基于时序深度学习提升全球土地覆盖组分动态监测精度研究

本研究针对传统离散土地覆盖分类在异质和过渡区域表达不足、时序不一致等问题，创新性地引入长短期记忆网络（LSTM）及其后处理模型（PostLSTM），结合随机森林（RF）和马尔可夫链模型，利用Landsat-8数据构建年度和密集（16天）时间序列，在全球样本点上实现了多类别土地覆盖组分回归与后处理，显著提升了时间序列一致性和变化检测能力，为高精度全球土地覆盖动态监测提供了新范式。

　　

随着气候变化和人类活动加剧，全球土地覆盖变化监测变得愈发重要。传统土地覆盖产品通常采用离散分类方式，将每个像素划分为单一类别，这种方法虽然简单易用，但难以准确表达异质性和过渡区域（如城乡交错带、植被渐变区），且容易在尺度扩展中引入误差。为此，研究者提出以土地覆盖组分（即各类别在像元中的比例）替代离散分类，从而更精确地刻画空间分布和时间变化，尤其有利于检测如荒漠化、土地退化等渐进式变化。然而，现有方法存在时序不一致或过度简化变化动态的问题，且尚未充分探索时序深度学习在高密度时间序列建模中的潜力。

为此，一项发表于《International Journal of Applied Earth Observation and Geoinformation》的研究，系统对比了长短期记忆网络（LSTM）、后处理LSTM（PostLSTM）与基线模型随机森林（RF）和马尔可夫链模型，在全球多类别土地覆盖组分回归与后处理中的性能。研究利用Landsat-8数据，生产了100米空间分辨率的年度和16天时间步长的组分时间序列，并基于全球分布的样本点进行模型训练与验证。

研究采用了几项关键技术方法：首先，基于Google Earth Engine获取2013–2021年间Landsat-8 L2 Tier 1数据，提取波段1–7地表反射率及植被指数（NDVI、NDMI、NBR）；其次，针对年度和密集时间序列分别构建模型输入，年度模型采用3年滑动窗口提取光谱特征中值、四分位距等，密集模型直接使用16天反射率序列；第三，使用PyTorch搭建双向LSTM（Bi-LSTM）网络，包含输入门、遗忘门、输出门，以tanh激活函数和softmax输出处理时间依赖关系；第四，采用随机森林回归作为对比基线，使用R语言ranger包训练分位数回归森林以处理零值膨胀问题；第五，后处理阶段，PostLSTM接收RF预测结果作为输入进行训练与推理，马尔可夫链模型则通过能量最小化约束时间序列平滑性。

研究结果显示：

• •
  3.1 年度精度：所有模型整体精度（OA）在64%–67%之间，其中PostLSTM模型表现最佳（OA >67%），尤其在变化样本点上，LSTM模型时间序列更稳定，而RF模型波动较大。
• •
  3.2 空间变异：模型在热带和寒带气候区（如中非、加拿大、俄罗斯）表现较好，而在大陆性、温带和干旱气候区（如美国、哈萨克斯坦、西欧、中国和澳大利亚）误差较高。
• •
  3.3 类别精度：LSTM在组分≥1%的类别上误差低于RF，但RF更擅长处理零值膨胀（71%的验证记录为0%组分）；后处理模型显著提升草地、裸地和水体类的预测精度。
• •
  3.4 时间序列对比：RF模型时间序列波动大（年均差异12%–19%），而PostLSTM和马尔可夫链后处理有效平滑了序列，但马尔可夫链过度抑制了真实变化，PostLSTM则更好保留变化动态。密集模型虽未显著提升年度OA，但能提供有价值的年内变化信息，如洪水淹没、植被物候等。

研究结论表明，LSTM在处理≥1%组分类别时优于RF，但受零值膨胀限制整体未超越RF；后处理中PostLSTM凭借其对Landsat时间序列的双向记忆能力，优于马尔可夫链，能在平滑波动的同时更好保留变化。密集时间序列建模虽计算成本高，但能捕捉季节性、突发变化等细节，支持灾害响应、退化监测等应用。该研究证明了时序深度学习在提升土地覆盖组分映射一致性、变化检测能力方面的潜力，为融合多源遥感数据、深化时空深度学习模型提供了重要方向。