利用Landsat时间序列评估温带人工林和天然林采伐后的恢复情况

《Ecological Indicators》：Assessing post-harvest forest recovery using Landsat time series in temperate planted and natural forests

森林恢复监测：Landsat时间序列结合机载LiDAR与XGBoost模型的应用研究。该研究通过光谱恢复指标Y2R100%和结构恢复模型XGBoost，评估日本不同温带森林区（北海道、茨城县、大分县）的针叶与阔叶林恢复情况，发现Y2R100%能有效表征5米树高与30%冠层覆盖的恢复阈值，而XGBoost模型预测的树高增长与产量表数据吻合度达86.3%-94.2%，两者结合可提升恢复评估精度。

　　森林的恢复过程是生态系统服务维持和森林可持续管理的重要环节。随着森林砍伐和干扰事件的增加，准确评估森林恢复的范围、时间以及位置对于优化森林管理决策具有重要意义。传统的地面调查虽然能提供详细的森林恢复信息，但其在大范围和长时间跨度上的应用受到人力和时间成本的限制，难以满足现代森林监测的需求。因此，卫星遥感技术，尤其是Landsat时间序列数据，因其周期性获取和广泛的覆盖范围，成为大范围监测森林恢复的一种实用替代方案。

Landsat时间序列数据在检测森林变化和分析森林干扰与恢复趋势方面发挥着关键作用。由于森林恢复是一个长期的生态重组过程，通过时间序列观测可以有效监控干扰后森林结构、组成和功能的变化。尽管以往的研究已采用多种方法来评估森林恢复，如基于光谱指数的恢复指标（如Years to Recovery (Y2R)）和基于结构参数的恢复模型（如使用LiDAR数据预测冠层高度和覆盖度），但这些方法在不同地区和森林类型中的适用性仍存在不确定性。特别是，某些光谱指数如归一化植被指数（NDVI）可能在干扰后短时间内迅速恢复，而这些恢复主要反映的是初始的植被再生，而非森林恢复的完整过程。因此，需要结合光谱和结构恢复指标，以更全面地评估森林的恢复状态。

在本研究中，我们利用Landsat时间序列数据和机载LiDAR数据，评估了日本不同地区针叶林和阔叶林在干扰后的光谱和结构恢复指标。我们使用归一化烧伤比（NBR）来计算Y2R指标，作为光谱恢复的衡量标准，并利用LiDAR数据确定5米冠层高度和30%冠层覆盖度的阈值。同时，我们采用极端梯度提升（XGBoost）回归模型预测针叶林的冠层高度和时间序列生长情况。结果表明，Y2R100%指标在不同地区和干扰后的森林类型中均能有效反映森林恢复状态。通过XGBoost模型预测的冠层高度显示出与林分生长表中主导高度的统计等价性，说明模型在预测森林结构恢复方面具有较高的准确性。

此外，研究还揭示了森林恢复在不同地区和森林类型之间的差异。例如，在日本的北海道和茨城县，阔叶林在干扰后的初期表现出更高的冠层高度和覆盖度，但随着时间的推移，针叶林逐渐超过了阔叶林的恢复速度。而在九州地区，针叶林和阔叶林的恢复速度相对接近。这种差异可能与地区性的植被结构、干扰类型以及管理实践有关。在九州地区，由于鹿的啃食行为，森林恢复速度较慢，导致部分干扰区域即使在光谱恢复指标达到100%的情况下，仍未实现结构上的恢复。

本研究的结果表明，结合光谱和结构恢复指标能够更全面地评估森林的恢复情况。光谱恢复指标（如Y2R100%）可以有效识别森林恢复的时间，而结构恢复指标则能够反映森林的生长状况。在实际应用中，这种综合评估方法有助于识别那些在光谱上恢复但结构上未恢复的森林区域，从而为森林管理提供更为精确的指导。同时，XGBoost模型的使用提高了结构恢复评估的效率，尽管其预测结果可能受到一些因素的影响，如干扰区域的边界效应和不同森林类型之间的生长差异。

尽管研究结果具有重要的实践意义，但仍存在一些局限性。首先，干扰类型和森林管理实践的多样性可能导致恢复指标的适用性存在差异。其次，LiDAR数据的获取和处理在不同地区可能存在技术上的挑战，尤其是在大范围监测中。最后，尽管光谱恢复指标如Y2R100%在本研究中表现出良好的适用性，但在其他植被和气候条件下，其有效性仍需进一步验证。因此，未来的研究应考虑结合多种恢复指标，并结合地面调查数据，以提高森林恢复评估的准确性和可靠性。

综上所述，本研究为森林恢复的监测提供了一种新的方法，结合Landsat时间序列数据和LiDAR数据，能够有效评估森林的光谱和结构恢复状态。通过Y2R100%指标，可以识别森林恢复的时间，而XGBoost模型则有助于预测森林的结构恢复。这种方法不仅适用于日本的温带森林，也可能在其他具有相似生态环境的地区具有广泛的适用性。未来的研究可以进一步优化模型参数，结合更多的数据源，并探索更高效的监测方法，以更好地支持森林管理决策。