利用循环神经网络对土地利用变化的时空动力学进行建模
应用统计
2018-05-08 v2
摘要
本研究应用以处理序列信息能力著称的循环神经网络（RNN）来建模土地利用变化（LUC）的时空动力学，并预测日本筑波市的年度土地利用图。我们开发了两类RNN模型：1）简单RNN，即基本的RNN变体；2）三种具有先进门控架构的RNN变体：长短期记忆（LSTM）、带窥孔连接的LSTM（LSTM-peephole）和门控循环单元（GRU）模型。这四个模型使用具有高时间分辨率的时空数据开发，2000年至2010年、2011年以及2012年至2016年的年度数据分别用于训练、验证和测试。使用分类指标（准确率和F1分数）和地图比较指标（Kappa模拟和模糊Kappa模拟）评估预测性能。结果表明，所有RNN模型的F1分数均高于0.55，Kappa模拟均高于0.47。在这四个RNN模型中，LSTM和LSTM-peephole模型显著优于其他两个RNN模型。此外，LSTM-peephole模型略优于LSTM模型。另外，结果表明具有门控架构、能更好地建模较长时间依赖性的RNN模型显著优于简单RNN模型。而且，LSTM-peephole模型的预测性能随着训练集时间序列长度的减少而逐渐降低。这些结果证明了在利用RNN对LUC过程进行建模时考虑时间依赖性的益处。
引用
@article{arxiv.1803.10915,
title = {Modeling the spatio-temporal dynamics of land use change with recurrent neural networks},
author = {Guodong Du and Liang Yuan and Kong Joo Shin and Shunsuke Managi},
journal= {arXiv preprint arXiv:1803.10915},
year = {2018}
}
备注
Two authors of this paper disagree with this submission, they think it is too early. Therefore, I have to withdraw this paper