基于多源遥感的森林变化对区域温度影响的监测方法研究进展

沈文娟，纪 梅，李明诗

(1.南京林业大学林学院，江苏 南京 210037；2.南京林业大学，南方现代林业协同创新中心，江苏 南京 210037)

联合国政府间气候变化专门委员会(intergovernmental panel on climate change,IPCC)第6次评估报告第一工作组报告《气候变化2021：自然科学基础》指出人类活动或气候变化导致的土地覆盖变化影响区域和全球气候，不断加剧增温趋势。其中土地利用和土地覆盖变化的生物地球化学过程通过改变陆地CO2、CH4、N2O与地表反照率导致生态系统碳收支与全球尺度的气候变化，而其生物物理过程通过陆地和大气之间重新分配能量和水汽的局部变化影响局地气候变化[1-4]。温室气体相关的生物地球化学效应一直得到广泛研究与关注，但是对于土地利用和土地覆盖变化的生物物理过程关注较少[5]。

与生物地球化学效应不同，生物物理过程的辐射特性(如反照率)和非辐射特性[如蒸散发(evapotranspiration，ET)和粗糙度]依赖于区域气候条件[6-7]。例如，人们不断改变土地覆盖导致持续的森林变化，这些变化可以迅速改变地表属性和状态，如表面反照率、表面粗糙度、土壤湿度和热量储存[8]，并通过能量、水和动量通量的变化直接影响地表温度[9]。地表温度是衡量下垫面环境变化的一个关键变量，在地表和大气之间的热量和能量交换中起着重要的作用[10]。森林的地表反照率低而蒸散发强，与其他土地利用相比存在差异，在不同气候带、不同区域背景下对区域温度的影响程度甚至出现不同方向[11-12]。

就森林变化监测数据与方法而言，中分辨率成像光谱仪(MODIS)及其相似分辨率土地覆盖产品在反映区域尺度的土地覆盖情况时精度较低[13-14]。高分辨率的商业卫星数据、激光雷达(LiDAR)数据、无人机数据在单独或综合用于森林变化监测时因价格与数据同步的问题导致时空尺度的有限性[15]。而单一时相或者多时相不连续的遥感观测方法很难精准识别一些连续的森林变化信号[15-16]。但中高分辨率数据的时空跨度大，数据来源丰富，连续性强，应用广泛[17-18]。中高分辨率多源数据结合的时序森林覆盖监测方法与产品已被用于量化森林变化的温度效应评价[19-21]。尽管中高分辨率自动或半自动化时序监测算法已实现森林变化的年份、位置与强度的定位，但它们很少能够甄别引起森林变化的具体驱动因素，特别是需要长时间序列的观测才能捕捉到的精细森林变化[15, 22]。Prevedello等[19]的研究指出，森林变化的精细类别影响温度的变化，但是现有数据产品较少体现多种尺度森林类型的精细分类。就森林变化及其温度效应的评价方法而言，气象站或者野外布设站点所得气象数据是最为可靠的评价数据，但通常站点较为稀疏，不能准确地定位森林覆盖动态发生区域并测报温度动态[23-24]。以遥感观测为基础的研究可归纳为两类：一类是利用表征森林变化和气候变化的各种卫星数据集，结合点配对和单一时间的统计建模方法进行森林影响温度的区域研究，如对大兴安岭[25]、福建省[26]、东南亚[27]森林评估的应用；另一类是将表征森林变化的数据，如将潜在(潜在变化，即以某年森林与附近相邻土地覆盖类型构建的假设森林变化的温度差异，温度变化可发生在一定的时间跨度，而假设森林变化只选定发生在时间区间内某年的数据)或真实(真实变化，即森林变化动态发生的起始时间与温度变化的时间一致)的造林或毁林空间分布数据作为输入数据，并与遥感观测或模拟观测的陆地表面指标(如蒸散发、反照率、辐射、温度等)相结合，将原有的点尺度监测扩展到广阔的时空尺度，实现监测区域、国家乃至全球尺度的温度变化[12,20-21，28]。前一种遥感观测方法完全不考虑森林变化的生物物理机制，后一种方法考虑了森林变化的生物物理机制，但没有从地表能量平衡的完整过程进行全面评估，也无法保证区域尺度生物物理机制变化的差异性与独特性。为此，笔者从集成多源遥感数据层面介绍森林变化空间分布对区域温度影响的全面评估进展，描述森林变化与温度响应数据集与森林变化监测算法的特点，以此为基础阐述森林变化的生物物理机制及其响应温度变化的多种评价方法，最后总结当前研究的不足之处并展望未来发展方向。

1 森林变化及温度响应数据集

参照国际地圈生物圈计划(IGBP)土地覆盖分类系统和国家林业局《国家森林资源连续清查技术规定》地类划分标准，森林与非森林资源类型划分为森林(针叶林、阔叶林、竹林及其他林地)、耕地、草地、水体、建设用地以及其他地类。森林与这些其他类别的转换即为造林或毁林引起的森林空间变化。通常将森林增加与损失当作造林与毁林[19,29]，森林增加通常含有自然或半自然的森林恢复(被动)，其为缓慢的过程，损失则通常较为急剧，而造林与毁林以主动的过程为主。造林被定义为通过人工植树等方式，使至少在过去 50 a(具体时间阈值30～100 a)不曾有森林的土地转化为有林地的直接人为活动；再造林则是将过去曾经是森林但被转化为无林地的土地，转化为有林地的直接人为活动[30]。毁林即森林覆盖的消失[30]。因此两种说法不一致，定义不同也带来数据与识别方法差异。就明确森林变化的具体经营举措而言，因造林与毁林的经营举措诱导的森林变化，不仅包含急剧的变化，还包括缓慢的变化。

森林变化作为主导下垫面水热平衡与生物物理参数变化的主要因素，由于森林变化数据来源不同，带来了不一致的温度效应反馈[20]。当前基于粗分辨率的土地覆盖数据被广泛应用于估测森林与温度变化的关系[12,31]。虽然该数据能够满足大尺度模型的参数化需求，但数据本身受混合像元等因素的影响，用于估算区域尺度森林变化容易产生偏差，特别是在地形起伏较大、破碎度较高的区域[32]。引起森林变化的众多事件，如毁林开荒、新造林与再造林等，因其地表辐射(如地表反照率与辐射通量)与非辐射物理特征(如感热与潜热通量)不同，对区域气候的影响起到不容忽视的作用[19,28]。然而这些精细的森林变化通常由于已有土地覆盖数据年份、精度与类别有限，无法实现准确刻画[21]。结合上述森林变化的概念与不同森林变化关联的遥感监测数据，可见短期、不连续的数据不能完全满足森林精细变化监测的具体需求，需不断发掘出长时序、多源遥感数据量化森林变化空间模式与类型的可能性。当前用于监测森林变化的中高分辨率数据见表1。如美国陆地卫星(Landsat)有自20世纪70年代起连续近50 a中高分辨率的影像[17]；日本ALOS卫星携带的L波段合成孔径雷达PALSAR数据可全天候对地观测，L波段穿透力强，全球存档丰富，拥有多期数据[33]。两种数据有相似的空间分辨率和多时相的特性，已广泛应用于区域与全球森林变化的估算与制图[34-35]。Sentinel数据C波段极化与多光谱以其多时相、穿透性等特征具有高分辨率、全天时、全天候监测森林变化的能力[36]。各种全球尺度共享数据产品为识别时空连续的精细森林变化提供了数据参考。高分GF-1、GF-2、环境HJ、资源卫星、Sentinel-1、Sentinel-2等数据尽管没有形成可共享的长时序数据集，但可为有限年份遥感数据集的构建提供训练数据，辅助长时序森林变化制图[37-38]。

表1 可用遥感数据与气候数据特征

当前温度数据及其关联的陆表关键参数数据种类繁多，呈现不同的时空分辨率[39-40]。以生态系统星载热辐射实验(ECOSTRESS)、高级量载热发射和反射辐射仪(ASTER)、Landsat的温度数据为例[41]，其分辨率高于MODIS地表温度数据，但是MODIS数据及其衍生的地面产品种类丰富且全面，有较一致与连续的时空分辨率，是学者们在研究森林响应气候变化时通常采用的数据产品[42-43]。不足之处是MODIS产品在区域尺度呈现的精度有待提高；与温度相关的其他气候数据集(如降水、湿度、辐射等)，多数存在数据精度不高和时空尺度分布不足等问题。另外，森林变化带来的气候波动往往在短期内难以监测，无法保证森林变化与温度关联的所有陆表参数数据及其时空尺度的一致性。若既要保证森林变化对于细微变化的监测能力，又要提升对于区域温度影响评价的全面性，在区域尺度的研究中常用的方法是将中高分辨率的森林覆盖数据与来源于遥感、模拟和站点观测且反映生物物理参数的陆表数据结合从而探究森林变化对温度的影响[6]，这不可避免会带来尺度匹配的问题。目前国内外很多机构正致力于发展高精度全球尺度的遥感陆表产品实现数据标准化[40,44]。武汉大学的HiGLASS项目组主要从事高分辨率全球陆地关键要素产品研究[39-40]，目前可提供的Landsat高分辨率30 m陆表关键要素产品的起始时间为2013年，更早期的数据则无法获取。

2 长时序森林变化的多源遥感监测算法

早期很多国家森林变化的地理信息来源于实地调查的统计数据，很难刻画其时空信息[30]。遥感数据作为时空信息载体能发挥其判别森林变化的技术与能力优势[20]。近年来，基于遥感数据的长时序森林变化监测算法的广泛使用提供了监测森林多种变化的可能性，一些森林变化的遥感时序监测算法见表2。随着各种传感器的层出不穷，Landsat为主要数据源的长时间监测算法依赖单一传感器已无法全面满足森林变化监测的多样性需求。为了弥补单一传感器对森林变化信息监测的不足，可将Landsat与高、中、低分辨率影像整合[15,45]。与近似中分辨率影像结合，可充分发挥相近传感器的光谱、空间、极化等特性提高识别不同变化信息的精度[34]，也为研究区域尺度森林变化对温度的影响提供高质量的输入数据[28,6-51]。

集成Landsat与其他光学、微波数据以及特征级与决策级的方法构建层次分类常用于监测森林变化[52]。也有学者依据光学与微波数据获取光谱波段、光谱指数、混合光谱特征、极化信息、时序光谱特征等，利用替换法与组合法等，实现森林信息的提取[53-54]。但这些研究多提取单一时相或时间跨度大的几个不连续时间点的森林信息。基于这些信息可实现急剧的毁林变化的监测，但因时相不足很难监测渐变的森林动态。Landsat长时序自动化或半自动化的森林变化信息监测方法与产品已被广泛应用(表2)[15]。这些算法以追踪光谱变化为基础成功用于监测森林变化。Liu等[55]基于Landsat和集成森林指数(IFZ)重建森林变化历史。该指数是植被变化追踪模型(VCT)的核心指标，适用于监测长时序急剧的森林干扰(如皆伐)，然而对低密度的干扰(如间伐)，以及缓慢的森林增加，算法敏感性不强。其他与Landsat相关的时序轨迹分析模型的综述见文献[15]，其主要特征见表2，一些已被集成在了Google Earth Engine(GEE)云平台上，如基于Landsat的干扰与恢复趋势监测(LandTrendr)方法[48]、连续变化监测与分类(CCDC)方法[50]与分离趋势和季节项的突变点(BFAST)方法[51]。这些算法自动化程度高，能够满足长时序连续渐变监测的需求；但也存在一些不足：如容易受遥感数据云污染、物候信息提取的数据量大以及多种自定义参数设置等条件的影响，限制了这些时序监测方法在森林变化应用时的时间、空间与维度[47-48,50-51]。

表2 监测森林变化(>20 a)的主要遥感时序算法

此外，基于像元或者面向对象的简单机器分类方法用于森林变化监测，但其难以发挥各传感器的多特征要素组合的优势[15,22]。Zhao等[56]使用Sentinel-1合成孔径雷达(SAR)数据结合深度学习U-Net方法生成两个热带毁林区域的2017—2019年森林采伐连续月份图像，该方法参照了LandTrendr算法发展的森林干扰结果，其精度可靠，充分发挥了SAR图像不受云雨影响且获取时间密集的特征，但单一SAR数据的时序有限，无法获得更多连续的远期森林变化历史信息。众多学者使用多源遥感数据的极化与光谱特征组合构建单一时相的层次分类模型，实现时序森林动态信息提取[35,57]。然而，这些研究并没有充分考虑反射率与光谱差异性对结果的影响，以及引起变化的经营举措与具体的变化类型。PALSAR的微波后向散射系数对森林的生物量很敏感，可将毁林区域进行区分[58]，但直接区分造林、再造林与已有森林的相关研究较少。Shen等[35]基于Landsat与PALSAR数据在分类单一时相土地覆盖数据的基础上，结合土地覆盖的造林与再造林的定义，识别已有森林与造林的多年分布。但该方法在时间连续性、多分类特征的识别与多分类器的优化以及阈值与准则的设置方面还有待改进。

3 森林变化的生物物理因素对区域温度变化影响的评价方法

将造林或毁林刻画的森林变化数据作为重要数据支撑，与温度相关的遥感、气候数据与生物物理机制等紧密结合，构建真实或潜在森林变化响应温度反馈的遥感观测方法、模式与模型，是森林变化的区域温度变化评价的重要方法。森林变化的生物物理因素对区域温度的影响主要通过点尺度气象观测、气候模式和遥感观测进行评价[6,59-60]。直接站点观测是监测温度变化和其他地表过程参数变化的最具说服力的方法，特别适用于小区域，但其缺少机理分析[26]。气候模式已被广泛应用于森林变化的生物物理反馈机制对于气候影响的研究[61]，但全球气候模式更适用于大尺度的研究，因为气候模型的输入数据通常空间分辨率较粗，以及气候模型结构、物理过程和参数设定的差异，一些不确定的解释变量会给模型的结果预测带来未知性[62]，比如地球系统模型(earth system models,ESM)[63]。多个全球气候模型研究指出由于农田取代森林致使地表反照率增加，使得北半球温带森林被毁带来降温，与其他观测方式的结果相比差异较大[11]。区域气候模式对局地尺度有更好的适应性，如天气研究及预报模式(WRF)，但区域模式未能充分认识森林变化的内在地表生物物理效应和大气反馈对区域温度变化的贡献[64-65]。在局地尺度，气候强迫通常较为一致，或者存在外部大气的反馈。利用遥感观测(蒸散发、反照率等)或站点观测(气象站、通量塔)结合森林变化的生物物理机制及能量平衡演化模型已被用于评估森林对温度的影响[46]。主要总结为两个集成遥感观测数据的方法，即基于气候模型及观测的方法与基于能量平衡模型及观测的方法(表3)。前者是基于气候模型的敏感性实验方法，主要监测与反照率、粗糙度和蒸散发效率相关的参数，量化森林变化的辐射和非辐射效应，而气候模型在实现土地覆盖变化、作物物候的表征以及反照率和蒸散发的参数化方面有不确定性的影响[11,63]；后者是利用基于不同土地覆盖的邻近观测结果的地表能量平衡方程的分解方法，将局部地表温度变化归因于与反照率变化相关的辐射强迫，以及与地表空气动力阻力变化以及感热和潜热通量分配相关的能量再分配[65]。无论采用哪种方法，人们逐渐关注其物理机制如何以能量收支和能量平衡来解释[65]，以及这些关键生物物理参数和气候参数如何通过遥感等观测手段获取并应用[12,46]。

表3 集成遥感观测森林变化的生物物理机制主要量化方法

3.1 基于卫星观测数据的方法

基于MODIS陆表数据结合简单建模或者经验数据分析方法是分析省级及相当尺度森林与气候关联采取的主要手段[26-27]。孙舒婷等[25]使用2007年的陆地卫星TM热红外波段和气象数据实现大兴安岭地区的地表温度反演，仅采用简单的数据统计方法分析土地覆盖变化的多种地表机制引起的温度变化。赵彩杉等[60]基于Google Earth高清影像，在1 km尺度上辨识了200对耕地与林地纯像元，进而利用MODIS陆地数据产品，对比分析耕地与林地的地表温度、叶面积指数、地表反照率之差，旨在全面考虑景观破碎区域的混合像元问题。

以空间换时间的方法作为一种评价森林对温度影响的进阶方法，可归纳为关注森林和邻近开阔地(如草地、农田、灌木)的温度配对点的差异，该方法具有明显的区域特征，但通常不考虑气候的差异性[76]。主要关注假设或者潜在的造林或毁林引起森林变化的气候信号[76]，因为不局限于真实变化的区域，能够探索大范围具有相似环境条件的土地覆盖变化的温度效应[77]。Li等[29]使用空间换时间方法和真实时空变化方法揭示森林变化及其蒸散发、反照率及粗糙度等特性对地表温度的影响。Shen等[20-21]将上述方法进行扩展后构建的移动窗口法和时空变化分析方法用于造林与毁林引起的森林变化的温度响应。其中移动窗口法是在空间换时间方法基础上的延伸；时空变化分析方法与真实时空变化方法较为相似。移动窗口采样法与空间换时间方法相比有相似之处，但空间换时间方法既识别潜在的变化又能识别真实的变化，评价所有可能发生的森林变化及其温度效应。时空变化分析方法主要适用于像元尺度或者区域尺度，倾向于评价真实森林变化信号的温度效应，会受所获土地覆盖变化的准确性以及观测期间土地覆盖变化的频率和程度的影响[77]。还有研究证明前述空间换时间方法和真实时空变化方法所得结果总体差异不大[21,29]。另外，单纯依赖单时相的土地覆盖或者森林覆盖图[12,78]，以及多时相的森林变化图模拟潜在的森林变化，并没有探索真实发生的森林变化及温度的响应，特别是在区域尺度[79]上，这可能导致对温度变化评价的差异。

此外，该进阶方法在评价森林变化的生物物理机制下温度响应时主要依赖于遥感反演或生成的温度、蒸散发、反照率、土地覆盖等数据，并利用空间采样窗口或者局地尺度的统计运算实现。虽然一些学者基于遥感观测手段成功研究了我国、欧洲、北美以及全球的森林响应温度变化[19,29]，但方法中区域与局地反照率辐射反馈、能量再分配等生物物理能量平衡机制以及气候反馈(如辐射强迫、热阻、蒸散发、土壤热通量和空气温度)是如何变化的还有待评估。

3.2 基于卫星观测、站点观测数据与气候模型的方法

不同的气候模式和陆面模式形成了针对森林变化及其区域影响的多模式计划，例如，地球系统模式、多模式计划等涵盖了植被、土壤、地表能量通量、气象等重要指标。这些模式中短波辐射、蒸散、粗糙度等是地物地表能量平衡的主要组成部分，也是地物生物物理过程的重要特性，在森林响应温度变化方面发挥重要的作用[23,80-81]。将这些模式与观测数据结合是常用的研究手段，但也表现出了观测结果的差异性。其中国际耦合模式比较计划(coupled model intercomparison project，CMIP)是影响最大、应用最广的计划，但并不适用于土地覆盖变化的影响研究。将国际耦合模式比较计划第5阶段(CMIP5)和LUCID(land use and climate: identification of robust impacts)模型方法结合的案例研究发现毁林诱导了中纬度地区夏季气温下降[63,66]。而卫星观测的结果表明森林周边的土地带来的是夏季的增温[12,46]。模型结果与观测结果的不一致被认为与当前陆地表面模型的参数化问题有关，例如土地利用土地覆被变化(land-use and land-cover-change，LULCC)导致的潜热通量和感热通量之间可用能量分配的变化表示陆地表面模型存在的不确定性较大，将模型与观测数据进行比较的局限性也不容忽视[59]。因为森林变化的信号与其他气候因素容易混杂在一起，导致观测数据解析的困难，这不同于模型模拟的森林变化场景，所以已有的观测研究主要围绕森林及其邻近区域的变化[12,46,59,65]。另外，来源于通量塔或者卫星的观测数据通常假设森林及其邻近区域有一致的大气背景，进一步凸显了森林变化对于区域温度影响的唯一性。然而，基于气候模型的敏感性实验指出，森林变化的大气反馈(如，云与降水)在不同场景根本不同，从而使得气候模型模拟与观测研究的结果有明显冲突[59]。此外，气候模型通常分辨率较粗，基于卫星或站点观测的方法通常运用于更精细的森林变化场景。总之，基于空间分析与比对的观测与气候模型模拟的森林响应温度变化的结果存在一定差异[64,82]。

3.3 基于卫星观测、站点观测数据与地表能量平衡模型的方法

森林变化改变地表能量平衡从而影响温度，所以温度变化的规律与地表能量平衡关联密切[6,9,77,83],其中辐射强迫、蒸散发、土壤热通量等的变化在很大程度上决定了温度变化的方向和程度。目前，地表能量平衡模型已被用于耕地撂荒区[60]、退耕还林区[84]、造林[28]和毁林圩田区域[62]等的温度变化研究。其中内在生物物理机制(IBM)[65]方法结合站点观测、地表能量平衡方程作为一种常用的方法被用于森林变化或者土地利用变化造成的辐射和非辐射过程的分离[65]。以IBM方法诠释的能量平衡方程显示，土地利用变化含森林变化对地表温度的影响是受表面长波辐射反馈以及空气动力阻力和表面蒸发变化的能量重新分配的影响，通常地表温度的变化被分离为辐射强迫、热阻、波文比及土壤热通量这些变化的主要贡献。而且还能将变化内部的强迫与外部反馈进行很好的区分。然后，Bright等[46]将该方法与遥感观测、站点观测全面结合用于探索非辐射过程驱动下的全球土地变化对温度的影响研究；Ge等[28]使用IBM方法，结合卫星观测并考虑背景气候的影响，分析了我国造林的气候反馈。

双抗性机制(TRM)[73]则将地表温度的变化归因于气动阻力和表面阻力控制的辐射强迫和湍流热流的变化。Wang等[85]针对干旱生态系统评估土地利用变化的温度效应指出，IBM法比TRM法更适用。也有研究认为这两种方法区别显著，因为假设气动阻力和波文比是独立的，IBM方法容易高估气动阻力的贡献[86]。此外，IBM方法低估了白天辐射和蓄热的作用，但高估了夜晚的同样作用。直接分解温度度量机制(DTM)[74-75]将地表温度的变化归因于两类土地利用之间地表反照率、入射辐射、地面热通量、感热潜热通量的差异，是地表能量平衡和地表输出长波辐射的斯蒂芬波茨曼表达式线性化的直接结果，但是DTM方法没有考虑能量再分配的过程。

地表能量平衡模型与站点观测结合估测森林对温度的影响只能在有限地理位置开展。遥感观测弥补了站点观测的不足，三者结合提供了森林变化及其生物物理特征变化对温度影响评估的新方向[46]。总之，以多源遥感数据为基础，空间换时间方法及相似方法结合精准的潜在森林变化或者真实森林变化，并依据表面能量通量变化估算方法，已逐渐成为量化森林精确变化从而实现温度变化响应评价的综合模式[21,29]。

4 结论与展望

1)造林与毁林引起的精细森林变化识别，不提倡从短期、不连续的单一遥感数据中生成，建议从长时序的多源遥感数据联合构建。并将潜在或真实森林变化前后的数据输入模型与模拟方法中，实现森林变化的区域温度响应。

2)粗分辨率土地覆盖数据通常被用于大尺度森林时空变化估算，不一致的定义及单时相、粗分辨率的估算结果无法满足长时序森林变化表征的需求，在对温度影响量化时具有较高的不确定性，特别是区域尺度。

3)中分辨率光学与微波森林变化时空监测模型以单一时相有限特征估算为主，或在多源、多时相整合与协同使用时，因反射率差异、光谱不一致等导致时序数据不一致，造成估算模型响应气候变化的精度降低。

4)气候模式用在区域尺度量化森林变化的温度影响时限制较多，特别是全球气候模式，在局地与区域尺度使用时需要较为复杂的过程调整才能本土化，此外，结合地表能量平衡方程与站点观测的方法又受时空条件限制影响较大，因为发生变化的区域通常与实际观测数据不能很好地匹配。

5)使用遥感空间分析方法估算森林变化的温度影响，因未充分考虑森林变化及其辐射与非辐射过程及地气能量平衡动态，带来了量化的不确定性。

随着大数据、人工智能、云计算的广泛提及，人们越来越认识到多种大数据集成在解释森林响应气候效应方面所发挥的交叉优势，因而还有很多问题亟待去深入探讨。在以后的研究中，需要进一步挖掘中高分辨率卫星数据的多特征分类与时序阈值准则(多光谱方面的深度特征信息、混合像元丰度、物候特征等，雷达图像方面的极化、纹理、形态学特征，LiDAR点云方面的立体信息、冠层分布等)，在控制和减少时序反射率、后向散射系数与点云分类与分割差异的基础上，实现时序模型的精确构建和长时序精细森林变化分布制图。为了进一步提高长时序森林变化监测模型的精确性以及对温度影响评估的一致性，可以尝试在已有研究结果的基础之上，借助现有的遥感技术、多模式模拟等大数据模式搭建，在云平台上发展长时序森林变化的精细数据集并集成遥感、站点观测与地表能量平衡模型与气候模式，深入分析不同时空尺度森林变化的生物物理效应和大气反馈(如，入射短波辐射、入射长波辐射和背景空气温度)进而评估它们对能量通量和水热平衡的影响机制[77,87]，并紧密结合森林生态系统的碳源汇对气候的影响，合理评价生物化学机制与生物物理机制共同作用下的森林变化、碳循环与气候的交互关系[9,83]，为我国人工林区及相似地理区域以及丝绸之路沿线国家通过森林生态系统合理经营与管理，实现气候效益最大化提供科学理论与方法指导。