基于CNN-GRU模型的干旱区绿洲植被时空动态预测方法研究——以青土湖绿洲为例

　　 摘要:

干旱区绿洲生态系统脆弱，植被动态对区域生态平衡和水资源可持续利用至关重要。然而，传统的植被指数预测方法往往假设其呈线性或平稳特征，难以充分捕捉实际环境中潜在的非线性和空间依赖性。本研究以青土湖绿洲为对象，综合利用遥感数据，包括归一化植被指数（Normalized Difference Vegetation Index, NDVI）、归一化水体指数（Normalized Difference Water Index, NDWI）以及盐分指数（Salinity Index, SI），并结合5×5邻域空间特征和3年时滞窗口，构建融合卷积神经网络（Convolutional Neural Network, CNN）与门控循环单元（Gated Recurrent Unit, GRU）的CNN-GRU深度学习模型，用于预测青土湖绿洲的NDVI时空变化。结果表明，与仅使用CNN或GRU的模型相比，CNN-GRU模型在决定性系数（R2）、均方根误差（RMSE）等指标上均表现更优，其中测试期R2可达0.88，尤其在高NDVI区和绿洲-荒漠过渡区的预测更为准确。邻域空间信息与三年时滞特征的输入，有效增强了模型对NDVI复杂非线性及空间关联性的捕捉能力。该研究结果为干旱区绿洲植被长期监测与生态环境管理提供了更可靠的技术支撑，也为深度学习与遥感技术在生态系统研究中的应用提供了新的思路和借鉴。