[论文解读] Modeling the spatio-temporal dynamics of land use change with recurrent neural networks

Guodong Du, Liang Yuan+2 more|arXiv (Cornell University)|Mar 29, 2018

Land Use and Ecosystem Services参考文献 54被引用 3

一句话总结

本研究提出使用循环神经网络（RNN），特别是长短期记忆网络（LSTM）及其窥探连接变体，基于2000年至2016年日本筑波市的年度土地利用数据，对时空土地利用变化进行建模与预测。门控RNN架构显著优于简单RNN，其中LSTM-peephole表现最佳，表明在土地利用动态中建模长期时间依赖性至关重要。

ABSTRACT

This study applies recurrent neural networks (RNNs), which are known for its ability to process sequential information, to model the spatio-temporal dynamics of land use change (LUC) and to forecast annual land use maps of the city of Tsukuba, Japan. We develop two categories of RNN models: 1) simple RNN, which is the basic RNN variant, 2) three RNN variants with advanced gated architecture: long short-term memory (LSTM), LSTM with peephole connection (LSTM-peephole), and gated recurrent unit (GRU) models. The four models are developed using spatio-temporal data with high temporal resolution, annual data for the periods 2000 to 2010, 2011 and 2012 to 2016 are used for training, validation and testing, respectively. The predictive performances are evaluated using classification metrics (accuracy and F1 score) and the map comparison metrics (Kappa simulation and fuzzy Kappa simulation). The results show that all RNN models achieve F1 scores higher than 0.55, and Kappa simulations higher than 0.47. Out of the four RNN models, LSTM and LSTM-peephole models significantly outperform the other two RNN models. Furthermore, LSTM-peephole model slightly outperforms the LSTM model. In addition, the results indicate that the RNN models with gated architecture, which have better ability to model longer temporal dependency, significantly outperform the simple RNN model. Moreover, the predictive performance of LSTM-peephole model gradually decreases with the decrease of temporal sequential length of the training set. These results demonstrate the benefit of taking temporal dependency into account to model the LUC process with RNNs.

研究动机与目标

• 利用随时间序列化的数据对土地利用变化（LUC）的时空动态进行建模。
• 评估不同RNN架构在预测年度土地利用图方面的性能。
• 评估时间依赖性建模对土地利用变化预测准确率的影响。
• 比较简单RNN与门控RNN（LSTM、LSTM-peephole、GRU）在捕捉长期土地利用趋势方面的有效性。

提出的方法

• 本研究采用四种RNN变体：简单RNN、LSTM、带窥探连接的LSTM以及门控循环单元（GRU），处理序列化土地利用数据。
• 使用2000年至2016年具有年度分辨率的时空数据，训练集（2000–2010）、验证集（2011）和测试集（2012–2016）进行划分。
• 通过分类指标（准确率、F1分数）和地图比较指标（Kappa模拟、模糊Kappa模拟）评估模型性能。
• 模型通过学习连续年份间的时间依赖性，实现对土地利用转变的预测。
• 门控架构（LSTM与LSTM-peephole）通过可学习的记忆门，更有效地捕捉长期依赖性。
• 本研究分析了模型性能对训练集中时间序列长度的敏感性。

实验结果

研究问题

• RQ1 RNN能否有效利用年度土地利用数据对时空土地利用变化进行建模与预测？
• RQ2 门控RNN架构（如LSTM与LSTM-peephole）是否在土地利用预测中优于简单RNN？
• RQ3 时间训练序列的长度如何影响RNN模型在土地利用变化建模中的预测性能？
• RQ4 建模长期时间依赖性在多大程度上提升了土地利用变化预测的准确性？

主要发现

• 所有RNN模型的F1分数均高于0.55，Kappa模拟值均超过0.47，表明预测性能强劲。
• LSTM与LSTM-peephole模型在F1分数与Kappa模拟方面显著优于简单RNN与GRU模型。
• LSTM-peephole模型略胜于标准LSTM模型，表明增强的记忆控制可提升预测性能。
• 门控RNN（尤其是LSTM-peephole）的预测性能随训练集中时间序列缩短而下降，凸显其对长期上下文的依赖性。
• 结果证实，在RNN中建模长期时间依赖性对于准确预测土地利用变化至关重要。
• 本研究证明，门控RNN比简单RNN更适用于捕捉土地利用变化中的复杂时空动态。