重庆市森林资源年度监测抽样体系优化研究

根据国家对森林资源年度监测评价试点工作的总体要求，对重庆市现有森林资源监测抽样体系进行了优化探索和深入研究，结果表明：1）利用校验样地产出森林面积、固定样地产出森林蓄积的方法是可靠的，抽样精度完全能满足国家技术规定要求，如果单纯产出省级层面的森林面积和森林蓄积，不进行第二次分解，各省样地个数还可以适当减少，比如重庆：校验样地可减少3/4，只要1 268个校验样地即可，其抽样精度可以达到95%以上；固定样地可减少1/2，只要2 566个固定样地，其抽样精度可以达到90%以上；2）校验样地大小500 m×500 m是比较合适的，重庆市森林面积估测变动系数从500 m开始往上减小速度逐渐平缓，趋于稳定，抽样结果精度均达到了95%以上，完全符合国家对森林面积的抽样精度要求；3）校验样地和固定位置应该长期固定，年度监测之间的数据变化才有可比性；4）对省级数据如何分解到区县的方法上不可“一刀切”，具体到每个区县是采用抽样调查、小班区划还是联合估计的方法，应根据各区县森林资源分布特点和数量大小，制定符合自身实际情况的科学可行的监测方法。     

森林资源调查监测年度数据产出方法研究

利用2021年国家林草生态综合监测评价北京市样地数据及相关资料,基于“1/5+4/5”联合估计方案,提出回归抽样估计和回归模型预测2种基本估计方法;同时还针对部分省份存在多个副总体和加密样地等特殊情况,提出了采用分层抽样和联合估计方法产出年度数据,并以北京市森林蓄积量估计为例,以4套方案开展计算。结果显示,基于老样地估计的2套方案,全市森林蓄积量估计精度均在92%以上,其中方案2(基于回归模型预测)的总体抽样精度从方案1(基于回归抽样估计)的92.87%提高到93.87%;采用加密新样地和老样地联合估计的2套方案,全市森林蓄积量估计精度均在94%以上,其中方案4的总体抽样精度从方案3的94.24%提高到94.65%。研究表明：采用回归抽样估计和回归模型预测2种基本方法对当年未调查样地进行数据更新的方法,在实践中是完全可行的;综合利用回归抽样估计、回归模型预测、分层抽样方法和联合估计方法,可以解决存在副总体和加密样地等不同情况下的年度数据产出问题。     

基于3S的森林植被面积空间抽样方法

以辽宁省为例,应用中分辨率成像光谱仪影像(MODIS)数据进行森林信息提取,并选取森林面积为研究对象,采用网格单元作为抽样单元,应用随机、系统、分层的抽样方法对辽宁省森林面积进行抽样估算,在获得最优抽样方法的基础上进行第2阶段抽样,设计不同样本容量水平下的森林面积空间抽样方法试验。结果表明:以县森林面积覆盖百分比为分层标志的分层抽样方法抽样效率最高,在第2阶段抽样估算的8种样本容量水平下,当样本容量为8时,抽样精度达到95%,并且所需样本数量最少,达到了森林面积抽样精度要求。应用此方法能够减少森林资源调查成本和工作量,可以结合遥感、地理信息系统和全球定位系统技术(3S技术),进行大区域范围森林面积的监测。     

遥感、地面三相抽样及其在森林资源年度监测面积估计中的应用

讨论如何利用遥感数据、不同时间调查的地面样地数据之间的关系,构造三相抽样估计方法,提高年度监测的面积估计精度.提出将遥感判读样地作为一相样本,全部地面样地的前期数据作为二相样本,年度监测地面样地作为三相样本,构成三相抽样框架的方法.三相样本是一、二相样本的子集,二相样本是一相样本的子集.用一、二相样本进行前期面积的二相抽样估计,再将结果用于二、三相样本的二相估计,完成年度监测面积的三相抽样估计.在第一个年度监测年,二相样本就是周期监测年调查的全部地面样地,从第二个年度监测年开始,二相样本的调查年份可以不在同一年.给出年度监测面积成数的三相抽样估计公式及相应的方差估计极限分布公式.用浙江省实际数据计算的结果表明:三相抽样精度明显比其他估计方法高.     

基于遥感大样地省级森林面积年度出数方案探讨——以广东省为例

在建立健全森林增长指标考核制度,确保森林资源数量不断增加、质量不断提高的新时期生态文明建设的大背景下,探索省级森林面积年度出数的方法成为迫切需求。以广东省2016年、2017年森林资源宏观监测数据为基础,探讨基于遥感大样地省级森林面积年度出数的方案,结果表明:基于高分辨率遥感影像和群团抽样快速产出森林面积的方法基本可行,但准确反映森林面积年度变化量面临挑战。     

东南亚国家森林资源年度遥感监测设计——以印度尼西亚为例

基于2010年全球30m土地覆盖数据(Global Land30),按1°×1°或0.5°×0.5°经纬度间隔,在印度尼西亚布设分别为145个和604个网格的样地,对比分析2套抽样间隔下不同样地面积大小的森林面积估算的变动系数和精度大小,优选最佳的遥感大样地布设方案。采用样地调查法,产出森林面积的估计值。结果表明:1)从森林面积总体变动系数、抽样精度以及调查工作量综合考虑,按0.5°×0.5°经纬度抽样间隔系统布设4km×4km的大样地,为最优选方案;2)以印尼加里曼丹地区监测数据进行的森林面积监测精度验证表明,森林面积监测平均精度为94.89%,到达国家和区域尺度的森林面积监测精度要求。     

基于高分辨率遥感数据和成数抽样的森林覆盖率年度监测方法

为了提高区域森林覆盖率的年度监测精度,在高分辨率遥感图像上布设系统抽样样地,通过图像判读结合地面核查,采用成数抽样的方法监测森林覆盖率。结果显示:总体抽样精度达到95.03%,与传统的全面外业核查方法相比,外业工作量减少92.44%,监测时间减少85%以上。     

省级森林资源面积年度出数研究 ——以广西壮族自治区为例

基于广西壮族自治区森林资源年度监测评价试点工作,运用面积成数法和点抽样估计法,统计校验样地、森林资源一类清查、二类调查和国土三调等成果的森林面积构成,并对比分析不同体系的数据差异.结果表明:"一张图"更新与校验样地调查核实相结合的方式产出省级森林资源面积科学可行;国土三调认定的林地面积与森林资源"一张图"林地面积总量上...     

遥感大样地点面判读方法在森林资源宏观监测中的应用分析

以抽样理论为基础,以全国森林资源宏观监测9个省的遥感判读结果为依据,对比分析了群团样地判读和图斑区划判读的森林覆盖率、森林面积、正判率、抽样精度和差异原因。结果表明:群团样地判读和图斑区划判读2种方法监测森林资源都能取得预期效果;通过U检验,2种方法得到的森林覆盖率没有明显差异。但群团样地判读质量相对易控制、工作量较小、工作效率更高。     

基于遥感影像与整群抽样的丹江口库区及上游森林资源监测方法研究

介绍了基于抽样理论和遥感判读技术的森林资源监测的具体过程,分析了不同整群样地个数情况下的森林覆盖率和抽样精度。结果表明,在保持抽取的整群个数不变的情况下,总体抽样精度随整群中小样地个数的增加而提高,但当小样地布设到一定数量时,抽样精度并不能明显提高。本次监测的丹江口库区及上游森林覆盖率为63.62%,抽样精度为95.09%。     

森林资源监测地面固定样地优化研究

地面固定样地是大区域尺度范围内开展森林资源监测的基本抽样调查单元。地面固定样地对林分的预估精度将直接影响到整体区域监测结果的准确性。从样地类型、空间排列方式、样地尺度大小出发,在1 hm²大样地中采用随机抽样法,通过抽样精度验证在不同类型林分中开展森林资源监测的最优样地类型。结果表明：1)在不同类型林分中开展蓄积量监测的最优样地面积尺度大小不一,在布设地面固定样地时,应当根据林分起源、龄组的不同,确定样地面积、间距;2)在样地面积相同情况下,单一圆形样地抽样监测精度略高于单一方形样地,群团样地的蓄积抽样监测精度明显高于单一样地,四点圆形群团样地抽样监测精度略高于方阵式群团样地。     

全国森林资源清查样地标准化和时间归一化数据库的建立

为实现森林生物量和碳储量的年度监测,准确把握森林资源的消长动态,研究探讨了全国森林资源清查样地数据标准化和归一化的技术方法和路线,对以省为单位的最新两期或多期(1999—2015年)森林资源清查地面样地数据进行标准化和时间归一化,获取目标年度的森林资源样地和样木数据,建立了全国范围的2005,2012和2014年3个年度样地和样木数据库,为我国森林资源数据分析、森林蓄积量和生物量估算等多项工作提供有效地面数据支撑。     

群团抽样对西藏森林资源宏观监测结果的影响分析

森林资源监测是国情国力调查的重要组成部分,是林业重要的基础性工作。遥感技术弥补了传统人工抽样调查的不足,然而遥感样地的布设方式、数量及遥感判读精度是宏观森林资源监测值得关注的问题。本研究在西藏自治区2015年森林资源宏观监测成果的基础上,采用不同群团抽样方案与遥感判读相结合的方式,得出全区森林覆盖率,并分析群团内样本数量变动对西藏森林资源宏观监测结果的影响。研究结果表明,当样地内群团数量达到25个时,估计均值与实际森林覆盖率相差最小,变动系数最稳定,抽样精度达到最高94.49%。由此可知,大样地群团抽样方法对森林资源宏观监测来说是一种可行高效的方法,且工作量显著低于图斑区划判读的工作量。     

基于Sentinel-1A和Landsat 8数据的区域森林生物量反演

【目的】结合主被动遥感数据,为基于不同遥感数据源、建模算法的亚热带森林生物量建模分析提供新思路。【方法】以湖南省郴州市桂东县2014年Landsat 8 OLI影像、2014年Sentine-1A影像、2014年43块森林资源连续清查固定样地数据为主要信息源,借助于ENVI、SNAP、R等软件,分别采用主动式遥感(Sentinel-1A数据)、被动式遥感(Landsat 8 OLI数据)、主被动相结合(Sentinel-1A数据结合Landsat 8 OLI数据)3种数据集和多元线性回归、随机森林、人工神经网络、袋装算法等4种模型,进行区域森林地上生物量特征变量选取、参数建模、模型精度评价、生物量空间制图。【结果】1)在特征变量选择上,红波段(B4)、红外波段(B5)反射率及纹理特征,归一化植被指数(NDVI),交叉极化(VH)后向散射系数及其纹理特征,在森林生物量反演中具有重要作用;2)4种遥感估测模型精度比较分析表明,无论是单一数据源还是二者结合,随机森林算法预测精度最高,人工神经网络、袋装算法次之,多元线性回归最低;3)3种不同数据源的遥感估测综合精度,按照由高到低的顺序排列,主被动结合被动式遥感主动式遥感;4)桂东县森林生物量平均值为53.68 t/hm2,生物量高( 90 t/hm2)的林分面积比例只有16.03%,主要分布在海拔较高、坡度较陡的东南、西南部。【结论】Sentinel-1A和Landsat 8数据的结合在估测森林生物量方面具有重要作用。     

基于德国国家监测数据的境外遥感抽样调查方法研究

利用遥感样地和高分遥感影像,通过判读解译获取林分类型和森林地类,依据样地到总体的概率估计方法,估计区域总体各林分类型和地类面积,并用德国NFI(National Forest Inventory)数据检验估计误差。在德国布设334个1km×1km遥感样地,获取高分遥感数据进行判读和抽样估计。结果表明:德国陆地面积估计误差为2.43%;森林面积估计误差为0.59%;森林覆盖率估计误差为2.96%;并获得省级森林资源详细数据。综上易知该方法切实可行,估计结果可靠、因子丰富,实现了境外森林资源的主动监测,为境外森林资源监测开辟了新途径。     

论天津市森林资源连续清查抽样设计方案的优化改进

森林资源连续清查体系的优化改进近年来一直受到关注。针对天津市森林资源的分布特点,基于历次森林资源清查结果及相关资料,对天津市的森林资源连续清查抽样设计方案进行了优化改进,并用2017年的具体实施结果对优化改进方案进行了分析论证。结果表明:1条500 m长的"L"形样线对森林面积的抽样效率大体相当于3个0. 066 7hm~2(1亩)大小的方形样地;全市森林面积和活立木蓄积的抽样精度均达到了国家技术规定要求的90%以上,山区和平原区2个副总体的森林面积和森林蓄积抽样精度分别达到85%和80%以上。通过分析研究得出以下结论:样线调查是平原区开展森林资源调查的有效方式;分层抽样是提高森林资源连续清查效率的高效方法;天津市抽样设计方案的优化改进满足了精度要求,达到了预期效果。     

基于多源遥感的森林地上生物量KNN-FIFS估测

【目的】针对多源遥感数据及其派生特征因子数据维度高、信息冗余、易造成估测模型过拟合等问题,从高维度遥感特征因子中高效优化特征组合,优化区域森林地上生物量(AGB)的k最近邻(k-NN)估测模型。【方法】提出基于快速迭代特征选择的k最近邻法(KNN-FIFS),以森林资源样地调查数据计算的森林AGB为参考,以留一法交叉验证(LOO)相应的k-NN模型反演的森林AGB均方根误差(RMSE)最小为原则,依次迭代选取遥感特征,优化区域森林AGB的k-NN估测模型。以大兴安岭根河森林保护区为研究区,结合Landsat-8 OLI各波段光谱信息、植被指数、纹理、地形因子、机载合成孔径雷达(SAR)P-波段HV极化后向散射强度信息(PHV)以及森林资源样地调查数据,利用KNN-FIFS方法估测研究区森林AGB,并与多元线性逐步回归法(SMLR)进行对比分析。【结果】利用KNN-FIFS方法,得到当k为3,特征组合为PHV、短波红外波段一均一性(H6)、短波红外波段一二阶矩(S6)、短波红外波段二二阶矩(S7)、海蓝波段相关性(Cr1)、近红外波段相关性(Cr5)、海蓝波段相异性(D1)、增强型植被指数(EVI)时,研究区森林AGB估测结果最优,其精度(R~2=0.77,RMSE=22.74 t·hm~(-2))显著优于SMLR估测精度(R~2=0.53,RMSE=32.37 t·hm~(-2))。【结论】KNN-FIFS方法相比SMLR更适用于森林AGB多源遥感估测;KNN-FIFS方法可以从高维度遥感特征因子中高效选取相关特征进行森林AGB估测。     

综合应用多源遥感数据的面向对象土地覆盖分类方法

【目的】针对国家森林资源宏观监测业务对区域森林资源空间分布信息的迫切需求,发展一种基于国家森林资源连续清查固定样地数据,可充分发挥GF-1宽幅多光谱数据、MODIS遥感数据相应空间和时间分辨率优势的面向对象土地覆盖分类方法,以提高林地和森林资源的监测精度和自动化程度。【方法】以黑龙江省小兴安岭某林区为研究区,主要数据源包括GF-1宽幅多光谱数据、MODIS NDVI(250 m,8天合成)时间序列遥感数据、国家森林资源连续清查固定样地数据以及少量外业实地调查数据等。首先,基于GF-1宽幅多光谱数据进行多尺度影像分割,将研究区划分为许多区域性的分割对象;然后,以分割对象为分析单元,分别提取GF-1宽幅多光谱遥感影像的光谱特征、纹理特征、形状特征等以及MODIS NDVI时间序列遥感数据的时序特征,并采用随机森林算法进行特征选择;最后,利用训练样本建立基于分类回归树分类器完成面向对象的土地覆盖分类方法研究,分别比较单一GF-1 16 m宽幅多光谱数据、单一MODIS NDVI时间序列遥感数据以及综合多源数据的分类结果,并基于混淆矩阵对分类结果进行分析。【结果】精度检验和分析结果表明,面向对象的综合多源遥感数据分类方法总体分类精度达89.46%,Kappa系数为0.874,明显优于仅基于GF-1宽幅多光谱数据、MODIS NDVI时间序列遥感数据的分类方法。【结论】综合应用多源遥感数据的面向对象土地覆盖分类方法适用于综合GF-1与GF-4数据的土地覆盖类型分别制图,可有效提高主要土地覆盖类型的分类精度。针对国家森林资源连续清查的业务需求和特点,本文所发展的方法在分类对象生成、特征提取、特征选择、分类器训练和精度检验等关键环节均进行了优化设计,有利于提高森林资源连续清查业务中主要林地类型遥感分类制图的自动化、标准化程度。     

基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较

【目的】针对森林资源遥感监测效果往往受森林类型识别分类方法的影响,提出一种基于元胞自动机的遥感影像森林类型分类方法,以提高Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。【方法】以小兴安岭带岭林业经营管理局为研究区,基于2010年Landsat5-TM影像数据和2012年森林资源二类调查数据,采用窗口法获取TM第5波段各待分类别的像元均值作为聚类中心,以元胞自动机的Moore模型为框架,以元胞为基本单位,以像元均值为对象,利用最小距离法求取进化规则(判断准则是中心元胞周围的8个元胞距每类聚类中心的距离最近且像元数量最多,则中心元胞属于该类别),充分考虑影像及地物之间的空间特征,采用元胞自动机分类方法进行森林类型的识别分类。同时,以相同的样本数,采用3层BP神经网络模型对TM遥感影像进行分类试验,并比较2种方法的分类效果。【结果】基于元胞自动机的分类方法总体分类精度为88.712 1%,Kappa系数为0.829 1,针叶林、阔叶林和针阔混交林的用户精度分别为73.60%,92.94%和94.13%,达到了区分针叶林、阔叶林和针阔混交林的分类目的。BP神经网络算法的总体分类精度为86.671 3%,Kappa系数为0.798 4,针叶林、阔叶林和针阔混交林的用户精度分别为69.22%,93.37%和90.76%。2种分类方法均可有效识别森林类型信息。【结论】元胞自动机模型应用于遥感影像森林类型识别分类可弥补因TM影像空间分辨率较低造成的遥感影像分类精度过低的问题,提高分类精度。在森林分布破碎、种类类型多样且结构复杂的带岭林区,该研究结果有助于森林资源监测与管理,可为大区域尺度的森林动态信息监测提供更好的数据及技术支持。     

基于卫星遥感数据空中抽样的大尺度森林资源动态监测

为监测大尺度宏观性森林资源动态变化,以SPOT5和ALOS高空间分辨率卫星遥感数据为源数据,辅以相关调查资料,在GIS支持下,采用空中抽样的方法,在遥感图像上布设样地,通过目视判读方法确定样地的土地类型、优势树种(组)等,据此计算森林面积和构造土地类型转移矩阵。根据历史调查资料分析得到森林类型单位面积蓄积量,并以此来计算各类林木蓄积量,从而实现研究区域森林面积、蓄积的动态监测。应用结果表明,在具备高空间分辨率遥感数据以及历史调查资料较丰富的情况下,该方法具有工作量小、精度高,且易于进行动态分析的特点,不但适用于大尺度宏观性森林资源监测,也适用于中尺度(如县级行政区域)的森林资源动态宏观监测。