中国30米空间分辨率年度森林年龄数据集发布：助力森林碳循环与管理
森林年龄是碳循环建模和森林资源管理的重要因素。遥感技术为大尺度森林年龄制图提供了宝贵的数据，但现有的数据集往往存在空间分辨率较低的问题（通常为1000米），难以满足中国大多数森林的需求，因为许多森林单元的面积都小于这一阈值。近日，Rong Shang等学者在Earth System Science Data期刊上发布了1986至2022年中国30米空间分辨率年度森林年龄数据集（CAFA V2.0）。这一数据集填补了森林碳变化监测中的空白，为中国森林管理和碳循环建模提供了强有力的支持。
英文题目：China's annual forest age dataset at 30 m spatial resolution from 1986 to 2022
中文译名：1986年至2022年中国30米空间分辨率年度森林年龄数据集
发布时间：2025年1月16日
发表期刊：Earth System Science Data
第一作者：Rong Shang et al
第一单位：福建师范大学
DOI：10.5194/essd-2024-574
研究目标：构建具有高空间分辨率的中国年度森林年龄数据集（CAFA V2.0），支持森林碳循环建模和更有效的森林资源管理。
研究方法：结合森林扰动监测与机器学习技术，采用改进的COLD（mCOLD）算法进行森林扰动更新，对于未受干扰的森林，使用机器学习模型进行森林年龄估算。
研究意义：通过年度森林年龄数据集的发布，本研究为中国的碳循环研究和森林管理提供了准确的空间信息，有助于政策决策和生态保护工作。
🌱 森林扰动更新模型
森林扰动监测具有较低的不确定性，因此用于每年森林年龄更新。改进的COLD（mCOLD）算法考虑了扰动区的空间变化和双向时间序列跟踪，提高了更新的精度。
🛰 基于机器学习的森林年龄估算
对于未受干扰的森林，研究采用了机器学习模型，并根据不同地区和森林类型进行单独训练，输入数据包括森林高度、植被指数、气候、地形和土壤信息。
📊 验证结果与误差分析
验证结果显示，扰动森林的年龄估算误差为±2.48年，而未受干扰森林的年龄误差为±7.91年。尽管存在一定误差，但仍为精细化的森林碳循环建模提供了可靠数据。
【数据可用性】
生成的 1986 年至 2022 年中国年度森林年龄 (CAFA V2.0) 数据集（空间分辨率为 30 米）可公开获取：
https://doi.org/10.6084/m9.figshare.24464170
本研究首次生成了具有30米分辨率的中国年度森林年龄数据集（CAFA V2.0），采用森林扰动监测与机器学习技术相结合的方法，通过改进的mCOLD算法更新森林年龄，成功克服了以往森林年龄估算中的低精度问题。验证结果表明，研究方法能够有效追踪森林变化，尤其是在森林扰动区，具有较高的精度。该数据集为中国森林碳循环建模和国家森林管理实践提供了宝贵的数据支持，对生态保护、资源管理和气候变化研究具有重要意义。
图1. 中国森林类型及六大区域的空间分布。
图2. 森林年龄测绘与验证参考样本的空间分布。
图3. 1986年至2022年中国年度森林年龄测绘流程图。
图4. 年度森林年龄更新概念图。
图5. CAFA V2.0数据集中2019年及其他选定年份(1986年和2022年)中国森林年龄的空间分布。
图6. CAFA V2.0数据集中中国森林年龄图的验证。
图7. 2019年利用森林干扰监测绘制的森林年龄典型示例。
图8. V1.0与V2.0森林年龄产品在东北与西南地区森林年龄制图对比。
图9. CAFA V2.0森林年龄与之前森林年龄产品的比较。
图10. CAFA V2.0中国森林年龄产品与前四种森林年龄产品的箱线图。
图11. 使用与CAFA V2.0相同的30%参考森林年龄样本对四种比较森林年龄产品进行验证。
图12. 不同输入因子对五种森林覆盖类型森林年龄制图的贡献。
图13. 1986年至2019年需要检索森林高度的像素百分比(a)以及使用本研究检索到的森林高度与2019年的森林高度产品进行森林年龄制图的比较(b)。
图14. 有无森林覆盖类型分类的森林年龄测绘比较。
表1. 用于森林年龄测绘的植被、地形、气候和土壤数据的描述。
E N D
获取方式：关注我们的微信公众号“地学韦丰吉司长”。后台回复关键字“20250117-2”，即可直接获取原文PDF。（提示：关键字要完整）
免责申明
本推送文章（数据）来源于公开渠道，我们已注明相关信息来源，版权归原作者或出处所有。本推文仅用于学术交流和信息分享。欢迎广大学者们转发本号发布的内容，可留言或后台私信韦丰小编进行授权，转载请注明出处，侵删。
