李懿超　沈潤平　黃安奇

摘要：構(gòu)建NDVI及其影響因子之間的關(guān)系模型是對區(qū)域植被變化進(jìn)行預(yù)測的重要方法之一，然而傳統(tǒng)的模型大多通過線性回歸方法構(gòu)建，且主要選取單一影響因子進(jìn)行模型構(gòu)建。深度學(xué)習(xí)是一種有效訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)算法，具有訓(xùn)練速度快、預(yù)測精度高的優(yōu)點，近年來被應(yīng)用于圖像識別、回歸分析等各領(lǐng)域。筆者引入深度學(xué)習(xí)方法，以氣象、土壤、地形等多因子為模型自變量，以MODIS-NDVI為因變量構(gòu)建關(guān)系模型，應(yīng)用于湘贛鄂地區(qū)2005—2015年植被變化的預(yù)測中，對所建模型的適用性進(jìn)行了評價。結(jié)果表明：深度學(xué)習(xí)模型與線性回歸模型相比預(yù)測精度更高，預(yù)測效果更好，NDVI深度學(xué)習(xí)預(yù)測值與原始MODIS-NDVI值的相關(guān)系數(shù)達(dá)到0.804。可見，深度學(xué)習(xí)具有較強的模型構(gòu)建及預(yù)測能力，能夠地對區(qū)域植被變化進(jìn)行有效的預(yù)測，進(jìn)而為作物產(chǎn)量估算、凍害監(jiān)測、植被覆蓋度監(jiān)測等研究提供幫助。

關(guān)鍵詞：植被變化;影響因子;深度學(xué)習(xí);關(guān)系模型;預(yù)測

中圖分類號： S181; S127? 文獻(xiàn)標(biāo)志碼： A? 文章編號：1002-1302（2019）03-0213-06

歸一化植被指數(shù)（normalized difference vegetation index，NDVI）是目前最常用的反映植被狀況的指標(biāo)，可以較準(zhǔn)確地反映植被的覆蓋程度和生長狀況[1]。NDVI是遙感影像近紅外波段反射值（near infrared，NIR）和紅光波段反射值（red，R）之差與NIR和R之和的比值，在全球及區(qū)域植被研究中得到了普遍的應(yīng)用[2]。NDVI在農(nóng)業(yè)、林業(yè)、土地利用等領(lǐng)域具有重要作用。在農(nóng)業(yè)應(yīng)用中，NDVI能夠用來較準(zhǔn)確地估算作物產(chǎn)量與作物葉面積指數(shù)，對作物的凍害及病蟲害狀況進(jìn)行監(jiān)測[3]。在林業(yè)應(yīng)用中，NDVI可用于對森林覆蓋進(jìn)行遙感監(jiān)測，估算區(qū)域植被覆蓋度，對不同林地覆蓋類別進(jìn)行識別與提取[4]。NDVI在農(nóng)林業(yè)中的應(yīng)用對相關(guān)生產(chǎn)實踐及科學(xué)研究具有實際的指導(dǎo)意義。NDVI的時空變化受到多種影響因子的影響，學(xué)者在NDVI與降水量、氣溫等氣象因子的相關(guān)性及其關(guān)系模型等領(lǐng)域已經(jīng)做了一些研究[5-7]。Ma等對秦嶺山地NDVI變化與氣溫的關(guān)系進(jìn)行了研究，指出氣溫對NDVI變化的影響存在2～3旬左右的滯后效應(yīng)[8];韓雅等對中國區(qū)域AVHRR-NDVI與氣溫和降水量的相關(guān)關(guān)系進(jìn)行了分析，建立了NDVI與氣溫和降水量的線性回歸模型，指出氣象因子對NDVI的影響有顯著的空間差異[9];Yang等對甘肅地區(qū)降水量、氣溫與NDVI的關(guān)系進(jìn)行了研究，發(fā)現(xiàn)降水量是影響該地區(qū)植被生長的主導(dǎo)氣象因子[10]?，F(xiàn)有研究著重探討了降水量、氣溫2種氣象因子與NDVI的相關(guān)關(guān)系，而忽視其他影響因子與NDVI的關(guān)系。同時，相關(guān)研究構(gòu)建的NDVI及其影響因子的關(guān)系模型以線性回歸模型為主，較少利用其他方法構(gòu)建模型。深度學(xué)習(xí)算法的基本結(jié)構(gòu)是深度神經(jīng)網(wǎng)絡(luò)，最早由Hinton等于2006年在深度置信網(wǎng)絡(luò)（DBN）的基礎(chǔ)上提出，解決了深層結(jié)構(gòu)的優(yōu)化問題，可用于對數(shù)據(jù)進(jìn)行高層抽象建模[11-12]。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相比，深度學(xué)習(xí)模型擁有5～10層甚至更多的神經(jīng)網(wǎng)絡(luò)，并引入了更有效的訓(xùn)練機制，能夠模仿人類大腦高效準(zhǔn)確地表示信息[13]。深度學(xué)習(xí)已應(yīng)用于圖像識別、自然語言處理等領(lǐng)域[14]，但在遙感建模等方面還鮮少運用。本研究將采用領(lǐng)域前沿的深度學(xué)習(xí)方法，以 16 d 為時間尺度構(gòu)建NDVI與多影響因子之間的關(guān)系模型來對湘贛鄂地區(qū)NDVI進(jìn)行預(yù)測并對預(yù)測精度和預(yù)測效果進(jìn)行評估與比較，以探究深度學(xué)習(xí)模型對不同空間尺度NDVI的預(yù)測能力，從而提高對區(qū)域植被覆蓋變化的預(yù)測水平，以期在農(nóng)林業(yè)相關(guān)領(lǐng)域研究應(yīng)用中提高作物產(chǎn)量、葉面積指數(shù)、病蟲害狀況等指標(biāo)的估算水平，為科研和生產(chǎn)活動提供有效的科學(xué)依據(jù)和參考數(shù)據(jù)。

1 材料與方法

1.1 研究區(qū)概況

湘贛鄂地區(qū)位于我國長江中游地區(qū)（108°21′42″～118°28′58″E、24°29′14″～33°6′47″N），包含湖南省、江西省、湖北省3省的行政區(qū)域。該區(qū)域?qū)儆趤啛釒駶櫦撅L(fēng)氣候，山多地廣，河流湖泊分布較多，降水充沛，光照充足，熱量豐富，無霜期較長并且水熱同期，區(qū)域年平均氣溫為9～19 ℃，年日照時數(shù)在850～1 850 h之間。區(qū)域植被覆蓋面積達(dá)5399萬km2，植被覆蓋率為95.62%，區(qū)域植被覆蓋率較高。其中，林地面積為32.21萬km2，草地面積為1087萬km2，農(nóng)業(yè)用地面積為10.91萬km2，該地區(qū)主要植被類型為亞熱帶常綠闊葉林。

1.2 數(shù)據(jù)源與預(yù)處理

歸一化植被指數(shù)NDVI來自美國航空航天局NASA提供的MOD13A2級2005—2015年空間分辨率為1 km的16 d合成MODIS-NDVI產(chǎn)品數(shù)據(jù)集。該數(shù)據(jù)集經(jīng)過嚴(yán)格大氣矯正、幾何校正、大氣矯正等處理，可保證NDVI數(shù)據(jù)的質(zhì)量。本研究利用MODIS重投影工具M(jìn)RT（MODIS Reprojection Tool）對NDVI數(shù)據(jù)產(chǎn)品進(jìn)行投影轉(zhuǎn)換、圖像拼接和裁剪等處理。為了進(jìn)一步降低噪聲并提高數(shù)據(jù)質(zhì)量，對逐期的NDVI時序數(shù)據(jù)集通過IDL 7.0提供的Savitzky-Goaly濾波方法重建高質(zhì)量NDVI時間序列數(shù)據(jù)。氣象數(shù)據(jù)來源于國家氣象科學(xué)數(shù)據(jù)共享服務(wù)平臺提供的中國地面氣候資料日值數(shù)據(jù)集（V3.0），選取湘贛鄂地區(qū)27個氣象站點2005—2015年的氣象要素日值數(shù)據(jù)（圖1），包括降水量、氣溫、日照時數(shù)、相對濕度4個氣象要素，計算各站點在研究時段內(nèi)以16 d（1期）為時間尺度的平均值，得到2005—2015年氣象要素時間序列。地形數(shù)據(jù)來源于美國國家航空航天局NASA和美國國家測繪局NIMA聯(lián)合測量繪制的空間分辨率為90 m的SRTM-DEM數(shù)據(jù)，根據(jù)研究區(qū)行政邊界矢量進(jìn)行裁剪，得到研究區(qū)DEM數(shù)據(jù)，利用ArcGIS 10.0計算處理得到研究區(qū)坡度和坡向數(shù)據(jù)，再根據(jù)各氣象站點的經(jīng)緯度坐標(biāo)提取得到各站點的海拔、坡度、坡向數(shù)據(jù)。土壤質(zhì)地數(shù)據(jù)來源于北京師范大學(xué)發(fā)布的空間分辨率為1 km的中國區(qū)域土壤參數(shù)數(shù)據(jù)產(chǎn)品，根據(jù)經(jīng)緯度坐標(biāo)提取得到各站點的土壤質(zhì)地數(shù)據(jù)。地表覆蓋數(shù)據(jù)來源于分辨率為1 km的MCD12Q1產(chǎn)品數(shù)據(jù)，本研究使用IGBP國際地圈生物圈計劃的全球植被分類方案。

1.3 研究方法

利用相關(guān)性分析方法對湘贛鄂地區(qū)2005—2015年NDVI與各氣象因子的相關(guān)性進(jìn)行分析，對各氣象因子對NDVI影響的時間滯后效應(yīng)進(jìn)行探討。在參考前人研究的基礎(chǔ)上結(jié)合研究區(qū)實際情況選取土壤質(zhì)地、地形、經(jīng)緯度作為NDVI的其他影響因子，對NDVI與其他影響因子的相關(guān)性進(jìn)行分析。在考慮氣象因子影響作用滯后效應(yīng)的基礎(chǔ)上，運用深度學(xué)習(xí)方法和線性回歸方法在基于站點尺度上建立研究區(qū)2005—2015年NDVI及其影響因子的關(guān)系模型來對NDVI進(jìn)行預(yù)測，并對預(yù)測精度進(jìn)行評估和比較。利用深度學(xué)習(xí)方法在基于空間尺度上預(yù)測2015年NDVI面數(shù)據(jù)，并對預(yù)測精度進(jìn)行評估。本研究采用深度學(xué)習(xí)方法中的深度前饋神經(jīng)網(wǎng)絡(luò)（dynamic feedforward neural network，DFNN）進(jìn)行模型訓(xùn)練。前饋神經(jīng)網(wǎng)絡(luò)的各神經(jīng)元分層排布，各神經(jīng)元只與前一層的神經(jīng)元連接，接收前一層的輸出結(jié)果，并輸出給下一層，是目前應(yīng)用較廣泛，發(fā)展較迅速的神經(jīng)網(wǎng)絡(luò)之一。DNFF是一種由多個前饋神經(jīng)網(wǎng)絡(luò)組成的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，相比于傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)，它的多層結(jié)構(gòu)使其具有更強的模擬能力，能夠提取大量變量之間的深層特征以獲得高預(yù)測精度[15]。深度學(xué)習(xí)訓(xùn)練的具體過程如下：（1）采用自下而上的非監(jiān)督方式進(jìn)行特征學(xué)習(xí)。先用無定標(biāo)數(shù)據(jù)訓(xùn)練隱藏層的最底層，訓(xùn)練時先學(xué)習(xí)最底層的參數(shù)，使獲得的模型可以學(xué)習(xí)到數(shù)據(jù)自身的結(jié)構(gòu)特征，從而獲得比輸入具備更強表達(dá)特征的能力;在學(xué)習(xí)獲得第n-1層后，將n-1層的輸出作為第n層的輸入來訓(xùn)練第n層，最終分別獲得各層的參數(shù)。（2）采用自上而下的方式進(jìn)行監(jiān)督學(xué)習(xí)。利用含有標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，誤差自上向下傳輸，對結(jié)構(gòu)進(jìn)行細(xì)微調(diào)整，調(diào)整層與層之間的權(quán)重。

2 結(jié)果與分析

2.1 NDVI與氣象因子的相關(guān)性

由湘贛鄂地區(qū)NDVI與對應(yīng)不同時期的氣象因子的相關(guān)性（表1）可知，降水量、氣溫、日照時數(shù)、相對濕度均對研究區(qū)NDVI變化存在比較明顯的影響，并且各氣象因子對NDVI的影響作用均存在一定的滯后效應(yīng)。NDVI與對應(yīng)各期降水量的相關(guān)性在0.171～0.328之間變化，相關(guān)性最大值在對應(yīng)前3期，說明降水量對NDVI的影響存在3期（48 d）的滯后期;NDVI與對應(yīng)各期氣溫的相關(guān)性在0.329～0.682之間變化，相關(guān)性最大值在對應(yīng)前1期，說明氣溫對NDVI的影響存在1期（16 d）的滯后期;NDVI與對應(yīng)各期日照時數(shù)的相關(guān)性在0.175～0.455之間變化，相關(guān)性最大值在對應(yīng)前1期，說明日照時數(shù)對NDVI的影響存在1期（16 d）的滯后期;NDVI與對應(yīng)各期相對濕度的相關(guān)性在0.115～0.179之間變化，相關(guān)性最大值在對應(yīng)前3期，說明相對濕度對NDVI的影響存在3期（48 d）的滯后期?？傮w來看，熱量條件的變化對NDVI的影響作用相較于水分條件更為明顯一些，且影響作用的滯后期更短，這可能是因為湘贛鄂地區(qū)氣候較濕潤，降水量較大，從而對比水分條件來看，植被生長對熱量條件的變化更為敏感。

2.2 NDVI與其他影響因子的相關(guān)性

由湘贛鄂地區(qū)多年平均NDVI與其他影響因子的相關(guān)性（表2）可知，各地形因子對NDVI均存在一定程度的影響，各因子與NDVI相關(guān)性的大小為海拔>坡度>坡向，說明在地形因子中，海拔對于NDVI影響最大，其次是坡度，影響最小的是坡向;土壤質(zhì)地因子對NDVI存在一定程度的影響，各因子與NDVI相關(guān)性的大小為：黏粒>沙粒，說明在土壤質(zhì)地因子中黏粒對NDVI的影響大于沙粒;經(jīng)緯度因子對NDVI存在一定程度的影響，各因子與NDVI相關(guān)性大小為：經(jīng)度>緯度，說明在經(jīng)緯度因子中經(jīng)度對NDVI的影響大于緯度。總體來看，其他影響因子均對研究區(qū)NDVI產(chǎn)生一定的影響，同時不同的影響因子對NDVI的影響存在一定差異。

2.3 基于站點的NDVI及影響因子關(guān)系模型的構(gòu)建與精度評估

2.3.1 模型的構(gòu)建 研究時段為2005—2015年，研究區(qū)域為湘贛鄂地區(qū)，以每16 d的NDVI均值作為因變量，以氣溫（temperature，TEM）、降水量（precipitation，PRE）、日照時數(shù)（sunshine duration，SSD）、相對濕度（relative humidity，RHU）、地形（digital elevation model，DEM）、土壤質(zhì)地（soil texture，ST）、經(jīng)度（longitude，LON）、緯度（latitude，LAT）作為自變量，構(gòu)建以NDVI=f（TEM，PRE，SSD，RHU，DEM，ST，LON，LAT）為形式的關(guān)系模型，模型中NDVI與氣象因子的對應(yīng)將氣象因子影響的滯后效應(yīng)納入考慮。本研究以2005—2014年數(shù)據(jù)為訓(xùn)練集，2015年數(shù)據(jù)為測試集。

2.3.1.1 深度學(xué)習(xí)模型 本研究在深度學(xué)習(xí)MXNET框架下利用R語言下的MXNET R包實現(xiàn)，模型的訓(xùn)練及預(yù)測過程如下：（1）因子輸入。將研究時段內(nèi)各自變量數(shù)值和因變量NDVI數(shù)值作為輸入因子輸入模型。（2）模型訓(xùn)練。對輸入模型的訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練。通過對模型參數(shù)進(jìn)行調(diào)整設(shè)置，包括調(diào)整隱藏層的層數(shù)m、每個隱藏層中神經(jīng)元的數(shù)量n和訓(xùn)練的迭代次數(shù)p，以獲得最優(yōu)訓(xùn)練效果，研究經(jīng)過多次參數(shù)調(diào)整，確定設(shè)置：隱藏層數(shù)m為6，神經(jīng)元數(shù)量n為500，訓(xùn)練迭代次數(shù)p為1 000次，以全連接的方式鏈接，此時模型訓(xùn)練可以達(dá)到最優(yōu)效果。（3）NDVI預(yù)測。模型訓(xùn)練結(jié)束后分別對訓(xùn)練集和測試集因變量NDVI進(jìn)行預(yù)測，得到NDVI預(yù)測值。

2.3.1.2 線性回歸模型 在訓(xùn)練集數(shù)據(jù)的基礎(chǔ)上，構(gòu)建以NDVI影響因子為自變量，NDVI為因變量的線性回歸模型，如下所示：

式中：y為NDVI值;x1為NDVI對應(yīng)前3期的降水量;x2為NDVI對應(yīng)前1期的氣溫;x3為NDVI對應(yīng)前1期的日照時數(shù);x4為NDVI對應(yīng)前3期的相對濕度;x5為經(jīng)度;x6為緯度;x7為海拔;x8為土壤黏粒;x9為土壤沙粒;x10為坡向;x11為坡度。通過線性模型統(tǒng)計檢驗可知，NDVI與影響因子之間具有較好的線性關(guān)系，模型的置信度為99%（模型線性關(guān)系的顯著性水平為99%）。最后將訓(xùn)練集和測試集自變量數(shù)據(jù)輸入構(gòu)建的線性回歸模型中，分別得到訓(xùn)練集和測試集的NDVI預(yù)測值。

2.3.2 模型預(yù)測精度評估 分別將深度學(xué)習(xí)模型和線性回歸模型的NDVI預(yù)測值與原始MODIS-NDVI值進(jìn)行比較分析，通過計算相關(guān)系數(shù)（R）、均方根誤差（RMSE）、平均相對誤差（MRE）對模型預(yù)測值進(jìn)行精度評估，并且對2種模型的預(yù)測精度進(jìn)行比較（表3至表5）。

由表3可知，線性回歸模型訓(xùn)練集NDVI預(yù)測值與原始MODIS-NDVI值的相關(guān)系數(shù)為0.754，測試集的相關(guān)系數(shù)為0.711，雖比訓(xùn)練集稍低，但達(dá)到顯著相關(guān)。訓(xùn)練集和測試集的均方根誤差較小，說明模型具備一定的模擬精度。測試集的平均相對誤差未超過訓(xùn)練集，說明模型對于新數(shù)據(jù)具有一定的預(yù)測能力。

由表4可知，深度學(xué)習(xí)模型訓(xùn)練集NDVI預(yù)測值與原始MODIS-NDVI值的相關(guān)系數(shù)為0.877，測試集的相關(guān)系數(shù)為0.804，均達(dá)到顯著相關(guān)。訓(xùn)練集和測試集的均方根誤差較小，模型的預(yù)測精度較高，訓(xùn)練集和測試集的平均相對誤差較小，且測試集的平均相對誤差小于訓(xùn)練集，說明深度學(xué)習(xí)模型對新數(shù)據(jù)的預(yù)測精度較高，預(yù)測能力較強。

由表5可知，在測試集的比較中，深度學(xué)習(xí)模型NDVI預(yù)測值與MODIS-NDVI的相關(guān)系數(shù)明顯高于線性回歸模型，同時深度學(xué)習(xí)模型平均相對誤差與均方根誤差這2項指標(biāo)明顯低于線性回歸模型，可見深度學(xué)習(xí)模型的3項預(yù)測精度評估指標(biāo)均優(yōu)于線性回歸模型，說明深度學(xué)習(xí)模型的預(yù)測能力顯著優(yōu)于線性回歸模型，更加適用于研究區(qū)NDVI的預(yù)測。

對訓(xùn)練集和測試集的深度學(xué)習(xí)模型與多元線性回歸模型NDVI預(yù)測值分別與原始MODIS-NDVI值繪制散點圖，對散點圖線性趨勢進(jìn)行分析，見圖2和圖3。

由圖2可看出，訓(xùn)練集深度學(xué)習(xí)模型預(yù)測值與MODIS-NDVI值散點圖中散點分布比較集中，大多貼近在相關(guān)線附近，而線性回歸模型散點圖中散點分布的集中程度明顯不如深度學(xué)習(xí)模型，偏離相關(guān)線較遠(yuǎn)的點也比較多，散點圖的線性趨勢較深度學(xué)習(xí)模型差。深度學(xué)習(xí)模型散點圖的擬合優(yōu)度R2為0.769，明顯高于線性回歸模型。說明深度學(xué)習(xí)模型對訓(xùn)練集NDVI的預(yù)測效果明顯好于線性回歸模型，穩(wěn)定性較高。由圖3可以看出測試集深度學(xué)習(xí)模型與MODIS-NDVI值散點圖中散點的集中程度高于線性回歸模型，偏離相關(guān)性的散點較線性回歸模型少，散點圖線性趨勢較線性回歸模型明顯。深度學(xué)習(xí)模型散點圖擬合優(yōu)度R2為0.646，顯著高于線性回歸模型?？梢娚疃葘W(xué)習(xí)模型對測試集NDVI的預(yù)測效果也明顯優(yōu)于線性回歸模型，說明深度學(xué)習(xí)模型在大樣本數(shù)據(jù)預(yù)測方面優(yōu)勢明顯，顯著提高了NDVI的預(yù)測精度，能夠更加準(zhǔn)確地模擬預(yù)測區(qū)域植被變化狀況，從而為農(nóng)林業(yè)科研及生產(chǎn)提供更加精確的指導(dǎo)與幫助。

2.4 基于空間的NDVI及影響因子關(guān)系模型的構(gòu)建與精度評估

2.4.1 基于空間的氣象因子的模擬 對研究區(qū)2015年23期（1期為16 d）的各站點氣象因子包括PRE、TEM、SSD、RHU與其他影響因子包括DEM、ST、LON、LAT利用深度學(xué)習(xí)進(jìn)行模型訓(xùn)練，分別建立23期以氣象因子（PRE，TEM，SSD，RHU）=f（DEM，ST，LON，LAT）為形式的氣象因子模擬模型，然后將模型各自變量的遙感圖像（geotiff）格式文件通過交互式數(shù)據(jù)語言（interactive data language，IDL）轉(zhuǎn)換成逐像元面模擬值的逗號分隔值文件格式（comma-separated values，CSV）輸入模型中，得到研究區(qū)2015年各期的氣象因子逐像元面模擬值CSV文件，通過IDL轉(zhuǎn)換為geotiff圖像。

由圖4可見，降水量面模擬空間分布自西北向東南方向遞增，湖北、湖南降水量較低，江西降水量較高，研究區(qū)降水量平均值為1 780 mm，研究區(qū)整體降水量較高，符合該地區(qū)氣候特征;氣溫空間分布在整體上自西北向東南逐漸上升，氣溫在海拔較高的山地地區(qū)相較于平原地區(qū)偏低，湖北西部、湖南西部、江西西部較低，湖北東部、湖南東部、江西東部較高，研究區(qū)氣溫平均值為14.5 ℃;日照時數(shù)空間分布自東北向東南方向遞減，湖北大部分地區(qū)、江西北部、湖南北部為高值區(qū)，江西、湖南南部為低值區(qū)，研究區(qū)日照時數(shù)平均值為1 550 h;相對濕度空間分布特征為自東北向西南逐漸遞減，高值區(qū)位于湖北中部，低值區(qū)位于江西、湖南南部，研究區(qū)相對濕度平均值為 78%，研究區(qū)整體相對濕度較高，符合湘贛鄂地區(qū)氣候

特征。研究區(qū)各氣象因子面模擬值空間分布特征與艾治勇等人[16]的研究結(jié)論較為吻合，結(jié)論比較可靠。

2.4.2 基于空間的NDVI預(yù)測精度評估 將研究區(qū)2015年各期氣象因子的面模擬數(shù)據(jù)與其他影響因子的面數(shù)據(jù)轉(zhuǎn)換為CSV文件輸入到之前通過深度學(xué)習(xí)訓(xùn)練構(gòu)建的NDVI及其影響因子關(guān)系模型中，預(yù)測得到各期NDVI面預(yù)測數(shù)據(jù)的CSV文件，可通過IDL轉(zhuǎn)換成geotiff影像。對研究區(qū)2015年23期原始MODIS-NDVI影像和23期面預(yù)測NDVI影像逐像元計算2組NDVI值的相關(guān)系數(shù)，得到逐像元的相關(guān)系數(shù)CSV文件，通過IDL將其轉(zhuǎn)換成geotif圖像，得到2015年23期NDVI面預(yù)測值與原始MODIS-NDVI值逐項元相關(guān)系數(shù)空間分布圖（圖5）。

由圖5可知，NDVI面預(yù)測值與原始MODIS-NDVI值的相關(guān)性整體上比較高，研究區(qū)相關(guān)系數(shù)在0.004～0.983范圍內(nèi)變化，湖南西部、北部、中部，江西大部分地區(qū)，湖北西部、東部地區(qū)相關(guān)系數(shù)較高，說明深度學(xué)習(xí)模型對這些區(qū)域NDVI空間預(yù)測效果比較好，湖北省中部、東南部、湖北江西交界處、江西西北部東南部相關(guān)系數(shù)相對較低，說明模型對這些區(qū)域NDVI年內(nèi)各期預(yù)測能力稍弱一些，研究區(qū)絕大部分地區(qū)達(dá)到顯著相關(guān)水平。從研究區(qū)整體來看，深度學(xué)習(xí)模型對該區(qū)域NDVI整體預(yù)測能力較強，預(yù)測效果較好，可以將該模型推廣到整個長江中游地區(qū)。

根據(jù)本研究實際需要，借鑒夏文韜等的方法[17]，對幾種植被相關(guān)地表覆蓋類型進(jìn)行合并，歸并為3個主要類別，土地覆蓋類別重分類規(guī)則見表6。

由表7可以看出，在2015年面預(yù)測逐項元相關(guān)系數(shù)空間分布主要地物分類統(tǒng)計中，林地平均相關(guān)性為0.665，草地平均相關(guān)性為0.731，農(nóng)地平均相關(guān)性為0.766，研究區(qū)平均相關(guān)性為0.724。各地表覆蓋類型像元的預(yù)測結(jié)果與原始MODIS-NDVI相關(guān)性大小為：農(nóng)地>草地>研究區(qū)>林地。這可能是由于農(nóng)地NDVI在年內(nèi)各期時間序列變化中，受到降水量、氣溫、日照時數(shù)、相對濕度這些氣象因子的綜合影響更為顯著，而林地和草地受到各氣象因子的綜合影響比農(nóng)作物稍弱一些，該結(jié)論與苗晨的研究結(jié)論[18]較為吻合。整個研究區(qū)的平均相關(guān)系數(shù)較高，說明模型對研究區(qū)NDVI年內(nèi)變化預(yù)測能力較強，預(yù)測效果比較好，適用于該地區(qū)NDVI的空間預(yù)測。

由此可見，深度學(xué)習(xí)方法可以構(gòu)建較為可靠的基于站點和基于空間的NDVI及影響因子關(guān)系模型來對研究區(qū)NDVI進(jìn)行有效預(yù)測，預(yù)測結(jié)果精度較高，預(yù)測能力較強。因此，通過深度學(xué)習(xí)方法對各地表覆蓋類型植被變化基于不同時間尺度和空間尺度的預(yù)測，能夠有效提高區(qū)域植被變化的預(yù)測水平，從而顯著提高農(nóng)作物產(chǎn)量、葉面積指數(shù)、病蟲害狀況等農(nóng)林業(yè)指標(biāo)的估算精度，為相關(guān)管理部門的決策規(guī)劃和科學(xué)研究活動提供可靠的科學(xué)依據(jù)和數(shù)據(jù)參考。

3 結(jié)論

研究區(qū)NDVI與不同氣象因子的相關(guān)性不同，并且各氣象因子對NDVI的影響都存在一定的滯后效應(yīng)，NDVI與降水量的相關(guān)性最大值出現(xiàn)在對應(yīng)前3期，與氣溫的相關(guān)性最大值出現(xiàn)在對應(yīng)前1期，與日照時數(shù)的相關(guān)性最大值出現(xiàn)在對應(yīng)前1期，與相對濕度的相關(guān)性最大值出現(xiàn)在對應(yīng)前3期。NDVI與各氣象因子的最大相關(guān)性大小比較為：氣溫>日照時數(shù)>降水量>相對濕度，研究區(qū)熱量條件的變化對植被變化的影響較水分條件更加顯著。

在基于站點的NDVI預(yù)測中，深度學(xué)習(xí)模型預(yù)測NDVI值與原始MODIS-NDVI值相關(guān)系數(shù)為0.804，且模型測試集的平均相對誤差（MRE）未超過訓(xùn)練集，模型泛化能力較好;深度學(xué)習(xí)模型的各項預(yù)測精度評估指標(biāo)均明顯優(yōu)于線性回歸模型，說明深度學(xué)習(xí)方法顯著提高了NDVI的預(yù)測精度，預(yù)測能力更強，更加適用于研究區(qū)植被變化的預(yù)測。

在基于空間的深度學(xué)習(xí)NDVI預(yù)測中，不同地表覆蓋類型的NDVI預(yù)測值與原始MODIS-NDVI值的平均相關(guān)性不同，林地平均相關(guān)性為0.665，草地為0.731，農(nóng)地為0.766，研究區(qū)平均相關(guān)性為0.724。研究區(qū)整體NDVI預(yù)測精度較高，不同地表覆蓋類型的預(yù)測精度大小為：農(nóng)地>草地>研究 區(qū)> 林地，可見不同地表覆蓋類型NDVI對各影響因子變化的敏感程度不同，NDVI預(yù)測精度也有所不同。

參考文獻(xiàn)：

[1]殷守敬，陳曉玲，吳傳慶，等. 基于時序NDVI的江西省植被覆蓋時空變化分析[J]. 華中師范大學(xué)學(xué)報（自然科學(xué)版），2013，47（1）：129-135.

[2]熊小菊，廖春貴，胡寶清. 基于遙感數(shù)據(jù)的廣西植被變化特征分析[J]. 科學(xué)技術(shù)與工程，2018，18（11）：123-128.

[3]王 磊，王 賀，盧艷麗，等. NDVI在農(nóng)作物監(jiān)測中的研究與應(yīng)用[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2013，34（4）：43-50.

[4]吳昌廣，周志翔，肖文發(fā)，等. 基于MODIS NDVI的三峽庫區(qū)植被覆蓋度動態(tài)監(jiān)測[J]. 林業(yè)科學(xué)，2012，48（1）：22-28.

[5]何 月，樊高峰，張小偉，等. 浙江省植被物候變化及其對氣候變化的響應(yīng)[J]. 自然資源學(xué)報，2013，28（2）：220-233.

[6]李惠敏，劉洪斌，武 偉. 近10年重慶市歸一化植被指數(shù)變化分析[J]. 地理科學(xué)，2010，30（1）：119-123.

[7]Weiss J L，Gutzler D S，Jea C，et al. Long-term vegetation monitoring with NDVI in a diverse semi-arid setting，central New Mexico，USA[J]. Journal of Arid Environments，2004，58（2）：249-272.

[8]Ma M，Veroustraete F. Reconstructing pathfinder AVHRR land NDVI time-series data for the northwest of China[J]. Advances in Space Research，2010，37（4）：835-840.

[9]韓 雅，朱文博，李雙成. 基于GWR模型的中國NDVI與氣候因子的相關(guān)分析[J]. 北京大學(xué)學(xué)報（自然科學(xué)版），2016，52（6）：1125-1133.

[10]Yang S W，Zhang B. Vegetation cover change and its response to climatic factors using SPOT NDVI in Hedong of Gansu Province[J]. Chinese Journal of Ecology，2014，32（10）：455-461.

[11]Hinton G E，Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science，2006，313（9）：504-507.

[12]Schmidhuber J. Deep learning in neural networks：an overview[J]. Neural Networks，2015，61：85-117.

[13]Dahl G E，Yu D，Deng L，et al. Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition[J]. IEEE Transactions on Audio Speech & Language Processing，2012，20（1）：30-42.

[14]Hinton G E，Osindero S，Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation，2014，18（7）：1527-1554.

[15]Zhu Z，Wang S，Woodcock C E. Improvement and expansion of the fMask algorithm：cloud，cloud shadow，and snow detection for Landsats 4-7，8，and Sentinel 2 images[J]. Remote Sensing of Environment，2015，159：269-277.

[16]艾治勇. 長江中游地區(qū)氣候變化特點及雙季稻適應(yīng)性高產(chǎn)栽培技術(shù)研究[D]. 長沙：湖南農(nóng)業(yè)大學(xué)，2012.

[17]夏文韜，王 鶯，馮琦勝，等. 甘南地區(qū)MODIS土地覆蓋產(chǎn)品精度評價[J]. 草業(yè)科學(xué)，2010，27（9）：11-18.

[18]苗 晨. 華北平原不同生長發(fā)育期農(nóng)田長勢對氣候因子的響應(yīng)研究[D]. 南京：南京信息工程大學(xué)，2014.張麗婭，馬志林. 南水北調(diào)中線渠坡不同季節(jié)不同蓋度草地土壤氮素和有機質(zhì)變化[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（3）：219-223.