STEAR团队在森林扰动监测和林龄反演等方面取得系列进展（2023-8）

进展1：

我院STEAR团队与美国麻省理工学院、中国科学院地理科学与资源研究所、福建省林业调查规划院等单位合作，在高分辨率森林年龄反演方面取得新进展，研究成果以“High-resolution forest age mapping based on forest height maps derived from GEDI and ICESat-2 space-borne lidar data”为题，发表在一区Top期刊Agricultural and Forest Meteorology上。该论文以福建师范大学为第一署名单位，2021级硕士生林旭东为第一作者，商荣副教授为通讯作者，研究得到国家自然科学基金青年项目、福建省自然科学基金青创项目、福建省林业科技攻关项目课题和福建师范大学碳中和研究院开放基金项目的资助。

森林年龄是估算森林生长、碳收支以及森林管理的关键参数，遥感为大尺度森林年龄制图提供了便利。然而，现有的区域和全球森林年龄产品空间分辨率较低（通常为1000米），与中国的林分尺度相差较远。本研究旨在基于激光雷达树高数据反演30米分辨率的森林年龄，并分析温度、降水、坡度和坡向等因素对林龄的影响。研究测试了五种不同的林分生长方程和十二种不同的机器学习方法对不同树种林龄反演的适用性。结果表明，林分生长方程中Logistic方程表现最佳，机器学习方法中随机森林表现最佳（图1）。输入因子的敏感性分析表明，森林高度是影响林龄制图的主要因素，温度、降水、坡度和坡向也具有不同且重要的作用。该论文为高分辨率森林年龄反演提供了思路，论证了不区分树种反演林龄的可行性，为生产大尺度高分辨率林龄产品奠定了基础。

文章链接：https://doi.org/10.1016/j.agrformet.2023.109592

图1. 森林年龄反演精度图：(a, b)基于GDEI的树高数据(Potapov et al. 2021)；(c, d)基于GDEI和ICESat-2的树高数据(Liu et al. 2022)；(a, c)使用理论生长方程Logistic方程；(b, d)使用随机森林算法。

进展2：

我院STEAR团队在全球植被生化参数时间序列插值方面取得新进展，研究成果以“LACC2. 0: Improving the LACC Algorithm for Reconstructing Satellite-Derived Time Series of Vegetation Biochemical Parameters”为题，发表在二区Top期刊Remote Sensing上。该论文以福建师范大学为第一署名单位，许明珠为第一作者，商荣副教授为通讯作者，研究得到国家自然科学基金青年项目、中国博士后科学基金、福建省自然科学基金青创项目、福建省林业科技攻关项目课题和福建师范大学碳中和研究院开放基金项目的资助。

局部自适应三次样条时间序列插值算法（LACC）在全球植被生物物理和生化参数的时间序列重建中因其有效性而受到广泛认可。但在应用中，我们经常遇到如下问题：植被生化参数的正向偏差异常值和长时间连续缺口会对插值产生较大的影响。为解决上述问题，我们通过异常值过滤和时空融合来升级LACC算法（即LACC2.0）。以全球叶片叶绿素含量（LCC）为例，在全球尺度上逐像元构建LCC参考曲线作为全球评估的真实值，并通过在真实观测中模拟高斯噪声和数据缺失来构建测试数据，以验证新算法对LCC重建的有效性和适用性。结果显示，RMSE小于5μg/cm2的像素百分比从81.2%提高到96.4%（图2），表明LACC2.0可为全球逐日遥感植被生化参数提供更好的重建。这一发现也突显了异常值去除和时空融合对提高时间序列重建的准确性和可靠性的重要性。

文章链接：https://doi.org/10.3390/rs15133277

图2. 全球叶片叶绿素插值重建结果图：(a)为原始LACC算法；(b)为LACC+异常值去除（即LACCo）；(c)为LACC+异常值去除+时空融合（即LACC2.0）；(d)为（a-c）的直方图；(e, f)为改进算法LACCo和LACC2.0相对原始LACC算法的差值图。

进展3：

我院STEAR团队在中国森林扰动监测方面取得新进展，研究成果以“Improving LandTrendr Forest Disturbance Mapping in China Using Multi-Season Observations and Multispectral Indices”为题，发表在二区Top期刊Remote Sensing上。该论文以福建师范大学为第一署名单位，2020级硕士生邱德安和2022级硕士生梁云健为共同第一作者，商荣副教授为通讯作者，研究得到国家自然科学基金青年项目、福建省自然科学基金青创项目、福建省林业科技攻关项目课题和福建师范大学碳中和研究院开放基金项目的资助。

森林扰动监测对于理解森林动态和碳循环具有重要意义。基于Landsat数据的扰动和恢复趋势检测算法（LandTrendr）被广泛应用于森林扰动监测。然而，LandTrendr存在两个局限性：首先，它只采用了夏季合成观测，导致检测到的秋冬季森林扰动的发生时间被延迟一年；其次，它仅使用单一光谱指数同时检测所有扰动类型，导致某些森林扰动类型的检测精度偏低。为解决上述问题，本研究结合多季节和多光谱指数改进该算法（mLandTrendr），用于中国森林扰动的检测。基于中国1957个随机参考森林扰动样本的验证结果表明，结合多季节和多光谱指数，中国森林扰动的检测精度（F1得分）被提高了21%（图3）。mLandTrendr算法可以快速并准确地检测森林扰动，并用于全国乃至全球范围内各类型的森林扰动检测。

文章链接：https://doi.org/10.3390/rs15092381

图3. 扰动监测结果对比图：(a, b, e, f, j, k)为扰动前后的假彩色合成图像，(c, g, m)为原始LandTrendr监测结果图，(d, h, n)为改进算法mLandTrendr的监测结果图。