摘 要：【目的】在Google Earth Engine（GEE）云平臺(tái)上借助其強(qiáng)大的計(jì)算和數(shù)據(jù)存儲(chǔ)能力，融合多源遙感數(shù)據(jù)對(duì)森林林齡進(jìn)行遙感反演和動(dòng)態(tài)監(jiān)測(cè)?！痉椒ā咳诤?017—2023年間Sentinel-1、Sentinel-2及高程數(shù)據(jù)，通過隨機(jī)森林（Random forest，RF）分類獲取土地覆蓋信息，并進(jìn)一步提取森林的分布和面積，同時(shí)構(gòu)建時(shí)間序列植被指數(shù)來準(zhǔn)確提取森林變化區(qū)域?；谏仲Y源清查數(shù)據(jù)和融合的多源遙感數(shù)據(jù)，在GEE上構(gòu)建RF回歸、分類回歸樹（Cart）以及梯度提升回歸樹（Gradient tree boost，GTB）3種回歸模型，用于杉木組、馬尾松組、毛竹林、硬闊葉樹組以及其他類樹種組的2018年林齡遙感反演，并估算出2017年和2023年的林齡信息，以揭示林齡和齡組在2017—2023年的動(dòng)態(tài)變化情況?！窘Y(jié)果】1）2017—2023年，研究區(qū)森林面積的整體變化總計(jì)113.93 km2，此間森林的減少和更新并存，其空間分布特征呈現(xiàn)出明顯的區(qū)域差異。具體而言，森林面積變化多發(fā)生于靠近城區(qū)和低海拔地區(qū)，且靠近城區(qū)的森林面積減少往往不再恢復(fù)至森林；2）在5種不同樹種組構(gòu)建的3種模型中，RF回歸模型的林齡反演結(jié)果最佳，平均R2為0.845，平均RMSE為5.32 a，其中毛竹林反演精度最高，R2為0.863，RMSE為2.411 a；3）2017—2023年，研究區(qū)林齡在40 a以下的森林由54.59%減少至51.06%，其中齡組變化最顯著為杉木組成熟林，面積增加了38.88%。【結(jié)論】在GEE上融合多源遙感數(shù)據(jù)進(jìn)行林齡反演和動(dòng)態(tài)監(jiān)測(cè)具有重要的應(yīng)用潛力，本研究結(jié)果可為使用云平臺(tái)及哨兵系列衛(wèi)星數(shù)據(jù)對(duì)森林資源長時(shí)間序列的林齡反演和動(dòng)態(tài)監(jiān)測(cè)的應(yīng)用提供參考和借鑒。

關(guān)鍵詞：數(shù)據(jù)融合；遙感反演；林齡；動(dòng)態(tài)監(jiān)測(cè)；Sentinel-1；Sentinel-2；Google Earth Engine

中圖分類號(hào)：S771.8 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-923X（2024）06-0019-11

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（31870620）；林業(yè)科學(xué)技術(shù)推廣項(xiàng)目（〔2019〕06）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)（PTYX202307）。

Forest age inversion and dynamic monitoring based on Sentinel-1 and Sentinel-2 data fusion

CHEN Xin， SUN Yujun， DING Zhidan

（State Forestry Grassland Administration Key Laboratory of Forest Resources Environmental Management， Beijing Forestry University， Beijing 100083， China）

Abstract：【Objective】To fuse multi-source remote sensing data for inversion and dynamic monitoring of forest stand age on the Google Earth Engine （GEE） cloud platform with the help of its powerful computing and data storage capabilities.【Method】The land cover information was obtained through the fusion of Sentinel-1， Sentinel-2， and elevation data from 2017 to 2023 using the random forest （RF） classification method. Additionally， the distribution and area of forests were further extracted. Meanwhile， time series vegetation indices were constructed to accurately identify areas of forest change. Based on forest inventory data and the fusion of multisource remote sensing data， three regression models were developed on GEE： RF， classification and regression trees （CART）， and Gradient tree boosting （GTB）. These models were applied to estimate the forest age in 2018 for different tree species groups， such as Chinese fir， masson pine， moso bamboo， hardwood， and other tree species groups. The estimated forest ages in 2017 and 2023 were also obtained to reveal the dynamic changes in forest age and age groups from 2017 to 2023.【Result】1） From 2017 to 2023， the overall change in forest area in the study area amounted to 113.93 km2. During this period， forest reduction and regeneration coexisted， and the spatial distribution exhibited distinct regional variations. Specifically， forest area changes were more prominent in areas near urban centers and lower altitudes， with forest area reductions near urban areas often not recovering to a forested state； 2） Among the three models constructed for five different tree species groups， the RF regression model produced the best results for forest age estimation. It achieved an average R2 of 0.845 and an average RMSE of 5.32 a， with bamboo forests exhibiting the highest accuracy （R2=0.863， RMSE=2.411 a）； 3） From 2017 to 2023， forests ages below 40 years in the study area decreased from 54.59% to 51.06%. The most significant age group change was observed in mature pine forests， with an increase of 38.88% in their area.【Conclusion】The fusion of multi-source remote sensing data for forest age estimation and dynamic monitoring on GEE holds significant application potential. The results of this study can serve as a reference and inspiration for utilizing cloud platforms and Sentinel series satellite data in the longterm forest age estimation and dynamic monitoring of forest resources.

Keywords： data fusion； inversion of remote sensing； forest age； dynamic monitoring； Sentinel-1； Sentinel-2； Google Earth Engine

林齡是森林生態(tài)系統(tǒng)中的關(guān)鍵要素之一[1]，在不同森林生態(tài)系統(tǒng)服務(wù)中所產(chǎn)生的交互作用不同。林齡變化帶來的影響在不同樹種和林分間也存在差異[2]。林齡通過影響森林生態(tài)系統(tǒng)的碳循環(huán)動(dòng)態(tài)而影響陸地生態(tài)系統(tǒng)碳循環(huán)，進(jìn)而對(duì)全球碳循環(huán)起到重要作用[3]，準(zhǔn)確的林齡信息對(duì)于制定可持續(xù)森林管理政策具有重要的意義。

傳統(tǒng)的林齡信息主要通過實(shí)地調(diào)查、歷史資料記錄[4]及林齡生長模型獲取[5]，這些方法費(fèi)時(shí)費(fèi)力，占用大量資源的同時(shí)甚至?xí)茐臉淠?。隨著遙感技術(shù)的發(fā)展，利用遙感影像進(jìn)行林齡反演成為一種更有效的方法。當(dāng)前林齡遙感反演的研究范圍從全球尺度到區(qū)域尺度不等，研究的林齡信息時(shí)間范圍不同，研究結(jié)果的分辨率也各異。研究空間范圍較大時(shí)，如Besnard等[6]獲取了全球林齡數(shù)據(jù)集、Yu等[5]對(duì)2005年全國范圍內(nèi)人工林的森林類型和林齡進(jìn)行了制圖，兩者結(jié)果分辨率均為1 km。而使用的數(shù)據(jù)源空間分辨率越高，研究范圍越小，林齡反演結(jié)果的分辨率則越精細(xì)[7]。如Vastaranta等[8]使用機(jī)載激光掃描衍生的數(shù)字地形模型對(duì)位于芬蘭東邊的一個(gè)37.8 km2的研究區(qū)的林分年齡進(jìn)行分類，結(jié)果分辨率小于1 m；Kayitakire等[9]利用IKONOs-2和Quick Bird高空間分辨率數(shù)據(jù)對(duì)面積為79 km2的研究區(qū)內(nèi)的林齡等森林結(jié)構(gòu)變化進(jìn)行了估算，其結(jié)果的分辨率為1 m。林齡反演的數(shù)據(jù)源在很大程度上決定了其研究區(qū)域的大小和精度的粗細(xì)，也決定了研究時(shí)間范圍的長短。使用Landsat系列數(shù)據(jù)的研究時(shí)間范圍較長，且結(jié)果分辨率通常為30 m。如Diao等[10]研究了位于中國南方由松樹、杉木和櫟樹組成的人工林1987—2017年間的林齡變化過程；Ma等[11]采用Landsat時(shí)間序列數(shù)據(jù)，對(duì)中國亞熱帶山區(qū)1987—2018年森林干擾進(jìn)行了識(shí)別并估算林齡。同為開源數(shù)據(jù)的哨兵系列數(shù)據(jù)（Sentinel）也被用于林齡反演，Schumacher等[12]完成了挪威2018年16 m分辨率的林齡圖；唐少飛等[4]、Akbari等[13]以及Tang等[14]的研究結(jié)果表明，使用Sentinel系列數(shù)據(jù)能得到10 m分辨率林齡反演結(jié)果，但這些研究的時(shí)間范圍均為單一年份。

綜上，林齡遙感反演研究在同時(shí)保證空間范圍、時(shí)間范圍以及結(jié)果分辨率三個(gè)方面上存在較大困難。主要體現(xiàn)在大區(qū)域范圍內(nèi)獲得較粗分辨率的林齡數(shù)據(jù)集，而當(dāng)使用航空器獲取高精度影像數(shù)據(jù)源時(shí)，大空間區(qū)域和長時(shí)間序列的林齡反演則不容易實(shí)現(xiàn)。而哨兵系列數(shù)據(jù)相比較于機(jī)載激光掃描的限時(shí)限地航空攝影數(shù)據(jù)[8，15]存在時(shí)間和空間上的優(yōu)勢(shì)，相比較于Landsat系列影像，Sentinel系列擁有10 m和20 m分辨率波段，這有助于進(jìn)行更小分辨率的研究成果。所以，Sentinel系列更能發(fā)揮遙感影像作為森林清查的寶貴且低成本的資源作用。而Google Earth Engine作為開源的云平臺(tái)，其存儲(chǔ)的大量遙感數(shù)據(jù)庫和強(qiáng)大服務(wù)器，不僅提供內(nèi)置算法，其高速處理機(jī)制以及其交互式頁面，為日常科學(xué)研究提供了許多便利，科研人員已借助其在各領(lǐng)域取得研究進(jìn)展[16-17]?；诖耍狙芯康闹饕康脑谟诮柚鶪EE云平臺(tái)提供的遙感數(shù)據(jù)源和機(jī)器學(xué)習(xí)方法，結(jié)合國家森林資源清查數(shù)據(jù)，在縣域尺度和Sentinel -1、Sentinel-2可獲取的數(shù)據(jù)范圍內(nèi)，提取森林分布信息和對(duì)不同樹種組的林齡進(jìn)行遙感反演及監(jiān)測(cè)動(dòng)態(tài)變化，并取得空間分辨率為10 m的林齡信息。本研究旨在為利用云平臺(tái)實(shí)現(xiàn)云計(jì)算獲取廣泛空間范圍內(nèi)長時(shí)間序列的高精度林齡信息提供參考方法，以及為更高效地實(shí)施森林經(jīng)營和管理提供科學(xué)參考依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于福建省三明市西北部（117°05′～117°40′E，26°26′～27°04′N）的將樂縣，總面積2 246 km2，屬亞熱帶季風(fēng)氣候，2018年平均氣溫18.6 ℃，年平均降水量1 703.7 mm，是中國南方的重點(diǎn)林業(yè)縣和毛竹之鄉(xiāng)。研究區(qū)內(nèi)最高峰海拔1 640.2 m，山地面積19.2×104 hm2，山體多呈南西—北東走向，境內(nèi)主干流金溪流向一致。丘陵、盆地和河谷相互錯(cuò)落，構(gòu)成山間盆谷，并形成西北、東南高，中間低，從西南向東北延伸的態(tài)勢(shì)。

1.2 數(shù)據(jù)來源及預(yù)處理

1.2.1 森林資源清查數(shù)據(jù)

本研究使用第九次全國森林資源清查中研究區(qū)范圍內(nèi)的數(shù)據(jù)，包括了小班號(hào)、權(quán)屬、起源、林種、優(yōu)勢(shì)樹種、植被類型、齡組、齡級(jí)和年齡等結(jié)構(gòu)參數(shù)。本研究中的林齡指優(yōu)勢(shì)樹種的平均年齡[12]。根據(jù)森林資源清查數(shù)據(jù)，研究區(qū)內(nèi)主要樹種組包括了喬木樹種中的針葉樹類和闊葉樹類，其中針葉林的優(yōu)勢(shì)樹種主要有杉木Cunninghamia lanceolata和馬尾松Pinus massoniana，而闊葉樹組的優(yōu)勢(shì)樹種主要為硬闊葉樹組。齡組按照齡級(jí)劃分為幼齡林、中齡林、近熟林、成熟林和過熟林。馬尾松組和杉木組的齡級(jí)分別為10 a 和5 a，硬闊葉樹組齡級(jí)為10 a。竹林主要包括了毛竹林Phyllostachys edulis，其按照2 a為一個(gè)大小年（稱為“竹度”）來劃分齡組。本研究中所采用的具體齡組劃分規(guī)則如下表1所示，其他類樹種組則不再進(jìn)行齡組劃分。通過隨機(jī)生成樣本點(diǎn)，林地和不同樹種組掩膜，最終確定的各樣本點(diǎn)數(shù)為：馬尾松組（4 920）、杉木組（4 937）、硬闊葉樹組（4 938）、毛竹（4 912）和其他（2 796）。

1.2.2 遙感數(shù)據(jù)

本研究中所使用的遙感數(shù)據(jù)主要為存放在GEE上且經(jīng)過預(yù)處理的Sentinel數(shù)據(jù)集中的Sentinel-1 （S1）、 Sentinel-2 （S2）數(shù)據(jù)和地形數(shù)據(jù)。S1為已經(jīng)過了數(shù)據(jù)校準(zhǔn)的雙極化C波段合成孔徑雷達(dá)數(shù)據(jù)，VV和VH（2014年10月3日至今）。S1數(shù)據(jù)進(jìn)行森林提取時(shí)，使用的為2017年、2018年和2023年的均值；進(jìn)行林齡反演時(shí)使用的為 2018年均值。S2數(shù)據(jù)則為名為S2_HARMONIZED（2015年6月23日至今）的寬幅，高分辨率，多光譜數(shù)據(jù)集。本研究根據(jù)符合含云量小于5%的條件進(jìn)行篩選，從2015—2023年6月符合含云量條件的影像共72幅，具體如表2所示。采用的地形數(shù)據(jù)由GEE上提供的NASA’s Digital elevation model （NASADEM）高程數(shù)據(jù)計(jì)算而來[18]，包括高程（Elevation）、坡度（Slope）和坡向（Aspect）。

1.3 研究方法

1.3.1 隨機(jī)森林的分類和回歸方法

隨機(jī)森林（Random forest， RF）是一種強(qiáng)大的集成學(xué)習(xí)方法，可以用于分類和回歸[19-20]。使用RF進(jìn)行分類和回歸，前提是訓(xùn)練用來預(yù)測(cè)的模型，建立解釋變量與待預(yù)測(cè)變量參數(shù)之間的關(guān)系的森林，這些森林由決策樹構(gòu)成，每一棵樹都是基于隨機(jī)選擇的樣本和特征構(gòu)建，并且都是相互獨(dú)立。然后通過選擇要預(yù)測(cè)的變量是分類變量（分類）還是連續(xù)變量（回歸）來決定構(gòu)建分類模型或者回歸模型。在分類任務(wù)中，每棵樹對(duì)輸入樣本進(jìn)行分類，然后采取投票方式來確定最終類別；在回歸任務(wù)中，每棵樹對(duì)輸入變量進(jìn)行預(yù)測(cè)，然后將通過所有樹預(yù)測(cè)結(jié)果的平均值作為最終回歸結(jié)果。在GEE中，通過ee.Classifier.smileRandomForest和ee.Classifier.smileRandomForest.setOutputMode（‘REGRESSION’）調(diào)用RF回歸和分類方法，同時(shí)可通過調(diào)節(jié)以下參數(shù)提高精度：numberofTrees（決策樹的數(shù)量）、variablesPerSplit（每次分割的變量數(shù)量）、minLeafPopulation（僅創(chuàng)建訓(xùn)練集至少包含的節(jié)點(diǎn)數(shù)）、bagFraction（每棵樹輸入為訓(xùn)練要素的比例）、maxNodes（每棵樹的最大葉節(jié)點(diǎn)數(shù)）和seed（隨機(jī)化種子）。

1.3.2 森林分布與面積提取

林齡反演首先需要確定森林的分布。森林分布與面積提取方法為在GEE上構(gòu)建RF分類模型提取不同年份的土地覆蓋類型，然后提取森林信息。首先選取分類樣本點(diǎn)，在GEE上分別選取2017、2018以及2023年水體、裸土、建筑、草地、森林和建設(shè)用地的樣本點(diǎn)，各地類每年100個(gè)樣本點(diǎn)，共1 800個(gè)，其中70%為訓(xùn)練樣本點(diǎn)，30%為驗(yàn)證樣本點(diǎn)。其次為分類特征數(shù)據(jù)準(zhǔn)備，融合S1、S2數(shù)據(jù)以及NASADEM高程數(shù)據(jù)計(jì)算的特征變量如下表3中使用場(chǎng)景為森林（FL）所示的。最后確定分類方法，根據(jù)以往的研究[21]，在GEE中使用ee.Classifier.smileRandomForest分類方法進(jìn)行土地覆蓋類型提取。

1.3.3 林齡反演

機(jī)器學(xué)習(xí)常用來對(duì)森林參數(shù)進(jìn)行估計(jì)[4，6，26]，本研究在GEE上構(gòu)建不同的回歸模型對(duì)林齡進(jìn)行反演。GEE上可用回歸分析的方法有以下3種：ee.Classifier.smileCart[27]、 ee.Classifier. smileGrandientTreeBoost[28]和ee.Classifier. smileRandomForest[19]。首先通過將表3中所有特征變量代入不同樹種的回歸模型中，通過Classifier. explain（）方法來選擇最優(yōu)特征。然后將相同的樹種組，相同的分類特征，分別代入3種模型中，以此選擇出結(jié)果精度最高的模型。最終確定的最優(yōu)回歸模型為ee.Classifier.smileRandomForest。通過試驗(yàn)調(diào)節(jié)參數(shù)，最終參數(shù)設(shè)置為ee.Classifier. smileRandomForest（ 100， 1， 1， 0.5， 1， 0）. setOutputMode（‘REGRESSION’）i。同時(shí)不med同ian樹種的最優(yōu)特征使用情況如表3所示，其中使用場(chǎng)景為杉木組、馬尾松組、毛竹林、硬闊葉樹組及其他，分別用CF、MP、MB、HF和OTS表示。

1.3.4 精度評(píng)價(jià)

在確定了森林像元在2017—2023年間的動(dòng)態(tài)變化情況后，結(jié)合1.3.3中已確定的2018年林齡和齡組估算出2017年和2023年的林齡和齡組信息。具體為在2018年林齡信息的基礎(chǔ)上，依據(jù)像元的土地覆蓋信息對(duì)像元的林齡進(jìn)行加或減。對(duì)于2017年，若像元土地覆蓋類型為森林，則林齡統(tǒng)一減1 a；若像元信息為非森林，則不賦予林齡信息。對(duì)于2023年，則根據(jù)2018—2023年間像元土地覆蓋信息而確定，若像元信息為森林不變，則林齡值統(tǒng)一增加5 a；若像元改變?yōu)榉橇值?，則不再賦予林齡信息；若是像元為新增森林，因?yàn)榭紤]到人工林種植一般采用1年生樹苗，則從那一年開始為像元林齡為2 a。

2 結(jié)果與分析

2.1 森林動(dòng)態(tài)變化

在GEE上根據(jù)研究區(qū)以及含云量所篩選出的有效S2影像最早為2017年，林齡遙感反演年份因樣本點(diǎn)而定為2018年，S1和S2能獲取的最新年份影像為2023年，對(duì)研究區(qū)的土地覆蓋類型進(jìn)行分類。在獲取這3個(gè)時(shí)間段的土地覆蓋數(shù)據(jù)后提取森林的面積與分布情況，結(jié)果如圖1a—c所示。精度驗(yàn)證得到這三年土地覆蓋類型進(jìn)行分類的OA分別為0.983、0.974和0.993，Kappa系數(shù)分別為0.979、0.967和0.981。提取出各年份森林的面積分別為1 968.83 km2、 1 928.56 km2和1 881.05 km2，2017—2023年間面積共減少了87.78 km2。

根據(jù)？NVDI計(jì)算得到2017—2023年間的森林變化如圖1d所示，研究區(qū)內(nèi)共113.93 km2的森林發(fā)生了動(dòng)態(tài)變化。其中森林增加的面積為21.60 km2，森林減少的面積為92.34 km2。在2021—2022年間，森林增加的面積較多，共有19.22 km2；2022—2023年間森林砍伐的面積最多，共56.38 km2。由圖1d可以看出，在空間上靠近城區(qū)和海拔較低的森林面積發(fā)生的變化較大，而遠(yuǎn)離城區(qū)和海拔較高的地區(qū)森林發(fā)生動(dòng)態(tài)變化的面積較小。由圖1e—g可見，在靠近城區(qū)森林砍伐后的像元，不再恢復(fù)至森林；圖1h—j中，位于森林區(qū)域的像元在砍伐一年后開始恢復(fù)。通過2017—2023年間NDVIS值來監(jiān)測(cè)森林發(fā)生變化像元在這段時(shí)間序列中的生長狀況（圖2），也發(fā)現(xiàn)其呈現(xiàn)城區(qū)和林區(qū)森林恢復(fù)情況不一致的現(xiàn)象。圖2a—f所示為森林減少的像元各NDVIS值，其呈現(xiàn)出在發(fā)生變化后的下一年的各NDVIS值恢復(fù)的趨勢(shì)，同時(shí)圖2g—i所示，森林增加的像元的NDVIS值在發(fā)生變化后仍在增長，說明像元類型沒有再發(fā)生變化。另外，由于2023年符合云量篩選的S2數(shù)據(jù)，只有1月和3月份共4幅影像，圖2整體的NDVIS值在2023年呈現(xiàn)出較低的趨勢(shì)。

2.2 林齡反演與精度分析

在GEE上分別用3個(gè)模型反演5個(gè)樹種組的林齡，用R2和RMSE對(duì)模型反演得到的結(jié)果精度進(jìn)行評(píng)價(jià)，具體結(jié)果如表4所示。訓(xùn)練模型中Cart、Grandient tree boost（GTB）和RF平均RMSE分別5.443 a、5.803 a和3.303 a，驗(yàn)證模型中的RMSE為6.943 a、6.583 a和5.328 a；訓(xùn)練模型的平均R2別為0.413、0.694和0.875，驗(yàn)證模型的平均R2分別為0.222、0.561和0.845。3個(gè)回歸模型的林齡反演結(jié)果中，使用RF回歸模型的精度最高。

通過RF回歸模型反演的5個(gè)樹種組中，竹林的訓(xùn)練模型精度和驗(yàn)證精度的RMSE值均為最小，分別為1.728 a和2.411 a，R2分別為0.881和0.863。所有樹種組中馬尾松組的林齡反演回歸模型精度評(píng)價(jià)的RMSE最大，為7.027 a，其R2為0.835。

2.3 林齡的動(dòng)態(tài)變化監(jiān)測(cè)及估算

根據(jù)RF回歸模型反演出來2018年的林齡，估算出2017和2023年的林齡和齡組結(jié)果如圖3所示。2017年研究區(qū)平均林齡為36.264 a，其中，55.32%的林齡在40 a以下；2018年研究區(qū)平均林齡為37.075 a，其中54.59%的林齡在40 a以下；2023年平均林齡為42.065 a，40 a以下的林齡為51.06%。如表4所示，2018年杉木組、馬尾松組、毛竹林、硬闊葉樹組和其他組平均林齡為20.939 a、43.982 a、21.462 a、52.935 a、28.489 a。按照表1的齡組劃分規(guī)則，在林齡反演的5個(gè)樹種組內(nèi)，僅對(duì)杉木組、馬尾松組、毛竹林和硬闊葉樹組進(jìn)行了齡組的劃分。2018年不同樹種組齡組在其樹種組中所占比例最大的分別是：杉木組中38.31%，為中齡林；馬尾松組中78.88%，為成熟林；毛竹中竹度為五的竹林占了98.32%以及硬闊葉樹組中成熟林占了75.08%。在2017—2023年間，杉木組新增了38.88%的成熟林；馬尾松組的過熟林增加了24.98%，成熟林減少了22.94%；硬闊葉樹組近熟林增加了21.01%，成熟林和過熟林分別減少了15.52%和6.48%；竹度為五的毛竹占比96.16%，減少了2.66%。

3 結(jié)論與討論

3.1 討 論

目前關(guān)于我國林齡遙感反演的研究對(duì)樹種分類的精細(xì)程度不高。Diao等[10]對(duì)浙江麗水的人工林林齡反演的結(jié)果RMSE為4.85～5.55 a；Ma等[11]對(duì)貴州東南部的針葉林、闊葉林和針闊混交林進(jìn)行分類建模估算林齡的結(jié)果平均R2和RMSE分別為0.72、7.8 a；Li等[33]對(duì)大興安嶺東北落葉松和白樺林的林齡反演RMSE為10.1～21.3 a。也有研究使用S2這種相比Landsat系列數(shù)據(jù)具有更高時(shí)空分辨率和更多光譜信息的數(shù)據(jù)進(jìn)行林齡反演，如唐少飛等[4]對(duì)赤峰落葉松林齡信息反演的結(jié)果R2和RMSE為0.89和2.91 a；Tang等[14]研究了長沙地區(qū)杉木人工林的森林參數(shù)，其中林齡的R2為0.34，rRMSE為0.27。本研究在使用S2衛(wèi)星遙感數(shù)據(jù)的基礎(chǔ)上，融合了S1數(shù)據(jù)，并根據(jù)研究區(qū)內(nèi)各樹種組所占的面積屬性，將樹種組劃分為杉木組、馬尾松組、毛竹、硬闊葉樹組和其他類。對(duì)林齡信息進(jìn)行了反演，獲得結(jié)果分辨率為10 m，平均R2和RMSE為0.845和5.32 a。對(duì)比李媛等[22]對(duì)相同研究區(qū)的針葉林和闊葉林的林齡的估算結(jié)果：R2分別為0.64和0.48，RMSE為4.71 a和12.71 a，本研究在對(duì)林型進(jìn)行更細(xì)地劃分后，結(jié)果精度也更好。

本研究在數(shù)據(jù)使用方面仍存在不足，所使用的S2數(shù)據(jù)受到云覆蓋限制，2017—2023年，覆蓋研究區(qū)的影像僅有72幅影像的含云量低于5%，這限制了本研究對(duì)于森林資源的季節(jié)性和短期變化的監(jiān)測(cè)。同時(shí)，由于衛(wèi)星發(fā)射的時(shí)間相對(duì)較短，對(duì)森林資源長時(shí)間序列的監(jiān)測(cè)也存在一定的限制。Sentinel系列衛(wèi)星作為哥白尼計(jì)劃的一部分，目的為實(shí)現(xiàn)對(duì)地球的觀測(cè)任務(wù)，其中發(fā)射的Sentinel-1衛(wèi)星提供合成孔徑雷達(dá)影像[34-35]，Sentinel-2衛(wèi)星提供了高分辨率、多光譜的遙感數(shù)據(jù)，也是為保證連續(xù)監(jiān)測(cè)地球表面而作為Landsat和SPOT衛(wèi)星的補(bǔ)充[36-37]。同時(shí)，Lin等[38]的研究表明，基于GEDI和ICESat-2等星載激光雷達(dá)數(shù)據(jù)的森林高度圖對(duì)于繪制森林林齡圖的精度提高具有明顯作用。在后續(xù)的研究中，可考慮將多模態(tài)的遙感數(shù)據(jù)進(jìn)行融合，在提高反演精度的同時(shí)實(shí)現(xiàn)不同時(shí)間尺度上的森林資源監(jiān)測(cè)。

在林齡反演方法上，本研究使用了GEE云平臺(tái)上的3種機(jī)器學(xué)習(xí)方法，發(fā)現(xiàn)RF回歸模型在林齡反演中表現(xiàn)出更高的精度。這可能是因?yàn)镽F能夠有效處理多維數(shù)據(jù)和復(fù)雜關(guān)系，提高了林齡反演的準(zhǔn)確性。林齡反演結(jié)果顯示，5個(gè)樹種組中硬闊葉樹組的平均林齡最大，為52.935 a，杉木和毛竹林的平均林齡較小，分別為20.939 a和21.462 a。此結(jié)果接近于實(shí)測(cè)樣本點(diǎn)中平均林齡最大為闊葉樹組，達(dá)53.156 a，而杉木與毛竹林平均林齡為21.061 a和20.751 a。同時(shí)，通過NDVIS值監(jiān)測(cè)森林動(dòng)態(tài)像元在一年后NDVI值開始恢復(fù)，與已有研究中研究區(qū)在一年后對(duì)森林采伐干擾進(jìn)行造林的結(jié)論相符[22]。前人研究已經(jīng)探討多種方法估算林齡，包括時(shí)間序列變化檢測(cè)集成模型算法[39]、基于森林干擾-恢復(fù)情景分類的方法[11]、利用線性和非線性回歸以及神經(jīng)網(wǎng)絡(luò)[33]、傳統(tǒng)遙感反演的多種多元回歸模型[4，26]和多種機(jī)器學(xué)習(xí)方法[6，13，38，40-41]等。相比較于這些方法，本研究采用了一種更為簡化的方法，僅依賴于GEE上封裝的函數(shù)和方法進(jìn)行林齡反演。因此，在下一步的研究中應(yīng)考慮將不同的方法集成，以得到更高的反演精度。

3.2 結(jié) 論

本研究通過在GEE云平臺(tái)上融合森林資源清查數(shù)據(jù)與多源遙感數(shù)據(jù)，實(shí)現(xiàn)了現(xiàn)有數(shù)據(jù)資源與云計(jì)算相融合提取估算林齡信息。研究結(jié)論如下：1）研究區(qū)在2017—2023年間森林發(fā)生動(dòng)態(tài)變化的面積共113.93 km2；在空間上靠近城區(qū)的森林轉(zhuǎn)變?yōu)槠渌仡?，不再恢?fù)為森林，而林區(qū)內(nèi)的變化森林則在2年內(nèi)恢復(fù)為森林；2）在3個(gè)回歸模型中，RF反演的精度最高，其RMSE和R2分別為5.328 a和0.845；其次是GBT，其RMSE和R2分別為6.583 a和0.561；精度最低為Cart，RMSE和R2分別為6.943 a和0.222；竹林的林齡反演精度在不同樹種組中最高，RMSE和R2分別為2.411 a和0.863；3）2023年研究區(qū)林齡的平均年齡為42.065 a，林齡在40 a以下的森林為51.06%，與2017年比減少了4.26%；在2017—2023年間，各樹種組內(nèi)闊葉樹組和杉木組的成熟林分別增加了21.01%和38.88%，而馬尾松組的成熟林減少了22.94%，竹度為五度的竹林減少了2.66%。本研究借助GEE強(qiáng)大的計(jì)算能力，相較于傳統(tǒng)的現(xiàn)場(chǎng)調(diào)查采樣方法，顯著降低了人力、物力和時(shí)間成本。研究結(jié)果證明了在云平臺(tái)上利用S1和S2數(shù)據(jù)及數(shù)據(jù)融合技術(shù)進(jìn)行林齡遙感反演和動(dòng)態(tài)監(jiān)測(cè)具有很大的潛力和應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1] METSARANTA J M. Dendrochronological procedures improve the precision and accuracy of tree and stand age estimates in the western Canadian boreal forest[J]. Forest Ecology and Management，2020，457：117657.

[2] JONSSON M， BENGTSSON J， MOEN J， et al. Stand age and climate influence forest ecosystem service delivery and multifunctionality[J]. Environmental Research Letters，2020， 15（9）：0940a8.

[3] 戴銘，周濤，楊玲玲，等.基于森林詳查與遙感數(shù)據(jù)降尺度技術(shù)估算中國林齡的空間分布[J].地理研究，2011，30（1）：172-184. DAI M， ZHOU T， YANG L L， et al. Spatial pattern of forest ages in China retrieved from national level inventory and remote sensing imageries[J]. Geographical Research，2011， 30（1）：172-184.

[4] 唐少飛，田慶久，徐凱健，等.Sentinel-2衛(wèi)星落葉松林齡信息反演[J].遙感學(xué)報(bào)，2020，24（12）：1511-1524. TANG S F， TIAN Q J， XU K J， et al. Age information retrieval of Larix gmelinii forest using Sentinel-2 data[J]. National Remote Sensing Bulletin，2020，24（12）：1511-1524.

[5] YU Z， ZHAO H， LIU S， et al. Mapping forest type and age in China’s plantations[J]. Science of The Total Environment，2020， 744：140790.

[6] BESNARD S， KOIRALA S， SANTORO M， et al. Mapping global forest age from forest inventories， biomass and climate data[J]. Earth System Science Data，2021，13（10）：4881-4896.

[7] MALTMAN J C， HERMOSILLA T， WULDER M A， et al. Estimating and mapping forest age across Canada’s forested ecosystems[J]. Remote Sensing of Environment，2023， 290：113529.

[8] VASTARANTA M， NIEMI M， WULDER M A， et al. Forest stand age classification using time series of photogrammetrically derived digital surface models[J]. Scandinavian Journal of Forest Research，2016，31（2）：194-205.

[9] KAYITAKIRE F， HAMEL C， DEFOURNY P. Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery[J]. Remote Sensing of Environment，2006， 102（3-4）：390-401.

[10] DIAO J J， FENG T， LI M S， et al. Use of vegetation change tracker， spatial analysis， and random forest regression to assess the evolution of plantation stand age in southeast China[J]. Annals of Forest Science，2020，77（2）：27.

[11] MA S， ZHOU Z， ZHANG Y， et al. Identification of forest disturbance and estimation of forest age in subtropical mountainous areas based on Landsat time series data[J]. Earth Science Informatics，2022，15（1）：321-334.

[12] SCHUMACHER J， HAUGLIN M， ASTRUP R， et al. Mapping forest age using national forest inventory， airborne laser scanning， and Sentinel-2 data[J]. Forest Ecosystems，2020，7（1）：60.

[13] AKBARI V， SOLBERG S， PULITI S. Multitemporal Sentinel-1 and Sentinel-2 images for characterization and discrimination of young forest stands under regeneration in Norway[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2021，14：5049-5063.

[14] TANG C J， YE Z L， LONG J P， et al. Mapping forest and site quality of planted Chinese fir forest using sentinel images[J]. Frontiers in Plant Science，2022，13：949598.

[15] MALTAMO M， KINNUNEN H， KANGAS A， et al. Predicting stand age in managed forests using national forest inventory field data and airborne laser scanning[J]. Forest Ecosystems，2020，7（1）：44.

[16] GORELICK N， HANCHER M， DIXON M， et al. Google Earth Engine： planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment，2017，202：18-27.

[17] TAMIMINIA H， SALEHI B， MAHDIANPARI M， et al. Google Earth Engine for geo-big data applications： a meta-analysis and systematic review[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2020，164：152-170.

[18] LP DAAC - NASADEM_HGT[EB]. [2023-07-13]. https：// lpdaac.usgs.gov/products/nasadem_hgtv001/.

[19] BREIMAN L. Random Forests[J]. Machine Learning，2001， 45（1）：5-32.

[20] LIAW A， WIENER M. Classification and regression by random forest[J]. R News，2002，2：18-22.

[21] CHEN X， SUN Y. Long-term dynamic monitoring of forest area changes with the aid of Google Earth Engine[J]. Journal of Applied Remote Sensing，2023，17.

[22] 李媛，周小成，陳蕓芝，等.結(jié)合Landsat時(shí)序遙感干擾檢測(cè)的福建將樂縣森林林齡估算與評(píng)價(jià)[J].遙感技術(shù)與應(yīng)用，2022， 37（3）：651-662. LI Y， ZHOU X C， CHEN Y Z， et al. Estimation and evaluation of forest age in Jiangle county， Fujian province based on Landsat time series remote sensing disturbance detection[J]. Remote Sensing Technology and Application，2022，37（3）：651-662.

[23] 王敏鈺，羅毅，張正陽，等.植被物候參數(shù)遙感提取與驗(yàn)證方法研究進(jìn)展[J].遙感學(xué)報(bào)，2022，26（3）：431-455. WANG M Y， LUO Y， ZHANG Z Y， et al. Recent advances in remote sensing of vegetation phenology： retrieval algorithm and validation strategy[J]. National Remote Sensing Bulletin， 2022，26（3）：431-455.

[24] DASH J， CURRAN P J. Evaluation of the MERIS terrestrial chlorophyll index （MTCI）[J]. Advances in Space Research，2007，39（1）：100-104.

[25] NEDKOV R. Orthogonal transformation of segmented images from the satellite Sentinel-2 roumen nedkov[J]. Comptes rendus de l’Acade？mie bulgare des sciences： sciences mathe？matiques et naturelles，2017，70：687-691.

[26] ESCASIO J C L， SANTILLAN J R， MAKINANO-SANTILLAN M. Using machine learning classifiers and regression models for estimating the stand ages of Falcata plantations from sentinel data[J]. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences，2023， 2022：465-472.

[27] BREIMAN L. Classification and regression trees[M]. New York： Routledge，2017.

[28] FRIEDMAN J H. Greedy function approximation： a gradient boosting machine[J]. The Annals of Statistics，2001，29（5）： 1189-1232.

[29] ROUSE J W， HAAS R H， SCHELL J A， et al. Monitoring vegetation systems in the Great Plains with ERTS[C]. https：//ntrs. nasa.gov/ citations/19740022614.

[30] 劉曉雙，李才文，趙義兵.基于高空間分辨率時(shí)間序列影像的對(duì)象級(jí)侵占林地圖斑快速檢測(cè)[J].北京林業(yè)大學(xué)學(xué)報(bào)，2022， 44（11）：60-69. LIU X S， LI C W， ZHAO Y B. Rapid detection of object-level invaded forest map patch based on high spatial resolution time series image[J]. Journal of Beijing Forestry University，2022， 44（11）：60-69.

[31] 鄧目麗，蔣馥根，龍依，等.神木市植被NDVI動(dòng)態(tài)變化及時(shí)空格局分析[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2023，43（7）：109-119，140. DENG M L， JIANG F G， LONG Y， et al. Spatial-temporal dynamic characteristics of NDVI in Shenmu city[J]. Journal of Central South University of Forestry Technology，2023， 43（7）：109-119，140.

[32] 吳勝義，王義貴，王飛，等.基于多距離度量kNN模型的森林蓄積量反演[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2023，43（2）：10-18. WU S Y， WANG Y G， WANG F， et al. Forest stock volume inversion based on multi-distance metric kNN models[J]. Journal of Central South University of Forestry Technology， 2023，43（2）：10-18.

[33] LI D Q， JU W M， FAN W Y， et al. Estimating the age of deciduous forests in northeast China with enhanced thematic mapper plus data acquired in different phenological seasons[J]. Journal of Applied Remote Sensing，2014，8（1）：083670.

[34] GEUDTNER D， TORRES R， SNOEIJ P， et al. Sentinel-1 system capabilities and applications[C]. IEEE Geoscience and Remote Sensing Symposium，2014：1457-1460.

[35] TORRES R， SNOEIJ P， GEUDTNER D， et al. GMES Sentinel-1 mission[J]. Remote Sensing of Environment，2012，120：9-24.

[36] DRUSCH M， DEL BELLO U， CARLIER S， et al. Sentinel-2： ESA’s optical high-resolution mission for GMES operational services[J]. Remote Sensing of Environment，2012，120：25-36.

[37] PHIRI D， SIMWANDA M， SALEKIN S， et al. Sentinel-2 data for land cover/use mapping： a review[J]. Remote Sensing，2020，12（14）：2291.

[38] LIN X， SHANG R， CHEN J M， et al. High-resolution forest age mapping based on forest height maps derived from GEDI and ICESat-2 space-borne Lidar data[J]. Agricultural and Forest Meteorology，2023，339：109592.

[39] ZHANG S Y， YU J， XU H Y， et al. Mapping the age of subtropical secondary forest using dense Landsat time series data： an ensemble model[J]. Remote Sensing，2023，15（8）：2067.

[40] CHEN D， LOBODA T V， KRYLOV A， et al. Mapping stand age dynamics of the Siberian larch forests from recent Landsat observations[J]. Remote Sensing of Environment，2016， 187：320-331.

[41] TRISASONGKO B H. Mapping stand age of rubber plantation using ALOS-2 polarimetric SAR data[J]. European Journal of Remote Sensing，2017，50（1）：64-76.

[本文編校：吳 彬]