使用卷积长短期记忆张量回归网络预测加州野火后植被恢复
机器学习
2023-11-07 v1 人工智能
摘要
野火后植物再生研究对于制定成功的生态系统恢复策略至关重要。先前的研究主要考察影响火后演替的关键生态与生物地理因素。本研究提出一种预测和分析火后植物恢复的新方法。我们开发了卷积长短期记忆张量回归（ConvLSTMTR）网络，基于火灾受控后的短期植物生长数据预测未来的归一化植被指数（NDVI）。该模型在2013至2020年间发生的104场加州主要野火（过火面积均超3000英亩）上进行训练与测试。ConvLSTM 与张量回归的集成使得可利用预测 NDVI 计算整体逻辑增长率 k。总体而言，我们的 k 值预测表现优异：50% 的预测绝对误差不大于 0.12，75% 的预测误差不大于 0.24。最后，我们采用均匀流形逼近与投影（UMAP）和 KNN 聚类来识别恢复趋势，为不同恢复速率的区域提供洞见。本研究开创了张量回归与 ConvLSTM 的联合使用，并引入了 UMAP 对相似野火进行聚类的应用。这推进了预测性生态建模，并可为未来火后植被管理策略提供参考。
引用
@article{arxiv.2311.02492,
title = {Forecasting Post-Wildfire Vegetation Recovery in California using a Convolutional Long Short-Term Memory Tensor Regression Network},
author = {Jiahe Liu and Xiaodi Wang},
journal= {arXiv preprint arXiv:2311.02492},
year = {2023}
}
备注
To be included in the 6th Workshop on Artificial Intelligence for Humanitarian Assistance and Disaster Response at the 37th Conference on Neural Information Processing Systems