森林类型分层对地上生物量估算精度的影响评估：基于模型辅助与模型推断的对比研究

推荐：本研究针对异质森林生态系统中地上生物量(AGB)估算精度不足的问题，通过对比模型辅助(MA)、模型推断(MB)与简单随机抽样(SRS)三种方法在分层与非分层场景下的表现，揭示了森林类型分层对AGB估算的影响。结果表明，MA和MB方法显著优于SRS，但分层效果高度依赖分类精度，误分类会导致方差增加171.88%。研究为遥感辅助森林碳储量监测提供了关键方法学支撑。

　　

在全球气候变化和碳中和目标的背景下，森林作为陆地生态系统最大的碳汇之一，其生物量的精确量化对碳循环建模和气候政策制定至关重要。然而，异质性森林生态系统中，由于树种组成、林分结构和环境条件的巨大差异，地上生物量(Aboveground Biomass, AGB)的准确估算始终面临挑战。尽管遥感技术的引入显著提高了估算效率，但关于森林类型分层对估算精度的影响机制仍缺乏系统研究，特别是在使用遥感数据分类的森林类型图进行分层时，分类误差如何影响最终估算结果尚不明确。

针对这一科学问题，东北林业大学吴自强团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，以中国东北帽儿山实验林场的天然次生林为研究对象，设计了三组对比实验：非分层估算框架(A)、基于真实森林类型图的分层估算(B)和基于遥感分类图的分层估算(C)。研究整合了206个0.06公顷样地的实测数据与Sentinel系列卫星的多源遥感特征，采用随机森林(Random Forest, RF)算法进行森林类型分类，并构建了通用模型和分层特异性模型。通过模型辅助(Model-Assisted, MA)、模型推断(Model-Based, MB)和简单随机抽样(Simple Random Sampling, SRS)三种估算器的系统对比，结合蒙特卡洛模拟量化了分类误差的传播效应。

关键技术方法包括：(1)基于RF的森林类型分类模型开发；(2)采用乘幂函数构建AGB异速生长模型，分别拟合通用模型(f_gen)和硬阔叶林(HF)、软阔叶林(SF)、混交林(MF)的分层特异性模型；(3)设计包含SRS、MA和MB的估算框架，在三种分层场景下比较性能；(4)通过5000次蒙特卡洛模拟评估分类误差对估算方差的影响。

研究结果显示：

1. 1.

   模型性能方面

   RF分类器总体精度达80.27%，但混交林的生产者精度仅为55.56%。AGB模型中，通用模型R²为0.66，而分层特异性模型对硬阔叶林表现最佳(R²=0.65)。

2. 2.

   估算器比较

   在非分层场景(Case A)中，MA估算器方差最低(8.91 t/ha)，相对效率(Relative Efficiency, RE)达2.91，显著优于SRS。MB估算器方差为13.65 t/ha，RE为1.90。

3. 3.

   分层效应

   基于真实分层(Case B)时，MB采用分层特异性模型(Case B.2)使方差从13.65降至10.42 t/ha。但MA估算器在通用模型与分层模型间差异不显著(8.80 vs 8.89 t/ha)，印证了MA对模型误设的稳健性。

4. 4.

   分类误差影响

   当使用含19.73%误分类的遥感分层图(Case C)时，MA和MB的方差分别激增171.88%和126.97%。进一步分析表明，模型误分配误差占总误差的78.59%，远高于面积权重误差(21.41%)。

讨论部分指出，该研究首次系统量化了森林类型分层中分类误差的双重传播路径：模型误分配和面积权重失真。在分类精度有限时，通用模型比分层特异性模型更具稳定性。这一发现挑战了传统认知，即分层误差主要源于面积计算偏差。研究为复杂森林生态系统的AGB估算提供了方法论框架：当具备高精度森林类型图时，推荐采用分层特异性模型的MB方法；反之则应选择通用模型的MA方法以降低风险。

该成果对全球森林资源监测具有重要实践价值，特别是在《巴黎协定》框架下的国家温室气体清单编制中，为平衡估算精度与成本效益提供了科学依据。未来研究需进一步探索分类误差与模型预测误差的交互效应，以及深度学习等新型分类器在降低误分配误差方面的潜力。