《Land》:Selective Logging-Related Land-Cover Class Discrimination in the Brazilian Amazon with Landsat-8 and Sentinel-2 Products
编辑推荐:
选择性伐木是巴西亚马逊森林退化的重要组成因素。通过卫星影像检测和制图仍具挑战性,因为选择性伐木相关的空间特征通常为小尺度、空间异质且短暂的森林干扰。本研究评估了Sentinel-2 MSI(多光谱成像仪)影像(10 m和20 m分辨率)以及Landsat-8
选择性伐木是巴西亚马逊森林退化的重要组成因素。通过卫星影像检测和制图仍具挑战性,因为选择性伐木相关的空间特征通常为小尺度、空间异质且短暂的森林干扰。本研究评估了Sentinel-2 MSI(多光谱成像仪)影像(10 m和20 m分辨率)以及Landsat-8 OLI(陆地成像仪)影像(30 m和全色锐化15 m分辨率),结合随机森林(Random Forest, RF)算法,对2017年巴西亚马逊马托格罗索州与选择性伐木相关的土地覆盖类别进行区分的能力。得到的分类图被用于表征Deter系统(巴西实时森林退化监测系统)的选择性伐木警报以及可持续森林管理计划(Sustainable Forest Management Plans, SFMP)区域。10 m分辨率的Sentinel-2获得了最高总体精度,而基于Landsat的产品倾向于估算更大的裸露土壤面积,部分情况下还包括再生区域。Deter多边形显示出比SFMP区域更高的裸露土壤和退化比例,以及更低的剩余森林覆盖,表明Deter警报往往捕捉到可见森林干扰的更高级阶段。总体而言,结果表明各评估产品间的总体精度差异较小,但类别特定性能和空间表征模式对于解释亚马逊地区选择性伐木相关干扰仍很重要。
论文解读文章
**研究背景与问题**
巴西亚马逊地区的森林退化由多种过程驱动,其中选择性伐木(selective logging)起着重要作用,影响森林结构、生物多样性、碳储量和生态系统功能。然而,其影响往往不如皆伐(clear-cut)那样视觉明显,却能引发退化轨迹,增加森林对火灾、重复干扰和长期生物量损失的脆弱性。以往研究表明,巴西亚马逊的森林退化在空间范围上可能超过皆伐,凸显了改进监测和表征退化过程(包括选择性伐木)方法的必要性。目前,基于Landsat影像的历史存档支持着大尺度森林监测,而Sentinel-2等新型传感器提供了更精细的空间细节和高重访频率。尽管如此,选择性伐木的制图仍面临挑战:相关特征通常尺度小、空间破碎、光谱异质,受干扰区域可能在同一像元内包含裸露土壤、树冠损伤、残余森林和再生植被,增加了类别重叠和混合像元效应。此外,植被恢复会迅速降低干扰的光谱可见性,而持续云层覆盖限制了有效观测窗口内无云光学影像的可用性。现有的DEGRAD、DETEX和Deter等系统主要用于近实时监测和执法支持,但未能详细描述选择性伐木区域的土地覆盖类别组成。更细致的分类有助于改进干扰强度评估及生物量损失与碳排放的估算。因此,区分裸露土壤(如集材场、道路、集材道)、退化森林(由连带损伤导致)、再生和残余森林等类别,对运营和生态解释均具有重要意义。本研究旨在评估广泛可用的光学影像产品(Sentinel-2和Landsat-8)在操作化制图条件下,对选择性伐木相关土地覆盖类别进行年度区分的有效性,并利用分类图表征Deter警报和可持续森林管理计划(SFMP)区域内的组成。
**研究人员开展的研究、结论与意义**
研究人员利用2017年10月获取的Landsat-8 OLI(30 m和全色锐化15 m)和Sentinel-2 MSI(10 m和20 m)影像,在巴西亚马逊马托格罗索州中部地区,采用随机森林(RF)算法对与选择性伐木相关的六种土地覆盖类别(裸土1 BS1、裸土2 BS2、退化DG、火烧森林BF、森林FO、再生RG)进行分类。通过单一视觉解译参考样本集(3528个点,70%训练/30%验证),生成四种产品的分类图,并计算总体精度(OA)、用户精度(UA)和生产者精度(PA)。随后,将分类图与Deter选择性伐木多边形和SFMP矢量数据相交,分析官方警报和授权管理区内的地类组成。结论表明:所有产品均获得高总体精度(93.2%–95.4%),但10 m Sentinel-2(ST10)在类别特异性精度上表现最均衡,而Landsat产品倾向于高估裸露土壤和再生面积(部分受残留大气薄雾影响)。Deter多边形内裸露土壤和退化比例高于SFMP区域,而剩余森林覆盖更低,表明Deter警报对应于更可见的干扰阶段。该研究的意义在于:证实了精细空间分辨率光学影像(尤其是Sentinel-2 10 m)对改进选择性伐木土地覆盖分类的价值,为亚马逊森林退化监测提供了可操作的方法基础;同时揭示了Landsat-8 30 m产品在类别区分中仍具竞争力,但全色锐化并未带来一致优势。论文发表在《Land》期刊。
**主要关键技术方法**
研究采用了以下关键技术方法:① 影像预处理:对Sentinel-2 20 m波段重采样至10 m(ST10)及10 m波段重采样至20 m(ST20)以统一多光谱波段分辨率;对Landsat-8 30 m多光谱波段与15 m全色波段进行PanSharp算法融合生成LSF15产品,并几何配准至Sentinel-2 10 m镶嵌影像。② 排除掩膜:结合2018年Prodes(巴西官方森林砍伐数据)提取的已砍伐区域、手动矢量化的云/阴影及河岸森林环境,并外扩100 m缓冲区,以限定分类域为terra firma森林。③ 样本设计:通过视觉解译四个影像产品共同检查,收集3528个代表性点样本,按7:3随机分为训练集(2520点)和验证集(1008点)。④ 分类器:采用随机森林(RF)算法(ntree=500,mtry=2),对四种产品独立分类。⑤ 精度评估:基于混淆矩阵计算总体精度(OA)、用户精度(UA)、生产者精度(PA)及95%置信区间。⑥ 后分类分析:将分类图与Deter选择性伐木多边形及SFMP多边形相交,统计各类别面积占比。
**研究结果**
**3.1 分类结果与精度**
研究区面积约12,300 km2,经掩膜后有效分类面积约4,700 km2。所有产品中森林(FO)占主导(87.74%–89.23%),退化(DG)次之(5.24%–6.10%),再生(RG)变化较大(4.12%–5.95%),裸土(BS1+BS2)总计不足1.1%。总体精度(OA)范围:ST10 95.4%、LS30 94.4%、LSF15 93.8%、ST20 93.2%。95%置信区间重叠,表明产品间OA差异较小。类别特异性精度显示:ST10在用户精度和生产者精度上组合最均衡;火烧森林(BF)生产者精度最高但面积小;BS2(窄线性裸露土壤如道路、集材道)是所有产品中识别最难的类别,生产者精度最低;BS1与BS2之间混淆显著,尤其在较粗分辨率产品中;DG在LSF15中类别精度较高;FO和RG在所有产品中精度稳定。视觉比较中,Landsat产品因残留大气薄雾导致RG斑块更大、更聚集。
**3.2 Deter选择性伐木警报与SFMP区域表征**
2017年Deter选择性伐木多边形占分类面积约1.5%,SFMP区域占约8.1%。在Deter多边形内,森林(FO)仍为主(74.29%–77.54%),退化(DG)占17.22%–20.36%,Landsat产品(尤其LS30)估算的BS2和DG比例高于Sentinel-2产品,表明粗分辨率可能将细尺度干扰特征聚合到更宽的退化类别中。在SFMP区域内,森林比例更高(80%以上),裸露土壤和退化比例低于Deter多边形。Landsat产品在SFMP中部分区域出现BF或BS2,与未完全掩除的残留云阴影有关。Deter与SFMP重叠区域同样呈现DG和BS2特征,所有产品均能捕捉选择性伐木的典型空间模式。
**讨论与结论**
讨论部分指出:总体精度相似时,类别特异性精度和地图衍生的类别比例提供了更有效的产品间比较基础。ST10在区分共存于伐木干扰区的类别(如BS2、DG、RG)方面具有最佳一致性,这与精细空间分辨率改善小尺度异质特征检测的预期一致,并支持Lima等(2019)关于Sentinel-2改进树冠影响识别的报告。BS2的低生产者精度反映窄线性裸露土壤在中等分辨率光学影像中的普遍识别困难,全色锐化(LSF15)并未改善此问题。Landsat产品中RG的高估部分归因于残留光学薄雾,而非纯空间分辨率差异。研究还强调:排除河岸森林等潜在混淆区域、采用单时相影像及操作化分类框架的局限性,建议未来结合多时相数据、植被指数(如NDVI)和光谱混合模型提升类别区分度。Deter与SFMP的对比表明分类图能有效反映干扰结构差异,但不应视为管理绩效的直接评估。
**研究结论翻译**
选择性伐木在光学卫星影像中仍难以检测和表征,因为它产生小尺度、异质且短暂的干扰特征。本研究比较了四种光学影像产品(Sentinel-2 10 m及20 m,Landsat-8 30 m及全色锐化15 m)对2017年巴西亚马逊马托格罗索州中部地区与选择性伐木相关的土地覆盖类别的分类结果。所有四种产品的分类模型均达到高总体精度,但10 m Sentinel-2导出的土地覆盖分类在评估条件下展现了最一致的类别特定性能,在各类别间实现了更均衡的用户精度和生产者精度组合。尽管产品间总体精度差异较小,但类别特异性分析揭示了更有意义的区别:基于Landsat的产品倾向于估算更大的裸露土壤面积,并在部分场景中估算更大的再生斑块(后者可能与残留大气薄雾有关),表明粗空间分辨率和预处理局限性均可能影响选择性伐木相关干扰模式的表征;相比之下,10 m Sentinel-2的土地覆盖分类更能表现干扰区域的内部异质性,尤其是与窄基础设施特征和混合树冠损伤相关的类别。涉及再生(RG)类的解释应谨慎,因其对残留大气效应和单时相光学影像的固有限制均敏感。30 m原始Landsat产品在多个类别上仍具竞争力,总体性能优于ST20和全色锐化Landsat产品,表明Sentinel-2的优势在其原生10 m空间分辨率得以保留时最为明显。将分类图与Deter选择性伐木警报和可持续森林管理计划(SFMP)区域相交后显示:Deter多边形倾向于包含更高比例的裸露土壤和退化森林,以及更低的剩余森林覆盖,表明Deter警报更多与森林干扰的可见高级阶段相关。总体而言,结果证明了精细空间分辨率光学影像(尤其是10 m Sentinel-2)对于改进亚马逊地区选择性伐木相关土地覆盖分类和森林干扰监测的价值。