林类型面积大小降序排列结果如图3所示。研究区林地类型主要包括阔叶林、针叶林及混交林,漳浦县及龙海市等,阔叶林占有林地面积比重达到了80%以上,沿海行政面积较小的市辖区森林类型也基本从属于阔叶林。福建海岸带林地分布面积占比排名前八的县市(闽侯县、仙游县、南安市、福安市、霞浦县、蕉城区、漳浦县、福鼎市)林地面积均达到了1 000 km2以上,闽侯县林地面积为1 543.57 km2。研究区范围内森林覆盖率最高的县为仙游县,覆盖率高达 71.05%;除蕉城区外,其余市辖区的森林覆盖面积和覆盖率普遍较低。由此看出海岸带县域的森林覆盖状况差异较大,要提高福建省整体森林覆盖率,海岸带县域是治理的关键区域。
3.2 福建海岸带森林林龄提取
由于研究区域地理和时间跨度较大,在LandTrendr算法计算森林干扰与恢复结果基础上,首先掩膜掉持续森林、持续非森林、水体区域,获得1991—2020年30期的海岸带森林发生扰动的区域。本研究按照森林向非森林转换(林地转换为建设用地、耕地、采伐)、森林严重受损(自然因素)、森林退化(缓慢长期)等变化因素,将干扰力度从弱到强分为轻微干扰、中度干扰、重度干扰3个等级,福建海岸带干扰量级空间分布状况如图4所示。
本研究结合LandTrendr识别得到的森林干扰开始时间及结束年份估算发生扰动区域的森林林龄,而未检测到干扰的区域在时序内(1991—2020年)则呈现持续森林特征,本文将该部分区域森林林龄初步估算为30年以上,以此得到研究区总体森林林龄空间分布(图5)。
3.3 福建海岸带森林冠层高度提取
3.3.1 冠层高度结果验证
实测数据验证可得(图6),GEDI冠层高度结果与树高实测数据R2达到0.76,平均RMSE为2.80 m,表明GEDI可有效探测到植被垂直高度。因此冠层高度产品得到的海岸带森林冠层高度信息,可作为森林质量评价的一个关键指标因子。
3.3.2 海岸带森林冠层高度分布
森林树冠高度较低的区域,预测的林分生产力和树木材积偏低,而森林树冠高度高的地区立地质量相应较好[35]。基于此,将森林冠层高度划分为3 ~ 10 m、10 ~ 20 m、> 20 m 3个等级,见图7。据统计分析可知,海岸带各县域森林树高在3 ~ 10 m的森林面积达到10 264.01 km2,占据总面积的45.31%,10 ~ 20 m树高森林范围为11 815.476 3 km2,占比52.16%,而高度大于20 m的森林范围仅占总面积的2.52%。
3.4 福建海岸带森林生态质量评价
3.4.1 森林生态质量评价指标
在上文得到的森林类型、林龄、干扰量级以及冠层高度等指标基础上,建立的森林生态质量评价指标体系,得到各项衍生指标具体数值,并对标准化后指标进行相关性分析,使用Pearson相关系数表示各指标间相关程度。结果如表5所示,龄级结构和人工林面积比与其他指标之间的相关程度相对较低,但森林结构、森林覆盖率、人均森林面积、林地利用率、冠层高度以及干扰量级6项指标之间在0.01水平上呈现显著相关关系;同时对指标数据进行KMO(kaiser-meyer-olkin)和Bartlett检验,得到KMO值为0.738,Bartlett检验P值小于0.05,均说明指标数据之间存在一定的相关性。综上,总体上来看森林质量评价指标间具有一定的相关性基础,可作为后续主成分分析的基础数据。
表 5 森林生态质量评价指标Pearson相关系数Table 5. Pearson correlation coefficients of forest ecological quality evaluation indicators指标
Index平均值
Average value标准差
Standard deviationX1 X2 X3 X4 X5 X6 X7 X8 X1 0.794 0.269 1 X2 0.556 0.329 −0.657** 1 X3 0.569 0.216 −0.039 −0.13 1 X4 0.325 0.178 −0.058 0.156 −0.241 1 X5 0.225 0.233 −0.643** 0.821** −0.119 −0.028 1 X6 0.795 0.276 0.524** −0.485** −0.044 0.001 −0.475** 1 X7 0.578 0.271 0.414** −0.830** 0.005 −0.041 −0.736** 0.207 1 X8 0.209 0.236 −0.558** 0.689** −0.064 0.194 0.559** −0.29 −0.571** 1 注:* P < 0.05 ,** P < 0.01。Notes: * P < 0.05 ,** P < 0.01. 根据特征值贡献率和累计贡献率解释总方差,采用主成分分析法对遥感获取的森林生态质量评价指标进行主成分抽取,同时利用载荷系数信息等进行权重计算。首先基于载荷系数与特征根的平方根的比值计算主成分得分,再利用各主成分得分与方差解释率的乘积累加值除以累计方差解释率,得到综合得分系数,最后将综合得分系数归一化处理得到各指标权重(表6)。主成分分析共提取出4个主成分,分别记作Y1、Y2、Y3、Y4,此4个主成分方差解释率分别是39.37%,20.54%,13.37%,12.84%,累积方差解释率为86.12%,各指标权重如表中所示。
表 6 线性组合系数及权重结果Table 6. Results of linear combination coefficients and weights名称Name Y1 Y2 Y3 Y4 综合得分系数
Composite score coefficient权重
Weight/%X1 0.2929 0.5220 0.083 0.0892 0.2846 13.92 X2 0.4935 0.2824 0.0875 0.1021 0.3218 15.74 X3 0.026 0 0.0250 0.1289 0.9689 0.1823 8.92 X4 0.0277 0.0033 0.9321 0.1354 0.1783 8.72 X5 0.4534 0.3146 0.1397 0.1475 0.3260 15.95 X6 0.0827 0.7208 0.0280 0.0002 0.2141 10.48 X7 0.5295 0.0081 0.0485 0.0169 0.2540 12.43 X8 0.4201 0.1688 0.2783 0.0506 0.2831 13.85 特征根 Eigenvalue 3.149 1.643 1.069 1.027 方差解释率
Variance explaination rate/%39.37 20.54 13.37 12.84 根据计算所得各指标权重,结合指标数据无量纲化标准值,计算各个县域森林生态质量的综合评价指数y(n),森林生态质量评价计算公式为
y(n)=aX1+bX2+cX3+dX4+eX5+fX6+gX7+hX8 式中:y(n)为森林生态质量指数,X1、X2、X3、X4、X5、X6、X7、X8分别表示森林类型、森林覆盖率、龄级结构、人工林比重、人均森林面积、林地利用率、冠层高度、干扰量级指标;a、b、c、d、e、f、g、h为各指标的权重值,依次为0.139 2、0.157 4、0.089 2、0.087 2、0.159 5、0.104 8、0.124 3、0.138 5。
3.4.2 森林生态质量遥感评价
根据所得指标权重进行计算,得到各县域的森林生态质量综合评价指数(图8)。依据森林生态质量等级划分标准绘制福建海岸带各县域与典型县域乡镇尺度森林生态质量等级空间分布图(图9)。结合图8与图9,可知海岸带近50%的县域森林生态质量处于优良水平,而处于中等及以下水平的县域森林生态质量还存在较大的提升空间。在县域尺度上,仙游县、闽侯县、南安市、霞浦县及柘荣县森林生态质量较好,市辖区如海沧区、思明区、集美区、同安区森林生态质量为优。森林生态质量综合指数最低的有惠安县、福安市、秀屿区、平潭综合实验区、石狮市、诏安县。综合来说,森林覆盖率高、人工干扰少、阔叶林及混交林比重较大、中龄林及成熟林占比较大的区域森林生态质量较好,相反若受人为干扰严重、且茶果园林地分布多、幼龄林比重较大且冠层高度较低区域的森林生态质量就较差。沿海县域森林生态质量还存在较大的提升空间,需要针对存在的问题采取相应森林管理政策提升森林生态质量。
4. 讨论及结论
4.1 讨 论
本研究以利用遥感手段大范围高效、准确评价森林生态质量为目的,得到能够客观反映福建省海岸带40个县域的森林生态质量评价结果。基于评价结果,福建省森林生态质量差的县域应列为未来保护和修复的重点,相关部门应关注重点县域森林组成和龄组结构等关键指标现状,探寻森林生态质量差的问题所在,并找到最佳的路径提高生物多样性,防止林分退化,改善森林生态质量。
指标选取是森林生态质量评价的关键。森林结构、森林健康、森林生物量能够较为准确、客观地反映森林特征、生长状况以及生态功能等[5],是评价森林生态质量的关键参数。基于此,本研究指标选取时,首先根据森林生态质量评价相关规程初步选取具有代表性的指标,然后综合考虑初步选取的指标在福建省海岸带森林质量评价中的适用性,最终确定涵盖了森林结构、森林健康、生态功能、生物量方面的8个指标组成的评价体系。其中生物量指标考虑到通过遥感反演大范围区域生物量存在较大不确定性,难以保证反演结果的准确度,所以并未包含在指标体系中,同时Guo等[36]诸多学者都指出,森林生态质量评价指标体系包含生物量指标能更好地评估森林生态质量,所以本研究选取了树高、林龄等相关性较高的指标进行替换。
本文森林质量评价指标数据通过遥感影像获取,力求能客观、高效反映福建省海岸带森林现状。首先利用遥感手段分别获取森林类型、冠层高度和林龄等基础数据,进而结合相关统计数据进行计算得到反映福建省海岸带各市县森林质量的8项指标数据,以此为基准进行森林质量评价。森林类型数据获取采用面向对象分类、集成多分类器的方法在高分辨率遥感影像中进行提取,并利用提取结果对地表分类产品进行更新,来获取更为精确的福建省海岸带森林类型。相较于中低分辨率遥感影像,高分辨率遥感数据具有更为丰富的光谱信息,若基于像元进行森林类型提取,必然会出现大量噪点,影响最终森林类型提取结果精度;分类器选择方面,不同机器学习算法对同一类数据的敏感度有所不同,若能科学地集成多个分类器,为数据选取合适的算法,就能够提高森林类型信息提取精度,这与王怀警等[37]结合多分类器对高光谱影像进行森林类型精细识别具有相同的考虑。因此,将面向对象与结合多分类器方法相结合对大范围研究区进行森林类型提取是必要的,能提高提取结果精度,并保证模型的普适性;但由于多源遥感数据的复杂性以及大范围森林类型提取的工作难度较大,本研究未能有效区分出针叶林、阔叶林等精细森林类型,后续还需结合深度学习方法和高分辨率遥感数据完成大范围的森林类型精细提取工作。林龄指标获取相关研究中,Chen等[38]、唐少飞等[39]多数研究者主要通过建立林龄估测回归模型实现,由于野外数据获取较为困难,回归模型的林龄预测仍存在一定的局限性,往往只适用于特定研究区,本研究则通过LandTrendr算法获取研究区内30年内干扰特征及衍生时间节点,通过干扰发生及持续时间估算林龄,适用于对大范围区域进行林龄估算,实现了人工林林龄的有效估算。
森林生态质量评价是一个多元化且复杂的问题,利用遥感手段进行森林生态质量评价还存在诸多问题。首先是鉴于遥感数据进行指标反演的可行性,目前多数研究选取的指标侧重于选取易获取的评价指标,不能够全面地评估森林生态质量。本研究构建的指标体系同样也存在此类问题,健康状态部分仅仅利用干扰强度指标反映,想要更加准确地评估森林生态质量,还需要引入更多元的指标反映森林的健康状态,比如病虫害、森林火灾以及气候灾害等干扰指标;同时各地区树种、立地条件以及遥感数据质量等不同,导致该评价模型可能在不同研究区应用时产生误差;因此利用该模型时,为确保客观评价森林生态质量,各指标阈值应当因地制宜地进行调整,以此来提高模型的普适性。其次,本研究构建的模型在利用遥感数据提取指标数据部分还有进一步优化的空间,目前冠层高度指标数据是利用GEDI冠层高度产品进行获取,虽然GEDI冠层高度和验证数据之间存在良好的相关关系,但还是存在一定误差,后续若能够获取更高精度的冠层高度数据,才能更加准确评估福建省海岸带森林生态质量状况。最后,利用遥感技术进行指标反演过程中,需要大量准确、有代表性的样本数据对模型进行训练以及验证,而样本数据获取通常需要耗费大量的时间,并且出现和影像数据不同步的问题,反而降低反演的精度;为开展高质量的森林生态质量评价,需要加强地面森林长期系统化监测,不断更新有效的样本数据,以提高遥感模型的评估精度。
4.2 结 论
本文以福建海岸带为研究区,综合利用国产高分辨率遥感、Landsat时序遥感、GEDI星载激光雷达等多源卫星遥感数据,开展海岸带森林生态质量遥感评价研究,以期为林业经营发展规划与宏观决策提供指导借鉴。得到如下主要结论:
(1)福建海岸带有林地主要以阔叶林为主,其中闽侯县有林地面积在各县域中排名第一,达到1 543.57 km2;森林覆盖率最高的县为仙游县,覆盖率高达 71.05%。
(2)利用LandTrendr算法衍生的干扰开始时间特征估算现有人工林年龄及通过GEDI冠层高度产品获取海岸带森林冠层高度分布具有可行性。
(3)利用遥感手段获取的8项森林生态质量评价指标进行森林生态质量评价,评价结果表明,福建省海岸带约50%的县域森林生态质量处于优良水平,而森林生态质量处于中等及以下水平的县域占据较大比例,评价结果与福建省海岸带森林生态质量的实际情况相符。
(4)综合2020年福建海岸带40个县域森林生态质量遥感评价结果,其中仙游县、闽侯县、南安市、霞浦县、柘荣县及厦门市的海沧区、思明区、集美区、同安区等森林生态质量为优,而惠安县、福安市、秀屿区、平潭综合实验区、石狮市、诏安县森林生态质量较差。福建沿海县域森林生态质量还存在较大的提升空间,应该重点关注森林组成和龄组结构等关键指标现状,探寻森林生态质量差的问题所在,并找到最佳的路径提高生物多样性,防止林分退化,改善森林生态质量。
-
表 1 遥感影像数据介绍
Table 1 Introduction of remote sensing image data
卫星名称
Satellite name空间分辨率
Spatial resolution景数
Scene number获取时间
Access time资源三号 ZY-3 2.1 m (全色)
2.1 m (panchromatic)
5.8 m (多光谱)
5.8 m (multispectral)30 2015年9月至2016年9月,以2016年度卫星影像为主
September 2015 to September 2016, based on
annual satellite imagery in 2016高分一号 GF-1 2 m (全色)
2 m (panchromatic)
8 m (多光谱)
8 m (multispectral)19 天绘一号 TH-1 2 m (全色)
2 m (panchromatic)
10 m (多光谱)
8 m (multispectral)13 Landsat5、Landsat7、Landsat8 30 m 每年约20 ~ 40景
About 20−40 views per year1991—2020年7—10月
July to October in 1991 to 2020表 2 LandTrendr算法参数
Table 2 Parameters of LandTrendr algorithm
过程
Step参数
Parameter值
Value分割
Segmentation核尺寸 Kernel size 3 最大分段数
Maximum number of segmentation6 噪声值 Noise level 0.9 恢复率阈值 Recovery rate threshold 0.25 最优模型比例 Optimal model ratio 0.75 滤波
Filter1年植被覆盖损失阈值
1 year vegetation cover loss threshold10 10年植被覆盖损失阈值
10 year vegetation cover loss threshold3 干扰前覆盖阈值
Pre-interference coverage threshold20 植被生长比例阈值
Threshold for percentage of vegetation growth5 制图
Mapping最小制图单位 Minimum mapping unit 30 m 表 3 森林生态质量评价指标体系
Table 3 Forest ecological quality evaluation index system
指标
Index森林生态质量评价指标含义
Meaning of forest ecological quality assessment indicators计算方法
Calculation method森林类型
Forest type (X1)表征森林覆盖类型的均衡程度
Characterizing the balance of forest cover types森林各类型面积与其区域面积比
Proportion of area of each forest type in relation to
its regional area森林覆盖率
Forest coverage (X2)反映地区森林资源、林业发展状况及森林效益的综合性指标
Comprehensive indicators reflecting regional forest resources,
forestry development and forest benefits区域森林面积与其区域面积比值
Ratio of regional forest area to its regional area龄级结构
Age structure (X3)反映森林龄级的均衡水平
Reflecting equilibrium level of forest age class各龄级与森林面积比值
Ratio of age classes to forest area人工林比重
Percentage of plantation (X4)反映森林资源造林活动的演替程度
Reflecting the degree of succession of silvicultural
activities on forest resources人工林面积与森林面积比值
Ratio of plantation area to forest area人均森林面积
Forest area per capita (X5)反映森林资源的人均占有量水平
Reflecting the level of per capita occupancy of forest resources森林总面积与人口比值
Ratio of total forest area to population林地利用率
Forest land utilization rate (X6)反映林业用地的利用水平
Reflecting the level of utilization of forestry land有林地面积与林业用地面积比值
Ratio of forested land area to forest land area冠层高度
Canopy height (X7)反映森林生长状况
Reflecting forest growth condition各冠层高度面积与森林总面积比值
Ratio of area of each canopy height to
total forest area干扰量级
Interference level (X8)反映森林受干扰的程度
Reflecting the extent of forest disturbance不同干扰量级与干扰总面积比值
Ratio of different interference levels to
total interference area表 4 福建海岸带森林类型遥感分类结果精度验证
Table 4 Validation of the accuracy of forest classification results in the coastal zone of Fujian Province
地区
Region精度
Accuracy人工地表
Artificial
surface耕地
Plow
land迹地
Trails有林地
Woodland果园
Orchard茶园
Tea
plantation水体
Waters红树林
Mangrove总体精度
Overall
accuracy/%Kappa系数
Kappa
coefficient宁德市
Ningde CityPA/% 94.12 91.89 88.89 92.86 88.46 88.24 95.83 91.11 0.89 UA/% 91.43 82.93 92.31 94.20 85.19 91.84 95.83 F 92.75 87.18 90.57 93.53 86.79 90.00 95.83 福州市
Fuzhou CityPA/% 92.31 88.10 89.74 96.25 88.24 87.10 97.37 92.71 0.91 UA/% 85.71 86.05 94.59 95.06 93.75 93.10 97.37 F 88.89 87.06 92.11 95.65 90.91 90.00 97.37 莆田市
Putian CityPA/% 92.31 94.00 91.67 92.31 85.71 87.18 94.87 91.51 0.89 UA/% 96.00 94.00 91.67 88.89 85.71 89.47 97.37 F 94.12 94.00 91.67 90.57 85.71 88.31 96.10 泉州市
Quanzhou CityPA/% 89.13 93.88 85.71 91.30 86.11 84.62 96.30 93.33 90.20 0.88 UA/% 95.35 85.19 92.31 95.45 86.11 81.48 92.86 87.50 F 92.13 89.32 88.89 93.33 86.11 83.02 94.55 90.32 厦门市
Xiamen CityPA/% 89.19 91.67 90.91 93.88 83.33 92.31 96.00 91.96 0.90 UA/% 91.67 91.67 90.91 93.88 88.24 92.31 92.31 F 90.41 91.67 90.91 93.88 85.71 92.31 94.12 漳州市
Zhangzhou CityPA/% 93.18 93.33 91.67 93.65 87.10 87.23 91.67 93.75 91.32 0.90 UA/% 93.18 91.80 91.67 92.19 88.52 89.13 93.62 90.91 F 93.18 92.56 91.67 92.91 87.80 88.17 92.63 92.31 注:PA、UA、F分别代表生产者精度、用户精度和F统计量。Notes: PA, UA, and F represent producer accuracy, user accuracy, and F statistic, respectively. 表 5 森林生态质量评价指标Pearson相关系数
Table 5 Pearson correlation coefficients of forest ecological quality evaluation indicators
指标
Index平均值
Average value标准差
Standard deviationX1 X2 X3 X4 X5 X6 X7 X8 X1 0.794 0.269 1 X2 0.556 0.329 −0.657** 1 X3 0.569 0.216 −0.039 −0.13 1 X4 0.325 0.178 −0.058 0.156 −0.241 1 X5 0.225 0.233 −0.643** 0.821** −0.119 −0.028 1 X6 0.795 0.276 0.524** −0.485** −0.044 0.001 −0.475** 1 X7 0.578 0.271 0.414** −0.830** 0.005 −0.041 −0.736** 0.207 1 X8 0.209 0.236 −0.558** 0.689** −0.064 0.194 0.559** −0.29 −0.571** 1 注:* P < 0.05 ,** P < 0.01。Notes: * P < 0.05 ,** P < 0.01. 表 6 线性组合系数及权重结果
Table 6 Results of linear combination coefficients and weights
名称Name Y1 Y2 Y3 Y4 综合得分系数
Composite score coefficient权重
Weight/%X1 0.2929 0.5220 0.083 0.0892 0.2846 13.92 X2 0.4935 0.2824 0.0875 0.1021 0.3218 15.74 X3 0.026 0 0.0250 0.1289 0.9689 0.1823 8.92 X4 0.0277 0.0033 0.9321 0.1354 0.1783 8.72 X5 0.4534 0.3146 0.1397 0.1475 0.3260 15.95 X6 0.0827 0.7208 0.0280 0.0002 0.2141 10.48 X7 0.5295 0.0081 0.0485 0.0169 0.2540 12.43 X8 0.4201 0.1688 0.2783 0.0506 0.2831 13.85 特征根 Eigenvalue 3.149 1.643 1.069 1.027 方差解释率
Variance explaination rate/%39.37 20.54 13.37 12.84 -
[1] Baumann M, Ozdogan M, Wolter P T, et al. Landsat remote sensing of forest windfall disturbance[J]. Remote Sensing of Environment, 2014, 143: 171−179. doi: 10.1016/j.rse.2013.12.020
[2] Ghebrezgabher M G, Yang T, Yang X, et al. Extracting and analyzing forest and woodland cover change in Eritrea based on Landsat data using supervised classification[J]. The Egyptian Journal of Remote Sensing and Space Science, 2016, 19(1): 37−47. doi: 10.1016/j.ejrs.2015.09.002
[3] 张会儒, 雷相东, 张春雨, 等. 森林质量评价及精准提升理论与技术研究[J]. 北京林业大学学报, 2019, 41(5): 1−18. Zhang H R, Lei X D, Zhang C Y, et al. Research on theory and technology of forest quality evaluation and precision improvement[J]. Journal of Beijing Forestry University, 2019, 41(5): 1−18.
[4] 石春娜, 王立群. 浅析森林资源质量内涵[J]. 林业经济问题, 2007, 27(3): 221−224. doi: 10.3969/j.issn.1005-9709.2007.03.006 Shi C N, Wang L Q. Connotation of forest resourses quality[J]. Problems of Forestry Economics, 2007, 27(3): 221−224. doi: 10.3969/j.issn.1005-9709.2007.03.006
[5] 韩皓爽, 万荣荣. 森林生态质量评估方法研究进展[J]. 生态科学, 2021, 40(4): 212−222. Han H S, Wan R R. A review on the methods of ecological evaluation of forest quality[J]. Ecological Science, 2021, 40(4): 212−222.
[6] 张静静, 穆艳华. 伏牛山地区森林生态系统生境质量多视角评价[J]. 生态科学, 2021, 40(5): 116−121. Zhang J J, Mu Y H. Multi-perspective evaluation on habitat quality of forest ecosystem in Funiu Mountain Region[J]. Ecological Science, 2021, 40(5): 116−121.
[7] 莫可, 赵天忠, 蓝海洋, 等. 基于因子分析的小班尺度用材林森林质量评价: 以福建将乐国有林场为例[J]. 北京林业大学学报, 2015, 37(1): 48−54. Mo K, Zhao T Z, Lan H Y, et al. Quality assessment at subcompartment level of forests used for timber production based on factor analysis: a case study in Jiangle National Forest Farm, Fujian Province[J]. Journal of Beijing Forestry University, 2015, 37(1): 48−54.
[8] Feng J G, Wang J S , Yao S C, et al. Dynamic assessment of forest resources quality at the provincial level using AHP and cluster analysis[J]. Computers and Electronics in Agriculture, 2016, 124: 184-193.
[9] 张琳, 宋创业, 袁伟影, 等. 基于地面调查的植被生态质量综合评估指标体系构建[J]. 生态学报, 2023, 43(1): 128−139. Zhang L, Song C Y, Yuan W Y, et al. Construction of comprehensive evaluation index system of vegetation ecological quality based on field survey[J]. Acta Ecologica Sinica, 2023, 43(1): 128−139.
[10] 陈强, 陈云浩, 王萌杰, 等. 2001—2010年洞庭湖生态系统质量遥感综合评价与变化分析[J]. 生态学报, 2015, 35(13): 4347−4356. Chen Q, Chen Y H, Wang M J, et al. Ecosystem quality comprehensive evaluation and change analysis of Dongting Lake in 2001−2010 based on remote sensing[J]. Acta Ecologica Sinica, 2015, 35(13): 4347−4356.
[11] Zhao Q, Yu S, Zhao F, et al. Comparison of machine learning algorithms for forest parameter estimations and application for forest quality assessments[J]. Forest Ecology and Management, 2019, 434: 224–234.
[12] 龚宇浩, 孙益群, 董晨,等. 基于广义代数差分法和因子选择的杉木人工林立地质量评价[J]. 浙江农林大学学报, 2023, 40(6): 1282−1291. doi: 10.11833/j.issn.2095-0756.20220716 Gong Y H, Sun Y Q, Dong C, et al. Site quality evaluation of Cunninghamia lanceolata plantation based on generalized algebraic difference approach and factor selection[J]. Journal of Zhejiang A&F University, 2023, 40(6): 1282−1291. doi: 10.11833/j.issn.2095-0756.20220716
[13] 唐雅娟. 基于小班尺度的永安市森林质量评价[J]. 林业与环境科学, 2021, 37(6): 130−134. doi: 10.3969/j.issn.1006-4427.2021.06.019 Tang Y J. Evaluation of forest quality based on subcompartment Scale in Yongan[J]. Forestry and Environmental Science, 2021, 37(6): 130−134. doi: 10.3969/j.issn.1006-4427.2021.06.019
[14] 杜志, 甘世书, 胡觉. 全国森林资源质量综合评价[J]. 中南林业调查规划, 2018, 37(3): 1−5. Du Z, Gan S S, Hu J. Comprehensive evaluation of forest resources quality in China[J]. Central South Forestry Inventory and Planning, 2018, 37(3): 1−5.
[15] 刘婷婷, 孔越, 吴叶, 等. 基于熵权模糊物元模型的我国省域森林生态安全研究[J]. 生态学报, 2017, 37(15): 4946−4955. Liu T T, Kong Y, Wu Y, et al. Provincial forest ecological security evaluation in China based on the entropy weight of the fuzzy matter element model[J]. Acta Ecologica Sinica, 2017, 37(15): 4946−4955.
[16] 邵炜, 熊宇, 卢惠, 等. 永定河流域森林质量评价与分析[J]. 陕西林业科技, 2021, 49(6): 36−40. doi: 10.12340/sxlykj202106009 Shao W, Xiong Y, Lu H, et al. Evaluation of forest resources quality in Yongding River Basin[J]. Shanxi Forest Science and Technology, 2021, 49(6): 36−40. doi: 10.12340/sxlykj202106009
[17] 冯继广, 王景升, 姚帅臣, 等. 基于因子分析的森林资源质量综合评价[J]. 中南林业科技大学学报, 2017, 37(1): 27−32, 42. Feng J G, Wang J S, Yao S C, et al. Comprehensive evaluation of forest resources quality based on factor analysis[J]. Journal of Central South University of Forestry & Technology, 2017, 37(1): 27−32, 42.
[18] 刘海轩, 李锋, 马远, 等. 基于景观多样性的北京市域森林质量综合评价[J]. 中国园林, 2022, 38(10): 14−19. Liu H X, Li F, Ma Y, et al. Comprehensive evaluation of forest quality in Beijing based on landscape diversity[J]. Chinese Landscape Architecture, 2022, 38(10): 14−19.
[19] Roy D P, Kovalskyy V, Zhang H K, et al. Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity[J]. Remote Sensing of Environment, 2016, 185: 57−70. doi: 10.1016/j.rse.2015.12.024
[20] Liu L, Zhang X, Chen X, et al. GLC_FCS30-2020: Global land cover with fine classification system at 30 m in 2020[J]. Earth System Science Data, 2020, 13: 2753−2776.
[21] Dubayah R, Blair J B, Goetz S, et al. The global ecosystem dynamics investigation: high-resolution laser ranging of the earth’s forests and topography[J/OL]. Science of Remote Sensing, 2020, 1: 100002[2023−03−21]. https://doi.org/10.1016/j.srs.2020.100002.
[22] Potapov P, Li X, Hernandez-Serna A, et al. Mapping global forest canopy height through integration of GEDI and Landsat data[J]. Remote Sensing of Environment, 2021, 253: 112165. doi: 10.1016/j.rse.2020.112165
[23] Xiao D, Chen Q, Li S. A multi-scale cascaded hierarchical model for image labeling[J]. International Journal of Pattern Recognition and Artificial Intelligence, 2016, 30(9): 1660005. doi: 10.1142/S0218001416600053
[24] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127−150. doi: 10.1016/0034-4257(79)90013-0
[25] Gao B C. NDWI: a normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment, 1996, 58(3): 257−266. doi: 10.1016/S0034-4257(96)00067-3
[26] Jordan C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663−666. doi: 10.2307/1936256
[27] Dihkan M, Guneroglu N, Karsli F, et al. Remote sensing of tea plantations using an SVM classifier and pattern-based accuracy assessment technique[J]. International Journal of Remote Sensing, 2013, 34(23): 8549−8565. doi: 10.1080/01431161.2013.845317
[28] 宋荣杰, 宁纪锋, 常庆瑞, 等. 基于小波纹理和随机森林的猕猴桃果园遥感提取[J]. 农业机械学报, 2018, 49(4): 222−231. doi: 10.6041/j.issn.1000-1298.2018.04.025 Song R J, Ning J F, Chang Q R, et al. Kiwifruit orchard mapping based on wavelet textures and random forest[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 222−231. doi: 10.6041/j.issn.1000-1298.2018.04.025
[29] 窦鹏. 基于投票法的多分类器集成遥感影像分类技术[D]. 兰州: 兰州交通大学, 2014. Dou P. Remote sensing image classification with multiple classifiers integration based on voting [D]. Lanzhou: Lanzhou Jiaotong University, 2014.
[30] Kennedy R E , Yang Z , Cohen W B. Detecting trends in forest disturbance and recovery using yearly Landsat time series (1): LandTrendr: temporal segmentation algorithms[J]. Remote Sensing of Environment, 2010, 114(12): 2897−2910. doi: 10.1016/j.rse.2010.07.008
[31] 钟莉, 陈芸芝, 汪小钦. 基于Landsat时序数据的森林干扰监测[J]. 林业科学, 2020, 56(5): 80−88. doi: 10.11707/j.1001-7488.20200509 Zhong L, Chen Y Z, Wang X Q. Forest disturbance monitoring based on time series of Landsat data[J]. Scientia Silvae Sincae, 2020, 56(5): 80−88. doi: 10.11707/j.1001-7488.20200509
[32] Cohen W B, Yang Z, Kennedy R E. Detecting trends in forest disturbance and recovery using yearly Landsat time series (2): TimeSync-Tools for calibration and validation[J]. Remote Sensing of Environment, 2010, 114(12): 2911−2924. doi: 10.1016/j.rse.2010.07.010
[33] Robert K , Zhiqiang Y , Noel G , et al. Implementation of the LandTrendr algorithm on Google Earth engine[J]. Remote Sensing, 2018, 10(5): 691.
[34] Zhao L Z Z. Comparison of machine learning algorithms for forest parameter estimations and application for forest quality assessments[J]. Forest Ecology and Management, 2019, 434: 224-234.
[35] Li W, Chen J, Zhang Z. Forest quality-based assessment of the Returning Farmland to Forest Program at the community level in SW China[J]. Forest Ecology and Management, 2020, 461: 117938. doi: 10.1016/j.foreco.2020.117938
[36] Guo K, Wang B, Niu X. A review of research on forest ecosystem quality assessment and prediction methods[J]. Forests, 2023, 14(2): 317. doi: 10.3390/f14020317
[37] 王怀警, 谭炳香, 王晓慧, 等. 多分类器组合森林类型精细分类[J]. 遥感信息, 2019, 34(2): 104−112. doi: 10.3969/j.issn.1000-3177.2019.02.017 Wang H J, Tan B X, Wang X H, et al. Multiple classifiers combination method for precise classification of forest type[J]. Remote Sensing Information, 2019, 34(2): 104−112. doi: 10.3969/j.issn.1000-3177.2019.02.017
[38] Chen B Q, Cao J H, Wang J K, et al. Estimation of rubber stand age in typhoon and chilling injury afflicted area with Landsat TM data: a case study in Hainan Island, China[J]. Forest Ecology and Management, 2012, 274: 222−230. doi: 10.1016/j.foreco.2012.01.033
[39] 唐少飞, 田庆久, 徐凯健, 等. Sentinel-2卫星落叶松林龄信息反演[J]. 遥感学报, 2020, 24(12): 1511−1524. Tang S F, Tian Q J, Xu K J, et al. Age information retrieval of Larix gmelinii forest using Sentinel-2 data[J]. Journal of Remote Sensing (Chinese), 2020, 24(12): 1511−1524.