基于上下文感知分位数基线的非平稳短轮伐期人工林干扰检测方法

《International Journal of Applied Earth Observation and Geoinformation》：Context-aware quantile baselines for disturbance detection in non-stationary short-rotation forest plantations

　　

摘要专业翻译 与气候变化相关的干扰（如病虫害、火灾、风暴和严重干旱）正日益影响全球森林。在人工林中，此类干扰可造成严重损害，因生产力下降而导致重大经济损失并产生环境影响。人工林多为单一树种、同龄林，其均匀的林分结构可能加剧干扰的扩散和严重程度。即使干扰未导致树木死亡，部分冠层损伤或生理胁迫也可能引起速生短轮伐期人工林的生长迟缓和产量损失。因此，早期检测至关重要，因为及时干预可以限制损害、降低成本，并减轻植保产品使用等环境影响。在更长的时间尺度上，干扰范围的空间显式信息可支持灾后生产力损失评估，并为轮伐期剩余阶段或后续种植周期的管理决策提供依据。因此，可靠且可操作的森林干扰制图方法是可持续森林管理的重要组成部分。 卫星遥感已成为多时空尺度森林生态系统监测的核心工具，能够评估其范围和植被特征（如生物量）并追踪其演变。Sentinel-2（S2）多光谱任务提供10–20 m分辨率、重访周期长达5天的影像，支持近实时冠层变化监测。其时间序列已用于森林病害检测、虫害监测、火灾严重度制图和干旱致死亡监测等应用。这些应用通常依赖植被指数（VI）分析，该指数概括冠层反射特性，并对叶面积、叶绿素含量和冠层结构的变化敏感。然而，异常检测需要适当表征预期的未受干扰动态。 在全球1.58亿公顷人工林中，桉树（Eucalyptus）是种植最广泛的阔叶树种属。在巴西，桉树种植面积达760万公顷，为纸浆、纸张、木炭、板材和薪材提供原材料。这些人工林中的干扰导致产量差距和经济损失。林分具有约6–7年的短轮伐周期和高生产力特征，平均生长量为33.7 m3 ha?1 yr?1。在这些速生系统中，植被指数轨迹受林龄、采伐–再植周期、季节性气候、基因型和种植密度的影响。短轮伐期提供的采伐后历史记录有限，而采伐和再植会重置轨迹，早期冠层发育呈强烈非线性，云相关间隙进一步缩短可用记录。一年生作物中也存在类似的基线挑战，播种、发育和收获同样产生管理驱动的轨迹。 利用光学卫星观测进行干扰检测依赖于识别超出未受干扰植被正常变异范围的冠层反射率变化。归一化差异植被指数（NDVI）、增强型植被指数（EVI）或归一化燃烧比（NBR）等植被指数常用于此目的，因为它们概括了与冠层绿度、结构和生理状态相关的光谱信息。根据干扰的性质和严重程度，干扰可能引起植被指数的突变（如火灾）或相对于预期轨迹的更渐进偏差（如干旱胁迫）。 广泛使用的干扰检测方法从每个像素的历史轨迹中表征正常植被动态。LandTrendr拟合分段线性时间片段，BFAST分解趋势和季节分量，CCDC使用谐波回归，CUSUM检测模型残差的持续偏移。当历史趋势或季节模式提供稳定参考时，这些方法可表现良好。然而，在短轮伐期人工林中，其应用可能因快速冠层发育、采伐后记录短、采伐和再植期以及不规则的晴空观测而复杂化。因此，挑战在于区分干扰与预期的非平稳变化。 研究人员通过面向人工林冠层警报系统（FOCAL）解决了这一空白，该系统专为相对均匀、集约管理的短轮伐期人工林设计，利用林分级情境数据。FOCAL在三个方面与传统像素历史方法不同。首先，它通过结合近期有效VI观测与林分、环境和采集变量来预测采集特定的未受干扰VI分位数，而非仅依赖固定趋势或季节轨迹的外推。其次，单一分位数回归森林（QRF）在具有对比特征和不规则采集间隔的林分间生成情境特定基线。第三，低于这些基线的持续偏离通过像素级时间确认转化为干扰警报。因此，其新颖性在于将近期时间信息与情境预测因子相结合，而非取代时间信息。 研究人员评估了FOCAL建模未受干扰VI动态、检测实地确认干扰以及解析小面积死亡斑块的能力。假设（H1）组合QRF能准确表征非平稳未受干扰动态，（H2）FOCAL在干扰检测方面优于基准方法。

论文解读

一、研究背景与问题

气候变化相关的干扰（病虫害、火灾、风暴、严重干旱等）正日益威胁全球森林生态系统。在人工林中，这类干扰不仅造成直接的经济损失，还带来显著的环境影响。桉树（Eucalyptus）作为全球种植最广泛的阔叶树种属，在巴西的种植面积达760万公顷，支撑着纸浆、纸张、木炭等重要产业。这些人工林通常具有约6–7年的短轮伐周期和高生产力特征，林分结构相对均匀，这反而可能加剧干扰的扩散和严重程度。

在短轮伐期人工林中，植被指数（VI）轨迹受多重因素塑造：林龄、采伐–再植周期、季节性气候、基因型、种植密度等。短轮伐期导致采伐后可用历史记录有限，采伐和再植会重置植被轨迹，早期冠层发育呈强烈非线性，云层遮挡进一步缩短有效观测记录。这些特征使得传统的干扰检测方法面临严峻挑战：LandTrendr、BFAST、CCDC、CUSUM等经典算法通常依赖稳定的历史趋势或季节模式作为参考基线，但在高度非平稳的人工林动态中，这些方法难以准确区分真实干扰与预期的非平稳变化。因此，开发能够适应短轮伐期人工林特殊动态特征的干扰检测方法具有重要的科学和实践意义。

二、研究内容与结论

针对上述问题，研究人员开发了面向人工林冠层警报系统（FOCAL），该系统专为相对均匀、集约管理的短轮伐期人工林设计，利用林分级情境数据。FOCAL的核心创新在于三个方面：其一，通过结合近期有效VI观测与林分、环境和采集变量，预测采集特定的未受干扰VI分位数，而非仅依赖固定趋势或季节轨迹的外推；其二，使用单一分位数回归森林（QRF）在具有对比特征和不规则采集间隔的林分间生成情境特定基线；其三，将低于基线的持续偏离通过像素级时间确认转化为干扰警报。研究结果表明，FOCAL能够准确表征非平稳的未受干扰动态，并在干扰检测性能上显著优于五种常用基准方法，验证了研究假设。

三、关键技术方法

研究采用了以下主要技术方法：

研究区域与数据：研究区域位于巴西马托格罗索州（Mato Grosso do Sul），覆盖Sentinel-2影像瓦片22KCB，包含4,052个桉树人工林林分。干扰观测（DO）数据集包含2021年内118个受干扰林分（50起火灾、32起严重水分胁迫、18起霜冻、18起病虫害事件）和141个未受干扰参考林分。干扰实验（DE）数据集位于巴西圣保罗州Eucflux项目，于2018年3月通过环剥和除草剂诱导控制性树木死亡实验，设置不同大小死亡斑块（30×30 m、12×12 m、6×6 m及单株处理）。

Sentinel-2预处理与植被指数：下载2018年1月至2021年12月覆盖瓦片22KCB的Level-1C影像，使用地表反射率代码（LaSRC）进行大气校正至地表反射率（BOA），结合FMask和s2cloudless算法生成云和云阴影掩膜。测试了15种植被指数，最终根据干扰观测数据集上的二元林分F1分数选择最优指数。

FOCAL基线模型：采用分位数回归森林（QRF）预测植被指数的条件分位数。预测因子分为四组：林分特征变量（林龄、种植历史、管理类型、种植密度、种植日期、基因型等）、环境变量（海拔、气候区、宏观环境区、风险区、地貌区）、卫星采集变量（年内日序、太阳–传感器几何、云覆盖率）以及近期像素状态变量（过去时间窗口内的VI中位数和最近VI观测值及其延迟）。比较了三种随机森林变体（RFm、RFd、RFmd），最终选择RFd（使用最近VI观测值及其延迟）作为最优模型。训练数据来自2018–2020年未受干扰林分（10⁵个晴空像素），测试数据为2021年独立年份的320,000个像素。

干扰检测与时间确认：以预测的VIp50作为基线参考，通过VIp50与VIp10之间的分位距定义局部阈值。当观测VI低于阈值（VI_i < VIp50_i ? Δ，其中Δ = c × (VIp50_i ? VIp10_i)）时标记为异常，连续至少3次异常确认干扰。经敏感性分析确定c = 1.3和k = 3为默认参数。

基准方法与评估：选择五种基准方法（EWMA、CUSUM、MOSUM、CCDC、SARIMA），均基于2018–2020年NDVI谐波模型或自回归模型建立基线，2021年进行监测。采用二元林分级评估指标（召回率、精确率、F1分数、特异性），并通过2,000次配对分层自助重采样估计指标不确定性和FOCAL与各基准方法的配对差异。

四、研究结果

基线预测结果：RFm模型在所有植被指数上的预测精度均低于RFd和RFmd，而RFd和RFmd表现相近。由于RFd在依赖更少预测因子的情况下达到与RFmd相当的精度，故被选为后续分析模型。多数植被指数基线在训练数据上R2高于0.8，测试数据上超过0.65。变量重要性分析显示，林龄、采集日序和近期像素VI历史是最主要的预测因子，太阳天顶角和方位角也排名靠前，表明太阳–传感器几何对植被指数有显著影响。

像素级干扰检测示例：在一个2021年遭受严重水分胁迫的24 ha林分中，FOCAL于5月底检测到首次主要胁迫事件，比实地报告提前近两个月。部分区域在首次事件后冠层部分恢复，使得9月左右可检测到第二次干扰。受影响的面积最大达到4.1 ha，展示了FOCAL在异质林分内检测干扰和捕捉渐进冠层衰退的能力。

跨林分干扰检测性能：在干扰观测数据集上，NDVI获得最高F1分数（0.76），其次为NBR（0.74）和GBNDVI（0.73）。火灾干扰检测率接近或达到100%，严重水分胁迫达84%，病虫害为78%，霜冻最低为61%。NDVI对未受干扰林分的特异性为0.65，部分误检对应实地未报告的旱季植被指数显著下降。

与基准方法比较：FOCAL的F1分数（0.76）显著高于EWMA和MOSUM（0.63）、CCDC和CUSUM（0.61）以及SARIMA（0.45）。配对自助检验显示FOCAL与所有基准方法的F1分数差异的95%置信区间均排除零。CUSUM和MOSUM产生大量误报（特异性分别为0.21和0.39），EWMA和CCDC对渐进干扰（如水分胁迫和病虫害）敏感性较低，SARIMA在所有类别上均倾向于欠检测。

检测极限实验：在控制性死亡实验中，30×30 m斑块和全部9个12×12 m斑块于4月25日被标记异常，大部分12×12 m斑块于5月5日确认干扰。9个6×6 m斑块中仅4个被标记异常，但均未满足三次连续观测确认规则。单株处理从未被检测到。确认检测极限介于36–144 m2之间，相当于0.36–1.44个标称10-m Sentinel-2像素。

五、讨论与结论

讨论部分指出，FOCAL的情境分位数基线为高度非平稳人工林中的干扰检测提供了优于经典谐波或自回归模型的替代方案。检测性能因干扰类型而异，反映了其光谱表达和空间足迹的差异：火灾和严重水分胁迫产生强烈且持续的冠层影响，检测率高；霜冻和病虫害常造成异质或中度冠层损伤，且可能伴随再发叶或萌发，缩短光谱异常持续时间，检测率较低。NDVI表现最佳可能是因为叶子和叶绿素损失产生跨干扰类型的共同红–近红外响应，而红边和短波红外指数捕获更多过程特异性响应且依赖20-m波段，可能降低对小面积或异质损伤的敏感性。太阳–传感器几何对预测有显著贡献，尤其在冠层闭合前，若不加以考虑，方向反射效应可能被误判为异常。近期VI历史（RFd）比过去窗口中位数（RFm）更能有效表征近期冠层状态，使基线适应林分内与土壤、生长延迟、边界像素或局部事件相关的变异。研究建议在持续云覆盖区域可结合多传感器数据（如Landsat、Planet）或雷达影像以减少数据缺口。

研究结论为：FOCAL通过整合近期时间信息与情境预测因子，能够准确表征短轮伐期桉树人工林的非平稳未受干扰植被动态，并在干扰检测性能上显著优于五种常用基准方法。该方法可检测小至12×12 m的死亡斑块，适用于区域尺度大面积人工林的近实时干扰监测，为可持续森林管理提供了可靠的操作性工具。