**基于森林清查数据的遥感边际贡献评估：以福建省龙岩市地上生物量估算为例**

《Forests》：Evaluating the Marginal Contribution of Remote Sensing for Forest Biomass Estimation When Inventory Data Exists

　　

将遥感数据与野外清查数据相结合是估算森林地上生物量（Aboveground Biomass，AGB）的常见做法。然而，在已建立完善地面监测系统的地区，这种结合的实际附加价值尚未被充分量化。本文旨在批判性地评估当森林清查数据已可用时，光学遥感数据对AGB估算的边际贡献，并进一步探究误差来源与残差分布。以福建省龙岩市为案例研究，研究人员系统检验了数据类型（仅清查、仅Landsat 8、清查+Landsat 8、清查+Landsat 8+气象数据）、抽样方法和统计模型对样地尺度AGB估算精度的影响，以及不确定性在不同生物量水平上的分布。仅使用清查数据（林龄和冠层覆盖度）即可达到可接受的精度，在最优配置（RandomForest + ShuffleSplit_5）下决定系数（R²）为0.60，均方根误差（RMSE）为35.78 t/ha。加入Landsat 8数据仅带来有限的改进：相较于仅清查基线，RMSE降低5.3%，R²提高6.7%。当每种数据类型的最优组合在独立测试集上评估时，最高R²仅为0.56，样地尺度AGB观测变异中约44%未能得到解释。方差分析显示，数据类型是主导因素，解释了RMSE变异的大部分，其次是模型选择和二者的交互作用，而验证方案的贡献极微。研究人员进一步检验了残差在不同生物量水平上的分布，发现残差偏度呈系统性变化：低生物量样地以负偏度（高估）为主，中等生物量样地偏度接近于零，高生物量样地以正偏度（低估）为主。在所有数据类型中，仅Landsat配置在低生物量和高生物量两端均表现出最严重的偏差；在清查数据中叠加遥感和气候数据并未实质性地修正这一偏差结构。总体而言，这些发现表明，在拥有高质量地面清查数据的地区，整合光学遥感数据的边际收益有限——无论是在整体精度还是预测误差结构方面均如此。未解释的变异和跨生物量梯度的系统性残差偏差凸显了更好表征高生物量林分的需求，并提示未来研究应优先在代表性不足的生物量类别中进行样本扩充，而非仅依赖多源数据融合来提升精度。

**论文解读**

**一、研究背景与问题提出**

森林地上生物量（Aboveground Biomass，AGB）的精确估算对于量化碳储量、支撑REDD+等气候变化减缓策略以及促进可持续森林经营具有至关重要的意义。将多源数据——尤其是野外清查数据与卫星遥感数据——相结合已成为森林科学领域的主流范式。这一范式的基础在于：清查数据在样地尺度上精度高但覆盖范围有限且大面积获取成本高昂，而遥感数据则能够提供空间和时间上连续的、全覆盖的地表信息。光学遥感数据（如Landsat卫星影像）可为区域尺度AGB制图提供光谱指数及相关环境信息。然而，光学遥感数据存在一个根本性局限：光谱反射率与森林结构属性（如生物量）之间的关系是间接的且存在饱和效应。相较之下，设计良好的森林清查数据仍然是局地尺度AGB估算的精度基准。

在此背景下，一个关键但常被忽视的问题是：在已存在高质量、系统性森林清查数据的地区，整合光学遥感数据究竟能带来多大的边际增益？在这种情况下，“融合总能产生显著更优估算结果”的自动假设可能并不成立，反而可能导致监测框架中出现冗余的复杂性。针对这一问题，研究人员以福建省龙岩市这一拥有完善清查体系的亚热带森林区域为对象，开展了一项严格、具有对照的基准研究，旨在评估在高质量清查数据已可用的条件下，光学遥感数据对样地尺度AGB估算的边际贡献。本研究中，遥感的边际贡献是指通过在基于清查的预测变量中加入遥感变量，AGB估算精度所获得的增量改善。围绕这一目标，研究人员提出了三个研究问题及相应假设，分别关注边际精度改善的幅度、各因素对精度变异的相对贡献，以及预测误差在不同生物量层次和数据组合中的分布规律。

**二、关键技术与方法概述**

研究人员以福建省龙岩市为研究区，使用了中国森林资源清查体系在该地区布设的590个永久固定样地数据，样地按约4 km×6 km的规则网格布设。参考AGB通过异速生长方程计算得到，方程的选择依据树种及其适用范围。森林清查预测变量包括林龄（Stand Age，SA）和冠层覆盖度（Canopy Cover，CC）。遥感数据来自Google Earth Engine平台获取的2013年Landsat 8地表反射率产品，采用逐像元最大NDVI合成策略，据此计算了NDVI、NDVIC、SAVI及三种NDWI变体等植被指数，以及针对波段2至波段7在3×3、5×5、7×7三种窗口大小下提取的均值、方差、对比度、相关性等九类纹理特征变量，共162个纹理变量。地形数据来自ALOS AW3D30数字地表模型。气象数据来自福建省气象站点2013年监测数据，结合DEM通过Anusplin软件进行空间插值。所有实验在Python 3.9环境下基于Scikit-learn库实现。

**三、主要研究结果**

**（一）变量筛选与相关性分析**

为筛选候选预测变量并避免循环论证，用于构建参考AGB的树高（H）和胸径（DBH）被排除在相关性分析之外。森林清查变量中，林龄和冠层覆盖度与参考AGB的正相关性最强（0.59~0.64），而其他候选变量相关性普遍较低。Landsat 8波段中，B3与参考AGB的负相关性最强（|r| = 0.36），其次为B4（|r| = 0.34）及B7和B10（|r| = 0.31）。气象变量与参考AGB的直接相关性均较低（|r| < 0.3）。最终，以|r| ≥ 0.3为阈值筛选变量用于建模。

**（二）基于交叉验证的精度比较**

研究采用4种数据类型×4种交叉验证方法×4种统计模型的完全析因设计（共64个组合）进行系统评估。结果显示，仅使用清查数据即可达到令人满意的精度：最优清查配置（Inventory + RandomForest + ShuffleSplit_5）的R²为0.60，RMSE为35.78 t/ha。在清查数据中加入Landsat 8数据后，最优组合（Inv_Landsat + RandomForest + ShuffleSplit_5）的RMSE从35.78 t/ha降至33.90 t/ha（降幅5.3%），R²从0.60提升至0.64（增幅6.7%）。在某些模型-验证配置中，这一改善具有统计显著性，但绝对增益有限（RMSE降低约2~3 t/ha）。进一步叠加气象数据对不同模型的影响不一致：对线性回归和随机森林精度变化可忽略不计，对支持向量回归（Support Vector Regression，SVR）略有下降，对多层感知机（Multi-Layer Perceptron，MLP）则有适度改善。仅依赖光学遥感数据（Landsat 8）的模型精度最低且稳定性最差，R²大多低于0.20。

**（三）最优模型组合的外部验证**

在独立测试集上，各数据类型最优组合的性能均有所下降。最优组合（Inv_Landsat + RandomForest）在外部测试集上R²为0.56，RMSE为40.09 t/ha，相较于最优仅清查配置（R² = 0.54，RMSE = 40.81 t/ha），R²改善3.7%，RMSE降低1.8%。进一步纳入气象数据几乎没有额外增益（R² = 0.54，RMSE = 41.14 t/ha）。值得注意的是，在交叉验证中整体表现最佳的配置（Inv_Landsat_Climate + RandomForest + ShuffleSplit_10）并未在外部测试集上保持其优势。

**（四）影响精度的关键因素**

三因素方差分析表明，数据类型（C(Datatype)）是最关键的影响因素，贡献了64个实验组合间RMSE变异的73.0%，占据了总变异的一半以上。模型选择（C(Model)）是次要但仍重要的因素，贡献了RMSE变异的15.1%。数据类型与模型的交互作用（C(Datatype):C(Model)）贡献了RMSE变异的8.5%。交叉验证方法（C(CV_Method)）及其与其他因素的交互作用贡献极小（各小于3.0%）。对MAE、MRE和R²的方差分解也得出了相似的结果。

**（五）残差分布分析**

在最优组合（RF + ShuffleSplit_10）下，按数据类型和生物量层次分层分析残差揭示了系统性结构差异。在聚合层面，含清查数据的三种组合残差均以零为中心，箱体大致对称，四分位距约为?22~+15 t/ha；而仅Landsat组的残差中位数显著偏离零值，表现出轻度但系统性的高估。当按生物量层次分层后，呈现出典型的两端偏差结构：低生物量层次（<50 t/ha）中，所有四种数据类型均显示系统性高估（负残差），仅Landsat组的中位数约为?10 t/ha，高估最为严重；中等生物量层次（50~150 t/ha）中，四种数据类型的箱体几乎完全对称，中位数接近于零，是整个预测空间中最稳定、偏差最小的部分；高生物量层次（>150 t/ha）中，所有数据类型的残差中位数均远高于零线，表明对高生物量样地普遍存在系统性低估，仅Landsat组的行为最为极端，中位数最大且四分位距较窄。在清查数据中加入遥感和气候数据并未实质性地修正这一偏差结构。

**四、讨论总结**

数据类型之所以成为估算精度的首要决定因素，可从两类数据源与AGB之间不同的因果链得到解释。林龄和冠层覆盖度是森林生长和碳积累过程的直接结果，编码了与生物量内禀耦合的结构信息；此外冠层覆盖度还受造林密度、抚育间伐等经营措施的影响，隐式地捕捉了光学反射率无法直接观测的管理效应。而Landsat反射率仅与AGB间接相关，光谱信号受冠层结构、林下背景、地形和物候阶段的共同调制，且在中高生物量森林中因信号饱和而丧失敏感性。气象变量贡献有限可能归因于其在研究区内空间异质性较低，且在林龄和冠层覆盖度已纳入模型后，部分解释信息可能与这些清查变量存在重叠。关于模型选择与抽样策略，线性回归、随机森林和MLP在所有数据组合中一致优于SVR，但线性模型与随机森林之间的差距较小，这反映了本数据集特征-AGB关系接近线性或仅弱非线性的特点。数据划分方案对精度变异的贡献不足3.0%，但需注意两种方案均为随机重抽样程序，对于空间分布的清查样地，随机划分可能倾向于给出乐观的精度估计。跨生物量层次的系统性残差结构是向均值回归（shrinkage）的典型特征，光学信号在中高生物量森林中的饱和效应进一步放大了高生物量端的低估。

**五、研究结论**

本研究通过福建省龙岩市4种数据类型×4种交叉验证方法×4种统计模型的完全析因设计（共64个组合），评估了在高质量清查数据已可用的条件下光学遥感对样地尺度AGB估算的边际贡献。三个研究问题的结论如下：（RQ1，H1得到支持）在样地尺度已具备高质量清查预测变量的情况下，加入Landsat 8光学数据（以及后续气象数据）对AGB估算精度的边际效应有限、依赖于模型选择，且在大多数模型配置中不具有统计显著性。在相同的模型和验证设置下，最优仅清查配置的R²为0.60、RMSE为35.78 t/ha，相应Inv_Landsat配置的R²为0.64、RMSE为33.90 t/ha（RMSE降低5.3%，R²提高6.7%），进一步加入气象数据未提供一致的增益。（RQ2，H2得到支持）三因素方差分析表明，数据类型主导了64个组合间RMSE的变异（73.0%），远超过模型选择（15.1%）和数据类型×模型交互作用（8.5%）的贡献，交叉验证设计的贡献可忽略不计。（RQ3，H3得到支持）残差分析揭示了系统性的两端偏差——低生物量样地高估、高生物量样地低估——最严重的偏差发生在高生物量层次，且仅Landsat配置在生物量两端及聚合层面均表现出最显著的残差中位数偏离。在四种数据类型最优配置中，Inv_Landsat_Climate + RandomForest + ShuffleSplit_10在交叉验证中整体表现最佳（R² = 0.65，RMSE = 32.53 t/ha），但在独立外部测试集上Inv_Landsat + RandomForest的R²最高（0.56），仍有约44%的样地水平变异未能得到解释，交叉验证的最优配置并未在外部测试集上保持优势。综合而言，在本研究所考察的具体森林条件、数据配置和空间尺度下，光学遥感在已有清查数据的基础上仅提供了有限的额外预测信息。在已建立完善地面清查体系的地区，整合额外光学和气象数据所带来的边际精度增益应与其增加的复杂性进行明确权衡；改善代表性不足的高生物量林分的抽样代表性，可能是比仅依赖进一步数据融合更为有效的降低估算不确定性的途径。