基于长短期记忆网络的未来林业与土地利用预测框架FOLU-Net：多时相高光谱影像分析在热带森林覆盖演变中的应用

本研究针对热带森林覆盖动态预测的难题，创新性地开发了FOLU-Net框架，通过长短期记忆网络（LSTM）预测多时相高光谱影像（DESIS）反射率，结合深度神经网络（DNN）实现未来土地利用分类（准确率73.0%）。该研究突破了传统马尔可夫链需逐时步分类的局限，为气候变化背景下森林资源管理提供了高精度（R2=83.0%）的决策支持工具。

　　

在全球气候变化与土地利用转型的双重压力下，热带森林的快速消长已成为影响碳循环和生物多样性的关键因素。传统遥感监测多局限于静态分类，难以预测未来植被动态，而马尔可夫链等方法因逐时步分类误差累积导致预测失真。更棘手的是，种植园与自然森林光谱特征相似、卫星分辨率不足（如油棕种植园仅0.5-5公顷），使得热带地区土地利用演变研究长期面临"看得见当下、看不清未来"的困境。

针对这一挑战，研究人员开发了名为FOLU-Net的创新框架。该研究首次将长短期记忆网络（LSTM）与深度神经网络（DNN）结合，构建了"先预测光谱-后分类土地"的双阶段模型。研究团队选取印度安得拉邦西戈达瓦里区为试验区，利用国际空间站搭载的DLR地球传感成像光谱仪（DESIS）获取的235波段高光谱数据（400-1000nm，分辨率30m），通过5个季节差异明显的无云影像（2019年5月至2021年2月）建立时间序列。1070个训练点被人工划分为四类：人工林、棕榈种植园、天然林和非林地。

关键技术方法包括：（1）LSTM网络预测未来反射率（4个时间步输入，Adam优化器，tanh/sigmoid激活函数）；（2）DNN分类器（5折交叉验证，ReLU/softmax激活）；（3）特征重要性分析筛选关键光谱波段。与随机森林（60.9%准确率）相比，DNN将分类精度提升至73.0%，LSTM反射率预测R²达83.0%。

研究结果显示：

1. 方法验证：LSTM在预测未来反射率时展现出强大时序建模能力，即使训练数据存在不规则间隔（如缺少季风季节数据），仍保持83.0%的R²系数。图8显示预测与实测光谱曲线高度吻合。
2. 波段分析：近红外"红边"区域（655.2nm等）成为区分森林类型的关键波段（图10），使用全波段比仅用前25个波段精度提高13.9%。
3. 土地利用演变：预测显示2021年2月棕榈种植园比例显著增加（图12），与印度棕榈油需求增长趋势一致，而天然林变化受类别不平衡影响较大。

讨论指出，FOLU-Net的创新性体现在三方面：首先，通过将误差最大的土地分类步骤置于流程末端，避免了传统方法误差累积的问题；其次，首次实现种植园类型的时序区分（如油棕与人工林）；再者，模型对不规则时间间隔的适应性使其在数据缺失地区更具实用价值。该框架为制定预防性林业政策（如限制高碳排放的棕榈园扩张）提供了科学依据，未来可通过引入合成孔径雷达（SAR）数据增强地形信息建模。

这项发表于《Ecological Modelling》的研究，不仅建立了首个基于LSTM的热带森林动态预测框架，更开创了"光谱演化优先"的时序分析范式。随着NASA地表生物学使命等项目的推进，FOLU-Net有望成为全球森林资源管理的标准工具，为平衡生态保护与经济发展提供精准的决策支持。