国土资源遥感, 2020, 32(3): 32-38 doi: 10.6046/gtzyyg.2020.03.05

技术方法

森林覆盖产品在中国区域的质量评价

温亚南,1,2, 车亚辉1,2, 光洁,1, 张晓美1, 李正强1

1.中国科学院空天信息创新研究院,北京 100101

2.中国科学院大学资源与环境学院,北京 100049

Quality evaluation of forest cover products over China

WEN Yanan,1,2, CHE Yahui1,2, GUANG Jie,1, ZHANG Xiaomei1, LI Zhengqiang1

1. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China

通讯作者: 光洁(1982-),女,副研究员,主要从事大气遥感算法开发和遥感产品不确定性分析研究。Email:guangjie@aircas.ac.cn。

责任编辑: 李瑜

收稿日期: 2019-09-4   修回日期: 2019-11-25   网络出版日期: 2020-09-15

基金资助: 国家重点研发计划项目“全球变化大数据的科学认知与云共享平台”.  2016YFA0600302
国家自然科学基金重大项目“地球气候系统能量平衡宏观现象的月基观测研究”.  41590855
国家自然科学基金面上项目“多源卫星遥感反演气溶胶光学特性研究”.  41471306

Received: 2019-09-4   Revised: 2019-11-25   Online: 2020-09-15

作者简介 About authors

温亚南(1994-),女,硕士研究生,主要从事遥感产品不确定性理论和应用研究。Email: m15611670108@163.com。

.

摘要

森林覆盖是森林土地管理、监测和规划中常用的变量,也是生物多样性影响评估和量化碳储存的重要参考依据。遥感技术因其客观、快速、宏观的优点,在森林资源监测方面逐渐获得了广泛应用。为了让基于遥感技术手段获取的森林覆盖产品得到更好的应用,对这类产品进行精度验证和质量评价非常重要。选取了2种广为应用的基于遥感技术获得的森林覆盖产品: 美国马里兰大学2015年森林覆盖产品(University of Maryland,UMD)和日本ALOS 卫星2015年森林覆盖产品(Japan Aerospace Exploration Agency forest/non-forest,JAXA FNF),通过产品对比和地面验证的方法,对其进行了精度验证和质量评价。首先,通过定性分析和统计分析,分别从整体和局部比较UMD和JAXA FNF这2种产品森林覆盖率。然后,为了进一步分析两者的差异性,基于Global Forest Watch(GFW)2000—2015年森林资源变化统计数据、中国林业和草原局第九次全国森林资源调查统计数据(CFGA)对这2种森林覆盖产品进行了地面验证。研究结果表明,在我国西部、南部和中东部JAXA FNF的森林覆盖率估计明显偏高,在我国东南部各省,UMD和JAXA FNF的一致性较好,但略微偏高; UMD和JAXA FNF与GFW和CFGA森林覆盖率数据在所有省份虽都存在一定的差异,但是JAXA FNF的差异性更大,平均绝对误差约为UMD的3倍,总体上,相比JAXA FNF,UMD森林覆盖的反演精度更高。

关键词： 森林覆盖产品 ; UMD ; JAXA FNF ; 地面验证 ; 质量评价

Abstract

Forest coverage is a common variable in forest management, monitoring and planning. It is also an important reference for biodiversity impact assessment and carbon storage quantification. Due to its objective, fast and macroscopic advantages, remote sensing technology has gradually been widely used in forest resources monitoring. In order to get better application of forest cover products based on remote sensing technology, validation and quality evaluation are particularly important. Two widely used forest cover products (UMD and JAXA FNF) were selected in this paper. UMD (University of Maryland) forest cover product was derived by EDENext Data Management Team from original datasets produced by UMD et al. 2013/UMD/Google/USGS/NASA. The forest/non-forest (FNF) product from ALSO/PALSAR data in 2015 was available on the Earth Observation Research Center, Japan Aerospace Exploration Agency (JAXA). Validation and quality evaluation were carried out by comparison between products and ground-based survey data. UMD and JAXA FNF forest cover products were compared through qualitative analysis and statistical analysis. The results show that the forest coverage rate of JAXA FNF in western, southern and central eastern China is significantly higher than that of UMD. In southeastern provinces of China, the consistency of UMD and JAXA FNF is better, but both of them are higher than ground-based data. In general, the accuracy of UMD is higher than that of JAXA FNF. Although the forest coverage data of UMD and JAXA FNF and GFW and CFGA are different in all provinces, the difference of JAXA FNF is larger, and the average absolute error of JAXA FNF is about 3 times of UMD.

Keywords： forest cover product ; UMD ; JAXA FNF ; validation ; quality evaluation

PDF (2036KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

温亚南, 车亚辉, 光洁, 张晓美, 李正强. 森林覆盖产品在中国区域的质量评价. 国土资源遥感[J], 2020, 32(3): 32-38 doi:10.6046/gtzyyg.2020.03.05

WEN Yanan, CHE Yahui, GUANG Jie, ZHANG Xiaomei, LI Zhengqiang. Quality evaluation of forest cover products over China. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(3): 32-38 doi:10.6046/gtzyyg.2020.03.05

0 引言

森林是指以木本植物为主体的生物群落,是生物圈的重要组成部分。森林覆盖率是森林土地管理、监测和规划中常用的变量,也是生物多样性影响评估[1]和量化碳储存[2]的重要参考依据。森林覆盖率作为经济社会发展的约束性指标,森林资源的变化动态受到各级政府的重视,森林资源的可持续发展十分重要,而获得高精度的森林覆盖产品的方法就显得尤为重要。自20世纪70年代以来,我国逐步建立了一套符合我国国情的森林资源监察体系。到2019年为止我国林业局已完成9次森林资源统计和清查工作。我国森林资源分布广泛,受各地自然条件影响,森林资源在全国分布十分不均匀[3],这对于我国长期采用的统计清查法获取森林资源变化趋势和森林资源整体情况来说,是一项十分困难的工作。

随着遥感技术的日益发展,运用遥感技术监测森林资源变化的手段也在不断进步[4]。由于森林资源具有分布面积广、整体性以及生长呈周期性变化等特点,遥感技术因其自身具有客观反映、快速响应以及数据信息综合性强等优点,在森林资源监测方面逐渐得到了广泛应用[5,6]。在大量关于森林资源监测的研究中,遥感技术为森林资源调查、变化监测等研究提供了有力的研究手段,为林业部门实时、准确掌握资源现状及动态变化趋势提供了可靠的数据支撑和综合的信息服务。森林的定义标准是影响森林覆盖反演结果的主要因素[7],多种森林定义可能导致产品之间存在显著差异; 此外,使用不同的数据源和反演方法也会导致同一年份同一地区的森林覆盖结果不一致,使得基于遥感技术获取的森林覆盖产品无法拥有更高的应用价值,影响用户对区域内林业资源变化的准确判断。本文通过对大量文献调研后发现,目前很多文献对遥感森林覆盖率产品的研究只是简单汇总了各类遥感森林覆盖率产品的基本信息,并进行简单的产品间互相比较[7,8],很少有研究人员基于地面数据深入准确地对比分析各类遥感森林覆盖率产品之间的真实性差异。因此为了准确地评估区域内的森林覆盖情况,对同一时间同一地区的不同卫星反演的森林覆盖产品进行精度验证和质量评价的工作就显得十分重要,可以为森林资源变化监测、森林资源的可持续发展研究提供高精度的数据支撑。本文使用Global Forest Watch (GFW)2000—2015年森林资源变化数据和2014—2018年中国林业和草原局第九次全国森林资源调查统计数据(CFGA),从省级尺度上对2015年中国区域的美国马里兰大学森林覆盖产品(University of Maryland,UMD)和日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency,JAXA)基于ALOS PALSAR数据生产的森林覆盖产品(JAXA forest/non-forest,JAXA FNF)的质量进行评价。

1 数据源

1.1 UMD森林覆盖产品

Hansen等[9]发布了基于Landsat数据制作的30 m的全球森林覆盖数据,并提供了以a为单位的森林覆盖度增加和减少的空间数据集,已被广泛应用于森林资源变化监测[10]。其对森林的定义为树高大于5 m,覆盖度大于20%的林地。

1.2 JAXA FNF森林覆盖产品

JAXA FNF森林覆盖产品基于每年6—9月份的25 m ALSO PALSAR精细双极化卫星数据,采用监督分类方法获得,其优势在于不受天气状况的影响,但易受地形和土壤含水量的影响[11]。JAXA FNF对森林的定义为: 树高大于5 m,郁闭度大于10%。数据可从 https: //www.eorc.jaxa.jp/ALOS/en/palsar_fnf/data/index.htm下载获取。

1.3 GFW森林覆盖率统计数据

GFW是由Google Earth和马里兰大学联合开发的一款免费森林在线监测和预警系统(https: //www.globalforestwatch.org/),该系统能够通过最新卫星技术、开放数据,提供全球森林情况的实时数据。GFW对森林的定义为树高大于5 m,覆盖度大于20%的林地。该系统提供从2000—2018年实时森林变化数据,包括森林面积的增加、减少以及森林火灾预警信息,并且提供2000年全球范围的森林覆盖数据。相关研究人员将其2000—2013年的数据与已有的国家森林清查、ChinaCover和GlobeLand30等数据集进行比较,表明其数据质量可靠[12]。本次实验使用的是从该系统收集的2000年森林覆盖数据以及2000—2015年森林面积变化数据。通过计算获得中国各省(区、市)2015年森林覆盖率数据,计算方法为:

R=AF+AFg-AFlA,

式中: R为森林覆盖率; AF为2000年各省(区、市)森林覆盖面积; AFg为2000—2015年森林增加量; AFl为2000—2015年森林减少量; A为该省(区、市)总面积。

1.4 CFGA统计数据

本文所用卫星产品生产于2015年,因此本次实验主要使用中国林业和草原局提供的第九次全国森林资源调查统计的全国及各省(区、市)森林覆盖率数据CFGA进行验证。第九次全国森林资源清查从2014年开始,至2018年结束,历时5 a,共分4次完成了全国除香港、澳门外所有省(区、市)的森林资源清查工作(表1)。其中吉林、上海、浙江、安徽、湖北、湖南、陕西等7个省市于2014年底完成第九次全国森林资源清查工作[13]; 山西、辽宁、黑龙江、广西、贵州、宁夏、江苏等7个省(区)于2015年底完成第九次全国森林资源清查工作[14]; 河北、北京、江西、西藏、甘肃、新疆等6个省(区、市)于2016年底完成第九次全国森林资源清查工作[15]; 山东、云南、广东、天津、重庆、四川等6个省(市)于2017年完成第九次全国森林资源清查工作[16]; 内蒙古、福建、河南、海南、青海分别于2013年底和2018年底完成第八次和第九次全国森林资源清查工作[17,18]。为减小验证误差,本文选用了内蒙古、福建、河南、海南、青海5个省(区)第八次清查数据作为验证数据,其他省(区、市)均使用第九次全国森林资源清查结果作为验证数据。

表1   第九次全国森林资源清查主要指标

Tab.1  Main indicators in ninth national forest resources inventory

区域森林面积/(万hm2)森林覆盖率/%清查年度
吉林78541.492014年
上海914.042014年
浙江60559.432014年
安徽39628.652014年
湖北73639.612014年
湖南1 05349.692014年
陕西88743.062014年
山西32120.52015年
辽宁57239.242015年
黑龙江1 99043.782015年
广西1 43060.172015年
贵州77143.772015年
宁夏6612.632015年
江苏15615.22015年
河北50326.782016年
北京7243.772016年
江西1 02161.162016年
西藏1 49112.142016年
甘肃51011.332016年
新疆8024.872016年
山东26717.512017年
云南2 10655.042017年
广东94653.522017年
天津1412.072017年
重庆35543.112017年
四川1 84038.032017年
内蒙古①2 48821.032013年
福建②80165.952013年
河南③35921.502013年
青海④4065.632013年
海南⑤18755.382013年
台湾⑥21058.791993年
全国22 03422.962014—2018年

注: ①—⑤来源于第八次全国森林资源清查结果[18],⑥来源于《第三次台湾森林资源及土地利用调查(1993年)》。

新窗口打开| 下载CSV


第九次全国森林资源清查工作采用地面调查和统计的方式,该数据能刻画森林宏观变化趋势,但空间分辨率较低。中国林业和草原局对森林的定义为[8]: 森林植被郁闭度大于20%的有林地、乔木树郁闭度在10%~20%之间的疏林地,以及灌木林地、未成林地等,斑块面积大于667 m2。分省抽样的精度达到95%。

本文所用森林数据基本情况见表2。

表2   本研究所用森林数据基本情况比较

Tab.2  General characteristics of forest cover products in this study

数据集数据源空间分辨率森林定义
UMDLandsat30 m树高>5 m,郁闭度>20%
JAXA FNFALSO PALSAR25 m树高>5 m,郁闭度>10%
GFWLandsat30 m树高>5 m,郁闭度>20%
CFGA调查统计数据省域郁闭度>20%

新窗口打开| 下载CSV


2 验证方法

2.1 定性分析

为了可以直观观察UMD和JAXA FNF的森林覆盖在中国各省(区、市)的分布差异,首先对2种森林覆盖产品进行了处理,主要步骤如下: ①数据处理,投影转换到同一地图投影、重分类(0为非森林,1为森林); ②提取出UMD和JAXA FNF在中国区的森林覆盖分布情况; ③使用栅格计算器计算2个产品的分布差异。

2.2 统计分析

为了更加准确地评价UMD和JAXA FNF的反演精度,首先,使用Kappa系数计算了这2种产品的一致性; 然后,计算了中国各省(区、市)的森林覆盖率作为进一步分析UMD和JAXA FNF反演精度的基础。

2.2.1 Kappa分析

Kappa分析是一种定量评价遥感分类图与参考数据之间一致性或精度的方法[19],它采用离散的多元方法,更加客观地评价分类质量。Kappa系数可以作为评价2种产品反演精度的辅助参考数据,若Kappa系数值较高,则可以证明2种产品的一致性较高。其计算方法为:

K=P0-Pe1-Pe,

式中: K为Kappa系数值; P0为观察一致性; Pe为期望一致性,即在测量者是独立的这一假设下的一致性期望。设栅格图像总像元数为n,真实栅格为1(森林)的像元数为a1,为0(非森林)的像元数为a0; 模拟栅格为1(森林)的像元数为b1,为0(非森林)的像元数为b0; 2个栅格对应像元值相等的像元数为s,则

P0=s/n ,
Pe=(a1b1+ a0b0)/(n2) 。

通常K值落在[0,1]之间,[0,0.2]为极低的一致性、(0.2,0.4] 为一般的一致性、(0.4,0.6] 为中等的一致性、(0.6,0.8] 为高度的一致性,(0.8,1] 为几乎完全一致。K=1表示结果完全一致,K=0表示结果完全不一致。

2.2.2 森林覆盖率计算

UMD和JAXA FNF森林覆盖产品各省(区、市)的森林覆盖率计算方法为:

R=CgAcAp,

式中: Cg为该省(区、市)内森林单元格个数; Ac为每个单元格面积,m2; Ap为该省(区、市)面积。

2.3 对比验证

基于GFW和CFGA数据对UMD和JAXA FNF这2种森林覆盖产品进行了对比。通过比较UMD和JAXA FNF各省的森林覆盖率数据与GFW和CFGA数据的绝对误差,从而分析UMD和JAXA FNF产品在中国森林覆盖分布以及森林覆盖率的精度。

3 结果与分析

3.1 UMD和JAXA FNF产品对比

3.1.1 定性分析结果

总体上而言,JAXA FNF的森林覆盖度高于UMD产品。在UMD和JAXA FNF森林覆盖差异性较大的地区主要分布在中国西部的新疆、西藏、青海3省(区)和中东部的河北、河南、山东、安徽、江苏5省以及东北黑吉辽3省,JAXA FNF标识出的森林覆盖比UMD产品的要多得多。此外,在重庆、四川东部、湖南中部以及河北部分地区,UMD和JAXA FNF产品的森林覆盖分布差异较大,森林分布的一致性很差,尤其在四川东部和重庆南部一带,UMD识别出是森林而JAXA FNF认为是非森林。

3.1.2 统计分析结果

通过式(2)可得UMD和JAXA FNF产品的Kappa值为0.27,可知2种产品的分类一致性较为一般。JAXA FNF产品全国平均森林覆盖率为34.69%,UMD产品全国平均森林覆盖率为24.11%,可见UMD产品与我国2019年公布的全国森林覆盖率数据22.96%较为接近[20]。2种产品在各省(区、市)的森林覆盖率差异如图1所示,纵坐标表示JAXA FNF在各省的森林覆盖率减去UMD在各省的森林覆盖率。由图1可知,JAXA FNF产品在各省的森林覆盖率均大于UMD产品,在云南和北京的差异性最大,两者森林覆盖率差值在30%以上; 在吉林、辽宁和四川的差值在15%以上。在新疆、西藏和青海两者森林覆盖率虽然较小,但森林覆盖空间分布一致性较差; 在中东部的河北、河南、山东、安徽、江苏5省,两者不仅森林覆盖率相差较大,森林覆盖空间分布一致性也较差。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   UMD和JAXA FNF产品各省(区、市)森林覆盖率数据绝对误差

Fig.1   Absolute error of forest coverage between UMD and JAXA FNF


3.2 地面验证结果

为进一步分析和验证2种森林覆盖产品,基于GFW和CFGA数据对UMD和JAXA FNF产品进行进一步验证。图2展示了UMD,JAXA FNF,GFW和CFGA这4种产品森林覆盖率的情况。通过比较UMD和JAXA FNF产品各省(区、市)的森林覆盖率数据与GFW和CFGA地面调查数据的绝对误差,从而分析UMD和JAXA FNF产品的精度情况。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   UMD,JAXA FNF,GFW和CFGA产品各省(区、市)森林覆盖率数据

Fig.2   Forest coverage of UMD, JAXA FNF, GFW and CFGA in each province of China


3.2.1 基于GFW森林数据的验证结果

GFW与UMD和JAXA FNF产品的森林覆盖率平均绝对误差分别为6.96%和20.28%,由此可知UMD更接近于GFW数据,而JAXA FNF与GFW的差异性更大一些。由图3可知,UMD和JAXA FNF与GFW森林覆盖率数据在所有省区市都存在一定的差异,且JAXA FNF与GFW的森林覆盖差异均大于UMD。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   UMD 和 JAXA FNF产品与GFW各省(区、市)森林覆盖率数据绝对误差

Fig.3   Absolute error of forest coverage between UMD and GFW besides JAXA FNF and GFW


GFW与UMD和JAXA FNF产品各省(区、市)绝对误差统计情况如表3所示。

表3   UMD和JAXA FNF产品与GFW森林覆盖率数据绝对误差统计

Tab.3  Absolute error statistics of forest coverage data between UMD and GFW besides JAXA FNF and GFW

数据类型绝对误差所在范围/%省(区、市)个数所占比例/%
UMD[0,5]1340.6
(5,10]1031.3
(10,20]928.1
(20,40]00
JAXA FNF[0,5]26.2
(5,10]412.5
(10,20]1031.3
(20,50]1650.0

新窗口打开| 下载CSV


分析表3可得出以下结论: ①UMD各省的森林覆盖率与GFW数据十分接近,而且在中国西部的新疆、宁夏等省(区)和中国中东部的山东、天津等省(市),两者的森林覆盖率近乎一致,绝对误差均小于1%,结合产品对比验证的结论,可以发现在这些省(区、市)JAXA FNF的森林覆盖率明显高于UMD和GFW的森林覆盖率。由此可知在我国西部和中东部JAXA FNF的森林覆盖率估计明显偏高,而在我国东南部各省,UMD和JAXA FNF的一致性较好,但都偏高; ②UMD和GFW最大森林覆盖率误差为15.84%,且UMD和GFW的森林覆盖率误差基本上在0~10%之间,这与UMD和GFW出于一个体系有较大关系; ③JAXA FNF和GFW最大森林覆盖率误差为47.9%,JAXA FNF和GFW的森林覆盖率误差大于20%的省(区、市)共有16个; ④JAXA FNF与GFW森林覆盖率数据误差大于30%的省(区、市)主要分布在中国中东部的北京、吉林等省(市)和中国南部的云南、广西等省(区),而在这些省(区、市)UMD和GFW的森林覆盖率误差均低于11%。

3.2.2 基于CFGA统计数据的验证结果

CFGA统计数据与UMD和JAXA FNF产品的森林覆盖率平均绝对误差分别为9.74%和16.03%,说明在研究区域内UMD的数据精度优于JAXA FNF。由图4可知,UMD和JAXA FNF与CFGA数据在所有省(区、市)也都存在一定的差异,且JAXA FNF与GFW的森林覆盖差异多大于UMD。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   UMD和JAXA FNF产品与CFGA各省(区、市)森林覆盖率数据绝对误差

Fig.4   Absolute error of forest coverage between UMD and CFGA besides JAXA FNF and CFGA


CFGA数据与UMD和JAXA FNF产品各省区市绝对误差统计情况如表4所示。

表4   UMD和JAXA FNF产品与CFGA森林覆盖率数据绝对误差统计

Tab.4  Absolute error statistics of forest coverage data between UMD and CFGA besides JAXA FNF and CFGA

数据类型绝对误差所在范围/%省(区、市)个数所占比例/%
UMD[0,5]928.2
(5,10]1237.5
(10,20]1032.0
(20,40]13.1
JAXA FNF[0,5]928.2
(5,10]618.7
(10,20]515.6
(20,50]1237.5

新窗口打开| 下载CSV


分析图4和表4可得出以下结论: ①在中国西部各省(区、市),UMD和JAXA FNF产品与CFGA的森林覆盖率误差低于5%,且UMD和JAXA FNF产品一致性较高,但森林覆盖率都高于CFGA; ②在中国南部的云南、广西、四川等省(区)和中国中东部的北京、安徽、吉林、辽宁等省(区、市),UMD与CFGA的差异明显小于JAXA FNF与CFGA森林覆盖率的误差。结合产品对比验证的结论,可以发现在这些省(区、市)JAXA FNF的森林覆盖率明显高于UMD和CFGA森林覆盖率,由此可知在我国南部和中东部JAXA FNF的森林覆盖率估计明显偏高; ③UMD和CFGA最大森林覆盖率误差为30%,但UMD和GFW的森林覆盖率误差基本上在0~15%之间; 而JAXA FNF和CFGA最大森林覆盖率误差为41.98%,JAXA FNF和GFW的森林覆盖率误差大于20%的省区市共有12个; ④与GWF地面数据不同的是,CFGA统计数据是分批次完成的统计任务,如山东、云南、广东、天津、重庆、四川等6个省(市)于2017年底完成第九次全国森林资源清查工作,而这些省(市)森林覆盖面积在2015—2017年逐渐增加,因此用这些省(市)的第九次CFGA统计数据代表2015年的森林覆盖率数据会比实际值偏高一些,导致其与遥感产品的平均绝对误差偏低; 而内蒙古、福建、河南、海南、青海和台湾等6个省(区)于2013年底和1993年完成森林资源清查工作,2013—2015年间这些省(区)森林面积逐年增加,因此其森林覆盖率低于实际值,导致与遥感产品的平均绝对误差偏高。

4 结论与讨论

本文采用数据对比分析和地面验证的方法对2种遥感数据产品(UMD和JAXA FNF)进行了质量评价。

1)UMD产品对森林覆盖的反演精度更高。UMD和JAXA FNF与GFW和CFGA森林覆盖率数据在所有省(区、市)虽都存在一定的差异,但是JAXA FNF的差异性更大,平均绝对误差约为UMD的3倍。

2)JAXA FNF产品在中国1/3以上的省(区、市)森林覆盖率与地面数据的平均绝对误差大于20%,约为UMD的14倍,证明了JAXA FNF森林覆盖率存在非常严重的高估现象; 而UMD与地面数据的平均绝对误差基本上均控制在20%以下,且有2/3的省(区、市)森林覆盖率与地面数据的平均绝对误差在0~10%之间,高估现象明显轻于JAXA FNF。

3)通过与地面调查数据对比可以发现,在森林覆盖率高于CFGA和GFW的省(区、市),UMD与地面调查数据的差异大部分都小于JAXA FNF与地面调查数据的差异,这种差异明显的体现在云南、福建、广西、安徽、吉林、四川、湖北以及北京等省(区、市)。

此外,JAXA FNF对森林的识别标准与UMD,GFW和CFGA相比较为宽松,因此JAXA FNF在中国2015年的森林覆盖率会略高于其他3种数据。综上,JAXA FNF由于森林定义的原因对森林覆盖率有一定程度的高估。UMD和JAXA FNF产品的森林覆盖分布和森林覆盖率差异较大,但森林覆盖的大致趋势相同,从与地面验证的结果来看UMD森林覆盖率数据总体上精度更高,JAXA FNF森林覆盖率相比于地面验证数据高估了许多。由于不同来源的数据产品可能有一定的互补性,在这方面也有一些研究做出了尝试,未来可以考虑融合多种产品来获得更好的森林覆盖率产品。

志谢:

本文所用到美国UMD 2015年森林覆盖产品、日本ALOS 2015年FNF森林覆盖产品、Global Forest Watch数据和中国林业和草原局第九次全国森林资源调查统计数据,在此对其生产者和提供者一并表示感谢!

参考文献

Nagendra H, Lucas R, Honrado J P, et al.

Remote sensing for conservation monitoring:Assessing protected areas,habitat extent,habitat condition,species diversity,and threats

[J]. Ecological Indicators, 2013,33:45-59.

DOI:10.1016/j.ecolind.2012.09.014      URL     [本文引用: 1]

Monitoring protected areas and their surrounds at local to regional scales is essential given their vulnerability to anthropogenic pressures, including those associated with climatic fluctuation, and important for management and fulfilment of national and international directives and agreements. Whilst monitoring has commonly revolved around field data, remote sensing can play a key role in establishing baselines of the extent and condition of habitats and associated species diversity as well as quantifying losses, degradation or recovery associated with specific events or processes. Landsat images constitute a major data source for habitat monitoring, capturing broad scale information on changes in habitat extent and spatial patterns of fragmentation that allow disturbances in protected areas to be identified. These data are, however, less able to provide information on changes in habitat quality, species distribution and fine-scale disturbances, and hence data from other spaceborne optical sensors are increasingly being considered. Very High Resolution (VHR) optical datasets have been exploited to a lesser extent, partly because of the relative recency of spaceborne observations and challenges associated with obtaining and routinely extracting information from airborne multi-spectral and hyperspectral datasets. The lack of a shortwave infrared band in many VHR datasets and provision of too much detail (e.g., shadows within and from landscape objects) also present challenges in some cases. Light Detection and Ranging (LiDAR) and Synthetic Aperture Radar (SAR) data, particularly when used synergistically with optical data, have benefited the detection of changes in the three-dimensional structure of habitats. This review shows that remote sensing has a strong, yet underexploited potential to assist in the monitoring of protected areas. However, the data generated need to be utilized more effectively to enable better management of the condition of protected areas and their surrounds, prepare for climate change, and assist planning for future landscape management. (C) 2012 Elsevier Ltd.

Saatchi S S, Harris N L, Brown S, et al.

Benchmark map of forest carbon stocks in tropical regions across three continents

[J]. Proceedings of the National Academy of Sciences, 2011,108(24):9899-9904.

[本文引用: 1]

Lei L, Hao T, Chi T.

Evaluation on China’s forestry resources efficiency based on big data

[J]. Journal of Cleaner Production, 2017,142:513-523.

DOI:10.1016/j.jclepro.2016.02.078      URL     [本文引用: 1]

方向文, 蒋志荣.

遥感在森林资源调查中的应用动态综述

[J]. 甘肃农业大学学报, 2003,3(38):267-273.

[本文引用: 1]

Fang X W, Jiang Z R.

The review of remote sensing application to investigate forest resources

[J]. Journal of Gansu Agricultural University, 2003,3(38):267-273.

[本文引用: 1]

张田, 张晓丽, 刘红伟, 等.

遥感在森林病虫害监测中的应用研究

[J]. 安徽农业科学, 2010,38(21):11604-11607.

[本文引用: 1]

Zhang T, Zhang X L, Liu H W, et al.

Application of remote sensing technology in monitoring forest diseases and pests

[J]. Journal of Anhui Agricultural Science, 2010,38(21):11604-11607.

[本文引用: 1]

Mellor A, Haywood A, Stone C, et al.

The performance of random forests in an operational setting for large area sclerophyll forest classification

[J]. Remote Sensing, 2013,5(6):2838-2856.

[本文引用: 1]

韦希勤.

森林覆盖率有关问题的探讨

[J]. 世界林业研究, 2011,24(2):76-80.

[本文引用: 2]

Wei X Q.

Discussion on issues related to forest cover rate

[J]. World Forestry Research, 2011,24(2):76-80.

[本文引用: 2]

秦元伟, 董金玮, 肖向明.

中国森林覆盖度产品的差异性及不确定性分析

[J]. 生物多样性, 2015,23(6):830-834.

URL     [本文引用: 2]

Qin Y W, Dong J W, Xiao X M.

Difference and uncertainty of forest coverage estimation in China

[J]. Biodiversity Science, 2015,23(6):830-834.

DOI:10.17520/biods.2015329      URL     [本文引用: 2]

Hansen M C, Potapov P V, Moore R, et al.

High-resolution global maps of 21st-century forest cover change

[J]. Science, 2013,342:850-853.

DOI:10.1126/science.1244693      URL     [本文引用: 1]

Quantification of global forest change has been lacking despite the recognized importance of forest ecosystem services. In this study, Earth observation satellite data were used to map global forest loss (2.3 million square kilometers) and gain (0.8 million square kilometers) from 2000 to 2012 at a spatial resolution of 30 meters. The tropics were the only climate domain to exhibit a trend, with forest loss increasing by 2101 square kilometers per year. Brazil's well-documented reduction in deforestation was offset by increasing forest loss in Indonesia, Malaysia, Paraguay, Bolivia, Zambia, Angola, and elsewhere. Intensive forestry practiced within subtropical forests resulted in the highest rates of forest change globally. Boreal forest loss due largely to fire and forestry was second to that in the tropics in absolute and proportional terms. These results depict a globally consistent and locally relevant record of forest change.

Soto-Berelov M, Jones S D, Haywood A.

Assessing large area forest cover products derived from the same imaging source across Victoria,Australia

[J]. Ecological Management & Restoration, 2018,19(1):66-75.

[本文引用: 1]

Shimada M, Itoh T, Motooka T, et al.

New global forest/non-forest maps from ALOS PALSAR data (2007—2010)

[J]. Remote Sensing of Environment, 2014,155:13-31.

DOI:10.1016/j.rse.2014.04.014      URL     [本文引用: 1]

Four global mosaics of Advanced Land Observing Satellite (ALOS) Phased Arrayed L-band Synthetic Aperture Radar (SAR) HH and HV polarization data were generated at 25 m spatial resolution using data acquired annually from 2007 to 2010. Variability in L-band HH and HV gamma-naught (gamma(0)) for forests was observed between regions, with this attributed to differences in forest structure and vegetation/surface moisture conditions. Region-specific backscatter thresholds were therefore applied to produce from each annual mosaic, a global map of forest and non-forest cover from which maps of forest losses and gain were generated. The overall agreement with forest/non-forest assessments using the Degree Confluence Project, the Forest Resource Assessment and Google Earth images was 85%, 91% and 95% respectively. Using 2007 as a baseline, decreases of 0.040 and 0.028 dB (with a 0.006 dB 99% confidence level) were observed in the HH and HV gamma(0) respectively over the same areas suggesting a decrease in forest area and/or increased smoothing of the global surface at the L-band radar observation over the four-year period. The maps provide a new global resource for documenting the changing extent of forests and offer opportunities for quantifying historical and future dynamics through comparison with historical (1992-1998) Japanese Earth Resources Satellite (JERS-1) SAR and the forthcoming (from 2014) ALOS-2 PALSAR-2 data. Four year PALSAR mosaics and the forest/non-forest data, which were generated and analyzed in this paper, are opened to the public for free downloading albeit with coarser resolutions (WWW1). Future distribution of the higher (original) resolution datasets from PALSAR as well as the ALOS-2/PALSAR-2 is planned. (C) 2014 Elsevier Inc.

王昊, 吕植, 顾垒, 等.

基于Global Forest Watch观察2000—2013年间中国森林变化

[J]. 生物多样性, 2015,23(5):575-582.

DOI:10.17520/biods.2015122      URL     [本文引用: 1]

2, 与同期国家森林清查数据1,749,092 km2相近, 解读结果表明2000–2010年间森林减少面积在37,551–42,031 km2之间, 而同期其他几套数据显示森林面积增量为2,370–433,810 km2。森林面积年减少量最大值出现在2008年, 以该年为拐点, 森林每年减少面积的变化趋势在此之前为显著增加, 在此之后为显著降低, 林地变化最活跃的区域在广西、广东、福建、江西和云南等南方省份。到2013年底, 占保护区总面积约60%以上的407个国家级保护区仅覆盖了森林面积的5.03%, 对森林保护的面积覆盖有限, 保护区对其内部的森林保护有成效, 区内森林面积净减1.39%, 低于全国平均水平(3.46%), 相当于少毁林1,856 km2, 但仍有1,200 km2的净减。]]>

Wang H, Lyu Z, Gu L, et al.

Observations of China’s forest change (2000—2013) based on Global Forest Watch dataset

[J]. Biodiversity Science, 2015,23(5):575-582.

DOI:10.17520/biods.2015122      URL     [本文引用: 1]

2 in the year 2000, similar to the National Forest Inventory’s forest area of 1,749,092 km2. While other datasets show forest increases between 2,370–433,810 km2 during 2000–2010, GFW identified a net forest loss of 37,551–42,031 km2 in China. 2008 is a turning point of forest loss, as the area of annual forest loss has a rising trend before, and a declining trend afterwards. The southern provinces of Guangxi, Guangdong, Fujian, Jiangxi and Yunnan have the most active forest changes. Forest coverage from nature reserves is insufficient, as by the end of 2013, 407 national level nature reserves, occupying more than 60% of China’s total nature reserve area, covered only 5.03% of total forest area. However, nature reserves have positive outcomes, with reduced forest loss (1.39%), compared to the national average rate (3.46%). This is equivalent to reducing deforestation by 1,856 km2, but there is still an overall net loss of 1,200 km2 inside nature reserves.]]>

国家林业局.

国家林业局关于公布第九次全国森林资源清查吉林等7省(市)主要清查结果的通知

[EB/OL].(2015-04-28)[2019-10-09]. http://www.forestry.gov.cn/main/447/content-761376.html.

URL     [本文引用: 1]

State Forestry Administration.

Notice of the State Forestry Administration on the publication of the ninth national forest resources inventory and the results of the main inventories of seven provinces (cities) such as Jilin

[EB/OL].(2015-04-28)[2019-10-09]. http://www.forestry.gov.cn/main/447/content-761376.html.

URL     [本文引用: 1]

曾伟生, 闫宏伟. 第九次森林资源清查2015年度情况[M] //国家林业局.中国林业年鉴.北京: 中国林业出版社, 2016: 291-292.

[本文引用: 1]

Zeng W S, Yan H W. The 9th forest resources inventory of 2015 years[M] //The state forestry administration.China forestry yearbook. Beijing: China Forestry Publishing House, 2016: 291-292.

[本文引用: 1]

曾伟生, 闫宏伟. 国家林业局发布北京等6个省(市)的全国森林资源清查数据[M] //国家林业局.中国林业年鉴.北京: 中国林业出版社, 2017: 283-284.

[本文引用: 1]

Zeng W S, Yan H W. The state forestry administration released the national forest resources inventory data of 6 provinces (cities) such as Beijing[M] //The state forestry administration.China forestry yearbook.Beijing: China Forestry Publishing House, 2017: 283-284.

[本文引用: 1]

曾伟生, 闫宏伟. 国家林业局发布天津等6个省(市)的全国森林资源清查数据[M] //国家林业局.中国林业年鉴.北京: 中国林业出版社, 2018: 162.

[本文引用: 1]

Zeng W S, Yan H W. The state forestry administration released the national forest resources inventory data of 6 provinces (cities) such as Tianjin[M] //The state forestry administration.China forestry yearbook.Beijing: China Forestry Publishing House, 2018: 162.

[本文引用: 1]

国家林业局.

国家林业局办公室关于开展第九次全国森林资源清查2018年工作的通知

[EB/OL].(2018-03-22)[2019-10-09]. http://www.forestry.gov.cn/portal/main/s/4461/content-1086582.html.

URL     [本文引用: 1]

State Forestry Administration.

Notice of the office of the state forestry administration on launching the 9th national forest resources inventory in 2018

[EB/OL].(2018-03-22)[2019-10-09]. http://www.forestry.gov.cn/portal/main/s/4461/content-1086582.html.

URL     [本文引用: 1]

徐济德.

我国第八次森林资源清查结果及分析

[J].林业经济, 2014(3):6-8.

[本文引用: 2]

Xu J D.

The 8th forest resources inventory results and analysis in China

[J].Forestry Economics 2014(3):6-8.

[本文引用: 2]

Mcgrath R E.

Kappa coefficient

[M]. Corsini Encyclopedia of Psychology. 1983: 352-354.

[本文引用: 1]

国家林业局.

森林覆盖率是怎么调查出来的?

[EB/OL].(2019-06-17)[2019-10-09]. http://www.forestry.gov.cn/main/4045/20190617/160420891885179.html.

URL     [本文引用: 1]

State Forestry Administration.

How is forest coverage surveyed?

[EB/OL].(2019-06-17)[2019-10-09]. http://www.forestry.gov.cn/main/4045/20190617/160420891885179.html.

URL     [本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发