唐 毅

(西藏自治区林业调查规划研究院，拉萨 850000)

基于贵州省大样地调查的图斑区划判读与群团样地判读对比分析

唐 毅

(西藏自治区林业调查规划研究院，拉萨 850000)

基于贵州省森林资源宏观监测大样地调查方法，对比分析大样地图斑区划判读和群团样地判读两种方案的监测结果，以及与2015年度森林资源连续清查结果相比较，结果表明：群团样地判读方案森林面积估计结果更接近于连续清查结果；就森林资源现状监测而言，群团样地判读方案优于图斑区划判读方案。

森林资源；监测；图斑区划；群团样地

建立国土生态空间规划体系，建立健全森林增长指标考核制度，严守林业生态保护红线，确保森林资源数量不断增加、质量不断提高，已成为新时期生态文明建设的新要求[1]。面对新的形势和挑战，现行清查体系显现出时效性差、新技术应用能力弱、固定样地特殊对待等方面的问题。为了完善现行森林资源清查体系，探索省级森林资源年度出数方法，近年来国家林业局资源司组织了大量的试点工作。2012年在广东省组织了基于大样地区划调查的森林资源年度出数方法的试点工作[2-3]，2014年继续在辽宁、浙江、湖南、云南、陕西等省组织开展了基于大样地区划调查的试点工作，2015年在全国31个省区开展了森林资源宏观监测工作。本文基于贵州省森林资源宏观监测大样地调查方法，采用大样地图斑区划判读和群团样地判读两种方案，对比分析两种方案的监测结果以及与2015年度森林资源连续清查结果比较，为探索优化大样地调查方法提供依据。

1 研究方法

1.1 样地布设

1) 大样地布设。采用西安80坐标系，圆锥等面积投影(中央经线E105°，原点纬线0°，第一纬线25°，第二纬线47°)。在全国范围内，以20 km×20 km网交叉点为中心，设置2 km×2 km样地。贵州省共设置451个样地。其中，全部落在省内的有422块，占93%；跨省界的有29块，占7%。

2)群团样地布设。在大样地范围内，以大样地中心点(群团样地中13号样地中心点)X，Y坐标为基础，通过中心点坐标偏移，具体偏移量见表1。在每个大样地中均匀布设25个群团样地，每个样地的面积为666.67 m2，形状为边长25.82 m的正方形，整个贵州省布设了451个群团，共布设了10932个群团样地。群团样地布设示意图和样地编号见图1。

图1 大样地中群团样地示意图

1.2 遥感影像及判读

本次贵州省宏观监测遥感类型包括9种类型(ZY3，GF，RE，02C，SPORT6，SJ，YG，TH，P1)，主要以GF为主，占81%。遥感影像空间分辨率主要以2 m为主，占92.2%，分辨率为16 m的有16个大样地。遥感影像时相年度全部集中在2014年和2013年，2014年占80%，2013年占20%；遥感影像时相以植被非生长季节为主，占82%。具体遥感影像处理、区划判读方法和群团样地判读方法参见《全国森林资源宏观监测技术方案》[4]。

1.3 森林面积估计方法

本次贵州省森林资源宏观监测采用大样地调查方法，设计两种方案：大样地图斑区划判读和群团样地判读，以下为两种方案森林面积的估计方法。

图斑区划判读方案：采用系统抽样公式计算。

5)抽样精度：P%=100-E%

式中:A为贵州省总面积(km2)，N为总体单元数(N=A/4)，n为样本单元数(大样地个数)，pi为第i个大样地的森林面积成数，ta为可靠性指标，统一取ta=1.96。

群团样地判读方案：采用整群抽样公式计算。

5)抽样精度：P%=100-E%

式中:A为贵州省总面积(km2)，N为总体单元数

(N=A/4)，n为样本单元数(群团样地个数)，mi为第i个群团样地设置的1亩样地个数(对不跨省的群团样地，mi=25；对跨省的群团样地，mi小于25)，yi为第i个群团样地中地类属于森林的样地个数，yij为第i个群团样地中第j个样地的地类属性值(1或0)，ta为可靠性指标，统一取ta=1.96。

2 结果分析

2.1 图斑区划判读监测结果

全省森林面积787.51万hm2，森林覆盖率44.7%，抽样精度95.2%；乔木林面积686.6万hm2，占全省土地总面积38.97%，抽样精度94.31%；竹林面积6.18万hm2，占全省土地总面积0.35%，抽样精度2.06%；特殊灌木林面积94.73万hm2，占全省土地总面积5.38%，抽样精度80.13%；一般灌木林面积92.79万hm2，占全省土地总面积5.27%，抽样精度83.11%。乔木林地面积占森林面积的87.19%，竹林地面积占森林面积的0.78%，特殊灌木林地占森林面积的12.03%，具体各地类监测结果见表2。

表2 图斑区划判读各地类监测结果表地类均值方差标准误相对误差/%抽样精度/%面积/万hm2估计区间/万hm2森林04470005460010948095207875174971～82531乔木林0389700584001135699431686664751～72569竹林0003500014000189794206618013～1223特殊灌木林0053800135000551987801394737590～11355一般灌木林0052700094000451689831192797711～10847疏林00027000010000325337467468349～586未成林造林地0015600019000212575742527552046～3465苗圃地12841-2841005-001～012迹地0013000020000213200680022871555～3019其他土地04690005840011347395278262278712～86532

2.2 群团样地判读监测结果

全省森林面积747.89万hm2，森林覆盖率42.45%，抽样精度为94.83%;乔木林面积648.78万hm2，占全省土地总面积的36.83%，抽样精度为93.89%；特殊灌木林地面积95.24万hm2，占全省土地总面积的5.41%；一般灌木林面积为91.21万hm2，占全省土地总面积的5.18%。乔木林面积占森林面积的86.75%，竹林面积占森林面积的0.52%，特殊灌木林面积占森林面积的12.73%。群团样地判读各地类监测结果见表3。

2.3 监测结果对比分析

从贵州省森林资源宏观监测采用的两种方法来看：在保持遥感大样地中心位置和大样地个数相同的情况下，采用图斑区划判读估计的森林覆盖率为44.70%，采用群团样地判读估计的森林覆盖率为42.45%；两者相差2.25%，差异较大。

表3 群团样地判读各地类监测结果地类均值方差标准误相对误差/%抽样精度/%面积/万hm2估计区间/万hm2森林04245005660011151494837478970922～78655乔木林03683005950011460893896487860913～68844竹林00022000100001512981-3052387-118～892特殊灌木林0054100136000551981800995247628～11420一般灌木林0051800078000411568842491217683～10559疏林00016000010000452384739290137～443未成林造林地001310001500018271572723041675～2934苗圃地100迹地001460001900020272772625781872～3285其他土地04943006000011545595438708483103～91066

对于乔木林所占国土面积的比例，图斑区划判读估计的比例为38.97%，群团样地判读估计的比例为36.83%，两者相差2.14%；对于竹林地、特殊灌木林地和一般灌木林地，两者差异非常小。可见，图斑区划判读和群团样地判读对森林覆盖率估计的差异主要来源于对乔木林估计的差异。

图斑区划判读与群团样地判读的调查方法不同，图斑区划判读采用小班区划与抽样相结合的调查方法，而群团样地判读采用样地点抽样调查的方法。如果采用群团样地提取图斑区划图层的地类属性，估计的森林覆盖率为44.37%，与图斑区划判读相差0.33%。因此调查方法不同也会导致估计结果有所差异。

为比较两者的差异，将贵州省境内全部422个大样地分别用图斑区划判读结果和群团样地判读结果估算每个大样地的森林面积成数，采用SPSS软件进行配对t检验，检验结果如表4，两者差异显著，群团样地判读结果估算的森林面积成数明显低于图斑区划判读估算的结果。

表4 群团判读与区划判读森林面积成数配对t检验结果表项目平均值标准差标准误t自由度Sig森林面积成数-02237009609000468-4782421000∗ 注：取显著性水平α=005，标注∗表示差异显著

将群团样地结果与空间上同一位置的图斑区划结果进行逐一比对后发现，有1276个群团样地地类与图斑区划地类不一致，具体群团样地与图斑区划不一致情况分析见表5。

表5 群团样地与图斑区划不一致情况矩阵个区划方法图斑区划判读111112120131132140160200总计111112120群团样地判读131132140160200总计7645541281162484451410681851341267918568921999122414321731055489247986161353056842982713824563523141276

出现这种情况的主要有三个方面原因：

1)图斑区划不够精细、程度不够，样地落入区划图斑中的小面积(接近666.67 m2)地类内。贵州省地类破碎，乔木林中部分空地、房前屋后或者耕地上小片森林等难以区划出来(对于2 m分辨率的影像)，这类不一致占全部不一致的38.24%。通过分析，客观和主观原因都存在，原因主要有4点：一是受遥感影像空间分辨率和清晰度的限制，难以区划到666.67 m2的图斑，这往往导致乔木林中小块空地难以区划出来；二是本次区划采用“简易”软件进行自动分割，再进行平滑(设置参数为20 m)对边界有一定的影响，造成边界调绘误差；三是判读人员习惯倾向于区划出森林植被图斑，而忽视乔木林中的小块空地；四是群团样地地类属性判读精细程度明显高于图斑区划判读，因为群团样地判读时，判读人员会更多地将注意力集中在样地666.67 m2的面积内或其周边范围内进行仔细推敲和分析。从实际判读的效果来看，尽管群团样地判读与图斑区划判读使用的遥感影像相同，但群团样地判读对于林中空地、房前屋后以及耕地上小片森林辨识度更高。

2)难以判读跨多个地类的群团样地。群团样地跨两个或者多个不同地类图斑界线，群团样地采用面积优势法确定优势地类，地类难以界定，这类不一致占全部不一致的61.76%。通过分析，原因主要是受遥感影像空间分辨率的限制，当样地内地类较为复杂时，不同判读人员差异很大，(“背靠背”判读不一致的主要原因之一)。从“背靠背”判读的结果来看，对于跨多个地类的群团样地判读，尽管地类属性难以界定，按照面积优势法确定优势地类，对于森林覆盖率估计不存在明显的系统偏差。

3)难以区分乔木林与灌木林。贵州省情况特殊，乔木林与灌木林确实难以区分，由于群团样地和图斑区划采用独立两套判读人员进行判读，两种方法中乔木林与灌木林不一致占18.6%。

通过上述分析，结合贵州省森林资源和地形地貌的实际情况，从实际判读的效果来看，群团样地判读要优于图斑区划判读。

2.4 监测结果与连清结果对比分析

将宏观监测结果与贵州省2015年连清结果进行对比分析，从表6、表7可知，图斑区划判读估计的森林覆盖率为44.7%，群团样地判读估计的森林覆盖率为42.45%，与2015年贵州省连清结果相比，前者高0.93%，后者低1.32%。图斑区划判读估计的森林面积值在一类调查森林面积估计区间内，两者差异较小。而群团样地判读估计的森林面积值并未在一类调查森林面积估计区间内，两者差异较大。连清森林面积抽样精度达到了97%，图斑区划判读和群团样地判读森林面积抽样精度分别为95.2%和94.83%。

表6 宏观监测和连清对各主要地类面积估计结果差异表地类一类清查面积/万hm2图斑区地判读群团样地判读面积/万hm2 与一类清查面积差异/万hm2与一类清查面积差异比例/%面积/万hm2 与一类清查面积差异/万hm2与一类清查面积差异比例/%森林7710378751164821474789-2314-300乔木林58544686601011617286487863341082竹林1601618-983-6140387-1214-7583特殊灌木林169589473-7485-79019524-7434-4384一般灌木林230892796971302049121681329519森林覆盖率/%43774470932124245-132-302

表7 宏观监测和连清森林面积抽样精度总体特征表调查类型森林面积估计区间/万hm2森林面积抽样精度/%一类调查74793～794139700图斑区划判读74971～825319520群团样地判读70922～786559483

考虑到宏观监测和一类调查的调查时点不同的差异(宏观监测遥感影像主要集中在2014年，一类调查调查时间为2015年)。贵州省2010年连清森林覆盖率为37.09%，按照贵州省连清间隔森林覆盖率平均增长率推算到2014年贵州省实际森林覆盖为42.43%，这与群团样地判读估计的森林覆盖率非常接近(群团样地判读高0.02%)，而图斑区划判读估计的森林覆盖率高出2.27%。相对连清结果比较而言，群团样地判读估计的森林面积比图斑区划判读估计的结果更加接近。

图斑区划判读对森林覆盖率估计的结果与连清、群团样地结果的差异主要在于调查方法的不同。连清、群团是样地点抽样调查，而图斑区划判读是小班区划调查与抽样相结合的中间调查形式，连清和群团样地结果能较好吻合的一个主要原因就是调查方法一致，都是点抽样调查。区划判读一般容易受优势法的影响，将林中空地及小面积零碎的其它地类归并到森林中，造成区划判读结果要大于点抽样结果。这一结论在2012年广东省大样地试点中也得到印证。

从乔木林、特殊灌木林占森林的比重的角度来看，宏观监测结果与连清结果差异很大。图斑区划判读估计的乔木林面积占其森林面积比例与连清相比高11.26%,判读估计的特殊灌木林面积占其森林面积比例与连清相比低9.96%；群团样地判读估计乔木林面积占其森林面积比例与连清相比高10.82%，估计的特殊灌木林面积占其森林面积比例与连清相比低9.26%。导致差异的主要方面在于遥感影像对乔木林和灌木林地难以区分，存在着将灌木林判读成乔木林地的判读偏差。

从监测体系抽样精度的来看(表7)，连清森林面积抽样精度要明显高于宏观监测的森林面积抽样精度，群团样地判读森林面积抽样精度低于95%，未达到国家森林资源连续清查规定的要求。贵州省连清体系按照4 km×8 km间距系统布设5500个方形固定样地，而宏观监测体系按照20 km×20 km间距系统布设451个2 km×2 km大样地(10932个666.67 m2方形群团样地)，从调查样本面积总量来看，宏观监测要明显高于连清，但是由于贵州省地类破碎度高的实际情况，宏观监测样地样本量比连清少，样地代表性比连清样本代表性相对弱一些，因此抽样精度也明显低于连清抽样精度。

3 结论与建议

基于贵州省森林资源宏观监测大样地调查方法，采用大样地图斑区划判读和群团样地判读两种方案，对比分析两种方案的监测结果，以及与2015年度森林资源连续清查结果比较分析，结果分析表明：针对森林资源现状进行监测而言，无论从监测结果准确度和监测工作效率来看，群团样地判读方案明显优于图斑区划判读方案，采用群团样地判读时，建议对大样地进行加密，保证抽样精度达到国家的有关要求，确保宏观监测结果更加客观准确。对于群团样地判读方案是否适用于森林资源年度动态监测需要做进一步研究。

[1] 曾伟生, 黄国胜, 党永峰, 等. 全国森林资源宏观监测的抽样设计与估计方法探索[J]. 林业资源管理, 2016(3):1-6.

[4]中国林业局.全国林林资源宏观监测技术方案[S].

ComparisonAnalysisofDepartmentInterpretationandCluster
InterpretationSchemesBasedonLargePlotInventoryofGuizhouProvince

TANG Yi

(Forest Inventory and Planning Institute of Tibet Autonomous Region, Lhasa 850000, Tibet, China)

In this paper, two interpretation ways, department interpretation and cluster interpretation were presented, based on large plot inventory of forest resources macro-monitoring of Guizhou province. We analyzed these two interpretation results and compared these two results with CFI results in 2015. It showed that the estimation results of cluster interpretation were close to CFI results; cluster interpretation scheme was better than department interpretation scheme for forest resources situation monitoring.

forest resources；monitoring；department interpretation；cluster

2017 — 02 — 13

唐毅(1986-)，男，硕士研究生，工程师，主要从事森要资源监测等工作。

S 757.21+1

A

1003 — 6075(2017)01 — 0052 — 06

10.16166/j.cnki.cn43 — 1095.2017.01.013