基于Sentinel-2时间序列的南方优势树种大尺度高精度制图与不确定性评估

针对南方森林优势树种分布信息缺失、样本时效性不足及林下植被干扰等问题，研究团队提出融合CCDC算法和概率阈值样本增强的XGB分类框架，首次实现中国南方85%森林的10米分辨率优势树种制图，总体精度提升2%至75%以上，揭示了冠层覆盖度与分类不确定性的负相关关系，为精准森林管理提供科学依据。

　　

中国南方拥有占国土面积49%的森林生态系统，但长期以来缺乏大尺度高精度的优势树种分布数据，制约着生物多样性研究、碳汇评估和精准林业管理。传统森林调查依赖耗时耗力的野外勘测，更新周期长达5-10年；而中分辨率遥感数据虽能实现大范围监测，但仅能区分森林起源（人工/天然林）或叶型（针叶/阔叶林），难以满足物种级管理需求。随着Sentinel-2卫星的发射，其10米空间分辨率和5天重访周期为捕捉树种光谱-物候特征提供了新机遇，但样本时效性不足、区域异质性复杂以及林下植被干扰等挑战仍亟待解决。

中国地质大学（北京）的研究团队在《Journal of Environmental Management》发表研究，提出融合跨年度样本更新与概率阈值样本增强的创新框架。通过CCDC算法检测2017-2023年森林扰动，实现样本跨年迁移准确率88%；利用分类概率绝对阈值筛选低不确定性像素，使安徽、云南等地区分类精度提升2-6个百分点。研究采用Sentinel-2时间序列和DEM数据构建特征集，分区应用XGBoost分类器，最终生成首张覆盖南方85%森林的10米分辨率优势树种图，总体精度超75%，并首次量化冠层覆盖度与分类不确定性的负相关关系（R²=0.79）。

关键技术包括：1）基于CCDC的跨年度样本更新，利用密集时间序列区分物候变化与真实扰动；2）分类概率阈值法增强样本，筛选确定性高于绝对阈值的像素；3）分区XGB分类策略应对地理异质性；4）二元等值线制图与相关性分析评估林下干扰影响。

【样本跨年更新结果】
CCDC算法识别出96%的森林像元在2017-2023年未受扰动，验证样本迁移准确率最低为88%，证明NFI数据经更新后可有效服务于2022-2023年分类任务。

【样本增强效果】
概率阈值法新增样本使安徽、云南等省份分类精度提升2-6%，全局总体精度提高2个百分点至75%以上，显著改善马尾松等光谱易混淆树种的区分能力。

【分类不确定性分析】
冠层覆盖度与分类不确定性的显著负相关（p<0.01），揭示林下植被暴露程度是影响模型性能的关键因素，为后续样本采集提供质量管控依据。

该研究不仅填补了中国南方物种级森林信息的时空空白，其可复用的技术框架（CCDC+XGB+概率阈值）为全球森林精细监测提供了范式。制图成果可直接支持森林扰动监测、病虫害预警等管理决策，而公开的数据集将推动碳循环模型精度提升。研究证实，融合时序变化检测与机器学习的方法能有效应对大尺度制图中样本老化、异质性复杂等挑战，为联合国可持续发展目标中的森林可持续管理目标（SDG15）提供技术支撑。