多变量空间模型在物种特异性森林资源小区域估计中的应用与评估

本研究针对国家森林清查（NFI）数据在小区域尺度上物种特异性参数估计精度不足的问题，开发了一种多变量空间模型。该模型通过分层贝叶斯框架整合零膨胀、物种间相关性和空间自相关性，利用FIA数据对美国南部20个主要树种的县级地上生物量进行估计。结果显示，模型相比传统设计型估计方法在91.5%的县域中取得了更高的精度，为森林管理和保护提供了更可靠的物种级参数估计方法。

　　

随着森林管理和保护需求的日益复杂化，国家森林清查（NFI）被要求提供比当前基于设计的估计程序所能提供的更小空间尺度上的森林参数估计。这在需要按物种或物种组进行估计时尤为明显，这通常是野生动物栖息地管理、可持续林业认证或木材产品评估所必需的。传统的设计型推断方法在大面积林区（如美国州一级）能够提供足够精确的森林参数估计，但在较小空间、时间和生物物理范围内的估计需求却超出了现有抽样强度的能力。因此，需要开发能够在小区域范围内提供足够精确估计的方法，即小区域估计（SAE）技术。

为了解决这一问题，研究人员开发了一个多变量空间模型，用于物种特异性森林清查参数的小区域估计。该分层贝叶斯建模框架考虑了物种特异性森林清查数据中的关键复杂性，如零膨胀、物种间的相关性以及残余空间自相关。通过将模型直接拟合到个体样地水平数据，该框架能够对任何用户定义的小区域内的物种级森林参数进行估计，并提供相关的不确定性。模拟研究显示，与设计型估计量相比，所提出的基于模型的方法偏差最小，准确性更高。

本研究应用该模型，利用森林 Inventory and Analysis（FIA）数据，估算了美国南部20个最丰富树种的县级地上活立木和枯立木生物量。结果表明，所提出模型得出的县级生物量估计值与设计型估计值具有高度相关性，但基于模型的估计值相对于设计型估计值往往有轻微的正偏差，特别是对于丰富和管理型物种。重要的是，所提出的模型在所有20个物种中都大大提高了精确度。平均而言，91.5%的县级生物量估计值比设计型估计值具有更高的精确度。

为开展研究，作者主要采用了以下关键技术方法：基于FIA的46,710个样地数据，使用多变量对数正态障碍模型（multivariate log-normal hurdle model）处理零膨胀和右偏分布；通过空间因子模型（spatial factor modeling）降低维度并处理物种间相关性；利用最近邻高斯过程（NNGP）近似来高效计算空间效应；采用分层贝叶斯框架进行参数估计和不确定性量化；使用气候、森林覆盖和遥感高程等辅助数据提高预测精度。

2.1. FIA NFI数据

研究人员使用了美国农业部林务局FIA项目提供的公开数据，包括46,710个样地的地上生物量数据，覆盖美国南部地区。这些数据来自2015年后的最新测量，使用公开的扰动样地位置以保护私人样地位置和生态完整性。

2.2. FIA抽样设计和设计型估计量

FIA采用系统性网格的永久样地，基于约2428公顷一个样地的强度。设计型估计使用后分层技术，但限于小区域应用，因此本研究使用简单设计型直接估计量（即样本均值）进行比较。

2.3. 辅助数据

提取了气候、森林覆盖和遥感高程数据作为辅助信息。气候变量来自TerraClimate，包括月最高温、最低温、降水和蒸气压赤字；树冠覆盖来自NLCD 2021；高程来自AWS Terrain Tiles。

2.4. 建模框架

模型分为两个阶段：第一阶段使用二元子模型联合估计所有物种的存在与否；第二阶段使用对数正态子模型估计存在物种的生物量。通过空间因子模型和NNGP处理空间相关性和计算效率。

2.5. 模型实现

使用贝叶斯框架和MCMC算法进行参数估计，通过spOccupancy和spAbundance R包实现。运行三个链，确保收敛性。

2.6. 预测和小区域估计

通过在南部美国覆盖1×1km网格的2,198,845个预测位置进行预测，最终汇总到县级估计。完全考虑存在与否的不确定性，避免退化似然。

2.7. 模型评估和与设计型估计的比较

通过相关系数、偏差和精度改进百分比评估模型性能。设计型估计的变异系数与模型型比较，显示91.5%的县有更高精度。四折交叉验证用于评估预测性能。

2.8. 模拟研究

模拟研究表明，模型型估计量偏差较小，准确性更高（RMSE更低），验证了模型在实际数据中的应用效果。

3. 结果

模型型估计与设计型估计高度相关（平均相关系数0.85），但存在轻微正偏差。模型在大多数县提供了更高的精度，尤其对于稀有物种。空间可视化显示估计值在核心区域一致性高，在边缘区域略有差异。

3.1. 模拟研究

模拟证实模型型估计量无方向性偏差，且准确性更高，支持其在小区域估计中的优越性。

4. Discussion

多变量空间模型显著提高了物种特异性森林参数的小区域估计精度，解决了设计型估计在小样本区域的局限性。模型能够提供无样本区域的估计，并处理零膨胀和高度偏态分布问题。尽管存在轻微正偏差，但模型通过整合辅助变量和空间结构，实现了更可靠的估计。未来工作可探索加入更多辅助数据源（如LiDAR和土壤特性），以进一步改善估计精度，特别是在管理物种的精细尺度变异解释方面。该框架为NFI数据用户提供了一个有吸引力的解决方案，可在管理相关空间尺度上以合理精度生成物种级森林参数估计。