文献阅读（十）

热带湿润地区森林覆盖变化的长期（1990-2019）监测

需要准确描述热带潮湿森林的变化，以支持保护政策并更有效地量化它们对全球碳通量的贡献。研究在泛热带范围内记录了这些森林在过去19年中的范围和变化（退化、毁林和恢复）。估计自 1990 年以来，17% 的热带潮湿森林已经消失，2019 年剩余面积为 10.71 亿公顷，其中 10% 已退化。研究强调了这些生态系统中退化过程的重要性，特别是作为森林砍伐的前兆，以及最近在不降低目前的干扰率的情况下，热带潮湿森林干扰（自然和人为退化或森林砍伐）的增加。

---

文章目录

• 热带湿润地区森林覆盖变化的长期（1990-2019）监测

• 介绍

• 结果和讨论

• • 退化的主要结果
  • 毁林和毁林后再生的主要结果
  • 毁林和退化趋势
  • 未受干扰的 TMF 下降和预测

• 材料和方法

• • 研究区域和森林类型
  • 数据
  • 映射方法
  • 趋势分析
  • 验证
  • 与 GFC 数据集的比较
  • 未来森林覆盖率的预测
  • 已知限制和未来改进

---

介绍

热带潮湿森林 (TMF) 具有巨大的环境价值。它们在生物多样性保护、陆地碳循环、水文状况、土著人口生存和人类健康方面发挥着重要作用。它们越来越被认为是任何减缓气候变化战略的基本要素。森林砍伐和退化损害了热带森林作为生态系统的功能，导致生物多样性丧失和碳储存能力降低。森林砍伐和破碎化正在增加病毒性疾病爆发的风险。

为了人类福祉，实现可持续经济增长并确保剩余的 热带潮湿森林 得到保护是一项重大挑战和共同责任。对泛热带范围内的长期扰动进行一致、准确和地理上明确的表征是连贯的领土规划以支持可持续发展目标和《巴黎协定》（2015 年）的国家自主贡献的先决条件。遥感、云计算设施和免费访问 Landsat 卫星档案 方面的进步使整个 热带潮湿森林 能够在很长一段时间内进行系统监测和一致的动态表征。自 2000 年以来，全球地图已被用于量化树木覆盖损失 并确定剩余的完整森林景观 。然而，关于热带潮湿森林长期覆盖变化的详细空间信息，特别是关于森林退化和森林砍伐后恢复的详细空间信息，仍然缺乏。需要这些数据来准确估计与森林干扰相关的碳损失 并评估它们对生物多样性的影响。

结果和讨论

在这里，我们通过长时期（1990 年 1 月至 2019 年 12 月）的 热带潮湿森林覆盖变化的墙到墙映射提供前所未有的信息，其中 Landsat 图像分辨率为 0.09 公顷（像素大小为 30 m x 30 m），这是免费的可从 https://forobs.jrc.ec.europa.eu/TMF/（见材料和​​方法）。“研究区域和森林类型”部分提供了对 热带潮湿森林 中包含的森林类型的描述。这个经过验证的数据集描述了过去 30 年中 热带潮湿森林 范围、相关干扰 （自然和人为退化或森林砍伐）以及森林砍伐后每年的恢复情况 （参见关于年度变化数据集的补充文本以及图 S1）。一项重大创新是通过提供从初始观察期到 2019 年底的过渡阶段来表征变化的连续动态，即未受干扰的森林、退化的森林、森林再生、毁林的土地、转化为人工林、转化为水、植树造林，以及红树林内的变化 （图 1和2并参见过渡图和补充文本。S2 到 S7），以及每次干扰的时间（日期和持续时间）、复发和强度 。

图 1剩余的 热带潮湿森林。2020 年 1 月剩余的热带潮湿森林 地图。

图 2过渡图的图解。1990-2019 年期间森林覆盖干扰（森林砍伐和退化）的样本模式：（A）几内亚比绍（14.9°W，11.1°N）剩余的红树林和相关变化，（B）马托格罗索省的火灾巴西（53.8°W，13°S），（C）哥伦比亚最近的森林砍伐（74.4°W，0.7°N），（D）马托格罗索的伐木（54.5°W，12°S），（E）森林砍伐和喀麦隆铁路造成的退化（13.4°E，5.8°N），（F）最近在刚果共和国 Ouésso 地区（15.7°E，1.4°N）进行的选择性伐木，（G）为创造马来西亚的一座大坝（113.8°E，2.4°S），（ H) 柬埔寨（105.6°E，12.7°N）的大规模森林砍伐，和（I）印度尼西亚廖内省（102°E，0.4°N）的商品。每个盒子的大小为 20 公里乘 20 公里。

尽管没有一个生态系统可以被认为是真正不受干扰的，因为到处都存在某种程度的人类影响，但我们将不受干扰的热带潮湿森林定义为在整个 Landsat 历史数据集上没有观察到任何干扰的封闭常绿或半常绿森林 （参见“研究区和森林类型”部分）。因此，我们的未受干扰森林地图基线可能包括古老的次生林或在 Landsat 档案开始前几年已经退化的森林。这是因为在现有卫星图像的观测期之前，我们没有详细的空间数据。

在泛热带范围内，每年都会记录森林覆盖退化的发生和程度，增加了森林砍伐数据。我们将森林退化定义为在**短时间内（少于 2.5 年）从太空可见的树木覆盖树冠的干扰，导致生物多样性和/或碳储存的丧失。退化的像素仍然是林地（被现有或正在重新生长的树木覆盖），而森林砍伐 导致长期（可见超过 2.5 年）**转变为非林地。通过对 Landsat 档案的每个有效观测值的分析（参见“数据”和“制图方法”部分）实现了退化检测，从而可以捕获短期干扰，例如选择性测井（图. 2F和图 S3), 火灾 (图 2B）和异常天气事件（飓风、干旱和排污）（图 S7）。

图S1两个区域1990年和2015年两个不同时期年变化层的25 × 34 km子集: A柬埔寨;B，巴西地区。

图S2定义转换类的方法步骤。

图S3捕捉不同类型采伐区的过渡图子集(10 km 30 km): A，刚果共和国Ouésso的采伐特许权;B，选择性登录Pará州，巴西;C，苏里南伐木网络;D，巴布亚新几内亚的伐木和砍伐森林。短期退化(伐木活动)用绿色表示，砍伐森林用红色表示。

图S4捕捉不同类型的森林砍伐过程的过渡图子集(18 km 50 km): A，维略港南部的森林砍伐(Rondônia州，巴西);B，巴西罗赖马州的森林砍伐;C，由于喀麦隆靠近铁路，森林砍伐和退化;D，象牙海岸保护区的退化和森林砍伐。

图S5捕捉不同树木种植区域的过渡图子集(18 km 50 km): A，委内瑞拉的可可种植园;B，加蓬最近的大型油棕种植(2015 - 2017年);C，柬埔寨大量的森林转变为油棕种植园;D，印度尼西亚的油棕榈种植园。

图S6过渡图的子集(18 km - 50 km): A，马来西亚新建大坝导致森林向水体的转变;B，马来西亚沙捞越与印尼加里曼丹边境的公路网络;C，刚果民主共和国的农村综合体;D，秘鲁的金矿开采(马德雷·德·迪奥斯，马祖科)。

图S7捕捉气候事件导致的热带潮湿森林特定退化模式的过渡图子集(20 × 50公里):A, 2017年澳大利亚北部的气旋黛比;B, ENSO事件导致的2016年干旱;C, 2000年4月马达加斯加飓风Hudah (Antalaha北部);D，与亚马逊干旱有关的火灾。退化的森林呈现浅绿色(如果在2016年之前发生)或棕色(在2016年或2017年)。

图S8用于验证和准确性评估的抽样图(5250)

图S9验证响应设计:参考验证数据集中待解译的7层3期Landsat影像数据的选择过程。

图S10系统1 x 1 longitude-latitude块的例子,和复制1和2(一个复制的点集占据同一位置在每一块),在刚果民主共和国的一个区域(约350公里250公里的规模和集中在19.5 E, 2 N)在后台与过渡层。

图S11 1990年至2019年7个分区域和未受干扰森林面积大于500万ha的国家的年干扰情况。

图S12应用2010 - 2019年平均扰动率，预测2020年1月原状森林面积大于100万ha的国家原状湿润森林完全消失的年份。

图S13研究区域范围。研究区域是根据联合国粮农组织采用的生态区域来定义的，包括以下区域:热带雨林、热带湿润森林、热带山地系统和热带干燥森林。

图S14全热带地带(1982 - 2019年)陆地卫星全存档的每像素有效观测总数。

图S15全陆地卫星存档首次有效观测年份(1982 - 2019年)，横跨泛热带地带

图S16 1982 - 2019年期间每像素有效观测的年平均数量(按大陆划分)。热带潮湿森林领域的陆地卫星档案。

图S17多光谱特征空间:潮湿森林(深绿色点)、非常绿覆盖层(裸土为橙色、落叶植被为棕色、农业为浅绿色、水为蓝色)和无效像素(阴影为灰色、云为紫色、雾霾为粉色):(a)色相与饱和度(分别来自旋涡2、近红外、红色)，(b)色相与值(分别来自旋涡2、近红外、红色)，©色相(分别来自旋涡2、近红外、红色)与TIR， (d)色相与NDWI。

图S18用于变化分析的监测期第一年

图S19 1990 - 2016年各大陆记录的扰动持续时间分布。用于定义短期退化、长期退化和毁林的时间阈值用虚线表示(分别为1年和2.5年)。

扰动映射的准确率为 91.4%。面积估计的不确定性是根据最新的统计做法（27）在基于样本的参考基础上量化的，表明森林干扰面积被低估了 11.8%（代表 3840 万公顷，其中 1500 万公顷有95% 的置信区间）（参见“验证”部分和关于验证的补充文本，图 S8 至 S10 和表 S1 至 S4）。

退化的主要结果

过去 30 年 TMF 干扰（可能有自然或人为原因的森林砍伐或退化 ）的年度动态分析强调了 TMF 生态系统中退化过程的重要性，主要结果如下（参见“趋势分析”部分,表 1至10和图 S11):

表1。1990年、1995年、2000年、2005年、2010年、2015年和2020年(1月1日)分区域和大洲划分的未受干扰热带雨林覆盖面积(百万公顷)，以及在30年(1990 - 2019年)和10年(1990 - 1999年、2000 - 2009年和2010 - 2019年)的间隔内的相对下降(百分比)。斜体显示的值表示基线TMF域(表9)上无效像素观测的平均百分比高于40%。

表2。1990年、1995年、2000年、2005年、2010年、2015年和2020年(1月1日)分区域和大洲划分的未受干扰和退化的热带森林覆盖面积(百万公顷)，以及在30年(1990 - 2019年)和10年(1990 - 1999年、2000 - 2009年和2010 - 2019年)的间隔内的相对下降(百分比)。斜体显示的值表示基线TMF域(表11)上无效像素观测的平均百分比高于40%。

表 3 1990 年至 2020 年，5 年、30 年（1990 年至 2019 年）、20 年（2000 年至 2019 年）和 10 年（1990 年至 2020 年）因森林砍伐和退化而造成的未受干扰的 TMF 地区的年均损失（以百万公顷计）（ 1990-1999、2000-2009 和 2010-2019）按次区域和大陆划分。以斜体显示的值表示从高于 40%的无效观察（表 9 ）的平均百分比得出的值。

表 4 1990 年至 2020 年，5 年、30 年（1990 年至 2019 年）、20 年（2000 年至 2019 年）的时间间隔内，因森林砍伐（有或无先前退化）造成的 TMF 面积年均损失（以百万公顷计），按次区域和大陆划分的 10 年（1990-1999、2000-2009 和 2010-2019）。以斜体显示的值表示从高于 40%的无效观察（表 9 ）的平均百分比得出的值。

表 5 1990 年至 2020 年，5 年、30 年（1990 年至 2019 年）、20 年（2000 年至 2019 年）的时间间隔内，由于退化（随后或未发生森林砍伐）导致的未受干扰的 TMF 区域的年均损失（以百万公顷计） ，以及按次区域和大陆划分的 10 年（1990-1999、2000-2009 和 2010-2019）。以斜体显示的值表示从高于 40%的无效观察（表 9 ）的平均百分比得出的值。

表 6从 1990 年到 2020 年，由于直接砍伐森林（没有事先退化）造成的未受干扰的 TMF 区域的年平均损失（百万公顷），间隔为 5 年、30 年（1990-2019 年）、20 年（2000-2019 年），按次区域和大陆划分的 10 年（1990-1999、2000-2009 和 2010-2019）。以斜体显示的值表示从高于 40%的无效观察（表 9 ）的平均百分比得出的值。

表 7 1990 年至 2020 年，在 5 年、30 年（1990 年至 2019 年）、20 年（2000 年至 2019 年）和 10 年的时间间隔内，由于毁林前的年退化造成的未受干扰的 TMF 地区的年均损失（以百万公顷计） （1990-1999、2000-2009 和 2010-2019）按次区域和大陆划分。以斜体显示的值表示从高于 40%的无效观察（表 9 ）的平均百分比得出的值。

表 8 1990 年至 2020 年，5 年、30 年（1990-2019 年）、20 年（2000-2019 年）和 10 年（5 年、30 年（1990-2019 年）、20 年（2000-2019 年）和 10 年）因森林砍伐和再生导致的 TMF 面积年均损失（以百万公顷计）（ 1990-1999、2000-2009 和 2010-2019）按次区域和大陆划分。以斜体显示的值表示从高于 40%的无效观察（表 9 ）的平均百分比得出的值。

表 9基线 TMF 域上无效观察的平均百分比。1982 年至 2020 年期间基线 TMF 域 (A) 和 (B) 5 年间隔（包括 8 年的第一个间隔除外）每年的无效观测值的平均百分比，按次区域和大陆划分。以斜体显示的值表示无效观察的平均百分比高于 40%。

表 10 1990 年至 2020 年期间每个次区域和大陆的 TMF 干扰（未再生的森林砍伐、森林砍伐后的再生和森林退化）和重新造林面积（最初是其他土地覆盖）的总面积和比例（以百万公顷为单位的面积和比例百分比）。LC，土地覆盖。

1）在过去的 30 年里，2.187 亿公顷的 TMF 消失了，1.065 亿公顷处于退化状态（表 2和表10）。这占 2020 年 1 月剩余的 10.709 亿公顷森林面积的 10%。退化的森林占观察到的森林覆盖变化的 33%（即来自包括毁林土地和森林再生在内的总变化），地区和国家之间的差异很大 ，从委内瑞拉的 96%、加蓬的 74%、巴布亚新几内亚的 69% 到巴西和马达加斯加的 21%，以及柬埔寨的 13%（表 S6）。多达 40.7% 的退化森林位于亚洲-大洋洲（相比之下，拉丁美洲为 36.9%，非洲为 22.3%）（表 10）。

大约 84.5% 的退化森林（即 9000 万公顷）可归因于短期干扰（观察时间不到 1 年，主要是由于选择性伐木、自然事件和光影响火灾），其中 30在过去的 30 年里，百万公顷土地退化了两到三次（每次都在短时间内观察到）。剩余的 15.5%（1650 万公顷）主要是大火造成的，干扰持续时间（在 Landsat 图像上可见干扰效应的时期）为 1 至 2.5 年。

多达 45.4% 的退化（8860 万公顷）是森林砍伐事件的前兆，平均在 7.5 年后发生（大陆之间没有显着差异）。东南非和东南亚尤其如此，分别显示 60.4%（马达加斯加为 65%）和 53%（柬埔寨为 59%）的退化森林在恢复期后被砍伐（表 7）。这些比例被低估了，因为 45.4% 的近期退化（例如，过去 7 年）很可能导致未来几年的森林砍伐。

4）另外 30.3% 的未受干扰森林面积（2.918 亿公顷）是潜在受干扰边缘影响的森林，即位于干扰的 120 m 范围内（见材料和​​方法）。这一比例表明，与其他大陆（美洲和非洲分别为 25.6% 和 28.9%）相比，亚洲的森林破碎化程度（45.2%）更大。

5. 多达 82.8% 的 TMF 在 2019 年 12 月被映射为退化，对应于从未在泛热带范围内发现的短期干扰。在全球森林变化 (GFC) 产品 ( 24 ) 所涵盖的期间，即 2001 年至 2019 年，大约 2120 万公顷被捕获为树木覆盖损失，而同期我们的研究发现 8600 万公顷为退化森林（参见“与 GFC 数据集的比较”部分，图 3和表 S5）。
   
   图 3亚马逊法律地区和印度尼西亚的年度扰动区域动态。国家空间研究所 (INPE) 和印度尼西亚在 2000 年使用整个 TMF 范围（未受干扰和退化）（x轴在年和y轴以百万公顷为单位）与 GFC 损失和巴西亚马逊法律地区的 PRODES 数据进行比较。星号 (*) 表示 2005 年至 2014 年期间干扰类型在总干扰中的平均比例用于分配 2017 年至 2019 年的干扰类型。Defor，森林砍伐。

6）我们表明，年退化率与气候条件密切相关（图3和图4以及图S11）。虽然毁林率的趋势似乎与国家领土政策的变化有关，但退化率通常在干旱期间出现高峰，似乎不受森林保护政策的影响。1997-1998 年和 2015-2016年强厄尔尼诺-南方涛动 (ENSO) 事件期间发生的干旱条件最适合森林火灾 ( 28-30 )，并导致森林退化显着增加 ( 29 )。这些火灾在 2015-2016 年的影响在除东南非以外的所有地区尤为强烈和明显。

图 4区域尺度年度森林砍伐和退化的演变。过去 25 年南美洲、( B ) 东南亚大陆和 ( C ) 过去 15 年所有地区年度森林砍伐和退化的演变 ( A )。“短期退化”是指在不到 1 年的时间内观察到的干扰，主要是由于选择性伐木、自然事件和光影响火灾，而“长期退化”主要是指在 1 年内发现的火灾期限为 1 至 2.5 年。

我们的研究结果强调了（i）在森林保护和气候缓解计划中整合减少退化的措施，以及（ii）将森林退化视为森林砍伐的风险因素以及气候变化和气候波动的指标，这一点至关重要。我们预计，对森林退化过程和由此产生的碎片化的了解将有助于准确评估人为对热带生态系统服务的影响以及对生物圈-大气-水圈反馈的影响。未来的政策将不得不考虑这一发现。

毁林和毁林后再生的主要结果

以前所未有的全面方式 记录 TMF 覆盖范围内的森林砍伐：(i) 涵盖 30 年的分析期，(ii) 将未受干扰森林的直接砍伐与退化森林的砍伐区分开来，(iii) 通过绘制森林砍伐后恢复（或森林再生），（iv）通过确定特定的森林转化为商品或水（图 2，G 和 I），（v）通过包括红树林内部的变化（图 2A) 和 (vi) 通过时间（日期和持续时间）、强度、重复发生，以及在适当情况下，开始日期和毁林后再生的持续时间，在像素级别记录 每个毁林事件。直接砍伐森林的特征是在几个月内完全砍伐树木，而退化森林砍伐的特征是在至少一年前发生的部分砍伐之后砍伐剩余和重新生长的树木。

总体而言，自 1990 年以来，初始 TMF 面积的 17.2%（即 12.896 亿公顷中的 2.187 亿公顷）已经消失，到 2020 年 1 月降至 10.709 亿公顷（表 4）。我们报告了在此期间整个泛热带地区每年 550 万至 830 万公顷的 TMF 总损失（表 11）。与以往研究的比较得 出以下结果：

表 11以往研究和我们的研究对热带地区、三大洲和巴西的年度森林砍伐面积（每年百万公顷）估计值的比较。*常绿和落叶，不包括经营森林（例如，人工林）。

联合国粮食及农业组织 (FAO) 国家统计数据 报告的估计值 ( 31 ) 和 Tyukavina等人的基于样本的估计值 。( 32 ) 对于天然热带森林，包括潮湿和干燥的森林类型，分别比我们的 TMF 森林砍伐率高 0.9% 和 27%（不包括转换为人工林以接近“天然林”的定义）这两项研究）为同一时期（表 11）。在大陆尺度上，Tyukavina等人。( 32 ) 对非洲 (-23%) 和亚洲 (-4%) 的估计低于我们的研究，而对拉丁美洲 (+16%) 的估计则更高。

与 GFC 损失的比较 （参见“与 GFC 数据集的比较”部分和图 3）（24）显示，在相同森林范围内，森林砍伐率（-33%）低于我们在 2000-2012 年期间的研究（使用我们 2000 年的 TMF 范围）（表 11）。先前的研究记录了对 GFC 损失的低估 ( 32 , 33 )。秋卡维娜等人。( 32) 报告在考虑 2001 年至 2012 年期间的整个森林覆盖（潮湿和落叶）损失时，低估了 19.4% 的 GFC 损失，非洲（-39.4%）的低估程度高于其他大陆（拉丁语为 -13%）美国和亚洲 -5.7%）。按大陆划分的这种低估排名与我们研究中观察到的排名一致（第一，非洲；第二，拉丁美洲；第三，亚洲）。与 GFC 损失的差异可以通过我们方法的三个特定资产来解释：（i）与使用年度综合；(ii) TMF 的专用算法，与对森林清除的全球监测相比，能够监测七类森林覆盖变化；

与巴西 Projeto de Monitoramento do Desmatamento na Amazônia Legal por Satélite (PRODES) 数据 ( 30 ) 使用原始森林范围进行比较（图 3），显示 2000 年代和过去十年间每年的森林砍伐率都有类似的下降；这可能与一系列经济和公共政策行动有关（29）。观察到森林砍伐率的差异 (i) 在 2001-2004 年期间，PRODES 的森林砍伐率（232 万公顷/年）高于我们的研究（200 万公顷/年）和 GFC 损失（153 万公顷/年）年），以及（ii）在过去 10 年中，PRODES 的平均毁林率低于我们的研究和 GFC 损失（分别为每年 67 万、110 万和 134 万公顷）（表 11）。这些差异在过去 5 年中更加突出（分别为每年 77 万公顷、133 万公顷和 176 万公顷）。我们的产品和 PRODES 数据之间的面积估计差异可以通过 (i) 最小制图单位的差异（0.09 公顷与 PRODES 中的 6.25 公顷）和 (ii) 我们研究中捕获的强火的影响（随后的森林砍伐）来解释。森林再生）和 GFC 损失，但在 PRODES 方法中被丢弃（因为它们不被视为森林砍伐）。

这项研究以前所未有的方式记录了整个泛热带地区年轻次生林的范围和年龄。这些次生林在这里被定义为在完全去除树木覆盖物后至少 2.5 年没有重新生长树木的树木覆盖物重新生长（至少 3 年可见）。它们在热带潮湿的条件下迅速生长并吸收大量的碳，但它们的记录很少。我们发现 13.5% 的森林砍伐面积（即 2950 万公顷）正在随后阶段恢复，其中 33% 的次生林在 2019 年底树龄超过 10 年（表 10）。亚洲次生林占森林砍伐总量的比例（18.3%）高于拉丁美洲（12.3%）和非洲（7.9%）。森林再生之后的干扰事件包括强烈的火灾，干旱条件加剧了火灾。这在 1997-1998 年和 2010 年的南美洲（图 4）中非常明显。此外，1000 万公顷的特征是最初归类为非森林覆盖区域的常绿植被再生，即可以被视为造林（即造林和再造林）年龄超过 10 年。

这项研究证实，大部分由油棕和橡胶扩张引起的森林砍伐，并被分配到我们研究中的商品类别（图 2I和4B，参见辅助数据集的补充文本，图 S11 和表 S6），是集中在亚洲，有 1830 万公顷（占整个 TMF 种植园的 86%），尤其是印度尼西亚（57.4%）和马来西亚（23.8%）。

毁林和退化趋势

过去 30 年森林砍伐和退化的演变表明，拉丁美洲和东南亚在 1995 年至 2000 年期间的年度干扰最高峰，分别为 630 万公顷和 620 万公顷/年。1997-1998 年的 ENSO 至少可以部分解释这些森林干扰的峰值，特别是对于印度尼西亚和巴西，这些峰值体现在年度变化趋势中，退化事件在总干扰区域中的比例最高（图 4和5和图。S11)。从 2000 年到 2004 年以及从 2015 年到 2019 年，南美洲的干扰率下降了一半，而在东南亚和东南亚大陆则下降了 45%。巴西占世界剩余 TMF 的 29%，对这一减少做出了巨大贡献（从 350 万公顷/年降至 270 万公顷/年）（图 3、4和5 ，表11，表 S6 , 和图 S11)。

图 5森林砍伐和退化的热点。在标记的时间间隔内（1990-1999、2000-2009 和 2010-2019）总毁林 ( A ) 和退化 ( B ) 区域的演变（每箱 1° 纬度乘 1° 经度大小；规模以百万公顷为单位） .

近年来，我们的研究表明干扰率（森林砍伐和退化）显着增加（与 2005-2014 年相比，过去 5 年每年增加 210 万公顷），达到接近 2000 年代初和在西非和拉丁美洲观察到的增幅最高（高出 48%）（表 3）。退化是近期增长的主要贡献者（平均增长 38%，而年度森林砍伐下降 5%）（表 5和7），尤其是由 2015-2016 年的特定气候条件引起（图 4和5）（30）。亚洲-大洋洲地区的退化率 (31%) 增幅小于非洲 (34%) 和拉丁美洲 (49%)，而森林砍伐率 (28%) 的降幅则远大于非洲 (5%) 和拉丁美洲美国（12%）（表 4至8）。

未受干扰的 TMF 下降和预测

自 1990 年以来，原状 TMF 范围缩小了 23.9%，平均损失率为 1080 万公顷/年（表 1和表3）。在科特迪瓦（1990 年为 76%）、墨西哥（66%）、加纳（64%）、马达加斯加（58%）、越南（59%）、安哥拉（58%），未受干扰的 TMF 下降尤为显着、尼加拉瓜（57%）、老挝人民民主共和国（PDR）（55%）和印度（56%）（表S6）。如果 2010-2019 年期间的平均速率在中短期内保持不变 （参见材料和方法以及图 S12），那么到 2026-2029 年，科特迪瓦和加纳未受干扰的 TMF 将消失；到 2040 年在中美洲和柬埔寨；到 2050 年在尼日利亚、老挝人民民主共和国、马达加斯加和安哥拉；到 2065 年，东南亚大陆和马来西亚的所有国家。到 2050 年，包括马来西亚（TMF 排名第九的国家）在内的总共 15 个国家将失去 50% 以上的未受干扰的森林（表 S6）。

现在可以在很长的历史时期内以精细的空间分辨率持续监测 TMF 中的森林砍伐和退化。森林过渡阶段的绘图将有可能获得更有针对性的指标，以衡量从地方到国际层面在森林、生物多样性、健康和气候政策目标方面取得的成就 ( 34 )。我们的研究表明，TMF 的消失速度比之前估计的要快得多，这突显了森林退化在这一过程中的先导作用。这些结果应该使决策者意识到迫切需要加强保护热带森林的行动，特别是通过避免最有可能导致随后森林砍伐的初始退化。

材料和方法

研究区域和森林类型

我们的研究涵盖了 TMF，其中包括潮湿热带地区的所有封闭森林 ( 35 )，具有两种主要的森林类型 ( 36 )：热带雨林和热带潮湿落叶林。热带雨林存在于永久湿润地区，即降雨分布最多仅具有有限季节性的地区，而热带湿润落叶林，也称为季风森林，则存在于具有明显旱季的地区。这两种主要森林类型中的每一种都可以分为许多亚型（37)，如低地常绿湿润林、山地湿润林、红树林、沼泽林、热带半常绿湿润林等。“常绿”从永久常绿到季节性常绿（大部分是常绿，但个别树木可能会掉叶）、半常绿季节性（最多约三分之一的顶部树冠可能是落叶的，但不一定同时无叶） ，和潮湿的落叶树（具有常绿次生冠层的主要落叶树种）。TMF 的特点是年温度变化小，降雨量高（每年>200 厘米）。在 Holdridge 生命区分类方案中（38)，TMFs 包括潮湿森林、潮湿森林和雨林。我们的研究区域包括以下全球生态区（39）：“热带雨林”、“热带湿润森林”、“热带山地系统”和“热带干旱森林”（图S13），止于中国边境，巴基斯坦、乌拉圭和美国。TMF主要位于热带湿润和湿润气候域，但也包括热带干燥域的小幅廊林。

我们不打算专门绘制完整或原始森林的地图，因为 Landsat 观测期太短，无法区分从未砍伐过的原始林和比观测期更早的次生林。然而，通过记录过去三十年观察到的所有扰动，2019 年剩余的未受扰动的 TMF 越来越接近原始森林的范围 。虽然我们在 1990 年和 2019 年的整个 TMF（包括未受干扰和退化的森林）具有可比性，但我们在 1990 年和 2019 年的未受干扰森林的可比性较低。

数据

Landsat 档案是唯一一个免费的长期卫星图像记录，适用于在很长一段时间内以精细的空间分辨率分析土地覆盖的年度变化。我们使用了从 1982 年 7 月到 2019 年 12 月从以下 Landsat 传感器获取的整个 L1T 档案（正射校正的大气反射率）：Landsat 4 和 Landsat 5 上的 Thematic Mapper ™，Landsat 7 上的增强型 Thematic Mapper Plus (ETM+) , 和 Landsat 8 ( 23 , 40 – 42上的陆地成像仪）。Landsat 4 于 1982 年 7 月发射，从其 TM 传感器收集图像直到 1993 年 12 月。Landsat 5 于 1984 年 3 月发射并收集图像直到 2011 年 11 月。Landsat 7 于 1999 年 4 月发射并正常获取图像，直到 2003 年 5 月扫描线校正器 (SLC) 失败 ( 43 )。在 SLC 故障日期之后获取的所有 Landsat 7 数据均已用于我们的分析。Landsat 8 于 2013 年 4 月开始运行成像。

Landsat 档案覆盖呈现出巨大的地理和时间不均匀性 ( 40 , 44 )。部分地区影像获取受限的主要原因是 Landsat 4 和 Landsat 5 没有机载数据记录仪，与数据中继卫星的链接随着时间的推移而失效；因此，掩护通常仅限于接收站 ( 42 ) 的视线范围内。从 1985 年到 1990 年代初，该计划的商业管理导致数据主要是在预订时获得的 ( 40 )。从 1999 年开始，Landsat 7 的推出及其机载数据记录功能与 Landsat 5 的继续收购相关，大大改善了全球覆盖范围。

在热带地区，非洲尤其受到图像采集有限的影响，尤其是在档案的第一部分。**在我们研究区域可用的总共大约 1,370,860 个 Landsat 场景中，**只有 265,098 个位于非洲（相比之下，拉丁美洲和亚洲分别为 573,589 和 532,173 个）。最关键的区域位于几内亚湾周围，在完整档案（图 S14）中，有效观测的总体平均数量（即，没有云、雾霾、传感器伪影和地理定位问题）总计不到 50 次。位置（像素）和第一次有效的观测大多始于 1990 年代末（图 S15）。厄瓜多尔、哥伦比亚、所罗门群岛和巴布亚新几内亚的小部分地区的有效观测总数也同样少，通常是在 1980 年代末期进行的较早的第一次有效观察。除了这些地区，第一次有效的观测主要发生在拉丁美洲、非洲和东南亚的 1982-1984 年、1984-1986 年或 1986-1988 年期间。

年度有效观测的平均数量（图 S16）显示，在 38 年期间，三大洲的平均数量逐渐增加，其中有两个主要跳跃：1999 年发射 Landsat 7 和 2013 年发射 Landsat 8。由于 Landsat 5 于 2011 年 11 月退役，2012 年东南亚和拉丁美洲也出现了明显下降，而由于 Landsat 7 SLC 关闭问题，2003 年出现了小幅下降。非洲与其他两个大陆之间存在重大差异：非洲的有效观测数据显着减少，特别是在 1982-1999 年期间，而与 2013 年相比，观测数据的增长要大得多。

收购第一年的地域不平衡限制了监测能力的期限。我们的方法特别是通过在像素级别记录存档的有效持续时间来解决此限制（请参阅下一小节）。影响 Landsat 收集的数据质量问题已通过排除以下像素得到解决：(i) 出现探测器伪影（表现为随机散斑或条纹），(ii) 缺少一个或多个光谱带（通常发生在图像边缘），或 (iii)场景地理定位不准确。

映射方法

为了绘制 TMF 在很长一段时间内的范围和变化，我们开发了一个专家系统，该系统利用 Landsat 档案的多光谱和多时间属性来识别过去 30 年的主要变化轨迹，并使用辅助信息来识别子类森林转化（见关于辅助数据的补充文本）。我们系统的推理引擎是一个程序顺序决策树，其中专家知识以规则的形式表示。大数据探索和信息提取技术，即视觉分析 ( 45 ) 和证据推理 ( 46 )，与最近一项致力于全球地表水测绘的研究 ( 44 ) 相似。）。这些技术在遥感数据分析方面的优势已在之前的研究中介绍过 ( 44 )。这些特别包括考虑数据中的不确定性、指导和告知专家的决定，以及整合图像解释专业知识和多个数据源。该专家系统是在谷歌地球引擎（GEE）地理空间云计算平台（22）中开发和运行的。该映射方法包括以下描述的四个主要步骤：（i）将单日期多光谱分类为三类 ，（ii）使用时间信息分析变化轨迹并生成“过渡”图 （具有七类）（图 2）。 1和2和无花果。S2 到 S7），（iii）基于辅助数据集识别过渡子类 （参见辅助数据集的补充文本）和视觉解释 ，以及（iv）年度变化图的制作 （图 S1）。

在第一步中，Landsat 档案的每张图像都在单个日期的基础上进行分 析（通过多光谱分类），而之前的大规模研究使用年度综合或年内统计数据，例如可用 Landsat 的平均值和 SD意见 ( 47 - 53）。单个图像的分类具有挑战性，但具有三个主要优点：它允许我们 (i) 捕获仅在短时间 内从太空可见的干扰事件 ，例如记录活动；(ii) 记录扰动的准确时间和扰动观测的次数 ；(iii) 早期检测扰动，即即使扰动在年底开始，它也被检测到并计为今年的扰动，而其他主要基于复合的方法将检测到扰动延迟 1 年。

此处将中断观测定义为在单一日期观测中检测到 Landsat 像素内没有树叶覆盖 。干扰观测的数量 构成干扰强度的代表。

Landsat 图像中的每个像素最初通过单日期多光谱分类分配到以下三个类别之一：(i) 潜在的潮湿森林覆盖，(ii) 潜在的破坏，以及 (iii) 无效观测（云、云阴影、雾霾和传感器问题）。然后使用类 (i) 和 (ii) 的时间序列来确定七个过渡类，在映射方法的第二步中进行了描述。然而，并非所有像素都可以明确地在光谱上分配给三个单日期类别之一，因为这些类别的多光谱集群外壳在多维特征空间中重叠。在光谱混淆的情况下，通过考虑单日期分类的时间轨迹，使用证据推理来指导类别分配，因为土地覆盖类型之间的光谱重叠可能只发生在一年中的特定时期。例如，从光谱的角度来看，落叶林、草地或农业覆盖的像素在潮湿季节可能表现为潜在的潮湿森林覆盖，而在旱季则表现为潜在的破坏，因此可以分配给其他土地覆被过渡类。受干扰的潮湿森林（退化或砍伐森林）在档案开始时显示为潜在的潮湿森林覆盖，随后显示为潜在的破坏分配。作为潮湿季节的潜在潮湿森林覆盖和旱季的潜在破坏，因此可以分配到其他土地覆盖过渡类别。受干扰的潮湿森林（退化或砍伐森林）在档案开始时显示为潜在的潮湿森林覆盖，随后显示为潜在的破坏分配。作为潮湿季节的潜在潮湿森林覆盖和旱季的潜在破坏，因此可以分配到其他土地覆盖过渡类别。受干扰的潮湿森林（退化或砍伐森林）在档案开始时显示为潜在的潮湿森林覆盖，随后显示为潜在的破坏分配。

对于三个初始类别（潜在的潮湿森林覆盖、潜在破坏和无效观测），首先通过建立一个光谱库来定义多光谱集群，该光谱库捕获泛热带带上存在的土地覆盖类型和大气扰动的光谱特征，并针对对于这三类： (i) 潮湿的森林类型；(ii) 落叶林、伐木区、稀树草原、裸土、灌溉和非灌溉农田、常绿灌木丛和水（对于潜在破坏类）；(iii) 云、霾和云影（用于无效观测）。通过视觉解释标记了属于 1512 个 Landsat 场景 （L5、L7 和 L8）的 38,326 个采样像素的总样本。光谱带的 HSV（色调、饱和度和值）变换，44 , 54 )，用于补充光谱库。这些组件是使用标准转换计算的（ 55) 用于以下 Landsat 波段组合：短波红外 (SWIR2)、近红外和红光。色调对大气效应影响的稳定性对于识别潮湿热带地区的潜在破坏特别有用。饱和度和数值对大气变率的敏感性主要用于检测无效观测（雾霾）。值对于识别云阴影特别有用。热红外波段与检测无效观测（云和霾）和裸土以及归一化差异水指数相关，以识别灌溉区域。通过视觉分析对光谱库中保存的信息进行分析，以提取描述多维特征空间中类簇外壳的方程（图 S17）。先前研究中设计的探索性数据分析工具（44 ) 用于支持交互式分析。

在映射方法的第二步中，分析像素尺度上单日期分类的时间序列，首先确定 TMF 域的初始范围，然后从该初始森林范围识别变化轨迹（图 S2）。无法统一确定整个泛热带地区的长期变化，因为观测记录各不相同（参见“数据”部分），例如，观测的第一年（图 S18）是 c。1982年为巴西和c。2000 沿几内亚湾。我们通过在像素级别确定（i）用于绘制初始 TMF 范围的参考初始期（基线）和（ii）用于检测变化的监测期，解决了 Landsat 档案的这些地理和时间不连续性。存档开始时的数据缺口已通过要求至少 4 年且每年至少 3 次有效观测值或从第一次可用有效观测值起至少 5 年且每年两次有效观测值来解决。因此，有效观测的年度数量较少，而初始周期较长。当短期内几乎没有有效观测值时，这可以最大限度地降低基线中包含非森林覆盖类型（如农业）和落叶林的风险。此外，通过考虑与商品、湿地、竹子和落叶林的可能混淆，我们减少了基线中的佣金错误（参见关于辅助数据集和特定热带森林类型的补充文本）。

从我们最初的 TMF 范围内，我们确定了七个主要的过渡类别（图 S2），它们随后被定义。监测期的第一年（在初始期之后）如图 1 所示。S18；它最早在 1987 年开始（主要针对南美洲），对于非常有限的情况，最迟在 2016 年开始（例如，加蓬）。

尽管任何生态系统都不能被认为是真正不受干扰的，因为到处都存在某种程度的人类影响（26），但我们将不受干扰的潮湿森林（第 1 类）定义为没有观察到任何干扰（退化或森林砍伐）的热带潮湿（常绿或半常绿）森林覆盖Landsat 历史记录（参见“研究区域和森林类型”部分）。我们的 TMF 基线可能包括旧林再生（旧次生林）或以前退化的森林，因为 Landsat 观测期太短，无法区分从未砍伐过的原始林和比观测期更早的自然恢复的第二生长林。本类别包括竹子为主的森林（1a 类）和未受干扰的红树林（1b 类）的两个亚类。

毁林土地（第 2 类）被定义为从潮湿森林覆盖到另一种土地覆盖的永久转变，而退化森林（第 3 类）被定义为在短时间内观察到干扰的潮湿森林覆盖。在这里，我们假设扰动的持续时间（以及因此，我们用卫星图像检测到扰动的时间段）是扰动影响的代表，即，检测到的扰动持续时间越长，越高对森林的影响以及 TMF 永久转化的风险越高。在考虑短期干扰时，我们包括伐木活动、火灾和自然破坏性事件，例如防风和极端干旱期。因此，我们越来越接近最普遍接受的退化定义（56)，一种考虑生产力损失、生物多样性损失、异常干扰（干旱和排污）和碳储存减少的方法。

应用于持续时间参数的阈值，用于将退化的森林与砍伐的土地分开，基于我们对人类活动以及火灾等自然或人为事件的影响的了解。我们凭经验确定了两个级别的退化：（3a 级）具有短期影响的退化（在 1 年内观察到），包括大多数伐木活动、自然事件和小火灾；和（3b 类）具有长期影响（1 至 2.5 年）的退化，主要对应于强烈的火灾（烧毁的森林）。大多数降解（50%）是在不到 6 个月的时间内观察到的（图 S19）。在超过 2.5 年（900 天）期间观察到影响的所有干扰事件都被视为森林砍伐过程，其中 68% 的事件观察时间超过 5 年。如果森林砍伐过程之后至少在过去 3 年内没有再生期，则将其视为森林砍伐土地。毁林土地的特征还在于破坏的重复发生，即至少有一次破坏观察的年数与第一次和最后一次破坏观察之间的总年数之间的比率。这些信息使我们能够区分 (i) 未受干扰的森林砍伐和 (ii) 退化森林的砍伐（当砍伐发生在退化后至少 1 年时），第二种情况 (ii) 由于破坏事件的发生率较低，退化和毁林阶段之间没有任何中断的时期（参见关于年度变化数据集的补充文本）。

对于最近 3 年（2016 年后）开始的退化和森林砍伐（第 4 级），由于历史观察期有限，尚不能归因于长期转变为非森林覆盖，具体规则是应用。在这一类中，我们将 2017-2018 年的持续时间至少 366 天和过去一年（2019 年）的 10 次破坏观察阈值来考虑森林砍伐的土地，从而将退化与毁林区分开来。

森林再生（第 5 类）是从潮湿森林到 (i) 毁林土地和 (ii) 植被再生的两个阶段过渡。将像素分类为森林再生需要至少 3 年的永久潮湿森林覆盖持续时间（以避免与农业混淆）。

其他土地覆盖（第 6 类）包括稀树草原、落叶林、农业、常绿灌木丛和无植被覆盖。最后，植被再生（第 7 类）包括从其他土地覆盖到植被再生的过渡，包括基于再生年龄（3 到 10 年和 10 到 20 年）的两个子类和从水到植被的过渡类再生。

第三个映射步骤使我们能够从砍伐的土地类别中识别出三个子类别。我们在地理上将森林砍伐分为以下几类：从 TMF 转变为人工林，主要是油棕和橡胶（2a 类）；水面（区分永久水和季节性水），主要是由于新水坝（2b 类）；和其他土地覆盖，例如农业、基础设施等（2c 类）。这是使用通过高分辨率（HR）图像的视觉解释完成的辅助空间数据集进行的（参见辅助数据的补充文本）。最后，我们重新分配了两个地理上特定的热带森林地层内的干扰：（i）以竹子为主的森林和（ii）半落叶过渡热带森林（参见关于特定热带森林地层的补充文本）。

每个受干扰的像素（退化的森林、砍伐的土地或森林再生）都以观察到的破坏事件的时间和强度为特征。干扰的开始和结束日期使我们能够确定，特别是新道路创建或伐木活动的时间以及森林再生或退化森林的年龄。过渡图中使用了三个十年期来确定退化和森林再生的年龄子类：(i) 2000 年之前，(ii) 2000-2009 年，和 (iii) 2010-2019 年。年度干扰观测的数量与持续时间相结合，可用作干扰强度和影响水平的代理。

在最后的制图步骤中，我们使用专用决策规则创建了 30 张地图集合，每年提供 TMF 和干扰类别的空间范围，从 1990 年到 2019 年（参见关于年度变化数据集和专题地图的补充文本）。这些图被用于我们的年度趋势分析，在下一小节中描述，以记录整个时期的年度扰动，每个年度统计数据有 10 类过渡（图 3和4以及图 S1 和 S11）：

1. 短期退化，然后是恢复期（不是森林砍伐）。
2. 长期退化，然后是恢复期（而不是森林砍伐）。
3. 退化之后是恢复期，然后是森林砍伐。
4. 退化之后是恢复期，接着是森林砍伐，然后是恢复期本身（再生）。
5. 砍伐未受干扰的森林，之后没有恢复期。
6. 砍伐未受干扰的森林，然后是恢复期（森林再生）。
7. 退化森林的毁林（在退化和毁林阶段之间有一个恢复期）。
8. 退化森林的毁林（在退化和毁林阶段之间有一个恢复期），然后是一个恢复期（再生）。
9. 砍伐森林，将森林转化为水体。
10. 将森林转化为商品的森林砍伐。

为了通过排除受伐木活动影响的潜在遗漏区域来生成更保守的未受干扰森林地图，我们在受干扰像素周围使用 120 m 的阈值距离创建了一个干扰缓冲区。该距离对应于两个伐木平台（登陆）之间的平均观察距离，并且与先前研究中用于评估完整森林的距离一致（15）。

趋势分析

从 1990 年到 2019 年，每 5 年按国家、次区域和大陆报告 TMF 和干扰类别的区域（表 1到10，图 3和4，图 S11，并参见关于趋势分析的补充文本)，使用来自粮农组织 ( 57 )的全球行政单位层数据集的国家限制。还计算了系统纬度 - 经度网格的 1° x 1° 单元的面积测量值，以描绘三个十年来森林砍伐和退化的热点区域（图 5）。对于所考虑时期的最近三年（即 2017-2019 年），干扰类型（退化后毁林、退化后未毁林和直接毁林）的比例用历史比例（2005-2014 年）校准三种类型的干扰。对于 1990 年湿润森林面积超过 500 万公顷的国家（即 32 个国家）和所有次区域，我们分析了 1990 年至 2019 年年度变化的时间动态（图 S11 和趋势分析补充文本）。

验证

我们的分类器的性能是根据像素尺度上的遗漏和佣金误差进行评估的，并且量化了从过渡图得出的面积估计的不确定性（参见关于验证的补充文本）。使用分层系统抽样方案创建了一个包含 5250 个 3 x 3 像素（0.81 公顷地块大小）样地的参考数据集（图 S8）。对于每个样地，对多个日期的 Landsat 图像进行视觉解释，并与 Digital Globe 或 Bing 集合中可用的最新 HR 图像一起创建参考数据集。选择要解释的 Landsat 图像的日期以优化对我们分类器性能的评估，如下所示（图 S9）：(i) 在三个连续的关键周期内至少有一个随机日期，以验证时间排序的一致性和跨主要传感器（L5、L7 和 L8）的分类器性能；(ii) 对于受干扰的类别，选择与第一次和最后一次干扰观察相对应的两个日期来评估委员会错误；(iii) 对于未受干扰的森林类别，在 GFC 损失年份（如果存在）中至少有一个随机日期来评估遗漏错误。它为每个样地解释了两到四张 Landsat 图像，共有 14,295 张图像。(iii) 对于未受干扰的森林类别，在 GFC 损失年份（如果存在）中至少有一个随机日期来评估遗漏错误。它为每个样地解释了两到四张 Landsat 图像，共有 14,295 张图像。(iii) 对于未受干扰的森林类别，在 GFC 损失年份（如果存在）中至少有一个随机日期来评估遗漏错误。它为每个样地解释了两到四张 Landsat 图像，共有 14,295 张图像。

用户、生产者和总体准确度、估计准确度的置信区间以及未受干扰和受干扰森林面积的修正估计值，该估计值的置信区间为 95%，是根据最新的统计实践 ( 27 ) 计算的。我们的干扰检测性能导致 9.4% 的遗漏、8.1% 的错误检测和 91.4% 的整体准确率（表 S2 和 S3）。此外，还从 5119 个参考地块的样本中评估了面积估计的不确定性（森林覆盖和变化）。该准确性评估表明，森林覆盖图的直接面积测量低估了森林面积变化 11.8%（代表 3840 万公顷，其中 1500 万公顷的置信区间为 95%）（表 S4 和 S5）。

与 GFC 数据集的比较

我们将我们的转换类与 GFC 数据集（24) 用于 2000 年和 2001-2019 年期间的 TMF 域（未受干扰和退化的森林），这是两个产品之间的共同时期。我们将 GFC 多年产品综合成四类森林覆盖变化，从 2001 年至 2019 年期间 GFC 年度树木覆盖损失和收益层的组合：（i）不变（无损失和无收益），（ii）在至少一项损失但没有收益，(iii) 至少一项收益但没有损失，以及 (iv) 至少一项损失和一项收益。（通过与年度地图相结合）创建了一个具有八个类别的新版本过渡图，以描述 2001 年至 2019 年发生的干扰：（i）未受干扰的森林（在 2019 年底），（ii）旧的退化或再生（2001 年之前开始），（iii）旧林砍伐（2001 年之前），（iv）2001 年至 2019 年开始的退化，
然后为每个大陆和泛热带地区生成了合成的 GFC 图（四类）和我们重新分类的过渡图（八类）之间的对应矩阵，比较了面积估计值（表 S1）。这一比较表明，我们的年度变化数据集描绘了 2001-2019 年期间 1.389 亿公顷的森林扰动，而 GFC 地图中没有描述这些扰动（占我们扰动总面积的 59%）。先前的研究证实了这一发现 ( 32 , 33）。此外，1760 万公顷和 320 万公顷被描述为 GFC 损失，而在我们的 TMF 数据集中（2001 年之前）分别被归类为古老的森林砍伐和退化。在 GFC 未描述的干扰中，最大的差异涉及退化、森林再生等级和退化后的森林砍伐等渐进过程。对于这些过程，各自的结果表明，我们描绘的区域中有 75%、67% 和 59% 在 GFC 地图上缺失，而我们的直接砍伐森林类别与 GFC 地图（60%）很好地对应。对于红树林内部的变化，我们的数据集和 GFC 地图之间的差异更大，相差 83%。红树林是 TMF 中的一个关键生态系统。我们还观察到，与其他大陆（亚洲和拉丁美洲分别为 40.9% 和 43.3%）相比，非洲扰动类别的一致性水平较低（GFC 描述了我们的扰动的 38%）。Tyukavina 还观察到，与其他大陆相比，非洲对全球金融危机损失的低估程度更高等人。( 32 ) 使用基于样本的分析。

我们观察到 GFC 与我们对较短和较低强度事件的研究之间存在更大的差异。我们观察到仅通过我们的方法（而不是通过 GFC）检测到的干扰（退化和森林砍伐）的平均持续时间为 6.7 年（可见影响），而两种方法（GFC 和我们的方法）。我们观察到仅通过我们的方法检测到的干扰的平均强度（或每个干扰检测到的干扰总数）为 9.9，而两种方法捕获的干扰为 32.6。

随着时间的推移，差异的演变表明，我们的年度变化数据集描述的森林砍伐面积增加了 61.4% 的时期（2001-2010 年）与过去十年（2010-2019 年）的全球金融危机损失包括我们所有的森林砍伐面积和 5.7% 之间的重大差异。我们退化区域的百分比（表 11和图 3）。在另一项研究 ( 58 )中也观察到了过去十年的这种变化，并且可以通过 (i) GFC 团队在 2011 年之前和之后应用的处理差异来解释 ( https://earthenginepartners.appspot.com/ science-2013-global-forest/download_v1.3.html) 和 (ii) 在 GFC 损失中包含烧毁区域（特别是 2015-2016 年的干旱期），这些区域在我们的 TMF 数据集中主要归类为退化。

未来森林覆盖率的预测

每个国家（i）未受干扰的森林面积和（ii）总森林面积（未受干扰和退化的森林）提供了未来森林覆盖的时间预测（图 S12 和表 S8）。我们认为每个国家的年度扰动区域遵循独立的对数正态分布，我们使用修改后的 Cox 方法来估计均值和 95% 置信区间（59) 的分布。我们使用过去 10 年（2010-2019 年）的这些估计来预测 2020-2050 年在一切照旧情景下的干扰。已经产生了几个具有不确定性的指标：(i) 2050 年底的森林面积，(ii) 2050 年底剩余森林面积与 2019 年底森林面积的百分比，以及 (iii) 年份对应于森林覆盖的完全消失。

已知限制和未来改进

当部分树木覆盖去除对像素光谱值的影响不够强时，影响小于整个像素区域（0.09 公顷大小）的干扰（例如，去除一棵树）不包括在我们的结果中被检测到。然而，在特定情况下，如果对森林冠层覆盖的影响会显着改变单个像素内的光谱值，例如开辟狭窄的伐木道路（<10 m 宽）或移除几棵大树，我们的方法可以检测这些干扰。

我们通过在像素级别确定 (i) 至少 4 年的初始期（基线）（当每年有效观测的数量很少）用于绘制初始 TMF 范围和（ii）用于检测变化的监测期。当短期内几乎没有有效观测值时，这可以最大限度地降低基线中包含非森林覆盖类型（如农业）和落叶林的风险。以前的研究低估了这种风险，这些研究没有使用长时间的分析，也没有考虑到有效观察的数量。

已在验证练习中评估了干扰检测的准确性（参见“验证”部分和关于验证的补充文本）。随着有效观测数量的增加，任何位置的干扰类型分配都会得到改善。元信息记录（i）有效观测的年度数量，（ii）有效观测的第一年（图S15），和（iii）每个像素位置的监测期开始年份（图S18） . 这种元信息（特别是有效观察的数量）可以被视为置信度的代理度量。因此，我们对有效观测总数特别低和/或监测期开始年份较晚的地区（图 S14、S15 和 S18）的变化进行估计，例如加蓬、所罗门群岛和留尼汪岛，应以较低的置信度考虑。然而，考虑到 2013 年后 Landsat 8 覆盖范围的地理完整性，当前报告的估计值具有很高的可信度。

对于 Landsat 档案中具有地理和时间不连续性和/或由持续云层覆盖造成的间隙的区域，短期事件可能被低估。非洲就是这种情况，在 2000 年之前，Landsat 收购很少覆盖非洲（图 S16）。为了对剩余未受干扰的森林区域提供更保守的估计，我们还对未受干扰的森林区域进行了另一个估计，使用距检测到的受干扰像素的阈值距离为 120 m 的缓冲区来排除可能受到边缘影响的森林区域。需要进一步的上下文空间分析，以更好地估计碎片区域的特征。

在泛热带尺度，具有精细的空间分辨率和年频率，通过结合辅助信息和专门的视觉解释，提供有关油棕和橡胶种植园特许权内历史森林面积变化的详细信息（参见辅助数据集的补充文本） . 尽管森林和旧种植园之间可能仍然存在一些混淆（特别是对于未包含在特许特许辅助数据库中或在卫星图像中无法从规则几何形状中轻松识别的种植园），但预计这些错误将是有限的因为考虑到 (i) 初始期的最短持续时间和 (ii) 较长的观察期。人工林的类别不包括所有商品，例如咖啡、茶和椰子，
在以竹子为主的 TMF、湿地和半落叶林中可能仍存在一些孤立的佣金错误，因为在受限区域可获得参考数据（参见关于特定热带森林类型的补充文本）。这些将随着参考信息层的改进以及用户和国家当局的反馈而不断改进。

L7 SLC-off 问题可能会引入一些空间不一致，因为在 SLC-off 条纹之外有更多的有效观测值，允许捕获更多的中断，并可能导致不同的过渡类别。

已努力根据干扰的特征（时间、重现和顺序）对干扰进行分类，以适应土地覆盖利用。但是，本研究中使用的所有指标都免费提供给最终用户，他们可以应用不同的决策标准，以更好地满足特定用户的需求和限制，例如，用于区分森林砍伐和退化的阈值可能不同，因为选定的退化定义。

这种方法可以自动应用于未来的 Landsat 数据（从 2020 年开始），并旨在适应 Sentinel-2 数据（自 2015 年起可用），用于具有更高时间频率和更精细空间分辨率的 TMF 监测。

提示：DOI: 10.1126/sciadv.abe1603