干扰是经常发生的,在过去的 33 年中,70% 的森林受到干扰,大约 35% 的森林经历了两次或两次以上的干扰。
森林干扰被定义为导致“显着去除冠层叶面积和活生物量”的任何过程
通常自然演替或年际过程不被视为干扰。干扰可能是有益的,特别是对生物多样性
由于缺乏历史数据,人工解释 Landsat 图像本身已成为收集参考数据的最佳方法之一
如果使用概率抽样收集参考数据,则样本可用于估计大面积森林干扰率和趋势
我们展示了在基于设计的框架中收集多个变量的实用性,并展示了如此丰富的数据集提供的输出示例。虽然提出的方法扩展了已建立的地图验证技术,但该方法很少用于直接获取信息。我们假设收集全面的数据集虽然最初是劳动密集型的,但可以提供更大范围的高质量输出。
2.2 . 抽样设计
本研究采用了基于设计的分层随机抽样方法。抽样框架的人口包括 10 个生物区的森林地区。森林是使用国家森林范围定义的(澳大利亚政府,2018 年),该范围主要来自Landsat数据并基于澳大利亚对森林的定义:成熟高度大于 2 m,树冠覆盖率大于 20%(MPIG 和 NFISC,2018)。小于 1 公顷的斑块(即小树丛)被丢弃,因为本研究的重点是在林分或更大范围内的干扰。研究区域按 10 个生物区域进行分层,每层放置 500 个随机点(共 5000 个点)。样本量的选择是基于在每个层级中平衡资源需求和精确度的需要。
2.3 . 响应设计
使用多行证据方法来为每个样本点周围的 1 公顷圆形图分配干扰信息。选择一个地块作为评估单位(而不是一个像素),因为这减少了卫星数据中的错误配准异常,并且更真实地表示了林分森林干扰的性质。在 R Studio ( RStudio Team, 2019 )中开发了一个归因系统,该系统自动提取和显示与每个地块相关的信息(光谱信息、降雨、已知火灾和收获历史)并记录解释器输入(图 2)。响应设计详述如下。
图 2。参考数据归因系统,显示多行证据,在 R Studio 中运行。面板 A 是 Google Earth 中的绘图,B 是 BFAST 绘制的 NBR 轨迹,C 显示按季节连接的 NBR 提取值,D 是绘图上的年降雨量,E 显示从辅助数据中提取的信息并收集来自解释器的输入和F 显示每个夏季的Landsat图像芯片。