利用ConvLSTM学习在非洲精细分辨率下预测植被绿度
机器学习
2022-12-02 v2 计算机视觉与模式识别
摘要
预测植被响应气候与天气事件的状态是一项重大挑战。其实施将被证明在预测作物产量、森林损害或更广义上对与社会经济运转相关的生态系统服务的影响方面至关重要，若缺乏此类预测可能导致人道主义灾难。植被状态取决于天气与环境条件，这些条件调节着在多个时间尺度上发生的复杂生态过程。植被与不同环境驱动因子之间的相互作用表现出瞬时响应以及时间滞后效应，并常在景观和区域尺度上呈现出涌现的空间背景。我们将陆面预测任务表述为一个强引导的视频预测任务，其目标是以地形和天气变量引导预测，在极精细分辨率下预测植被演化。我们使用卷积LSTM（ConvLSTM）架构来解决该任务，并利用Sentinel-2卫星NDVI，以ERA5天气再分析、SMAP卫星测量和地形（SRTMv4.1的DEM）作为引导预测的变量，预测非洲植被状态的变化。我们的结果凸显了ConvLSTM模型不仅能以高分辨率预测NDVI的季节性演化，还能预测天气异常相对于基线产生的差异化影响。该模型能够预测不同植被类型，甚至是那些在目标时长内具有极高NDVI变异性的类型，这有望为干旱相关灾难背景下的预见性行动提供支持。
引用
@article{arxiv.2210.13648,
title = {Learning to forecast vegetation greenness at fine resolution over Africa with ConvLSTMs},
author = {Claire Robin and Christian Requena-Mesa and Vitus Benson and Lazaro Alonso and Jeran Poehls and Nuno Carvalhais and Markus Reichstein},
journal= {arXiv preprint arXiv:2210.13648},
year = {2022}
}
备注
Tackling Climate Change with Machine Learning: workshop at NeurIPS 2022