AI-driven assessment of forest dynamics and ecosystem services in response to land use change: current progress and future perspectives

森林覆盖全球约31%的陆地表面，提供碳固存、水文调节和生物多样性维持等关键生态系统服务，但持续的森林砍伐和破碎化正在逐步侵蚀这些服务。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，但相关文献仍较为分散，尚无综合研究追溯从土地利用驱动因素到森林响应再到生态系统服务结果的因果链。本综述通过一个原创的四层框架——监测、评估、预测和优化——来填补这一空白，阐明AI和地理空间技术在各阶段的表现以及某一层的输出如何输入到下一层。我们检索了Web of Science、Scopus和Google Scholar中2016年至2026年间发表的研究；依据明确的纳入标准进行筛选并经正式质量评估，最终确认27项直接报告量化AI/ML性能指标的核心研究，并辅以70篇背景参考文献。在监测层，U-Net等深度学习架构在森林变化检测中达到0.75–0.77的F1分数，其相对于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性而变化。在评估层，AI通过多源融合推进了碳储量估算、物种分布建模——其中卷积神经网络显著优于最大熵模型，且这一优势在更严格的空间交叉验证下持续存在甚至扩大，尽管两种方法的绝对精度均有所下降——以及耦合过程模型的水文服务量化。在预测层，机器学习增强的土地利用模拟精度已超过0.93，而强化学习展现出联合优化生态系统服务和经济目标的潜力，但仍处于概念验证阶段。持续存在的挑战包括可解释性有限、不确定性量化几乎缺失、跨域迁移能力薄弱以及AI与过程模型的整合多为顺序式，这些问题对政策应用具有直接影响：旨在为排放目标提供信息的AI衍生碳储量图和生态系统服务评估……