缺失数据遥感在森林资源调查中的混合估计方法研究

《Forest Ecosystems》：Leveraging missing-data remote sensing for forest inventory

本研究针对遥感辅助森林调查中缺失值导致的系统性偏差问题，以Landsat 7 ETM+ SLC-off缺失数据为案例，提出了采用混合估计器(hybrid estimator)的创新解决方案。通过蒙特卡洛模拟与Sentinel-2完整数据对比验证，发现混合估计器采样精度超过90%，达到中国国家森林清查(NFI)标准，且与传统模型估计器(CMB)效率相当。该研究为利用缺陷遥感数据进行大尺度森林动态监测提供了可靠方法，对森林覆盖变化评估和碳中和策略制定具有重要意义。

　　

随着全球气候变化加剧，森林作为重要碳汇的功能日益凸显，而准确评估森林资源状况成为实现碳中和目标的关键环节。遥感技术凭借其大范围、高效率的优势，已成为现代森林资源调查不可或缺的工具。然而，遥感数据存在的各种缺陷——特别是缺失值问题——严重制约着其在林业领域的应用精度。以Landsat 7 ETM+传感器扫描线校正器(SLC)失效导致的楔形数据缺失为例，这种系统性数据缺口约占每个场景的22%，若处理不当会引发资源评估的连锁误差，最终影响可持续森林管理决策的科学性。

传统解决方案主要依赖数据填补技术，但这些方法存在明显局限：一是需要时空匹配的参考影像，获取难度大；二是填补过程引入的误差难以量化，可能造成目标森林属性估计的偏差。更为关键的是，常规模型估计器(CMB)要求完整的遥感辅助数据覆盖，这在实际应用中往往成本高昂且操作困难。面对这些挑战，研究人员开始探索能够直接处理缺陷数据的统计估计方法，其中混合估计器(hybrid estimator)展现出独特优势。

本研究以《Forest Ecosystems》发表的论文为基准，系统探讨了混合估计器在利用缺陷遥感数据开展森林资源调查中的应用潜力。研究团队以内蒙古根河林业局辖区为靶区，利用Landsat 7 ETM+ SLC-off缺失数据和Sentinel-2 L2A完整数据作为对比，通过构建加权最小二乘模型，采用蒙特卡洛模拟方法，全面评估了混合估计器在不同采样设计下的性能表现。

关键技术方法包括：(1)基于概率采样的混合估计框架，避免了对完整遥感覆盖的依赖；(2)采用加权最小二乘(WLS)建模处理异方差性问题；(3)通过蒙特卡洛模拟进行1000次迭代，稳健评估估计精度；(4)运用方差分解分析不确定性来源；(5)结合中国国家森林清查(NFI)技术标准(GB/T 38590.1-2014)进行验证。研究区域包含97个25m×25m的NFI永久样地，主要观测指标为林分蓄积密度(m³·ha^-1)。

4.1. 基于要素级别的模型构建

研究人员分别针对Sentinel-2完整数据(WLS-1模型)和Landsat 7缺失数据(WLS-2模型)建立了线性回归模型。诊断分析显示两个模型均无显著失拟现象，预测区间能够以95%的概率包含实际林分蓄积值。Sentinel-2模型相对误差降低约20%，表明其作为Landsat 7评估基准的合理性。

4.2. 种群级别估计器的比较

混合估计器在简单随机采样和整群采样两种情境下均表现出与CMB估计器相近的估计效果。当样本量达到600个要素(采样强度0.00005%)时，混合估计器的精度已接近使用完整覆盖数据的CMB估计器，证明其在实际应用中的高效性。

4.3. 基于混合估计的Landsat 7森林调查应用

研究表明，混合估计器能够在不进行数据填补的情况下直接利用Landsat 7 SLC-off缺失数据，且所有推断结果的变异系数(CV%)均低于10%，满足中国NFI精度标准。与依赖填补技术的方法相比，混合估计器避免了填补过程引入的不确定性，展现出更强的实用性。

4.4. 不确定性分析与质量控制

方差分解结果显示，模型参数估计的不确定性占总方差的绝大部分。随着遥感数据集样本覆盖范围的扩大，采样方差呈显著下降趋势，但模型参数估计的不确定性始终占主导地位。这一发现表明，提高模型质量是降低不确定性的关键途径。

4.5. 整群大小对种群参数估计的影响

研究发现，较小的整群大小和较大的样本量有助于提高估计精度。在均匀分布的种群中，混合估计器仅需CMB估计器百万分之一的辅助数据即可达到相同精度水平，展现出显著的成本效益优势。

4.6. 精度与样本覆盖范围的权衡

研究揭示了估计精度与样本覆盖范围之间的非线性关系：当样本量达到拐点后，继续增加样本对精度提升的边际效应显著减弱。这一发现为优化森林调查方案提供了重要依据，有助于在保证精度的同时控制成本。

研究结论表明，混合估计器能够有效克服缺陷遥感数据在森林资源调查中的局限性，实现成本效益与灵活性的最佳平衡。该方法不仅适用于Landsat 7 ETM+ SLC-off数据，也为其他存在数据缺失的遥感应用提供了普适性解决方案。通过优化采样设计和模型构建，混合估计器有望成为支持大规模森林碳汇评估和生态系统服务功能监测的关键技术，为全球气候变化背景下的森林可持续管理提供科学支撑。

该研究的创新之处在于将统计估计理论与遥感技术深度融合，突破了传统方法对数据完整性的依赖，激活了海量历史遥感数据的应用潜力。随着遥感技术的不断发展和森林监测需求的日益增长，这种基于混合估计的缺陷数据处理框架将在森林资源动态监测、生物多样性保护和气候变化应对策略制定中发挥越来越重要的作用。