CN105303057A - 设区市森林资源市县联动年度监测工艺 - Google Patents

Abstract

本发明公开了设区市森林资源市县联动年度监测工艺，包括：(1)基于每个县副总体前一年的小班数据，更新获得该县副总体当年的小班数据，基础年的小班数据由森林资源二类调查获得；(2)汇总所有县副总体当年的小班数据，得到全市当年的小班数据；(3)对每个县副总体和全市森林资源进行抽样控制，计算得到抽样控制精度和抽样控制区间；(4)如全市和每个县副总体的小班数据均在各自的抽样控制区间内，则统计当年的森林资源监测成果等，否则，对相应的小班数据进行修正。本发明基于各县副总体基础年的小班数据更新获得一股年的小班数据，通过汇总获得全市的小班数据，又抽样控制对更新和汇总的小班数据进行反馈控制，及时修正，数据更准确。

Description

设区市森林资源市县联动年度监测工艺

技术领域

本发明涉及森林资源监测技术领域，尤其涉及森林资源市县联动年度监测工艺。

背景技术

我国现行的森林资源调查体系分为三大类，即森林资源连续清查(一类调查)、森林资源规划设计调查(二类调查)和森林作业设计调查(三类调查)，各类调查的调查目的、内容和要求等都不同。一类调查对全国和省级层面森林资源现状及消长动态进行监测。二类调查为县级行政区掌握森林资源现状及动态，为区域林业发展规划等提供依据。三类调查为林业基层生产单位提供某一特定范围或作业地段的作业性调查数据。

国家、省、市、县、基层林业生产单位五类森林管理主体中，唯独市级主体，无相应监测类型与之对应。现有的设区市一级的森林资源数据，是通过辖区内各县(市、区)二类调查结果的数据汇总得到，往往由于数据的间隔期长且基础数据不处于同一时段，信息的时效性、准确性较差，给应用带来了困难。如果各县(市、区，以下简称“县”)监测数据更新均采用系统抽样调查进行，不仅不利于监测成果的林业生产应用，而且会造成已有二类调查数据的浪费，并与各县已批准使用的二类调查结果相脱节。设区市一级的森林资源监测仍是一个难点，如何准确、及时地监测设区市的森林资源监测成为亟需解决的重要课题。

以往设区市森林资源数据，一般通过所辖各县各时期二类调查数据简单汇总获得。调查成果存在以下不足：

1、从数据时间节点看，由于各县的调查年度不一，全市汇总的各县森林资源基础数据间隔期长且不是同一时点，信息的时效性、准确性较差。

2、从数据控制精度看，通过对所辖县级二类调查数据进行简单汇总，累加后的全市结果无精度控制，监测结果可靠性未得到论证。

3、从数据更新频率看，市级调查结果一般在所辖各县二类调查全部完成后进行汇总，约10年更新一次，没有实现年度化动态监测。

发明内容

本发明提供了一种森林资源市县联动年度监测工艺，实现森林资源市县两级年度监测具有较高的精度，且共用一套监测数据。

设区市森林资源市县联动年度监测工艺，所述设区市包括若干县副总体，

所述监测工艺包括以下步骤：

步骤(1)：基于每个县副总体前一年的小班数据，更新获得该县副总体当年的小班数据，基础年的小班数据由森林资源二类调查获得；

步骤(2)：汇总所有县副总体当年的小班数据，得到全市当年的小班数据；

步骤(3)：对每个县副总体和全市森林资源进行抽样控制，计算得到抽样控制精度和抽样控制区间；

步骤(4)：如全市和每个县副总体的小班数据在各自的抽样控制区间内，则统计当年的森林资源监测成果、绘制专题图和编制监测成果报告，否则，对相应的小班数据进行修正。

所谓基础年就是进行森林资源二类调查的当年，一个周期内的其余年份称为一般年。

小班是森林资源管理主体的最基本经营单位，也是清查森林资源、统计计算和资源管理最基本单位。

因为各个县副总体的森林资源二类调查有可能不在同一年份，因此在汇总全市小班数据时，有些县副总体是为基础年，而有些县副总体是在一般年，最终要汇总同一时点的数据，就必须基于基础年的数据通过更新得到一般年的小班数据。

小班分为突变小班和渐变小班，突变小班数据通过档案台帐、野外补充调查和复位调查更新，渐变小班数据通过测树因子模型更新。

根据树木自然生长规律，渐变小班的测树因子模型主要包括：胸径模型、树高模型和生长率模型，这些模型均是通过现有的建模方法构建得到，建模样本为当年抽样控制的调查样地。

如上所述，通过更新可以获得一般年的小班数据，但是无法确定该更新是否准确，因此本发明通过抽样控制，来验证更新是否合适，如果更新的小班数据未在抽样控制区间内，则对差异进行检查分析，找出影响监测质量的因素，并根据影响因素对各个小班数据进行修正，直至各县副总体和全市小班数据分别在其抽样控制区间内。

本发明对主要调查数据进行抽样控制，包括地类面积控制和树木蓄积量控制。

步骤(3)中，抽样控制采用固定样地复位调查方法。

该方法是在基础年选择样地，抽样密度根据精度要求设置，抽样控制为5年一个周期，基础年调查全部样地，以后4年调查基础年样地数量的三分之一。相邻年份抽样方案不相同。

所述统计当年的森林资源监测成果、绘制专题图和编制监测成果报告均是现有技术的常规操作，本发明不再赘述。

相对于现有技术，本发明基于各县副总体基础年的小班数据更新获得一般年的小班数据，然后通过汇总获得全市的小班数据，又通过抽样控制对更新和汇总的小班数据进行反馈控制，及时修正，数据更准确，监测精度也更高。

附图说明

图1是设区市森林资源市县联动年度监测工艺流程图。

图2是设区市森林资源市县联动年度监测工艺设计图。

图3是市县两级抽样控制样地年度监测抽样方案图。

具体实施方式

本发明结合实施例并参照附图予以详述：

(1)设区市基本情况

以浙江省某设区市2008-2012年的5年的一轮年度监测实践为例，2008年为基础年，其余4年为一般年。设区市的所辖县副总体划分：市总体下辖8区3市2县，3市2县及2个较大区，各作为一个县副总体；6个主城区以城市绿化为主，合并成一个县副总体，总共8个县副总体。

(2)基于固定样地的县级动态监测

根据县副总体森林资源二类调查小班前期本底数据，监测年度的突变小班进行档案台帐更新、野外补充调查、复位调查，分别建立档案台帐、补充调查、复位调查3个数据库。渐变小班进行测树因子模型更新，测树因子模型主要包括：胸径模型、树高模型和蓄积量模型。渐变小班模型建模样本为当年度的野外固定样地采集数据，以基础年为例，某县松木林分的渐变模型建模结果为：

表1松木林分生长率模型

表2松木林分平均胸径模型

表3松木林分平均树高模型

其中，林分各小班后期单位蓄积量计算方程：

V＝V_前(1+P_V)^k

式中，V_前为前期单位蓄积，P_V为各进阶预估蓄积量年生长率，k为前后两期间隔期，单位为年。

上述4个数据库分别更新完成后，对其进行合并，生成当年度的小班更新数据总库。对小班更新数据总库进行数据质量检查、分别统计各县副总体小班动态监测结果；最后对设区市所辖各县副总体的同一年度监测结果进行统计，汇总得到设区市总体的小班监测结果。

(3)市县两级样地抽样控制年度监测

市县两级抽样调查样地年度监测抽样方案为：基础年样地，在现有省级样地4km×6km的基础上再加密2倍，布设样地2092个，间距为4km×2km。考虑到主城区副总体与二类调查时间间隔较长，且样地变动系数较大，为取得较可靠的森林资源数据，按1km×1km进行加密，共计加密样地617个，合计布设样地数2709个。一般年，按年度监测抽样方案抽取基础年的三分之一样地，每年约900个。基础年和一般年抽样调查的样地选择如图3所示。

每年对所抽取的样地进行实地信息采集。采集过程包括样地引线定位(GPS导航)、样地坐标回采、航迹测定、样地周界测设、样地因子调查与记载、样木因子调查与记载和样方因子调查与记载等。样地因子调查分为土地利用与覆盖、立地与土壤、林分特征、森林功能、生态状况等6方面内容。样木因子数据采集因子有立木类型、检尺类型、树种(组)、胸径等。样方因子数据采集内容包括：下木的树种名称、高度、胸径；灌木的主要种名称、株数、平均高、平均地径、盖度；草本的主要种名称、平均高、盖度等。采集数据经数据校对、逻辑检查分析后，建立抽样控制年度监测数据库。

统计设区市和各县副总体样地监测数据年度抽样结果、抽样精度和抽样区间。基础年统计按常规森林资源连续清查抽样的方法计算地类面积、蓄积和相应的特征数。一般监测年份数据处理按二相抽样估计方法计算特征数，方法如下：

(1)面积因子估计

面积因子采用马尔可夫链转移模型估计。基础年调查样地的数据构成一相样本，一般监测年份调查的数据构成二相样本。

a)计算公式

设p为根据一相样本计算的面积成数状态向量：

p＝(p₁，p₂，…p_L)

p_ij为由p_ij组成的矩阵，为复位样本各地类的马尔科夫转移矩阵：

$p_{ij}=\left(\begin{array}{cccc}{p}_{11}& p_{12}& ...& p_{1L}\\ p_{21}& p_{22}& ...& p_{2L}\\ ...& ...& ...& ...\\ p_{L1}& p_{L2}& ...& p_{LL}\end{array}\right)$

则经过二相样本修正后的后期面积成数状态向量的估计为：

a＝pp_ij＝(a₁，a₂，…，a_L)

其中，

$a_i=\underset{k=1}{\overset{L}{\Σ}}{p}_k{p}_{ki}=p_1{p}_{1i}+p_2{p}_{2i}+...+p_L{p}_{Li},i=1,2,...,L$

修正后各地类面积成数之和应等于1，即

方差为

$D\left(a\right)=\left(\begin{array}{cccc}D\left(a_1\right)& Cov(a_1,a_2)& ...& Cov(a_1,a_L)\\ Cov(a_2,a_1)& D\left(a_2\right)& ...& Cov(a_2,a_L)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ Cov(a_L,a_1)& Cov(a_L,a_2)& ...& D\left(a_L\right)\end{array}\right)$

其中a_i的方差的估计值D(a_i)为：

$D\left(a_i\right)=\underset{k=1}{\overset{L}{\Σ}}{p}_k^2\frac{p_{ki}(1-p_{ki})}{m_k}+\frac{\underset{k=1}{\overset{L}{\Σ}}{p}_k{p}_{ki}^2-{\left(\underset{k=1}{\overset{L}{\Σ}}{p}_k{p}_{ki}\right)}^2}{n}+\frac{1}{n}\underset{k=1}{\overset{L}{\Σ}}\frac{p_{ki}(1-p_{ki})p_k(1-p_k)}{m_k}$

a_i与a_j（i≠j)的协方差为

$Cov(a_i,a_j)=-\underset{k=1}{\overset{L}{\Σ}}{p}_k^2\frac{p_{ki}{p}_{kj}}{m_k}+\frac{\underset{k=1}{\overset{L}{\Σ}}{p}_k{p}_{ki}{p}_{kj}-\left(\underset{k=1}{\overset{L}{\Σ}}{p}_k{p}_{ki}\right)\left(\underset{k=1}{\overset{L}{\Σ}}{p}_k{p}_{kj}\right)}{n}-\frac{1}{n}\underset{k=1}{\overset{L}{\Σ}}\frac{p_k(1-p_k)p_{ki}{p}_{kj}}{m_k}$

第i地类的面积估计数为：

A_i＝A·a_i

第i地类面积估计误差限为：

${\mathrm{\Δ}}_i=A\·u_{0.05}\sqrt{D\left(a_i\right)}$

u_0.05＝1.96，为大样本，且估计值服从正态分布。

i地类面积估计精度为：

p_ci＝(1-Δ_i/A_i)*100％

若要将地类a_i与a_j合并，则合并后的相应方差为：

D(a_i+a_j)＝D(a_i)+D(a_j)+2Cov(a_i，a_j)

b)符号说明：

一相样本中属于i地类的面积；

n_i：一相样本中属于i地类的样地数；

L：划分的地类数；

n：一相样本的样地数；

p_i：根据一相样本估计的i地类的面积成数，或p_i＝n_i/n；

A：县域总体总面积；

m：二相样本的样地数，即后期调查的样地数；

m_i：二相样本中前次调查时为i地类的样地数；

m_ij：二相样本中前次调查时为i地类，本次调查时为j地类的样地数；

p_ij：二相样本中前次调查时为i地类，本次调查时为j地类的成数估计数，p_ij＝m_ij/m_i；

a_i：经二相样本修正的i地类的成数估计值；

D(a_i)：第i地类的成数估计值的方差估计值；

第i地类的成数估计值的标准差；

Δ_i：第i地类的面积估计误差限；

p_ci：第i地类的面积估计精度。

A_i：估计的i地类的面积值；

(2)蓄积因子估计

蓄积因子估计采用回归估计的方法。以二相样本的样地蓄积量为因变量，样地对应的上一次的调查数据为自变量，回归模型采用线性形式，采用最小二乘法求算参数，即

y＝b₀+b₁x₁+…+b_h-1x_h-1+ε＝xB+ε

y为二相样本的实测样地蓄积，B＝(b₀，b₁，…，b_h-1)为待估未知参数，x＝(1，x₁，x₂，…，x_h-1)为样地对应的前期调查数据，ε为随机误差，h为回归参数个数。B采用最小二乘估计，即

$\hat{B}={\left(X^{\′}X\right)}^{-1}{X}^{\′}y$

其中，

$X=\left(\begin{array}{c}{x}_1^{\′}\\ x_2^{\′}\\ .\\ .\\ .\\ x_m^{\′}\end{array}\right)=\left(\begin{array}{cccc}1& x_{11}& ...& x_{1,h-1}\\ 1& x_{21}& ...& x_{2,h-1}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ 1& x_{m1}& ...& x_{m,h-1}\end{array}\right)$

y＝(y₁，y₂，…，y_m)

各类蓄积均值的估计值为：

$\widehat{\stackrel{\‾}{Y}}={\widehat{\stackrel{\‾}{X}}}^{\′}\hat{B}$

其中是第一相总体各变量均值的估计值。

估计值的方差的一个估计为

$D\left(\widehat{\stackrel{\‾}{Y}}\right)=D\left({\widehat{\stackrel{\‾}{X}}}^{\′}\hat{B}\right)={\hat{B}}^{\′}D\left(\widehat{\stackrel{\‾}{X}}\right)\hat{B}+{\widehat{\stackrel{\‾}{X}}}^{\′}D\left(\hat{B}\right)\widehat{\stackrel{\‾}{X}}+D\left(\widehat{\stackrel{\‾}{X}}\right)\⊗D\left(\hat{B}\right)$

其中

$D\left(\hat{B}\right)=\left(\begin{array}{cccc}D\left({\hat{b}}_0\right)& Cov({\hat{b}}_0,{\hat{b}}_1)& ...& Cov({\hat{b}}_0,{\hat{b}}_{h-1})\\ Cov({\hat{b}}_1,{\hat{b}}_0)& D\left({\hat{b}}_1\right)& ...& Cov({\hat{b}}_1,{\hat{b}}_{h-1})\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ Cov({\hat{b}}_{h-1},{\hat{b}}_0)& Cov({\hat{b}}_{h-1},{\hat{b}}_1)& ...& D\left({\hat{b}}_{h-1}\right)\end{array}\right)$

$D\left(\widehat{\stackrel{\‾}{X}}\right)=\left(\begin{array}{cccc}0& 0& ...& 0\\ 0& D\left({\widehat{\stackrel{\‾}{X}}}_1\right)& ...& Cov({\widehat{\stackrel{\‾}{X}}}_1,{\widehat{\stackrel{\‾}{X}}}_{h-1})\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ 0& Cov({\widehat{\stackrel{\‾}{X}}}_{h-1},{\widehat{\stackrel{\‾}{X}}}_1)& ...& D\left({\widehat{\stackrel{\‾}{X}}}_{h-1}\right)\end{array}\right)$

为两矩阵的对应元素的乘积的和。

的估计公式为：

$D\left(\hat{B}\right)=s_e^2{\left(X^{\′}X\right)}^{-1}$

为样本的回归剩余方差，其计算式子为：

$s_e^2=\frac{1}{m-h}\underset{i=1}{\overset{m}{\Σ}}{(y_i-x_i^{\′}B)}^2$

的各元素根据一相样本的样地数据进行估计：

$D\left({\widehat{\stackrel{\‾}{X}}}_i\right)=\frac{1}{n(n-1)}\underset{k=1}{\overset{n}{\Σ}}{(x_{ik}-{\widehat{\stackrel{\‾}{X}}}_i)}^2(i=1,...,h-1)$

$Cov({\widehat{\stackrel{\‾}{X}}}_i,{\widehat{\stackrel{\‾}{X}}}_j)=\frac{1}{n(n-1)}\underset{k=1}{\overset{n}{\Σ}}(x_{ik}-{\widehat{\stackrel{\‾}{X}}}_i)(x_{jk}-{\widehat{\stackrel{\‾}{X}}}_j)(i=1,...,h-1,j=1,...,h-1,i\≠j)$

总体蓄积平均数估计值的误差限为：

${\mathrm{\Δ}}_i=A\·u_{0.05}\·\sqrt{D\left(\widehat{\stackrel{\‾}{Y}}\right)}$

相应的估计精度为：

$p_{ci}=(1-{\mathrm{\Δ}}_i/\widehat{\stackrel{\‾}{Y}})*100\%$

前述估计给出的是总体蓄积的估计问题，再讨论地类分项的蓄积估计：

设为根据年度监测的复查样地计算的各地类平均值向量，则在通常情况下有：

${\stackrel{\‾}{x}}^{\′}a=a_1{\stackrel{\‾}{x}}_1+a_2{\stackrel{\‾}{x}}_2+...+a_L{\stackrel{\‾}{x}}_L\≠\stackrel{\‾}{Y}$

a＝(a₁，a₂，…，a_L)′为估计的各地类面积成数，为总体样地平均蓄积的估计值。一般来说，分项地类的均值面积加权不等于总体样地平均蓄积的估计值。采用以下方法估计地类分项蓄积：

$\stackrel{\‾}{y}=k\stackrel{\‾}{x}={(k{\stackrel{\‾}{x}}_1,k{\stackrel{\‾}{x}}_2,...,k{\stackrel{\‾}{x}}_L)}^{\′}={({\stackrel{\‾}{y}}_1,{\stackrel{\‾}{y}}_2,...,{\stackrel{\‾}{y}}_L)}^{\′}$

$k=\frac{\widehat{\stackrel{\‾}{Y}}}{a_1\stackrel{\‾}{x}+a_2{\stackrel{\‾}{x}}_2+...+a_{L1}{\stackrel{\‾}{x}}_L}=\frac{\widehat{\stackrel{\‾}{Y}}}{\stackrel{\‾}{X}}$

其中：为一般年复位样地的平均数。

第i地类的总蓄积估计为

$M_i={\mathrm{Aa}}_i{\stackrel{\‾}{y}}_i$

$D\left(M_i\right)=A^2\[a_i^{2}D\left({\stackrel{\‾}{y}}_i\right)+{\stackrel{\‾}{y}}_i^{2}D\left(a_i\right)+D\left({\stackrel{\‾}{y}}_i\right)D\left(a_i\right)\]$

若将k近似看成常数，则有

若要将i地类和j地类合并，则合并后均值为：

${\stackrel{\‾}{y}}_{ij}=\frac{a_i{\stackrel{\‾}{y}}_i+a_j{\stackrel{\‾}{y}}_j}{a_i+a_j}$

合并后的总蓄积估计为：

$M_{ij}=A(a_i+a_j){\stackrel{\‾}{y}}_{ij}=A(a_i+a_j)\frac{a_i{\stackrel{\‾}{y}}_i+a_j{\stackrel{\‾}{y}}_j}{a_i+a_j}={\mathrm{Aa}}_i{\stackrel{\‾}{y}}_i+{\mathrm{Aa}}_j{\stackrel{\‾}{y}}_j$

其方差估计为：

$\begin{array}{c}{M}_{ij}=D({\mathrm{Aa}}_i{\stackrel{\‾}{y}}_i+{\mathrm{Aa}}_j{\stackrel{\‾}{y}}_j)=A^2\[D\left(a_i{\stackrel{\‾}{y}}_i\right)+D\left(a_j{\stackrel{\‾}{y}}_j\right)+2Cov(a_i{\stackrel{\‾}{y}}_i,a_j{\stackrel{\‾}{y}}_j)\]\\ =D\left(M_i\right)+D\left(M_i\right)+2A^2{\stackrel{\‾}{y}}_i{\stackrel{\‾}{y}}_{j}Cov(a_i,a_j)\end{array}$

同一地类中，如果分别树种组、林种分项估计蓄积，则可设分成t个类型建模，其估计值为根据一相样本计算的各类型面积比例为p＝(p₁，p₁，…，p_t)′，则

$\widehat{\stackrel{\‾}{Y}}=p^{\′}\widehat{\stackrel{\‾}{y}}$

方差为：

$\begin{array}{c}D\left(\widehat{\stackrel{\‾}{Y}}\right)=p_{1}D\left({\widehat{\stackrel{\‾}{y}}}_1\right)+p_{2}D\left({\widehat{\stackrel{\‾}{y}}}_2\right)+...+p_{t}D\left({\widehat{\stackrel{\‾}{y}}}_t\right)\\ ={({\widehat{\stackrel{\‾}{y}}}_1-{\widehat{\stackrel{\‾}{y}}}_2)}^2{p}_1{p}_2+{({\widehat{\stackrel{\‾}{y}}}_1-{\widehat{\stackrel{\‾}{y}}}_3)}^2{p}_1{p}_3+...+{({\widehat{\stackrel{\‾}{y}}}_1-{\widehat{\stackrel{\‾}{y}}}_t)}^2{p}_1{p}_t\\ =+...+{({\widehat{\stackrel{\‾}{y}}}_{t-1}-{\widehat{\stackrel{\‾}{y}}}_t)}^2{p}_{t-1}{p}_t\end{array}$

(4)小班动态监测结果的抽样控制

以县副总体抽样结果和抽样区间为参照结果，对县级小班动态监测结果进行分析控制；同理，以设区市总体抽样结果和抽样区间为参照结果，对设区市小班监测汇总结果进行分析控制。

若县级或设区市的小班动态监测结果未在抽样控制区间内，则对差异进行检查分析，找出影响监测质量的因素，并根据影响因素对各小班进行修正，直至县级和市级小班监测汇总结果分别在其抽样区间范围以内。若小班监测汇总结果均在市、县两级抽样控制区间内，则统计当年度的森林资源监测成果、绘制专题图、编制监测成果报告，当年监测任务结束。

以杭州市2009年的一般年监测为例，设区市小班监测汇总结果为：林地面积116.91万公顷，森林面积108.45万公顷。活立木总蓄积4349.72万立方米，森林蓄积4224.02万立方米。设区市总体抽样结果和抽样区间为：林地面积中值121.37万公顷，抽样区间(115.79，126.95)万公顷，抽样精度95.4％；森林面积中值109.21万公顷，抽样区间(103.20，115.22)万公顷，抽样精度94.5％。活立木蓄积中值4572.19万立方米，抽样区间(4274.54，4869.84)万立方米，抽样回归精度93.4％；森林蓄积中值4191.70万立方米，抽样区间(3887.38，4496.02)万立方米，抽样回归精度92.7％。可见设区市的主要小班动态监测结果均在抽样控制区间内，符合抽样控制要求。

县副总体以2009年淳安县监测为例，淳安县小班动态监测结果为：林地面积35.81万公顷，森林面积33.19万公顷。活立木总蓄积1529.32万立方米，森林蓄积1512.69万立方米。总体抽样结果和抽样区间为：林地面积中值36.01万公顷，抽样区间(33.49，38.53)万公顷，抽样精度93.0％；森林面积中值32.11万公顷，抽样区间(29.25，34.97)万公顷，抽样精度91.1％。活立木蓄积中值1665.29万立方米，抽样区间(1513.75，1816.83)万立方米，抽样回归精度90.9％；森林蓄积中值1562.88万立方米，抽样区间(1406.59，1719.17)万立方米，抽样回归精度90.0％。可见淳安县的主要小班动态监测结果均在抽样控制区间内，符合抽样控制要求。

Claims (8)

1.设区市森林资源市县联动年度监测工艺，所述设区市包括若干县副总体，

所述监测工艺包括以下步骤：

步骤(1)：基于每个县副总体前一年的小班数据，更新获得该县副总体当年的小班数据，基础年的小班数据由森林资源二类调查获得；

步骤(2)：汇总所有县副总体当年的小班数据，得到全市当年的小班数据；

步骤(3)：对每个县副总体和全市森林资源进行抽样控制，计算得到抽样控制精度和抽样控制区间；

步骤(4)：如全市和每个县副总体的小班数据均在各自的抽样控制区间内，则统计当年的森林资源监测成果、绘制专题图和编制监测成果报告，否则，对相应的小班数据进行修正。

2.如权利要求1所述的森林资源市县联动年度监测工艺，其特征在于，步骤(1)中，小班分为突变小班和渐变小班，突变小班数据通过档案台帐、野外补充调查和复位调查更新，渐变小班数据通过测树因子模型更新。

3.如权利要求2的森林资源市县联动年度监测工艺，其特征在于，所述测树因子模型包括：胸径模型、树高模型和生长率模型。

4.如权利要求2的森林资源市县联动年度监测工艺，其特征在于，所述测树因子模型的建模样本为当年抽样控制的调查样地。

5.如权利要求1的森林资源市县联动年度监测工艺，其特征在于，步骤(3)中，抽样控制采用固定样地复位调查方法。

6.如权利要求5森林资源市县联动年度监测工艺，其特征在于，抽样控制为5年一个周期，基础年调查全部样地，以后4年调查基础年样地数量的三分之一。

7.如权利要求6森林资源市县联动年度监测工艺，其特征在于，相邻年份抽样方案不相同。

8.如权利要求1林资源市县联动年度监测工艺，其特征在于，步骤(3)中，所述抽样控制包括地类面积控制和树木蓄积量控制。