Forest encroachment prediction using multi-temporal satellite data and machine learning: a case study of Bandipur National Park, India
Pushpa B. R · H. R. Chaitanya · Chandhana U. Shankar 等 4 人
用多时相Sentinel-2影像和机器学习预测印度Bandipur国家公园的森林侵占。
Sentinel-2多时相NDVI/NBR结合地形、土地覆盖和人为变量，比较RF
RF分类精度最高达94.17%，预测2026和2030年侵占面积有限，CNN-LSTM预测值显著偏大
可探索多源遥感与深度学习融合提升侵占预测精度，并推广到其他保护区或农业扩张监测。
基于多时相Sentinel-2与机器学习预测森林侵占，方法对比扎实、结论明确，对农业遥感与生态监测有参考价值。
摘要 森林侵占对受保护森林生态系统构成重大威胁，其驱动因素包括基础设施建设、农业扩张和聚落增长等日益加剧的人类活动。因此，持续监测对于有效的保护规划和可持续森林管理至关重要。本研究提出了一种基于人工智能的森林侵占预测框架，以印度班迪普尔国家公园为研究区，利用多时相Sentinel-2卫星影像，并结合地形、土地覆盖和人为变量。研究将多时相归一化植被指数（NDVI）和归一化燃烧比（NBR）与高程、坡度、坡向、森林和水体掩膜以及距道路距离和距聚落距离等变量相结合。研究对比评估了三种预测模型，即随机森林（RF）、多层感知机（MLP）以及混合卷积神经网络—长短期记忆网络（CNN–LSTM）架构。RF取得了最高的分类精度，为94.17%，其次是MLP的91.50%和CNN–LSTM的78.69%。2026年和2030年的未来预测表明，在RF和MLP下森林侵占相对有限，最大预测面积分别为1.27 km²（0.15%）和0.64 km²（0.07%）。相比之下，CNN–LSTM预测的侵占面积要大得多，2026年为115.76 km²（13.24%），2030年为71.94 km²（8.23%）。总体而言，在所采用的实验框架下，RF表现出最强且最一致的分类性能，表明其具有支持森林监测、侵占热点识别和循证保护规划的潜力。