EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 6: 241 - 250

DOI: https://doi.org/10.6046/zrzyyg.2024355

Forest disturbances in the South China hilly and mountainous belt based on long time-series Landsat data

  • PEI Du , 1 ,
  • YUAN Wubin 2 ,
  • LI Hengkai , 1
Expand
  • 1. Jiangxi University of Science and Technology, School of Civil and Surveying & Mapping Engineering, Ganzhou 341000, China
  • 2. Jiangxi Provincial Natural Resources Development Center, Nanchang 330025, China

Received date: 2024-11-02

  Revised date: 2025-02-10

  Online published: 2026-06-03

Fold

Abstract

The South China hilly and mountainous belt is one of the “three regions and four belts” involved in China's major ecosystem conservation and restoration program. This belt hosts the largest and most well-preserved middle subtropical forest ecosystem at the same latitudes globally, playing a crucial role in ensuring the ecological security in South and Southwest China. Based on the Google Earth Engine (GEE) platform, this study conducted preliminary monitoring of disturbances in this belt using the LandTrendr algorithm and the Jeffries-Matusita (JM) distance. It further applied the random forest algorithm to relevant disturbance outputs, enabling the monitoring and analysis of forest disturbances in this belt from 1985 to 2022. The results indicate that the total forest disturbance area in this belt reached 38 564.62 km2 during the study period. Specifically, the disturbance areas of four ecological restoration projects decreased in the following order: Wuyi Mountains forests (12 040.27 km2), Nanling Mountains forests (11 820.79 km2), Hunan and Guangxi karst areas (8 228.97 km2), and mining areas (6 474.59 km2). Based on the 38-year forest loss dataset, this study analyzed the spatiotemporal variations in forest disturbances within this belt, revealing significant spatiotemporal forest disturbances. Spatially, forest disturbances were characterized by distinct geographic clustering. Temporally, the forest loss areas under four ecological restoration projects experienced several stages of change. Despite similar critical transition points and interannual variation patterns, differences in forest resources, climate, and economic conditions led to variations in the areas and trends of forest loss. Besides, the implementation of forestry policies somewhat influenced the forest loss trend. Overall, this study provides a scientific basis and decision-making reference for the management of forest ecosystems within this belt.

Key words： forest disturbance; South China hilly and mountainous belt; LandTrendr algorithm; spatiotemporal distribution; Google Earth Engine (GEE)

Cite this article

PEI Du , YUAN Wubin , LI Hengkai . Forest disturbances in the South China hilly and mountainous belt based on long time-series Landsat data[J]. Remote Sensing for Natural Resources, 2025 , 37(6) : 241 -250 . DOI: 10.6046/zrzyyg.2024355

0 引言

森林生态系统是地表最为重要的组成要素,具备调节气候保持水土、保护生物多样性等功能[1]。自20世纪70年代以来,中国实施了一系列林业法律、政策、法规和植树造林工程[2],森林覆盖率从1976年的12.7%提升到2022年的24.02%,如“退耕还林还草”工程、天然林保护工程、“三北”防护林工程等,这些工程不仅扩大了森林面积,也改善了森林的生态结构和健康状况[3]。但由于人为活动和全球变暖等因素,中国的森林资源保护也面临着来自自然灾害和人为活动的双重影响。自然灾害(如病虫害、火灾、强风、洪涝等)及人为干扰如土地覆盖变化、林业政策、林地采伐等都导致中国的森林损失面积增加[4],如1986—1998年中国发生的多起森林火灾、特大洪灾等[5]等自然灾害,如1981年的三定政策和2008年的林权改革等人为干扰。
在此背景下,南方丘陵山地带的森林生态系统保护尤为重要。南方丘陵山地带有世界同维度带上面积最大、保存最完整的中亚热带森林生态系统森林,在维护国家生态安全、推动南方高质量发展上具有不可替代的地位。然而,由于经济社会发展需求过大,森林资源的不合理利用,非法占用、损毁林地等因素,导致南方丘陵山地带森林生态系统稳定性偏低,森林碳汇、水土保持、水源涵养等生态功能不足。此外,南方丘陵山地带人均土地少、土地单产高,河流中下游为重要的工农业生产基地和经济中心,水土流失造成的经济损失和社会影响大。因此对南方丘陵山地带的森林资源进行监测对我国可持续发展具有重大意义。
传统的森林资源监测主要以现场调查为主,存在工作量大、经济时间成本高、时效性差等不足,难以满足对森林资源动态监测的需求[6]。近年来,遥感监测因其成本低、范围广、速度快以及动态监测地表信息等特点,被广泛应用于各个尺度的森林扰动监测[7]。在众多被应用于森林扰动监测的遥感数据中,Landsat由于其高分辨率(30 m)以及存档周期长(超过45 a)等优势被广泛应用于森林的长期连续监测[8]。目前,一系列基于卫星时间序列的变化检测方法已被提出,如植被变化跟踪模型(vegetation change tracker,VCT)、基于Landsat的扰动与恢复趋势检测(LandTrendr)、季节与趋势间断法(break for additive season and trend,BFAST)、连续变化检测与分类(continuous change detection and classification,CCDC)和连续监测等[9-11]。这些算法采用了不同的波段、光谱指数,提高了森林扰动监测的准确性。其中LandTrendr算法能够同时捕捉森林渐变和突变,具有较好的适用性[12]。早期阶段,主要使用归一化燃烧比(normalized burn ratio,NBR)来作为森林扰动的监测指数[13],但有研究认为单一光谱指数可能难以全面表征森林扰动[14]。Cohen等尝试将多个光谱带的LandTrendr输出结合,结果显示集成多光谱信息可以降低分类误差率[15],不过在样本数量有限的情况下,加入过多特征变量可能会引起信息冗余,因此适当的特征筛选仍然重要[16-17]。基于类别可分性度量的常用算法有离散度、光谱角、J-M距离等[18]。其中J-M距离(Jeffreis-Matu sita distance)在区分类别的可靠性方面表现出色[19]。本文结合LandTrendr,J-M距离和随机森林算法对南方丘陵山地带森林进行扰动监测,将随机森林模型应用于干扰相关的输出(如变化幅度、持续时间、变化时间等)及辅助数据集(高程、坡度、坡向等)[20],以应对南方丘陵山地带地势起伏大,地貌复杂,生态空间异质性显著[21]的特点,分析1985—2022年间南方丘陵山地带森林扰动时空变化特征,并研究了林业政策等对森林干扰面积的影响,为该地区环境保护政策、生态系统管理等提供数据和决策支持。

1 研究区概况与数据源

1.1 研究区概况

南方丘陵山地带地域辽阔,位于105°31'E~121° E,22°29'N~29°36' N之间,主要包括浙江、福建、江西、湖南、广东、广西、贵州7个省(自治区)的174个县(市、区)。地势大致北高南低,高程在-24~2 148 m之间。地貌类型以中山、中低山、低山丘为主。该地区属亚热带季风气候,多年平均气温在14~22 ℃左右,多年平均降水量在1 177~2 167 mm,适宜的温度和充足的降雨促进了该地区植被的生长。
南方丘陵山地带作为我国重要的南方生态安全屏障,分布有南岭山地森林及生物多样性保护、武夷山森林和生物多样性保护、湘桂岩溶地区石漠化综合治理、南方丘陵山地带矿山生态修复4项工程(全国重要生态系统保护和修复重大工程总体规划(2021—2035年)),这些工程在提升区域生态保护和修复水平方面取得了显著成效,但由于该地区城镇化率高,发展对资源需求大,森林资源利用不合理以及非法占用、损毁林地等因素,导致森林生态系统质量和稳定性不足。森林管护、抚育、病虫害防治、生物入侵防治等方面存在短板,进一步提高森林质量任务艰巨。

1.2 数据源

本研究利用GEE平台的Landsat5 TM,Landsat7 ETM+和Landsat8 OLI等不同传感器图像构建Landsat时间序列堆栈,共8 929景。为了减少物候变换对影像的干扰,本研究选取了每年6—9月的Landsat图像,并去除了时间序列堆栈中的水、云和阴影,最终合成年度最佳影像。使用的Landsat图像的时间和数量如图1所示。图中圆圈的大小和颜色深浅表示在不同年份的同一时相内,获得的研究区域的图像数量。
图1 Landsat时间数量分布图

Fig.1 Landsat image time series distribution chart

除Landsat数据外,本文还使用了土地覆盖、DEM数据。土地覆盖数据包括CLCD30和GLC_FCS30。CLCD30数据包含1985年,1990—2022中国逐年土地覆盖信息,该数据一共分为9类[22]; GLC_FCS30数据是全球30 m地表覆盖精细分类产品,包括29个地表覆盖类型[23]。DEM数据为哥白尼数字高程模型(COP-DEM),其在绝对高程精度和水平高程精度、数据现势性、地形细节表现等几个方面优于其他30 m DEM数据[24]。

2 研究方法

本研究的主要过程包括4个步骤: ①在GEE平台使用Landsat影像合成1985—2022年的年度时间序列数据集; ②选择2个土地覆盖数据集(CLCD30和GLC_FCS30)在1985年和2022年均被分类为森林的像元作为森林掩模区域; ③结合LandTrendr,J-M距离以及随机森林算法识别森林扰动; ④进行精度验证并分析森林扰动时空分布特征。

2.1 LandTrendr变化检测算法

针对南方丘陵山地带的气候特点,本研究采用了LandTrendr时间序列算法。LandTrendr算法首先要收集研究时间内覆盖研究区的所有图像。通过GEE平台提取Landsat 5,7和8号Collection 2地表反射率产品,通过应用比例因子对产品进行辐射归一化,以解决OLI和ETM+传感器规格差异带来的反射率差异。之后使用云掩模算法去除云和阴影,确保数据的连续性和质量。
在时间序列变化分析中,LandTrendr算法必须为每年确定一个单一值。为此使用Medoid方法将收集到的Landsat影像集合成每年一张的最佳年度复合图像,Medoid作为数据集或簇的代表性对象,其与簇内所有对象的平均差异性最小,类似于均值或质心,但始终是数据集的成员。在Medoid选择过程中,将每个像素的6个波段光谱值(包括TM,ETM+和OLI的等效波段)与该像素在年度内所有观测数据的6个波段光谱中值进行比较,选择与中值最接近的光谱值(通过欧氏距离)作为代表值[25],从而有效减少了云和阴影对影像合成的影响。
LandTrendr作为一套光谱时间分割算法,可以检测中分辨率卫星观测数据(主要是Landsat)的时间序列变化,生成基于轨迹的光谱时间序列数据,它通过光谱值或植被指数在时间序列上的较大变化来捕捉植被生长过程中的扰动事件和变化趋势,如火灾、伐木、采矿等。最终生成扰动幅度、持续时间和变化年份等指标,量化森林扰动信息[14]。为确保模型在研究区域的适用性,通过NDVI变异系数选取具有显著波动的样本点,在默认参数的基础上,使用Pixel Time Series Plotter工具观察参数变化对样本点拟合效果的影响,从而优化LandTrendr参数。LandTrendr算法参数如表1所示。
表1 LandTrendr算法参数设置

Tab.1 Parameters used in LandTrendr

参数 描述 取值
maxSegments 最大分段数 8
SpikeThreshold 如果相邻时间点指数值差异百分比小于该值,则被认为是异常值 0.9
vertxCountOvershoot 在初始阶段的潜在节点回归中可以超过的节点数 0
preventOneYearRecovery 是否阻止一年后恢复的情况 是
recoveryThreshold 如果某个分割段的恢复率大于该值的倒数,那么这个分割段将会被移除 0.5
pvalThreshold 回归分析中F检验的p值,超过该值的话,则认为该像元没有发生变化 0.05
bestModelProportion 简单模型的选择规则,如果超过该值,则被选中 0.75
minObservationsNeeded 拟合中需要的最少观测数 6

2.2 光谱指数筛选

在森林扰动监测中,选择合适的光谱指数至关重要。本研究选用表2中的光谱指数,包括NBR、归一化植被指数(normalized difference vegetation index,NDVI)、缨帽分量和增强型植被指数(enhanced vegetation index,EVI),分别用于反映森林动态变化、植被生长状况和生态环境变化[26-30],表中NIR等分别为对应波段这个同度值。还使用了Landsat的多光谱波段,从森林扰动样本点提取光谱特征。为减少数据冗余,采用J-M距离量化不同光谱指数之间的相似性,以选择最优光谱组合。
表2 光谱指数计算公式

Tab.2 Calculation formula for spectral indices

指数 公式
归一化植被指数
(normalized difference vegetation index,NDVI)		 $NDVI=\frac{(NIR-RED)}{(NIR+RED)}$
增强型植被指数
(vegetation enhancement index,EVI)		 $EVI=\frac{(NIR-RED)\times 2.5}{(NIR+6\times RED-7.5\times BLUE+1)}$
归一化燃烧指数
(normalized burning index,NBR)		 $NBR=\frac{(NIR-SWIR2)}{(NIR+SWIR2)}$
缨帽变换亮度指数
(TCT conversion brightness index,TCB)		 $\begin{array}{l}TCW=0.204\mathrm{ }3BLUE+0.415\mathrm{ }8GREEN+0.552\mathrm{ }4RED+0.574\mathrm{ }1NIR+\\ 0.312\mathrm{ }4SWIR1+0.230\mathrm{ }3SWIR2\end{array}$
缨帽变换湿度指数
(TCT conversion humidity index,TCW)		 $\begin{array}{l}TCW=0.031\mathrm{ }5BLUE+0.202\mathrm{ }1GREEN+0.310\mathrm{ }2RED+0.159\mathrm{ }4NIR-\\ 0.680\mathrm{ }6SWIR1-0.610\mathrm{ }9SWIR2\end{array}$
缨帽变换绿度指数
(TCT conversion greenness index,TCG)		 $\begin{array}{l}TCG=-0.160\mathrm{ }3BLUE-0.281\mathrm{ }9GREEN-0.493\mathrm{ }4RED+0.794\mathrm{ }0NIR-\\ 0.000\mathrm{ }2SWIR1-0.144\mathrm{ }6SWIR2\end{array}$
J-M距离在众多可分性判定方法中被认为能起到更优的效果[31]。它可以根据分离度程度确定各类别之间的差异性,取值范围为0~2,数值越大差异性越大。对于训练样本集E(i,j=1,2,…,C,i≠j)中的2个光谱指数wi和wj,其数学表达式如下所示:

J=2(1-e-B),

$B=\frac{1}{8}({m}_{i}-{m}_{j}{)}^{2}\frac{2}{{\tau }_{i}^{2}+{\tau }_{j}^{2}}+\frac{1}{2}\mathrm{l}\mathrm{n}\frac{{\tau }_{i}^{2}+{\tau }_{j}^{2}}{2{\tau }_{i}{\tau }_{j}}$
式中: mi和mj分别为wi和wj的特征均值; τi,τj分别为wi和wj的特征标准差。

2.3 随机森林二次分类

为进一步提高扰动检测的准确性,本研究在初步监测基础上,采用随机森林算法进行二次分类,最终识别出森林损失区域。将LandTrendr监测结果作为随机森林的输入,在使用LandTrendr输出的基础上,还加入数字高程模型和坡度作为随机森林模型的输入变量[31]。这些辅助变量在以往的研究中已被证实能够提升森林损失检测的准确性[13,32]。随机森林分类结果包括扰动森林和未扰动森林。
随机森林算法是由Breiman L[32]提出的一种集成学习方法,它允许来自多源高维数据的融合,在高维数据集上表现良好,对训练样本过拟合的适应能力强且分类时间短。它基于Bootstrap重采样方法对原始样本集中划分的子样本逐一进行决策树建模,并采用投票方式决定最终的分类结果,公式为:
${H}\left({x}\right)=\underset{y}{\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{ }\mathrm{m}\mathrm{a}\mathrm{x}}\stackrel{k}{\sum _{i=1}}I\left({h}_{i}\right(x)=Y)$
式中: H(x)为组合分类模型; hi为决策树分类模型; Y为输出变量; I(°)为示性函数。

2.4 精度验证

本研究选择用混淆矩阵对算法精度进行评价。混淆矩阵能够通过比较分类结果与实际测量值之间的混淆程度来进行精度评价,包括总体精度(overall accuracy,OA)、Kappa系数、生产者精度(producer’s accuracy,PA)和用户精度(user’s accuracy,UA)。其中,总体精度和Kappa系数用于评价分类器的总体性能,生产者精度和用户精度用于评价某一类的错分、漏分指标,计算公式为:
${OA}=\frac{\stackrel{K}{\sum _{i=1}}{N}_{ii}}{N}$
${Kappa}=\frac{{N}\stackrel{K}{\sum _{i=1}}{N}_{ii}-\stackrel{K}{\sum _{i=1}}{N}_{i+}{N}_{+i}}{{N}^{2}-\stackrel{K}{\sum _{i=1}}{N}_{i+}{N}_{+i}}$
$P{A}_{i}=\frac{{N}_{ii}}{{N}_{+i}}$
$U{A}_{i}=\frac{{N}_{ii}}{{N}_{i+}}$
式中: N为总样本数;K为总类别数;Nii为被分到正确类别的样本数;N+i和Ni+分别为第i类的真实样本数和预测为第i类的样本数。

3 结果与分析

3.1 指数选择

本研究根据CLCD30和GLC_FCS30数据集选择森林样本,计算了各个指数之间的J-M距离(图2)。初步筛选出NBR,NDVI,NIR,短波红外1(SWIR1),流苏帽指数亮度(TCB)、湿度(TCW)以及EVI,这些指数/波段两两组合J-M距离值较大,表明差异性较大。由于EVI与NDVI在特征表达上相似,因此去除了EVI。此外,NIR波段的信息已在NBR和NDVI中体现,因此去除了NIR,并添加了GREEN波段以提高对植被变化的敏感性。最终选取了NBR,NDVI,GREEN波段,SWIR1,TCB及TCW。这些指标中,NBR对于森林烧毁、砍伐等敏感; NDVI是最常见和广泛使用的植被指数之一; GREEN对植被的变化非常敏感; TCW和SWIR1对森林植被的水分含量较为敏感; TCB能够帮助识别地表覆盖类型的变化,在监测森林砍伐、土地利用变化以及其他人类活动引起的地表扰动方面具有显著的效果。上述指标组合有助于更准确地监测和评估森林生态系统的变化。
图2 J-M距离热力图

Fig.2 J-M distance heatmap

3.2 精度评价

为评估森林干扰监测的准确性,本研究采用总体精度、Kappa系数等评价指标,同时使用Google高精度地图进行对比,图3展示了A,B,C区域的LandTrendr扰动结果和不同时期的遥感图像对比。蓝色部分代表LandTrendr检测到的扰动区域,其余部分为不同时期的遥感图像。选择研究时段内发生变化和未发生变化的森林像元共1 000个,对像元的变化状态进行目视解译,并结合土地覆盖数据进行辅助解译,将结果与LandTrendr算法的监测结果进行对比,构建混淆矩阵。结果显示,LandTrendr算法监测结果的总体精度为90.38%,Kappa系数为0.81,表明其在森林干扰监测方面具有良好的一致性和可靠性。此外,根据年份选择了3 800个样本点进行随机森林分类,对其分类精度进行了评估,其总体精度达到了91.80%,Kappa系数为0.90,进一步验证了监测方法的准确性和实用性。
图3 扰动结果对比

Fig.3 Disturbance result comparison

3.3 森林干扰时空分布特征

3.3.1 空间分布特征

4个生态修复工程的森林干扰空间分布如图4所示。南方丘陵山地带的4个生态修复工程区域展现出显著的森林扰动空间分布特征。南岭山地的森林扰动广泛且相对均匀,尤其在中东部地区,包括广东、江西和湖南的部分区域。2009—2018年间的扰动最为显著,面积达到2 148.9 km2。英德市以674.84 km2的扰动面积位居首位,主要集中在1985—1994年间的中南部森林区域。
图4 1985—2022年4个生态修复工程森林扰动空间分布特征

Fig.4 Annual forest disturbance variation in four ecological restoration projects (1985—2022)

武夷山区涵盖福建、浙江和江西的部分区域,扰动面积最大,且各时段扰动频繁。扰动主要集中在福建和浙江省内,以中部为核心,呈现由中心向外减弱的趋势。建瓯市的扰动面积达到966.65 km2,1985—1994年间的扰动也集中在建瓯市周围。1995—2008年间,光泽县、遂昌县、邵武市等地的扰动较为显著。
湘桂岩溶地区的扰动主要集中在广西壮族自治区,尤其是与湖南和贵州交界的区域。融水苗族自治县的扰动面积最大(408.57 km2),其次是南丹县和环江毛南族自治县,表明这些地区可能因矿产资源开发等活动导致生态破坏。
南方丘陵山地带矿山区域包括两广、福建、浙江、湖南、江西等省份的部分区域。英德市的总扰动面积最高,其次是宁都县(512.44 km2)和江华瑶族自治县(433.55 km2),显示出这些地区的森林生态系统显著受矿山开采活动影响。
整体来看,南方丘陵山地带不同区域的森林扰动分布具有明显的地理集聚特征,扰动强度与地理位置及资源开发密切相关。这些结果表明,不同生态修复工程区域的森林扰动受人类活动影响程度各异,为未来生态保护和修复工程的区域性差异化策略提供了重要的数据支持。

3.3.2 时间分布特征

图5反映了4个生态修复工程的森林干扰面积、年干扰面积比随时间的变化特征以及各地区在1985—1999年、2000—2007年和2008—2022年这3个时间段的平均干扰面积。1985—2022年,南方丘陵山地带森林损失面积总计38 564.619 3 km2,占1985年森林总面积(239 461.236 km2)的16.1%。
图5 1985—2022年4个生态修复工程森林扰动年际变化特征

Fig.5 Annual forest disturbance variation in 4 ecological restoration projects (1985—2022)

南岭山地的森林损失总面积为11 820.789 km2,年均损失约为311.07 km2。1987—1993年,森林干扰面积呈快速下降趋势,2000—2008年森林干扰面积呈增加趋势,在2008年达到峰值后急剧下降,并趋于平稳。总体而言,1994—2022年森林干扰面积呈增加趋势(斜率7.95 km2/a,R2=0.25,P<0.05)。森林损失面积峰值和次高值分别发生在2008年和1987年。
武夷山区的森林损失总面积为12 040.274 7 km2,年均损失为316.85 km2。1987森林干扰面积达到峰值后急剧下降,在1990年降到低点,1993—2008年森林干扰面积呈上升趋势(斜率38.08 km2/a,R2=0.55,P<0.05),2008年后呈下降趋势(斜率-30.96 km2/a,R2=0.39,P<0.05)。森林损失峰值出同样现在2008年和1987年。
湘桂岩溶地区的森林损失总面积为8 228.966 4 km2,年均损失为216.55 km2。同样在1987年达到峰值后森林干扰面积急剧下降,并在1988—2020年间保持平稳(斜率4.38 km2/a,R2=0.16,P<0.05),2020—2022年间有明显提升。
南方丘陵山地带矿山的森林损失总面积为6 474.5892 km2,年均损失为170.38 km2。1987—1992年间干扰面积从1987年的峰值开始快速下降,1993—2008年呈显著上升趋势(斜率50.24 km2/a,R2=0.51,P<0.05),2008—2018年保持平稳,2019年森林干扰面积降到2008年次高值之后的最低点,随后上升,到2022年与该区域2008—2022年间平均干扰面积相近。

4 讨论

本研究结合LandTrendr算法与随机森林算法对南方丘陵山地带森林干扰时空变化进行监测,揭示了1985—2022年间南方丘陵山地带森林干扰时空变化特征。总体来说,1985—2022年间森林干扰总面积为38 564.62 km2,其中武夷山森林(12 040.27 km2)>南岭山地森林(11 820.79 km2)>湘桂岩溶地区(8 228.97 km2)>南方丘陵山地带矿山(6 474.59 km2)。
在空间分布上,南方丘陵山地带不同区域的森林扰动分布具有明显的地理集聚特征。武夷山森林包含了福建、浙江和江西3省的部分区域,其中福建是全国6大林区的典型代表和集体林权制度的重要发源地[33-34]; 浙江树种以乔木为主,在增加森林碳汇方面有着重要作用,具有较高的开发价值,中国第一个林业碳汇交易试点平台位于浙江。此外,两省都处于东南沿海,是我国木材加工产业发展较快的区域,经济发展活跃,是外资企业进入中国设厂的首选理想区域。因此该区域扰动面积分布较为均匀且扰动面积最大。南岭山地森林区域包括了广东、湖南、广西以及江西部分区域,其中湖南和江西形成了以杉木、马尾松和湿地松为主的针叶纯林植被,两广地区典型的植被类型为亚热带常绿阔叶林和杉木等人工林[35],这些树种轮伐期较长,因此扰动相对较少。湘桂岩溶地区地处贵州高原向湘西、桂北丘陵的过渡地带,地面切割较深、山岭河谷交错、相对高差大,形成了岩溶峰丛峰林地貌。该区域包含了广西、湖南部分区域,湖南省石漠化土地位居全国第四位,主要分布在西南部。自2000年以来,广西森林扰动分布于西北和东北区域,这与研究结果中该区域的扰动分布特征相符。
在时间分布上,4个生态修复工程森林干扰面积呈现出明显的阶段性变化: 1987—1993年呈下降趋势,1993—2008年呈上升趋势,2008—2019年趋于稳定,2019—2022年再次上升。林业政策对该现象有着一定的影响(图6,图中A代表南岭山地森林及生物多样性保护工程,B代表武夷山森林和生物多样性保护工程,C代表湘桂岩溶地区石漠化综合治理工程,D代表南方丘陵山地带矿山生态修复工程)。1981年出台的《关于保护和发展森林的几个问题的决议》中提出了“三定”政策,该政策初期导致了森林损失面积的显著增加,许多之前的研究也发现这一政策使得森林损失面积增加,Liu等[35]指出,在20世纪80年代,中国南方有13.5%的森林被砍伐,并将森林损失面积的增加归因于这一政策。而1987年出台的《关于严禁乱砍滥伐、保护集体森林资源的指导方针》有效遏制了这一趋势。2002年出台的《重点地区速生丰产用材林基地建设工程规划》旨在解决我国木材和林产品供应短缺问题,同时保护天然林免遭砍伐[36]。该政策在江西、湖南、两广、浙江等18个省实施,造成了森林损失面积的增加,是2003—2022年间森林损失面积增加的主要原因之一。自2003年《中共中央国务院关于加快林业发展决定》开始第二次集体林权改革试点以来,该政策被证明是一项适合森林资源管理的政策,因此2008年的《关于全面推进集体林权制度改革的意见》开始全面实施第二次集体林权改革,这一政策在增加了农民收入、促进林业现代化的同时减少了森林的非法采伐。尽管重点地区速生丰产种植园工程和林权改革造成了森林损失面积增加,但在2008—2022年,中央出台的林业政策文件文本数量与过去相比成倍数增长,因此这一时期森林干扰趋于稳定。
图6 主要林业政策时间线与森林损失面积的年际变化

Fig.6 Timeline of major forestry policies and annual changes in forest loss area

5 结论

1)本研究基于Landsat时间序列数据,对1985—2022年间南方丘陵山地带的森林干扰进行监测与分析。结果表明,南方丘陵山地带有16.1%的森林遭受了干扰。其中武夷山森林(12 040.27 km2)>南岭山地森林(11 820.79 km2)>湘桂岩溶地区(8 228.97 km2)>南方丘陵山地带矿山(6 474.59 km2)。南方丘陵山地带的森林干扰在空间和时间上均表现出显著的特征。
2)空间上,森林扰动具有明显的地理集聚特征,尤其在武夷山区和南岭山地等区域,受到地理位置和资源开发的影响显著。
3)时间上,1985—2022年间,森林干扰面积经历了多个阶段的变化,在一定程度上受到林业政策的影响。本研究通过提供1985—2022年间长时间的森林损失数据集,为未来的生态保护和修复工程提供了重要的数据支持,同时强调了因地制宜的区域性差异化策略的重要性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Watson J E M, Evans T, Venter O, et al. The exceptional value of intact forest ecosystems[J]. Nature Ecology & Evolution, 2018, 2(4):599-610.

[2]
Shen J, Chen G, Hua J, et al. Contrasting forest loss and gain patterns in subtropical China detected using an integrated LandTrendr and machine-learning method[J]. Remote Sensing, 2022, 14(13):3238.

DOI

[3]
Chen C, Park T, Wang X, et al. China and India lead in greening of the world through land-use management[J]. Nature Sustainability, 2019,2:122-129.

[4]
Zeng W, Tomppo E, Healey S P, et al. The national forest inventory in China:History - results - international context[J]. Forest Ecosystems, 2015, 2(1):23.

DOI

[5]
潘丹, 陈寰, 孔凡斌. 1949年以来中国林业政策的演进特征及其规律研究——基于283个涉林规范性文件文本的量化分析[J]. 中国农村经济, 2019(7):89-108.

Pan D, Chen H, Kong F B. The evolution of forestry policies since 1949:An quantitative analysis based on 283 texts of forest-related normative policy documents[J]. Chinese Rural Economy, 2019(7):89-108.

[6]
Zhu Z, Woodcock C E, Olofsson P. Continuous monitoring of forest disturbance using all available Landsat imagery[J]. Remote Sensing of Environment, 2012,122:75-91.

[7]
Masek J G, Goward S N, Kennedy R E, et al. United states forest disturbance trends observed using landsat time series[J]. Ecosystems, 2013, 16(6):1087-1104.

DOI

[8]
Wulder M A, White J C, Loveland T R, et al. The global Landsat archive:Status,consolidation,and direction[J]. Remote Sensing of Environment, 2016,185:271-283.

[9]
Huang C, Goward S N, Masek J G, et al. An automated approach for reconstructing recent forest disturbance history using dense Landsat time series stacks[J]. Remote Sensing of Environment, 2010, 114(1):183-198.

DOI

[10]
Verbesselt J, Hyndman R, Newnham G, et al. Detecting trend and seasonal changes in satellite image time series[J]. Remote Sensing of Environment, 2010, 114(1):106-115.

DOI

[11]
Zhu Z, Woodcock C E. Continuous change detection and classification of land cover using all available Landsat data[J]. Remote Sensing of Environment, 2014,144:152-171.

[12]
Kennedy R E, Yang Z, Cohen W B. Detecting trends in forest disturbance and recovery using yearly Landsat time series:1.LandTrendr—Temporal segmentation algorithms[J]. Remote Sensing of Environment, 2010, 114(12):2897-2910.

DOI

[13]
Cohen W B, Yang Z, Kennedy R. Detecting trends in forest disturbance and recovery using yearly Landsat time series:2.TimeSync—Tools for calibration and validation[J]. Remote Sensing of Environment, 2010, 114(12):2911-2924.

DOI

[14]
Cohen W B, Healey S P, Yang Z, et al. Diversity of algorithm and spectral band inputs improves landsat monitoring of forest disturbance[J]. Remote Sensing, 2020, 12(10):1673.

DOI

[15]
王李娟, 孔钰如, 杨小冬, 等. 基于特征优选随机森林算法的农耕区土地利用分类[J]. 农业工程学报, 2020, 36(4):244-250.

Wang L J, Kong Y R, Yang X D, et al. Classification of land use in farming areas based on feature optimization random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(4):244-250.

[16]
Chen D, Stow D A, Gong P. Examining the effect of spatial resolution and texture window size on classification accuracy:An urban environment case[J]. International Journal of Remote Sensing, 2004, 25(11):2177-2192.

DOI

[17]
Sun K, Geng X, Ji L. A new sparsity-based band selection method for target detection of hyperspectral image[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(2):329-333.

DOI

[18]
MAUSEL P W. Optimum band selection for supervised classification of multispectral data[J/OL]. Photogrammetric Engineering & Remote Sensing, 1990, 56(1):55-60.

[19]
Healey S P, Cohen W B, Yang Z, et al. Mapping forest change using stacked generalization:An ensemble approach[J]. Remote Sensing of Environment, 2018,204:717-728.

[20]
傅伯杰, 王晓峰, 冯晓明, 等. 国家生态屏障区生态系统评估[M]. 北京: 科学出版社, 2017.

Fu B J, Wang X F, Feng X M. Ecosystem assessment of national ecological barrier area[M]. Beijing: Science Press, 2017.

[21]
Yang J, Huang X. The 30 m annual land cover datasets and its dynamics in China from 1985 to 2022[DS/OL]//Zenodo (CERN European Organization for Nuclear Research).(2023-08-01).

[22]
Liu L, Zhang X, Zhao T. GLC_FCS30D:The first global 30-m land-cover dynamic monitoring product with fine classification system from 1985 to 2022[DS/OL]//Zenodo (CERN European Organization for Nuclear Research).(2023-08-11).

[23]
el Rosario González-Moradas M, Viveen W, Andrés Vidal-Villalobos R, et al. A performance comparison of SRTM v.3.0,AW3D30,ASTER GDEM3,Copernicus and TanDEM-X for tectonogeomorphic analysis in the South American Andes[J]. Catena, 2023,228:107160.

[24]
Li P, Li H, Si B, et al. Mapping planted forest age using LandTrendr algorithm and Landsat5-8 on the Loess Plateau,China[J]. Agricultural and Forest Meteorology, 2024,344:109795.

[25]
Kennedy R E, Yang Z, Cohen W B, et al. Spatial and temporal patterns of forest disturbance and regrowth within the area of the Northwest Forest Plan[J]. Remote Sensing of Environment, 2012,122:117-133.

[26]
Braswell B H, Schimel D S, Linder E, et al. The response of global terrestrial ecosystems to interannual temperature variability[J]. Science, 1997, 278(5339):870-873.

DOI

[27]
Pan N, Feng X, Fu B, et al. Increasing global vegetation browning hidden in overall vegetation greening:Insights from time-varying trends[J]. Remote Sensing of Environment, 2018,214:59-72.

[28]
Zanchetta A, Bitelli G, Karnieli A. Monitoring desertification by remote sensing using the Tasselled Cap transform for long-term change detection[J]. Natural Hazards, 2016, 83(1):223-237.

DOI

[29]
李亚飞, 刘高焕. 澜沧江流域植被覆盖变化特征及其与气候因子的关系[J]. 资源科学, 2012, 34(7):1214-1221.

Li Y F, Liu G H. Characteristics of vegetation cover changes in lantsang basin based on MODIS vegetation index products (MOD13)[J]. Resources Science, 2012, 34(7):1214-1221.

[30]
Wang C, Ma N, Ming Y, et al. Classification of hyperspectral imagery with a 3D convolutional neural network and J-M distance[J]. Advances in Space Research, 2019, 64(4):886-899.

DOI

[31]
Nguyen T H, Jones S D, Soto-Berelov M, et al. A spatial and temporal analysis of forest dynamics using Landsat time-series[J]. Remote Sensing of Environment, 2018,217:461-475.

[32]
Breiman L. Random forests[J]. Machine Learning, 2017,45:5-32.

[33]
朱玮晗, 林金煌, 杨舒棋, 等. 福建省县域森林损失时空演变特征及其影响因素分析[J]. 生态与农村环境学报, 2024, 40(4):499-512.

Zhu W H, Lin J H, Yang S Q, et al. Characterization of spatial and temporal evolution of forest loss in counties in Fujian Province and analysis of its influencing factors[J]. Journal of Ecology and Rural Environment, 2024, 40(4):499-512.

[34]
刘双, 阮宏华. 基于地统计学的广东省和广西省森林生物量和NPP空间格局分析[J]. 生态学杂志, 2013, 32(9):2502-2509.

Liu S, Ruan H H. Spatial pattern analysis of forest biomass and NPP in Guangdong and Guangxi provinces of South China based on geostatistics[J]. Chinese Journal of Ecology, 2013, 32(9):2502-2509.

[35]
Liu C, Wang S, Liu H, et al. Why did the 1980s’ reform of collective forestland tenure in Southern China fail?[J]. Forest Policy and Economics, 2017,83:131-141.

[36]
韦西勤. 我国速生产林现状与存在的问题[J]. 林业调查规划, 2010(5):115-118.

Wei X Q. Current situation and problems of fast-growing and high-yielding plantation in China High-yielding plantation in China[J]. Forest Inventory and Planning, 2010(5):115-118.

Options
Outlines

/

〈 〉