这是用户在 2024-9-18 21:35 为 https://app.immersivetranslate.com/pdf-pro/c748b85c-0392-483f-8dd4-789928a0993e 保存的双语快照页面,由 沉浸式翻译 提供双语支持。了解如何保存?


通过遥感、众包和粮农组织统计数据的协同作用,开发全球混合森林掩模

Dmitry Schepaschenko a,b a,b  ^("a,b ")^(**){ }^{\text {a,b }}{ }^{*}, Linda See a ^("a "){ }^{\text {a }}, Myroslava Lesiv a,c,d a,c,d  ^("a,c,d "){ }^{\text {a,c,d }}, Ian McCallum a ^("a "){ }^{\text {a }}, Steffen Fritz a ^("a "){ }^{\text {a }}, Carl Salk a,e a,e  ^("a,e "){ }^{\text {a,e }},Elena Moltchanova f f ^(f){ }^{\mathrm{f}}, Christoph Perger a a ^(a){ }^{\mathrm{a}}, Maria Shchepashchenko g g ^(g){ }^{\mathrm{g}}, Anatoly Shvidenko a a ^(a){ }^{\mathrm{a}}, Sergii Kovalevskyi h h ^(h){ }^{\mathrm{h}},Dmytro Gilitukha h h ^(h){ }^{\mathrm{h}}, Franziska Albrecht a a ^(a)^{\mathrm{a}}, Florian Kraxner a a ^(a){ }^{\mathrm{a}}, Andriy Bun i i ^(i){ }^{\mathrm{i}}, Shamil Maksyutov j j ^(j){ }^{\mathrm{j}}, Alexander Sokolov k k ^(k){ }^{\mathrm{k}},Martina Dürauer a a ^(a){ }^{\mathrm{a}}, Michael Obersteiner a a ^(a){ }^{\mathrm{a}}, Viktor Karminov b b ^(b){ }^{\mathrm{b}}, Petr Ontikov b,k b,k  ^("b,k "){ }^{\text {b,k }}
国际应用系统分析研究所,施洛斯广场 1 号,A-2361 拉克斯堡,奥地利

莫斯科国立森林大学,Institutskaya 1,141005,米季奇,俄罗斯

波兰科学院系统研究所,Newelska 6,01-447 华沙,波兰
d ^("d "){ }^{\text {d }} Lviv Polytechnic National University, St. Bandery 12, 79000, Lviv, Ukraine
南瑞典森林研究中心,瑞典农业大学,邮政编码:SE-230 53,阿尔纳普,瑞典

坎特伯雷大学数学与统计学院,私人邮政信箱 4800,基督城,8140,新西兰

俄罗斯林业继续教育研究所,Institutskaya 街 17 号,141200,普希金,莫斯科州,俄罗斯

乌克兰国家生命与环境科学大学,赫罗伊夫·奥博罗尼 15 号,03041,基辅,乌克兰
i ^("i "){ }^{\text {i }} Delft University of Technology, Stevinweg 1, 2628 CN, Delft, Netherlands
j j ^(j){ }^{j} 日本茨城县筑波市小野川 16-2,环境研究所全球环境研究中心,邮政编码 305-8506

中央森林清查企业 "ZentrLesProekt",扎沃茨卡亚街 10 号,141280,伊万捷耶夫卡,莫斯科州,俄罗斯


文章信息

 文章历史:

 收到日期:2014 年 3 月 5 日

修订版于 2015 年 2 月 9 日收到


接受日期:2015 年 2 月 12 日


2015 年 3 月 13 日在线可用

 关键词:

 森林覆盖

地理加权回归

 众包

 摘要


摘要 目前有多种全球和区域森林覆盖图可供使用,但在空间比较时,存在较大区域的不一致。此外,目前没有与联合国粮农组织(FAO)的森林统计数据一致的全球森林图。通过将这些不同的数据源整合为一个单一的森林覆盖产品,可以生成比单个输入层更准确的全球森林图,并且与 FAO 统计数据一致。在本文中,我们应用地理加权回归(GWR)将八种不同的森林产品整合为三个全球混合森林覆盖图,分辨率为 1 公里,参考年份为 2000 年。输入产品包括不同分辨率的全球土地覆盖和森林图,从 30 米到 1 公里不等,区域土地利用/土地覆盖产品的马赛克(如有),以及 MODIS 植被连续场产品。GWR 使用通过 Geo-Wiki 平台收集的众包数据进行训练,然后使用通过同一系统收集的独立数据集对混合图进行验证。 生成了三种不同的混合地图:两种与 FAO 统计数据一致,一种是国家级,另一种是区域级,还有一张独立于 FAO 的“最佳猜测”森林覆盖地图。独立验证显示,与各个输入数据集相比,“最佳猜测”混合产品的整体准确性最佳,为 93 % 93 % 93%93 \% 。全球混合森林覆盖地图可在http://biomass.geo-wiki.org获取。


© 2015 爱思唯尔公司。保留所有权利。

 1. 引言


森林覆盖了全球陆地表面的约 30 % 30 % 30%30 \% (FAO,2010a),占活生物量的超过 80 % 80 % 80%80 \% (Shvidenko 等,2005),并提供了超过 90 % 90 % 90%90 \% 的陆地生态系统碳汇(Le Quéré等,2013;Pan 等,2011),在全球碳循环中发挥着至关重要的作用。预计在全球变暖 > 2 C > 2 C > 2^(@)C>2^{\circ} \mathrm{C} 的情况下,森林将面临风险(IPCC,2007),广泛的关键区域(即北方森林和干旱地区的森林)可能会超过临界点,转变为不同类型的生态系统(Lenton 等,2008)。了解当前森林覆盖的地理分布、其生产力和韧性至关重要,因为这为理解土地覆盖的动态提供了基线,并且可以说是最重要的之一。


重要的生物物理数据集是科学家和政策制定者所需的。然而,由于森林受到人为和自然干扰的强烈压力,这些变化在全球范围内持续发生,信息迅速变得过时。因此,减少围绕这些信息的不确定性是极为紧迫的。

树冠覆盖(也称为树木冠层覆盖)在此定义为一个像素中活树冠所覆盖的百分比。所有现有的森林地图都参考这一参数,例如,MODIS VCF(植被连续场)直接指示树冠覆盖,而土地覆盖数据集的森林类别则定义为包含一定范围的树冠覆盖。联合国粮食及农业组织(FAO)森林资源评估(FRA)将森林定义为面积超过 0.5 公顷且最低树冠覆盖为 10 % 10 % 10%10 \% 的区域(FAO,2010b)。在这里,我们将森林覆盖定义为像素中森林的百分比(基于 FAO FRA 的定义)。图 1 展示了两种情况,其中树冠覆盖将通过遥感产品以类似方式进行估算,即 MODIS 约为 12 18 % 12 18 % 12-18%12-18 \%

图 1. 基于与树冠相关的遥感产品(MODIS VCF,LANDSAT VCF,Hansen 等(2013))的示例,具有相似的树冠覆盖率 12 18 % 12 18 % 12-18%12-18 \% ,但森林覆盖率不同。A) 该像素的森林覆盖率为 100 % 100 % 100%100 \% ,因为该像素的树冠覆盖率大于 10 % 10 % 10%10 \% 。B) 森林覆盖率估计为 15%。图像数据:谷歌,图 1A 数字地球,图 1B 地理内容。


VCF,LANDSAT VCF(Sexton 等,2013)和 Hansen 等(2013)。然而,森林覆盖率将完全不同,即图 1A 中的 100%和图 1B 中的 15 % 15 % 15%15 \%

全球土地覆盖数据集,如 GLC2000、MODIS 和 GlobCover,在与这些产品相关的类别定义中提供了一系列森林和树木覆盖百分比。MODIS 植被连续场(VCF)产品(DiMiceli 等,2011)提供了 2000 年至 2010 年间每年的树木覆盖最全面的信息,空间分辨率为 250 米。然而,在观察单个像素的 VCF 动态时,可以看到一些变化,这些变化无法通过森林覆盖动态来解释,而是归因于不稳定的像素几何形状以及云或雾霾的影响。还有基于 Landsat 的树木覆盖产品(例如,Sexton 等,2013)。它们也受到云层覆盖的影响,并且在识别树木覆盖率低于 30 % 30 % 30%30 \% 的稀疏森林时遇到了困难(例如,Potapov、Turubanova 和 Hansen,2011)。基于空间的雷达可以穿透云层,但尚无法在细尺度上可靠地区分森林/非森林区域(Santoro 等,2011)。

尽管这些产品各有优缺点,但在空间上进行比较时,一个根本性的问题变得明显;这揭示了它们之间存在很大的分歧。这对需要准确森林覆盖特征的用户来说具有严重的影响。例如,Seebach 等(2012)显示,根据使用的森林地图不同,在空间明确的 G4M 全球森林模型(Kindermann, Obersteiner, Rametsteiner, & McCallum, 2006)中,结果差异显著。在一个案例研究中,当考察欧盟 10 % 10 % 10%10 \% 生物燃料目标是否可以通过增加森林生物质的使用来实现时,森林地图的选择对国家层面的模型输出以及决策时选择替代选项产生了重大影响。

这些产品的另一个问题是,它们与 FAO FRA 工作中的国家森林统计数据不一致。虽然并非所有应用都需要,但全球经济、生物物理和土地利用模型(例如 GTAP、IMAGE、GLOBIOM、IMPACT 等)需要与 FAO 统计数据一致的森林地图(Nelson 等,2014)。这些统计数据也被用于气候变化谈判,因为 FAO 提供了全球一致的森林估计,尽管各国记录森林统计数据的方式各不相同。在农业领域也创建了类似的 FAO 校准产品,例如耕地面积(Ramankutty、Evan、Monfreda 和 Foley,2008),目的正是相同。

这些不同产品的使用方式以及空间差异的调和可以通过一种混合方法来实现,即通过不同的数据融合方法将它们结合成一个更准确的单一产品。例如,Fritz 等人(2011)使用 Jung、Henkel、Herold 和 Churkina(2006)修改的协同方法,将来自五个不同全球和区域土地覆盖产品的农田类别合并为一个非洲的混合产品。Vancutsem、Marinho、Kayitakire、See 和 Fritz(2012)将现有的非洲土地覆盖/土地利用产品协调成一个单一的非洲农田掩模。Iwao 等人(2011)使用简单的多数规则结合了三个全球土地覆盖产品,并利用 Degrees Confluence 项目的数据验证了集成产品。最近,Song 等人(2013)通过回归树方法结合了六个粗分辨率的土地覆盖和森林产品,制作了北美的森林覆盖图。在所有这些研究中,合成产品的准确性均优于单个产品的表现。 本文采用类似的方法开发了一个全球统一的森林覆盖数据集,参考年份约为 2000 年,但使用地理加权回归(GWR)作为数据融合技术。尽管之前已经使用这种方法来展示不同全球土地覆盖图在西非最佳代表森林存在的地方(Comber 等,2013),但这项工作有许多新的方面。首先,我们使用了通过 Geo-Wiki 收集的众包数据(Fritz 等)。,2009 年,2012 年)旨在训练数据融合过程的活动,我们使用相同的工具创建了一个独立的验证数据集,该数据集在此背景下之前未被使用


创建全球森林地图。其次,我们展示了各个输入数据集如何贡献于混合产品,并证明所有数据集都是生产最终产品所需的,以实现比单个产品更好的性能。此外,目前没有其他与 FAO 国家森林统计数据一致的全球森林地图。然而,与此同时,我们制作的混合地图不受 FAO 统计数据的限制,因为这提供了一个更公平的比较,针对那些同样独立于 FAO 的单个森林产品。最后,混合产品在 1 公里分辨率下的准确性优于单个输入,包括 Hansen 等人(2013)制作的最新高分辨率产品。全球混合产品可在 http:// biomass.geo-wiki.org上免费获取以供可视化和下载。


2. 输入数据集的描述


这里生成的协调全球森林覆盖数据集整合了多个不同的地方、区域和全球数据集。我们尽可能使用了大约 2000 年的产品,这是全球建模社区的参考年份,但也有一些例外。然而,我们认为,使用更高分辨率、更加准确的来自较近时间段的产品所带来的好处,超过了由于土地覆盖变化可能引入的小误差。后面的部分提供了数据集的详细描述。


全球土地覆盖 2000 项目 (GLC2000)


GLC2000 数据集(可在 http://bioval.jrc.ec.europa.eu/ products/glc2000/products.php 获取)是由欧洲委员会联合研究中心(JRC)的全球植被监测单位与国际合作伙伴网络共同制作的。它代表了 2000 年环境参考年的一致全球协调土地覆盖数据库,空间分辨率为 1 公里。GLC2000 是使用 VEGA 2000 数据集生成的,该数据集包含由 SPOT 4 卫星上的 VEGETATION 仪器获取的 14 个月的预处理每日全球数据。该产品最初在区域层面使用联合国粮食及农业组织土地覆盖分类系统(LCCS)开发,然后协调成一个包含二十二个土地覆盖类别的单一产品。为了更好地考虑当地条件,我们在分析中使用了原始区域土地覆盖产品(例如非洲、澳大利亚和北欧亚地区),在可用的情况下。


全球土地覆盖国家测绘组织(GLCNMO)2003


GLCNMO(可在http://www.iscgm.org/GM_glcnmo上获取)是由国际全球制图指导委员会(ISCGM)组织的全球制图项目生成的。该数据集的空间分辨率为 1 公里,分为二十个由 FAO LCCS 标准化的土地覆盖类别。土地覆盖产品的主要输入数据来源是 2003 年 16 天合成的中分辨率成像光谱仪(MODIS)数据,分辨率为 1 公里。关于 GLCNMO 的详细描述见 Tateishi 等(2008)。


2.3. 2005-2006 年全球土地覆盖产品(GlobCover)


GlobCover 项目是由欧洲航天局(ESA)发起的一项倡议,始于 2005 年,与 JRC、EEA(欧洲环境署)、FAO、UNEP(联合国环境规划署)、GOFC-GOLD(全球森林覆盖 - 全球土地动态)倡议以及国际地球圈-生物圈计划(IGBP)合作。GlobCover 的目标是开发一种能够提供全球合成图和土地覆盖图的服务。该项目利用了 2005 年获取的 ENVISAT-MERIS 全分辨率数据。参考年份 2005/06 的最终产品具有 300 米的空间分辨率,并可在http://due.esrin.esa.int/ globcover/上获取。Defourny 等人(2006)提供了详细描述。


2001 年 MODIS 土地覆盖类型产品(MODIS LC)


MODIS 全球土地覆盖类型产品(MCD12Q1)是通过美国地质调查局(USGS)/地球资源观察与科学中心(EROS)在 NASA 土地过程分布活动中心(LP DAAC)的在线数据池获得的(https://lpdaac.usgs. gov/data_access)。全球土地覆盖是通过自动生成的。

图 2. 创建两种混合森林覆盖图所使用的方法流程图。


来自地球观测系统(美国国家航空航天局(NASA))的 Terra 和 Aqua 卫星上 MODIS 传感器获取的数据分类。该数据集以 500 米的空间分辨率生成,时间步长为年度和半年。我们的分析使用了土地覆盖类型 1:IGBP 全球植被分类方案,该方案将地球表面划分为由 IGBP 标准定义的十七个土地覆盖类别。Friedl 等人(2010)对分类算法进行了详细描述。


2.5. MODIS 植被连续场 (VCF) 2000


Terra MODIS 植被连续场(VCF)产品来源于搭载在 Terra 和 Aqua 卫星上的 MODIS 传感器,空间分辨率为 250 米(DiMiceli 等,2011)。该数据集表示全球植被覆盖的估计,分类为(i)树木覆盖百分比,(ii)非树木覆盖百分比,以及(iii)裸土百分比。该数据集可以从与第 2.4 节中概述的 MODIS 土地覆盖产品相同的位置获取。


2.6. 基于 Landsat 的 2000 年树冠连续覆盖度(Landsat VCF)


全球范围内, 30 m 30 m 30-m30-\mathrm{m} 分辨率的连续树冠覆盖领域是基于 Landsat 对 MODIS VCF 进行重新缩放而生成的(Sexton 等,2013)。2000 年和 2005 年的产品可从全球土地覆盖设施(GLCF)网站获取(www.landcover.org)。

2.7. Landsat-based tree cover 2000 by Hansen et al. (2013) (Hansen's TC)


Hansen 等人(2013)最近发布了一项全球森林覆盖变化产品,涵盖 2000 年至 2012 年,空间分辨率为 30 米。该产品基于 Landsat 影像,包含三个组成部分:2000 年的森林覆盖、2000-2012 年的森林增加和每年的森林损失。我们使用 2000 年的森林覆盖数据来创建本文中的混合产品。然而,根据树冠的定义,我们认为该产品更接近树冠而非森林覆盖,因此我们从现在开始称其为 Hansen 的 TC,并将其视为树冠。


2.8. 区域土地覆盖马赛克


为了考虑森林覆盖的区域和地方规范,我们汇总了多个区域土地覆盖和土地利用地图。


2.8.1. 刚果盆地森林类型地图


刚果盆地森林类型地图由中非森林观察站(OFAC;http://www.observatoire-comifac. net/)发布,涵盖中非的八个国家,即喀麦隆、刚果、加蓬、布隆迪、中非共和国、赤道几内亚、刚果民主共和国和卢旺达。该数据集使用了 19 个月的 ENVISAT MERIS 观测数据,空间分辨率为 300 米,合成周期为 15 天,并结合了 2000 年至 2007 年 8 年的每日 SPOT VEGETATION 反射率数据,空间分辨率为 1 公里。该数据集遵循 FAO 的标准化 LCCS 分类方法,将中非划分为二十个土地覆盖类别。Verhegghen、Mayaux、De Wasseige 和 Defourny(2012)提供了详细描述。


2.8.2. 巴西 PRODES 森林掩模 2000


对于巴西,我们使用了 PRODES 数据集(INPE,2014)中的 2000 年数据,该数据集由基于 Landsat 的森林/非森林掩模组成,该掩模在 2000 年至 2013 年间每年生成。


2.8.3. 澳大利亚土地使用 2005-2006


澳大利亚土地利用地图基于澳大利亚土地利用与管理(ALUM)分类系统。该系统由澳大利亚农业与资源经济与科学局(ABARES)与澳大利亚政府合作开发。该数据集提供了整个澳大利亚一致的土地利用、土地覆盖和土地管理信息,空间分辨率为 30 米。分类分为六个主要土地利用类别,包括(1)保护和自然环境,(2)来自相对自然环境的生产,(3)来自干旱农业和种植园的生产,(4)来自灌溉农业和种植园的生产,(5)集约利用和(6)水。所有类别进一步细分为子类。详细信息由澳大利亚政府提供(http://data.daff.gov.au/brs/data/warehouse/ pe_abares99001806/GuidelinesLandUseMappingLowRes2011.pdf);

收集但未在本文中使用。
 表 1

土地覆盖类型转换为森林存在概率和森林覆盖。
 土地覆盖定义

与 FAO 森林定义的对应关系(1 - 完全对应)
Correspondence to FAO forest definition (1 - fully correspond)| Correspondence | | :--- | | to FAO forest | | definition | | (1 - fully | | correspond) |
 森林覆盖率中点,%
Forest cover mid-point, %| Forest | | :--- | | cover | | mid-point, | | % |
 土地覆盖类型
 树冠覆盖率,%
Tree cover, %| Tree | | :--- | | cover, | | % |
 森林覆盖率,%
Forest cover, %| Forest | | :--- | | cover, | | % |
GLC2000
 封闭森林 40 100 40 100 40-10040-100 80-100 1 90

树冠覆盖,封闭或开放
15 100 15 100 15-10015-100 80-100 1 90
 开放森林 15 40 15 40 15-4015-40 80-100 1 90
 退化森林 40 70 40 70 40-7040-70 80-100 1 90
 森林种植园 40 100 40 100 40-10040-100 80 100 80 100 80-10080-100 1 90
 马赛克:森林/草原 40 70 40 70 40-7040-70 80-100 1 90

马赛克:树冠/其他自然植被
Mosaic: Tree cover/Other natural vegetation| Mosaic: Tree cover/Other | | :--- | | natural vegetation |
15 70 15 70 15-7015-70 50 80 50 80 50-8050-80 1 65

马赛克:树冠/农田
15 70 15 70 15-7015-70 50 80 50 80 50-8050-80 1 65

马赛克:农田/树冠/其他自然植被
Mosaic: Cropland/Tree Cover/Other natural vegetation| Mosaic: Cropland/Tree | | :--- | | Cover/Other natural | | vegetation |
10 40 10 40 10-4010-40 10 40 10 40 10-4010-40 1 25
 落叶林 15-70 80-100 1 90
 开阔林地 15 40 15 40 15-4015-40 80-100 1 90
 树冠,烧毁 0 80 0 80 0-800-80 50 100 50 100 50-10050-100 1 75
GLCNMO
 森林 40-100 60-100 1 80
 树开 15 40 15 40 15-4015-40 60 100 60 100 60-10060-100 1 80
 MODIS 土地覆盖
 森林 60-100 60 100 60 100 60-10060-100 1 80
 木质草原 30-60 60 100 60 100 60-10060-100 1 80
 非木本草原 10 30 10 30 10-3010-30 60 100 60 100 60-10060-100 1 80
 全球地表覆盖
 森林,从封闭到开放 15-100 70-100 1 85
 森林,封闭 40-100 70-100 1 85
 森林,开放 15 40 15 40 15-4015-40 70-100 1 85

马赛克农田 ( 50 70 % ) / ( 50 70 % ) / (50-70%)//(50-70 \%) / (草地/灌木丛/森林)(20-50%)
Mosaic cropland (50-70%)// vegetation (grassland/shrubland/forest) (20-50%)| Mosaic cropland | | :--- | | $(50-70 \%) /$ vegetation | | (grassland/shrubland/forest) | | (20-50%) |
0 40 0 40 0-400-40 0 40 0 40 0-400-40 0.25 20

马赛克植被(草地/灌木丛/森林)(50-70%)/农田(20-50%)
Mosaic vegetation (grassland/shrubland/forest) (50-70%)/cropland (20-50%)| Mosaic vegetation | | :--- | | (grassland/shrubland/forest) | | (50-70%)/cropland (20-50%) |
0 60 0 60 0-600-60 0 70 0 70 0-700-70 0.35 35

马赛克森林或灌木丛(50-70%)/草原(20-50%)
Mosaic forest or shrubland (50-70%)/grassland (20-50%)| Mosaic forest or shrubland | | :--- | | (50-70%)/grassland (20-50%) |
0 70 0 70 0-700-70 0 70 0 70 0-700-70 0.5 35
Land cover definition "Correspondence to FAO forest definition (1 - fully correspond)" "Forest cover mid-point, %" Land cover class "Tree cover, %" "Forest cover, %" GLC2000 Closed forest 40-100 80-100 1 90 Tree cover, closed or open 15-100 80-100 1 90 Open forest 15-40 80-100 1 90 Degraded forest 40-70 80-100 1 90 Forest plantations 40-100 80-100 1 90 Mosaic: Forest/Savannah 40-70 80-100 1 90 "Mosaic: Tree cover/Other natural vegetation" 15-70 50-80 1 65 Mosaic: Tree cover/Cropland 15-70 50-80 1 65 "Mosaic: Cropland/Tree Cover/Other natural vegetation" 10-40 10-40 1 25 Deciduous woodland 15-70 80-100 1 90 Open woodland 15-40 80-100 1 90 Tree Cover, burnt 0-80 50-100 1 75 GLCNMO Forest 40-100 60-100 1 80 Tree open 15-40 60-100 1 80 MODIS land cover Forest 60-100 60-100 1 80 Woody Savannahs 30-60 60-100 1 80 Non-Woody Savannahs 10-30 60-100 1 80 GlobCover Forest, closed to open 15-100 70-100 1 85 Forest, closed 40-100 70-100 1 85 Forest, open 15-40 70-100 1 85 "Mosaic cropland (50-70%)// vegetation (grassland/shrubland/forest) (20-50%)" 0-40 0-40 0.25 20 "Mosaic vegetation (grassland/shrubland/forest) (50-70%)/cropland (20-50%)" 0-60 0-70 0.35 35 "Mosaic forest or shrubland (50-70%)/grassland (20-50%)" 0-70 0-70 0.5 35| Land cover definition | | | Correspondence <br> to FAO forest <br> definition <br> (1 - fully <br> correspond) | Forest <br> cover <br> mid-point, <br> % | | :---: | :---: | :---: | :---: | :---: | | Land cover class | Tree <br> cover, <br> % | Forest <br> cover, <br> % | | | | GLC2000 | | | | | | Closed forest | $40-100$ | 80-100 | 1 | 90 | | Tree cover, closed or open | $15-100$ | 80-100 | 1 | 90 | | Open forest | $15-40$ | 80-100 | 1 | 90 | | Degraded forest | $40-70$ | 80-100 | 1 | 90 | | Forest plantations | $40-100$ | $80-100$ | 1 | 90 | | Mosaic: Forest/Savannah | $40-70$ | 80-100 | 1 | 90 | | Mosaic: Tree cover/Other <br> natural vegetation | $15-70$ | $50-80$ | 1 | 65 | | Mosaic: Tree cover/Cropland | $15-70$ | $50-80$ | 1 | 65 | | Mosaic: Cropland/Tree <br> Cover/Other natural <br> vegetation | $10-40$ | $10-40$ | 1 | 25 | | Deciduous woodland | 15-70 | 80-100 | 1 | 90 | | Open woodland | $15-40$ | 80-100 | 1 | 90 | | Tree Cover, burnt | $0-80$ | $50-100$ | 1 | 75 | | GLCNMO | | | | | | Forest | 40-100 | 60-100 | 1 | 80 | | Tree open | $15-40$ | $60-100$ | 1 | 80 | | MODIS land cover | | | | | | Forest | 60-100 | $60-100$ | 1 | 80 | | Woody Savannahs | 30-60 | $60-100$ | 1 | 80 | | Non-Woody Savannahs | $10-30$ | $60-100$ | 1 | 80 | | GlobCover | | | | | | Forest, closed to open | 15-100 | 70-100 | 1 | 85 | | Forest, closed | 40-100 | 70-100 | 1 | 85 | | Forest, open | $15-40$ | 70-100 | 1 | 85 | | Mosaic cropland <br> $(50-70 \%) /$ vegetation <br> (grassland/shrubland/forest) <br> (20-50%) | $0-40$ | $0-40$ | 0.25 | 20 | | Mosaic vegetation <br> (grassland/shrubland/forest) <br> (50-70%)/cropland (20-50%) | $0-60$ | $0-70$ | 0.35 | 35 | | Mosaic forest or shrubland <br> (50-70%)/grassland (20-50%) | $0-70$ | $0-70$ | 0.5 | 35 |

数据集可从以下地址获取:http://data.daff.gov.au/anrdl/metadata_ files/pa_luav4g9abl07811a00.xml#DistributionBlock。


2.8.4. 泛欧森林/非森林地图 2000


泛欧森林/非森林地图由 JRC 于 2000 年和 2006 年制作。该数据集利用了来自 GLCF 的 Landsat 影像(http://glcf.umiacs.umd.edu/data/ landsat/),用于环境参考年 2000,偏差为一到两年。数据集的原始空间分辨率为 30 米。Kempeneers 等人(2012)提供了详细描述。


2.8.5. 美国国家土地覆盖数据库 2006(NLCD 2006)


NLCD 2006(可在 http://www.mrlc.gov/nlcd06_data. php 上获取)是使用 2006 年 Landsat 的高分辨率光学卫星影像生成的。它覆盖了整个美国,空间分辨率为 30 米。它提供了关于土地表面特征的信息,这些特征被分类为十六种土地覆盖类型。USGS 提供了数据库的详细描述(http://pubs. usgs.gov/fs/2012/3020/fs2012-3020.pdf)。


2.8.6. 俄罗斯的土地覆盖(2005 年)


俄罗斯土地覆盖数据集(Schepaschenko 等,2011)基于多个遥感产品和其他空间相关数据集,如土壤和植被图。该产品已与国家级森林统计数据进行了校准。空间分辨率为 1 公里,森林按主要树种、年龄、地块指数和相对蓄积量进行细分。


2.8.7. 欧洲俄罗斯的森林掩模(2000)


该数据集(Potapov et al., 2011)是由地理信息科学卓越中心(GISCCE)提供的北方森林监测项目的一部分(http://globalmonitoring.sdstate.edu/projects/ boreal/)。该数据集基于约 2000 年的 Landsat 影像合成,空间分辨率为 60 米。该方法可靠地对树冠覆盖率进行分类,超过 30 % 30 % 30%30 \%

 3. 方法论


最终产品是两种不同类型的混合森林覆盖率地图。我们将第一张地图称为我们的“最佳猜测”森林覆盖率地图。这反映了我们基于遥感产品对森林覆盖的最佳知识,并不受匹配 FAO FRA 统计数据的限制。第二种产品由两张混合地图组成,均以 2000 年 FAO FRA 统计数据(FAO, 2010a)进行校准,一张为国家级,另一张为区域(大陆)级。创建这些产品的方法在图 2 中进行了说明。

该方法论的起点是输入数据集,即在第 2 节中描述的土地覆盖和树木覆盖产品。然后生成两个中间产品,即森林概率图和森林覆盖百分比图,这两者都用于创建所有三种混合产品。要创建这些中间产品,需要两个组成部分:一种集成方法,在本例中为 GWR;以及通过 Geo-Wiki 工具使用众包收集的训练数据。这些组成部分分别在第 3.1 节和第 3.2 节中进行了描述,随后描述了中间产品的开发(第 3.3 节和第 3.4 节)以及混合产品的开发(第 3.5 节)。

图 4. 从 MODIS VCF 以 250 米分辨率聚合树冠数据到 1 公里并计算森林覆盖百分比的示例:(a) MODIS VCF 在 250 米的原始树冠值 (b) 基于树冠值大于 10 % 10 % 10%10 \% 且覆盖超过 0.5 公顷的森林/非森林转换 (FAO, 2010b) © 聚合到 1 公里的森林覆盖百分比为 50 % 50 % 50%50 \% ,因为一半的子像素被森林覆盖。
 表 2

基于森林覆盖百分比的输入数据集与 Geo-Wiki 训练数据集的相关性矩阵。
GLCNMO  全球地表覆盖 Landsat VCF MODIS LC  区域化 MODIS VCF  汉森的 TC  地理维基
GLC2000 0.62 0.66 0.73 0.71 0.73 0.73 0.75 0.73
GLCNMO 0.57 0.69 0.67 0.59 0.68 0.68 0.66
 全球地表覆盖 0.72 0.66 0.71 0.72 0.76 0.71
 陆地覆盖变化因子 (Landat VCF) 0.82 0.79 0.93 0.93 0.86
MODIS LC 0.69 0.80 0.82 0.80
 区域马赛克 0.83 0.81 0.77
MODIS VCF 0.92 0.85
 汉森的 TC 0.90
GLCNMO GlobCover Landsat VCF MODIS LC Regional MODIS VCF Hansen's TC Geo-Wiki GLC2000 0.62 0.66 0.73 0.71 0.73 0.73 0.75 0.73 GLCNMO 0.57 0.69 0.67 0.59 0.68 0.68 0.66 GlobCover 0.72 0.66 0.71 0.72 0.76 0.71 Landat VCF 0.82 0.79 0.93 0.93 0.86 MODIS LC 0.69 0.80 0.82 0.80 Regional mosaic 0.83 0.81 0.77 MODIS VCF 0.92 0.85 Hansen's TC 0.90| | GLCNMO | GlobCover | Landsat VCF | MODIS LC | Regional | MODIS VCF | Hansen's TC | Geo-Wiki | | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | | GLC2000 | 0.62 | 0.66 | 0.73 | 0.71 | 0.73 | 0.73 | 0.75 | 0.73 | | GLCNMO | | 0.57 | 0.69 | 0.67 | 0.59 | 0.68 | 0.68 | 0.66 | | GlobCover | | | 0.72 | 0.66 | 0.71 | 0.72 | 0.76 | 0.71 | | Landat VCF | | | | 0.82 | 0.79 | 0.93 | 0.93 | 0.86 | | MODIS LC | | | | | 0.69 | 0.80 | 0.82 | 0.80 | | Regional mosaic | | | | | | 0.83 | 0.81 | 0.77 | | MODIS VCF | | | | | | | 0.92 | 0.85 | | Hansen's TC | | | | | | | | 0.90 |


3.1. 地理加权回归(GWR)作为一种集成方法


由 Brunsdon、Fotheringham 和 Charlton(1998)开发的 GWR 是一种空间分析方法,允许回归参数在空间上变化。正如早期研究所示(Brunsdon 等,1998;Leung、Mei 和 Zhang,2000),当考虑位置时,GWR 的结果比全局回归的应用更能贴合观察结果。因此,GWR 在各种研究中得到了广泛应用,包括对降雨-海拔关系的空间变化的研究(Brunsdon、McClatchey 和 Unwin,2001)、估算中国森林的净初级生产力(Wang、Ni 和 Tenhunen,2005)以及地图精度评估和土地覆盖预测(例如,Comber,2013;Comber、Fisher、Brunsdon 和 Khmag,2012;Comber 等,2013;Lesiv、Schepaschenko、Stryamets 和 Nahorski,2013)。尽管 GWR 作为正式统计推断工具的适用性存在争议,例如,Wheeler 和 Paez(2010),但它仍被认为是估算和预测响应变量的合适工具。

在本研究中,使用 GWR 来确定第 2 节中描述的输入数据集与第 3.2 节中描述的 Geo-Wiki 派生训练点之间的匹配。GWR 在回归中考虑自变量的地理位置,并在每个位置估计模型参数,如下所示:

y ( u , v ) = b 0 ( u , v ) + b 1 ( u , v ) x + ε ( u , v ) y ( u , v ) = b 0 ( u , v ) + b 1 ( u , v ) x + ε ( u , v ) y(u,v)=b_(0)(u,v)+b_(1)(u,v)x+epsi(u,v)y(u, v)=b_{0}(u, v)+b_{1}(u, v) x+\varepsilon(u, v)

其中 y y yy 是因变量, x x xx 是自变量, u , v u , v u,vu, v 是数据的坐标, b 0 b 0 b_(0)b_{0} 是截距项, b 1 b 1 b_(1)b_{1} 是被估计的系数, ε ε epsi\varepsilon 是具有高斯分布的随机误差项。在 GWR 中,观测点根据距离加权,因此离应用该方法的位置更近的点对参数估计的影响更大。

GWR 还扩展到广义线性模型,包括逻辑回归和泊松回归(Fotheringham, Brunsdon, & Charlton, 2002)。一般来说, y y yy 的期望值被指定为:

g ( E ( y i ) ) = a 0 ( u , v ) + a 1 ( u , v ) x 1 g E y i = a 0 ( u , v ) + a 1 ( u , v ) x 1 g(E(y_(i)))=a_(0)(u,v)+a_(1)(u,v)x_(1)g\left(E\left(y_{i}\right)\right)=a_{0}(u, v)+a_{1}(u, v) x_{1}

图 5. (a) GLC2000/Landsat VCF 与(b) MODIS VCF/Landsat VCF 在与 Geo-Wiki 训练点(30'网格)一致性上的空间比较。

图 6. 混合地图质量的两个度量与模型中组成地图的数量的关系。在这两种情况下,包含所有 8 个可能地图的模型表现最佳,尽管仅比包含 7 个输入层的地图稍好。黑点不包括 Hansen 等人(2013)的数据集,而红点则包括该地图。A) 模型中使用的地图数量与 AIC 的关系;B) 组成地图数量与调整后的 R 2 R 2 R^(2)R^{2} 的关系。


其中 g ( ) g ( ) g()g() 是链接函数, E ( y i ) E y i E(y_(i))E\left(y_{i}\right) 是位置 i i ii y y yy 的期望值, a 0 , a 1 a 0 , a 1 a_(0),a_(1)a_{0}, a_{1} 是待估计的模型线性参数。

在这些分析中使用了 R 包 GWR。基本的线性 GWR 模型用于预测森林覆盖百分比(第 3.4 节),而逻辑 GWR 模型则用于估计森林概率(第 3.3 节)。


3.2. 来自 Geo-Wiki 的众包数据


用于 GWR 的训练数据和准确性评估的验证数据是通过 GeoWiki 工具进行的独立练习获得的,该工具用于土地覆盖的可视化、众包和验证(Fritz 等,2009,2012),Geo-Wiki 之前已在不同的验证练习中使用(例如,Comber 等,2013;Fritz 等,2011b,2013)。对于训练数据集,从两个先前的 Geo-Wiki 活动中抽取了一部分样本,这些活动收集了相同位置 1 公里像素的土地覆盖百分比数据,用于验证中国 30 米全球土地覆盖图(Gong 等,2013;Zhao,Gong,& Yu,2014)。样本设计采用等面积分层随机抽样,将全球土地面积划分为大约 7000 个等面积六边形,并从每个六边形中随机选择 5 个样本。仅使用在两个竞赛之间达成一致的像素进行训练。此外,在树木无法生长的地方(例如沙漠)移除了像素。这导致大约有 18600 个训练数据点。 为了确保 Geo-Wiki 训练点能够捕捉到森林覆盖情况,我们将这些点与输入数据集进行了关联,以检查它们的一致性。

为了进行独立验证,实施了定制版的 Geo-Wiki,以利用遥感和林业专家收集森林覆盖率百分比。这些专家被要求根据他们在高分辨率的谷歌地球影像上看到的内容,估计每个像素的森林覆盖率百分比(图 3)。以 1 公里分辨率的像素在森林和非森林两个层次中随机抽样。总共对 20001 个 1 公里像素进行了分类,这些像素由不同的专家估计了 2-3 次。然而,这些样本点中有 193 个由于分辨率低而无法正确分类。最终的验证数据集由 1807 个点组成,其中 877 个(49%)被分类为森林,森林覆盖率的百分比范围广泛。


3.3. 全球森林概率地图


第一个中间产品是全球森林概率地图(见图 2)。使用了 FAO 对至少 10 % 10 % 10%10 \% 树冠覆盖率和最小面积为 0.5 公顷的定义(FAO,2010b)来确定概率。对于土地覆盖地图,表 1 提供了与不同森林和森林马赛克类别定义相关的树冠覆盖范围,以及该类别与 FAO 定义的对应程度。这些类别是基于 Herold、Mayaux、Woodcock、Baccini 和 Schmullius(2008)的研究选择的,他们协调了不同土地覆盖地图的图例,以创建一个单一的森林类别。对于 MODIS/IGBP,这包括森林、木本稀树草原和非木本稀树草原,其树冠覆盖百分比涵盖了从 10 到 100 % 100 % 100%100 \% 的完整范围。对于 1 公里分辨率的土地覆盖地图,例如 GLC2000,不需要聚合,表 1 中的对应关系即为概率。对于更高分辨率的土地覆盖地图,首先在原始分辨率下进行对应关系的确定。例如,MODIS LC 在每个 1 公里网格方块中有四个像素。对应关系首先是根据表 1 分配的。 如果任何单个 MODIS 像素的对应值为 1,则森林的概率为 1,因为这超过了 0.5 公顷的最低要求。同样,对于 Landsat 产品,如果至少有六个 30 米像素的树冠覆盖率大于 10 % 10 % 10%10 \% ,则超过 0.5 公顷,1 公里聚合像素的森林概率将为 1。对于树冠覆盖产品如 VCF,应用了 10 % 10 % 10%10 \% 的阈值,1 公里聚合像素的概率计算方式与其他土地覆盖产品相同。

森林存在的概率随后使用逻辑地理加权回归(GWR)进行估计,其中 Geo-Wiki 训练数据与输入数据集之间的对应概率计算如下:

logit ( P ( y i = 1 ) ) = b 0 ( u i , v i ) + b 1 ( u i , v i ) x 1 ( i , j ) + b 2 ( u i , v i ) x 1 ( i , j ) + + b n ( u i , v i ) x n ( i , j ) logit P y i = 1 = b 0 u i , v i + b 1 u i , v i x 1 ( i , j ) + b 2 u i , v i x 1 ( i , j ) + + b n u i , v i x n ( i , j ) logit(P(y_(i)=1))=b_(0(u_(i),v_(i)))+b_(1(u_(i),v_(i)))x_(1(i,j))+b_(2(u_(i),v_(i)))x_(1(i,j))+dots+b_(n(u_(i),v_(i)))x_(n(i,j))\operatorname{logit}\left(P\left(y_{i}=1\right)\right)=b_{0\left(u_{i}, v_{i}\right)}+b_{1\left(u_{i}, v_{i}\right)} x_{1(i, j)}+b_{2\left(u_{i}, v_{i}\right)} x_{1(i, j)}+\ldots+b_{n\left(u_{i}, v_{i}\right)} x_{n(i, j)}

其中 P ( y i = 1 ) P y i = 1 P(y_(i)=1)P\left(y_{i}=1\right) 是每个位置的森林概率 i i ii ;logit 是逻辑变换 log ( x / ( 1 x ) ) ; ( u i , v i ) log ( x / ( 1 x ) ) ; u i , v i log(x//(1-x));(u_(i),v_(i))\log (\mathrm{x} /(1-\mathrm{x})) ;\left(u_{i}, v_{i}\right) 是位置的二维向量 i ; b 0 ( u i , v i ) i ; b 0 u i , v i i;b_(0(u_(i),v_(i)))i ; b_{0\left(u_{i}, v_{i}\right)} 是截距; b j , j = 1 , n b j , j = 1 , n ¯ b_(j),j= bar(1,n)b_{j}, j=\overline{1, n} 是逻辑回归模型的系数(在 R 中估计); x j , j = 1 , n x j , j = 1 , n ¯ x_(j), bar(j=1,n)x_{j}, \overline{j=1, n} 表示通过输入产品 j j jj 森林的存在; n n nn 是输入数据集的数量。


3.4. 森林覆盖率地图


第二个中间产品是森林覆盖百分比的地图。土地覆盖地图被分配了森林的百分比。
 表 3

Geo-Wiki 训练点与初始数据集的比较。
 数据集  森林像素(%)
森林识别的准确率 (%)

森林覆盖率估算
Estimation of percentage forest cover| Estimation of | | :--- | | percentage forest cover |
 整体  特异性(非森林)  敏感性(森林) R 2 R 2 R^(2)R^{2} RMSE
 培训地理维基 43
GLC2000 31 79 92 61 0.53 30
GLCNMO 29 78 93 59 0.44 33
 全球地表覆盖 40 78 83 71 0.51 29
Landsat VCF 39 87 91 80 0.74 27
MODIS LC 34 81 91 67 0.64 25
 区域马赛克 40 84 88 78 0.59 27
MODIS VCF 68 72 54 96 0.73 25
 汉森的 TC 40 89 93 84 0.81 19
Dataset Forest pixels (%) Accuracy of forest recognition (%) "Estimation of percentage forest cover" Overall Specificity (non-forest) Sensitivity (forest) R^(2) RMSE Training Geo-Wiki 43 GLC2000 31 79 92 61 0.53 30 GLCNMO 29 78 93 59 0.44 33 GlobCover 40 78 83 71 0.51 29 Landsat VCF 39 87 91 80 0.74 27 MODIS LC 34 81 91 67 0.64 25 Regional mosaic 40 84 88 78 0.59 27 MODIS VCF 68 72 54 96 0.73 25 Hansen's TC 40 89 93 84 0.81 19| Dataset | Forest pixels (%) | Accuracy of forest recognition (%) | | | Estimation of <br> percentage forest cover | | | :---: | :---: | :---: | :---: | :---: | :---: | :---: | | | | Overall | Specificity (non-forest) | Sensitivity (forest) | $R^{2}$ | RMSE | | Training Geo-Wiki | 43 | | | | | | | GLC2000 | 31 | 79 | 92 | 61 | 0.53 | 30 | | GLCNMO | 29 | 78 | 93 | 59 | 0.44 | 33 | | GlobCover | 40 | 78 | 83 | 71 | 0.51 | 29 | | Landsat VCF | 39 | 87 | 91 | 80 | 0.74 | 27 | | MODIS LC | 34 | 81 | 91 | 67 | 0.64 | 25 | | Regional mosaic | 40 | 84 | 88 | 78 | 0.59 | 27 | | MODIS VCF | 68 | 72 | 54 | 96 | 0.73 | 25 | | Hansen's TC | 40 | 89 | 93 | 84 | 0.81 | 19 |

图 7. 森林概率图。


根据表 1 中每种产品的原始分辨率,覆盖值基于范围的中点。然后在聚合到 1 公里像素后获得了更广泛的值范围。尽管在图例定义中取范围的中点似乎会导致森林面积的低估,但通过 GWR 的线性回归对此进行了考虑和修正。例如,GLC2000 类别“封闭森林”的森林覆盖范围在 80 到 100 % 100 % 100%100 \% 之间,因此我们使用了 90 % 90 % 90%90 \% 的平均值。这个平均值根据与 Geo-Wiki 训练点的回归拟合向上或向下调整。

诸如 MODIS VCF 或 Landsat VCF 的产品与树冠覆盖有关,而不是与森林覆盖有关。这些产品在其原始分辨率下处理(MODIS VCF - 250 米,Landsat - 30 米),使用 10 % 10 % 10%10 \% 的阈值来划定森林像素。然后将这些产品聚合到 1 公里分辨率,森林覆盖率作为森林子像素的百分比进行计算(图 4)。

全球森林覆盖率的百分比地图随后使用地理加权回归(GWR)和线性回归进行计算:

y i = b 0 ( u i , v i ) + b 1 ( u i , v i ) x 1 ( u i , v i ) + + b n ( u i , v i ) x n ( u i , v i ) y i = b 0 u i , v i + b 1 u i , v i x 1 u i , v i + + b n u i , v i x n u i , v i y_(i)=b_(0(u_(i),v_(i)))+b_(1(u_(i),v_(i)))x_(1(u_(i),v_(i)))+dots+b_(n(u_(i),v_(i)))x_(n(u_(i),v_(i)))y_{i}=b_{0\left(u_{i}, v_{i}\right)}+b_{1\left(u_{i}, v_{i}\right)} x_{1\left(u_{i}, v_{i}\right)}+\ldots+b_{n\left(u_{i}, v_{i}\right)} x_{n\left(u_{i}, v_{i}\right)}

其中 y i y i y_(i)y_{i} 是每个位置的森林覆盖率, i ; ( u i , v i ) i ; u i , v i i;(u_(i),v_(i))i ;\left(u_{i}, v_{i}\right) 是位置的二维向量, i ; x j i , j = 1 , n i ; x j i , j = 1 , n ¯ i;x_(ji),j= bar(1,n)i ; x_{j i}, j=\overline{1, n} 是来自各个产品的森林覆盖率; b 0 i b 0 i b_(0i)b_{0 i} b j i , j = 1 , n b j i , j = 1 , n ¯ b_(ji),j= bar(1,n)b_{j i}, j=\overline{1, n} 是截距和回归系数; n n nn 是输入数据集的数量。为了计算回归系数,我们使用了训练数据 ( y i ) y i (y_(i))\left(y_{i}\right) 关于森林覆盖率的百分比和各个数据集( x j i , j = 1 , n x j i , j = 1 , n ¯ x_(ji),j= bar(1,n)x_{j i}, j=\overline{1, n} )。这些系数是在半度网格上使用 GWR 计算的。对于森林覆盖率的百分比,响应变量首先使用 logit 转换 log ( x / ( 1 x ) ) log ( x / ( 1 x ) ) log(x//(1-x))\log (\mathrm{x} /(1-\mathrm{x})) 进行转换。这是为了确保模型不会预测超出 [ 0 , 100 ] [ 0 , 100 ] [0,100][0,100] 区间的值,并且有助于正态性并确保残差的同方差性。

只要森林分布和训练点密度在空间上变化,该方法就使用基于邻居数量的自适应核。为了优化模型,核的大小是通过最小二乘交叉验证法选择的(Brunsdon,1998)。因此,该方法在每个 30 弧分钟网格单元周围使用了大约 250 个最近的训练点。


3.5. 混合森林覆盖图的创建


这两个中间产品随后被用来生成如下所述的混合森林覆盖图。


3.5.1. “最佳猜测”森林覆盖图


“最佳猜测”森林覆盖图是通过首先将森林概率图(第 3.3 节)转换为森林/非森林掩模,使用与其他研究(Pampel, 2000)中相似的森林阈值 0.5 0.5 >= 0.5\geq 0.5 。然后,将得到的森林/非森林掩模与百分比森林覆盖图(第 3.4 节)相乘,以生成“最佳猜测”森林覆盖图(图 2)。


3.5.2. 使用 FAO FRA 国家统计数据校准的森林覆盖图


另外两个混合地图是根据 2000 年的 FAO FRA 统计数据进行校准的,一个使用国家统计数据,另一个使用区域统计数据(FAO,2010a)。在这种情况下,概率阈值是计算得出的。

图 8。GWR 生成的 Geo-Wiki 训练点与八个输入数据集之间的拟合的 R 2 R 2 R^(2)R^{2} 值。

图 9. “最佳猜测”混合百分比森林覆盖图。


通过将每个国家的森林总面积与 FAO 的 FRA 统计数据进行匹配,来确定每个国家的森林面积。然后,使用与创建非洲混合农田地图相同的程序(Fritz 等,2011)对国家统计数据进行校准,基于两个中间产品:即森林概率(第 3.3 节)和森林覆盖百分比(第 3.4 节)。按照最高概率的顺序选择像素,直到森林覆盖面积与 FAO 统计数据相匹配。在区域层面重复相同的程序,以创建第二个校准地图。

 3.6. 精度评估


总体准确性定义为在地图和训练点中被识别为森林或非森林的像素百分比。二元分类的准确性也可以用敏感性和特异性来表示(Fielding & Bell, 1997; Foody, 2010)。在本研究中,敏感性是地图中正确分类为森林的案例比例。特异性是正确预测为非森林的案例比例。分类的敏感性和特异性分别是森林和非森林类别的生产者准确性(Liu, White, & Newell, 2011; Olofsson, Foody, Stehman, & Woodcock, 2012)。这些不同的指标是针对单独产品和混合产品计算的。

森林覆盖率的准确性通过决定系数(R 平方)和均方根误差(RMSE)进行估计。


4. 结果与讨论


我们应用了相关性分析,以评估输入数据集(转换为百分比森林覆盖率并聚合到 1 公里)在估算森林覆盖率方面彼此之间以及与 Geo-Wiki 训练点的一致程度,相关数据见表 2。

总体而言,相关性很高,最低值为 0.57。这是可以预期的,因为所有数据集都试图表示相同的事物:即地球的森林覆盖。与 Geo-Wiki 数据集的最高相关性是与 Hansen 的树木覆盖产品,其次是 Landsat VCF 和 MODIS VCF。

第二次分析旨在确定所有数据集是否对混合地图做出了独特贡献。为此,我们计算了每个初始数据集与 Geo-Wiki 训练点之间的一致性。这一比较为我们提供了关于一个数据集在何处表现优于其他数据集的信息。例如,GLC2000 和 Landsat VCF 与 Geo-Wiki 训练点之间的整体相关性都很高(分别为 0.73 和 0.86),而它们之间的相关性为 0.73。图 5A 显示了 GLC2000 表现更好的区域(主要是在开放森林和草原)以及 Landsat VCF 更好地对应 Geo-Wiki 点的其他区域(主要是封闭森林)。在图 5B 中,Landsat VCF 的情况则有所不同。

A
B

图 10. 使用(a)国家和(b)区域 FAO 统计数据校准的混合森林地图(中非)。


在许多情况下,Landsat VCF 比 MODIS VCF 更可取,特别是在土地覆盖马赛克的高人口密度地区。由于该产品的分辨率更高,Landsat VCF 更好地识别马赛克。

为了确定在最终模型中是否有必要包含所有 8 个地图,我们使用了赤池信息量准则(AIC)(Akaike, 1974)来评估改进拟合与增加参数之间的权衡(在这种情况下是构成地图的数量加上一个截距参数)。AIC 的值是无单位的,但值越低越好。我们还计算了模型的调整 R 2 R 2 R^(2)\mathrm{R}^{2} ,它提供了与 AIC 类似的信息,并调整了参数的数量。我们计算了所有 ( 2 8 1 = 255 ) 2 8 1 = 255 (2^(8)-1=255)\left(2^{8}-1=255\right) 种可能的输入地图组合(从 1 到 8)的 AIC 和调整后的 R 2 R 2 R^(2)\mathrm{R}^{2} 。包含所有 8 个地图的模型效果最佳(图 6),尽管仅比最佳的 7 个地图模型稍好,因此我们选择在最终的混合产品中保留所有输入地图。

表 3 包含了 Geo-Wiki 训练点与初始数据集的比较。

根据 Geo-Wiki 训练点,7589 个或 43 % 43 % 43%43 \% (大约 18.6K 中的一部分)被分类为森林。一些产品显示出与 Geo-Wiki 非常相似的森林点比例(例如 GlobCover、区域马赛克或 Hansen 的 TC),而其他数据集的比例则从 29 % 29 % -29%-29 \% (GLCNMO)到 + 68 % + 68 % +68%+68 \% (MODIS VCF)不等。

此外,我们计算了三项准确性指标,即总体准确性、灵敏度(森林)和特异性(非森林)。总体准确性在 Hansen 的 TC 中最高(对应的灵敏度和特异性值也很高),在 MODIS VCF 中最低(因为我们选择了较低的阈值)。Landsat VCF 和 MODIS VCF 在 Hansen 的 TC 之后具有第二高的 R 2 R 2 R^(2)R^{2} ,这表明最佳的均方根误差(RMSE)。


4.1. 森林概率图


物流 GWR 使我们能够生成森林概率图,该图估计在一个像素中即使存在少量森林的可能性(图 7)。

森林概率图是一个中间产品,经过应用指定阈值(即“最佳猜测”混合产品的 0.5 和使用 FAO 统计数据校准的混合产品的可变阈值)后转换为森林掩膜。


4.2. 森林覆盖率


使用 8 个初始数据集和 Geo-Wiki 训练点的线性 GWR 应用产生了平均 R 2 R 2 R^(2)\mathrm{R}^{2} 为 0.81,RMSE 为


19%。线性回归的一般参数显示,该模型中包含的所有输入地图都具有高度显著性。输入数据集与 GeoWiki 训练点之间的地理加权 R 2 R 2 R^(2)\mathrm{R}^{2} 值如图 8 所示。低 R 2 R 2 R^(2)R^{2} 值的区域需要进一步调查。问题可能源于两个可能的来源:全球数据集表现不佳的区域或 Google Earth 的限制(例如,低分辨率影像、难以识别的土地覆盖类型,如草原、灌木地、自然植被/农业的马赛克)。

最低值用黄色和红色阴影表示(图 8),这些值出现在南美洲、非洲和澳大利亚。这与草原或灌木丛有关,这些地区与森林难以区分。英国和乌克兰、印度的草原区也存在问题区域,这些区域的特征是马赛克景观,耕地与保护带或小片森林相结合。


4.3. 混合森林覆盖图


如第 3 节所示,制作了两种不同类型的混合森林覆盖图:

  • 一张“最佳猜测”地图,反映了我们基于遥感产品对森林覆盖的最佳了解(图 9)。

  • 一张与 FAO FRA 国家统计数据在国家层面校准的混合地图。然而,该地图在某些地区(例如中非地区 - 图 10A)受到国家边界效应的影响。这是由于每个国家有不同的概率阈值,这反映了国家级统计数据的质量。

因此,我们创建了第三个混合地图,这次使用了按区域(大陆)级别汇总的 FAO FRA 统计数据进行校准。该地图与汇总统计数据一致,但不受国界效应的影响(图 10B)。

“最佳猜测”森林地图显示全球森林覆盖面积为 33 亿公顷,比 FAO FRA 统计数据低 19 % 19 % 19%19 \% 。在将不同的遥感产品与 FAO FRA 进行比较时,之前也报告了森林面积减少的情况。例如,McCallum、Obersteiner、Nilsson 和 Shvidenko(2006)以及 Shvidenko 等(2005)报告了各种全球遥感产品与国家统计数据之间的差异在-13%到 46 % 46 % -46%-46 \% 之间,平均为 26 % 26 % -26%-26 \% 。国家级别的比较见图 11。该图显示森林面积更大。

图 11. 模型估算的森林面积与 FAO FRA 国家统计数据的比较,其中 FAO 将森林视为土地利用,因此包括了额外的区域。
 表 4

输入数据集和三种混合产品(全球样本)在 1 公里分辨率下的准确性评估。
 数据集
验证样本中的森林像素(%)

森林识别的准确率 (%)

森林覆盖率估算
Estimation of percentage forest cover| Estimation of percentage | | :--- | | forest cover |
 整体  特异性(非森林)  敏感性(森林)  相关性, R 2 R 2 R^(2)\mathrm{R}^{2}  均方根误差,%
 Geo-Wiki 验证 49
GLC2000 36 78 91 64 0.54 30
GLCNMO 36 79 92 65 0.46 32
 全球地表覆盖 43 83 88 77 0.62 25
MODIS LC 35 79 92 65 0.67 24
 区域马赛克 56 83 77 90 0.81 24
MODIS VCF 70 77 56 98 0.78 23
 汉森的 TC 54 90 85 96 0.87 15
 混合“最佳猜测” 49 93 93 93 0.87 16

按国家校准的混合体
37 85 97 73 0.78 20

由粮农组织区域校准的混合体
38 86 97 75 0.84 17
Dataset Forest pixels in validation sample (%) Accuracy of forest recognition (%) "Estimation of percentage forest cover" Overall Specificity (non-forest) Sensitivity (forest) correlation, R^(2) RMSE, % Geo-Wiki validation 49 GLC2000 36 78 91 64 0.54 30 GLCNMO 36 79 92 65 0.46 32 GlobCover 43 83 88 77 0.62 25 MODIS LC 35 79 92 65 0.67 24 Regional mosaic 56 83 77 90 0.81 24 MODIS VCF 70 77 56 98 0.78 23 Hansen's TC 54 90 85 96 0.87 15 Hybrid "best guess" 49 93 93 93 0.87 16 Hybrid calibrated by country 37 85 97 73 0.78 20 Hybrid calibrated by FAO region 38 86 97 75 0.84 17| Dataset | Forest pixels in validation sample (%) | Accuracy of forest recognition (%) | | | Estimation of percentage <br> forest cover | | | :---: | :---: | :---: | :---: | :---: | :---: | :---: | | | | Overall | Specificity (non-forest) | Sensitivity (forest) | correlation, $\mathrm{R}^{2}$ | RMSE, % | | Geo-Wiki validation | 49 | | | | | | | GLC2000 | 36 | 78 | 91 | 64 | 0.54 | 30 | | GLCNMO | 36 | 79 | 92 | 65 | 0.46 | 32 | | GlobCover | 43 | 83 | 88 | 77 | 0.62 | 25 | | MODIS LC | 35 | 79 | 92 | 65 | 0.67 | 24 | | Regional mosaic | 56 | 83 | 77 | 90 | 0.81 | 24 | | MODIS VCF | 70 | 77 | 56 | 98 | 0.78 | 23 | | Hansen's TC | 54 | 90 | 85 | 96 | 0.87 | 15 | | Hybrid "best guess" | 49 | 93 | 93 | 93 | 0.87 | 16 | | Hybrid calibrated by country | 37 | 85 | 97 | 73 | 0.78 | 20 | | Hybrid calibrated by FAO region | 38 | 86 | 97 | 75 | 0.84 | 17 |

比厄瓜多尔、巴布亚新几内亚、印度尼西亚和刚果民主共和国等国的国家统计数据所指示的要大,而巴西、中国和俄罗斯等国的面积则小于该年国家统计数据所报告的。这些差异部分可以通过 FAO FRA 将森林视为土地利用而非土地覆盖来解释。FAO 所定义的森林包括由于伐木、自然灾害和其他可能被森林覆盖的土地类别而暂时未被植被覆盖的区域。

 4.4. 验证


输入数据集的准确性(转换为森林覆盖并聚合到 1 公里分辨率)以及三个混合产品的准确性见表 4。

表 4 的结果表明,混合“最佳猜测”产品的表现优于几乎所有输入数据集和其他两个混合产品。该“最佳猜测”混合产品具有最高的整体准确性( 93 % 93 % 93%93 \% ),在敏感性和特异性方面通常得分更高( 93 % 93 % 93%93 \% )。然而,混合“最佳猜测”地图的 R 2 R 2 R^(2)R^{2} 和 RMSE 值与汉森的 TC 相似。由于这两种产品在许多情况下提供了相似的森林估计,我们检查了两幅地图不一致的区域,去除了汉森的 TC 和混合“最佳猜测”地图一致的验证点。不一致区域的分析见表 5。

仅考虑不一致的区域,最佳猜测混合图现在显示出最高的整体准确性以及 R 2 R 2 R^(2)R^{2} 。尽管与基于 Landsat 的产品相比,混合图的性能相似,但它有明显的优势:(1)在劳动力和处理能力方面成本非常低;(2)我们可以通过收集更多的训练点来继续提高质量。


为了确定混合地图中是否存在区域特定的准确性效应,我们对上述分析进行了重新运行,分析了六个 FAO 区域的结果,结果如表 6 所示。

总体而言,区域上“最佳猜测”混合地图的表现优于其他两种混合产品,而按国家校准的结果在所有三种混合产品中表现最差。因此,按 FAO 区域进行校准可以被视为开发一种改进产品的良好折衷,该产品在需要此类产品的应用中(例如全球经济土地利用建模)也与 FAO 统计数据一致。

“最佳猜测”地图的最高 R 2 R 2 R^(2)R^{2} 值出现在大洋洲和南美洲(大面积森林),而最低值出现在北美和欧洲(人口稠密地区的土地覆盖异质性和北部的低分辨率影像)。与国家统计数据校准的混合地图在欧洲和北美/中美洲表现最佳,而在非洲和亚洲表现最差,这可能仅与这些地区森林清查的质量有关。

这三种混合森林覆盖产品可以在http://biomass.geo-wiki.org上公开可视化和下载。

 5. 结论


本文概述了首个全球混合森林覆盖图的开发和验证,该图整合了遥感产品和通过众包收集的数据,并与 F A O F A O FAOF A O 的国家和区域森林统计数据一致。另一个混合森林产品作为“最佳猜测”森林覆盖图可用,独立于 FAO。对各个产品和混合产品的验证确认,综合产品在 1 公里分辨率下比现有的八个单独数据集更好地代表了森林覆盖。
 表 5

在 1 公里分辨率下,对输入数据集和混合产品在不一致区域的准确性进行评估。
 数据集
验证样本中的森林像素(%)

森林识别的准确率 (%)

森林覆盖率估算
Estimation of percentage forest cover| Estimation of percentage | | :--- | | forest cover |
 整体  特异性(非森林)  敏感性(森林)  相关性, R 2 R 2 R^(2)\mathrm{R}^{2}  均方根误差,%
 Geo-Wiki 验证 52
GLC2000 29 61 83 41 0.26 39
GLCNMO 30 63 84 42 0.21 42
 全球地表覆盖 43 70 78 63 0.38 31
 区域马赛克 66 71 55 85 0.39 31
MODIS VCF 91 59 16 99 0.59 30
Landsat VCF 48 82 85 79 0.63 31
 汉森的 TC 63 84 72 95 0.71 21
 混合“最佳猜测” 53 88 86 90 0.76 22
Dataset Forest pixels in validation sample (%) Accuracy of forest recognition (%) "Estimation of percentage forest cover" Overall Specificity (non-forest) Sensitivity (forest) correlation, R^(2) RMSE, % Geo-Wiki validation 52 GLC2000 29 61 83 41 0.26 39 GLCNMO 30 63 84 42 0.21 42 GlobCover 43 70 78 63 0.38 31 Regional mosaic 66 71 55 85 0.39 31 MODIS VCF 91 59 16 99 0.59 30 Landsat VCF 48 82 85 79 0.63 31 Hansen's TC 63 84 72 95 0.71 21 Hybrid "best guess" 53 88 86 90 0.76 22| Dataset | Forest pixels in validation sample (%) | Accuracy of forest recognition (%) | | | Estimation of percentage <br> forest cover | | | :---: | :---: | :---: | :---: | :---: | :---: | :---: | | | | Overall | Specificity (non-forest) | Sensitivity (forest) | correlation, $\mathrm{R}^{2}$ | RMSE, % | | Geo-Wiki validation | 52 | | | | | | | GLC2000 | 29 | 61 | 83 | 41 | 0.26 | 39 | | GLCNMO | 30 | 63 | 84 | 42 | 0.21 | 42 | | GlobCover | 43 | 70 | 78 | 63 | 0.38 | 31 | | Regional mosaic | 66 | 71 | 55 | 85 | 0.39 | 31 | | MODIS VCF | 91 | 59 | 16 | 99 | 0.59 | 30 | | Landsat VCF | 48 | 82 | 85 | 79 | 0.63 | 31 | | Hansen's TC | 63 | 84 | 72 | 95 | 0.71 | 21 | | Hybrid "best guess" | 53 | 88 | 86 | 90 | 0.76 | 22 |
 表 6

通过 FAO 地区(全球样本)测量的混合地图的准确性 R 2 R 2 R^(2)R^{2}
 区域
 混合“最佳猜测”
Hybrid 'best guess'| Hybrid | | :--- | | 'best guess' |

混合校准按国家
Hybrid calibrated by country| Hybrid | | :--- | | calibrated by | | country |

混合校准的 FAO 区域
Hybrid calibrated by FAO region| Hybrid | | :--- | | calibrated by | | FAO region |
 非洲 0.86 0.66 0.81
 亚洲 0.85 0.76 0.86
 欧洲 0.84 0.81 0.80

北美和中美洲
0.84 0.83 0.83
 大洋洲 0.95 0.60 0.84
 南美洲 0.89 0.76 0.86
 全球 0.87 0.78 0.84
Region "Hybrid 'best guess'" "Hybrid calibrated by country" "Hybrid calibrated by FAO region" Africa 0.86 0.66 0.81 Asia 0.85 0.76 0.86 Europe 0.84 0.81 0.80 North and Central America 0.84 0.83 0.83 Oceania 0.95 0.60 0.84 South America 0.89 0.76 0.86 Global 0.87 0.78 0.84| Region | Hybrid <br> 'best guess' | Hybrid <br> calibrated by <br> country | Hybrid <br> calibrated by <br> FAO region | | :--- | :--- | :--- | :--- | | Africa | 0.86 | 0.66 | 0.81 | | Asia | 0.85 | 0.76 | 0.86 | | Europe | 0.84 | 0.81 | 0.80 | | North and Central America | 0.84 | 0.83 | 0.83 | | Oceania | 0.95 | 0.60 | 0.84 | | South America | 0.89 | 0.76 | 0.86 | | Global | 0.87 | 0.78 | 0.84 |

这些混合产品有两个目的——首先,它们展示了通过这种协调的方法,结合现有产品与众包信息和统计数据,可以实现具有成本效益的改进。这种方法也可以很容易地应用于提高其他空间生物物理产品的准确性。其次,这些产品提供了一个更高可信度的数据集,可以被监测和建模社区使用。这类数据集在建立 REDD+和碳循环建模的基线方面极为重要,同时也涉及生物燃料评估相关问题。此外,森林覆盖的表示准确性提高将更普遍地改善土地利用建模的准确性,特别是在与农业部门的互动方面。类似的产品将在不久的将来为 2010 年制作。

 致谢


本研究部分得到了欧盟资助的第七框架计划项目的支持,包括 GEOCARBON(283080)、AGRICISTRADE(612755)、SIGMA(603719)、SIFCAS - FP7-PEOPLE-2013-IIF(627481);由欧洲航天局支持的 GLOBBIOMASS 项目;由德国联邦环境、自然保护和核安全部国际气候倡议支持的 REDD-PAC 项目;由日本国立环境研究所支持的 NEFCA 项目;以及波兰科学基金会在智能计算国际博士项目下的支持(创新经济运营计划 2007-2013 和欧洲区域发展基金)。

 参考文献


赤池, H. (1974). 统计模型识别的新视角. IEEE 自动控制学报, 19(6), 716-723. http://dx.doi.org/10.1109/TAC.1974.1100705.


Brunsdon, C. (1998). 探索性空间数据分析与 XLISP-STAT 的空间关联局部指标。《皇家统计学会杂志 D 系列:统计学家》,47(3),471-484。


Brunsdon, C., Fotheringham, S., & Charlton, M. (1998). 地理加权回归——建模空间非平稳性。《皇家统计学会杂志》。D 系列(统计学家),47(3),431-443。http://dx.doi.org/10.2307/ 2988625。

Brunsdon, C., McClatchey, J., & Unwin, D.J. (2001). 英国平均降雨量与海拔关系的空间变化:一种使用地理加权回归的方法。《气候学国际期刊》,21(4),455-466。http://dx.doi.org/10. 1002/joc.614.


Comber, A. (2013). 地理加权方法用于估计整体、用户和生产者精度的局部表面。遥感快报, 4(4), 373-380. http:// dx.doi.org/10.1080/2150704X.2012.736694

Comber, A., Fisher, P., Brunsdon, C., & Khmag, A. (2012). 遥感图像分类精度的空间分析。环境遥感, 127, 237-246. http://dx. doi.org/10.1016/j.rse.2012.09.005.


Comber, A., See, L., Fritz, S., Van der Velde, M., Perger, C., & Foody, G. (2013). 使用控制数据来确定关于土地覆盖的自愿地理信息的可靠性。国际应用地球观测与地理信息杂志, 23, 37-48. http://dx.doi.org/10.1016/j.jag.2012.11.002


Defourny, P., Vancustem, C., Bicheron, P., Brockmann, C., Nino, F., Schouten, L., 等. (2006). GLOBCOVER:使用 ENVISAT MERIS 时间序列的 2005 年 300 米全球土地覆盖产品。ISPRS 第七委员会中期研讨会论文集:


遥感:从像素到过程(恩斯赫德,荷兰。取自 http://metaliba.lib.ucl.ac.uk/V?func=find-ej-1)。

DiMiceli, C.M., Carroll, M.L., Sohlberg, R.A., Huang, C., Hansen, M.C., & Townshend, J.R.G. (2011). 年度全球自动化 MODIS 植被连续场(MOD44B),空间分辨率为 250 米,数据年份从 2000 年到 2010 年,第 65 天开始。第 5 版树冠覆盖率。美国马里兰州:马里兰大学,公园学院(取自 http://glcf.umd.edu/data/vcf/)。


FAO (2010a). 2010 年全球森林资源评估。FAO 研究论文 163(第 378 页)。罗马:FAO(取自 http://www.fao.org/docrep/013/i1757e/ i1757e.pdf)。


FAO (2010b). 2010 年全球森林资源评估。术语和定义。工作文件 144/E (罗马。取自 http://www.fao.org/docrep/014/am665e/ am665e00.pdf)。


Fielding, A.H., & Bell, J.F. (1997). 保护存在/缺失模型中预测误差评估方法的综述。环境保护,24(01), 38 49 38 49 38-4938-49


Foody, G.M. (2010). 使用不完美的地面参考数据评估土地覆盖变化的准确性。环境遥感, 114(10), 2271-2285. http://dx.doi. org/10.1016/j.rse.2010.05.003.


Fotheringham, A.S., Brunsdon, C., & Charlton, M. (2002). 地理加权回归:空间变化关系的分析。奇切斯特:约翰·威利父子公司。


Friedl, M.A., Sulla-Menashe, D., Tan, B., Schneider, A., Ramankutty, N., Sibley, A., 等. (2010). MODIS 第五版全球土地覆盖:算法改进和新数据集的特征描述。环境遥感, 114(1), 168-182. http://dx. doi.org/10.1016/j.rse.2009.08.016.


Fritz, S., McCallum, I., Schill, C., Perger, C., Grillmayer, R., Achard, F., 等. (2009). Geo-Wiki. Org:利用众包改善全球土地覆盖。遥感, 1(3), 345-354.


Fritz, S., McCallum, I., Schill, C., Perger, C., See, L., Schepaschenko, D., 等. (2012). GeoWiki:一个改善全球土地覆盖的在线平台。环境建模与软件, 31, 110-123. http://dx.doi.org/10.1016/j.envsoft.2011.11.015


Fritz, S., See, L., van der Velde, M., Nalepa, R.A., Perger, C., Schill, C., 等. (2013). 降低对可用于生物燃料生产的土地的最新估计。环境科学与技术, 47(3), 1688-1694. http://dx.doi.org/10.1021/ es303141h.


Fritz, S., You, L., Bun, A., See, L., McCallum, I., Schill, C., 等. (2011a). 撒哈拉以南非洲的农田:使用五个土地覆盖数据集的协同方法。地球物理研究快报, 38(4). http://dx.doi.org/10.1029/2010GL046213 (n/a-n/a).


Fritz, S., You, L., Bun, A., See, L., McCallum, I., Schill, C., 等. (2011b). 撒哈拉以南非洲的农田:使用五个土地覆盖数据集的协同方法. 地球物理研究快报, 38(4), L04404. http://dx.doi.org/10.1029/2010GL046213.


龚鹏, 王俊, 于丽, 赵勇, 赵勇, 梁丽, 等. (2013). 全球土地覆盖的更精细分辨率观察与监测:使用 Landsat TM 和 ETM+数据的首次制图结果. 国际遥感杂志, 34(7), 2607-2654. http:// dx.doi.org/10.1080/01431161.2012.748992.

汉森, M.C., 波塔波夫, P.V., 摩尔, R., 汉彻, M., 图鲁巴诺娃, S.A., 休卡维娜, A., 等. (2013). 21 世纪森林覆盖变化的高分辨率全球地图. 科学, 342 (6160), 850-853. http://dx.doi.org/10.1126/science. 1244693.


Herold, M., Mayaux, P., Woodcock, C.E., Baccini, A., & Schmullius, C. (2008). 全球土地覆盖制图的一些挑战:对现有 1 公里数据集的一致性和准确性的评估。环境遥感, 112(5), 2538-2556. http:// dx.doi.org/10.1016/j.rse.2007.11.013.

INPE (2014). PRODES 项目:通过卫星监测巴西亚马逊森林。巴西:国家空间研究所,圣若泽杜斯坎普斯(取自 http://www.obt.inpe.br/prodes/index.php)。


IPCC(2007)。气候变化 2007:减缓。气候变化政府间专门委员会第三工作组对第四次评估报告的贡献。英国剑桥和美国纽约:剑桥大学出版社。


岩尾, K., 长原, K.N., 木下, T., 山形, Y., 帕顿, D., & 土田, S. (2011). 通过地图整合创建新的全球土地覆盖图. 地理信息系统杂志, 03(02), 160-165. http://dx.doi.org/10.4236/jgis.2011.32013.


Jung, M., Henkel, K., Herold, M., & Churkina, G. (2006). 利用全球土地覆盖产品的协同效应进行碳循环建模。环境遥感, 101(4), 534-553.


Kempeneers, P., Sedano, F., Pekkarinen, A., Seebach, L., Strobl, P., & San-Miguel-Ayanz, J. (2012 年 7 月 25 日). 基于光学卫星影像的泛欧森林地图. 取自 http://www.earthzine.org/2012/07/25/pan-european-forest-mapsderived-from-optical-satellite-imagery/


Kindermann, G., Obersteiner, M., Rametsteiner, E., & McCallum, I. (2006). 在不同碳价下预测森林砍伐趋势。碳平衡与管理,1 (取自 http://www.scopus.com/scopus/inward/record.url?eid=2-s2.034248361032 &partnerID = 40 = 40 =40=40 & rel = R 7.0 .0 rel = R 7.0 .0 rel=R7.0.0\mathrm{rel}=\mathrm{R} 7.0 .0 ).


Le Quéré, C., Peters, G.P., Andres, R.J., Andrew, R.M., Boden, T., Ciais, P., 等. (2013). 2013 年全球碳预算. 地球系统科学数据讨论, 6(2), 689-760. http://dx. doi.org/10.5194/essdd-6-689-2013.


Lenton, T.M., Held, H., Kriegler, E., Hall, J.W., Lucht, W., Rahmstorf, S., 等. (2008). 地球气候系统中的临界元素. 美国国家科学院院刊, 105(6), 1786-1793. http://dx.doi.org/10. 1073/pnas. 0705414105.


Lesiv, M., Schepaschenko, D., Stryamets, O., & Nahorski, Z. (2013). 使用 R 中的 GWR 模型开发森林地图的方法和工具:乌克兰案例研究。发表于第八届国际科学技术会议“计算机科学与信息技术”(CSIT’2013)会议论文集(第 6-7 页)。乌克兰:利沃夫。


梁, Y., 梅, C. -L., & 张, W. -X. (2000). 基于地理加权回归模型的空间非平稳性统计检验. 环境与规划 A, 32(1), 9-32.


    • 通讯作者:国际应用系统分析研究所,奥地利拉克森堡,施洛斯广场 1 号,邮政编码 A-2361。电话:+ 432236807453。
    E-mail addresses: schepd@iiasa.ac.at (D. Schepaschenko), see@iiasa.ac.at (L. See), myroslava.lesiv@gmail.com (M. Lesiv), mccallum@iiasa.ac.at (I. McCallum), fritz@ iiasa.ac.at (S. Fritz), carlsalk@gmail.com (C. Salk), moltchan@iiasa.ac.at (E. Moltchanova), pergerch@iiasa.ac.at (C. Perger), mariaschep@gmail.com (M. Shchepashchenko), shvidenk@iiasa.ac.at (A. Shvidenko), kovalevskyis.s@gmail.com (S. Kovalevskyi), dmitriy.nau@gmail.com (D. Gilitukha), franziska.k.albrecht@gmail.com (F. Albrecht), kraxner@iiasa.ac.at (F. Kraxner), andr.bun@gmail.com (A. Bun), shamil@nies.go.jp (S. Maksyutov), sokolov_a66@mail.ru (A. Sokolov), duerauer@iiasa.ac.at (M. Dürauer), oberstei@iiasa.ac.at (M. Obersteiner), vnk57@yandex.ru (V. Karminov), opv86@mail.ru (P. Ontikov).