目录
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