《International Journal of Applied Earth Observation and Geoinformation》：Integrating spatiotemporal prior knowledge from co-segmented time-series into factor-driven modeling for forest insect damage warning
编辑推荐：
将共分割时序中的时空先验知识集成到因子驱动模型中用于森林虫害预警
• 一种混合方法将时空先验与因子驱动的森林虫害（FID）建模相结合。
• 多指数共分割确保了跨指数的时序参考一致性。
• 基于历史聚类的空间先验降低了健康森林的误报率。
• 面积控制使预测的F
将共分割时序中的时空先验知识集成到因子驱动模型中用于森林虫害预警
• 一种混合方法将时空先验与因子驱动的森林虫害（FID）建模相结合。
• 多指数共分割确保了跨指数的时序参考一致性。
• 基于历史聚类的空间先验降低了健康森林的误报率。
• 面积控制使预测的FID面积与历史趋势保持一致，减少了误报。
• 时空先验弥补了驱动因子分辨率粗糙和样本稀缺的不足。
1. 引言
卫星遥感以其广泛的覆盖范围和周期性重访能力（Shen等，2018；Yang等，2013），已成为区域尺度森林虫害（FID）时空监测与识别的有效手段（Yang等，2013）。然而，开发可靠的FID早期预警系统仍然是一个持续的挑战（Zhang等，2013；Cooke等，2021）。侵染初期的微弱光谱信号以及图像获取的时间滞后，使得及时探测初期暴发变得困难（Raffa等，2009；Abdullah等，2019；Li等，2021）。此外，因子驱动预测模型的精度有限，进一步削弱了早期预警的可靠性（Wu和Chen，2004；Millar和Stephenson，2015）。本研究在朝阳市开发并评估了一个城市尺度的FID预警框架，该框架将时空先验知识与因子驱动的机器学习相结合。
准确的预警依赖于对过去FID事件的可靠时空监测（Bárta等，2022）。中等分辨率卫星时间序列数据已成为区域尺度FID监测的核心方法（Senf等，2015；Wang等，2024），因为森林在受到昆虫干扰后会表现出特征性的光谱响应（Olsson等，2012；Mu?oz等，2020）。当前主流方法分为三类（Shen等，2018；Tang等，2023）：光谱指数阈值法（如VCT（Huang等，2010））、时间轨迹分割法（如LandTrendr（Kennedy等，2010）；CCDC（Zhu等，2012））以及多源数据融合法（Cardille等，2022；Mullissa等，2023）。尽管取得了这些进展，使用中等分辨率卫星数据进行区域尺度FID监测仍面临三个关键挑战：（1）早期或轻度侵染期间光谱信号微弱，容易被自然变异性所掩盖（Senf等，2015）；（2）不同植被指数之间的时间分割不一致，导致多指数特征提取不可靠（Hermosilla等，2015）；（3）与火灾、采伐等其他干扰类型存在光谱混淆，因为它们具有相似的冠层破坏模式（Meigs等，2015；Chávez等，2019）。解决这些局限性是构建准确FID预警系统的先决条件（Bao等，2024）。
FID预警旨在通过分析环境驱动因素和历史模式来预测未来的暴发风险，从而在重大损害发生前实现早期干预（Moreno-Fernández等，2021；Dong和Fang，2024）。区域尺度的卫星预警方法分为两类（Jones等，2015；Bárta等，2021；He等，2024）：早期探测预警和基于驱动因子的预测预警。早期探测预警旨在利用高时空分辨率数据识别初始侵染阶段的微弱光谱信号（Bárta等，2021；Huo等，2021）。然而，其业务化部署面临数据处理延迟和模型泛化能力有限等挑战（Luo等，2023）。基于驱动因子的预测预警建立统计或机器学习模型，将暴发与气候、地形、寄主分布和人类活动联系起来，以预测空间风险格局（Cooke和Carroll，2017；Matta等，2025）。基于驱动因子的预警模型的准确性面临三个关键限制：驱动因子分辨率粗糙、环境因素空间变异性低以及样本量有限（Zhan等，2023；Wang等，2024）。具体而言，许多驱动因素（如温度和降水）在研究区域内变化很小，使得建立这些因素与FID发生之间的可靠关系变得困难（Seidl等，2015；Senf等，2017）。此外，有效的政府控制措施减少了FID暴发的规模和频率，导致机器学习模型的训练样本稀缺（Sun等，2013；Senf等，2017；Guo，2019）。因此，克服这些数据限制——驱动因子变异性有限和FID样本稀缺——是提高因子驱动预警准确性的关键。
本研究提出了一种将时空动态与因子驱动机器学习相结合的FID预警框架。首先，通过增强卫星光谱特征的时间序列分析，提高FID时空监测的准确性。在监测结果的基础上，将两类时空先验知识——地理约束（潜在FID范围）和面积控制（受灾面积预测）——纳入基于随机森林的因子驱动模型中。这种混合设计部分缓解了与驱动数据空间变异性有限和FID样本稀缺相关的预测误差。
本研究的主要贡献在于：
（1）建立了一个将历史先验知识融入因子驱动模型的混合预警框架，从而减少了与环境驱动因子空间变异性和分辨率有限相关的一些预测误差；
（2）开发了一种多指数共分割时间序列方法，用于提取微弱的FID信号；
（3）利用历史时间序列影像监测FID，并自适应地模拟研究区FID发生的时空格局。
**论文解读：耦合时空先验知识的因子驱动森林虫害预警模型研究**
**1. 研究背景与问题**
森林虫害是威胁森林生态系统健康与稳定的重要干扰因素，其暴发具有突发性和扩散性，对区域林业经济和生态安全构成严重威胁。卫星遥感技术凭借其宏观、快速、可重复观测的优势，已成为区域尺度森林虫害（Forest Insect Damage, FID）监测与预警的重要手段。然而，当前FID预警研究仍面临诸多挑战。在监测层面，早期或轻度虫害的光谱信号微弱，易与自然变异性混淆，导致难以被及时、准确地探测；不同植被指数对虫害的响应存在差异，独立分割时间序列会产生不一致的时间断点，影响多指数特征提取的可靠性；同时，虫害造成的冠层损害与火灾、采伐等干扰类型在光谱上存在混淆。在预警层面，基于驱动因子的预测模型（如气候、地形、人类活动等）精度受限于驱动因子分辨率粗糙、空间变异性低以及历史虫害样本稀缺等问题。这些数据层面的局限性使得构建高精度的、可业务化运行的FID预警系统成为一项持久性挑战。因此，本研究旨在探索如何有效整合历史时空监测信息，以弥补因子驱动模型在上述数据与机理层面的不足，提升森林虫害预警的准确性。
**2. 研究内容与结论**
针对上述问题，研究人员在中国辽宁省朝阳市（一个以油松毛虫和红脂大小蠹为主要害虫的针阔混交林区域）开展了一项城市尺度的FID预警框架研究。该研究提出了一种耦合时空先验知识与因子驱动机器学习的混合预警方法。研究首先改进了LandTrendr时间序列分割算法，并提出了一种多指数共分割方法，确保不同植被指数在分割时具有一致的时序参考，从而更有效地提取微弱的虫害干扰信号。基于此，研究人员利用随机森林（Random Forest, RF）分类器成功绘制了2014年至2023年研究区的FID时空分布图。
在准确的监测结果基础上，研究人员进一步提取了两类时空先验知识：一是基于历史虫害空间聚类模式（通过Moran's I和Getis-Ord General G统计量确认）生成的地理约束，用以划定潜在风险范围；二是基于历史受灾面积时间序列（表现为约3年的周期性）建立的SARIMA时间序列模型，用以预测受灾面积区间。这两类先验被作为约束条件，逐步集成到基于随机森林的因子驱动预警模型中，形成了三个对比情景（A：仅因子驱动；B：添加地理约束；C：进一步添加面积控制）。研究结果表明，在2023年主实验中，加入地理约束有效抑制了健康森林被误报为虫害的大面积错分现象；而进一步加入面积控制后，预测的虫害总面积从47.12平方公里降至9.38平方公里，与同年监测得到的8.18平方公里高度吻合。在独立验证点上的总体精度也从情景A的67.6%提升至情景C的69.1%，其中健康森林类别的召回率从0.83显著提升至0.97。该研究证明了将时空先验知识融入因子驱动模型，能够有效补偿驱动因子数据分辨率和样本数量的不足，显著提升森林虫害预警的可靠性与实用性。该论文发表于《International Journal of Applied Earth Observation and Geoinformation》。
**3. 关键技术方法概述**
为开展此项研究，研究人员主要采用了以下关键技术方法：首先，基于谷歌地球引擎（Google Earth Engine, GEE）平台获取并预处理了2013-2023年的Landsat 8 Collection 2地表反射率数据，并合成了年度影像。其次，对LandTrendr算法进行了参数优化，并开发了以归一化燃烧指数（Normalized Burn Ratio, NBR）为基准的多指数共分割方法，以提取时间对齐的虫害干扰特征。再次，利用随机森林分类器结合多源参考数据（包括野外实地调查、Sentinel-2、高分系列影像及Google Earth Pro历史影像）进行虫害制图。最后，构建了结合地理约束（基于核密度估计）和面积控制（基于SARIMA模型）的混合预警框架，并与XGBoost、SVM等算法进行了对比。
**4. 研究结果**
**4.1 FID监测结果**
- **干扰探测与分类精度**：通过对比不同植被指数，NBR指数在干扰探测中取得了最高的总体精度（89.3%）。基于此建立的森林干扰分类模型总体精度达到86.6%，其中采伐的分类精度最高，虫害和健康森林的分类效果也较好。
- **不同干扰的谱时变化**：火灾和采伐引起的光谱变化比虫害更为显著。不同植被指数对不同干扰类型表现出不同的敏感性，例如NBR和归一化差异水分指数（Normalized Difference Moisture Index, NDMI）能较好地区分火灾和虫害，而增强型植被指数（Enhanced Vegetation Index, EVI）和归一化植被指数（Normalized Difference Vegetation Index, NDVI）对采伐的区分度更高。
- **FID时空监测**：监测结果在时间、空间、类别和强度维度上均表现出较高精度，成功识别出多个未参与训练样本的独立虫害事件。
- **FID时空格局**：研究区FID暴发呈现出约3年的周期性，且具有显著的空间聚集性，主要集中于研究区西部的建平县和凌源市。
**4.2 FID预警结果**
- **时空先验知识建模**：基于局部空间聚类统计，确认了FID暴发源于历史热点并以有限距离扩散的模式。SARIMA(1,0,2)×(2,0,8,3)模型成功捕捉了虫害面积的三年周期性，并用于预测2023年的受灾面积区间。
- **混合预警精度评估**：在三种机器学习算法（RF、XGBoost、SVM）中，随机森林（RF）表现最优。在三个情景对比中，同时加入地理约束和面积控制的情景C取得了最高的总体精度（OA=0.691），并显著降低了健康森林的误报。
- **最终预警输出**：对比2023年预警图与监测结果，混合模型（情景C）的预警空间分布与实际情况最为吻合，有效修正了因子驱动模型在部分区域的高估和误判问题。
**5. 讨论与结论**
讨论部分指出，共分割方法通过确保多指数时间参考的一致性，显著提升了虫害监测的准确性，消融实验证实了其相对单指数和独立分割方法的优势。因子驱动模型的空间迁移性实验表明，由于驱动因子分辨率粗糙且空间变异性低，纯因子驱动模型难以实现跨空间事件的准确预测，这从量化角度证实了集成时空先验知识的必要性。时间序列建模实验表明，SARIMA模型能为预警提供有用的面积先验，但预测精度受限于历史记录长度。多年度回测实验显示，时空先验约束在多数年份能有效减少面积高估，但在历史数据不足或暴发模式改变时，可能导致对像素级精度的过度校正。
研究结论总结如下：本研究成功开发了一种集成时空先验知识与因子驱动机器学习的混合森林虫害预警方法。在监测方面，通过改进LandTrendr算法和提出多指数共分割方法，实现了对微弱虫害信号的高精度探测和分类。在预警方面，将基于历史数据提取的地理约束和面积先验融入随机森林模型，有效克服了驱动因子分辨率和样本数量的限制，显著减少了虫害面积的过度预测并提高了预警精度。该研究证实，时空先验知识能够为因子驱动模型提供经验性的约束，从而提升森林虫害预警系统的整体性能。研究同时指出，该框架的验证仅限于朝阳市，未来需在其他区域进行迁移和参数校准，并考虑对害虫类型进行区分以进一步提升模型的适用性。
