编辑推荐：
在森林管理中，监测幼苗林分至关重要。研究人员利用 Landsat 时间序列（LTS）数据，研究其对幼苗林分监测的潜力。结果显示，LTS 数据监测除草需求有一定准确性，但预测高度和密度能力有限。该研究为森林监测提供了新思路。
在北欧的森林管理中，森林的可持续发展依赖于对幼苗林分的有效监测和管理。幼苗林分是未来成熟森林的基础，其发展状况直接影响着森林的外观、组成和木材供应。然而，传统的监测方法，如实地调查，既耗时又费力，成本高昂。同时，森林管理者需要准确及时地获取林分属性信息，如树木密度、物种组成等，以便做出合适的森林经营决策，例如确定抚育的程度和最佳时间。在这样的背景下，研究人员迫切需要一种高效、低成本的监测手段。
为了解决这些问题，芬兰自然资源研究所（Natural Resources Institute Finland）等机构的研究人员开展了利用 Landsat 时间序列（LTS）数据监测幼苗林分的研究。他们的研究成果发表在《European Journal of Forest Research》上，为森林监测提供了新的视角和方法。
研究人员主要运用了以下关键技术方法：首先，收集了芬兰东部 Liperi 地区的 371 个圆形实地样地数据，这些样地代表了不同肥力和生长潜力的森林类型，样地中的幼苗林分和成熟幼苗林分均进行了详细测量。同时，获取了 2006 - 2017 年研究区域内的 Landsat 影像数据，通过筛选云量低于 70% 的图像，并进行处理生成年度无云镶嵌图。然后，计算归一化燃烧比（Normalized Burn Ratio，NBR）和归一化植被指数（Normalized Difference Vegetation Index，NDVI），利用普通最小二乘法（Ordinary Least Squares，OLS）和梯度提升机（Gradient Boosting Machine，GBM）模型预测林分属性，根据针叶树和阔叶树的高度差进行除草需求分类。
研究结果如下：
- NBR 和 NDVI 值在幼龄幼苗林分中的变化（Q1）：NBR 值平均变化较小，再生对 NBR 值的影响显著（p<0.05）。NBR 在识别采伐后的变化方面比 NDVI 更敏感。不同立地类型的林分在采伐后，NBR 和 NDVI 指数变化趋势不同。树密度类别间的 NBR 值变化较大。
- 预测幼苗林分森林属性（Q2）：使用 NBR 和 NDVI 指数预测物种特异性结构属性的准确性有限。例如，对于每公顷落叶幼苗数量，OLS 结果显示 NDVI 的均方根误差（RMSE）为 5088，R2为 0.06；NBR 的 RMSE 为 5006，R2为 0.14。GBM 模型虽然提高了准确性，但整体预测精度仍有待提高。
- 分类除草需求（Q3）：基于 NBR 的预测在二元决策（除草需求与否）中，总体准确率达到 81%，Cohen's kappa 值为 0.55。
研究结论和讨论部分指出，LTS 数据在监测幼苗林分除草需求方面具有一定的准确性，但在预测幼苗高度和密度方面存在局限性。由于 Landsat 影像分辨率相对较低，难以捕捉林分内部的精细变化，导致预测精度受限。同时，林分的异质性，如物种组成、幼苗密度、年龄分布等因素，也增加了准确预测的难度。然而，该研究为森林监测提供了新的方法和思路，未来可通过整合高分辨率数据（如 Sentinel - 2）和改进分析方法，提高预测准确性，进一步推动森林监测技术的发展，为可持续森林管理提供更有力的支持。
