[论文解读] Learning to forecast vegetation greenness at fine resolution over Africa with ConvLSTMs

Claire Nicolle Robin, Christian Requena‐Mesa+5 more|arXiv (Cornell University)|Oct 24, 2022

Remote Sensing in Agriculture被引用 17

一句话总结

本文提出一种基于ConvLSTM的模型，利用Sentinel-2 NDVI、ERA5气象再分析数据、SMAP土壤湿度以及SRTM地形数据作为输入，对非洲范围内的高分辨率植被绿度进行预测。该模型成功预测了季节性NDVI动态变化，并在30米分辨率下捕捉到植被对气象异常的差异化响应，展现出在易受干旱影响区域开展前瞻性行动的强大潜力。

ABSTRACT

Forecasting the state of vegetation in response to climate and weather events is a major challenge. Its implementation will prove crucial in predicting crop yield, forest damage, or more generally the impact on ecosystems services relevant for socio-economic functioning, which if absent can lead to humanitarian disasters. Vegetation status depends on weather and environmental conditions that modulate complex ecological processes taking place at several timescales. Interactions between vegetation and different environmental drivers express responses at instantaneous but also time-lagged effects, often showing an emerging spatial context at landscape and regional scales. We formulate the land surface forecasting task as a strongly guided video prediction task where the objective is to forecast the vegetation developing at very fine resolution using topography and weather variables to guide the prediction. We use a Convolutional LSTM (ConvLSTM) architecture to address this task and predict changes in the vegetation state in Africa using Sentinel-2 satellite NDVI, having ERA5 weather reanalysis, SMAP satellite measurements, and topography (DEM of SRTMv4.1) as variables to guide the prediction. Ours results highlight how ConvLSTM models can not only forecast the seasonal evolution of NDVI at high resolution, but also the differential impacts of weather anomalies over the baselines. The model is able to predict different vegetation types, even those with very high NDVI variability during target length, which is promising to support anticipatory actions in the context of drought-related disasters.

研究动机与目标

• 解决在高空间分辨率下预测植被绿度的挑战，以支持气候脆弱区域的前瞻性行动。
• 通过利用高分辨率时空数据，克服粗分辨率模型的局限性，实现对局部生态系统响应的精准预测。
• 通过建模气候驱动因子对植被的时滞响应，建立早期预警系统，以应对干旱和极端天气影响。
• 开发一种基于环境和气象变量的强引导视频预测框架，以提升预测精度。
• 通过提供可靠且局部化的植被预测，支持基于预报的融资和人道主义规划，覆盖非洲多样化的生态系统。

提出的方法

• 将地表预测问题建模为一种强引导视频预测任务，使用卫星和再分析变量的时空数据立方体作为输入。
• 采用卷积长短期记忆网络（ConvLSTM）架构，以捕捉植被动态中的复杂时空依赖关系。
• 输入多种驱动因子：Sentinel-2反射率（红、蓝、绿、近红外）、衍生的NDVI（目标变量）、ERA5气象变量（温度、降水、辐射、气压、蒸发）、SMAP土壤湿度（地表和根区）以及SRTMv4.1数字高程模型（上采样至30米）。
• 在训练和评估过程中，使用ESRI 2020年土地覆盖图对非植被覆盖区域和缺失像素应用空间与时间掩码。
• 使用PyTorch Lightning训练模型150个周期，批量大小为32，初始学习率为1e-6，通过最小化NDVI预测的L2损失进行优化。
• 在推理阶段使用未来气象输入，反映一种强引导预测设置，即在预测时刻已知未来条件。

实验结果

研究问题

• RQ1 ConvLSTM模型能否在非洲多样化的生态系统中准确预测30米分辨率的植被绿度（NDVI）？
• RQ2 该模型在多大程度上能够捕捉植被对干旱或早雨等气象异常的时滞响应？
• RQ3 与仅使用NDVI相比，地形、土壤湿度和气象变量在多大程度上提升了预测精度？
• RQ4 预测性能在不同植被类型（如农田与草原、森林）和季节性条件下如何变化？
• RQ5 数据质量问题（尤其是未检测到的云层和伪影）对模型预测可靠性有何影响？

主要发现

• ConvLSTM模型在非洲范围内以30米空间分辨率成功预测了季节性NDVI演变，且预测精度高。
• 该模型能够捕捉植被对气象异常的差异化响应，包括土壤湿度补给和干旱遗留影响等时滞效应。
• 预测精度与目标变量的方差强相关，低方差时期（如非生长季）预测更准确，而高变异性生长季的预测精度较低。
• 存在持续云层伪影的样本性能下降，凸显了即使经过预处理，数据质量对模型可靠性仍具显著影响。
• 该模型在多种植被类型中均表现出良好的泛化能力，包括NDVI变化剧烈的区域，表明其在异质生态系统中的鲁棒性。
• 引入未来气象输入显著提升了预测质量，证实了在此背景下强引导预测方法的价值。