全国森林资源宏观监测抽样设计改进方案探索

黄国胜，曾伟生，党永峰，智长贵

(国家林业局调查规划设计院，北京100714)

全国森林资源宏观监测抽样设计改进方案探索

黄国胜，曾伟生，党永峰，智长贵

(国家林业局调查规划设计院，北京100714)

针对全国森林资源宏观监测20km×20km的抽样框架设计及包含25个样地的群团抽样设计，以2015年首次宏观监测结果为基础，研究提出了满足各省抽样精度要求、进行适度加密并将群团内样地数减少至9个的改进方案，为优化2016年的全国森林资源宏观监测方案提供了依据。

森林资源;宏观监测;群团抽样

森林资源监测是指对一定空间和一定时间的森林资源状态实施跟踪观测，以掌握其变化情况［1－2］。它是森林资源经营管理的核心工作之一，也是林业管理与决策的重要基础性工作。根据1989年林业部下发的《关于建立全国森林资源监测体系有关问题的决定》［3］，全国森林资源监测体系包括国家森林资源监测和地方森林资源监测，其中国家监测以森林资源连续清查为主体。我国的森林资源连续清查体系自20世纪70年代建立以来，已有40多年历史。尽管清查体系一直都在不断改进和完善中，但面对新的林业发展形势，也逐渐显现出诸多局限性［4］。为进一步探索优化完善现行清查体系的新途径，在近年开展大量研究试点工作的基础上［5－8］，2015年国家林业局资源司组织开展了覆盖全国31个省(自治区、直辖市，以下简称省)的基于遥感大样地调查的森林资源宏观监测。本文针对全国森林资源宏观监测的抽样设计［9］，研究提出合适的改进方案。

1 全国森林资源宏观监测的抽样设计

1.1 抽样设计

全国森林资源宏观监测的抽样设计框架，为按20km×20km均匀布设的网格，31个省共计23 743个。以公里网交叉点为中心，设置2km× 2km大样地。在大样地范围内，按500m×500m间距均匀布设25个面积为0.066 7hm2(1亩)的群团小样地，形状为正方形，即一个群团由25个小样地组成，全国的小样地数为 591 501个。表1为全国森林资源宏观监测的大样地和小样地数量。

表1 全国森林资源宏观监测的样地数量统计表Tab.1 The numbers of clusters and plots by province in national forest resources micro-monitoring

1.2 估计方法

全国森林资源宏观监测以各省为总体进行估计，再汇总各省数据得出全国结果。各省可采用群团抽样(或称整群抽样)和两阶抽样估计方法，均可得出基本一致的结果，且都能满足具有跨省大样地的情形，其中群团抽样采用不等群团情况下的估计方法，两阶抽样采用一阶单元大小不等的估计方法。从严格意义上讲，两阶抽样方法应更符合实际。具体计算公式本文不详述，请参见文献［9］。

2 改进方案

2015年全国森林资源宏观监测的抽样设计，暂未考虑对每个省的精度要求。全国23 743个大样地，可保证19个省森林覆盖率的抽样精度在90%以上，其中森林覆盖率高的6个省(福建、江西、湖南、广西、四川、云南)抽样精度能达到95%以上，但一些小省如江苏和宁夏，其抽样精度还不到85%，京、津、沪3个直辖市的抽样精度就更低了。为此，2016年的全国森林资源宏观监测，需要改进抽样方案。

2.1 基本原则

改进抽样方案应遵循以下基本原则:一是要保证省级清查结果达到一定精度要求。可参照《国家森林资源连续清查技术规定》对各省森林面积的精度要求执行。二是要保证各省抽样网格与全国抽样框架兼容。需要提高抽样强度的省份，应在全国20km×20km网格基础上，按20km×10km，10km× 10km，10km×5km，5km×5km等网格逐级系统加密。三是要保证群团样地的设计具有高效性。应以2015年各省的监测结果为基础，分析群团抽样误差与群内小样地数量的关系，确定合适的大样地面积及小样地数量。

2.2 数据分析

2.2.1 分析方案

为了对比不同群团样地设计的抽样效率，基于2015年31个省的宏观监测数据，从以下两方面开展数据分析:

1)分析2km×2km群团样地内不同小样地个数对森林覆盖率变动系数的影响。按1，3，5，9，12，13，25等不同小样地个数的若干抽样方案，计算群团抽样对森林覆盖率估计的变动系数。基于系统抽样的20种计算方案见图1和表2。

图1 群团样地设计示意图Fig.1 Sketch map of cluster sample plot

表2 2km×2km群团样地内不同小样地个数抽样方案Tab.2 The various sampling designs with different plots in the 2km×2km cluster

2)分析1km×1km群团样地内不同小样地个数对森林覆盖率变动系数的影响。将每个2km× 2km的群团样地分成4个1km×1km的群团样地，按1，3，5，9等不同小样地个数的若干抽样方案，计算群团抽样对森林覆盖率估计的变动系数。以其中1个1km×1km的群团样地为例，其基于系统抽样的13个计算方案见表3。

2.2.2 分析结果

表4列出了2km×2km和1km×1km两种群团样地不同子样地个数的若干抽样方案得到的31个省森林覆盖率估计的变动系数。显然，变动系数与森林覆盖率呈反相关。如森林覆盖率最高的福建，其变动系数就最低;而森林覆盖率最低的新疆，其变动系数就最高。从表4中的数据可以看出，随着群团内子样地个数的增加，各省变动系数都呈减小趋势，但当群内子样地个数大于9以后，变动系数的下降趋势已经变得非常平缓。图2给出了各省的变动系数随2km×2km群团样地子样地个数的变化趋势。从图上更可以明显看出，变动系数变化最大的区间是从1个子样地增加至3个子样地，大多数省从5个子样地开始变化曲线就已经很平缓了，只有极少数省份(如上海、重庆)的变化曲线存在一些波动。

表3 1km×1km群团样地内不同小样地个数抽样方案Tab.3 The various sampling designs with different plots in a 1km×1km cluster

另外，从两种群团样地相同子样地个数的平均变动系数看，将群团从1km×1km增大到2km× 2km，变动系数的减幅很小。如根据31个省的平均数，子样地数为3，5，9的1km×1km群团，其变动系数分别为1.32，1.23和1.15，而相同子样地数的2km×2km群团，其变动系数分别为1.29，1.20和1.12，都只降低了0.03。

2.3 改进要点

根据前面提出的3条基本原则和上述数据分析结果，全国森林资源宏观监测的抽样方案拟作以下几方面的改进:

1)大样地设计从目前包含25个子样地的2km×2km的群团样地(图1)，调整为包含9个子样地的1km×1km的群团样地，相当于图1中由7，8，9，12，13，14，17，18，19号样地组成的群团样地，其中13号样地的中心位于公里网交叉点上。从31个省的平均值分析，尽管新群团样地的覆盖面积只有原来的1/4，群内小样地数也只有原来的36%，但1个新群团样地的抽样效率相当于0.82个原来的大样地，也就是抽样效率只降低了18%。综合考虑每个群团样地的工作量及其抽样效率，采用改进后的大样地设计，整体工作效率可以得到显著提高，保守估计应在1倍以上。

表4 两种群团样地不同子样地个数抽样方案的平均变动系数Tab.4 The mean variation coefficients of sampling designs with different plots in two kinds of clusters

图2 变动系数随2km×2km群团样地内不同子样地个数的变化趋势Fig.2 Changing trend of variation coefficients with the number of plots in the 2km×2km cluster

2)按照《国家森林资源连续清查技术规定》对各省森林面积的精度要求，根据包含9个子样地的1km×1km群团样地的变动系数，计算各省需要布设的群团样地数(n')，并与表1中各省的大样地数(n)进行对比，再根据其比值(K=n'/n)大小确定是否需要加密及加密的倍数。

当K＜1.5时，保持目前的群团样地数不变(内蒙古、黑龙江、福建、江西、湖南、广东、广西、四川、贵州、云南、甘肃、新疆12省);

当1.5≤K＜3.0时，群团样地数按20km× 10km加密至2倍(浙江、湖北、西藏、陕西、青海5省);

当3.0≤K＜6.0时，群团样地数按10km× 10km加密至4倍(河北、山西、辽宁、吉林、海南、重庆6省);

当6.0≤K＜10.0时，群团样地数按10km× 5km加密至8倍(安徽、山东、河南);

当10.0≤K＜25.0时，群团样地数按5km× 5km加密至16倍(天津、江苏、宁夏);

当K大于25.0时，群团样地数按5km×2km加密至40倍(北京、上海)。

采用以上改进方案，需要对19个省的抽样设计框架进行不同程度的加密，最终的群团样地总数预计为54 000余个，比2015年增加3万余个。

另外，为了加强对东北内蒙古重点国有林区的宏观森林资源监测工作，内蒙、吉林、长白山、龙江和大兴安岭森工(林业)集团公司的经营范围内，全部统一按5km×5km加密，除了对“五大家”的森林资源状况进行宏观监测外，还将对87个林业局进行监测。

3 结语

全国森林资源宏观监测的抽样设计，没有考虑对每个省的精度要求，统一按20km×20km的公里网格，在全国布设了2.37万个大样地。该方案只能保证多数省份森林覆盖率的抽样精度在90%以上，一些森林覆盖率低或面积小的省，其森林覆盖率的抽样精度达不到所需要求。为此，2016年全国森林资源宏观监测的抽样方案，需要在2015年的基础上作进一步优化完善。本文从改进群团样地设计和优化群团样地数量两方面入手，提出了系统加密、上下兼容的改进方案，不仅可显著提高工作效率，而且能保证各省监测结果都满足预定的精度要求。由于全国森林资源宏观监测尚处在研究探索阶段，怎样处理与现行国家森林资源清查体系的关系，如何客观评估森林资源宏观监测的作用，能否利用它来解决森林资源年度出数问题，所有这些目前都还未能达成广泛共识。因此，抽样设计方案的改进，更多的还是从国家层面的宏观考虑，并未分别针对每一个省给出不同的群团样地设计、确定不同的群团样地数量。统一将大样地加密至2，4，8倍或16，40倍的省份，有的可能多了，有的可能少了，最终的抽样调查精度只是控制在95%或90%左右。毕竟遥感技术的应用还存在一定程度的不确定性，按抽样设计计算的精度也只是理论精度，故在系统加密时暂未对抽样精度提出硬性要求。随着森林资源宏观监测的推进，一些关注的焦点问题必然会逐步达成共识。作用和定位等宏观层面的关键问题解决后，技术层面的具体问题自然会迎刃而解。

志谢:本文的数据计算工作，得到了国家林业局各直属调查规划设计院及有关技术人员的大力支持，在此深表感谢。

［1］肖兴威．中国森林资源和生态状况综合监测研究［M］．北京:中国林业出版社，2007．

［2］曾伟生，闫宏伟．森林资源监测有关问题的思考［J］．林业资源管理，2013(6):15－18．

［3］林业部．关于建立全国森林资源监测体系有关问题的决定［J］．林业资源管理，1989(2):3－5．

［4］罗富和，赵树丛．中国森林资源连清体系的发展机遇与完善策略［M］．北京:中国林业出版社，2015．

［5］闫宏伟，黄国胜，曾伟生，等．全国森林资源一体化监测体系建设的思考［J］．林业资源管理，2011(6):6－11．

［6］曾伟生，程志楚，夏朝宗．一种衔接森林资源一类清查和二类调查的新方案［J］．中南林业调查规划，2012，31(3):1－4．

［7］肖智慧，薛春泉，熊智平，等．国家森林资源与生态状况综合监测(2012)——广东试点研究［M］．北京:中国林业出版社，2013．

［8］薛春泉，肖智慧，汪求来，等．森林资源年度出数方法研究—基于大样地区划调查［M］．北京:中国林业出版社，2013．

［9］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研究［J］．林业资源管理，2016(3):1－6．

Discussion on Improvement of Sampling Design of National Forest Resources Macro-Monitoring

HUANG Guosheng，ZENG Weisheng，DANG Yongfeng，ZHI Changgui
(Academy of Forest Inventory and Planning，State Forestry Administration，Beijing 100714，China)

Aimed at sampling frame design of 20km×20km and cluster sampling design with 25 plots in national forest resources macro-monitoring，and based on results of the 1stmacro-monitoring in 2015，an improvement scheme was presented，which could meet the needs of sampling precision of all provinces，intensify the grid of sampling frame，and decrease the number of plots to nine in a cluster．This would provide a basis for optimizing the national forest resources macro-monitoring plan developed in 2016.

forest resources，macro-monitoring，cluster sampling

S757

A

1002－6622(2017)01－0007－05

10．13466/j．cnki．lyzygl．2017．01．003

2016－11－26;

2016－12－01

黄国胜(1966－)，男，江西崇义人，教授级高工，主要从事森林资源清查与监测工作。

曾伟生，男，教授级高工，博士。Email:zengweisheng0928@126.com