[论文解读] Forecasting Vegetation Health at High Spatial Resolution

John J. Nay, Emily Burchfield+1 more|arXiv (Cornell University)|Feb 16, 2016

Remote Sensing in Agriculture参考文献 19被引用 2

一句话总结

本论文提出了一款开源工具，利用全球MODIS数据和梯度提升机器学习方法，在高空间分辨率下预测植被健康状况。通过在数亿个观测数据上进行训练，该模型在预测斯里兰卡和加利福尼亚等不同气候区的未来增强植被指数（EVI）值方面，显著优于基线方法。

ABSTRACT

Drought threatens food and water security around the world, and this threat is likely to become more severe under climate change. High resolution predictive information can help farmers, water managers, and others to manage the effects of drought. We have created an open source tool to produce short-term forecasts of vegetation health at high spatial resolution, using data that are global in coverage. The tool automates downloading and processing Moderate Resolution Imaging Spectroradiometer (MODIS) datasets, and training gradient-boosted machine models on hundreds of millions of observations to predict future values of the Enhanced Vegetation Index. We compared the predictive power of different sets of variables (raw spectral MODIS data and Level-3 MODIS products) in two regions with distinct agro-ecological systems, climates, and cloud coverage: Sri Lanka and California. Our tool provides considerably greater predictive power on held-out datasets than simpler baseline models.

研究动机与目标

• 开发一种可扩展的开源工具，用于高空间分辨率下的短期植被健康预测。
• 利用全球范围内免费获取的MODIS数据集，在多种农业生态区域中进行预测建模。
• 比较原始光谱数据与Level-3 MODIS产品在不同气候区的预测性能差异。
• 通过准确、本地化的植被预测，提升农民和水资源管理者对干旱的应对能力。

提出的方法

• 自动化下载和处理覆盖全球的MODIS Level-2和Level-3数据集。
• 在超过1亿个植被和环境变量观测数据上训练梯度提升机器学习模型。
• 以增强植被指数（EVI）作为短期预测的目标变量。
• 整合来自多光谱和辐射度MODIS数据的时序与空间特征。
• 使用保留的测试集评估模型预测准确性，覆盖两个对比明显的区域：斯里兰卡和加利福尼亚。
• 比较使用原始光谱输入与预处理后的Level-3 MODIS产品时的模型性能差异。

实验结果

研究问题

• RQ1 梯度提升模型在使用高分辨率MODIS数据时，预测未来植被健康状况的能力如何？
• RQ2 使用原始光谱MODIS数据与处理后的Level-3产品相比，其相对预测优势是什么？
• RQ3 模型性能在不同气候、云量覆盖和农业生态系统的区域中如何变化？
• RQ4 该工具能否提供可操作的、高分辨率的预测结果，并显著优于简单的基线模型？

主要发现

• 与简单的基线模型相比，该模型在保留数据集上的预测准确性显著更高。
• 同时使用原始光谱数据和Level-3 MODIS产品，相比单独使用任一数据源，能进一步提升预测性能。
• 该工具在高降雨量、季风性气候的斯里兰加和干旱、地中海型气候的加利福尼亚均表现出强大的预测能力。
• 该模型在云量覆盖和植被动态差异较大的区域中均表现出稳健的性能。
• 该工具的开源特性使其具备可复现性和可扩展性，适用于全球范围的应用。
• 多源MODIS数据的整合提升了植被健康预测的时序与空间分辨率。