利用邻居增强、LSTM和图注意力模型这一统一基准，对长期时空环境动态进行模拟

《Scientific Reports》：Simulation of long-term spatio-temporal environmental dynamics using a unified benchmark of neighbor augmenting, LSTM and graph attention models

　　

摘要

快速的环境变化使得可靠预测长期地理空间状况的需求日益增加。然而，由于非线性、复杂的空间依赖性以及外部驱动因素的存在，精确建模时空地理空间动态仍然具有挑战性。本文提出了一个综合性的基准测试框架，用于比较基于邻域、基于图结构和基于注意力机制的时空深度学习模型，这些模型采用相同的预处理、训练和测试流程。研究了带有辅助变量和不带辅助变量的长短期记忆（LSTM）模型，以及带有前馈层（MLP/FFN）和不带前馈层的混合图注意力网络–LSTM（GAT–LSTM）模型和纯基于注意力的GAT–Temporal Attention模型。所有模型均使用2000年至2023年的网络通用数据格式（NetCDF）中的年度卫星数据，通过统一的预处理和评估流程进行训练，2024年数据则作为完全未见过的新测试数据集。通过R²、RMSE、MAE、MAPE和相关性等全局像素级指标，根据预测向量与参考向量的匹配程度来评估模型性能。研究结果表明，带有辅助输入（3×3邻域）的LSTM–CA模型表现最佳且最稳定（R²≈0.95），这凸显了集成型元胞自动机结构及辅助驱动因素的重要性。带有MLP层的GAT–Temporal Attention模型排名第二，而去除MLP层或采用混合LSTM–GAT架构则会导致模型性能不稳定或下降。从指数分析来看，植被相关指数和水体相关指数的预测性更强。研究结果表明，在地理空间长距离预测应用中，强大的时间信息建模结合辅助信息比空间注意力的复杂性更为重要。本文的创新之处在于，并未提出新的神经网络模型，而是通过对比实验来探讨在何种条件下，基于邻域的时间模型能在地理空间预测领域优于基于图结构的注意力模型。