半干旱地区的荒漠化预测：利用深度学习探究土地退化动态的可观测性极限

arXiv:2610.13406v1 公告类型：cross 摘要：相比于对荒漠化进行制图，荒漠化预测受到的关注要少得多。我们在巴西半干旱的 Ceará 州开展研究，在约 2.2 km 分辨率的 256x206 网格上，使用 2000—2023 年的十个年度地球观测（EO）变量训练卷积 LSTM（ConvLSTM），以衡量卫星数据能够预测由 MapBiomas 派生的退化指数（IDV）年际演变的程度。该网络在最近观测状态的基础上预测有界变化，分两个阶段进行训练（先进行单步训练，再进行递归滚动预测），并在连续的空间与时间留出集上进行评估。2000 年至 2023 年间，全州平均 IDV 从 0.238 升至 0.350，年均增幅约为 0.005；但像元级变化主要由年际跳变主导，即使将所有通道输入梯度提升模型，也只能解释其 4.7% 的方差。在这一上限的背景下，ConvLSTM 在留出的南部带状区域中，相较于持久性基线，将提前一年预测的 RMSE 降低了 1.6%，将提前四年预测的 RMSE 降低了 4.4%（p < 0.001）；它优于带恒定漂移的持久性基线，并重现了区域漂移的 53%—69%。考虑漂移的基线模型从第三年起才有所帮助，在六年预测时最多可将 RMSE 降低 4.4%。一种较早的模型形式每年重新绘制整个场，其预测的变化与观测变化无关（相关系数为 -0.06），递归运行时还产生了虚假的下降趋势。通道消融结果表明，高程和 EVI 会使预测性能下降，而坡度和坡向没有可测量的影响。蒙特卡洛 dropout 和随机情景图呈现了期望值预测所掩盖的不确定性。在气候学强迫下，平均 IDV 将从 2023 年的 0.350 上升至 2030 年的 0.370。因此，基于 EO 的荒漠化预测对于区域趋势是可靠的，但对于单个像元并不可靠。