La detección de cambios en los límites de los lagos naturales es una de las tareas importantes en la interpretación de imágenes de teledetección. En una red completamente conectada ordinaria, o CNN, la señal de las neuronas en cada capa solo puede ser propagada a la capa superior, y el procesamiento de muestras es independiente en cada momento. Sin embargo, para datos de series temporales con transferibilidad, la información de cambio aprendida necesita ser registrada y utilizada. Para resolver los problemas mencionados, proponemos un modelo de predicción de cambios en los límites de los lagos que combina U-Net y LSTM. El conjunto de LSTMs ayuda a mejorar la precisión y robustez general del modelo al capturar las sutilezas espaciales y temporales en los datos, lo que resulta en predicciones más precisas. Este estudio seleccionó el Lago Urmia como área de investigación y utilizó las imágenes de teledetección panorámicas anuales de 1996 a 2014 (Lat: 37 grados00 N a 38 grados15 N, Lon: 46 grados10 E a 44 grados50 E) obtenidas mediante el software Google Earth Professional Edition 7.3 como conjunto de datos de investigación. Este modelo utiliza la red U-Net para extraer características de cambio de múltiples niveles y analizar la tendencia de cambio de los límites del lago. El módulo LSTM se introduce después de U-Net para optimizar el modelo predictivo utilizando el almacenamiento y olvido de datos históricos, así como los datos de entrada actuales. Este método permite que el modelo se ajuste automáticamente a la tendencia de los datos de series temporales y extraiga la información profunda de los cambios en los límites del lago. A través de la verificación experimental, la precisión de predicción del modelo para los cambios en los límites del lago después del entrenamiento puede alcanzar el 89.43%. Experimentos comparativos con el modelo U-Net-STN existente muestran que el modelo U-Net-LSTM utilizado en este estudio tiene una mayor precisión de predicción y un menor error cuadrático medio.