《Environmental Modelling & Software》：FIALab: an application for analyzing, mapping, and modeling forest attributes from the U.S. Forest Inventory and Analysis database
编辑推荐：
•FIALab 是一款免费的桌面应用程序，无需安装即可处理美国农业部森林资源调查数据。•七个模块整合了样地分析、制图、生长、健康、气候和碳分析。•FIALab 降低了 FIA 数据在管理、研究和教育中应用的门槛。引言国家森林资源清查为评估森林面积、组成、状况和变化提供了实证数
- •
FIALab 是一款免费的桌面应用程序，无需安装即可处理美国农业部森林资源调查数据。
- •
七个模块整合了样地分析、制图、生长、健康、气候和碳分析。
- •
FIALab 降低了 FIA 数据在管理、研究和教育中应用的门槛。
引言
国家森林资源清查为评估森林面积、组成、状况和变化提供了实证数据，可量化碳储量与碳通量，支持森林管理和资源规划，以及政策制定（Zhao 等，2025）。在美国，美国农业部林业局的森林资源清查项目通过年度化的概率抽样设计和基于设计的估计框架开展国家森林资源清查（Bechtold 和 Patterson，2005；Westfall 等，2022）。该项目维护着一个空间平衡的永久地面样地网络，分布在约 2,403 公顷的六边形抽样框架内，样地被分配到不同面板中，每年测量一部分样地（Westfall 等，2022）。在野外调查样地，调查队按照统一的核心规程收集土地利用、土地覆盖、立地特征、森林状况和单木的标准测量数据。这些观测数据被整合在森林资源清查数据库中，为森林资源清查数据的存储提供标准化框架，并通过 FIA 数据集市公开这些数据（Burrill 等，2024a）。该数据库支持在广泛的时空尺度上进行基于设计的森林面积、组成、生物量、碳储量、生长、采伐、死亡及相关属性的估计（Wei 等，2025）。
然而，森林资源清查数据库的关系结构和抽样设计的复杂性可能会限制缺乏数据库查询、编程或基于设计估计经验的研究人员和实践者的直接应用（Frescino 等，2022；Frescino 等，2023；Stanke 等，2022）。该数据库将样地、状况、树木和总体估计记录存储在多个相互关联的表中。生成总体层面的估计（例如全州活立木碳储量）需要用户选择适当的清查评估，链接相关测量表和总体估计表的记录，考虑样地和状况结构，计算样地层面的贡献，将样地分配到估计单元和分层中，并在后分层估计框架内应用各分层的扩展因子和非响应调整因子（Pugh 等，2018）。这些数据管理和统计要求构成了巨大的分析负担，且很大程度上独立于基础的生态或森林管理问题。
已开发出若干程序化工具以方便熟悉编程的用户获取该数据库。R 语言的包实现了多种基于设计的估计器，支持在用户定义的空间、时间和生物物理域上进行估计，并已针对官方估计值和相关抽样误差进行了验证（Stanke 等，2020）。该数据库的应用程序编程接口提供了对总体估计和抽样误差的脚本化访问（Burrill 等，2024b），而基于 Python 的工具（如 PyFIA）支持数据处理、统计分析、空间可视化、栅格制图、气候数据获取以及森林生物量动态分析（Wei 等，2026）。尽管这些工具提供了很大的分析灵活性，但它们通常要求用户熟悉 R 或 Python 语言、脚本工作流，以及软件环境和依赖项的管理。这些要求可能会限制主要专长在于森林管理、推广、保护、政策或教育的人员的使用。EVALIDator 通过浏览器提供了对标准和自定义总体估计的访问，包括州级和圆形地理域的估计。然而，该应用程序主要用于表格形式的总体估计，不提供集成的样地层探索、基于栅格的空间分析、插值或其他环境数据关联环境。因此，一个易于使用、无需编码的平台，整合 FIA 数据处理、分析、可视化和空间制图，将扩大 FIA 数据的应用范围。
在本研究中，我们开发了 FIALab，一个免费的、跨平台的桌面应用程序，用于 FIA 数据处理、分析、可视化和建模。FIALab 建立在 PyFIA（Wei 等，2026）基础上，这是一种主要用于脚本分析的 Python 程序，但通过图形化桌面环境进行了扩展，支持无需编程专业知识或手动管理软件依赖项即可直接进行 FIA 数据分析。FIALab 还通过提供更多样地层森林属性分析和森林健康与干扰评估、树木生长分析以及异速生长分析的专用功能，扩展了 PyFIA 的分析范围。本研究的目的是：1）描述应用程序架构和七个功能模块；2）总结 FIALab 中纳入的基于设计的估计流程；3）使用美国缅因州的全州数据演示完整分析工作流，并使用佐治亚州数据评估其更广泛的适用性。
章节摘要
设计与应用
FIALab 使用 Python 3.12 和 PyQt6 图形工具包开发。数据组织、筛选、汇总和表格计算通过 pandas（McKinney，2011）和 NumPy（Harris 等，2020）完成。SciPy 提供空间插值、非线性曲线拟合及相关统计计算的数值方法（Virtanen 等，2020），而 Matplotlib 支持图形可视化（Hunter，2007）。地理空间处理依赖于 GeoPandas、rasterio、pyproj 等。
样地层结构与组成
我们使用 FIALab 对缅因州 2019-2023 年清查周期的全州数据进行了分析，缅因州是美国森林覆盖率最高的州之一。我们进一步使用佐治亚州的数据评估了 FIALab 的适用性，佐治亚州在森林组成、气候和管理条件方面与缅因州存在差异。
未应用任何树种或森林覆盖筛选条件，因此缅因州的所有有林样地均被包含。结构特征汇总使用最小直径 12.7 厘米（5 英寸），这是常规的
讨论
FIALab 通过提供介于基于浏览器的估计工具和程序化库之间的分析选项，补充了现有的 FIA 软件生态系统。EVALIDator 通过 Web 界面提供对官方总体估计和抽样误差的直接访问，但对集成样地层探索、任意空间域、空间插值以及与其他环境数据的分析支持有限。程序化工具，包括 rFIA（Stanke 等，2020）等。
结论
FIALab 通过提供无需编码的图形化环境，扩展了美国国家森林资源清查的分析能力访问范围。该应用程序整合了基于设计的森林碳储量、生长、采伐和死亡估计，样地层森林属性分析，森林健康与干扰评估，空间制图，插值以及气候-森林分析。输出结果包括抽样不确定性，可导出用于进一步分析和报告。
生成式 AI 及 AI 辅助技术在论文撰写过程中的声明
在开发 FIALab 过程中，作者使用 Anthropic Claude 协助开发图形化桌面应用程序，并使用 OpenAI ChatGPT 改进语言流畅度和可读性。所有 AI 生成的代码和文本均经过作者的审阅、修改、测试和验证。作者对软件及文章内容承担全部责任。
CRediT 作者贡献声明
韦鑫源：审稿与编辑，初稿撰写，监督指导，软件，项目管理，资金获取，正式分析，概念化。赵建恒：审稿与编辑，初稿撰写，软件，正式分析，概念化。Adam Daigneault：审稿与编辑。Daniel Hayes：审稿与编辑，监督指导，项目管理，资金获取。Aaron Weiskittel：审稿与编辑，资金获取。
利益冲突声明
? 作者声明没有已知的财务利益或个人关系可能影响本文所报告的工作。
致谢
本研究获得了美国农业部林业局 东北州研究合作计划（24-DG-11242311-081）；NASA 碳监测系统（80NSSC25K7219）；缅因太空赠款联盟研究与科技种子基金（SG-27-03）；以及美国农业部国家食品与农业部 可持续农业系统项目（2023-68012-38992）的资助。
Jianheng Zhao|Xinyuan Wei|Daniel Hayes|Adam Daigneault|Aaron Weiskittel
