森林扰动快速监测与精准分类，是实现生态系统精细化管护、森林灾害应急处置及非法采伐监管的重要基础。当前主流近实时森林扰动业务化产品，仅能识别扰动发生的时间与空间位置，无法有效区分野火、采伐、胁迫等扰动类型，难以支撑林业精细化管理决策。同时，国内高质量森林扰动类型标注样本稀缺，极大制约了高精度监测模型的构建及区域推广应用。
针对上述问题，浙江大学环境与资源学院叶粟课题组联合北京林业大学等相关单位，基于 Harmonized Landsat andSentinel-2 中等分辨率遥感数据，构建了一套具备区域适配与推广潜力的近实时森林扰动分类制图技术框架。研究提出迁移引导式采样策略生成适配局部区域的本地化训练样本；同时融合扰动发生前、发生期与恢复期的时空谱多维特征，基于分阶段建模策略构建监督模型，实现野火、采伐、胁迫三类典型森林扰动的近实时精准识别。研究成果以“Near-real-time mappingfor causal agents of forest disturbances in China using harmonized Landsat andSentinel-2 dataset”为题，于 2026 年5 月 6 日正式发表于遥感领域顶级期刊 Remote Sensing ofEnvironment（https://doi.org/10.1016/j.rse.2026.115461），监测成果已上线China's Forest Disturbance Watch （https://forestwatch.com.cn）。
图 1 研究技术路线框架
针对高质量局部训练样本获取成本高昂、空间覆盖有限的难题，本研究构建了迁移引导式采样策略。该方法基于地理相似性假设：地理条件与植被光谱特征相似的区域，植被所受扰动类型与响应规律趋于一致。研究采用马氏距离量化目标区域与美国本土样本库的特征分布相似度，筛选代表性样本，完成初始建模与预分类制图。跨区域样本迁移制图易受树种组成、森林经营方式等区域异质性制约，扰动分类制图精度有限。针对该问题，本研究在预分类结果之上构建了轻量化解译机制。通过时序轨迹分析与遥感影像交互解译，快速甄别高置信度扰动斑块，并生成像素级本地训练样本。
图 2 样本迁移概念图
图3 解译案例图
传统算法必须累积多次连续异常才能确定光谱断点，往往导致预警滞后。本研究创新性引入分阶段建模策略：系统将扰动类型识别前置到灵敏度更高的光谱异常监测层。针对连续异常观测次数从 1 至8的动态演进过程，分别构建了 8 个独立的监督模型。当捕捉到首次异常信号时，系统无需经过冗长的断点确认流程，即可调用对应监督模型完成扰动分类，实现高时效监测。随着异常观测的逐步累积，光谱轨迹特征（斜率、截距、偏度等）逐步明晰，算法自动匹配更高阶的监督模型，既可有效滤除短时物候波动引发的背景噪声，又能对早期归因结果开展时序校验与精细修正。逐次追踪、动态归因机制在保证最终分类高精度的同时，大幅提升了近实时监测的响应时效。
图4 分阶段建模策略图
图5 光谱轨迹特征示意图
本研究已在大兴安岭、四川盆地、湘中盆地、长江中下游平原、云南高原全国五大典型区域完成全流程应用验证。三类扰动首次监测平均时延为 11.6 天（其中野火首次监测时延为8天）、平台稳定时延 15.5 天，总体精度分别为77.5% 与 84.0%。与美国马里兰大学MatthewC. Hansen团队研发的DIST-ALERT 产品（二分类）对比，本研究仅以小幅时延（3.7天）增加为代价，显著提升分类精度，实现了近实时条件下多类别扰动类型的稳定判别，有效解决了现有产品难以兼顾时效性与类型精细化识别的难题。
图6 五大典型区域时延精度图
图7对比本研究与DIST-ALERT 产品的扰动制图效果。扰动发生后的第一周，两种方法对野火、采伐这类林冠损毁特征显著的区域，空间识别格局相似；但在云南高原植被胁迫区域，DIST-ALERT 存在明显漏检现象。产生这一差异的核心原因在于两者基准反射率构建逻辑不同：DIST-ALERT 以过去三年同期前后15 天观测的林冠损失最小值作为基准，易受年度物候波动干扰；本研究采用类 CCDC 时序拟合方法，以日历同日精准建模预测的反射率作为基准，有效削弱季节物候带来的监测偏差。此外，DIST-ALERT 输出结果易出现椒盐噪声与误判斑块，本研究通过纳入非扰动异常样本参与监督模型训练，有效减少误检现象，最终输出的扰动斑块完整性更强、结果稳定性更优。
图7 产品比较图
浙江大学廖荣华博士研究生为论文第一作者，浙江大学环境与资源学院叶粟研究员为通讯作者，其他作者包括北京林业大学黄华国教授、浙江大学环境与资源学院史舟教授等。此项研究受国家重点研发计划（2024YFF1306200;2024YFF1306201）和教育部基础与交叉学科突破计划（JYB2025XDXM909）共同资助。