基于分阶段CNN-LSTM-BP框架的矿区生态质量评估与一步超前预测

《Scientific Reports》：Mine ecological assessment and prediction based on RSEI and a multi-neural-network framework

　　

摘要

遥感生态指数（RSEI）通过整合绿度、湿度、干度和热度来表征生态质量。然而，由于RSEI是基于目标日期的观测数据计算的，具有回顾性特征：它只能在生态变化发生后识别该变化，本身无法预测下一时期的情况。此外，通过主成分分析对RSEI进行线性构建，未能显式捕获生态指标与外部环境驱动因素之间的非线性时间交互关系。为克服上述局限性，本研究开发了一个分阶段卷积神经网络-长短期记忆网络-反向传播神经网络（CLB）框架，用于中国山西省旺坡矿区的生态评估与一步超前预测。该框架赋予三个网络互补的角色：CNN从多变量时间序列中提取特征，LSTM建模时间依赖性并预测目标时期的变量，BP将预测的遥感指标与气候、地形和空间变量进行融合，以一步超前估计目标时期的RSEI。研究采用2015年至2020年的Landsat-8影像量化生态变化；2015年至2019年的数据用于模型开发，2020年数据留作测试。结果显示，平均RSEI增长了12.1%，从0.6136提升至0.6879，同时优质区域面积扩大，劣质区域面积收缩。对于保留的2020年数据，预测的RSEI等级与基于Landsat-8影像计算的等级一致，各等级精度为87.3%至94.1%。通过耦合特征提取、时间预测和非线性多变量融合，CLB框架可为矿区一步超前生态质量预测提供方法学参考。