基于深度学习的Landsat时间序列时空重建框架：提升山地森林碳储量估算精度

《Remote Sensing Applications: Society and Environment》：A Deep Learning-Based Spatio-Temporal Reconstruction Framework for Landsat Time Series: Improving Mountain Forest Carbon Stock Estimation Accuracy

　　

摘要
在高原山区，林地上方碳储量（ACS）的准确估算受到持续云层/积雪覆盖、地形阴影以及非线性植被动态变化的阻碍。传统滤波器基于全局平稳性假设，在这些高度异质的景观中往往导致边界失真和信号损失。本研究提出了一种长短期记忆-时空加权（LSTM-STW）滤波与重建框架，专门用于修正高原遥感时间序列数据中的时间不连续性和抑制噪声。该框架首先利用LSTM网络检测异常时间变化，然后基于预测值与观测值之间的绝对残差，采用融合Savitzky-Golay滤波与时空相关性驱动加权方法的混合策略重建Landsat时间序列（LTS）数据。采用多种定量指标评估了所提出滤波重建框架的性能。利用1987年至2017年全国森林资源清查（NFI）固定样地的随机森林回归（RFR）模型，在不同滤波方法下估算ACS。对比结果表明：（1）LSTM-STW框架实现了卓越的图像重建保真度，平均SSIM达到0.859。（2）与六种经典滤波方法相比，LSTM-STW方法在三种优势树种中均取得了最高的估算精度（R2：0.873–0.926，RMSE：4.303–10.387 t/hm2）。（3）利用RFR模型，估算香格里拉优势树种的总ACS在1987年至2017年间增加了536万吨。本研究为复杂山地环境中长期森林碳循环监测提供了一种鲁棒且可扩展的去噪方案。

引言
森林碳储量是衡量森林碳固持能力的基本指标，其准确估算构成了可持续森林管理的基石（Tao等，2024；Kaapro等，2025；Suarez-Fernandez等，2025；dos Santos等，2025）。得益于其长期连续性、一致的观测几何和开放获取性，Landsat时间序列（LTS）已成为大尺度林地上方碳储量（ACS）估算最重要的数据来源之一（Woodcock等，2008；Wulder等，2016；Zhu等，2025）。与单期影像相比，LTS能够减少由信号饱和和观测条件引起的不确定性（Zhang和Xu，2020）。可靠的长期ACS信息对于区域碳核算、森林资源管理以及生态脆弱山区保护与恢复成效评估尤为重要（Moskovchenko等，2026）。

然而，其实际应用价值受到云层、云影、积雪、大气变化以及传感器相关数据缺口的强烈制约（Zhu，2017）。这些问题在高原山区尤为严重，持续的云-雪污染和地形引起的阴影导致空间聚集的异常和断裂的时间轨迹，从而降低了长期森林碳估算的可靠性（Teng等，2024）。

目前已开发了多种时域、空域和频域方法来改善遥感时间序列的质量（Lu等，2007；Zhao和Zhang，2018；Huang等，2021；Li等，2023；Wang等，2025）。时间滤波器通常施加平滑性或预定义轨迹结构，而空间滤波器则依赖邻近像素的相似性。尽管这些方法可以抑制随机噪声，但当在异质的山地景观中统一应用时，它们可能会去除具有生态意义的时间变化或模糊森林边界。更具自适应性的方法，如最佳坡度时间分割和地形感知时空滤波，利用时间分割或基于地形的均质单元来提高重建性能（Bao等，2021；Huang等，2025）。然而，这些方法仍然依赖预定义的分割规则或地形依赖假设，通常在每个时间段或空间单元内应用固定的重建策略。

最近的数据驱动方法通过学习非线性时间模式进一步改进了卫星时间序列重建。例如，一种自监督Transformer模型被用于重建无缝的协调Landsat-Sentinel-2反射率时间序列（Liu等，2024），而一种连续深度循环神经网络被引入用于重建不规则的历史Landsat观测值（Babadi Ataabadi等，2025）。一种深度学习约束融合方法也将多传感器信息与时间拟合相结合，用于重建持续多云地区的Landsat NDVI轨迹（Qin等，2024）。这些方法展示了深度学习建模复杂时间依赖性和物候变化的能力。然而，很少有现有的数据驱动重建研究明确使用预测值与观测值之间的差异作为观测级别可靠性指标，并根据此指标将观测值分配到不同的重建路径中。此外，主要依赖时间预测的方法可能未能明确利用局部空间相关性，这在复杂山地地形中出现长期污染或大量缺失观测时尤为重要。

为弥补这一缺口，本研究提出了一种基于可靠性引导的检测-重建策略的长短期记忆时空加权框架（LSTM-STW）。该方法论贡献并非来自LSTM、Savitzky-Golay滤波或空间加权的单独使用，而是来自通过观测级别切换机制将它们集成。不是直接使用LSTM输出作为最终重建值，LSTM模型首先学习预期时间轨迹，然后将预测值与观测值之间的绝对残差用作像素级可靠性指标。残差较小的观测值被认为与时间轨迹更加一致，采用短窗时间平滑处理，而残差较大的观测值则通过同时加权空间域和时间域中的邻近观测值进行重建。这种分层路径避免了将所有观测值都施加强重建，旨在平衡噪声抑制与有意义的时间变化和空间细节的保留。

通过将所提出的框架应用于香格里拉——一个具有代表性的高原山地森林区域，该区域以持续云-雪污染、强地形效应和异质森林组成特征——本研究旨在展示基于可靠性的Landsat时间序列重建如何支持复杂山地环境中的长期森林碳监测。具体而言，主要目标为：（1）开发适用于高原地区的时空滤波框架，并通过一系列评估指标验证其可靠性和精度；（2）通过去噪提高LTS数据质量，并评估由此带来的ACS估算精度提升；（3）比较分析不同滤波方法对四种优势树种ACS估算精度的影响；（4）绘制香格里拉优势森林类型多十年尺度ACS动态变化，展示该框架在山林碳监测中的应用价值。通过上述目标，本研究将LTS重建与树种级森林碳估算联系起来，为多云、多雪和地形复杂的山区碳核算和生态系统监测提供了面向应用的框架。

研究区域
香格里拉县是云南省最大的县（11,613 km2），位于青藏高原东南边缘的横断山脉核心区域。该地区是中国西南地区生态重要区域，以极端地形起伏和显著的垂直气候梯度为特征。森林覆盖率为74.99%（Zhou等，2025），优势森林类型——云杉冷杉林、油松林、栎属林和云南松林——形成……

方法
本研究的技术流程图如图3所示。本研究的工作流程由三个集成阶段组成：（1）数据准备，包括多时相Landsat反射率数据预处理和NFI固定样地数据处理，以计算实地ACS；（2）图像滤波，LSTM模型学习时间植被动态以基于预测残差识别异常，随后采用分层重建策略选择性地平滑可靠观测值……

视觉表现与连续性对比分析
首先评估重建图像的视觉保真度，以验证LSTM-STW框架在噪声抑制和细节保留方面的有效性。如图5a所示的多年度快照，原始Landsat影像受到云和积雪干扰的严重影响，尤其在香格里拉的高海拔地形区域。应用LSTM-STW滤波后，整体图像质量得到显著提升，残余噪声得到有效抑制，同时……

讨论
本研究开发的LSTM-STW框架旨在解决复杂山地环境中长期遥感时间序列重建的关键局限性。通过采用检测-分层重建策略，该框架动态评估像素级观测可靠性，实现时间连续性保留与时空异质性恢复之间的协调平衡。该方法有效弥合了……留下的差距。

结论
本研究基于LSTM模型和IDW方法开发了LSTM-STW框架，并使用RMSE、MAE、PSNR和SSIM评估了滤波图像质量的可靠性。采用RFR算法对四种优势树种的ACS进行建模，比较了不同方法滤波后的LTS在优势树种ACS建模精度方面的表现。然后利用最优估算模型进行ACS制图。得出以下结论：
（1）……

CRediT作者贡献声明
廖逸：撰写——审阅与编辑。黄凯：撰写——审阅与编辑，方法论。张嘉龙：撰写——审阅与编辑，可视化，监督，方法论，资金获取，形式分析。鲍睿：撰写——审阅与编辑。徐东凡：撰写——审阅与编辑。熊登亮：监督。滕宸恺：撰写——审阅与编辑，撰写——原稿，可视化，验证，方法论，形式分析。杨坤：撰写——审阅与编辑。孔德国：……

未引用参考文献
Chave等，2005；Chen等，2018；Moskovchenko和Yurtaev，2026。

数据可用性
按需提供。

利益冲突声明
所有作者声明无利益冲突。

涉及人类或动物的研究声明
作者声明本研究不涉及人类参与者、人类数据、人体组织、动物实验或动物组织。因此，不需要伦理审批。
本研究中使用的所有实地样地数据和遥感数据均出于森林地上碳储量估算和长期生态监测目的收集和分析。

资助
本工作得到云南省基础研究项目（编号：202501AS070047）、国家自然科学基金（编号：32260390）、西南林业大学林业创新项目（编号：LXXK-2023Z06）的资助。

利益冲突声明
? 作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

滕宸恺 | 黄凯 | 张嘉龙 | 鲍睿 | 徐东凡 | 廖逸 | 杨坤 | 孔德国 | 熊登亮
中国西南山区森林资源保育与利用教育部重点实验室，西南林业大学，昆明650233，中国