国际森林空间分析技术会议（ForestSAT2024）学术动向分析

摘要：森林空间分析技术会议（ForestSAT）是国际林业遥感领域的一大学术盛事，已成为该领域的学术风向标。ForestSAT 2024于9月9—13日在新西兰罗托鲁瓦举行，吸引了来自超过40个国家的学者，共同探讨38个议题，包括统计遥感、森林清查、森林生态、遥感算法、遥感产品及未来展望。此次会议呈现5大特点：首先，统计遥感备受关注；其次，遥感技术的应用需求旺盛，服务于森林生态和清查；第三，强调数据融合，充分利用多源多模态数据优势；第四，遥感产品为全球“双碳”战略提供支持；最后，把脉林业遥感未来发展路径。会议期间举行了两场主旨报告并深入讨论无人机遥感、尺度上升、小域估计及误差传播等前沿问题。统计遥感作为抽样调查、统计模型与遥感技术的融合，是突破林业遥感瓶颈的重要手段，展现了林业遥感的新发展趋势。

关键词：ForestSAT;统计遥感;尺度上升;小域估计;误差传播

中图分类号：S757""""" 文献标志码：A开放科学（资源服务）标识码（OSID）：

文章编号：1000-2006（2024）06-0001-04

Emerging academic trends at the ForestSAT 2024 Conference

HOU Zhengyang， HUANG Huaguo

（Key Laboratory of Forest Cultivation and Conservation， Ministry of Education， Beijing Forestry University， Beijing 100083， China）

Abstract： The Forest Spatial Analysis Technology （ForestSAT） Conference is a pivotal assembly in the global domain of forestry remote sensing， functioning as a vital gauge for advancements in this area of research. The ForestSAT 2024 was" convented from September 9 to 13 in Rotorua， New Zealand， drawing academics from more than 40 nations to deliberate on 38 subjects， including statistical remote sensing， forest inventory， forest ecology， remote sensing algorithms， remote sensing products， and future trends. The conference underscored five significant aspects： firstly， the prominence of statistical remote sensing; secondly， the robust demand for remote sensing applications within forest ecology and inventory; thirdly， the accentuation on data fusion to capitalize on the strengths of multi-source and multi-modal data; fourthly， the vital support that remote sensing products contribute to the global “double carbon” strategy;" lastly， the inquiry into future developmental trajectories for forestry remote sensing. During the event， two keynote speeches were presented， with additional avant-garde topics such as UAV remote sensing， upscaling， small-domain estimation， and error propagation. As an integration of sampling surveys， statistical models， and remote sensing technology， statistical remote sensing is instrumental in addressing the challenges of forestry remote sensing， elucidating the emerging developmental directions in this discipline.

Keywords：ForestSAT; statistical remote sensing; upscaling; small-area estimation; error propagation

森林空间分析技术会议（ForestSAT）由森林空间分析技术协会主办，堪称国际林业遥感领域的学术盛宴。自2002年首次召开以来，ForestSAT通常隔年举办一次，围绕前沿主题展开汇报与研讨，已然成为林业遥感研究的重要风向标[1-2]。

1 基本情况

ForestSAT 2024于9月9—13日在新西兰罗托鲁瓦盛大召开，与会学者来自40多个国家，共同商议38个议题（附件，nldxb.edu.cn;https：//tcc.eventsair.com/fsat24/）。议题涵盖统计遥感、森林清查、森林生态、遥感算法、遥感产品、未来展望六大类，呈现出以下5方面特点：其一，统计遥感是抽样调查、统计模型与遥感技术的有机融合，备受关注；其二，以应用为导向，彰显遥感落地的刚性需求，服务森林生态及资源清查；其三，注重数据融合，充分发挥多源多模态数据的优势；其四，遥感产品助力全球变化背景下达成“双碳”战略目标；其五，眺望未来，为林业遥感发展路径精准把脉。鉴于涵盖内容广泛，仅就两场主旨报告和前沿问题进行简要介绍。

2 主旨报告

2.1 首场主旨报告

Crystal Schaaf教授在首场主旨报告中，向老一辈遥感学人和中分辨率成像光谱仪（MODIS）对全球气象、气候及生态环境监测所做出的卓越贡献致以崇高敬意。Schaaf教授身为马萨诸塞大学波士顿分校环境学院荣誉退休教授，同时也是美国国家航空航天局（NASA）MODIS科学小组成员，专注于地表反照率及各向异性产品的研发。她在演讲中详细阐述了VIIRS BRDF、Albedo与Nadir BRDF Adjusted Reflectance（NBAR）产品在森林监测领域的应用情况及广阔发展前景。这些产品已然成为近25年高质量每日地表能量预算记录的杰出代表，广泛应用于气候、天气、生物地球化学循环及水文模型，在植被范围、物候和生产力监测方面亦发挥着至关重要的作用。如此长期且高质量气候档案的存在，既得益于Terra和Aqua卫星上MODIS传感器的超长寿命与卓越品质，也归功于科学算法的持续评估与改进，以及NASA对定期处理整个记录的郑重承诺。VIIRS作为AVHRR和MODIS的扩展与延伸，能够确保未来10年该领域系列遥感产品的持续获取[3-4]。Schaaf教授反复强调，遥感产品的不确定性量化（QA）乃是确保产品可靠性的必要前提，是遥感研究必须呈现的关键要素以及遥感应用的根本保障，其本质为统计遥感的置信区间和误差传播问题。

2.2 第2场主旨报告

第2场主旨报告人是墨尔本大学理学院和工程学院的Pablo J Zarco-Tejada教授，其领导的HyperSens实验室致力于利用无人机获取的高光谱影像对农作物和森林胁迫进行监测。Zarco-Tejada教授在报告中围绕用于森林健康监测的高光谱和热成像在近25年的进展展开，明确指出植物病理遥感诊断呈现新趋势与新挑战。传统多光谱成像技术虽能同时获取被测目标光谱和空间信息以全面快速提取植物病害信息，但无法在症状出现前诊断病害。而高光谱遥感技术具备更高的光谱分辨率，能提供更详细的光谱信息，可在病害早期进行监测和识别，为提前防治提供有力依据。通过无人机搭载高光谱传感器在低空飞行获取植物图像和光谱数据，可针对小范围森林进行图像处理和数据分析，提取对植株分类贡献值最大的特征波长组合，基于特征波段使用逻辑回归、支持向量机等算法，建立分类模型，以准确判断植株患病情况及程度[5]。然而，Zarco-Tejada指出植物病理遥感诊断的瓶颈在于突破局部范围，也就是针对更大空间尺度诊断这一监测的尺度上升问题，本质为统计遥感问题。

3 前沿问题

3.1 无人机遥感

无人机遥感作为低空遥感的一种具体表现形式，并非单一的技术体系。它以无人飞行器作为遥感平台，以数字遥感设备作为任务载荷，同时以遥感数据快速处理系统作为技术支撑，能够以高机动性、低成本、自动化的模式迅速获取地理资源环境等空间遥感信息，进而完成遥感数据处理以及应用分析等一系列技术流程[6]。借助无人机遥感技术，能够从空间观测的角度高精度地获取丰富的基础数据，并且通过对这些数据资料的整理和分析，实现对森林资源现状与变化的有效监测。然而，无人机遥感存在空间覆盖范围较小以及处理复杂度高的问题，这在一定程度上对其大规模的落地应用形成了制约。与传统的航天影像相比，无人机遥感具有采样周期短、分辨率高、像幅小、影像数量多、倾角过大以及倾斜方向不规律等特征，由此使得无人机遥感图像处理的数据量总量与复杂度均有所增加。其中，像幅小、倾角相对较大以及倾斜方向不规律等不利因素致使无人机遥感的作用范围目前大多限于小区域，容易出现非全覆盖的情况[7]。鉴于此，统计遥感中的尺度上升能够为无人机遥感实现从小区域到大区域的有效监测提供助力。

3.2 尺度上升

尺度上升，亦称为升尺度转换，是从小尺度向大尺度的转变，即从点位到小区域再扩展至大区域[8-9]。在此过程中，空间分辨率降低，转换后的数据趋于同质且信息量减少，但准确性显著提升。其作用通常在于为遥感产品提供真实性检验，在实践中常常用于对应尺度上的生态或营林决策。遥感尺度转换总是基于一定的主题或应用目的而进行，并且具体的尺度转换模型需要各种数学方法予以支持。因此，统计遥感中的尺度上升方法至关重要。在对遥感影像进行尺度转换后，不可避免地会造成不同程度的信息损失或变异。故而，在进行尺度上升时，必须考虑到误差传播的过程及其量化，以保障出数方法的无偏性。

3.3 小域估计

小域估计在统计遥感中属于尺度下降问题，是尺度上升的逆过程[9-10]。尺度下降是指从小区域转变至局部点位，空间分辨率升高，信息量变得更为丰富，但准确性通常降低。在林业领域，小尺度包含单株树尺度、样地尺度、林分尺度等。例如，上述提及的无人机遥感以及森林健康监测皆为局部点位上的数据产出，适用于林分尺度调查，然而却难以支撑更大尺度如省、市、县的出数。小域估计的核心问题在于如何充分利用现有的样本信息，在确保能够获得总体调查因子可靠估计的同时，亦能实现小域因子的有效估计[11]。然而，在实际情况中，小域估计常常面临着落入小域的样本量极为稀少甚至为零的困境。从改进估计量的角度出发，可以借助该域中的遥感辅助信息，如通过遥感影像获取的地理信息、土地覆盖类型等，与目标变量建立关联，以提高估计精度；也可以利用其他小域中的样本信息，通过信息共享和模型融合等手段，将多个小域的信息综合起来，为目标小域的估计提供有力支持；还可以借助统计模型，如广义线性模型、贝叶斯模型等，对数据进行建模和参数估计，充分挖掘数据中的潜在规律，进而获得更准确的小域估计结果。在林业等领域中，小域估计可以利用省尺度样本为县或林分等小尺度调查提供有效的估计方法，对于深入了解局部区域的特征具有重要意义。

3.4 新趋势——统计遥感

统计遥感提供了坚实的数学基础和行之有效的技术手段，在对地观测、资源清查和生态系统经营等领域的重要性愈加突出。在统计遥感的实践过程中，可通过将抽样调查与统计模型进行有机结合，从而实现遥感尺度转换以及误差传播的量化[12]。由此可见，统计遥感是解决尺度上升与下降问题的一种重要统计学途径。另一方面，通过对抽样调查方法进行改进或者对统计模型加以优化以提高模型精度，能够有效提升小域估计问题中估计量的有效性。因此，统计遥感亦是解决小域估计问题的主要手段。

森林大数据的来源包括实测样本、遥感观测以及过程模型，这些数据可提供关于森林生态系统健康状况、碳储量和生产力等高维信息。随着遥感数据量骤增，参数统计、半参数统计和非参数统计方法，包括深度学习，在大数据处理中变得愈发重要。这些方法可以帮助识别森林变化、预测森林发展趋势，并为森林管理提供依据。在国家级森林资源调查监测中，面对年度实测样本量骤减的不利条件，统计遥感可以显著提高调查精度、降低监测成本，逐渐成为欧美主要发达国家实现连续且高效资源监测的主要途径。

在统计遥感领域，国际学术界活跃的研究者包括北京林业大学的侯正阳、瑞典农业大学的Gran Sthl、芬兰自然资源研究所的Annika Kangas、美国林务局北方研究站的Ronald McRoberts、美国林务局落基山研究站的Sean Healey以及美国马里兰大学的GEDI研究组等。这些学者开展了突破性研究，提出了诸如遥感数据同化方法以提高模型辅助估计的准确性[13]、发展非全覆盖遥感上的二阶分层与混合估计量[14]、探讨遥感样本量大小及模型对估计精度的影响机制[15-16]等。

4 总结与展望

综上所述，误差传播、尺度上升以及小域估计等统计遥感问题在国际林业遥感领域中占据前沿地位。一方面，资源卫星、微波遥感、成像光谱技术以及三维遥感等森林资源监测新技术的不断发展，能够为森林资源调查带来诸多益处，不仅可以提升调查精度，还能够扩大调查区域；另一方面，将抽样调查、统计模型与遥感技术相结合的统计遥感，作为解决上述共性问题的统计学途径，展现出了未来新的发展趋势。

ForestSAT2026将于2026年5月4日至8日在美国佛罗里达州的盖恩斯维尔（Gainesville）举办，此次会议的主席为佛罗里达大学林学院的林业统计学家Carlos Silva教授。期待有更多的中国学者积极参与其中，携手共进，在国际舞台上披荆斩棘，充分发挥自身的专业优势和创新能力，为我国林业遥感的发展贡献智慧与力量。这不仅有助于提升我国在国际林业遥感领域的影响力，还能够推动全球林业遥感技术的进步与创新，为实现可持续发展的林业资源管理和生态环境保护目标提供有力的技术支持。

参考文献（reference）：

［1］MCROBERTS R E，COHEN W B，PFLUGMACHER D．Preface，2012 ForestSAT special issue[J]．Remote Sens Environ，2014，151：1-2．DOI： 10.1016/j.rse.2014.02.010.

［2］PFLUGMACHER D，MCROBERTS R E，MORSDORF F．Preface：ForestSAT 2014 special issue[J]．Remote Sens Environ，2016，173：211-213．DOI： 10.1016/j.rse.2015.11.025.

［3］LIU Y，WANG Z S，SUN Q S，et al．Evaluation of the VIIRS BRDF，Albedo and NBAR products suite and an assessment of continuity with the long term MODIS record[J]．Remote Sens Environ，2017，201：256-274．DOI： 10.1016/j.rse.2017.09.020.

［4］CAMPAGNOLO M L，SUN Q S，LIU Y，et al．Estimating the effective spatial resolution of the operational BRDF，albedo，and nadir reflectance products from MODIS and VIIRS[J]．Remote Sens Environ，2016，175：52-64．DOI： 10.1016/j.rse.2015.12.033.

［5］MOHAMMED G H，COLOMBO R，MIDDLETON E M，et al．Remote sensing of solar-induced chlorophyll fluorescence （SIF） in vegetation：50-years of progress[J]．Remote Sens Environ，2019，231：111177．DOI： 10.1016/j.rse.2019.04.030.

［6］SUOMALAINEN J，OLIVEIRA R A，HAKALA T，et al．Direct reflectance transformation methodology for drone-based hyperspectral imaging[J]．Remote Sens Environ，2021，266：112691．DOI： 10.1016/j.rse.2021.112691.

［7］ZHENG Y，HOU Z Y，STHL G，et al．Nexus of certain model-based estimators in remote sensing forest inventory[J]．For Ecosyst，2024，11：100245．DOI： 10.1016/j.fecs.2024.100245.

［8］STHL G，SAARELA S，SCHNELL S，et al．Use of models in large-area forest surveys：comparing model-assisted，model-based and hybrid estimation[J]．For Ecosyst，2016，3（1）：5．DOI： 10.1186/s40663-016-0064-9.

［9］HOU Z Y，DOMKE G M，RUSSELL M B，et al．Updating annual state- and county-level forest inventory estimates with data assimilation and FIA data[J]．For Ecol Manag，2021，483：118777．DOI： 10.1016/j.foreco.2020.118777.

[10]GOERNDT M E，MONLEON V J，TEMESGEN H．Small-area estimation of county-level forest attributes using ground data and remote sensed auxiliary information[J]．For Sci，2013，59（5）：536-548．DOI： 10.5849/forsci.12-073.

[11]HOU Z Y，MCROBERTS R E，ZHANG C Y，et al．Cross-classes domain inference with network sampling for natural resource inventory[J]．For Ecosyst，2022，9：100029．DOI： 10.1016/j.fecs.2022.100029.

[12]STHL G，GOBAKKEN T，SAARELA S，et al．Why ecosystem characteristics predicted from remotely sensed data are unbiased and biased at the same time-and how this affects applications[J]．For Ecosyst，2024，11：100164．DOI： 10.1016/j.fecs.2023.100164.

[13]HOU Z Y，YUAN K Y，STHL G，et al．Conjugating remotely sensed data assimilation and model-assisted estimation for efficient multivariate forest inventory[J]．Remote Sens Environ，2023，299：113854．DOI： 10.1016/j.rse.2023.113854.

[14]CHEN F T，HOU Z Y，SAARELA S，et al．Leveraging remotely sensed non-wall-to-wall data for wall-to-wall upscaling in forest inventory[J]．Int J Appl Earth Obs Geoinf，2023，119：103314．DOI： 10.1016/j.jag.2023.103314.

[15]SAARELA S，HOLM S，HEALEY S P，et al．Comparing frameworks for biomass prediction for the Global Ecosystem Dynamics Investigation[J]．Remote Sens Environ，2022，278：113074．DOI： 10.1016/j.rse.2022.113074.

[16]DUNCANSON L， KELLNER J R， ARMSTON J， et al. Aboveground biomass density models for NASA’s Global Ecosystem Dynamics Investigation （GEDI） lidar mission[J]. Remote Sens Environ， 2022， 270： 112845.

（责任编辑 吴祝华）