森林面積多階遙感監測方法*

張煜星 王雪軍 黃國勝 黨永峰 陳新云

(國家林業局調查規劃設計院 北京 100714)

森林面積多階遙感監測方法*

張煜星 王雪軍 黃國勝 黨永峰 陳新云

(國家林業局調查規劃設計院 北京 100714)

【目的】 從林業數據采集的迫切需求出發，采用遙感技術實現森林資源數據的快速年度出數，以及時掌握區域森林資源變化信息。【方法】 建立遙感3階抽樣與地面調查技術相結合的森林資源遙感監測技術體系，并以遼寧省為例，利用2013—2014年高、中、低多源遙感數據，進行基于多階抽樣的省級森林面積監測方法實踐。【結果】 遙感結合地面樣地實測，建立了地面樣地與高分樣地，高、中分樣地以及中、低分樣地的森林面積回歸模型，其模型確定系數(R2)分別為0.99、0.91和0.70，模型精度較高； 基于3階分層抽樣的遙感監測方法得到遼寧省2014年森林面積預測值為590.83×104hm2，森林覆蓋率為40.54%，略高于清查結果(40.49%)； 從抽樣精度來看，采用分層抽樣方法得到的森林面積最為可靠，抽樣精度達99%以上； 通過精度分層控制，基于MODIS NDVI閾值法制作了遼寧省森林分布圖，實現了遼寧省森林面積和空間分布的年度產出。【結論】 基于遙感抽樣與地面調查技術相結合的森林面積多階遙感監測方法可行，既可提高監測成果的時效性，又能縮短成果產出周期，具有很好的應用前景，可為下一步建立全國遙感監測體系提供重要的技術支持。

多階抽樣； 遙感監測； 判讀區劃； 森林面積； 年度監測

森林資源變化的精準快速監測，長期以來一直是學術界的研究焦點。現今，國內外廣泛采用遙感技術和地面抽樣相結合的方法來監測森林資源(Scott， 1998； Roganetal.， 2002； Tuominenetal.， 2005； R?deretal.， 2008； Fraseretal.， 2009)，遙感可為地面抽樣調查提供詳細的抽樣框和分層信息，提高抽樣調查效率，而地面抽樣調查可為遙感提供充分的地面數據和驗證依據。如美國國家農業統計局(NASS)實踐了空間統計抽樣方法與遙感監測技術相結合的多樣框抽樣調查，歐盟MARS計劃利用分層系統抽樣方法選擇遙感影像(Chhikaraetal.， 1985； MacDonaldetal.， 1980； 胡如忠等， 2002)，結果發現遙感技術和抽樣相結合不僅可以減小調查難度，快速獲取地類信息，而且還可以降低調查成本，對提高監測精度和效率具有重大意義(李連發等， 2004； Muukkonenetal.， 2007)。

在森林資源調查與監測方法研究方面，美國利用航空照片、衛星圖像與3階抽樣設計相結合的方法來獲取全國森林資源數據，加拿大利用遙感大樣地結合森林經營檔案和其他輔助信息源分層抽樣的方式以達到清查森林資源的目的(Gillisetal.， 2005)。巴西、澳大利亞等國也提出了基于多階抽樣設計的全國森林資源監測體系框架。聯合國糧農組織(FAO)在2010年全球森林資源評估中，采用大樣地設計和遙感區劃調查相結合的方式獲取地類面積等因子(Smith， 2002； Gillisetal.， 2005)。我國也有很多學者利用遙感技術進行森林資源監測方法的探索研究(孫玉軍， 2007； 曾偉生等， 2012)，如利用遙感數據、不同時間調查地面樣地數據之間的關系，構造三相抽樣估計方法，以提高年度面積監測的估計精度(葛宏立等， 2007)； 采用大樣地雙重抽樣調查方法開展森林資源監測研究，探索森林資源監測的新途徑與協同不同森林資源數據的新方法(陳振雄等， 2014； 王雪軍等， 2015)； 采用多源、多級分辨率、多時相遙感數據結合地面調查數據，開展基于PPS抽樣技術的多級遙感監測方法研究，為建立區域森林資源年度出數提供了方法支持(王雪軍， 2013)。目前，雖然國內在有關森林資源年度監測方法等方面取得了進展，但是省級乃至全國性的森林資源年度遙感監測技術框架至今仍未建立。

近年來，我國提出實現國家和地方森林資源監測工作“一盤棋”、森林資源“一套數”、森林分布“一張圖”的管理目標(國家林業局， 2014)，不論是國家決策層面還是社會公眾層面，對及時掌握全國森林資源變化信息的需求愈加迫切。鑒于此，本文利用遼寧省2013—2014年多源遙感數據，探討建立以省(市、區)為總體的森林資源多階抽樣監測方法，以期實現全國和省(市、區)森林面積和空間分布的年度監測，進而為建立全國森林資源年度監測技術框架提供技術支持。

1 研究區概況與研究方案

1.1 研究區概況

遼寧省位于我國東北地區的南部(118°50′—125°46′E，38°43′—43°29′N)，屬暖溫帶季風大陸性氣候，年均降水量為714.9 mm，年均氣溫4～10 ℃。陸地總面積14.59萬km2，其中山地丘陵占62%、平原占30%、其他占8%。遼寧省土壤多為草甸土、褐色土、棕色森林土，植被兼有長白、蒙古和華北3種植物區系。

1.2 研究方案

1.2.1 體系框架 在全國森林資源遙感監測中，全部使用高分辨率影像數據，需求數量巨大，大面積數據獲取能力有限，而且數據處理工作量大、效率低，難以大規模生產應用； 而低、中分辨率數據具有重訪周期短、覆蓋面寬、獲取數據容易等優勢。因此，為提高監測的時效性和效率，有必要綜合應用高、中、低分辨率遙感數據。根據對遙感數據源空間分辨率的需求和國內外常用衛星數據源情況，可分為高、中、低3個級別：高分遙感分辨率在亞米級左右，即1 m以下； 中分遙感分辨率一般在2～30 m之間；低分遙感分辨率一般為100 m以上。遙感結合地面樣地實測，建立基于地面調查的森林資源高分辨率遙感監測模型，進而以地面調查控制高分辨率遙感監測精度，以高分辨率數據精度控制中分辨率遙感監測精度，以中分辨率遙感監測控制低分辨率遙感監測精度，提高森林遙感監測的整體精度。本文即按這一技術思路提出了多階遙感監測與地面調查相結合的森林資源遙感監測技術框架(圖 1)，用低分辨率遙感數據快速監測森林資源空間分布及變化信息，用中分辨遙感數據監測總體(以全國或省為總體)的森林資源變化，用高分辨率遙感數據監測區域森林資源主要類型的變化數據。一個總體(全國或省區)可以根據地理要素和森林資源分布區劃幾個副總體，分別副總體建立遙感監測模型，再采用分層抽樣技術進而建立總體的森林資源監測模型。具體為： 在副總體內，中、高分辨率數據遙感樣地和地面調查樣地采用機械抽樣方式布設，各階樣地面積相同、數量不等，精準匹配一定數量的樣地，分別建立森林資源的高分辨率遙感與地面實測、中與高、低與中分辨率遙感的監測回歸模型，實現精度分層控制，提高中、低分遙感數據的分類識別精度，對區域等大尺度快速獲取森林資源宏觀監測信息，對局部地區獲取精細分類信息，實現從全國、區域、地塊的多尺度森林資源遙感監測，為森林面積年度出數提供技術支撐。

圖1 森林資源多階抽樣遙感監測技術框架Fig.1 The framework of multi-level sampling approach remote sensing monitoring for forest resources

1.2.2 抽樣框架與樣地布設 本文提出基于3階抽樣的森林資源年度遙感監測體系，全國布設20 km×20 km網格23 638個，全國可以作為一個總體，分3階抽樣建立遙感監測體系，也可以省(直轄市、區)為總體，網格仍為20 km×20 km。本文以遼寧省為監測總體建立遙感監測體系如下： 第1階為覆蓋遼寧省的250 m MODIS低分辨率遙感數據，包括遙感制圖和網格抽樣，網格按20 km×20 km布設，遼寧省共376個網格，以獲取總體內森林資源空間分布信息和變化趨勢，并進行森林資源遙感制圖； 第2階為2～5 m(優于5 m)的中分辨率遙感樣地(以下簡稱中分樣地)，其建立在系統分布的20 km×20 km網格中心，按4 km×4 km布設遙感樣地，共376個進行判讀解譯； 第3階為亞米級的高分辨率遙感樣地(以下簡稱高分樣地)，同樣建立在20 km×20 km網格內，按4 km×4 km布設遙感樣地，機械抽取不少于1/6的遙感樣地作為判讀解譯樣地，并同時布設坐標相匹配的地面調查遙感驗證樣地(地面樣地)，樣地面積仍為4 km×4 km，進行全樣地實測調查，或在樣地內設置小樣地進行驗證調查,小樣地數量和大小(如26 m×26 m、100 m×100 m等)可以根據各類總體的情況按所需調查抽樣精度研究確定。遼寧省共抽取66個亞米級高分樣地，相應設置66個4 km×4 km地面樣地，并全部進行森林資源地面核實調查； 同時，鑒于遼寧省地形特征和森林資源分布特點，采取分層抽樣方式，提高抽樣效率，具體分為東部山區和中西部平原2個副總體(圖2)，2個副總體抽樣方法相同，分別建立森林資源監測模型。

圖2 遼寧省大樣地布設方案Fig.2 Sample layout scheme in Liaoning Province

1.3 森林面積估計方法及精度計算

本文森林面積估計通過建立中分樣地判讀數據、高分樣地判讀數據和地面樣地調查數據三者的二步回歸方法來實現。

第1步： 建立地面驗證樣地判讀數據與高分遙感樣地判讀數據之間的回歸方程。以地面樣地的某地類實測面積數z為因變量，對應高分樣地數據的某地類判讀面積數x為自變量，建立回歸方程：

(1)

式中：a、b為參數，下同。

通過

(2)

(3)

根據

(4)

計算總體某地類的面積估計值：

(5)

(6)

(7)

(8)

面積估計值的抽樣精度為：

(9)

用成數表示，該省某地類的成數估計值為：

(10)

式中：A為該省的國土總面積，其方差為：

(11)

如總體分層，則采用以下公式計算抽樣精度。設有t個層，各層的面積權重為w1,w2,…,wt。計算各層樣本均值、標準誤：

(12)

總體面積均值的估計為：

(13)

其方差為：

(14)

估計值的抽樣精度為：

(15)

1.4 森林分布遙感制圖

本文利用遼寧省2014年全年生長季(5—10月)合成MODIS NDVI產品，通過NDVI閾值法提取遼寧省森林空間分布信息，因此，NDVI閾值的確定，是能否有效提取森林資源空間分析的關鍵。本文通過計算森林指數(FIp)和中分樣地內森林面積與低分樣地回歸模型的確定系數(R2)來綜合確定MODIS NDVI閾值。

同理，將4 km×4 km的中分樣地森林面積數據作為主要變量，即因變量y，將同范圍內低分(MODIS 數據)樣地采用閾值法提取的森林面積數據作為輔助變量，即自變量x，設樣地數為n，根據數據(yi,xi)(i=1,2,…,n)，建立線性回歸方程：

yi=a+bxi。

(16)

森林指數(FIp)計算公式為：

(17)

(18)

式中： FIp為森林指數，值越小，說明閾值法提取的森林面積越接近區域估計值； FApi為每個遙感樣地中中分樣地和低分樣地森林面積的差值；N為樣地個數。

2 數據收集與處理

2.1 數據收集與處理

數據收集(表1)與處理包括： 對遼寧省范圍內的中、高分辨率遙感影像，以控制點數據和DEM為基礎，對全色影像和多光譜影像進行正射糾正，經融合、鑲嵌、整飾生成正射影像； 從全國森林植被宏觀監測項目中收集2014年全年MODIS數據合成植被生長季(6—10月)NDVI數據集。該數據集根據MODIS第1、2波段記錄的地物波譜反射率，利用NDVI反演模型，估算NDVI值，采用最大值合成法(MVC)，形成逐日MODIS NDVI數據。再運用LMF濾波算法(王雪軍等, 2011)，根據NDVI年內呈正弦變化規律，通過分析比較相鄰連續多期同一像元的植被指數值，確定云、霧等對像元NDVI的影響時間，并采用內插或外延法去除異常值，對全年以10天1個周期合成NDVI作進一步去云、霧處理，形成每月3次1年共計36次逐旬NDVI數據集，按每月3旬數據合成全年12個月產品。

表1 不同時間多源遙感影像數量①

① 02C:資源衛星02C Resource satellite 02C； ZY3:資源衛星三號Resource satellite No.3； GF1:高分1號High resolution No.1； WV:Worldview;PL:PLEIADES.

2.2 遙感判讀及核查

2.2.1 判讀區劃 對已裁切的中、高大樣地遙感影像，采用面向對象方法，借助遙感影像區劃軟件，按照影像的色彩、紋理、地勢地貌等特征進行區劃圖斑解譯，提取主要土地覆蓋類型和森林分布初步結果(具體技術流程見圖3)。在此基礎上，利用相關地學資料、固定樣地調查和林地“一張圖”等方面資料，結合專家經驗，建立不同森林類型和非森林解譯標志，采用“雙軌制”目視判讀或計算機輔助對比分析方法，判讀區劃出大樣地范圍內森林和非森林等地類(森林圖斑塊最小面積為0.067 hm2)，通過圖斑歸并、分割、重新區劃等手段，經現地反復核實調查后，再認真分析、綜合考慮，最終形成森林地塊判讀區劃結果數據庫。

2.2.2 現地核實調查 按66塊亞米級高分樣地設置相同面積的地面樣地，在樣地內進行逐圖斑地塊地類核實調查，根據現地核實情況對大樣地內遙感判讀區劃各地類圖斑界線以及變化圖斑的位置、界線進行確認或修改，并轉錄或填寫各圖斑核實調查屬性記錄表，構建地面樣地調查數據庫，以此作為高分樣地與地面樣地之間回歸模型研建的基礎。

3 結果與分析

3.1 模型建立

3.1.1 高分樣地與地面調查樣地的回歸模型 根據66塊高分樣地解譯的森林面積與地面調查樣地數據，分別按全省、東部山區總體和中西部平原總體建立回歸估計模型(圖4)。由圖4可知，高分樣地森林面積與地面調查樣地森林面積的相關性較高，回歸模型確定系數(R2)均在0.97以上。

圖3 影像分割與分類流程Fig.3 Flow chart of image segmentation and classification

圖4 地面驗證樣地與高分樣地的回歸模型Fig.4 Regression model of filed measured plots and high resolution plots

3.1.2 中分與高分樣地的回歸模型 根據66塊高分樣地與中分樣地數據，分別按全省、東部山區總體和中西部平原總體建立回歸估計模型(圖5)。由圖5可知，高分樣地與中分樣地森林面積的相關性較高，尤其是東部山區總體，回歸模型確定系數(R2)最高，達0.91以上。這是因為東部山區與中西部相比，大樣地內森林覆蓋率較高，分布較為集中， 加上東部山區各種遙感影像判讀的一致率要明顯高于中西部，所以回歸模型確定系數(R2)東部山區要高于中西部。

3.1.3 低分與中分遙感樣地的回歸模型 通過計算森林指數(FIp)和中分樣地內的森林面積與低分樣地回歸模型的確定系數(R2)來確定NDVI閾值。全省不分層時，當森林指數(FIp)最小和確定系數(R2)最大，MODIS閾值為0.47左右，見圖6。

分層抽樣時，當森林指數(FIp)最小和確定系數(R2)最大，東部山區總體的MODIS閾值為0.50左右，見圖7；中西部平原總體的MODIS閾值為0.46左右，見圖8。

通過以上對MODIS數據NDVI閾值的確定，分別統計各閾值下覆蓋遼寧省376塊4 km×4 km低分樣地的森林面積數據，與同范圍內中分樣地的森林面積建立回歸模型，見圖9。

3.2 森林面積估計

通過系統抽樣和分層計算，分別統計出高、中、低遙感數據遼寧省森林面積的估計值和抽樣精度，見表2。從抽樣精度來看，采用分層抽樣明顯優于系統機械抽樣。

因最新的遼寧省森林資源清查數據是2010年發布的，森林覆蓋率為38.24%，森林面積為557.31萬hm2，森林面積(2005—2010年)年均增長率為1.34%，而本文為2014年結果，因此為了便于比較分析，根據張煜星(2007)的研究，以2010年森林面積為底數，根據2010—2014年造林面積總和與2006—2010年造林總面積之比，再乘以2005—2010年森林面積增長率，以此計算得到2014的森林面積。據統計，2010—2014年和2006—2010年人工造林保存合格面積總和之比為1.1，因此2014年森林面積預測值為557.31×(1+1.1×4×1.34%)=590.17萬hm2，森林覆蓋率為40.49%。

本文通過高、中、低遙感數據得到的森林面積結果與2014年森林面積預測值相比(表3)，中分樣地分層得到的森林面積為590.83萬hm2，與2014年森林面積預測值最為接近，二者僅相差0.11%。通過低分遙感數據反演得到的森林面積也較為可靠，與2014年森林面積預測值相差不超過5%。總體來說，通過分層多階抽樣的遙感監測方法得到的森林面積結果較為可靠。

3.3 森林分布圖制作

根據以上閾值分別對遼寧省森林空間分布信息進行提取，制作遼寧省森林分布圖，結果見圖10。與2010年遼寧省第八次森林資源清查產生的森林分布圖(圖11)相比，本文得到的森林分布圖與其基本一致，通過分層控制閾值法提取的遼寧省森林分布信息結果與2010年森林分布圖空間分布一致率為88.1%，而全省不分層提取的結果一致率為84.7%，因此采用分層抽樣方式得到的結果要優于不分層抽樣提取的結果。

圖5 高分與中分樣地的回歸模型Fig.5 Regression model of high resolution plots and medium resolution plots

圖6 全省不分層森林指數(FIp)和確定系數(R2)分布Fig.6 Distribution of FIp and R2 in the whole province

圖7 東部山區總體森林指數(FIp)和確定系數(R2)分布Fig.7 Distribution of FIp and R2 in the eastern mountain area

圖8 中西部平原總體森林指數(FIp)和確定系數(R2)分布Fig.8 Distribution of FIp and R2 in the central and western plain area

圖9 中分與低分樣地的回歸模型Fig.9 Regression model of medium resolution plots and low resolution plots

表2 森林面積估計值及抽樣精度統計

表3 不同調查體系下森林面積比較統計

4 討論

遙感對地觀測手段具有覆蓋地區全面、即時獲取變化信息、宏觀性、近實時性和綜合性的特點，能夠實現森林資源實時快速監測、分析和評價。本文認為，高分辨率遙感數據處理工作量大，數據獲取難，不宜全覆蓋總體；如在條件許可的情況下，用高分辨率數據全面覆蓋總體，遙感監測可不再需求中、低分辨率數據。部分使用高分辨率數據的主要作用在于控制中分調查精度，降低調查成本，提高調查效率，逐步通過幾年的實踐，建立一個大樣本模型并逐漸穩定，以實現建立遙感監測技術體系。同時認為，建立全國統一的遙感監測技術體系勢在必行，本文提出的基于遙感3階抽樣與地面調查技術相結合的森林資源監測方法科學、經濟，充分發揮了遙感技術的優勢，提高了遙感數據的應用效率，提升了森林資源變化的快速精準監測能力，也在一定程度上彌補了地面實測法調查時間長、工作量大、存在特殊對待風險等缺陷，為下一步建立全國遙感監測技術體系提供了重要的技術支持。因本方法尚未涉及森林資源年度動態變化監測結果測試對比，因此如何提高森林動態變化監測精度，真正實現時間序列的年度出數，將是下一步的研究重點。此外，改進采用單一NDVI閾值提取森林植被宏觀信息方法，并克服大尺度低分遙感數據因存在混合像元和同物異譜、異物同譜(排除農作物的干擾)等而帶來的森林類型識別誤差，提高大尺度森林類型的空間分布精度，也是下一步有待解決的問題。

5 結論

本文以滿足及時、快速、精準獲取森林資源信息的需求，研究建立了多階遙感監測與地面調查相結合的森林資源遙感年度監測技術體系，并以遼寧省為例，利用2013—2014年高、中、低多源遙感數據，進行了基于多階抽樣的省級森林面積監測方法實踐，得到如下結論：

1) 遙感結合地面樣地實測，建立了地面樣地與高分樣地，高、中分樣地以及中、低分樣地的森林面積回歸模型，其模型確定系數(R2)分別為0.99、0.91和0.70，模型精度較高。

2) 基于3階分層抽樣的遙感監測方法得到遼寧省2014年森林面積預測值為590.83萬hm2，森林覆蓋率為40.54%； 同時通過精度分層控制，基于MODIS NDVI閾值法制作了遼寧省森林分布圖，實現了遼寧省森林面積和空間分布的年度產出，提高了監測成果的時效性，縮短了成果產出周期。

3) 與清查結果相比，本研究高、中、低遙感數據估測結果均存在一些“高估”現象，但都在控制精度要求之內； 從抽樣精度來看，采用分層抽樣方法得到的森林面積最為可靠，抽樣精度可達到99%以上。

陳振雄，熊智平，曾偉生，等. 2014. 基于大樣地雙重抽樣方法的廣東省森林資源監測研究.中南林業調查規劃, 33(3):28-33.

(Chen Z X,Xiong Z P, Zeng W S,etal.2014. Forest resources monitoring based on double sampling with large plot in Guangdong. Central South Forest Inventory and Planning, 33(3):28-33. [in Chinese])

李連發,王勁峰,劉紀遠. 2004.國土遙感調查的空間抽樣優化決策.地球科學：中國科學D輯, 34(10):975-982.

(Li L F, Wang J F, Liu J Y. 2004. Optimization decision of spacial sampling in remote sensing survey. Science in China Ser: D Earth Sciences, 34(10):975-982. [in Chinese])

胡如忠,劉海啟.2002.遙感技術應用與歐美農作物估產. 北京:氣象出版社, 69-82.

(Hu R Z, Liu H Q. 2002. Application of remote sensing technology for crop yield estimation in Europe and US. Beijing: China Meteorological Press,69-82.[in Chinese])

葛宏立，周國模，張國江，等．2007. 遙感地面三相抽樣及其在森林資源年度監測面積估計中的應用．林業科學， 43(6)： 77-82．

(Ge H L,Zhou G M,Zhang G J,etal. 2007. RS-land three-phase sampling technique and its application to area estimation in annual forest inventory. Scientia Silvae Sinicae, 43(6)： 77-82.[in Chinese])

國家林業局.2014. 我院助力安徽省開展2014年度森林資源一體化監測.http://www.forestry.gov.cn//portal/hdy/s /1517/content-680149.html.

(State Forestry Administration.2014. Helping the integrated monitoring of forest resources for Anhui Province in 2014.http://www.forestry.gov.cn//portal/hdy/s /1517/content-680149.html.[in Chinese])

孫玉軍. 2007. 資源環境監測與評價.北京:高等教育出版社,142.

(Sun Y J. 2007. Monitoring and assessment of resources and environment.Beijing:Higher Education Press,142. [in Chinese])

王雪軍，孫玉軍.2011.基于遙感地學模型的遼寧省森林生物量和碳儲量估測.林業資源管理，(1)： 100-105.

(Wang X J. Sun Y J.2011. Study on forest biomass and carbon sequestration survey in Liaoning Province based on RS and genomic models. Forest Resources Management,(1):100-105[in Chinese])

王雪軍. 2013. 基于多源數據源的森林資源年度動態監測研究.北京:北京林業大學博士學位論文.

(Wang X J. 2013. Annual forest resources dynamic monitoring research based on multi-data source in the case of Anshan City.Beijing: PhD thesis of Beijing Forestry University. [in Chinese])

王雪軍，馬 煒，黃國勝，等.2015.基于遙感大樣地抽樣調查的森林面積監測.北京林業大學學報,37(11)： 1-10.

(Wang X J, Ma W, Huang G S,etal. 2007. Estimation of forest area by large plot interpretation and division based on remote sensing. Journal of Beijing Forestry University, 37(11)： 1-10. [in Chinese])

曾偉生,程志楚,夏朝宗. 2012. 一種銜接森林資源一類清查和二類調查的新方案.中南林業調查規劃, 31(3):1-4.

(Zeng W S, Cheng Z C, Xia C Z. 2012. A new scheme for coordinating continuous forest inventory with forest management inventory.Central South Forest Inventory and Planning, 31(3):1-4. [in Chinese])

張煜星.2007.人工造林對森林覆蓋率的貢獻分析.東北林業大學學報,35(3):76-78.

(Zhang Y X. 2007.Analysis on contribution of artificial afforestation to forest coverage.Journal of Northeast Forestry University,35(3):76-78. [in Chinese])

Chhikara R S, Lundgren J C,Houston A G, 1985. Corp acreage estimation using aLandsat-based estimator as an auxiliary variable.IEEE Transactions on Geoscience and Remote Sensing, 24(l):158-172.

Fraser R H, Olthof I, Pouliot D. 2009. Monitoring land cover change and ecological integrity in Canada’s national parks.Remote Sensing of Environment, 113(7):1397-1409.

Gillis M D, Omule A Y, Brieriey T. 2005. Monitoring Canada forests: the national forest inventory.The Forestry Chronicle, 81(2):214-221.

MacDonald R B, Hall F G. 1980. Global crop forecasting.Science, 208(4445):670-679.

Muukkonen P, Heiskanen J. 2007. Biomass estimation over a large area based on standwise forest inventory data and ASTER and MODIS satellite data: a possibility to verify carbon inventories.Remote Sensing of Environment, 107(4):617-624.

R?der A, Udelhoven T, Hill J,etal. 2008.Trend analysis of Landsat-TM and -ETM+ imagery to monitor grazing impact in a rangeland ecosystem in northern Greece.Remote Sensing of Environment, 112(6): 2863-2875.

Rogan J, Franklin J, Roberts D A. 2002. A comparison of methods for monitoring multi-temporal vegetation change using thematic mapper imagery.Remote Sensing of Environment, 80(1):143-156.

Smith W B. 2002. Forest inventory and analysis: a national inventory and monitoring program. Environmental Pollution, 116(S1):233-242.

Scott C T. 1998. Sampling method for estimating change in forest resources. Ecological Applications, 8(2):228-233.

Tuominen S, Penkkarinen P. 2005. Performance of different spectraland textural aerial photograph features in multi-source forest inventory.Remote Sensing of Environment, 94(2):256-268.

(責任編輯 石紅青)

Forest Area Remote Sensing Monitoring Using the Multi-Level Sampling Interpretation Approach

Zhang Yuxing Wang Xuejun Huang Guosheng Dang Yongfeng Chen Xinyun

(AcademyofForestInventoryandPlanning,StateForestryAdministrationBeijing100174)

【Objective】 It is the urgent requirement for forestry that forest resources data and changing information are quickly and effectively acquired by using remote sensing.【Method】 This study built forest resource monitoring approach by combining three levels sampling of remote sensing imagery and field surveying. We chose Liaoning Province as study area to assess our method by using multi-source remote sensing data with high, medium and low spatial resolution from 2013 to 2014.【Result】 Firstly, we obtained the forest area estimating model by combining separately filed measured plots and high, middle and low resolution remote sensing data. The performance of these three forest area regress model were evaluated and showed high precision(R2=0.99, 0.91, 0.70,respectively). Secondly, we estimated the forest area (590.83 million hectares) and forest coverage(40.54%) of Liaoning Province,respectively. The value of forest coverage is similar to that determined by forest resources inventory(40.49%), which proved that the proposed method in this study could obtain forest area with high precision(more than 99%). In addition, the forest distribution map of Liaoning Province was produced based on MODIS NDVI threshold value method . This study proposed a forest resource monitoring approach which can obtain annual forest area and distribution map of Liaoning Province.【Conclusion】 This research explored the method of remote sensing monitoring indices as an available technique. It would be helpful to monitoring forest resource because of the shortening forest monitoring result output cycle. The forest resource monitoring approach proposed in this paper should have a bright future of application and dissemination, and would provide important support for building remote sensing monitoring system of national forest resource.

multi level sampling； remote sensing monitoring； interpretation division； forest area； annual monitoring

10.11707/j.1001-7488.20170710

2016-01-08；

2016-06-29。

科技部對發展中國家科技援助項目(KY201402011)； 三峽后續工作科研項目“三峽庫區生態屏障區生態效益監測技術與評價方法研究”(2016K-1)。

S718.5

A

1001-7488(2017)07-0094-11

*王雪軍為通訊作者。