卫星影像分析助力可持续森林培育

100 多年来，美国农业部 (USDA) 林务局一直致力为现在和未来一代维持国家森林和草原的健康、多样性和生产力。 美国农业部森林清查与分析 (FIA) 计划旨在改进先进遥感技术的使用和集成，以助力完成该任务。

在此视频中，美国农业部林务局的官员讨论了 FIA 计划并展示了他们的制图工程背后的科学。 为解决复杂的多维栅格分析问题，美国农业部林务局利用 ArcGIS 和 Python 的多功能性构建自定义机器学习算法，对卫星影像与其测量的森林特征之间的关系进行建模。 通过跟踪卫星影像中每个像素随时间发生的变化，官员可以监控季节性和植被，预测干旱和环境影响，并更好地了解森林物种。 然后，开发的数据用于为有关我们国家森林的政策和管理决策提供支撑；公众也可以推动创造可持续未来的合作。

播放视频以查看用于 FIA 计划的工具的演示或继续阅读本文以了解关键点。
 

该内容可公开获得，发表在美国林务局 ArcGIS Online 组织资源、ArcGIS Living Atlas of the World 和开放数据门户上。 此类地图可用于填充空间显式工具，这些工具可能会集成到保护计划中，以支持碳管理、野生动植物管理、分水岭修复和其他环境服务。

以下是两个示例，说明您如何在自己的分析中通过使用地理处理工具、栅格功能等来使用这些服务。

1. 干旱 - 干旱对森林和林地产生巨大影响，而机构科学家已经使用 BIGMAP 结果来使干旱模型预测得到广泛应用。 近年来在加利福尼亚州中部山谷附近开展的暴露检查显示发生了重大干旱。 预计到 2040 年，干旱暴露区域会从加利福尼亚中部转移到南部落基山脉。
   
   

2. 碳封存 - 将数据添加到适宜性模型，有助于识别太平洋西北地区，在此区域开展种植作业不会对环境造成明显威胁。 这些可能是实现共享管理以实施气候减缓或恢复计划的重要区域。

其他示例制图应用程序包括以下内容：

• 绘制主要森林碳库地图
• 监控植被和森林整体结构的季节性
• 显示野火和龙卷风等干扰导致的森林碳损失
• 创建适宜性模型，在识别的区域开展种植作业不会对环境造成明显威胁

以下是使用的五种建模技术：

植被物候

通过跟踪随时间发生的变化，我们可以监控大型地理区域的季节性、植被周期和衰老状况，以识别不同类型的森林、树种的成分以及森林整体结构。

谐波回归

该技术用于分析在植被物候条件下捕获的时间序列，使我们不仅可以表征植被的平均状况，而且还表征了一年中条件如何变化。

生态排序

这些系数描述了植被的季节性变化以及其他辅助数据（例如气候和地形），可与针对沿环境梯度订购树种的森林清查样地收集的响应数据结合使用。

k - 最近邻域回归

环境梯度要素空间中的位置图可以与 k - 最近邻域 (kNN) 算法配合使用，该算法通过基于其要素空间中测量的邻近性为每个像素分配一个“图块”来运行。

预测和制图

每个图块代表一组记录，存储在 FIA 的数据库中，从中可以作出像素级预测，量化不确定性并绘制各种森林属性地图。