呼伦贝尔草原像元级NDVI预测的双因子驱动时间网络

《Symmetry》：A Dual-Factor-Driven Temporal Network for Pixel-Level NDVI Prediction in the Hulunbuir Grassland

　　

归一化植被指数（NDVI）是表征植被生长状况与生态系统变化的重要遥感指标。提升NDVI预测精度对区域生态监测与保护具有重要意义。然而，现有预测方法常依赖单一气象驱动或大量难以获取未来值的解释变量，限制了其在空间分布区像元级NDVI预报中的适用性。研究人员提出一种双因子驱动时间网络（DfT-Net）用于呼伦贝尔草原像元级NDVI预测，基于2013—2024年MODIS NDVI数据与ERA5-Land气温和降水数据。模型独立应用于有效1000 m草地像元，参数跨像元共享。该像元级策略使模型学习不同像元间共性气象—植被响应模式，同时生成空间分布NDVI预测。时序建模方面，先对气温与降水序列作时间序列分解（TSD），拆为趋势、季节与残差分量以刻画多尺度时序变化与周期性；随后用一维卷积神经网络（1D-CNN）与长短期记忆网络（LSTM）分别提取局部时序模式与长期依赖。实验表明DfT-Net在独立时序测试集（2022—2024）上RMSE为0.100、MAE为0.074、R2为0.828，优于LSTM、CNN、TSD-CNN、TSD-LSTM与CNN-LSTM。结果表明DfT-Net有效融合双因子气象驱动、多尺度时序表征与像元级预测，为空间分布草地NDVI预报与生态监测提供有用框架。

研究背景方面，植被是陆地生态系统基本组分，NDVI作为最广泛使用的遥感参数之一，其连续监测与准确预测对追踪生态系统动态、理解植被演化机制至关重要。现有NDVI预测研究存在三方面局限：其一，外部驱动因子选择不一，部分模型仅用历史NDVI序列而忽略气候驱动，部分引入土壤湿度、辐射等多变量但因未来期不可得而限制实用；其二，气象驱动的多尺度时序结构（趋势、季节、不规则波动）未被充分刻画，混合信号直接输入深度学习难以区分周期与扰动；其三，点状或区域均值预测无法保留大范围草地空间异质性，而显式时空模型又需邻域信息或大量解释变量。呼伦贝尔草原位于内蒙古东北部大兴安岭西麓，温带半干旱大陆性气候，气温与降水协同决定草地NDVI时空动态，且已有研究指出该区降水对草地生态稳定具决定性作用，因此成为检验双因子时序框架的典型区。研究人员据此开展本研究，旨在以可获取的气温、降水为双因子，结合时间序列分解与深度学习时序建模，实现像元级、空间分布保持的月度NDVI预测。

关键技术方法上，研究人员从Google Earth Engine获取2013—2024年MODIS MCD12Q1土地覆盖、MOD13A1 NDVI（16天最大合成转月度）、ERA5-Land气温（2 m）与降水（月累计），统一重采样至1000 m草地掩膜内有效像元。对每个有效像元气温、降水序列独立采用X-12-ARIMA分解为趋势、季节、残差三分量，NDVI仅作描述性分解不进模型。构建六组对照：CNN、LSTM、CNN-LSTM及其TSD预处理版，以及提出的DfT-Net——将6个分解气象特征经共享参数的Conv1D提取局部时序、LSTM提取长期依赖，跨像元共享架构参数，各像元独立预测后回贴地理位置。数据按8:1:3以年切分训练、验证、测试（2013—2020训练，2021验证，2022—2024测试），以RMSE、MAE、R²评价。

研究结果部分，视觉评估显示七月在峰值生长期所有模型均捕捉到NDVI东高西低、南高北低的空间格局，与MODIS观测一致，DfT-Net在草甸草原向典型干草原过渡带梯度上一致性更优，但模型不显式建模邻域空间关系。偏差分析表明七月多数模型中部误差近零、整体偏正（预测高于观测），LSTM系模型全区分散低估，CNN系偏差空间分布更随机。整体性能评价中，DfT-Net以RMSE 0.100、MAE 0.074、R² 0.828居首，TSD预处理模型普遍优于非TSD版，CNN类优于单一LSTM，CNN-LSTM在2023—2024年R²超0.8；像元级R²分布图显示CNN、TSD-CNN、DfT-Net大部分像元R²>0.8，西南隅精度略低，LSTM黄区广、精度约0.6。

讨论部分，研究人员指出TSD使确定性趋势/季节与随机残差分离，降低网络从混合信号中学时序结构的负担，TSD-LSTM最优轮次（68）少于LSTM（83）且精度更高，DfT-Net训练耗时最短（32分钟）为经验现象非普适复杂度下降。模型组合上，双气象因子+分解多尺度+Conv1D局部与LSTM长期互补是DfT-Net优势来源。时间尺度分析发现非生长期（11—1月）与峰期（6—8月）LSTM振幅偏小，DfT-Net、TSD-CNN、CNN-LSTM季节振幅贴近观测；精度随季节波动，生长期高、非生长期低，提示除温降水外有未建模因素。局限性包括未纳入放牧、收割、雪被与融雪滞后等人文/过程因子，双因子框架在这些时段存不确定性，未来可扩至土壤湿度、雪盖、放牧强度等可预报变量。

结论部分翻译：本研究开发双因子驱动时间网络（DfT-Net）用于内蒙古呼伦贝尔草原空间分布像元级月度NDVI预报，基于2013—2024年MODIS NDVI与ERA5-Land气温降水，在相同设定下优于LSTM、CNN等对照。时序分析确认温、降水、NDVI具明确季节周期与年际递归；X-12-ARIMA分解气象序列为趋势、季节、残差，NDVI分解仅作描述。DfT-Net取得RMSE 0.100、MAE 0.074、R² 0.828。框架以TSD分离季节结构、Conv1D共享参数提局部模式、LSTM建长期依赖，跨像元共享参数独立预测后回贴原位，不显式建模邻域空间依赖。局限为未含土壤湿度、放牧、雪被等因子，结论展示该实验设定下潜力而非通用业务化能力。整体为融合分解气象驱动与多尺度时序特征的像元级草地NDVI预报提供参考，载于《Symmetry》。