一种有效的BiLSTM-CNN模型，用于预测归一化植被指数的大尺度时空动态变化

《Scientific Reports》：An effective BiLSTM-CNN model for predicting large-scale temporal-spatial dynamics of normalized difference vegetation index

　　

摘要

植被虽然对陆地生态系统至关重要，但仍极易受到气候变化和人为活动的影响。这种多重因素对植被健康动态的影响要求我们使用基于遥感的可靠植被指数，例如归一化差异植被指数（NDVI）。该指数能够检测到细微的结构和功能变化，在植物出现可见症状之前提供早期预警。因此，通过建模能够检测并分析气候变化对植被生长影响的NDVI来预测植被活动至关重要。为此，本文介绍了一种先进的深度学习组合方法（双向长短期记忆网络和卷积神经网络模型，即BiLSTM-CNN），该方法结合了气象数据和土壤湿度信息，用于NDVI的时空建模。BiLSTM-CNN是一种复合的渐进式处理模型，可以研究可能突然发生、难以察觉的植被变化趋势，这些变化可能局限于特定区域或广泛分布，并可能在短时间或长时间尺度上发生。我们提出的BiLSTM-CNN预测方法已经经过评估，并与现有技术进行了比较，实验结果清楚地表明，该方法与现有的相关NDVI深度学习预测模型具有竞争力。