BiSSET-Net：基于双向LSTM和状态空间模型的中国东北地区松毛虫虫害风险多因素时间序列预测

《Journal of Geovisualization and Spatial Analysis》：BiSSET-Net: Multi-factor Time Series Prediction of Pine Caterpillar Infestation Risk in Northeast China Based On Bidirectional LSTM and State Space Model

森林害虫暴发受累积环境压力和年际气候波动调控，但现有评估多依赖短期监测或静态气候分析，难以捕捉长期生态记忆。为此，研究构建了融合多源地球观测数据（1981-2015年气候、水文、雪盖及植被条件）和松毛虫历史暴发记录的状态感知长期生态风险预测框架BiSSET-Net。该模型整合卷积特征提取、双向循环单元和状态空间表征，同步捕捉环境波动、长时序关联及潜在生态状态，预测准确率达90.7%，显著优于传统循环模型，并具备跨期泛化能力。情景模拟显示2022-2035年查干-建平及青安-大镜山仍为高风险区，2030年后高排放情景下风险波动加剧。该成果揭示了累积栖息地压力与森林组成对长期害虫动态的塑造作用，提出了可迁移的EO驱动型状态感知框架，为气候敏感型生态风险评估及适应性森林管理提供新范式。

　　

摘要

森林害虫的爆发受到累积环境压力和年际气候变异的强烈影响。然而，大多数现有的评估方法依赖于短期监测或静态的气候适宜性分析，无法捕捉长期的生态记忆。为了解决这一局限性，我们为中国东北地区的松毛虫侵害开发了一个具有状态意识的长期生态风险预测框架。该框架整合了多源地球观测（EO）数据与1981年至2015年的历史爆发记录。通过结合气候、水文、积雪覆盖和植被状况，构建了一个多因素时间序列数据集，用于描述与害虫发育相关的栖息地动态和累积压力。为了明确模拟多十年EO序列中的短期变化和长期依赖性，我们提出了BiSSET-Net模型。这是一种混合深度学习架构，融合了卷积特征提取、双向循环单元和状态空间表示技术。该架构能够同时捕捉局部环境波动、长距离时间相互作用以及潜在的生态状态。该模型的平均预测准确率为90.7%，显著优于传统的循环架构，并表现出强大的时间泛化能力。我们根据四种共享社会经济路径（SSP126–SSP585）模拟了2022年至2035年的未来侵害风险，发现常屯–建平和青安–大井山地区存在持续的高风险区域，并且在2030年后高排放情景下风险波动性显著增加。这些发现强调了累积栖息地压力和森林组成在塑造长期害虫动态中的作用。此外，该框架为气候敏感的生态风险评估和适应性森林管理提供了一个可转移的、基于EO数据的状态意识框架。