[论文解读] A Machine Learning Approach to Long-Term Drought Prediction using Normalized Difference Indices Computed on a Spatiotemporal Dataset

Veronica Wairimu Muriga, Benjamin E. Rich+3 more|arXiv (Cornell University)|Feb 5, 2023

Hydrology and Drought AnalysisEnvironmental Science被引用 3

一句话总结

本论文提出了一种基于时间分布式卷积神经网络（TD-CNNs）的机器学习框架，利用SEN2DWATER数据集中时空的Sentinel-2数据预测归一化差异干旱指数（NDDI）。比较了早期阶段（直接训练NDDI）与晚期阶段（先预测NDVI和NDMI，再计算NDDI）的NDDI预测方法，发现早期计算显著提升了性能，均方误差（MSE）降低至0.00054，结构相似性指数（SSIM）提高至0.99995，峰值信噪比（PSNR）达到39.754。

ABSTRACT

Climate change and increases in drought conditions affect the lives of many and are closely tied to global agricultural output and livestock production. This research presents a novel approach utilizing machine learning frameworks for drought prediction around water basins. Our method focuses on the next-frame prediction of the Normalized Difference Drought Index (NDDI) by leveraging the recently developed SEN2DWATER database. We propose and compare two prediction methods for estimating NDDI values over a specific land area. Our work makes possible proactive measures that can ensure adequate water access for drought-affected communities and sustainable agriculture practices by implementing a proof-of-concept of short and long-term drought prediction of changes in water resources.

研究动机与目标

• 开发一种基于卫星影像归一化差异指数的机器学习方法，用于长期干旱预测。
• 评估时间分布式卷积神经网络（TD-CNNs）在时空序列上预测归一化差异干旱指数（NDDI）的有效性。
• 比较两种NDDI计算策略——早期阶段（直接训练NDDI）与晚期阶段（分别预测NDVI和NDMI后计算NDDI）——在预测精度上的差异。
• 评估使用SEN2DWATER数据集作为深度学习干旱预测基准的可行性。
• 探索此类模型在农业与畜牧业系统中用于主动水资源管理与气候适应能力提升的潜力。

提出的方法

• 使用SEN2DWATER数据集，该数据集为2016–2022年间西班牙湖泊与河流区域的时空Sentinel-2多光谱影像集合（13个波段），每个位置包含39幅去云影像，覆盖6.5年时间。
• 计算三个指数：NDVI = (NIR - Red)/(NIR + Red)，NDMI = (NIR - SWIR)/(NIR + SWIR)，NDDI = (NDVI - NDMI)/(NDVI + NDMI)，使用波段8（NIR）、波段4（Red）和波段11（SWIR）。
• 采用时间分布式卷积神经网络（TD-CNN）架构，跨时间帧共享2D卷积层，并通过后续的ConvLSTM层建模时空依赖性。
• 训练两种不同的预测流程：(1) 早期阶段——在预计算的NDDI图像上训练单一TD-CNN；(2) 晚期阶段——分别在NDVI和NDMI上训练独立的TD-CNN，然后合并预测结果以计算NDDI。
• 将300×300px的图像划分为16×64×64px的图像块，用于训练与验证，确保在多个位置上的空间泛化能力。
• 使用MSE、SSIM和PSNR在测试数据上评估模型性能，并对比NDVI、NDMI以及两种NDDI预测方法的表现。

实验结果

研究问题

• RQ1 TD-CNNs能否有效利用时空卫星数据预测NDDI指数，以实现长期干旱监测？
• RQ2 与晚期阶段NDDI计算（结合NDVI与NDMI预测）相比，早期阶段NDDI计算（在预计算NDDI上训练）在预测精度方面表现如何？
• RQ3 数据源特性——特别是SEN2DWATER数据集中非干旱易发区域的特征——对基于NDDI的预测模型性能有何影响？
• RQ4 与NDVI和NDMI相比，基于深度学习的NDDI指数在预测过程中在多大程度上存在分辨率损失？
• RQ5 此类模型是否可用于在不利条件（如云覆盖）下重建数据，或支持水资源管理中的多步预测？

主要发现

• 早期阶段NDDI预测方法实现了最低的均方误差（MSE）0.00054，显著优于晚期阶段方法（MSE = 0.0062）。
• 早期阶段NDDI模型的结构相似性指数（SSIM）达到0.99995，峰值信噪比（PSNR）为39.754，表明重建保真度近乎完美。
• 晚期阶段NDDI预测方法虽仍具较高精度，但分辨率明显下降且误差增加，可能源于两个独立模型的误差传播。
• NDVI与NDMI的预测精度极高，MSE分别为0.00743与0.01065，SSIM与PSNR得分也较高，证实其适用于短期预测。
• 本研究表明，NDDI指数在非干旱易发区域（如SEN2DWATER数据集所代表的相对稳定、非干旱地区）的长期预测中可能适用性较低。
• 结果支持将SEN2DWATER用作深度学习驱动水资源预测的基准，并强调需提升NDDI建模的分辨率，或采用SPEI等替代指数以获得更优性能。