有效的短期预测策略，用于改进受威胁生态系统中的土地利用变化（LULC）预测

《Journal of Geophysical Research: Biogeosciences》：Effective Short-Term Forecasting Strategies to Improve LULC Projections in Threatened Ecosystems

近年来，时间序列模型（如ARIMA和TIGLV）在拉普拉塔草原土地利用/覆盖变化预测中表现出优于传统马尔可夫链方法的优势，特别是在高动态变化区域。摘要：研究通过对比ARIMA和TIGLV模型，利用Mapbiomas项目提供的2000-2019年拉普拉塔草原年度LULC数据，验证了基于时间序列的模型在预测5年周期LULC变化中的有效性。结果显示，TIGLV在乌拉圭C-24和H-9区域表现更优，平均MAPE为8.3%-14.7%，优于ARIMA的10.5%-18.2%和马尔可夫链的15.6%-22.4%。研究强调长期历史数据对提升预测精度的重要性，并指出该方法适用于快速变化生态区的短期预测。

　　
近年来，随着遥感影像分类技术的快速发展，对土地利用/覆盖变化（LULC）的监测能力显著提升。这些技术不仅帮助人类更清晰地理解LULC对生态系统和陆地养分循环的影响，还为预测未来变化提供了重要数据支持。然而，LULC预测仍面临诸多挑战，例如社会经济驱动因素与生物地球化学过程的复杂关联，以及不同模型在区域和全球尺度上的预测结果差异显著。为了解决这些问题，研究团队在拉普拉塔草原（Río de la Plata Grasslands）这一南美洲濒危生态系统内，对两种基于时间序列分析的模型——洛塔维-沃尔泰拉生态启发型模型（TIGLV）和自回归整合移动平均模型（ARIMA）——进行了系统评估，并与传统的马尔可夫链模型进行了对比。

拉普拉塔草原是南美洲重要的生态区域，覆盖阿根廷东部、巴西南部和乌拉圭。研究选取了四个区域进行对比：整个拉普拉塔草原、乌拉圭全境，以及乌拉圭的两个次级区域（C-24和H-9）。这些区域的选择基于其不同的土地利用压力，例如C-24区域以农业扩张为主，H-9则以外来树种种植为特征。研究使用Mapbiomas Trinational Pampa项目提供的1985年至2022年的年度LULC地图，通过机器学习算法处理遥感影像，生成高精度分类结果。

研究重点在于评估时间序列模型在短周期（5年）内的预测能力。传统方法如马尔可夫链模型依赖空间信息，需将区域划分为小网格进行动态分析，计算量较大且无法捕捉长期趋势。而TIGLV和ARIMA模型仅需时间序列数据，能够更高效地处理区域尺度变化。TIGLV模型借鉴了生态学中的竞争相互作用理论，通过分析历史数据中的年际变化规律，模拟不同土地利用类型之间的动态平衡。ARIMA模型则基于统计学原理，通过调整时间序列的滞后项、差分阶数和移动平均窗口，捕捉数据的周期性和趋势性。

在实验设计上，研究团队构建了六种不同的验证/训练组合，覆盖2010-2019年。对于每个组合，模型需预测未来五年LULC变化，并通过均方根误差（MAPE）评估准确性。结果显示，TIGLV和ARIMA模型在多数情况下优于马尔可夫链。特别是在动态变化显著的C-24和H-9区域，TIGLV的预测误差仅为马尔可夫链的一半，而ARIMA在乌拉圭全境和拉普拉塔草原整体表现更优。例如，在H-9区域，马尔可夫链的预测误差高达35%，而TIGLV和ARIMA分别降至15%和20%以下。

模型性能的差异与区域特征密切相关。拉普拉塔草原整体呈现稳定的下降趋势，即天然草场被农作物和外来林取代，这与2000-2012年全球粮食价格波动引发的农业扩张密切相关。在此期间，马尔可夫链因不考虑历史趋势而表现较差，而TIGLV通过分析年际变化中的竞争关系（如草场与农作物、森林的此消彼长），有效捕捉了动态变化。ARIMA模型则在数据平稳性较强的区域（如乌拉圭全境）表现更佳，因其擅长处理具有稳定周期性的时间序列。

不确定性分析表明，两种时间序列模型的预测误差随训练周期延长呈现不同趋势。在C-24和H-9区域，随着训练数据量的增加，模型的不确定性（误差四分位距）逐渐降低，表明历史数据对预测精度的提升作用显著。而拉普拉塔草原整体和乌拉圭全境的预测误差则趋于稳定，这可能是因为这些区域的LULC变化已趋于平缓，模型难以从新数据中提取更多信息。此外，预测误差随预测期延长而增加，这符合时间序列预测的基本规律，即长期预测的不确定性累积。

研究进一步揭示了模型在不同尺度下的适用性。马尔可夫链模型因依赖空间划分（如6.24公顷的网格）而难以处理小尺度快速变化区域，例如H-9区域频繁的湿地面积波动（2003-2007年间误差显著增大）。相比之下，TIGLV和ARIMA模型仅依赖时间序列数据，更适合动态变化频繁的区域。在C-24区域，TIGLV模型通过量化不同土地利用类型间的竞争系数（如草场与农作物、森林的相互作用），成功降低了预测误差。而ARIMA模型通过AIC和BIC准则优化参数（如滞后项p、差分阶数d、移动平均项q），在乌拉圭全境的预测中表现更优。

该研究为LULC建模提供了重要启示：首先，长期连续的年度数据是提升预测精度的关键，尤其是在快速变化的区域；其次，不同模型适用于不同场景——TIGLV擅长捕捉竞争性动态，而ARIMA在数据平稳性较强的区域更具优势。这些发现为模型选择提供了科学依据，例如在农业扩张迅速的C-24区域优先采用TIGLV模型，而在生态格局稳定的拉普拉塔草原整体区域则适合ARIMA模型。

此外，研究指出数据质量对模型性能的影响。Mapbiomas 3.0数据集在湿地分类上存在误差（如2003-2007年数据），这可能导致模型预测偏差。因此，未来研究需结合多源遥感数据（如Sentinel-1/2）进行交叉验证，并改进分类算法以减少光谱混淆问题。

在方法论层面，研究创新性地将生态动力学模型（TIGLV）与经典统计学模型（ARIMA）结合，形成互补框架。TIGLV通过模拟竞争关系（如农作物与天然草场的资源争夺），赋予模型生态学解释力；而ARIMA通过统计拟合捕捉时间序列中的非线性模式。两者的优势在于：TIGLV无需空间分辨率即可建模竞争机制，而ARIMA在数据量充足时能自动识别最优参数组合。这种多方法对比为模型评估提供了标准化流程，有助于未来跨模型的比较研究。

最后，研究强调了数据长期性和空间连续性的重要性。拉普拉塔草原的案例表明，至少20年的连续观测数据（如Mapbiomas项目提供的1985-2022年数据）对训练模型、识别趋势和预测未来变化至关重要。对于政策制定者，这些结果提示应优先在数据基础薄弱但变化剧烈的区域（如H-9）加强遥感监测，以支持精准的土地管理决策。同时，研究提出将时间序列模型与生态系统模型（如碳循环模型）耦合，为量化LULC变化对地球系统的综合影响提供工具支持。