基于知识驱动的毛竹林大小年周期遥感分类算法开发及其碳汇管理应用

针对毛竹林(Phyllostachys edulis)大小年周期动态监测难题，研究团队开发了知识驱动的分类算法KB-OFBC，通过构建MTSI和PDIbamboo 指数，实现了92%的总体分类精度。该研究突破了传统方法对关键物候期影像的依赖，为竹林碳汇精准计量和可持续经营提供了新工具。

　　

毛竹作为中国南方重要的生态经济竹种，其独特的"大小年"生长周期直接影响碳汇功能和经济效益。然而，传统遥感监测方法存在两大瓶颈：一是依赖特定物候期影像，难以实现连续监测；二是区域适应性差，难以应对复杂地形和气候差异。这些问题严重制约了竹林资源的精准管理和碳汇交易。

为解决这些挑战，来自中国的研究团队在《Ecological Indicators》发表了创新性研究成果。他们利用Sentinel-2时间序列数据，开发了知识驱动的毛竹林大小年分类算法KB-OFBC。该研究通过整合植被生理特征与遥感特征，构建了毛竹时间序列指数MTSI和物候差异指数PDI_bamboo
，实现了92%的总体分类精度，显著优于现有方法。

研究采用了三项关键技术：1）基于Google Earth Engine平台的Sentinel-2时间序列预处理，包括云掩膜和Savitzky-Golay滤波；2）通过浙江德清、安吉和湖南桃江三地的地面调查样本（共1041个）进行算法训练验证；3）创新性地结合NDVI最小值和LSWI最大值的年际变化特征构建MTSI指数，利用红边(705nm)和近红外波段的周期性差异建立PDI_bamboo
指数。

【材料与方法】
研究选取浙江德清县为核心区，安吉县和湖南桃江县为验证区，形成海拔50-800米、年降水1600-1900mm的梯度验证网络。通过分析2021-2022年Sentinel-2月合成影像，发现毛竹冬季NDVI最小值(>0.65)显著高于其他常绿林，夏季LSWI最大值(<0.25)则低于对照，据此构建MTSI=NDVI_min
/LSWI_max
。

【结果】
3.1节显示MTSI在毛竹与常绿林区分中表现最优，而PDI_bamboo
在大小年识别上显著优于BPCI等现有指数。3.2节验证KB-OFBC的OA达0.92，Kappa系数0.88，其中off-MBFs占比达74.13%。3.3节制图显示德清县毛竹林主要分布在西部山区，面积达18,036.56公顷。

【讨论】
4.1节证实算法在安吉(OA=0.91)和桃江(OA=0.88)的跨区域适用性，但桃江因地形复杂需调整PDI_bamboo
阈值至1.15。4.3节对比机器学习方法发现，虽然RF和GBDT精度相当，但KB-OFBC仅需两个指数且无需复杂调参。研究同时指出，地形阴影和混合像元仍是主要误差来源。

该研究的突破性在于首次实现了不依赖特定物候期影像的毛竹大小年连续监测，建立的MTSI和PDI_bamboo
指数具有明确的生理生态意义。这不仅为竹林碳汇监测提供了可靠技术支撑，其知识驱动的算法框架也为其他周期性植被监测提供了范式参考。特别是算法在600公里跨区域的稳定表现，使其在大尺度竹林资源管理中具有重要应用价值。