天水市近30年林地動態變化遙感監測研究*

任 沖，鞠洪波 ，張懷清，黃建文

(中國林業科學研究院資源信息研究所，北京 100091)

天水市近30年林地動態變化遙感監測研究*

任 沖，鞠洪波**，張懷清，黃建文

(中國林業科學研究院資源信息研究所，北京 100091)

[目的]以甘肅省天水市為例，基于遙感影像變化監測技術，探討黃土高原丘陵溝壑與小隴山-西秦嶺山地交接過渡區域近30年來森林(林地)資源空間分布規律、時間變化趨勢及變化影響因素。[方法]以1988—2015年5期夏季Landsat TM/OLI遙感影像為主要數據源，結合輔助數據和外業實地樣本點，以光譜特征和指數特征為特征變量，分別利用隨機森林(RF)和參數優化支持向量機(POSVM)分類器對土地覆蓋類型進行分類，然后基于分類后比較法進行森林資源動態變化監測。[結果]分類結果表明，兩種分類器的分類效果均較好，且隨機森林分類器在分類精度、效率和穩定性方面明顯優于參數優化支持向量機分類器。變化監測結果表明，近30年來森林資源總體變化趨勢為林地面積先減少后增加。1990—1996年，林地面積減少0.74%；1996—2002年，林地面積減少2.74%；2002—2008年，林地面積增加1.06%；2008—2015年，林地面積增加8.89%。[結論]本研究采用的基于非參數分類器分類后比較法的變化監測技術是復雜地形地貌過渡區森林資源動態變化監測的一種有效途徑，在分類結果分析統計的基礎上，得出研究區森林資源變化的總體趨勢：以2002年(2002年影像)為界，林地總體趨勢為先減少后增加，2002年后林地面積增加顯著。

遙感；森林資源；變化監測；隨機森林

傳統以地面調查為主的森林資源調查方法成本高，周期長，工作量大，時效性差，準確性不足，且在偏遠地區和復雜地形區域根本無法進行實地地面調查，不利于森林資源信息提取及動態變化監測研究的大范圍開展。遙感技術為森林資源變化監測研究提供了有力的探測手段，大大提升了森林資源監測水平，已成為監測、評價大區域森林資源變化最為有效的工具[1-4]。

近年來，利用遙感影像開展森林植被變化監測研究方面已有較多嘗試，主要集中在土地覆蓋/植被變化[5]、景觀格局[6]、林冠狀態[7]、森林覆蓋(率)變化[8-9]、森林增加/減少[10]、森林病蟲災害[11]、造林成活率[12]、林業重點工程和生態工程實施監測[13-16]等方面。

基于遙感影像變化監測方法大致可分為3類：目視解譯法、直接信息提取法、分類后比較法[17]。目視解譯法效率較低，且年際間穩定性和可比性較差，解譯精度取決于數據質量和解譯人員經驗。直接信息提取法簡單易行、易于解譯，結果取決于敏感波段及有效特征選取、多源數據融合和影像變換方法、代數合成運算和模型閾值設置等因素，大多難以提供變化類型信息，且精度不高。分類后比較法效率較高，適用性強，結果在年際間穩定性和可比性較好，且能夠提供變化類型信息，并可集成多源數據與特征[18-19]、專家知識[20-21]、輔助數據及已有成果[22]等提高分類精度、提升綜合分析能力。具體而言，根據不同數據源、試驗區狀況、應用目的和信息需求，現已發展了諸多森林植被定性或定量變化監測方法，如代數運算法、變換法、變化矢量分析法、分類后比較法、GIS方法、空間相關分析、面向對象方法[23]、模型法[24]、時間序列統計特性分析[25]、鄰近相關分析[26]等。

甘肅省天水市位于嘉陵江上游、黃土高原丘陵溝壑區與小隴山-西秦嶺山地交接地帶，屬于典型過渡區和生態脆弱區域，提取該區域林地資源動態變化信息有助于理解森林資源空間分布規律、時間變化趨勢及變化影響因素[27-28]。目前，利用長時間序列Landsat TM/OLI影像對該區域進行森林資源動態變化信息提取、定量分析及綜合評價等方面的應用研究鮮有報道，本研究以1988—2015年5期夏季Landsat TM/OLI遙感影像為主要數據源，結合森林資源分布圖、林相圖等輔助數據和外業實測樣本點，采用基于兩種非參數分類器(隨機森林和參數優化支持向量機)分類后比較法的森林資源動態變化監測技術，以期為該區域植被變化分析與生態環境評價、森林資源配置與優化調整、經營管理與輔助決策、林業工程(天然林保護工程、退耕還林工程等)實施與進展監測、森林保護措施制定與輔助決策等提供一定的參考。

1 實驗區與數據

1.1 實驗區概況

圖1 研究區地理位置Fig.1 Location of the study area

1.2 數據及預處理

獲取完全覆蓋研究區的1988—2015年5期夏季Landsat TM/OLI遙感影像序列，數據來源于USGS(http://glovis.usgs.gov/)，共16景影像，影像時間分別為1990年、1996年、2002年、2008年和2015年，主要集中在5—8月，級別產品L1T。對缺失數據以相鄰年份補全，時間差異盡量不超過1年。遙感影像預處理包括正射校正、鑲嵌拼接、配準、裁剪等。其中，逐期影像相對配準同名點不少于25個，東西向最大誤差(Error X)0.682，南北向最大誤差(Error Y)0.742，最大誤差(RMS)0.755，最大總體均方根誤差(Total RMS Error)0.468，保證5期夏季影像間相對配準精度在半個像元之內。Landsat時序影像數據集如圖2所示。

圖2 Landsat時序影像數據集Fig.2 Dataset of Landsat time-series images

輔助數據包括甘肅省天水市1998年森林資源分布圖、小隴山林區2008年森林資源“二類調查”數據、地形圖及其矢量化數據、各縣區矢量邊界及其他專題成果。在不同季節通過兩次外業調查獲得研究區地類與森林類型實地樣本點，外業時間分別為2014年9月和2015年12月，共計獲取覆蓋整個研究區有代表性的典型地類和主要森林類型樣本點1 006個，如圖3所示。

圖3 外業樣本點與2015年Landsat8 OLI影像(RGB_432)疊加顯示Fig.3 Overlapping display of field sample points and Landsat8 OLI images in 2015 (RGB_432)

2 研究方法

2.1 分類系統

根據《國家森林資源連續清查技術規定》地類劃分標準[29]，依據研究區覆蓋狀況、遙感影像特點與信息提取能力，確定本研究分類類別，包括一級地類2個：林地和非林地；非林地劃分為耕地、草地、建設用地和水域4個二級類，林地則不再細分。其中，林地包括有林地、灌木林地、其他林地等；耕地主要有旱地、灌溉水田、水澆地等；草地包括高、中、低覆蓋度的天然草地及人工草地；建設用地包括交通、城鎮、工礦等；水域包括河流、水庫、池塘等。本研究分類系統如下表1所示。

表1 分類系統Table 1 Classification system

2.2 分類特征

2.3 分類方法

隨機森林(RF)算法是對決策樹算法的一種改進[32]，通過自助法重采樣技術隨機選擇樣本和特征，用于多個決策樹的隨機構建，針對每一個待分類元素，所建立的每一個決策樹都要對其所屬類別進行判斷，隨機森林的最終輸出結果為所有決策樹分類結果中最多的類別。與傳統決策樹方法相比，隨機森林具有預測準確率高、泛化能力強、模型簡潔、快速高效、實用性強、并行化、不易過度擬合等諸多優點，在處理高維海量數據、克服數據缺失與噪音、解決類別不平衡問題等方面具有顯著優勢。

支持向量機(SVM)以VC維理論和結構風險最小原理為基礎，通過構造函數子集序列的方式使風險達到最小化，既降低了建模復雜性，又提高了學習能力，在解決小樣本、非線性、高維數據分類方面有顯著優勢[33]。核函數選擇與懲罰參數設置會顯著影響其分類效果。參數優化支持向量機(POSVM)通過參數空間自動尋優搜索或非線性最優化、智能優化算法等，選取訓練集驗證精度最高的參數組合作為最優參數參與模型分類[34-36]。雖然參數優化方法、泛化能力和結果精度仍有待驗證與評估，且往往在搜索或優化階段計算量大、耗時較長；但相比其他方法(如最大似然法等)，參數優化支持向量機方法分類方法的分類精度仍得到較大程度的提高。故本研究以參數尋優搜索法尋找核函數與懲罰參數的優化參數組合，以優化參數進行遙感影像土地覆蓋分類研究。

2.4 變化監測

對上述方法的分類結果進行逐期精度評價和對比分析，選擇最優的分類結果。基于分類后逐期比較法進行森林資源動態變化監測研究，探討典型黃土高原丘陵溝壑與小隴山-西秦嶺山地交接過渡區域近30年來森林資源空間分布規律、時間變化趨勢及其變化影響因素。

3 結果與分析

3.1 分類結果

對Landsat TM/OLI影像分別采用隨機森林(RF)和參數優化支持向量機(POSVM)分類方法進行分類，進行主要分析、編輯、重編碼等后處理，結果如圖4、圖5所示。

圖4 基于RF算法分類結果圖Fig.4 Classification results based on Random Forest (RF) algorithm

圖5 基于POSVM算法分類結果圖Fig.5 Classification results based on Parameter Optimization SVM (POSVM) algorithm

為驗證本研究采用的兩種分類方法在典型黃土高原丘陵溝壑與小隴山-西秦嶺山地交接帶的土地覆蓋分類精度和適用性，基于外業調查獲取的有代表性、覆蓋整個研究區的1 006個典型地類類別GPS實測樣本點，參考高分辨率遙感影像、已有輔助資料和調查成果、目視解譯與判讀結果等，選取均勻分布、足夠數量且有代表性的獨立檢驗樣本對上述分類結果逐期進行精度驗證。結果表明：本研究所采用的兩種非參數分類方法均取得了較好的分類效果，且隨機森林(RF)分類方法在分類精度、效率、計算量和穩定性方面均明顯優于參數優化支持向量機(POSVM)分類方法。隨機森林(RF)分類方法對于復雜地形、破碎地貌區和典型植被(森林-灌草-草地)交錯過渡區域具有的較強的適用性，可應用于大區域、復雜地形、過渡區域的植被/森林制圖和變化監測。

雖然林地和草地、林地和耕地、建設用地和耕地等存在一定程度的混淆，但總體上分類精度均達到95%以上，可滿足森林資源監測實際應用需要。基于兩種不同分類方法的分類結果具有較好的空間一致性，時序分類結果及逐期變化分析結果可客觀反映該區域近30年森林資源時空動態變化。以下基于隨機森林(RF)分類結果對研究區森林資源進行動態變化趨勢分析、結果統計和原因分析。

3.2 變化監測結果

基于上述圖4隨機森林(RF)分類結果，對非林地類別進行合并，經逐期比較可得森林資源動態變化(林地分布、增減、趨勢等)情況，具體結果如圖6所示。

圖6 森林資源動態變化監測結果圖Fig.6 Monitoring results of dynamic changes of forest resources based on classification results

由圖6及統計分析可知，該區域森林資源增減變化、趨勢及變化類型，具體如下：

(1)1990—1996年林地轉化為非林地為3.76%，非林地轉化為林地3.02%。林地面積凈減少0.74%。林地減少區域主要分布在武山縣、麥積區和清水縣；林地增加區域主要分布在武山縣灘歌林場和清水縣。類型轉化主要表現為：林地轉化為耕地，耕地轉化為林地和建設用地，草地轉化為耕地、林地和建設用地。林地和耕地面積變化不顯著，草地面積減少。

1996—2002年林地轉化為非林地為5.65%，非林地轉化為林地2.91%。林地面積凈減少2.74%，林地減少呈現加劇趨勢。林地減少區域主要分布在武山縣、甘谷縣和張家川回族自治縣；林地增加區域主要分布在麥積區和張家川回族自治縣。類型轉化主要表現為：林地轉化為耕地和草地，耕地轉化為林地，草地轉化為耕地和林地。耕地面積變化不顯著，草地面積減少。

2002—2008年林地轉化為非林地為5.57%，非林地轉化為林地6.63%。林地面積凈增加1.06%。林地減少區域主要分布在武山縣、甘谷縣和和張家川回族自治縣；林地增加區域主要分布在秦州區、麥積區、清水縣和張家川回族自治縣。類型轉化主要表現為：林地轉化為草地和耕地，耕地轉化為林地、草地和建設用地，草地轉化為林地和耕地。耕地面積減少，林地和草地面積增加。

2008—2015年林地轉化為非林地為6.56%，非林地轉化為林地15.45%。林地面積凈增加8.89%。林地減少區域主要分布在武山縣和張家川回族自治縣；各縣區均有林地增加。類型轉化主要表現為：林地轉化為草地和耕地，耕地轉化為林地、草地和建設用地，草地轉化為林地和耕地。耕地面積減少，林地和草地面積增加。

(2)在以上分類結果分析統計的基礎上，得出森林資源變化的總體趨勢：以2002年(2002年影像)為界，林地總體趨勢為先減少后增加，2002年后林地面積增加顯著。林地面積增加主要原因是其他類型林地向有林地轉化：(a)封山育林、人工造林等措施使得灌木林和無林地以及宜林地轉變為有林地，人工林面積的增加是林地面積增加的主要因素；(b)未成林造林地向有林地的轉化，由于未成林地在影像上被有效識別不僅取決于影像本身及其預處理、分類方法和策略，還取決于地物本身。未成林地在幼苗和幼齡林階段難以在影像上表現出來，而郁閉成林后，即可被有效提取和識別；(c)非林地經退耕還林而轉化為有林地。1999年以后，隨著天然林保護工程、退耕還林工程、重點公益林建設等林業重點工程的實施，該區域森林覆蓋率上升趨勢明顯，林地面積顯著擴大。

森林資源減少明顯的區域主要集中在武山縣和張家川回族自治縣，在林地與其他地類的過渡地帶、林緣區域表現尤為明顯，尤其在2002年之后。林地減少的可能原因為人類活動影響的擴大使該區域原有森林、灌木林、疏林地等森林植被類型遭到嚴重破壞，林地轉變為耕地、草地和建設用地等類型，局部生態環境有進一步惡化的風險和可能。

4 討論

基于時序遙感影像非參數分類器分類后逐期比較法是大區域、復雜地形地貌條件下，典型過渡區快速、準確、高效獲取森林資源現狀和動態變化信息的一種有效途徑。通過類型信息提取、逐期對比與統計分析，得出該區域近30年來森林資源(林地面積)呈現“先減少后增加”總體變化趨勢。2002年(2002期影像)后林地面積增加尤為顯著，隨著國家六大林業重點工程的實施，該區域林地面積顯著擴大、森林覆蓋率明顯上升，森林資源得到有效保護，生態環境得以持續改善。

本研究重點研究森林資源(林地)動態變化監測，而林地細類或森林類型的精準監測仍有待進一步深入研究。針對研究區監測應用中存在的問題，可能需要采用多源數據或高空間分辨率與高時間分辨率(多時相/時間序列)遙感影像相結合的方式予以解決。對于智能化分類器結果對比、組合分類器及分類策略在復雜地形地貌條件下、典型交接過渡區域分類效果評價和適用性等方面仍有待進一步研究。綜合、充分應用多種變化監測技術(如GIS分析法、模型法、面向對象法、基于知識的方法等)，提高林地及林地內類別間動態變化監測精度和效率尤為重要。而如何充分利用先進的影像分析技術，快速、高效獲取所需的森林資源動態變化信息將成為應用的關鍵。在結合已有成果資料、專題信息、專家知識等進行多元信息挖掘與綜合分析、時序變化信息地學解釋、驅動力分析、預測分析、不確定性分析等方面仍有待進一步深入研究。

隨著遙感影像空間分辨率不斷提高、傳感器類型不斷增多、林業應用日益深入，遙感技術將在森林資源監測中發揮更大的作用，有助于深入了解在一定社會經濟政策條件下森林資源的發展狀況，全面評估林業重點工程實施效果和資源潛力，為促進區域森林資源管理、生態環境改善、政策調整實施、社會可持續發展等提供重要的信息參考和決策依據。

5 結論

本研究以甘肅省天水市為例，以1988—2015年5期夏季Landsat TM/OLI遙感影像為主要數據源，結合輔助數據和外業實地樣本點，采用基于兩種非參數分類器分類后比較法的森林資源動態變化監測技術，初步揭示了典型黃土高原丘陵溝壑與小隴山-西秦嶺山地交接過渡區域近30年來森林資源時空變化規律(類型、數量、空間分布、總體變化趨勢等變化信息)和變化影響因素，在以上分類結果分析統計的基礎上，得出森林資源變化的總體趨勢：以2002年(2002年影像)為界，林地總體趨勢為先減少后增加，2002年后林地面積增加顯著。

[1] 鞠洪波.森林與濕地資源綜合監測技術體系研究叢書[M]. 北京：中國林業出版社，2011.

[2] Lu D, Mausel P, Brondizio E,etal. Change detection techniques[J]. International Journal of Remote Sensing, 2004, 25(12): 2365-2401.

[3] Huang C, Gowarda S N, Schleeweis K,etal. Dynamics of national forests assessed using the Landsat record: Case studies in eastern United States[J]. Remote Sensing of Environment, 2009, 113(7): 1430-1442.

[4] Potapov P V, Turubanova S A, Hansen M C,etal. Quantifying forest cover loss in Democratic Republic of the Congo, 2000-2010, with Landsat ETM+data[J]. Remote Sensing of Environment, 2012, 122: 106-116.

[5] Rogan J, Franklin J, Roberts D A. A comparison of methods for monitoring multitemporal vegetation change using Thematic Mapper imagery[J]. Remote Sensing of Environment, 2002, 80(1): 143-156.

[6] 于德永，王艷艷，郝占慶,等. 吉林省露水河地區森林景觀格局變化[J]. 資源科學，2005，27(04)：147-153.

[7] 曾慶偉，武紅敢，蘇 淼. 基于TM數據的林冠狀態變化遙感監測研究[J]. 遙感技術與應用，2009，24(2)：186-191.

[8] 王 昊，呂 植，顧 壘,等. 基于Global Forest Watch觀察2000-2013年間中國森林變化[J]. 生物多樣性，2015，23(5): 575-582.

[9] 范應龍，譚炳香. 兩種熱帶森林覆蓋變化檢測方法比較研究[J]. 林業科學研究，2015，28(3)：325-331.

[10] Hansen M C, Potapov P V, Moore R,etal. High-Resolution Global Maps of 21st-Century Forest Cover Change[J]. Science, 2013, 342(6160):850-853

[11] 劉清旺,武紅敢,石 進,等. 基于TM影像的森林病蟲災害遙感監測系統[J]. 遙感信息，2007，(2)：46-49.

[12] 黃建文,鞠洪波,趙 峰,等.利用遙感進行退耕還林成活率及長勢監測方法的研究[J].遙感學報，2007，11(6)：899-905.

[13] 陳爾學,劉 健,王曉慧,等. 重點防護林工程監測技術[M]. 北京：中國林業出版社，2012.

[14] 黃建文,陳永富,陳 巧. 利用3S技術進行退耕還林工程信息提取的研究[J]林業科學研究，2010，23(4)：500-504.

[15] 陳 巧，陳永富，鞠洪波. 基于3S技術的天保區植被變化監測方法研究[J]林業科學研究，2013，26(6)：736-743.

[16] 楊朝俊，胡庭興，劉 波,等. 基于GIS的退耕還林工程區林地動態變化遙感監測研究[J]. 遙感信息，2006，(01)：38-40.

[17] 李世明，王志慧，韓學文,等. 森林資源變化遙感監測技術研究進展[J]. 北京林業大學學報，2011，33(3)：132-138.

[18] Hansen M C, Roy D P, Lindquist E,etal. A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin[J]. Remote Sensing of Environment, 2008, 112(5): 2495-2513.

[19] Hilker T, Wulder M A, Coops N C,etal. A new data fusion model for high spatial- and temporal-resolution mapping of forest disturbance based on Landsat and MODIS[J]. Remote Sensing of Environment, 2009, 113(8): 1613-1627.

[20] 王旭紅，肖 平. 基于知識庫分類法在植被提取中應用研究[J]. 測繪通報，2004，( 7)：48-50.

[21] 甘 淑，袁希平，何大明. 遙感專家分類系統在滇西北植被信息提取中的應用試驗研究[J]. 云南大學學報:自然科學版，2003，26(06)：553-557.

[22] 陳蕓芝，陳崇成，汪小欽,等. 多源數據在森林資源動態變化監測中的應用[J].資源科學，2004，26(4): 146-152.

[23] Desclée B, Bogaert P, Defourny P. Forest change detection by statistical object-based method[J]. Remote Sensing of Environment, 2006, 102(1-2): 1-11.

[24] D Liu, K Song, John R G,etal. Using local transition probability models in Markov random fields for forest change detection[J]. Remote Sensing of Environment, 2008, 112(5): 2222-2231.

[25] 黃春波，佃袁勇，周志翔,等. 基于時間序列統計特性的森林變化監測[J].遙感學報，2015，19(4): 657-668.

[26] 李世明，王志慧，李增元,等. 基于鄰近相關圖像和決策樹分類的森林景觀變化檢測[J].林業科學，2011，47(9): 69-74.

[27] 董曉峰，馬如蘭，龐國錦,等. 近30年隴東黃土高原溝壑區林地時空變化及其驅動力分析[J]. 西北師范大學學報:自然科學版，2011，47(03)：92-98.

[28] 趙鵬祥, 強建華, 張會儒,等. 基于RS的黃土高原天然林資源時空動態變化分析[J].林業科學研究，2007，20(3)：307-311.

[29] 國家林業局. 國家森林資源連續清查技術規定[M].北京： 2003.

[30] 田慶久, 閔祥軍. 植被指數研究進展[J].地球科學進展，1998，13(4)：327-333.

[31] 徐涵秋. 利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究[J]. 遙感學報，2005，9(5)：589-595.

[32] Breiman L. Random forests[J]. Machine Learning. 2001,45(1):5-32.

[33] Vapnik V N. The Nature of Statistical Learning Theory[M]. New York: Springer, 1995

[34] 許文杰，邢朝輝，李菲菲.基于參數選擇優化SVM算法的研究[J].山東交通學院學報，2010，18(2)：79-82.

[35] 林海晏，岳彩榮，吳曉暉,等.基于EnMAP-Box的遙感圖像分類研究[J]. 西南林業大學學報，2014，(2)：67-71.

[36] 林海晏.基于SVM遙感圖像分類的參數優化研究[D]. 昆明：西南林業大學，2014.

(責任編輯：彭南軒)

Research on Remote Sensing Monitoring Technology of Forest Land Dynamic Change in Tianshui in Recent 30 Years

RENChong,JUHong-bo,ZHANGHuai-qing,HUANGJian-wen

(Research Institute of Forestry Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China)

[Objective]Taking Tianshui of Gansu province as a case study, the spatial distribution law, time changing trends and influence factors of forest resource had been researched in the transition region of typical Loess Plateau and Xiaolongshan-western Qinling Mountains in the past 30 years. [Method]The main data sources are Landsat TM/OLI remote sensing images with 5 series in summer from 1988 to 2015, combined with auxiliary data and field survey data. Image spectral features and indices characteristics were selected as the input characteristic variables. The land cover types were classified based on the random forest classifier and the optimal parameter SVM classifier. Subsequently, the forest resources dynamic change monitoring was implemented by the post-classification comparison method. [Result]The results show that the classification performance based on two classifiers are good, and the random forest classifier is better than that of optimal parameter SVM classifier, especially in the classification accuracy, algorithm efficiency and stability. The change detection results show that over the past 30 years the overall change trend of forest area was first decreased and then increased. From 1990 to 1996, the forest land area decreased by 0.74%, and from 1996 to 2002, forest land area decreased by 2.74%. However, forest land area increased by 1.06% from 2002 to 2008, and more significantly, forest land area increased by 8.89% from 2008 to 2015. [Conclusion]The forest change detection method based on post-classification comparison of non-parametric classifiers classification result proposed in this paper is an effective approach for monitoring of forest resources dynamic change and information extraction in complex terrain landform transition region, which could provide valuable reference for quantitative analysis of vegetation change and comprehensive evaluation, reasonable spatial allocation and optimization adjustment of forest resources, forest management and assistant decision making and dynamic monitoring of forestry major project and ecological environment evaluation.

remote sensing; forest resources; change detection; random forest

10.13275/j.cnki.lykxyj.2017.01.004

2016-05-10

國家高技術研究發展計劃(863計劃)“數字化森林資源監測技術”項目(2012AA102001)。

任 沖(1987—)，男，陜西漢中人，博士研究生，研究方向：森林資源監測技術。電話:010-62889191,E-mail:renchongrs@163.com 地址:中國林業科學研究院資源信息研究所 100091。
* 感謝國家林業科學數據平臺提供的天水市1998年森林資源分布圖、小隴山林業局1995年森林資源分布圖；感謝甘肅省小隴山林業調查規劃院提供的2008年小隴山林區森林資源二類調查數據，以及在外業數據采集方面給予的大力支持。
** 通訊作者：鞠洪波(1956—)，男，黑龍江牡丹江人，研究員，博士生導師，研究方向：林業信息技術。電話：010-62889160，E-mail：ju@caf.ac.cn.

771.8

A

1001-1498(2017)01-0025-09