背景
尽管热带森林仅覆盖陆地面积的 7-10%，但其却占陆地地上生物量碳储量的一半以上，并拥有 60-70% 的陆地物种 [ 1 , 2 , 3 ]。近几十年来，森林砍伐、选择性伐木、火灾和破碎化极大地改变了热带地区的森林[ 4,5,6 ]。尽管热带森林退化的全部程度高度不确定，但如今二次生长和退化的森林比完整的森林覆盖的面积更大[ 7 , 8 , 9 , 10 , 11]。同样，由于退化造成的碳损失可能类似于或超过与森林砍伐相关的损失[ 12,13,14,15,16,17,18,19,20 ] 。该碳源的不确定性部分是由于上述退化区域的不确定性，但也是由于不同时空尺度的退化森林碳储量的变化[ 14,21,22,23,24,25,26 , 27]。森林退化对碳预算、森林结构和生物多样性未来潜在损失和收益（通过再生）的影响仍然很大程度上未知[ 28,29,30,31 ]。

自 20 世纪 90 年代末以来，研究人员使用中分辨率遥感技术来检测亚马逊地区森林的伐木和火灾影响 [ 10 , 32 , 33 , 34 , 35 ]。使用无源光学数据的线性光谱混合建模一直是这种方法的主要工具[ 10,36,37,38 ]。区域应用程序需要手动审核[ 8,39,40 ] 。最近的研究将光谱和纹理信息与机器学习相结合[ 41 , 42]。当有足够的时间信息可用时，在光谱数据中添加时间过滤可以以不同的分辨率检测林下森林火灾[ 43 ]。最近使用 Landsat 时间序列识别亚马逊森林退化的工作很有希望 [ 7 , 44 ]，但没有区分主要的退化驱动因素（例如，伐木与火灾）或估计退化对生物量的影响。超高分辨率（VHR）图像的纹理分析已应用于当地伐木和森林结构特征的研究，尽管获取和处理大面积数据的成本仍然是一个挑战[ 45,46,47]。高频且更易于访问的 VHR 图像（例如 PlanetScope 档案）的出现，以及处理能力的增强，为详细的森林退化检测和监测开辟了新的可能性（例如，[ 48 ]）。

巴西亚马逊地区的森林砍伐和森林退化都是大气碳的重要来源[ 30,49,50 ]。生物质储量已通过用实地清查数据校准的遥感数据进行量化[ 51,52,53,54 ] ，尽管在精细的空间尺度上，森林状况的变化高度不确定。土地覆盖图的不一致和土地变​​化面积估计的可变性引起了不确定性，这可能会对依赖此类信息的模型的输出产生巨大影响[ 55]。当前和不久的将来的空间任务（例如，NASA GEDI 和 ESA BIOMASS）的生物量估计将大大减少 1 km 2 分辨率的不确定性[56,57,58 ]，但这些任务只能提供相对较远的森林生物量的视图。短期[3至5年]。虽然 GEDI 在我们对生物量和森林结构其他方面的了解方面取得了惊人的进步，但这是一项采样任务，不可避免地会留下空间差距。机载激光雷达为完整和退化的森林提供了高空间分辨率和准确的地上生物量信息[ 26 , 59 ]，但其覆盖范围稀疏。

有效管理与林地利用变化相关的碳动态需要准确归属碳源和碳汇。如上所述，森林退化是一种重要且难以量化的碳源，而退化后的恢复是一个被忽视的潜在碳汇。促进森林碳汇是在森林碳管理和保护总体战略范围内减缓气候变化的一种潜在的具有成本效益的方法[ 61 , 62 ]。最终，提高准确描述与退化相关的生物量变化的能力需要了解森林退化的地点和时间、退化森林与完整森林的生物量以及估计不确定性的量化。

热带森林退化的分类和相关的生物量估计仍然是一个重大挑战，因为此类分类和生物量估计中现有的不确定性阻碍了将碳排放准确归因于特定森林类别。在这项研究中，我们对完整森林和退化森林进行分类，并将退化概率估计与生物量估计结合起来。我们使用来自商业超高分辨率光学数据的纹理特征，对巴西亚马逊选定地点的完整、砍伐和烧毁的森林进行概率分类。我们使用蒙特卡罗模拟将森林分类与从机载激光雷达数据得出的地上生物量分布相结合，并将激光雷达数据的生物量不确定性与同时考虑森林退化分类的不确定性和生物量不确定性时估计的不确定性进行比较。我们解决以下研究问题：

A。
使用机器学习方法进行森林退化分类的准确性是多少？

b.
森林退化对生物量估算有何影响？

C。
森林退化分类的不确定性如何影响退化森林的生物量估计和不确定性？

方法
为了解决研究问题 (a)，我们实施了梯度增强分类建模框架，以 Landsat 时间序列中的森林退化历史作为参考数据，并以 PlanetScope 图像派生的纹理指标作为预测变量（图 1，框 1  ）。为了解决研究问题 (b)，我们根据机载激光雷达数据估算了完整、砍伐和烧毁森林的生物量分布（图 1，框 2）。为了解决问题（c），我们比较了蒙特卡罗模拟的生物量估计值，该模拟考虑了激光雷达数据的生物量不确定性，而模拟也考虑了（a）中引用的模型的森林退化分类不确定性（图 1，方框3） ）。

图。1
图1
我们的研究步骤图，包括 ( 1 ) 行星 VHR 图像的概率分类，( 2 ) 机载激光雷达的生物量估计，以及 ( 3 ) 蒙特卡洛斯模拟，以估计地面生物量以上的景观水平以及与生物量估计和森林相关的不确定性降解分类

全尺寸图像
学习地点
我们在巴西亚马逊地区的三个地点进行了研究，这些地点覆盖了巴西马托格罗索州费利斯纳塔尔市和欣古土著领地的部分地区，以及巴西帕拉州的萨拉卡-塔奎拉国家森林（图 2  ）。Feliz Natal 遗址由多种土地覆盖组成，而 Xingu 和 Saracá 遗址则分别是仅包含伐木和火灾的完整森林的混合物。

图2
图2
研究地点在亚马逊的位置 ( A )。插图 ( B ) 显示了三个地点的 PlanetScope 假彩色复合材料（近红外、红色、绿色）因伐木和火灾造成的森林退化

全尺寸图像
Feliz Natal（图 2，地点 1）位于巴西森林砍伐弧区，这是一个政府定义的区域，70% 的森林砍伐集中在 100 个城市（约 100 万平方公里）内。费利斯纳塔尔拥有多种土地用途，包括牧场和机械化农业，这些都取代了部分原始森林覆盖。该地区剩余的大部分森林已被砍伐，其中很大一部分森林至少被烧毁过一次[ 26 ]。

Xingu遗址（图 2，遗址2）位于Feliz Natal遗址东南约80公里处，但位于Xingu土著领地内。众所周知，土著土地是亚马逊地区森林砍伐和其他人为压力的障碍[ 63 , 64 ]，但辛古地区在 2016 年和 2017 年发生了大火[ 65 ]。费利斯纳塔尔和辛古地区是典型的亚马逊东南部气候，年平均降水量约1900毫米，旱季长达5个月，年平均气温25℃[ 66 ]。

萨拉卡-塔奎拉国家森林（图 2，地点 3）拥有由巴西林务局管理的联邦伐木特许权。由于该国家森林的铝土矿开采历史悠久，因此指定了特定区域进行可持续森林管理。为了遵守联邦法规，该地点于 2015 年至 2020 年间使用减少影响的伐木技术 [ 67 ] 进行了选择性伐木。该地区属热带湿润气候，年平均降水量2000毫米，旱季从7月持续到10月[ 68 ]。

森林退化分类
森林退化分类参考数据
我们的森林退化参考数据集是根据 1984 年至 2020 年 Landsat TM、ETM + 和 OLI 时间序列的视觉解释构建的。每个站点每年至少提供一张无云图像。对于时间序列的每幅图像，我们计算了归一化燃烧比（NBR），这是一种广泛用于检测森林干扰的光谱指数[ 69 , 70 ]。然后，我们手动描绘火灾和选择性伐木多边形，并记录退化事件的年份。我们根据 Gumbricht、Roman-Cuesta [ 71 ] 掩盖了水和湿地，并使用巴西 PRODES 分类 [ 72 ] 掩盖了森林砍伐。

PlanetScope 图像
我们为每个站点选择了一张具有四个光谱带（蓝色、绿色、红色和近红外）的多光谱 PlanetScope 图像 [ 73 ]。对于每张图像，我们计算了增强植被指数（EVI，[ 74 ]），以突出显示最近的退化和随后的再生。根据每个站点的扰动发生情况和云量比例选择图像日期（表1）。

表 1 各站点的 PlanetScope 和激光雷达数据概览
全尺寸桌子
GLCM 方法和预测变量的生成
我们使用灰度共现矩阵（GLCM）纹理技术[ 75 ]来计算用于对我们的测试站点中的退化森林进行分类的指标。图像中的纹理量化像素灰度差异、发生变化的区域大小（邻域，由窗口大小定义）和方向性[ 76]。GLCM 将每个图像中像素灰度级的不同组合出现的频率制成表格，然后从该表格中得出统计数据。本研究中使用的八个 GLCM 指标可分为三组：（1）描述性统计，包括均值、方差和相关性；（二）对比性，包括对比性、同质性、相异性；(3)有序性或规律性，包括角二阶矩和熵。GLCM 指标的描述以及选择 GLCM 指标进行遥感图像分类的实用指南可以在 Hall-Beyer [ 77 ] 和 Hall-Beyer [ 76 ]中找到。

我们使用R [ 79 ] 中的glcm包 [ 78 ] 生成了源自行星的 EVI 的 GLCM 指标。经过实证测试，我们为glcm函数选择了以下参数： 窗口大小为45像素（140.625 m）；并作为所有方向的平均值进行移动（即，观察到的现象中没有方向性的影响）。我们沿着每个图像的边缘修剪最外层的窗口，以避免 GLCM 没有足够的信息来计算准确的纹理值时出现伪影。

尽管约 141 m 的纹理特征窗口大小捕获了与退化森林斑块相关的相当大的异质性，但我们探索将窗口聚合到更粗糙的空间分辨率，以实现更准确的分类[ 80]。我们测试了不同的聚合分辨率（140.625 m、281.25 m、562.5 m 和 1125 m；分别对应于 45、90、180 和 360 PlanetScope 像素），并根据模型性能，我们选择了 562.5 m 分辨率。以下重采样统计数据用于聚合从原始分辨率 (3.125 m) 到 562.5 m 网格单元的 GLCM 指标：平均值、标准差、偏度、均方根、最小值、第一四分位数、中值、第三四分位数和最大值。总共使用 72 个栅格图层（8 个 GLCM 指标中每个指标的 9 个重采样统计数据）作为分类模型的解释变量。

概率分类模型
我们没有为图像的每个网格单元选择单一的硬分类，而是量化了网格单元落入三个类别的概率：完整、记录和烧毁（图 1，框 1）。梯度提升树被用来对网格级退化进行分类，因为它们具有强大的预测性能和在适应非线性和交互等数据典型特征方面的灵活性[ 81 ]。我们的多项分类树模型是使用xgboost R 包 [ 82 ]中实现的随机梯度增强算法进行拟合的。multi:softprob 目标函数用于输出网格级预测，其中包含属于每个退化类别的估计概率。

由于退化类别不平衡，因此在模型训练期间使用了类别加权损失函数。我们指定了一个权重变量，使得每个类别中的各个观察权重之和在三个退化类别中相等。随后将各个观察权重乘以网格单元相关纯度（即，主导类占据的网格单元的百分比），以降低来自较不均匀参考数据的误差贡献。使用分层随机抽样将完整数据集分为训练集 (50%) 和测试集 (50%)，以平衡每个分组内的类别分布。分层变量由每个扰动类别内的分级纯度值组成，增量为 0.2。

使用了多种技术来避免训练过程中的过度拟合并优化模型的偏差-方差权衡。首先，我们随机选择（无替换）80% 的训练数据和 70% 的 GLCM 特征在每个 boosting 轮中使用。这种随机性使决策树去相关并提高了集成的预测性能。其次，一旦验证集的多类错误率在五次 boosting 迭代后未能降低，我们就使用提前停止来停止训练，从而快速检测学习曲线的拐点。最后，我们将学习率设置为0.2。

我们通过迭代网格搜索确定每个超参数的最佳范围。终端节点允许至少有 5 个观测值，Boosting 轮内的最大树深度等于 4，并且需要将多类错误率降低 0.2 才能进一步划分叶节点。为了评估模型性能，同时考虑分区变异性和算法随机性的不确定性，我们将分类模型拟合到 100 个随机生成的数据分区。

多项研究表明，由于森林再生，退化信号会在 3-5 年内从光学图像中消失[ 36,83,84 ] 。我们从模型训练中排除了图像日期之前五年多发生的具有伐木和火灾干扰的网格单元，因为初步模型拟合表明对较旧干扰的混淆增加。

遵循 Olofsson、Foody [ 55 ] 建议的准确性评估良好实践，我们通过呈现混淆或误差矩阵以及最常见的准确性度量来报告分类的准确性。这些评估是针对每个网格单元的森林退化类别的最高预测概率而提出的，就好像我们进行了硬分类而不是概率分类一样：总体精度，即正确映射的面积的比例。它为地图用户提供了地图上随机选择的位置被正确分类的概率。用户准确率是映射为特定类别的区域在参考数据中实际属于该类别的比例。生产者的准确性是指参考数据中特定类别的面积也被映射为该类别的比例。

生物量估算
为了估计网格细胞水平的生物量，我们使用了在测试地点上方或附近收集的高点密度激光雷达数据[ 85 ]。总共包括 8723 公顷机载激光雷达，覆盖完整、砍伐和烧毁的森林（表1）。在对退化森林上的激光雷达样带进行分类时，没有根据干扰后的时间进行区分。使用 Longo、Keller [ 60 ] 中详述的方法，根据激光雷达得出的冠层顶部高度（50 m 绘图分辨率（0.25 ha））将生物量估计为地上碳密度（ACD），然后重新采样至 500 m分辨率（25 ha) 使用 10 × 10 等值图中像素的中值来近似匹配分类预测变量的分辨率（图 1 ），框 2)。我们一起报告了 Feliz Natal 和 Xingu 地点的 ACD 估计，因为它们的空间接近和相似的 ACD 范围。

不确定性的估计
蒙特卡罗模拟用于量化网格级地上碳密度估计的不确定性（图 1 ），框 3)。我们进行的模拟考虑了两个不同来源的不确定性：(i) ACD 估计和 (ii) 森林退化分类。第一个模拟考虑了两个不确定性来源（标记为 ACD + 分类），第二个模拟仅考虑了 ACD 估计中的不确定性（仅标记为 ACD）。对于每次蒙特卡罗迭代，使用多项分类模型的预测类别概率对各个网格单元进行分类。对于第一次模拟，根据预测概率的随机采样对细胞进行分类，第二次模拟通过选择具有最高预测概率的类别对细胞进行分类。然后通过从相关地点随机抽样和降解等级碳密度估计来分配每个网格单元的 ACD。

受干扰森林的斑块意味着景观上存在某种程度的空间相关性。蒙特卡罗方法用于估计不确定性的有用特征之一是，与复杂的地质统计模型相比，它基于很少的假设，并且提供了以景观的复杂空间模式为条件的不确定性的估计。

结果
GLCM 纹理指标对森林退化做出了反应，尽管不同的指标对于突出伐木和火灾最有效（图 3）。熵度量强调对比边缘，捕获了伐木区的道路和原木存储平台（图 3 C）。GLCM 平均值指标对最近烧毁的森林中可见的弥散变化反应强烈（图 3 E）。

图3
图3
Feliz Natal 测试站点：整个 PlanetScope 图像假彩色合成（红色、近红外、绿色）（A），显示伐木和火灾事件的插图（B和D），以及同一区域的选定 GLCM 指标（C和E）。火灾发生在2017年，伐木发生在2017年和2018年；PlanetScope 图片来自 2018 年

全尺寸图像
森林退化的概率分类
当我们将最可能的森林退化类别与为测试模型而保留的参考数据进行比较时，我们获得了很高的准确性（表2、图 4）。多站点模型（包含来自 3 个测试站点的数据的单个模型）的总体准确度为 0.86 (95% CI 0.85–0.87)，而单个站点获得的准确度为 0.69 (95% CI 0.65–0.72) Feliz Natal、Xingu 和 Saracá 站点分别为 0.93 (95% CI 0.91–0.94) 和 0.88 (95% CI 0.85–0.90)。

表 2 使用 50% 测试数据的模型的混淆矩阵
全尺寸桌子
图4
图4
由多站点模型预测的每个 562.5 × 562.5 米网格单元中每个站点的类出现概率。区域内的无数据网格单元代表图像采集前五年以上被遮蔽的区域或退化的森林

全尺寸图像
生产者和用户对按最可能退化类别分类的网格单元的准确度在类别之间是可变的。烧毁的森林类别显示出生产者和用户的最高准确度（表2）。相比之下，完整和砍伐的森林类别之间存在更大的混淆，因为伐木造成的树冠损坏有时对光学传感器来说可能是微妙的，而且因为表面上完整的森林可能会因破碎而退化。

总的来说，我们发现估计的分类与我们的参考数据之间有很好的匹配（图 4和5）。虽然我们的参考数据不包括萨拉卡遗址发生的火灾，但在 1.2% 的网格单元中选择了火灾类别进行硬（最有可能）分类。同样，新谷遗址近五年来也没有发生过伐木事件；然而，该站点的1.1％的网格单元选择了测井类别进行硬分类（图 5）。

图5
图5
562.5 米网格单元的观察类别（左图）与预测类别（中图）以及错误的类别预测（右图）。最右边的面板显示了错误预测的参考（正确）分类

全尺寸图像
完整和退化森林的生物量估算
激光雷达得出的生物量估计值的分布在不同地点和退化类别之间存在很大差异（图 6、表3）。完整森林的平均 ACD 显示 Feliz Natal 和 Xingu 地点的组合与 Saracá 地点之间存在两倍差异。有趣的是，在费利斯纳塔尔和辛古，被砍伐的森林的平均 ACD 比完整森林高出约 6%，但在萨拉卡，砍伐导致平均 ACD 减少了约 15%。在 Feliz Natal 和 Xingu 的联合地点，我们观察到与完好的森林相比，被烧毁的森林的 ACD 平均下降了 35%。

图6
图6
激光雷达衍生的 ACD 退化类别和位点的概率密度函数。在采集图像之前的 5 年内，萨拉卡遗址和辛古遗址均没有被烧毁的区域，也没有被砍伐的区域

全尺寸图像
表 3 激光雷达数据和参考地点分类中每个森林退化类别和地点的 ACD 平均值（和标准差）
全尺寸桌子
生物量估计和森林退化分类的综合不确定性
我们通过使用蒙特卡罗模拟将每个森林类别的 ACD 分布与概率森林退化分类相结合来估计研究区域的 ACD。我们预计，将分类的不确定性和 ACD 估计的不确定性相结合将增加总体 ACD 不确定性，而不会显着影响均值。相反，我们发现两种方法之间的不确定性仅略有不同，但当包含概率分类的不确定性时，所有情况下的平均 ACD 值都较低（图 7、表4）。由标准差给出的不确定性在所有情况下都很低，但 ACD + 分类总是比仅 ACD 更大（表4）。在 Feliz Natal 和 Saracá 站点，两种类型的不确定性的 ACD 分布甚至不重叠，而在 Xingu 站点中分布有相当大的重叠。

图7
图7
仅考虑 ACD 估计的不确定性以及 ACD 和森林退化分类不确定性的 ACD 分布

全尺寸图像
表 4 每个测试地点和不确定性方法的 ACD 平均值（和标准差）
全尺寸桌子
讨论
我们提出了一种基于 VHR 光学图像和机器学习分类的热带森林退化分类方法，该方法在三个不同的测试地点实现了高精度。推广这种方法需要使用涵盖广泛地形、森林类型和土地利用特征的参考数据进行测试。尽管如此，我们的结果代表了亚马逊地区森林退化分类的进步。结合改进的分类和最近使用卫星传感器进行碳储量估算的创新，未来的研究无疑可以提高我们对森林退化在亚马逊地区和泛热带森林碳预算中的作用的理解。

亚马逊地区退化森林的分类
为了证明我们的概率分类的有效性，我们将最可能的类别视为离散输出（即硬分类）。然而，具有多种土地覆盖的混合像素在亚马逊地区相当常见，这对我们的森林退化分类提出了挑战[ 86 ]。概率分类使我们能够考虑到这一特征。当分类网格单元更大时，混合像素的挑战变得更加重要。此外，概率森林退化分类使我们能够明确地将分类不确定性纳入景观 ACD 估计中。我们使用类别成员概率的信息来指示与类别分配相关的置信度，表明分类的可靠性[87 ]。

虽然我们用行星数据（< 5 年）对最近的扰动进行了令人满意的分类，但由于火灾和伐木事件后植被的再生，扰动的光谱信号很快消失[ 27 , 36 ]。相比之下，结构变化（例如使用机载激光雷达测量）更加持久[ 80 , 88]。为了减轻森林再生带来的时间限制，我们实行了 5 年的干扰年龄截止。实施这种运行监控方法需要频繁更新，最好间隔时间短于 5 年。易于获取的高频 VHR 图像（例如来自挪威国际气候和森林倡议 (NICFI) 卫星数据计划的图像）的出现，使得这项任务每年甚至可能更频繁地变得可行，甚至对于热带等高云覆盖区域也是如此。森林。

我们没有考虑分类中重叠干扰的影响。在森林砍伐之弧等土地利用变化热点地区，反复发生的火灾和伐木事件对生物量的影响不是独立的[ 26]。为简单起见，我们仅使用行星图像日期之前的最近退化事件来校准我们的分类模型，但我们承认干扰历史可能会影响森林退化分类。特别是，当森林火灾优先烧毁伐木道路和原木储存平台上的小型再生植被时，森林火灾可能会加剧以前因伐木而造成的退化模式。此外，仅选择最近的干扰可能会影响相应的准确度度量（例如，模型可以正确地对先前的干扰进行分类，但这将被认为是根据参考数据的错误分类）。因此，退化历史复杂地区的森林退化分类需要考虑这些因素。

亚马逊生物群落中共存的具有不同树冠纹理的各种植被类型也对退化森林的分类提出了挑战。冠层结构影响遥感图像的纹理指标[ 89 ]，在对整个毁林弧的退化森林进行分类时，必须评估其对 GLCM 指标的影响。

对于任何遥感分类来说，参考数据集的构建都是一个反复出现的挑战。要使我们的方法具有可操作性，需要有关森林退化时空模式的实地和遥感专业知识。尽管如此，越来越多的环境机构研究人员和工作人员拥有这方面的专业知识，可以为这些数据的生成做出贡献。

生物量估算的不确定性
我们根据机载激光雷达估算了每个站点内不同森林覆盖类别的 ACD。遵循 Chave、Condit [ 90 ]，我们基于激光雷达的 ACD 估计的估计不确定性解释了用于模型校准的 ACD 森林清单估计的不确定性，以及由机载激光雷达和地面测量测量的有限区域引起的不确定性（代表性），以及由于 ACD 方差导致的预测误差无法用拟合模型解释 [ 60 ,  91 ]。与 Chen、Vaglio Laurin 的研究结果类似 [ 92]，模型预测的不确定性主导了该分析。代表性的不确定性需要更多的关注。我们使用了 ACD 校准中包含的 Feliz Natal 和 Xingu 以及 Saracá 地区的本地数据，因此我们认为代表性对于本研究来说是一个小问题。然而，对于一般热带森林来说，用于校准遥感研究的数据的代表性是一个严重问题。对于热带森林的大多数地点，缺乏可用于校准的地面森林清单可能会导致较大的误差[ 93 , 94 ]。

我们应用特定地点的 ACD 分布来表示所有三个地点的完整森林、烧毁森林和砍伐森林中的生物量。由于作为校准工作的一部分，我们在萨拉卡站点没有发现任何被烧毁的森林，因此我们没有根据该站点的激光雷达数据获得被烧毁的森林 ACD 的分布。我们将 Xingu 和 Feliz Natal 的烧毁森林 ACD 分布应用于萨拉卡的蒙特卡罗模拟，这可能会导致 ACD 偏低，因为与 Saracá 相比，Feliz Natal 和 Xingu 的森林 ACD 较低。尽管如此，这种偏差对站点级分布的影响有限，因为我们的概率分类很少估计萨拉卡站点网格单元被烧毁的高概率（约占研究区域的 1%，图 4）。

森林退化类别的不确定性传播以及 ACD 的不确定性增加了场地碳储量估计的不确定性。出乎意料的是，我们发现，考虑类别和 ACD 不确定性导致 3 个测试地点中有 2 个的平均碳储量估计值显着降低（图 7）。只有新谷站点在两种不确定性估计方法中都显示出相似的 ACD 范围，因为它在各个站点模型中实现了最高的分类精度。我们在参考数据中发现新谷没有伐木（图 5），烧毁的森林类别显示了最高的生产者和用户的准确度（表2））。由于该站点上烧毁的类和记录的类之间的混淆最小，因此我们在其他两个站点中发现站点级别的 ACD 估计没有分离。

复杂的森林退化历史导致了这种意想不到的影响。当考虑分类和 ACD 不确定性时，我们三个站点中的两个（Saracá 和 Feliz Natal）的平均 ACD 下降。发生这种情况是因为许多被分类为记录的网格单元也有有限的概率被分类为烧毁。烧毁的森林的 ACD 低于砍伐的森林，因此蒙特卡罗模拟中烧毁和砍伐的 ACD 的混合导致了大部分景观被砍伐的两个地点的总体 ACD 估计值较低。据我们所知，Xingu 站点没有发生这种影响，因为该站点没有日志记录。考虑森林分类时估计 ACD 的变化不一定会发生在所有景观上。尽管如此，

空间和时间上重叠的退化事件也可能影响退化类别的生物量估计。例如，我们选择仅考虑最后一次扰动可能会导致经历过早期火灾的伐木地区的生物量被低估，或者经历多次火灾的地点的生物量变异性增加。这种情况更有可能发生在 Feliz Natal 和 Xingu 遗址所在的森林砍伐弧区，而在萨拉卡-塔奎拉国家森林等更偏远的地区则不太可能发生。伐木和森林火灾会导致树种组成的变化。干扰后，我们预计木材密度通常较高的耐荫树物种会转变为木材密度较低的需光物种[ 95]]。模拟表明，这种转变可能导致热带森林生物量的总体损失[ 96 ]。虽然我们的激光雷达校准包括完整的、砍伐的和烧毁的森林，但它们没有包括许多具有长期从干扰中恢复的历史的地点，因为这些地点在巴西亚马逊地区很少见并且难以记录。需要对森林成分和结构进行额外测量，以解决成分变化如何影响基于机载激光雷达的 ACD 估计的校准。

我们的方法不一定捕获与碎片相关的生物量变化。破碎化导致森林边缘的生物量损失[ 49,97,98,99 ] 。森林边缘包含在我们早期激光雷达数据的 ACD 分布中，因此边缘的影响隐含在我们的数据中。然而，我们的分析并未考虑完整森林边缘生物量的损失。我们预计退化森林和完整森林之间的边缘效应会更小，而从砍伐区到森林的过渡过程中边缘效应会更大。对生物量的边缘效应也是随时间变化的 [ 100] 因此我们需要考虑干扰后的时间来准确量化这些影响。特别是，在小森林碎片中，边缘效应会很大。未来的研究结合边缘效应的明确数据可以更好地量化破碎化对森林生物量的影响。

结论
我们采用基于超高分辨率图像的分类模型对亚马逊流域三个地点的退化森林进行分类，并在模型训练中未使用的保留测试数据上获得了 0.86 的全局准确度。使用机载激光雷达数据，我们估算了完整森林、砍伐森林和烧毁森林的生物量，发现砍伐森林因砍伐而表现出不同的生物量变化，而烧毁森林的平均生物量损失为 35%。随后，我们使用蒙特卡罗模拟来评估森林退化分类如何影响退化森林的生物量分布。森林退化分类的不确定性增加也导致生物量估计的不确定性增加。在三个测试点中的两个，森林分类的​​不确定性不仅导致总体不确定性增加，而且导致这些地点的平均 ACD 发生显着变化。这些发现意味着这种归因需要考虑森林退化分类的不确定性。

商业卫星 VHR 图像已有 20 多年的历史。考虑到该产品的强劲市场，在未来几十年内应该可以以低成本获得类似或更复杂的图像。我们的方法将中分辨率和 VHR 分辨率图像与机载激光雷达数据相结合，可以为国家温室气体清单提供关键信息，因为它可以量化、归因和估计与伐木和火灾导致的森林退化相关的碳排放的不确定性。