简介
人工林的扩张往往会侵占天然林，导致许多环境和社会问题，并改变碳固存能力。准确绘制天然林和人工林地图对于实现碳中和和应对气候变化至关重要。然而，以精细的空间分辨率绘制全球天然林和人工林分布图的要求仍未得到满足，这主要是由于土地覆被绘图方法通常需要的训练样本数量不足。本研究提出了一种新方法，用于自动生成训练样本，并在 2021 年以 30 米的空间分辨率精确绘制全球天然林和人工林分布图。根据 1985 年至 2021 年期间 30 米大地遥感卫星图像上人工林和天然林的不同干扰频率，利用成熟的时间序列变化检测方法生成了 7000 多万个训练样本。这些训练样本包含不同的 Landsat 和辅助数据特征，包括光谱、结构、纹理和地形属性。随后，利用这些样本对局部自适应随机森林分类器进行了训练，在与独立的目视判读参考数据进行验证时，总体准确率达到了 85%。根据生成的地图，各大洲和各国的天然林和人工林比例与《2020 年全球森林资源评估》的统计数据一致，回归斜率分别为 1.0050 和 1.2432。生成的训练样本可用于更新全球天然林和人工林地图。生成的地图有望加深我们对天然林和人工林在碳吸收、生物多样性维护、气候变化减缓等方面的差异的理解。
主要内容
在这项研究中，我们引入了一种创新方法，用于自动生成足够的训练样本，并以 30 米的空间分辨率精确绘制全球天然林和人工林地图。具体来说，我们的训练样本生成方法包括分析 Landsat 4-8 的时间序列图像。我们假定，天然林更加稳定，对外部因素的抵御能力更强，而人工林区更容易受到重新造林或毁林活动的影响[。利用这一观点，我们开发了一种方法，根据 Landsat 数据记录中定义的干扰频率 (FD) 生成训练样本。具体来说，我们从 FD 值较低的区域提取天然林样本，从 FD 值较高的区域提取人工林样本。为了保证训练样本的平衡，并缓解大面积土地覆被分类中的空间特征扩展问题，我们将森林区域划分为 57,559 个瓦片，每个瓦片的大小为 0.5° × 0.5°。我们为每个平块建立了固定的训练样本池，以确保单个平块中的每个类至少包含 900 个训练样本。因此，我们积累了 7000 多万个训练样本。这项研究的主要贡献在于 (a) 根据人工林和天然林之间截然不同的 FD，开发了一种自动生成训练样本的方法；(b) 首次以 30 米的空间分辨率生成了 2021 年全球天然林和人工林地图。
结论
这项研究在 2021 年引入了一种以 30 m 空间分辨率绘制全球天然林和人工林的新策略，利用超过 7000 万个自动生成的训练样本。这种方法缓解了在进行监督分类时缺乏训练样本的困境，并为世界各国的人工林建立了标准化的统计方法。训练样本生成背后的主要概念基于这样一个事实，即与天然林相比，人工林区域更容易受到强烈干扰，例如伐木和种植事件。我们将这些样品提供了一套全面的特征，包括原始光谱、结构、纹理和地形属性，并输入到 RF 分类器中。这种方法产生了 85% 的 OA，这比使用较少特征获得的 OA 更高。此外，与 FAO 统计数据相比，使用我们的结果计算的天然林占天然林总面积和人工林占人工林总面积的比例表现出可接受的线性关系（斜率分别为 1.0050 和 1.2432）。自然林和人工林地图的第一版为政策制定者、森林管理者和研究人员提供了宝贵的资源，使他们能够加深对全球森林的理解，并提高森林管理和保护的能力。持续的进化和改进将被整合到数据集的后续版本中，以增强其在全球可持续森林管理和保护工作中的效用。
引用
Yuelong Xiao,Qunming Wang,Hankui K. Zhang.Global Natural and Planted Forests Mapping at Fine Spatial Resolution of 30 m. J Remote Sens. 2024;4:0204.DOI:10.34133/remotesensing.0204
数据链接
https://doi.org/10.5281/zenodo.10701417.
网址推荐
0代码在线构建地图应用
https://www.mapmost.com/#/?source_inviter=CnVrwIQs
机器学习
https://www.cbedai.net/xg
