近日，中国地质大学（武汉）国家地理信息系统工程技术研究中心在遥感领域期刊《IEEE Transactions on Geoscience and Remote Sensing》（SCI一区，IF = 7.5）发表了题为《Geographically weighted convolutional long short-term memory neural networks: a geospatial deep learning model for monthly NDVI prediction》的研究成果。该研究提出了一种耦合地理加权和卷积长短期记忆神经网络（Geographically weighted convolutional long short-term memory neural networks, GWConvLSTM）的月尺度NDVI时空预测方法。研究利用该模型实现了武汉市黄陂区的月尺度NDVI时空预测，在预测未来1个月、3个月和5个月的实验中，预测决定系数（R²）分别达到了0.8427, 0.8209和0.8149。相比于其他用于NDVI时空预测的深度学习模型，研究提出的模型预测精度和效果具有显著提升。论文第一作者为国家地理信息系统工程技术研究中心2022级硕士生蔡瑞楠。

图1 论文封面

植被作为连接空气、土壤、水及各种生态成分的重要纽带，在维护生物多样性和生态系统稳定方面发挥着关键作用。植被的健康状况影响着生态环境的质量，是实现可持续发展的基础。通过准确的每月植被动态时空预测，可以有效地提供生态系统不稳定预警，并及时为作物管理做好准备。遥感植被指数可以反映植被的特征，如绿化率、叶绿素含量、绿色生物量等。目前使用最多的植被指数是归一化差异植被指数NDVI，其在农业生产预测、干旱监测等领域都得到了广泛的应用。月尺度NDVI的时空预测对农业和生态环境具有重要意义。然而，传统的深度学习模型忽略了植被的局部空间关系和空间自相关的影响，无法充分捕捉到邻近区域对预测目标的贡献，预测效果不佳。

为解决以上问题，该研究提出了地理加权卷积长短期记忆神经网络GWConvLSTM，该模型可以对月尺度NDVI进行高精度的时空预测。首先，模型以空间距离矩阵作为初始输入，以ConvLSTM细胞结构为基础，设计了时空记忆流结构来构建空间权重生成网络来对每个像素的空间综合权重进行建模。其次，研究对原始的ConvLSTM结构单元进行改进，以Hadamard乘积的方式将空间权重与ConvLSTM结构单元进行结合，以使模型将每个像素的空间权重纳入学习。

图2 研究流程图

空间权重代表了局部空间关系。然而，传统的地理加权回归模型利用空间核函数计算的空间权重不能解决地理现象中存在的复杂非线性相互作用。深度学习模型可以学习变量之间的复杂关系。因此，深度学习模型在空间权重生成方面具有很大的潜力。像素的经纬度代表着地理位置信息。在本研究中，两个像素之间的距离由网格数据中每个像素中心点的经度和纬度计算，得到的距离矩阵就是空间权重网络的初始输入。而传统ConvLSTM模型的层与层之间是相互独立的，各结构单元仅在同一层之间传递信息，这样会导致下一个时间步的第一个结构单元忽略了前一个时间步在最后一层的信息。因此，本研究采取了时空记忆流结构来传递上一时间步的空间权重隐藏信息（图2）。

图2 空间权重生成网络

相比于传统ConvLSTM单元，GWConvLSTM的单元结构主要的改进点是引入了空间权重（图3）。在本研究中，使用Hadamard积将空间权重与隐藏层状态相结合，使GWConvLSTM单元可以对每个像素分配权值。通过该操作引入空间权重，不涉及元素之间的重排和组合，既保留了隐藏层状态的信息，又不增加额外的计算量，计算效率高。同时，我们将空间权重生成网络和预测网络进行耦合，空间权重神经网络每个时间步的输出作为当前时间步的空间权重输入到预测网络中，形成网状结构（图4）。

图3 GWConvLSTM的结构单元

图4 GWConvLSTM模型结构

研究结果表明，GWConvLSTM模型的预测结果在各个评价指标上均优于CNN-LSTM、PredRNN、ConvLSTM三个传统深度学习模型，具有优越的预测能力。相比于基线模型ConvLSTM，在提前1个月、3个月和5个月的预测中，分别有85.25%、90.82%和90.97%的像素预测精度有提升。此外，研究为体现所提出的空间权重生成网络的优势，在预测模型和耦合方式相同的情况下，分别构建了以ANN和CNN进行空间权重生成的GWNN和GWCNN模型，结果表明，GWConvLSTM模型中的空间权重网络可以更好地应对复杂的时空数据预测任务。

图5 预测精度箱型图

论文链接：https://ieeexplore.ieee.org/document/10737111