从像素到地块：基于地上生物量图的空间平均值灵活实用小范围不确定性估计

高分辨率的森林地上生物量 (AGB) 图能够有效地表征空间模式，可灵活地聚合以绘制子地区，通过计算像素级预测的空间平均值或总和来实现。然而，针对空间聚合的通用模型化不确定性估计需要计算代价高昂的过程，如迭代抽样和计算像素协方差。AGB 图的子地区不确定性估计对于增强实用性和最终采纳模型化数据产品至关重要，因为这一能力将使用户能够在最符合管理需求的尺度上生成估计，即单个森林林分和所有权地块。本研究为纽约州 (NYS) 的所有权地块的 AGB 预测空间平均值的标准误估计。这代表了首个包含四类不确定性来源（参考数据、样本变异、残差变异和辅助数据）、 Incorporate 模型残差的空间自相关性、并使用与算法建模兼容方法的模型化不确定性估计研究。我们发现，对于大多数地块而言，来自残差变异引起的不确定性占所有不确定性来源的绝大多数比重，这主要是由于残差的空间相关性所致。这表明，在以东北部和中西部美国为代表的森林被划分为较小空间单元的地区，提高模型精度将最大程度地降低总体不确定性。进一步，我们演示了以地块特征（面积、周长、AGB 密度、森林覆盖）与地块水平标准误之间关系的对数-对数回归，可准确估计地图子地区的不确定性，从而为地图用户提供了便利的手段。这一发现支持了未来区域尺度模型化森林碳核算和监测 efforts 的透明度。