高 迪,李 倩,杜永興,李寶山

(內(nèi)蒙古科技大學(xué)信息工程學(xué)院,內(nèi)蒙古 包頭 014010)

1 引言

植被作為陸地生態(tài)系統(tǒng)的重要組成部分,是連接土壤、水文、大氣等生態(tài)要素的自然“紐帶”,在人類生產(chǎn)生活中扮演著重要的角色,在全球變化研究中起著“指示器”的作用[1][2]。歸一化植被指數(shù) (Normalized Difference Vegetation Index, NDVI)又稱標(biāo)準(zhǔn)植被指數(shù),是研究植被變化的重要工具[3],同時(shí)也是反映植物生長(zhǎng)狀態(tài)及植被空間分布密度的最佳指示因子。在農(nóng)業(yè)、畜牧業(yè)和林業(yè)等相關(guān)領(lǐng)域中NDVI作為重要監(jiān)測(cè)指標(biāo),常被用于草地漲勢(shì)的監(jiān)測(cè)研究,氣候變化分析,能源利用研究,干旱和森林火災(zāi)防范研究,以及農(nóng)業(yè)生產(chǎn)力分析和自然資源管理等多方面的研究[4]。

近年來(lái),國(guó)內(nèi)外學(xué)者專注于利用NDVI對(duì)植被覆蓋時(shí)空動(dòng)態(tài)變化和氣候變化等方面進(jìn)行分析和預(yù)測(cè)研究。王麗霞等[5]采用CA-Markov模型模擬并預(yù)測(cè)了渭河流域NDVI的空間分布狀況;李宇恒等[6]采用灰色預(yù)測(cè)模型對(duì)黃土高原植被覆蓋時(shí)空演變進(jìn)行動(dòng)態(tài)分析和預(yù)測(cè)研究;張華等[7]采用一元線性趨勢(shì)分析、Hurst指數(shù)等方法對(duì)民勤綠洲NDVI的時(shí)空變化趨勢(shì)進(jìn)行了分析和預(yù)測(cè)。李丹[8]、陳安等[9]采用TS非參數(shù)趨勢(shì)分析和偏相關(guān)分析等方法,探討NDVI時(shí)空變化對(duì)氣候因子的響應(yīng),結(jié)果表明NDVI會(huì)受氣溫和降水的共同影響,即水熱條件的增加會(huì)促進(jìn)植被生長(zhǎng);賈松濤等[10]在考慮不同因子的滯后性對(duì)植被生長(zhǎng)覆蓋程度影響的基礎(chǔ)上構(gòu)建了支持向量機(jī)預(yù)測(cè)模型。Elnaz N等[11]利用NDVI閾值法預(yù)測(cè)植被覆蓋比例對(duì)地表發(fā)射率和溫度的影響;Tsakmakis I.D.等[12]在研究中發(fā)現(xiàn)NDVI可以用于預(yù)測(cè)植被未來(lái)長(zhǎng)勢(shì)以及監(jiān)測(cè)目標(biāo)地物,并對(duì)農(nóng)業(yè)估產(chǎn)和模擬土壤水分等研究起著重要的作用。隨著機(jī)器學(xué)習(xí)的發(fā)展,人工神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的非線性模擬能力不僅在預(yù)測(cè)模型領(lǐng)域被廣泛應(yīng)用,在利用遙感衛(wèi)星數(shù)據(jù)分析植被動(dòng)態(tài)變化方面也具有重要意義。遲凱歌等[13]構(gòu)建了基于人工神經(jīng)網(wǎng)絡(luò)的NDVI預(yù)測(cè)模型,模擬和預(yù)測(cè)了雅魯藏布江流域植被的空間分布特征;潘信亮等[14]基于卷積長(zhǎng)短期記憶網(wǎng)絡(luò)(ConvLSTM),利用NDVI數(shù)據(jù)的時(shí)序性創(chuàng)建了精度較高的NDVI預(yù)測(cè)模型;HUANG T C[14]、D. Sushma Reddy[16]等基于MODIS NDVI時(shí)間序列數(shù)據(jù)構(gòu)建長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)植被動(dòng)態(tài)變化,進(jìn)一步提高了NDVI預(yù)測(cè)精度。雖然以上研究均表明植被覆蓋度受多種因子的共同作用,但目前關(guān)于NDVI預(yù)測(cè)研究中多以降雨和氣溫作為輸入因子,且不能實(shí)現(xiàn)對(duì)未來(lái)數(shù)據(jù)的預(yù)測(cè),在上述傳統(tǒng)預(yù)測(cè)方法中發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)在因變量過(guò)多時(shí),會(huì)存在誤差大、準(zhǔn)確性差、神經(jīng)網(wǎng)絡(luò)收斂速度慢等問(wèn)題;CNN算法雖具有直接處理空間數(shù)據(jù)的優(yōu)勢(shì),但不能充分地考慮復(fù)雜的時(shí)間相關(guān)性;而LSTM網(wǎng)絡(luò)結(jié)構(gòu)單一,易出現(xiàn)過(guò)擬合、適用性差、精確度低等局限性問(wèn)題。

針對(duì)上述問(wèn)題,本文提出了基于注意力機(jī)制的雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(BiLSTM-attention)預(yù)測(cè)模型,BiLSTM網(wǎng)絡(luò)能夠處理好氣溫、降水等時(shí)間序列變量與NDVI數(shù)據(jù)過(guò)去及未來(lái)的內(nèi)在聯(lián)系,注意力機(jī)制能夠優(yōu)化模型的權(quán)重,從而提高預(yù)測(cè)的準(zhǔn)確度。本文還探討了BiLSTM-attention模型在草原中對(duì)植被長(zhǎng)勢(shì)預(yù)測(cè)的適用性和可行性,進(jìn)而驗(yàn)證本方法在草場(chǎng)環(huán)境保護(hù)和改善草原植被方面提供重要的理論據(jù),進(jìn)而指導(dǎo)牧民科學(xué)化養(yǎng)殖。

2 研究概況與數(shù)據(jù)源

2.1 研究區(qū)概述

研究區(qū)是位于中國(guó)四大天然牧場(chǎng)之一的錫林郭勒大草原西北部的蘇尼特左旗,地理坐標(biāo)北緯42°45′～45°15′,東經(jīng)111°24′～115°12′。該地區(qū)是純牧業(yè)邊境旗,以畜牧業(yè)為主導(dǎo)產(chǎn)業(yè),天然草場(chǎng)總面積達(dá)到342.45萬(wàn)hm2。屬半干旱大陸性氣候,降水稀少且主要集中在4-9月份,日照充足,日照時(shí)數(shù)在全國(guó)屬于高值區(qū),蒸發(fā)量大,雨熱同期。植被類型以荒漠草原和干草原植被為主,草場(chǎng)于4月初開(kāi)始返青,9月末枯黃,牧草生長(zhǎng)關(guān)鍵時(shí)期日照充足。

圖1 蘇尼特左旗位置圖

2.2 數(shù)據(jù)源獲取

本文MODIS中國(guó)月合成產(chǎn)品NDVI數(shù)據(jù)集MODND1M,來(lái)源于中國(guó)科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心地理空間數(shù)據(jù)云平臺(tái)(http:∥www.gscloud.cn),其空間分辨率為500m,采用最大合成法獲得NDVI月值。數(shù)據(jù)以月為單位選取從2005年1月至2015年12月共132幅NDVI影像。實(shí)驗(yàn)數(shù)據(jù)集中的降水、氣溫、日照等氣象觀測(cè)數(shù)據(jù)來(lái)源于內(nèi)蒙古氣象局。

3 數(shù)據(jù)預(yù)處理

3.1 歸一化處理

MODIS數(shù)據(jù)經(jīng)格式轉(zhuǎn)換后得到TIF格式的數(shù)據(jù)文件,利用ArcMap對(duì)柵格數(shù)據(jù)進(jìn)行裁剪處理,最終得到月合成NDVI植被指數(shù)。

本文為解決不同數(shù)量級(jí)和不同量綱對(duì)預(yù)測(cè)結(jié)果的影響,對(duì)NDVI和氣象數(shù)據(jù)進(jìn)行歸一化處理,一方面有利于神經(jīng)網(wǎng)絡(luò)的特征提取,從而達(dá)到加快網(wǎng)絡(luò)的訓(xùn)練速度和效果;另一方面提高了網(wǎng)絡(luò)訓(xùn)練模型的泛化能力。本文將實(shí)驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理,其轉(zhuǎn)換函數(shù)如式(1)所示

(1)

式(1)中,X為歸一化之后模型的輸入數(shù)據(jù);x為原始的輸入數(shù)據(jù);xmax,xmin分別為原始數(shù)據(jù)各變量的最大值和最小值。

3.2 相關(guān)性分析

相關(guān)系數(shù)反應(yīng)的是兩個(gè)變量之間變化趨勢(shì)的方向及程度,取值范圍-1～1,0表示兩個(gè)變量不相關(guān),正值表示正相關(guān),負(fù)值表示負(fù)相關(guān),值越大表示相關(guān)性越強(qiáng)。本文為篩選出與NDVI相關(guān)性較高的影響因子,從而構(gòu)建精度更高的預(yù)測(cè)模型,選擇相關(guān)系數(shù)分析法來(lái)判斷NDVI與氣象因素之間的相關(guān)性。相關(guān)系數(shù)計(jì)算方法如式(2)所示

(2)

表1 NDVI與氣象因素之間的相關(guān)系數(shù)

由表1可知, NDVI與氣溫相關(guān)性最高,其相關(guān)系數(shù)達(dá)到0.797,蒸發(fā)量、日照和降水對(duì)NDVI的影響次之,其相關(guān)系數(shù)分別是0.546、0.554和0.507,而相對(duì)濕度、氣壓和風(fēng)速與NDVI的相關(guān)性較低。由于無(wú)效或冗余的輸入數(shù)據(jù)是人工神經(jīng)網(wǎng)絡(luò)誤差產(chǎn)生的重要原因,因此本文舍棄與NDVI相關(guān)性較小的濕度、氣壓和風(fēng)速這三個(gè)影響因素,有助于提高預(yù)測(cè)模型的精度。

4 研究方法

4.1 LSTM網(wǎng)絡(luò)

長(zhǎng)短期記憶網(wǎng)絡(luò)(Long-term and short-term memory, LSTM)是在循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network, RNN)基礎(chǔ)上增加了前向傳播鏈?zhǔn)浇Y(jié)構(gòu),解決了傳統(tǒng)RNN網(wǎng)絡(luò)記憶時(shí)間短、梯度消失和梯度爆炸等問(wèn)題。LSTM主要由三個(gè)門結(jié)構(gòu)組成,分別是遺忘門、輸入門和輸出門,其內(nèi)部結(jié)構(gòu)如圖2所示。

圖2 LSTM的結(jié)構(gòu)圖

遺忘門用來(lái)決定上一時(shí)刻細(xì)胞狀態(tài)信息是否丟棄,要將哪些信息保留在當(dāng)前細(xì)胞中,其過(guò)程如式(3)所示。式中ht-1表示上一個(gè)時(shí)刻的輸出,xt表示當(dāng)前時(shí)刻的輸入,Wf為遺忘門權(quán)重矩陣,bf為遺忘門偏置矩陣,σ為Sigmoid函數(shù),ft為遺忘門的輸出。

ft=σ(Wf[ht-1,xt]+bf)

(3)

it=σ(Wi[ht-1,xt]+bi)

(4)

(5)

(6)

輸出門通過(guò)Sigmoid層得到初始輸出結(jié)果οt,再經(jīng)過(guò)tanh層與Sigmoid層得到的輸出逐對(duì)相乘獲得到最終的輸出結(jié)果ht,其過(guò)程如式(7)和式(8)所示。Wο為輸出門權(quán)重矩陣,bο表示輸出門偏置矩陣。

οt=σ(Wο[ht-1,xt]+bο)

(7)

ht=οttanh(Ct)

(8)

4.2 BiLSTM網(wǎng)絡(luò)

雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(Bidirectional long short-term memory, BiLSTM)是在LSTM網(wǎng)絡(luò)的基礎(chǔ)上添加另一反向 LSTM 層,可以進(jìn)一步處理反向信息,即由前向的LSTM與后向的LSTM共同構(gòu)成BiLSTM,其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。前向的LSTM負(fù)責(zé)獲取輸入序列過(guò)去的信息,后向的LSTM負(fù)責(zé)獲取輸入序列未來(lái)的信息。因此BiLSTM可以更好的發(fā)掘數(shù)據(jù)的時(shí)序特征,更好的改善長(zhǎng)期依賴問(wèn)題,提高預(yù)測(cè)精度。

圖3 BiLSTM的結(jié)構(gòu)圖

對(duì)于BiLSTM網(wǎng)絡(luò)中每一級(jí)的隱藏層狀態(tài)ht都是由前向和反向隱藏單元的輸出,以及當(dāng)前時(shí)刻的輸入量xt組合而成。每一級(jí)隱藏層狀態(tài)的組合過(guò)程的公式如式(9)～式(11)所示。

(9)

(10)

(11)

由上述可知,本文中NDVI和氣象數(shù)據(jù)均屬于時(shí)間序列數(shù)據(jù),因此選擇BiLSTM網(wǎng)絡(luò)用于NDVI的預(yù)測(cè)。

4.3 注意力機(jī)制

注意力模型(attention mechanism, AM)最早是由Bahdana等人用于神經(jīng)機(jī)器翻譯系統(tǒng),后被廣泛應(yīng)用于機(jī)器翻譯、圖像識(shí)別等深度學(xué)習(xí)任務(wù)中。注意力機(jī)制可以從大量信息中篩選出關(guān)鍵信息,忽略其不重要信息,進(jìn)而對(duì)每個(gè)特征值分別賦予不同權(quán)重,在模型中加入注意力機(jī)制可以針對(duì)長(zhǎng)時(shí)間序列數(shù)據(jù)和多維特征數(shù)據(jù)進(jìn)行處理,使模型更專注于權(quán)重高的特征數(shù)據(jù),從而降低多維輸入所帶來(lái)的計(jì)算負(fù)擔(dān)。注意力機(jī)制結(jié)構(gòu)如圖4所示。

圖4中h1,h2,…h(huán)n表示輸入序列隱藏層的狀態(tài)向量;αni為歷史輸入的隱藏層狀態(tài)對(duì)當(dāng)前輸入的注意力權(quán)重,值越大,說(shuō)明分配的注意力越多;hn′表示最終輸出最后節(jié)點(diǎn)的隱藏層狀態(tài)值,注意力模型的計(jì)算公式如式(12)～(14)所示。

(12)

hn′=H(C,hn,xn)

(13)

(14)

上述公式中:hn′為得到注意力的大小;H是一個(gè)學(xué)習(xí)函數(shù),主要作用是計(jì)算C,hn,xn之間的相關(guān)性大小;C表示注意力加權(quán)特征向量。

4.4 BiLSTM-attention模型設(shè)計(jì)

本文根據(jù)NDVI和氣象數(shù)據(jù)呈現(xiàn)出的非線性、高維化等特點(diǎn),提出了一種基于注意力機(jī)制的雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(BiLSTM-attention)預(yù)測(cè)模型。其BiLSTM神經(jīng)網(wǎng)絡(luò)可以考慮到預(yù)測(cè)點(diǎn)前后信息的優(yōu)點(diǎn),適用于處理非線性數(shù)據(jù)之間的時(shí)間序列預(yù)測(cè)問(wèn)題,而注意力機(jī)制有助于優(yōu)化并更新輸入的特征向量,對(duì)不同的輸入變量實(shí)現(xiàn)權(quán)重系數(shù)的動(dòng)態(tài)分配,將注意力加權(quán)后的特征向量輸入到BiLSTM中對(duì)模型進(jìn)行訓(xùn)練,可以對(duì)最終預(yù)測(cè)有正向幫助的影響因素分配較高的權(quán)重系數(shù),從而提升模型的預(yù)測(cè)精度。BiLSTM-attention預(yù)測(cè)模型結(jié)構(gòu)如圖5所示。

圖5 BiLSTM-attention模型結(jié)構(gòu)圖

圖5中X表示BiLSTM-attention預(yù)測(cè)模型輸入的特征向量,y表示模型輸出的預(yù)測(cè)值,主要由6個(gè)部分構(gòu)成。

1)輸入數(shù)據(jù):對(duì)預(yù)處理和相關(guān)性分析后的氣象數(shù)據(jù)(包括氣溫、降水、日照、蒸發(fā)量)和NDVI數(shù)據(jù)作為模型的輸入數(shù)據(jù);

2)卷積操作:數(shù)據(jù)由一維卷積層進(jìn)行特征提取,實(shí)現(xiàn)跨通道的交互和信息融合;

3)BiLSTM層:利用正向和反向LSTM網(wǎng)絡(luò)對(duì)篩選處理后的數(shù)據(jù)進(jìn)行模型構(gòu)建和訓(xùn)練;

4)attention層:通過(guò)注意力機(jī)制計(jì)算輸入的每個(gè)特征向量注意力大小,并更新特征向量;

5)Dense層:將數(shù)據(jù)經(jīng)過(guò)Flatten層分別進(jìn)行過(guò)濾和扁平化處理,通過(guò)在Dense層前融合Dropout方法,防止模型過(guò)擬合,將更新后的特征向量在Dense層經(jīng)過(guò)非線性變化完成維度轉(zhuǎn)換;

6)預(yù)測(cè)值:選擇sigmoid函數(shù)作為激活函數(shù),輸出某一時(shí)刻N(yùn)DVI的預(yù)測(cè)值,記為y,輸出維度為1維,得到最終的實(shí)驗(yàn)結(jié)果。

4.5 反歸一化處理

為了使最終的預(yù)測(cè)結(jié)果與NDVI數(shù)據(jù)在同一量級(jí),需要對(duì)預(yù)測(cè)的數(shù)據(jù)進(jìn)行反歸一化處理得到最終的NDVI值,反歸一化公式如式(15)所示。

x=X(xmax-xmin)+xmin

(15)

式中x為最終的預(yù)測(cè)結(jié)果,取值范圍為-1～1,xmax、xmin為原始數(shù)據(jù)中的最大、最小值。

5 實(shí)驗(yàn)與分析

5.1 實(shí)驗(yàn)環(huán)境

Keras是一個(gè)使用最少的程序代碼和花費(fèi)最少的時(shí)間就可以建立深度學(xué)習(xí)模型的高層神經(jīng)網(wǎng)絡(luò) API,因此本文選用Keras深度學(xué)習(xí)框架的Keras2.3.1、python3.7和tensorFlow2.1.0完成實(shí)驗(yàn)。

5.2 評(píng)價(jià)標(biāo)準(zhǔn)

本文采用經(jīng)典均方根誤差(Root Mean Square Error, RMSE)和平均絕對(duì)誤差(Mean Absolute Error, MAE)作為預(yù)測(cè)NDVI的評(píng)價(jià)指標(biāo)。其中RMSE的值越小意味著預(yù)測(cè)模型描述實(shí)驗(yàn)數(shù)據(jù)具有更好的精度,MAE的值越小能更好地反映預(yù)測(cè)值誤差的實(shí)際情況。采用相對(duì)系數(shù)R-Square來(lái)表示預(yù)測(cè)模型的好壞,它的結(jié)果越大代表模型對(duì)數(shù)據(jù)的擬合效果越好。RMSE和MAE的計(jì)算方法分別如式(16)和(17)所示。

(16)

(17)

5.3 實(shí)驗(yàn)結(jié)果與分析

從上文的相關(guān)性分析可以看出,除氣溫和降水外,NDVI的變化并不是只受到氣溫和降水的影響,還會(huì)受到多種氣候要素的共同作用。為進(jìn)一步直觀比較氣象因素對(duì)NDVI的影響,將數(shù)據(jù)集劃分為:(1)僅有數(shù)據(jù)預(yù)處理后2005-2014年近10年的NDVI植被指數(shù)和氣溫、降水氣象因素的數(shù)據(jù)集;(2)數(shù)據(jù)預(yù)處理后2005-2014年近10年的NDVI植被指數(shù)和氣象數(shù)據(jù)(氣溫、降水、蒸發(fā)量、日照)的數(shù)據(jù)集。將兩個(gè)數(shù)據(jù)集在相同條件下,分別輸入到BiLSTM-attention預(yù)測(cè)模型中,觀察因輸入數(shù)據(jù)中所輸入影響因子的不同導(dǎo)致預(yù)測(cè)模型對(duì)NDVI預(yù)測(cè)精度造成的影響,其實(shí)驗(yàn)結(jié)果如表2所示。

表2 BiLSTM-attention預(yù)測(cè)模型輸入變量的精度對(duì)比

由表2可以看出,加入蒸發(fā)量、日照兩個(gè)影響因子,有助于提高模型的預(yù)測(cè)精度,可使模型的均方根誤差降低20%左右,因此,在NDVI預(yù)測(cè)中考慮加入更多與NDVI相關(guān)性較大的影響因子,有助于會(huì)提高模型的預(yù)測(cè)精度,使模型更具有可靠性。

本實(shí)驗(yàn)將數(shù)據(jù)集中的前70%作為訓(xùn)練數(shù)據(jù)集,剩余30%作為測(cè)試數(shù)據(jù)集,通過(guò)不斷的優(yōu)化調(diào)整,使模型訓(xùn)練達(dá)到最優(yōu),避免了利用已知?dú)v史NDVI數(shù)據(jù)預(yù)測(cè)植被覆蓋度的變化趨勢(shì),導(dǎo)致估產(chǎn)滯后性的缺點(diǎn),從而實(shí)現(xiàn)對(duì)研究區(qū)2015年生長(zhǎng)季逐月NDVI具體數(shù)據(jù)的精準(zhǔn)預(yù)測(cè),其結(jié)果如圖6所示。

圖6 不同模型的NDVI預(yù)測(cè)結(jié)果

圖6中展示2015年4月到9月生長(zhǎng)季NDVI的預(yù)測(cè)結(jié)果在不同模型下同實(shí)際值的對(duì)比情況。圖中明顯可以看出在2015年5月份和8月份的預(yù)測(cè)值和實(shí)際值有明顯差異,因此進(jìn)一步對(duì)數(shù)據(jù)進(jìn)行分析后發(fā)現(xiàn)2015年5月份的平均氣溫為13.6℃,而當(dāng)月的降水量為20.5mm,2015年8月份的平均氣溫為22.0℃,當(dāng)月的降水量?jī)H有7.8mm,5月份時(shí)和8月份氣溫和降水?dāng)?shù)值波動(dòng)較大,呈現(xiàn)出高溫少雨的現(xiàn)象,從而造成模型的預(yù)測(cè)結(jié)果相對(duì)較差。綜合考慮,本文所提出的 BiLSTM-attention模型預(yù)測(cè)結(jié)果與NDVI真實(shí)值波動(dòng)最為相近。

為了進(jìn)一步驗(yàn)證本文提出的BiLSTM-attention模型在NDVI預(yù)測(cè)中的優(yōu)勢(shì)和它的有效性和實(shí)用性,用NDVI植被指數(shù)和氣象數(shù)據(jù)的數(shù)據(jù)集按照7:3的比例劃分?jǐn)?shù)據(jù)樣本。輸入變量的維數(shù)為5維,分別是氣溫、降水、蒸發(fā)量、日照和NDVI,輸出變量的維數(shù)為1維,即為預(yù)測(cè)的NDVI植被指數(shù),采用Adam優(yōu)化器,將本文的模型同目前常用于預(yù)測(cè)的LSTM、GRU、BiLSTM和LSTM-attention幾種模型進(jìn)行對(duì)比,將NDVI、氣溫、降水、蒸發(fā)量和日照各因子作為輸入項(xiàng),在同等條件下,經(jīng)多次實(shí)驗(yàn)后,通過(guò)調(diào)整各參數(shù),使模型的預(yù)測(cè)結(jié)果達(dá)到最優(yōu),表3中展示的是不同預(yù)測(cè)模型各評(píng)價(jià)指標(biāo)RMSE、MAE和R-square的對(duì)比結(jié)果。

表3 NDVI預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)

由表3可知,在預(yù)測(cè)時(shí)間相同的情況下,BiLSTM-attention預(yù)測(cè)模型RMSE的值可達(dá)到0.046,MAE的值為0.035,均小于其它4個(gè)預(yù)測(cè)模型,而B(niǎo)iLSTM-attention模型的R-square高于其它模型。說(shuō)明 BiLSTM-attention模型的各項(xiàng)評(píng)價(jià)指標(biāo)均優(yōu)于其它4個(gè)對(duì)比模型。即在對(duì)2015年生長(zhǎng)季的NDVI預(yù)測(cè)時(shí),BiLSTM-attention預(yù)測(cè)模型的提升效果較為明顯,擬合度上的表現(xiàn)也優(yōu)于其它對(duì)比模型。進(jìn)而說(shuō)明注意力機(jī)制對(duì)提高模型準(zhǔn)確性起到了一定的作用。

經(jīng)實(shí)驗(yàn)證明BiLSTM-attention模型在草原植被預(yù)測(cè)中較其它模型具有更好的適用性,預(yù)測(cè)的數(shù)據(jù)整體上與產(chǎn)品數(shù)據(jù)趨勢(shì)一致,從而能夠很好地掌握NDVI的時(shí)間特征。可以根據(jù)不同地區(qū)當(dāng)?shù)氐南嚓P(guān)數(shù)據(jù),對(duì)BiLSTM-attention模型的相關(guān)參數(shù)進(jìn)行自適應(yīng)調(diào)整,使其能夠?qū)DVI更加精確地預(yù)測(cè)。

6 結(jié)論

上述結(jié)果表明,本文提出的BiLSTM-attention NDVI預(yù)測(cè)模型具有較高的預(yù)測(cè)精度,在現(xiàn)實(shí)生活中有一定的適用性和可行性,牧民可以及時(shí)監(jiān)測(cè)產(chǎn)草量,給予牧民科學(xué)化養(yǎng)殖方案,還可以推廣到現(xiàn)代草原畜牧業(yè)中,為牧草的儲(chǔ)備和草原的宏觀管理提供了強(qiáng)有力的參考。

本文基于深度學(xué)習(xí)構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,目前在實(shí)現(xiàn)NDVI預(yù)測(cè)并運(yùn)用于草原還處于起步階段。下一階段將結(jié)合其它深度學(xué)習(xí)方法進(jìn)行研究,并考慮更多對(duì)NDVI有影響的因素(如土壤、植被類型等)進(jìn)行綜合分析,進(jìn)而提高NDVI預(yù)測(cè)精度。