段文勝，陳元鵬，王力，黃妮，賀原惠子，4，張昌賽，4，張陽堅(jiān)，周泉，4，牛錚，4

1.中國科學(xué)院空天信息創(chuàng)新研究院 遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室,北京 100101;

2.中國科學(xué)院大學(xué) 電子電氣與通信工程學(xué)院,北京 100049;

3.自然資源部國土整治中心,北京 100035;

4.中國科學(xué)院大學(xué),北京 100049

1 引言

森林生態(tài)系統(tǒng)在全球碳循環(huán)、能量平衡以及物質(zhì)交換中扮演著重要角色（Brockerhoff等，2008；Williams，2015；葛全勝 等，2008）。人類對(duì)自然森林資源的過度掠奪造成了全球森林覆蓋面積的銳減以及嚴(yán)重的生態(tài)環(huán)境問題（Hansen 等，2013；張帥帥 等，2020），短輪伐期人工林SRPs（Short-Rotation Plantations）是指輪伐期短、材質(zhì)好、造林成活率高的人工經(jīng)濟(jì)林，是目前國內(nèi)主要的木材供應(yīng)原料。其輪作形成的重復(fù)性森林砍伐和造林是區(qū)域碳匯變化的重要影響因素（步巧利 等，2020）。SRPs 種植的快速推廣雖然緩解了社會(huì)發(fā)展對(duì)木材的需求，但是粗放式的快速發(fā)展也帶來了一系列生態(tài)環(huán)境問題（Brockerhoff 等，2008；Williams，2015；黃國勤和趙其國，2014）。因此，SRPs客觀科學(xué)的監(jiān)測(cè)研究逐漸受到廣泛的關(guān)注。

目前，雖然有諸多學(xué)者利用遙感技術(shù)對(duì)森林覆蓋進(jìn)行了大量的研究（吳雪瓊 等，2010），但針對(duì)SRPs 進(jìn)行遙感信息提取及變化監(jiān)測(cè)的研究十分匱乏。以往人工林信息提取的研究多基于Landsat 系列中高分辨率影像，僅局限在單景影像的小范圍內(nèi)，且精度有限（Qiao 等，2016；蒙良莉 等，2019）。由于SRPs 在兩個(gè)輪伐期間存在休耕期，僅利用單時(shí)相的影像進(jìn)行SRPs 監(jiān)測(cè)會(huì)將休耕期的裸土地塊識(shí)別為非短輪伐期人工林（Non-SRPs）用地，增加SRPs 用地信息提取的漏分誤差（Qiao 等，2016）。時(shí)序遙感數(shù)據(jù)能較好地解決這一問題，例如，Maire 等（2014）基于MODIS（Moderate Resolution Imaging Spectroradiometer）影像重構(gòu)歸一化植被指數(shù)NDVI（Normalized Difference Vegetation Index）時(shí)序，提高了巴西SRPs提取精度（Le Maire等，2014）。雖然利用高時(shí)間分辨率的遙感影像提高了SRPs 信息的提取精度，但中國南方地區(qū)受粗放式發(fā)展以及地形地貌影響導(dǎo)致SRPs 林分破碎，低分辨率MODIS 影像無法滿足SRPs 提取的要求。因此，具有30 多年歷史存檔數(shù)據(jù)的中分辨率Landsat 系列衛(wèi)星影像數(shù)據(jù)成為更合適的選擇。

由于中國南方地區(qū)多云多雨，選取每年相同儒略日附近的影像重構(gòu)長(zhǎng)時(shí)序遙感數(shù)據(jù)較為困難（沈文娟和李明詩，2017），而逐像素重構(gòu)的年度合成數(shù)據(jù)能夠有效的解決此問題。SRPs 的輪伐時(shí)序特征，本質(zhì)上是人為造成的周期性森林干擾和恢復(fù)事件。LT（LandTrendr）算法是基于Landsat長(zhǎng)時(shí)間序列監(jiān)測(cè)森林干擾的主流算法，能有效的識(shí)別連續(xù)變化的森林干擾事件（Kennedy 等，2010；Shen等，2017）。

本研究以廣西壯族自治區(qū)（以下簡(jiǎn)稱廣西）為研究區(qū)，基于GEE（Google Earth Engine）云平臺(tái)以及近34年的Landsat系列影像，首先采用逐像素合成技術(shù)重構(gòu)34年的歸一化燃燒指數(shù)NBR（Normalized Burn Ratio）長(zhǎng)時(shí)間序列數(shù)據(jù)，然后運(yùn)用LT 算法對(duì)NBR 時(shí)序數(shù)據(jù)進(jìn)行分割擬合，提取森林區(qū)域SRPs的時(shí)空分布信息，最后借助Google Earth 高分辨率影像選取樣本驗(yàn)證分類提取的精度，分析SRPs 種植面積變化的時(shí)空特征與相關(guān)因子。本研究的開展對(duì)于林業(yè)管理、人工林經(jīng)濟(jì)估算、生態(tài)環(huán)境保護(hù)以及碳循環(huán)研究都有著重要的意義。

2 研究區(qū)域和數(shù)據(jù)源

2.1 研究區(qū)域

廣西壯族自治區(qū)（簡(jiǎn)稱“廣西”）位于中國華南地區(qū)，20°54′N—26°24′N，104°28′E—112°04′E，陸地面積為2.38×107ha。廣西屬亞熱帶季風(fēng)氣候和熱帶季風(fēng)氣候，氣候條件非常適合SRPs的種植。據(jù)統(tǒng)計(jì)，2018 年廣西全區(qū)森林面積達(dá)到1.48×107ha，森林覆蓋率達(dá)到62.31%（圖1）（Hansen等，2013；蘭秀 等，2019）。桉樹作為廣西的主要SRPs 類型，全區(qū)種植面積達(dá)2.33×106ha，桉樹木材產(chǎn)量約占全國70%（廣西壯族自治區(qū)人民政府門戶網(wǎng)站：http：//www.gxzf.gov.cn［/2021-02-09］）。

圖1 研究區(qū)域概況Fig.1 Overview of the study area

2.2 實(shí)驗(yàn)數(shù)據(jù)

Landsat 系列衛(wèi)星傳感器數(shù)據(jù)的波段范圍、時(shí)空分辨率較為一致，因此，可以很好的重構(gòu)長(zhǎng)時(shí)序（Claverie 等，2015；Roy 等，2016；Woodcock等，2008；Zhu 等，2015；邱布布，2017；沈文娟和李明詩，2014；張志杰 等，2015）。本文選擇1986年—2019年的Landsat系列衛(wèi)星（Landsat 5/TM、Landsat 7/ETM+、Landsat 8/OLI）影像作為數(shù)據(jù)源（表1）。研究中使用的Landsat 影像數(shù)據(jù)共13051景，其中Landsat 5/TM 5846 景，Landsat 7/ETM+4566景，Landsat 8/OLI 2639景（圖2）。在研究的時(shí)間范圍內(nèi)，有效觀測(cè)皆能覆蓋廣西全境。

表1 Landsat系列數(shù)據(jù)Table 1 Landsat series data details

圖2 研究區(qū)Landsat數(shù)據(jù)量統(tǒng)計(jì)Fig.2 Landsat data volume statistics in the study area

2.3 GEE云計(jì)算平臺(tái)

GEE 是當(dāng)今世界上最先進(jìn)的專門處理衛(wèi)星影像等地理空間觀測(cè)數(shù)據(jù)的云計(jì)算平臺(tái)。GEE 云端數(shù)據(jù)庫中集成了近40 年的Landsat 系列衛(wèi)星的歷史存檔數(shù)據(jù)，給個(gè)人用戶提供了強(qiáng)大的算力和云存儲(chǔ)空間，同時(shí)提供了方便快捷的JavaScript 語言API 接口進(jìn)行數(shù)據(jù)處理、算法實(shí)現(xiàn)以及結(jié)果分析（Dong 等，2016；Gorelick 等，2017；Hansen 等，2013；Padarian 等，2015）。本研究應(yīng)用GEE 云計(jì)算平臺(tái)進(jìn)行數(shù)據(jù)處理，大大減少了數(shù)據(jù)準(zhǔn)備的前期工作，也極大的降低了數(shù)據(jù)處理與算法實(shí)現(xiàn)過程中對(duì)本地硬件設(shè)備的依賴。

3 研究方法

本研究首先利用GEE 平臺(tái)進(jìn)行數(shù)據(jù)預(yù)處理以及結(jié)合Google Earth 進(jìn)行樣本數(shù)據(jù)處理。然后，利用GEE JavaScript API 實(shí)現(xiàn)LT 時(shí)序分割以及SRPs信息提取。最后，進(jìn)行SRPs 時(shí)空分布制圖、精度評(píng)價(jià)以及趨勢(shì)分析與相關(guān)分析。具體技術(shù)路線如下圖3所示。

圖3 技術(shù)路線圖Fig.3 Research flowchart

3.1 樣本數(shù)據(jù)處理

在Landsat 影像上SRPs 和Non-SRPs 容易產(chǎn)生“異物同譜”現(xiàn)象（圖4），目視解譯無法將其區(qū)分，因此無法利用Landsat影像進(jìn)行樣本選擇。本研究基于馬里蘭大學(xué)M.C.Hansen團(tuán)隊(duì)研發(fā)的全球森林變化產(chǎn)品GFC（Hansen Global Forest Change v1.7（2000年—2019年））輔助進(jìn)行樣本選擇（Hansen等，2013）。

圖4 SRPs與Non-SRPs對(duì)比Fig.4 Comparison of SRPs and Non-SRPs

利用GFC 產(chǎn)生預(yù)選樣本點(diǎn)的方法如下（圖5）：首先利用GFC 產(chǎn)品中“treecover”波段對(duì)研究區(qū)進(jìn)行掩膜處理，生成一個(gè)森林覆蓋范圍的掩膜。然后，利用“l(fā)oss”波段（定義為林分置換干擾，即從森林狀態(tài)到非森林狀態(tài)的變化）和“gain”波段（定義為“l(fā)oss”的反變化，即由非森林到森林的變化）進(jìn)行交并運(yùn)算，把森林覆蓋區(qū)域分為兩個(gè)互補(bǔ)的類層：“Both Loss&Gain”（輪伐將導(dǎo)致SRPs種植區(qū)域即發(fā)生了“l(fā)oss”又發(fā)生了“gain”）和“Not Both”。最后，應(yīng)用分層隨機(jī)采樣方法，生成兩類預(yù)選樣本點(diǎn)。

圖5 樣本選取流程圖Fig.5 Samples selection flowchart

基于GFC生成的兩類樣本點(diǎn)并不能確認(rèn)為SRPs或Non-SRPs，需要對(duì)樣本點(diǎn)進(jìn)一步驗(yàn)證。本文基于Google Earth Pro平臺(tái)的高分辨率衛(wèi)星影像對(duì)樣本點(diǎn)進(jìn)行篩選和驗(yàn)證。結(jié)合對(duì)SRPs 地面調(diào)查的先驗(yàn)知識(shí)，SRPs判別依據(jù)以下3個(gè)特征：（1）輪伐跡象特征（“SRPs—裸土—SRPs”時(shí)序特征）；（2）規(guī)律的人工種植特征；（3）人工作業(yè)痕跡（圖6、圖7）。通過Google Earth高清影像的驗(yàn)證發(fā)現(xiàn)，基于“Both Loss&Gain”生成的預(yù)選樣本點(diǎn)中僅部分為真實(shí)SRPs 樣本點(diǎn)。根據(jù)隨機(jī)采樣獲取的真實(shí)SRPs 樣本點(diǎn)，人工解譯補(bǔ)充了一部分SRPs 樣本點(diǎn)?；凇癗ot Both”生成的樣本點(diǎn)中僅小部分為非Non-SRPs樣本，進(jìn)行簡(jiǎn)單的篩選即可獲得Non-SRPs樣本。

圖6 SRPs樣本示例（谷歌地球影像）Fig.6 SRPs sample example（Google Earth image）

圖7 Non-SRPs樣本示例（谷歌地球影像）Fig.7 Non-SRPs sample example（Google Earth image）

本研究共選取2569 個(gè)樣本點(diǎn)，包括1154 個(gè)SRPs樣本點(diǎn)和1415 個(gè)Non-SRPs樣本點(diǎn)（圖6、圖7）。將其中100 個(gè)SRPs 樣本點(diǎn)用于算法參數(shù)優(yōu)化，其他的樣本點(diǎn)皆用于精度評(píng)價(jià)。用于算法參數(shù)優(yōu)化的SRPs樣本點(diǎn)可以根據(jù)Google Earth 多時(shí)相影像判斷輪伐年份RP（Rotation Point）。如圖6 樣本示例，根據(jù)前后歷史影像，可以判斷RP 對(duì)應(yīng)于2015 年。用于精度評(píng)價(jià)的樣本點(diǎn)則是可以確定2016年該像元點(diǎn)是SRPs或Non-SRPs。

3.2 數(shù)據(jù)預(yù)處理與時(shí)序重構(gòu)

3.2.1 掩膜處理與數(shù)據(jù)標(biāo)準(zhǔn)化

GEE 數(shù)據(jù)庫包含了經(jīng)過輻射校正后的Landsat系列數(shù)據(jù)：USGS Landsat 8 Surface Reflectance Tier 1、USGS Landsat 7 Surface Reflectance Tier 1、USGS Landsat 5 Surface Reflectance Tier 1。在調(diào)用所需數(shù)據(jù)后，首先利用GFC 產(chǎn)品的“treecover”波段對(duì)森林覆蓋區(qū)域進(jìn)行掩膜處理，以篩選出本研究所關(guān)注的森林覆蓋區(qū)的數(shù)據(jù)。

ETM+與TM 傳感器的波段設(shè)置是高度一致的，但與OLI 傳感器的波段設(shè)置存在一定的差別。因此，本文以ETM+的B1、B2、B3、B4、B5、B7 的6 個(gè)波段為標(biāo)準(zhǔn)波段（對(duì)應(yīng)OLI 的B2、B3、B4、B5、B6、B7波段），利用Roy等（2016）提出的回歸融合模型，對(duì)OLI數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化融合處理。通過對(duì)不同傳感器的波段進(jìn)行匹配，確保數(shù)據(jù)波段一致性。

為了消除噪聲像元的干擾，本研究利用GEE數(shù)據(jù)庫中Landsat Surface Reflectance Tier 1 系列產(chǎn)品中的云、陰影、水、積雪標(biāo)識(shí)波段（QA 波段）進(jìn)行掩膜處理。通過掩膜和標(biāo)準(zhǔn)化，獲取了所有的有效觀測(cè)數(shù)據(jù)。

3.2.2 構(gòu)建年度合成數(shù)據(jù)

為了重構(gòu)以年為間隔的長(zhǎng)時(shí)序，本文先采用逐像素合成技術(shù)構(gòu)建年度合成數(shù)據(jù)。對(duì)于多波段的Landsat 數(shù)據(jù)，研究表明多維中位數(shù)合成方法（Medoid）（式（1））有著更好的魯棒性和更快的執(zhí)行效率，合成數(shù)據(jù)具有更好的代表性（Flood，2013）。故本研究選用Medoid 合成法對(duì)每年的數(shù)據(jù)進(jìn)行處理。

式中，χ={x1，x2，…，xn}，d代表n維歐氏空間中歐氏距離計(jì)算函數(shù)。

對(duì)于植被監(jiān)測(cè)的研究，往往采用的是植物生長(zhǎng)季的影像數(shù)據(jù)代表植物的生長(zhǎng)狀態(tài)（沈文娟和李明詩，2017；Kennedy等，2010，2018）。為了驗(yàn)證選擇生長(zhǎng)季時(shí)間范圍內(nèi)6 月10 日—9 月20 日作為年度合成數(shù)據(jù)的合成時(shí)間范圍CDR（Composite Date Range），對(duì)100 個(gè)RP 樣本點(diǎn)對(duì)應(yīng)的不同光譜指數(shù)時(shí)序應(yīng)用LT算法，得到每個(gè)SRPs樣本點(diǎn)時(shí)間序列軌跡擬合結(jié)果的RMSE（Root Mean Square Error）（圖8）。選擇的光譜指數(shù)（×1000）不論是NBR 還是NDVI，以6 月10 日—9 月20 日作為CDR的RMSE 均小于以全年為CDR 的分割擬合結(jié)果，這表明6 月10 日—9 月20 日作為CDR 的分割擬合效果優(yōu)于全年。

圖8 不同CDR應(yīng)用LT算法RMSE統(tǒng)計(jì)Fig.8 RMSE statistics of applying LT algorithm with different CDR

3.2.3 NBR時(shí)序重構(gòu)

本研究利用年度合成數(shù)據(jù)計(jì)算NBR 指數(shù)，重構(gòu)了近34年的NBR時(shí)序。本文分析了NBR、NDVI、EVI（增強(qiáng)植被指數(shù)，Enhanced Vegetation Index）、NDMI（歸一化濕度指數(shù)，Normalized Difference Moisture Index）、TCB（纓帽變換亮度分量，Tasseled Cap Brightness）、TCG（纓帽變換綠度分量，Tasseled Cap Greenness）、TCW（纓帽變換濕度分量，Tasseled Cap Wetness）、TCA（纓帽變換角度分量，Tasseled Cap Angle）以及合成數(shù)據(jù)的波段（B1，B2，B3，B4，B5，B7）共14 個(gè)指數(shù)或波段在應(yīng)用LT 時(shí)序分割算法后對(duì)于RP 識(shí)別提取的識(shí)別率（圖9）。結(jié)果顯示，不論是生長(zhǎng)季合成還是全年合成的時(shí)序數(shù)據(jù)，NBR 對(duì)RP具有最高的識(shí)別率，表明NBR 指數(shù)對(duì)于RP提取具有最優(yōu)的效果。

圖9 不同指數(shù)/波段應(yīng)用LT算法對(duì)RP的識(shí)別率Fig.9 The recognition rate of RP with different indices/bands applying LT algorithm

3.3 LandTrendr算法

LandTrendr時(shí)序光譜軌跡分割算法是由美國林務(wù)局和美國俄勒岡州立大學(xué)共同提出（Kennedy等，2010），可通過該算法生成基于時(shí)序軌跡分割擬合的時(shí)序數(shù)據(jù)（圖10）。本研究首先利用LT 算法對(duì)以年為間隔的NBR 時(shí)序進(jìn)行分割、擬合以及平滑處理，然后基于擬合時(shí)序提取SRPs 特有的時(shí)序特征，最后進(jìn)行SRPs 的時(shí)空分布信息提取。算法的主要步驟如下：

圖10 LandTrendr算法示意Fig.10 LandTrendr algorithm schematic

（1）去除噪聲。通過設(shè)定閾值篩除原始NBR時(shí)序軌跡存在的異常值。

（2）確定潛在分割段頂點(diǎn)。以分段遞增的方式對(duì)時(shí)序軌跡進(jìn)行分段線性擬合，剔除角度變化過小的分割段，使分割段數(shù)達(dá)到設(shè)置的最大值。

（3）分割段頂點(diǎn)擬合。從第一個(gè)分割段開始，在保證分割軌跡連續(xù)的前提下以均方誤差MSE（Mean Square Error）最小原則確定整個(gè)時(shí)序軌跡的分割段頂點(diǎn)。

（4）分割擬合模型優(yōu)化。以MSE 增加最少為原則逐個(gè)移除分割點(diǎn)，直到分割段數(shù)量為1，最終以置信度為標(biāo)準(zhǔn)選擇最優(yōu)分割擬合模型。

3.4 SRPs制圖

利用LT 算法對(duì)NBR 長(zhǎng)時(shí)序進(jìn)行軌跡分割擬合之后，得到了去除干擾信息并能夠突出SRPs輪伐時(shí)序特征信息的NBR擬合時(shí)序軌跡（圖11）。圖11中a、b、c這3個(gè)階段構(gòu)成一個(gè)完整的輪伐周期。a階段對(duì)應(yīng)“SRPs Gain”階段，為SRPs種植之后的快速生長(zhǎng)階段。c階段對(duì)應(yīng)“SRPs Loss”階段，為SRPs成熟林分發(fā)生皆伐的階段。“RP”指兩個(gè)輪伐期之間的光譜值低谷點(diǎn)。本研究用“SRPs Loss+SRPs Gain”作為時(shí)序特征進(jìn)行SRPs 二分類。為了優(yōu)化SRPs 的時(shí)序特征，本文統(tǒng)計(jì)了100 個(gè)RP 樣本點(diǎn)對(duì)應(yīng)的時(shí)序特征。根據(jù)統(tǒng)計(jì)分析，本研究選定“SRPs Loss”階段的特征為：持續(xù)時(shí)間小于4 a，光譜指數(shù)變化幅度小于-200。“SRPs Gain”階段的特征為：持續(xù)時(shí)間小于4 a，光譜指數(shù)變化幅度大于240。

圖11 LT擬合的SRPs時(shí)序軌跡示例Fig.11 Example of LT fitted SRPs time series trajectory

3.5 精度評(píng)價(jià)方法

本研究利用基于GFC 和Google Earth 選擇并矢量化處理之后的樣本數(shù)據(jù)進(jìn)行精度評(píng)價(jià)。采用了混淆矩陣中的總體精度、用戶精度、生產(chǎn)者精度以及Kappa系數(shù)對(duì)算法進(jìn)行評(píng)價(jià)驗(yàn)證。

4 結(jié)果與分析

4.1 SRPs時(shí)空分布制圖與精度驗(yàn)證

4.1.1 精度評(píng)價(jià)結(jié)果

SRPs 二分類的用戶精度為75.93%，制圖精度為79.6%（表2）。相比于以往研究中對(duì)SRPs（以往研究中皆是僅對(duì)單一SRPs 樹種進(jìn)行研究）進(jìn)行二分類信息提取的精度都有著不同程度的提升（Thomas 等，2021；Qiao 等，2016；Le Maire 等，2014）。研究結(jié)果中存在的漏分誤差和錯(cuò)分誤差，可能是對(duì)RP 的捕捉存一定的識(shí)別誤差以及非人工林類似時(shí)序特征導(dǎo)致的。精度評(píng)價(jià)結(jié)果表明了基于LT算法對(duì)SRPs進(jìn)行二分類是可行的。對(duì)比單獨(dú)使用“SRPs Gain”或“SRPs Loss”作為時(shí)序特征進(jìn)行二分類的評(píng)價(jià)結(jié)果（表2），利用“SRPs Loss+SRPs Gain”作為時(shí)序特征進(jìn)行SRPs 二分類提取的精度是最佳的。

表2 SRPs基于不同時(shí)序特征（SRPs Loss+SRPs Gain/ SRPs Gain/ SRPs Loss）的二分類結(jié)果混淆矩陣Table 2 Confusion matrix of SRPs binary classification results（SRPs Loss+SRPs Gain/ SRPs Gain/ SRPs Loss）

4.1.2 SRPs時(shí)空分布

利用SRPs 獨(dú)特的輪伐時(shí)序特征，本研究進(jìn)行了廣西近30年的SRPs種植分布制圖（圖12）。近30年，廣西SRPs種植從零星分布到大面積分布。廣西東部南部SRPs 分布最為集中，且種植面積增長(zhǎng)最為迅速。廣西西部、北部地區(qū)受喀斯特地質(zhì)地貌的影響，SRPs 的增長(zhǎng)較南部和東部緩慢?；趶V西地級(jí)市行政范圍進(jìn)行區(qū)域統(tǒng)計(jì)分析（圖13），河池市SRPs 種植面積最大，其次百色市（其行政面積最大）和崇左市，皆超過廣西SRPs 種植總面積的10%。南部的玉林市行政面積遠(yuǎn)小于桂林市，但SRPs 種植面積卻相當(dāng)，也放映了南部地區(qū)比北部地區(qū)的SRPs分布更為密集。

圖13 廣西地級(jí)市SRPs種植占比Fig.13 The proportion of SRPs planted in prefecture-level cities in Guangxi

廣西SRPs 種植分布存在較強(qiáng)的空間分布特征（圖14，圖15）。從圖14 可以看出，隨著海拔的升高，SRPs 種植分布呈現(xiàn)明顯的下降趨勢(shì)。其中，SRPs種植分布大部分在海拔500 m以下，海拔200—300 m 分布面積最大。主要原因是海拔越高，氣候溫度越低，不利于SRPs 的快速生長(zhǎng)從而無法進(jìn)行短輪伐期輪作。從圖15 的坡度分析看出，SRPs 都是種植在具有坡度的上坡地，基本沒有種植在適合作為耕地的平地。其中，SRPs 種植主要集中分布在坡度為20°左右坡地，當(dāng)坡度大于40°時(shí)也只有極少量的分布。主要是由于坡度較大的山地不適合人工作業(yè)。

圖14 廣西SRPs種植面積占比隨海拔變化分布Fig.14 The distribution of SRPs planting area proportion at different altitude in Guangxi

圖15 廣西SRPs種植面積占比隨地表坡度變化分布Fig.15 The distribution of SRPs planting area proportion on different surface slope in Guangxi

4.2 SRPs演變趨勢(shì)與驅(qū)動(dòng)機(jī)制

廣西SRPs 的種植面積近30 年一直呈現(xiàn)穩(wěn)定快速增長(zhǎng)的趨勢(shì)（圖16），其增長(zhǎng)趨勢(shì)與人工造林面積增長(zhǎng)趨勢(shì)一致（國家林業(yè)和草原局，2019）。1990 年SRPs 種植面積僅1.93×105ha，到2019 年達(dá)到了4.04×106ha，年平均增長(zhǎng)速度達(dá)到1.33×105ha。根據(jù)中國林業(yè)統(tǒng)計(jì)年鑒數(shù)據(jù)，廣西林業(yè)生產(chǎn)總值呈快速增長(zhǎng)趨勢(shì)（圖17）。林業(yè)生產(chǎn)總值與SRPs種植面積之間的相關(guān)性為r=0.83，p＜0.001。廣西林業(yè)生產(chǎn)總值與SRPs 種植面積之間高度相關(guān)，這也表明了SRPs對(duì)于林業(yè)經(jīng)濟(jì)發(fā)展的重要影響。

圖16 廣西SRPs種植面積與人工造林面積變化趨勢(shì)Fig.16 The change trend of SRPs planting area and artificial afforestation area in Guangxi

圖17 1992年—2018年廣西林業(yè)生產(chǎn)總值變化趨勢(shì)Fig.17 The change trend of Guangxi’s forestry production value from 1992 to 2018

從圖17 可以發(fā)現(xiàn)，廣西的林業(yè)生產(chǎn)總值在2007 年左右出現(xiàn)了明顯的拐點(diǎn)，2010 年以后林業(yè)生產(chǎn)總值開始快速增長(zhǎng)。其主要原因是：（1）廣西于2007年1月1日開始實(shí)施《中華人民共和國森林法》?！吨腥A人民共和國森林法》進(jìn)一步強(qiáng)調(diào)了森林保護(hù)的規(guī)定，對(duì)森林經(jīng)營管理、植樹造林、森林采伐有了更加明確的規(guī)定（廣西壯族自治區(qū)人民政府門戶網(wǎng)站：http：//www.gxzf.gov.cn［/2021-02-09］）。（2）廣西的林業(yè)“十一五”規(guī)劃提出從林業(yè)大省區(qū)要變強(qiáng)省區(qū)的目標(biāo)，讓林業(yè)成為廣西的支柱產(chǎn)業(yè)。同時(shí)強(qiáng)調(diào)了經(jīng)濟(jì)林、森林生態(tài)效益補(bǔ)償林、速豐林的重要性，并大力引進(jìn)與發(fā)展森工企業(yè)（國家林業(yè)與草原局：http：//www.forestry.gov.cn［/2021-02-09］）。

從近30 年廣西各地級(jí)市SRPs 種植面積變化趨勢(shì)（圖18）來看。其中河池市在廣西的SRPs 種植面積始終保持最大占比，年均增長(zhǎng)面積也最大；北海市始終保持最小占比，且年均增長(zhǎng)面積最小。河池市的SRPs 種植面積有兩個(gè)突出的快速增長(zhǎng)時(shí)間段（1992 年—1994 年與1998 年—2000 年），百色市、南寧市、桂林市、梧州市、來賓市、貴港市以及賀州市的增長(zhǎng)趨勢(shì)都較為平穩(wěn)。河池市、崇左市以及玉林市在2005 年左右，SRPs 種植面積增速開始明顯放緩，而柳州市種植面積增速有一定程度的增加。

圖18 廣西各地級(jí)市SRPs種植面積變化趨勢(shì)Fig.18 The change trend of SRPs planting area in prefecturelevel cities in Guangxi

5 結(jié)論

本文以中國SRPs種植面積最大的廣西壯族自治區(qū)為研究區(qū)，探討了基于時(shí)序分割算法LandTrendr進(jìn)行SRPs 時(shí)空分布信息提取的方法，得出以下結(jié)論：

（1）利用LandTrendr 時(shí)序分割算法，能有效地對(duì)時(shí)序分割擬合，并突出SRPs特有的RP時(shí)序特征（SRPs Loss+SRPs Gain），證明了LandTrendr 算法對(duì)于SRPs 種植導(dǎo)致的森林干擾和快速恢復(fù)事件有著很好的監(jiān)測(cè)能力。

（2）基于時(shí)序特征的SRPs 信息提取中，應(yīng)用逐像素合成技術(shù)重構(gòu)的NBR光譜指數(shù)效果最優(yōu)。

（3）廣西SRPs 種植面積在近30 年一直呈快速穩(wěn)定增長(zhǎng)的趨勢(shì)，與林業(yè)產(chǎn)值變化趨勢(shì)高度相關(guān)，也說明了經(jīng)濟(jì)增長(zhǎng)對(duì)SRPs種植的需求。

（4）從空間分布來看，廣西東部、南部SRPs分布較為集中，其主要分布在海拔500m 以下的低海拔地區(qū)以及地表坡度在20°左右的坡地。其中河池市是廣西SRPs種植分布面積最大的地級(jí)市。

志 謝本文實(shí)驗(yàn)數(shù)據(jù)獲取及數(shù)據(jù)處理得到谷歌公司免費(fèi)平臺(tái)（Google Earth Pro，Google Earth Engine）的支持，在此表示衷心的感謝！