稀疏卫星时间序列与天气协变量的概率性 NDVI 预测
机器学习
2026-05-08 v2 计算机视觉与模式识别
机器学习
摘要
植被动态的短期预测是数据驱动决策支持在精密农业中至关重要的关键。然而，NDVI 从卫星观测的预测仍面临挑战，主要由于云遮挡导致的稀疏和不规则采样，以及作物演变所处的异构气候条件。本文提出了一个针对稀疏、不规则晴空获取情况的字段级 NDVI 概率预测框架。该架构将历史 NDVI 和气象观测编码与未来外生协变量分开，融合两种表征以实现多步分位数预测。为解决不规则复访模式和时限相关不确定性问题，我们引入了时间距离加权分位数损失，以将训练目标与有效预测时段对齐。此外，我们融合累积性和极端天气特征工程，以捕捉与植被响应相关的滞后气象效应。在欧洲卫星数据上的实验表明，所提方法在点预测和概率评估指标上均优于统计方法、深度学习方法和时间序列基线。消融研究确认，目标历史数据是性能的主要驱动因素，而气象协变量在完整的多模态设置下提供额外提升。代码地址：https://github.com/arco-group/ndvi-forecasting
引用
@article{arxiv.2602.17683,
title = {Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates},
author = {Irene Iele and Giulia Romoli and Daniele Molino and Elena Mulero Ayllón and Filippo Ruffini and Paolo Soda and Matteo Tortora},
journal= {arXiv preprint arXiv:2602.17683},
year = {2026}
}