基于LSTM网络的卫星数据时间序列分类：用于预测叶子飘落以减少铁路交通中断
机器学习
2025-07-17 v1 人工智能
摘要
叶子飘落导致铁路交通中断的成本每年超过3000万美元，为此在英国铁路业中已大规模实施缓解措施，2021年仅处理轨道长度达167万公里。因此，预知叶子飘落的时间点将为铁路运营商提供实质性的益处，使其能够高效地安排此类缓解措施。然而，当前用于预测叶子飘落的方法在可扩展性和可靠性方面存在显著局限。本研究旨在构建一个预测系统，利用专门的预测方法和最新的卫星数据源，生成可扩展且可靠的叶子飘落时间预测。使用训练于地面真实叶子飘落数据并结合多光谱和气象卫星数据的LSTM网络，预测叶子飘落开始的均方根误差为6.32天，预测结束的均方根误差为9.31天。该模型在该领域的先前工作基础上提供了有前景的机会，以优化铁路行业的叶子缓解措施，并提高对复杂生态系统的理解。
引用
@article{arxiv.2507.11702,
title = {Time series classification of satellite data using LSTM networks: an approach for predicting leaf-fall to minimize railroad traffic disruption},
author = {Hein de Wilde and Ali Mohammed Mansoor Alsahag and Pierre Blanchet},
journal= {arXiv preprint arXiv:2507.11702},
year = {2025}
}