人工智能驱动的土地利用变化下森林动态与生态系统服务评估：当前进展与未来展望

《Frontiers in Forests and Global Change》：AI-driven assessment of forest dynamics and ecosystem services in response to land use change: current progress and future perspectives

　　

森林覆盖全球陆地表面约31%，提供包括碳封存、水文调节和生物多样性支持在内的关键生态系统服务，然而持续的毁林和破碎化正逐步削弱这些服务。人工智能（AI）、多源遥感与云计算的融合为监测森林动态和量化生态系统服务对土地利用变化的响应提供了前所未有的机遇，但现有文献仍呈碎片化状态，缺乏从土地利用驱动因素经森林响应到生态系统服务结果的因果链条的综合分析。本综述通过一个原创的四层框架弥补了这一空白，涵盖监测、评估、预测与优化，阐明了AI与地理空间技术在每一阶段的表现以及某一层的输出如何输入到下一层。研究人员检索了Web of Science、Scopus和Google Scholar中2016年至2026年间发表的研究；依据明确的资格标准进行筛选并经过正式质量评估，确认了27项直接报告量化AI/机器学习性能指标的核心研究，另以70篇背景参考文献作为补充。在监测层，诸如U-Net等深度学习架构在森林变化检测中取得了0.75–0.77的F₁-分数，其对传统分类器的优势是有条件的而非绝对的，随标签质量、光谱可用性和地理迁移而变化。在评估层，AI通过多源融合推进了碳储量估算；在物种分布建模中，卷积神经网络大幅优于最大熵模型，即使在更严格的空间交叉验证下，这一优势依然存在甚至扩大，尽管两种方法的绝对精度均有所下降；AI还与基于过程的模型耦合实现了水文服务量化。在预测层，机器学习增强的土地利用模拟已达到超过0.93的精度，而强化学习显示出联合优化生态系统服务与经济目标的潜力，但尚处于概念验证阶段。持续的挑战包括可解释性有限、不确定性量化几乎缺失、跨域可迁移性薄弱以及AI-过程模型集成基本上是顺序式的，这对政策应用产生了直接影响：旨在为碳排放交易、保护规划或土地利用政策提供信息的AI衍生碳储量地图和生态系统服务评估，目前缺乏此类应用所需的量化不确定性和跨区域验证。研究人员提出了一个分阶段的研究议程，涵盖近期的方法整合、中期的基础模型适配和长期的具有公平全球覆盖的集成森林数字孪生，为将AI和地理空间技术转化为基于证据的森林生态系统管理提供了路线图。

1 引言

森林覆盖全球陆地表面约31%，储存约45%的陆地碳，贡献约一半的陆地净初级生产力，提供碳封存、水文调节和生物多样性支持等关键生态系统服务。然而，1990年以来已有4.2亿公顷森林被清除，2015至2020年间年均毁林约1000万公顷，土地利用变化导致生态系统服务价值年损失达4.3至20.2万亿美元。传统基于野外调查和过程模型（如InVEST）的方法在数据容量、非线性关系和自动化流程方面存在局限。人工智能（AI）、多源遥感与云计算的融合为突破这些瓶颈提供了机遇，但现有文献碎片化，缺乏沿“土地利用驱动—森林响应—生态系统服务结果”因果链条的系统综合。本综述提出一个包含监测、评估、预测与优化的四层框架，以梳理AI与地理空间技术在每个环节的性能及层级间数据流，并识别研究空白与未来方向。

2 材料与方法

研究人员在Web of Science、Scopus和Google Scholar中检索2016至2026年间发表的文献，使用结合AI方法、森林生态系统、生态系统服务/土地利用变化三组概念的布尔检索式。纳入核心证据样本的标准包括：英文发表、时间在窗口内、以原始实证方式应用AI/机器学习方法、研究对象与森林监测或服务相关，且直接报告至少一项量化性能指标（如总体精度OA、F₁-分数、R²、AUC等）。经标题/摘要筛选和全文复核，最终确认27项核心研究，另附70篇背景参考文献。质量评估采用五标准清单（验证策略、样本量、代码/数据可用性、验证范围、不确定性量化），结果显示44.4%的研究采用独立测试集或空间/时空阻塞验证，仅3.7%报告了预测不确定性。

3 多源遥感数据系统

森林动态监测依赖光学、雷达和激光雷达等多模态遥感平台。光学方面，Landsat提供自1972年以来的30米分辨率连续记录，Sentinel-2以10/20/60米分辨率、5天重访周期和红边波段增强植被监测，MODIS提供每日全球覆盖并生成净初级生产力（NPP）产品。土地覆盖产品如GlobeLand30（总体精度约85.72%）和中国年度土地覆盖数据集（CLCD）为土地利用变化分析提供空间框架。主动遥感方面，GEDI和ICESat-2提供空间激光雷达垂直结构测量，Sentinel-1提供全天候C波段合成孔径雷达（SAR）数据，而新发射的Biomass P波段SAR和NISAR L/S波段SAR旨在改进高生物量森林的结构反演。多源数据融合方法（如STARFM、FSDAF）可结合不同传感器的优势，但在地形复杂区域仍面临挑战。

4 AI方法用于森林生态系统服务评估

在监测层，传统机器学习（ML）分类器（随机森林RF、支持向量机SVM）仍是土地覆盖分类的主力，但在样本充足时，深度学习（DL）架构（如U-Net）在森林