隐藏的森林损失：利用基于Landsat数据的全球森林变化产品，在南部混交北方森林中检测由风力和昆虫引起的森林扰动的挑战

《Remote Sensing Applications: Society and Environment》：Hidden forest loss: Challenges in detecting wind- and insect-driven forest disturbances with Global Forest Change Landsat-based products in mixed southern boreal forests

本研究评估了基于Landsat的全球森林变化（GFC）产品检测风害和松材线虫导致的森林损失精度，发现其假阴性率达37.82%-98.44%，假阳性率高达65.55%，因Landsat分辨率不足无法识别小面积扰动。建议结合高分辨率数据提升监测准确性。

　　随着全球气候变化的加剧，风灾和昆虫灾害导致的森林破坏正变得越来越频繁和严重，这种趋势正在引发全球范围内的森林损失。准确识别这些破坏事件对于理解碳储存、森林动态、生态系统韧性以及制定有效的气候适应策略至关重要。Landsat卫星数据支持的全球森林变化（Global Forest Change, GFC）产品和相关全球森林监测网络（Global Forest Watch）服务，已成为大规模森林监测的重要工具。然而，这些产品在识别由风灾和昆虫灾害引起的森林破坏方面的能力仍存在不确定性。本文研究旨在评估GFC产品在识别风灾和昆虫灾害导致的森林损失方面的准确性，通过将其与基于非常高分辨率卫星影像的U-Net神经网络森林损失掩膜进行对比，从而更深入地了解其在不同环境下的表现。

研究区域选择在受风灾和昆虫灾害影响的自然混交针叶林中，这些区域分布在欧洲的斯堪的纳维亚半岛、西伯利亚地区和北美及东北亚的针叶林带。通过分析这些区域，研究人员评估了真实阳性（True Positive, TP）、假阳性（False Positive, FP）和假阴性（False Negative, FN）的检测率。结果显示，GFC产品在识别这些森林损失方面存在显著的低估现象，TP检测率在1.56%至62.18%之间波动，而FN误差则高达37.82%至98.44%。在某些情况下，由于FP率高达65.55%，GFC产品甚至可能高估森林损失。FP现象通常发生在Landsat卫星像素内的小面积森林损失触发整个像素被分类为森林损失，即使大部分像素仍然未受破坏。这种局限性源于风灾和昆虫灾害引起的局部性森林损失，而这些损失无法被Landsat的30×30米空间分辨率可靠地捕捉。因此，研究发现，为了准确评估森林损失面积以及应对由气候变化引发的森林破坏，整合更高分辨率的卫星数据是至关重要的。

尽管GFC产品在精确绘制森林损失方面可能不够理想，但其在全球范围内的统一性和年度更新机制仍使其成为一种有价值的早期预警工具。对于风灾或昆虫灾害导致的森林损失，特别是在损失区域小于450平方米的情况下，从业者应将GFC的检测结果视为参考，并结合更高分辨率的影像数据进行快速视觉或自动化检查。这种做法有助于更准确地识别和评估森林破坏的范围与影响，尤其是在面对复杂的气候变化引发的森林破坏事件时。

近年来，气候变化不仅加剧了森林破坏的频率和严重程度，还导致了极端天气事件和害虫爆发的增加。风灾的增多与热带和温带气旋、暴风雪、龙卷风以及 derechos（一种强烈的直线风天气）有关。这些极端风灾会对森林造成不同程度的破坏，从局部的树冠缺口到大规模的倒伏或断裂树木，影响面积可能达到数百甚至数千公顷。与此同时，气候变化也在重塑森林害虫的动态，通常在初始的天气扰动之后，导致连锁式的森林损失，这种趋势在许多地区变得更加明显和严重。

森林害虫的动态变化往往与气候条件密切相关，特别是在某些地区，如欧洲和北美，气候变化导致了森林害虫活动的显著增加。例如，欧洲的干旱和高温现象导致了多种森林害虫的爆发，其中包括山杨树皮小蠹（Ips typographus）和山松甲虫（Dendroctonus ponderosae）等。这些害虫的活动不仅影响了森林的健康状况，还对森林生态系统的稳定性和恢复能力构成了威胁。因此，准确识别这些森林害虫引起的森林损失对于评估生态系统健康和韧性至关重要。

Landsat多光谱影像在估算森林损失方面具有较高的可靠性，能够提供关于全球森林砍伐动态的重要信息。全球土地分析与发现实验室（University of Maryland）每年更新GFC地图，其中包括利用Landsat时序影像生成的森林损失数据。GFC服务通过与全球森林监测网络（Global Forest Watch）的合作，实现了30米分辨率的森林损失追踪，广泛应用于研究人员、林业工作者和环保人士，包括那些缺乏遥感专业知识的群体。这种全球性的监测能力为理解森林变化提供了重要的基础。

几十年来，Landsat时序影像的分析支持了全球范围内的森林损失及其驱动因素的连续监测。近年来，这些方法已被扩展到大陆尺度，例如欧洲森林破坏图（European Forest Disturbance Atlas）现在提供基于Landsat的年度森林破坏数据，包括破坏的发生、严重程度和致灾因子。这一进展展示了30米分辨率产品在不同破坏类型下的优势与局限性。同时，利用高分辨率影像和卷积神经网络（CNN）的综合验证工作也在不断推进，为全球森林监测产品提供了更多的30米参考，有助于进行更精确的评估。

随着深度学习技术的进步，特别是语义分割模型的应用，基于非常高分辨率（Very High Resolution, VHR）卫星影像的CNN方法已经成熟，能够实现对破坏驱动的森林死亡的精细尺度映射。近年来的研究表明，这些方法在识别山杨树皮小蠹的影响以及倒伏树木的区域方面表现出较高的准确性。例如，使用RGB/RGB-NIR影像的CNN模型能够有效检测森林破坏的范围，为森林管理提供重要的数据支持。

在自然混交针叶林中，选择性树木死亡形成了复杂的斑块状模式，这给中等分辨率的卫星影像带来了挑战。Landsat的30×30米像素分辨率能够捕捉大范围的森林破坏，但在识别小范围的破坏时存在困难，因为这些破坏可能不会产生明显的光谱信号。因此，识别风灾和昆虫灾害引起的森林破坏对于全球森林评估和地方森林监测都至关重要。然而，一个关键问题仍然存在：GFC产品在识别风灾和昆虫灾害引起的森林破坏方面的精确度如何？或者说，GFC产品在多大程度上能够准确检测风灾和昆虫灾害引起的森林斑块？

为了评估GFC产品在森林破坏检测中的潜在偏差，需要使用高精度的参考数据集来量化误报（FP）和漏报（FN）。基于高分辨率影像的CNN方法，特别是语义分割模型，为这一任务提供了有效的解决方案。这些方法在识别昆虫灾害引起的森林死亡方面表现出较高的准确性，能够为研究人员提供可靠的参考数据。

本文研究的目标是评估广泛使用的Landsat基底GFC产品在识别风灾和昆虫灾害引起的森林损失方面的准确性，特别是在自然混交针叶林中。通过使用VHR U-Net分割作为高精度参考，我们首先测量了在Landsat像素尺度下的TP/FP/FN，其次通过人工筛选分离了不同的破坏类型，最后建模了子像素破坏面积与GFC检测概率之间的逻辑关系，从而揭示GFC在何种情况下低估或高估这些破坏。

研究的主要目的是评估GFC产品在识别风灾和昆虫灾害引起的森林损失方面的检测精度。具体而言，我们希望了解GFC产品在多大程度上能够准确反映森林损失，并将其结果与U-Net CNN在VHR影像上的森林损失掩膜进行比较，以识别潜在的偏差。为了解决这一问题，我们测试了三个关键假设：（H1）GFC低估森林损失，因为风灾或昆虫灾害引起的光谱变化过于微妙，难以被GFC检测到；（H2）GFC高估森林损失，因为某些破坏斑块的面积小于一个Landsat像素，导致整个像素被误分类为森林损失；（H3）同时存在低估和高估，这两种误差在不同破坏类型和强度下发生比例不同，可能导致森林损失的总估算更接近实际范围。

研究区域选择在萨哈林岛和库页岛，这两个岛屿位于日本列岛和勘察加半岛之间的西北太平洋地区（图1）。这些岛屿主要覆盖着自然森林，为评估非人为驱动的森林损失提供了理想的环境。主要植被包括暗针叶林，主要由云杉（Abies sachalinensis）和冷杉（Picea jezoensis）组成，同时还包括阔叶林，其中石栎等树种具有较高的分布密度。这些区域的森林结构和分布情况为研究风灾和昆虫灾害对森林的影响提供了丰富的数据支持。

研究结果显示，GFC产品在萨哈林岛和库页岛的山杨树皮小蠹引起的森林死亡和风灾破坏检测方面存在显著的低估现象。其中，库页岛的昆虫灾害引起的森林死亡的低估尤为严重，GFC仅检测到0.16%的森林损失，而U-Net检测到了4.49%的森林损失（表2）。相反，在萨哈林岛的风灾影响区域，GFC检测到的森林损失面积略高于U-Net。这一结果表明，GFC产品在识别不同类型森林破坏时的性能存在差异，其准确性受多种因素影响。

研究还发现，由于缺乏具有清晰大气条件的Landsat影像，GFC在某些情况下进一步降低了对森林损失的检测能力。这种局限性使得GFC产品在识别风灾和昆虫灾害引起的森林破坏时可能不够准确，尤其是在破坏斑块较小的情况下。因此，为了提高对这些破坏事件的检测精度，需要结合更高分辨率的卫星影像和先进的机器学习技术，如U-Net神经网络。

研究结果表明，GFC产品在识别风灾和昆虫灾害引起的森林损失方面存在显著的低估现象，TP检测率在1.56%至62.18%之间波动，而FN误差则高达37.82%至98.44%。此外，由于某些破坏斑块的面积小于一个Landsat像素，导致整个像素被误分类为森林损失，FP率在某些情况下也可能较高。这种不平衡的误差分布使得GFC产品在某些区域可能无法准确反映森林损失的实际情况。

在自然混交针叶林中，昆虫灾害引起的森林死亡往往呈现斑块状分布，这种分布特征使得中等分辨率的卫星影像难以准确捕捉。因此，结合更高分辨率的卫星影像和先进的机器学习技术，如U-Net神经网络，对于提高对这些破坏事件的检测精度至关重要。这种多尺度的监测方法能够更全面地反映森林破坏的实际情况，为生态系统的健康评估和恢复能力提供更准确的数据支持。

研究还强调了在不同破坏类型和强度下，GFC产品的检测误差可能有所不同。例如，在某些情况下，GFC产品可能低估森林损失，而在另一些情况下，可能高估森林损失。这种误差的分布与破坏的类型、强度以及地理环境密切相关，因此需要在不同区域进行具体分析。此外，由于某些破坏斑块的面积较小，且可能不会产生明显的光谱信号，GFC产品在这些区域的检测能力可能受到限制。

研究发现，GFC产品在识别由风灾和昆虫灾害引起的森林损失方面存在显著的低估现象，特别是在破坏斑块较小的情况下。这种低估可能是因为Landsat卫星的分辨率不足以捕捉到这些局部性破坏事件，导致其无法准确识别森林损失的范围。因此，为了提高对这些破坏事件的检测精度，需要结合更高分辨率的卫星影像和先进的机器学习技术，如U-Net神经网络。

此外，研究还发现，某些破坏斑块可能不会产生明显的光谱信号，这使得GFC产品在识别这些破坏事件时存在困难。例如，风灾和昆虫灾害引起的局部性森林损失可能不会在Landsat影像上形成明显的光谱变化，从而导致其无法被准确识别。因此，为了提高对这些破坏事件的检测精度，需要结合更高分辨率的卫星影像和先进的机器学习技术，如U-Net神经网络。

研究还发现，GFC产品在某些情况下可能高估森林损失，特别是在破坏斑块较小的情况下。例如，某些破坏斑块的面积小于一个Landsat像素，导致整个像素被误分类为森林损失。这种高估可能是因为Landsat卫星的分辨率不足以区分这些局部性破坏事件，从而导致其误判。因此，为了提高对这些破坏事件的检测精度，需要结合更高分辨率的卫星影像和先进的机器学习技术，如U-Net神经网络。

综上所述，GFC产品在识别由风灾和昆虫灾害引起的森林损失方面存在显著的低估和高估现象，其检测精度受到多种因素的影响。为了提高对这些破坏事件的检测精度，需要结合更高分辨率的卫星影像和先进的机器学习技术，如U-Net神经网络。这种多尺度的监测方法能够更全面地反映森林破坏的实际情况，为生态系统的健康评估和恢复能力提供更准确的数据支持。