综述：非森林树木（TOFs）：方法学进展、局限性与框架创新全球综述

《International Journal of Forestry Research》：Trees Outside Forests (TOFs): A Global Review of Methodological Advances, Limitations, and Framework Innovations

　　

非森林树木（Trees Outside Forests, TOFs）是重要的自然与人为资源，对生物多样性保护、气候韧性提升及森林遗传资源（Forest Genetic Resources, FGRs）保育具有显著贡献。尽管其生态与社会经济价值突出，受土地利用变化、城市化、工业扩张及气候变化影响，TOFs资源正持续衰退。本研究旨在：（i）梳理TOFs的全球演化历程与现状；（ii）批判性评估现有TOFs制图与评估方法；（iii）提出稳健框架以优化TOFs监测并推动其融入森林管理系统。研究人员通过综合文献计量与国家森林清查（National Forest Inventory, NFI）实践，评估了从国家尺度到农场尺度的多空间尺度TOF评估方法，涵盖传统与先进地理空间技术（包括遥感（Remote Sensing, RS）、高分辨率卫星影像及激光雷达（Light Detection and Ranging, LiDAR）），明确各类技术的应用优势与局限。研究重点关注1:10,000至1:50,000的空间制图分辨率，以及物种、结构与功能属性在TOF评估框架中的整合路径。研究结果表明，尽管技术持续进步，受TOFs分散分布与景观异质性限制，目前仍缺乏普适、可靠且标准化的TOFs精准制图方法。针对这一挑战，本研究提出概念框架，融合哨兵1号（Sentinel-1）与哨兵2号（Sentinel-2）多时相数据集与基于卷积神经网络（Convolutional Neural Network, CNN）的分析方法，以提升TOFs的检测精度、特征刻画与空间评估能力。该框架具备可扩展性与成本效益，可显著提升制图精度与一致性，对国家森林监测体系（National Forest Monitoring Systems, NFMS）、碳储量估算及政策制定具有重要支撑作用。通过将TOFs纳入森林清查体系，本研究可为可持续资源管理、生态系统服务提升及气候变化减缓与生物多样性保护的科学决策提供支持。

1. 1.
   引言：定义、现状与范围
   全球林地约占地球130亿公顷可用土地的32%，其中21%因土壤与气候条件不适宜耕作、放牧或造林。剩余约47%（63亿公顷）的土地中，耕地占12%、牧场占26%、城市用地占9%，非森林树木（TOFs）即分布于此类区域。TOFs概念于1995年正式提出，联合国欧洲经济委员会（UNECE）与联合国粮农组织（FAO）将其定义为“不符合森林与其他林地面积（≥0.5公顷）与宽度（≥20米）标准的树木”；FAO在2004年全球评估中进一步扩展定义，明确TOFs指所有位于森林与其他林地之外的树木，包括面积小于0.5公顷的林分，以及农田、农林复合系统、家庭花园、果园与城市环境中的散生树木。FAO全球森林资源评估（GFRA）进一步明确TOFs属于“其他土地”范畴，即未归类为森林或其他林地的土地，其核心特征为呈独立斑块、线性分布或散生状态的树木集合。各国依据功能定位、管理目标与生态系统服务对TOFs进行分类，其生态服务涵盖固碳、养分循环、土壤稳固、水文调节、空气净化与生物廊道构建，经济产出包括薪柴、饲料、木材与非木质林产品，对全球16亿人口的生计具有重要支撑作用。TOFs广泛分布于森林、农田、草地、湿地、聚落与其他土地六大生态系统，其类型随土地利用系统与清查方法存在洲际差异：欧洲（法国）包括小林块、线状种植、树篱、散生树、果树林与果园；非洲（摩洛哥）以木本牧场（84%）与果树种植（12%）为主，贡献全国11%的薪柴消费；亚洲（印度）则主要分布于私有土地与道路沿线。当前全球森林面积已从1990年的32%降至2015年的31%，《联合国可持续发展目标》（SDGs）提出需将全球树木覆盖（含森林与TOFs）从当前的31%提升至34%，低森林覆盖率国家的木材供给高度依赖TOFs。然而TOFs的分散分布、小尺度覆盖与跨国定义差异导致其量化评估困难，中等分辨率卫星数据的最小制图单元（Minimum Mapping Unit, MMU）通常大于1公顷，难以精准识别孤立树木与狭窄树篱；高分辨率光学影像、LiDAR冠层高度模型（Canopy Height Model, CHM）、无人机（Unmanned Aerial Vehicle, UAV）平台与面向对象图像分析（Object-Based Image Analysis, OBIA）虽提升了小尺度TOFs检测精度，但仍面临定义统一、野外观测尺度转换、结构-功能-社会生态属性整合等技术与概念瓶颈。
2. 2.
   研究方法
   本研究采用描述性综述框架，结合定性与定量目标，通过结构化文献检索、筛选与主题分类确保研究选择的透明度与分析一致性。遵循《系统综述与荟萃分析优先报告条目》（PRISMA）2020指南，检索Scopus、Web of Science与Google Scholar数据库中截至2026年的相关文献，检索词组合包括“非森林树木”“TOFs制图”“遥感”“RS-GIS”“清查”“农林复合系统”，同时补充印度森林调查局（FSI）“国家森林报告”、邦林业局“经营方案”、国家森林图书馆信息中心（NFLIC）、印度林业研究中心（ICFRE-FRI）与《印度林业家》期刊资料。初始检索获得约140篇文献，经相关性、语言（英语）、研究规模与方法学强度筛选后，最终纳入112项核心研究进行定性分析，并构建全球TOFs制图与建模贡献空间分布图。在此基础上，详细梳理全球案例研究，重点分析TOFs精度评估、制图监测、分类体系与农林复合应用中的遥感技术应用，形成包含40个国家/地区案例的国家森林清查（NFI）遥感与GIS技术应用数据库。
3. 3.
   全球TOFs倡议的发展历程
   TOFs概念于1995年提出以应对森林遗传资源衰退压力，早期（1995-2000年）研究主要整合历史土地利用/土地覆被（LULC）数据、植被数据与数字高程模型（DEM）辅助建模，并与Landsat系列数据联动保障方法一致性。德国巴伐利亚地区曾于20世纪初使用1:25,000或1:50,000地形图结合人工数字化技术开展TOFs制图；FAO于1996年在芬兰科特卡召开会议，强调TOFs对可持续综合土地管理的重要性。2001年FAO在罗马召开“提升TOFs对可持续生计贡献”专家磋商，发布《非森林树木：提升认知》系列报告；2002年在印度台拉登举办“TOFs评估”研讨会，启动“低森林覆盖率国家人工林与TOFs在景观恢复中的作用”项目，推动TOFs纳入国家评估体系。2000-2010年，FAO为非洲、亚洲与拉丁美洲15个发展中国家提供技术与资金支持，将TOFs评估纳入国家森林调查，明确其分布范围与特征，相关成果纳入2010年全球森林资源评估（FRA-2010）技术指南。印度于2001年后采纳FAO定义，重构国家森林清查（NFI）以纳入TOF专项野外清查协议；早期人工数字化制图存在面积偏差、比例尺误差等问题，遥感与地理信息系统（RS&GIS）技术的引入显著提升了空间制图的精度、一致性与可重复性，解决了传统地面调查与地图解译中的比例尺差异、位置误差与主观勾绘偏差。但1980-2000年代常用的中等分辨率传感器（如Landsat MSS 80米、Landsat TM/ETM+ 30米）像元尺寸大于多数散生树与树篱，导致小尺度（<0.5公顷）TOFs常被归入 broader 土地覆被类别或被分类过程剔除，因此仍需结合地面采样与建模构建高效的TOFs监测策略。
4. 4.
   TOF资源的监测与管理
   4.1 TOF资源评估
   TOFs的不规则空间配置与异质分布使其清查面临挑战，缺乏标准化评估协议与可靠基线记录进一步阻碍了一致性制图与长期监测。高分辨率卫星影像、UAV调查、LiDAR冠层结构分析、OBIA、机器学习与云计算平台（如大规模地理空间处理环境）正逐步解决这些局限，移动端野外数据采集工具与多源数据融合框架也提升了验证效率、一致性与成本效益。野外清查（Field Inventory, FI）方面，各国国家森林清查（NFI）已逐步纳入TOFs评估：喀麦隆2004-2005年国家森林与树木资源评估（NF&TRA）覆盖农林复合系统、撂荒地、村落景观与稀树草原镶嵌体中的TOFs；孟加拉国（2005-2007年）、尼加拉瓜（2007-2008年）等国也同步整合人工种植与自然更新的TOFs。抽样设计呈现多样化特征：挪威采用3公里×3公里网格系统抽样，结合1:50,000地形图布设圆形永久样地；斯洛文尼亚采用两阶段抽样，第一阶段基于2002年土地利用图按4公里×4公里网格覆盖非森林主导区，第二阶段随机抽取227个样点开展野外测量；瑞典对森林与非森林土地分别布设样地，永久样地按系统网格布设，临时样地随机选取；英国将土地划分为1公里×1公里网格，每个样地划分为16个250米×250米亚样地，随机选取2个亚样地开展调查。北美地区，加拿大采用4公里×4公里网格、1%抽样强度的设计；美国采用双重抽样设计，结合遥感分层与六边形镶嵌抽样（单六边形面积约2400公顷），重点覆盖防风林、农田散生树与河岸林带。非洲国家（喀麦隆、摩洛哥、赞比亚）多采用FAO国家森林监测与评估（NFMA）方法，结合植被类型分层抽样与社会经济调查；亚洲国家（孟加拉国、印度、菲律宾）普遍使用1:50,000地形图与Landsat TM影像，中国将TOFs分为房屋周边、道路沿线、河流沿岸与农田散生树四类，印度则划分为城市TOFs与农村TOFs。这些清查实践表明，多阶段抽样中遥感数据可辅助而非替代传统地面清查，随着RS&GIS技术进步，TOFs的大尺度精准评估成为可能。
   4.2 遥感与GIS在TOF评估中的应用
   遥感技术凭借其宏观覆盖、近实时观测与重复成像优势，已成为TOFs检测、制图与测量的核心工具。研究采用面向对象图像分析（OBIA）方法处理高分辨率遥感数据，涵盖Landsat系列、Sentinel、QuickBird、RapidEye、Cartosat-1/2、LISS-III/IV等多源数据：奥地利使用WorldView-2八波段数据开展面向对象与像素分类，10种温带树种总体分类精度达82%；比利时将TOFs自动分类为单株、线性与团块状三类，总体精度78%；巴西马林加地区对比CBERS卫星高分辨率相机（HRC）与中分辨率电荷耦合器件（CCD）数据，证实高分辨率传感器对小尺度林分的检测可靠性；意大利莫利塞地区通过1米航空正射影像目视解译，共识别出52,796个TOF单元，总面积约7700公顷，平均面积1472平方米；非洲埃塞俄比亚亚的斯亚贝巴使用航片结合ERDAS Imagine与ArcGIS完成人工林制图，加纳通过面向对象分类识别TOFs优势树种，菲律宾拉古纳省利用SPOT影像结合决策树算法评估TOFs对流域树冠覆盖的贡献率达17%。亚洲地区，孟加拉国基于Sentinel-1 SAR、Sentinel-2光学数据与TanDEM-X DEM在Google Earth Engine平台开展全国TOFs清查，结果显示TOFs覆盖约223万公顷（占全国土地面积15.1%），超过同期森林面积53%；越南北??省结合SPOT-5影像、野外样地与随机森林（Random Forest, RF）分类，测算TOFs贡献全国7.41%的木材蓄积量与碳储量；泰国 Nguyen 省融合Landsat-8/9光学数据与ALOS-2 PALSAR-2雷达数据，结合深度学习技术将TOFs碳与木材估算精度提升至81%。欧洲意大利中部地区基于Sentinel-2数据采用负亮度（Negative Luminance, NL）等光谱指数开展面向对象分类，总体精度超过92%；瑞士结合植被高度模型（Vegetation Height Model, VHM）、土地覆被数据与森林掩膜，实现全国尺度TOF自动制图，总体精度达95%，仅在高海拔阿尔卑斯地区因高程相关误差略有下降；澳大利亚墨尔本结合机载RGB-NIR影像与LiDAR衍生CHM，采用超像素分割与RF分类，冠层制图精度达97%，树木计数误差低于2%。
   4.3 不同图像分类技术
   TOFs制图主要采用监督分类与无监督分类两类方法：监督分类通过用户定义的训练样本，利用RF、决策树、支持向量机（Support Vector Machine, SVM）与OBIA算法学习密集林分、孤立树与线性TOF特征的光谱、红边与纹理特征，适用于农业与乡村景观中的小尺度变异识别；无监督分类（如k-means、ISODATA）无需预定义类别标签，基于光谱或后向散射特性自动聚类，可有效识别极化SAR数据的自然光谱分组。研究融合两类方法提升连续森林与分散TOFs的勾绘精度，结合光学影像的光谱与物候特征与SAR数据的结构信息，增强复杂景观下的分类精度、降低误差。高分辨率影像（如IKONOS、IRS-P6、SPOT、LISS系列）已广泛用于TOFs分类，OBIA通过将影像分割为对象群组实现自动数字化，其输出的空间格局比像素分类更符合实际树冠分布特征。屏幕数字化作为人工辅助GIS过程，受屏幕分辨率、色彩保真度与可视化工具影响，虽耗时但结合野外知识可实现高精度TOFs与家庭花园识别。近十年，亚米级至厘米级空间分辨率的新型传感器大幅提升了对个体树木与细尺度景观特征的检测能力，Planet Scope与Sentinel系列的高时间分辨率支持TOFs动态变化监测，但需注意高分辨率影像若缺乏配套野外数据，可能导致TOFs覆盖估算偏差。当前TOFs评估仍以光学高分辨率多光谱卫星为主，高光谱成像、LiDAR冠层建模与UAV平台的应用潜力正逐步释放：高光谱成像的数百个波段可支持TOFs物种水平制图；LiDAR生成的三维森林斑块与个体树木模型可量化冠层结构；UAV可在短时间低成本获取厘米级影像，搭载高光谱相机后可结合LiDAR三维结构数据，实现异构TOF景观下的物种多样性评估。
5. 5.
   非森林树木物种制图建议方法
   基于现有研究进展，本研究提出两种集成野外清查、统计模型与RS&GIS技术的TOFs制图方法，适配不同地形特征。
   5.1 方法一
   该方法整合野外数据采集、预测建模与多源遥感分类。野外调查采用简单随机抽样、分层抽样或多阶段抽样，采集树木地面控制点（GCPs）、形态参数（树高、胸径DBH、冠幅等）、生物与非生物参数及伴生种信息，同时使用Analytical Spectral Device（ASD）地物光谱仪（350-2500纳米，1251个波段）采集样地反射光谱。数据处理分为三部分：第一部分使用高光谱卫星影像（可从美国地质调查局USGS网站获取），经阴影校正后采用光谱角填图（Spectral Angle Mapper, SAM）技术，基于平均光谱特征训练影像实现物种级分类；第二部分采用最大熵（MaxEnt）、生态位因子分析（ENFA）、生态位建模（ENM）等预测模型，输入地理坐标、生物气候变量、地形变量（海拔、坡度、坡向）及生物物理与人为预测因子，通过Jackknife重采样评估变量贡献，采用受试者工作特征曲线下面积（AUC）衡量预测精度，选取适宜性阈值（如>0.6）筛选高概率TOF分布区；第三部分融合RF、SVM、人工神经网络（Artificial Neural Network, ANN）与OBIA模型的分类输出，叠加物候掩膜、结构标准与行政边界，经空间滤波、降噪与人工校正后，生成包含团块、线性与散生三类结构的物种特异性TOF最终地图。
   5.2 方法二
   针对山地与平原景观的结构差异，提出地形适配的两套方案。
   5.2.1 山地TOFs制图方案
   山地地形导致光照不均（尤其是阴坡）产生持续性地形阴影，影响被动多光谱影像的顶空反射率（TOA）捕捉。方案优先采用Sentinel-2 Level-2A底部大气（BOA）反射率产品，结合野外清查与高光谱卫星数据：野外调查遵循NFMA协议，按海拔与坡度梯度布设网格样地，使用ASD光谱仪采集物种水平反射光谱构建光谱库；高光谱影像经快速大气分析光谱超立方体（FLAASH）大气校正后，融合DEM衍生的坡度、坡向、山体阴影与地形湿度指数（TWI）等地形参数，开展地形自适应辐射归一化与光照感知掩膜，减少深阴影区域畸变；分类过程集成OBIA与机器学习算法，结合地形指标、纹理特征与光谱指数区分孤立、线性与散生TOF结构，采用SAM分类器匹配野外光谱库，经混淆矩阵验证生产者精度、用户精度、总体精度与Kappa系数，确保分类可靠性。
   5.2.2 平原TOFs制图方案
   平原地区TOFs与耕地、果园、聚落交织，易产生树冠与作物的光谱混淆。方案采用多模型集成分类框架：野外调查同样遵循NFMA协议，网格抽样估算冠层覆盖、物种组成与蓄积量；分类阶段融合像素与面向对象方法，以RF为基准分类器，输入Sentinel-2光谱波段、红边植被指数（NDRE）、红边叶绿素指数（RECI）与灰度共生矩阵（GLCM）纹理特征，通过袋外误差优化超参数；采用径向基核函数（RBF）的SVM与反向传播训练的前馈ANN捕捉孤立小树冠的非线性光谱特征；OBIA通过多分辨率分割生成冠层对象，融合RF与SVM输出提升线性TOF（树篱、行道树、田埂树）检测精度；结合多时相Sentinel-2与Landsat影像的物候差异，区分多年生树木与短季作物，经辐射定标、直方图匹配与暗目标减法预处理后，开展监督分类与后处理优化，最终按团块、线性与散生结构输出TOFs矢量分布图，通过独立验证集的精确率、召回率与F1分数评估框架可靠性。
6. 6.
   结论与建议
   6.1 结论
   TOFs是全球陆地系统的关键组分，尽管结构复杂、空间破碎，其对碳循环、生物多样性、景观连通性、农业生态稳定性与社会经济韧性的贡献不可替代。本综述通过PRISMA框架分析92项研究，系统梳理了TOFs评估的历史演变与技术进展，证实从传统野外清查向集成地理空间框架的转型显著提升了TOFs量化能力，高分辨率光学影像、Sentinel时序数据、LiDAR指标、高光谱分析、UAV与机器学习的应用大幅改善了检测精度、结构分析与监测能力。本研究提出的地形适配双框架方法，融合野外抽样、光谱数据、生态建模（MaxEnt、TerrSet）与机器学习分类器（RF、SVM、ANN、OBIA），可应对山地与农业景观的挑战，提升可扩展性与可复现性。未来需推动TOFs定义标准化、数据兼容与纳入国家森林监测体系（NFMS），整合结构、光谱、生态与社会经济要素，构建支撑气候目标与生态恢复的全球化TOFs监测体系。
   6.2 建议
   高分辨率卫星影像与地面调查的融合是TOFs评估的最优路径，模型选择需匹配研究目标、资源条件与景观特征（如LiDAR用于结构分化、集成模型用于地形变异区）。国家尺度TOFs制图协议的标准化是保障结果可比性、提升精度、支撑可持续资源管理目标（碳减排、景观恢复等）的核心，方法设计需优先考虑验证流程、尺度一致性与地形适配性。