东北林业大学森林生长与经营规划团队在International Journal of Applied Earth Observation and Geoinformation（中科院1区TOP）发表题为"Evaluating the effectiveness of forest type stratification for aboveground biomass inference"的重要研究成果。东北林业大学林学院博士研究生伍自强为第一作者，郝元朔教授为通讯作者。本研究构建了一个系统的比较框架，以评估森林类型分层对AGB估计精度的影响，首先，基于样地调查数据与遥感辅助信息分别建立森林类型分类模型和AGB回归模型，回归模型包括统一建模的通用模型(general model)与针对不同林分类型的层特定(strata-specific models)模型。随后，在三种推断情景下开展 AGB 估计：无分层（Case A）、基于林相图的理想分层（Case B）以及基于遥感分类结果的含误差分层（Case C），并分别在每种情景下使用SRS、MA与MB估计器。在 Case B 与 Case C 中，又进一步比较了使用通用模型与层特定模型的差异。对于存在分类误差的情景，采用 Monte-Carlo 模拟评估分类不确定性在 AGB 估计中的传播效应。最后，以相对效率（relative efficiency, RE）作为评价指标，量化不同分层策略与建模方式对区域尺度 AGB 推断性能的影响。研究结果显示，在未分层条件下，MA 的方差最低，其相对效率（RE）相较 SRS 分别达到 2.91（MA）与 1.90（MB）。基于林相图的理想分层（Case B）显著提升了估计精度：在通用模型下，MA 的方差进一步下降，而 MB 基本保持不变；在采用层特定模型的情景中（Case B.2），MB 的估计精度明显提高，体现出高质量分层对 MB 的显著增益。相比之下，基于遥感分类图的含误差分层（Case C）明显削弱了分层带来的优势。在采用通用模型时（Case C.1），MA 的方差略有上升而 MB 变化不大；而在层特定模型情景中（Case C.2），MA 与 MB 的方差均显著增大，表明分类误差在分层推断中具有放大效应，尤其会削弱 MB 与层特定模型的稳定性。本研究系统揭示了森林类型分层在实际应用中的关键限制与适用情景，进一步明确了遥感辅助变量在设计基（DB）推断中的提升作用，同时验证了 MA 和 MB 估计器相较传统 SRS 的显著优势。在理想的分层条件下，层特定模型能够有效降低生物量估计的不确定性，尤其对 MB 估计器提升尤为明显。值得强调的是，本研究首次将分类误差拆解为“模型误分配误差”和“权重误差”两类来源，并分别量化了它们在 MA 与 MB 推断中的影响，结果表明：“模型误分配误差”才是造成分层推断性能下降的主要因素。论文信息：Wu Z , Liu X , Cheng S ,et al.Evaluating the effectiveness of forest type stratification for aboveground biomass inference[J].International Journal of Applied Earth Observation Geoinformation, 2025,143(000):11.
DOI:https://doi.org/10.1016/j.jag.2025.104829
