《Urban Forestry & Urban Greening》:Integrating LandTrendr and Historical Maps for Forest Age Classification, and Spectral Indices-Based Ecological assessment in Urban and Peri-Urban Aichi, Japan
编辑推荐:
有效的城市与城郊森林规划和管理在快速城市化和气候变化的背景下日益关键。森林再生年龄强烈影响生态条件,因此对有效管理至关重要。然而,城市森林的年龄动态,通常呈现破碎化、物种多样且记录不全,仍未得到充分探索。在本研究中,研究人员调查了日本爱知县(包括名古屋市及周边
有效的城市与城郊森林规划和管理在快速城市化和气候变化的背景下日益关键。森林再生年龄强烈影响生态条件,因此对有效管理至关重要。然而,城市森林的年龄动态,通常呈现破碎化、物种多样且记录不全,仍未得到充分探索。在本研究中,研究人员调查了日本爱知县(包括名古屋市及周边市镇)一个2198 km2森林景观中的年龄相关生态动态。利用基于Landsat数据集的LandTrendr算法,并辅以历史森林地图(1955年和1977年),重建了现有森林(从2022年高分辨率土地利用土地覆盖图中提取)从1986年至2022年的再生历史。森林被分为四个再生年龄组:第1组(1986年后)、第2组(1977–1986)、第3组(1955–1977)和第4组(1955年前)。通过实地调查和航空影像验证了分类精度。获得了1986年后再生林的明确证据,以及成熟林超过85%的精度。对年龄组进行多边形化以实现空间破碎化评估。结果证实了该算法即使在小型异质斑块中的有效性,突出了整合多源数据集在城市环境中的优势。在独立验证和预选后,使用四个光谱植被指数(即归一化燃烧比(NBR)、归一化差异植被指数(NDVI)、归一化差异水分指数(NDWI)和缨帽亮度(TCB))进行了生态评估。结果揭示了明显的年龄相关差异:年轻林分高度破碎化,光谱指数变异性更大,第1组在NBR和NDVI上较低,但在NDWI和TCB上较高,且数值也变化,反映了稀疏冠层、降低的水保持能力和异质物候,而较老森林形成更大、连续的斑块,具有稳定的冠层结构和一致的光谱特征。季节性分析表明,秋季提供了年轻林分与老林分之间的稳健区分。进一步整合森林类型数据(常绿阔叶林(EBF)、落叶阔叶林(DBF)和常绿针叶林(ENF))显示,森林类型放大了年龄相关的光谱差异。这些发现展示了结合时间序列算法与多源数据集重建城市森林历史的潜力,并强调了森林再生年龄和类型在塑造空间和季节性森林动态中的生态重要性。
**论文解读:整合LandTrendr与历史地图进行森林年龄分类及生态评估——以日本爱知县城市与城郊为例**
**1. 研究背景与问题**
在快速城市化与气候变化背景下,城市与城郊森林的规划与管理日益重要。森林再生年龄(regeneration age)强烈影响生态条件,如碳汇能力、水文调节和生物多样性,是有效管理的关键变量。然而,城市森林常呈现破碎化、物种多样且历史记录不完整的特点,其年龄动态尚未得到充分探索。传统森林年龄估计方法(如实地调查、树木年轮学)受限于空间范围与历史数据,难以应用于异质城市景观。遥感技术虽能实现大尺度森林年龄估算,但现有研究多集中于连续大面积天然林或单一树种人工林,对城市碎片化且无记录的森林关注不足。因此,本研究旨在回答两个核心问题:(1)能否通过整合多源数据与先进算法实现城市与城郊森林再生年龄分类?(2)森林再生年龄如何与空间配置模式及生态指数在不同森林类型和季节中关联?研究结果发表在《Urban Forestry》期刊上。
**2. 主要技术方法**
研究人员在爱知县(包括名古屋市)约2198 km2的森林景观中,采用以下关键技术:(1)利用LandTrendr算法(LT)基于Landsat时间序列数据(1986–2022)检测森林干扰与再生事件,以归一化燃烧比(NBR)识别损失事件;(2)整合1955年和1977年历史土地覆盖图,将森林分为四个再生年龄组(第1组:1986年后;第2组:1977–1986;第3组:1955–1977;第4组:1955年前);(3)通过实地调查(验证第1组)和历史航空影像(验证第2–4组)进行精度验证,并利用日本宇宙航空研究开发机构(JAXA)的地上生物量(AGB)数据(2016–2022,10 m分辨率)进行生态相关性验证;(4)选取四个光谱植被指数(SVI),即NBR、归一化差异植被指数(NDVI)、归一化差异水分指数(NDWI)和缨帽亮度(TCB),基于Landsat 8数据(2013–2022,<20%云覆盖)计算并分析季节差异;(5)采用非参数统计(Kruskal-Wallis H检验、Mann-Whitney U检验)及Cliff’s Delta效应量评估差异显著性,并引入森林类型(常绿阔叶林EBF、落叶阔叶林DBF、常绿针叶林ENF)进行分层分析。
**3. 研究结果**
**3.1 森林再生年龄组分类(Classification of forest regeneration age group)**
通过整合LandTrendr检测的1986–2022年森林损失、2022年高分辨率土地利用土地覆盖图(HRLULC)以及1955年和1977年历史地图,将森林分为四个再生年龄组。空间分布显示,第4组(1955年前森林)占主导地位(67.9%,294.1 km2),而第1组(1986年后再生)仅占2.0%(8.6 km2)。破碎化分析表明,年轻再生林(第1组)斑块数量少但边缘密度极高(88.4 km/km2),斑块很小(仅1个斑块>0.05 km2);而老林(第4组)边缘密度低(18.4 km/km2),包含45个>1 km2的大斑块,边界连通性指数(BCI)从10.9%降至4.1%,指示随年龄增长破碎化降低、空间连续性增强。
**3.2 再生年龄组验证(Validation of regeneration age groups)**
第1组通过实地调查验证,确认存在近期采伐或再植证据(低郁闭度、小胸径DBH)。第2–4组基于900个随机点(历史航空影像目视解译)的验证显示,总体精度为78.6%,Kappa值为0.683,生产者精度(PA)68.2%–97.4%,用户精度(UA)69.5%–87.0%。地上生物量(AGB)分布呈现明显梯度:平均AGB从第1组的115.7 Mg/ha增至第4组的132.9 Mg/ha,变异系数(CV)从40.0%降至28.5%,第10百分位数(P10)从56 Mg/ha升至84 Mg/ha,表明分类捕获了有意义的生态结构差异。
**3.3 不同年龄组光谱植被指数的季节变化(Seasonal variation of SVI across age groups)**
四个光谱指数(NBR、NDVI、NDWI、TCB)均呈非正态分布。第1组在所有季节中NBR和NDVI值偏低且分布更分散(如NDVI呈双峰分布),NDWI和TCB值较高且变异性大,反映稀疏冠层、低水分保持能力和异质物候。老林(第2–4组)则呈现更集中、单峰的分布,指示稳定冠层结构。统计检验(p<0.001且|δ|>0.33)显示:第1组与第4组在所有季节的NBR、NDVI、NDWI和TCB上均有显著差异;第1组与第2、3组在夏秋季的NBR、所有季节的NDVI和NDWI、以及部分季节的TCB上差异显著;而老年龄组之间(第2 vs 第3、第2 vs 第4、第3 vs 第4)无显著差异,表明后期再生阶段冠层特征趋于收敛。
**3.4 考虑森林类型的光谱指数季节组间差异(Seasonal group variation of SVI with forest types)**
引入森林类型(EBF、DBF、ENF)后,第1组与老林组的差异在所有类型中持续显著,尤其在夏季:第1组NDVI和NBR更低,NDWI和TCB更高。森林类型放大了年龄相关的光谱差异:例如,DBF中冬季第2组与第4组之间出现显著差异(第4组NDVI、NBR、NDWI、TCB更高),而其他类型中不明显。ENF在夏季与其他类型差异最大,DBF在冬季差异最显著。
**4. 讨论与结论**
**讨论总结**:
再生年龄与空间格局密切相关:年轻林(第1–2组)呈现多小斑块、高边缘密度的破碎化模式,反映过去干扰与土地利用变化;老林(第4组)形成低连通性但结构核心的大斑块,表明长期森林持续促进斑块整合与景观稳定性。研究证实了LandTrendr算法在多源数据辅助下可有效重建城市森林年龄,即使在小而异质斑块中也能捕获干扰历史,总体验证精度(78.6%)虽低于均匀森林(如89%–92.8%),但展示了扩展年龄重建至Landsat记录之前的可行性。光谱指数分析表明,年轻林(第1组)在NBR和NDVI上较低、NDWI和TCB上较高且变异性大,反映稀疏冠层、低水分保持和异质物候;秋季是区分年轻与老林的最佳季节。森林类型进一步调节了年龄差异,例如DBF在冬季放大了年龄效应。这些发现表明,再生年龄不仅反映演替过程,还受周边景观条件影响,管理者应平衡年轻林恢复与老林斑块连通性提升。
**研究结论翻译**:
本研究提出一个整合多时相遥感、历史制图与高分辨率土地覆盖数据集的框架,以评估森林再生动态。跨越70多年的四个再生年龄组揭示了空间结构、季节生态模式及森林类型差异的关键见解。年轻森林表现出较低的冠层覆盖度、更大的绿度和水分相关光谱信号变异性,而老森林形成更大、连续的斑块,具有稳定的冠层覆盖和更一致的光谱特征。森林类型进一步调节了这些模式,结果显示森林类型可能放大年龄相关的光谱差异,尤其是落叶阔叶林(DBF)。尽管存在历史地图、LandTrendr参数化和数据分辨率方面的局限,但多源数据与时间序列分析算法的汇聚支持了再生年龄分类与生态解释的可靠性。总体而言,本研究强调了将再生年龄和历史干扰背景纳入城市森林评估的重要性。该可复制方法能够追踪森林恢复轨迹,并支持从高度开发区到欠发达边缘的城市化环境中的保护规划。