Análisis de atribución de NDVI regional y predicción de tendencias basado en el modelo Informer: un estudio de caso de la Tierra de Arena de Maowusu
Autores: Hou, Hongfei; Li, Ruiping; Zheng, Hexiang; Tong, Changfu; Wang, Jun; Lu, Haiyuan; Wang, Guoshuai; Qin, Ziyuan; Wang, Wanning
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Análisis de atribución de NDVI regional y predicción de tendencias basado en el modelo Informer: un estudio de caso de la Tierra de Arena de Maowusu
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Vegetación
Ndvi
Modelo de predicción
Datos meteorológicos
Aprendizaje profundo
Sostenible
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
Los ecosistemas terrestres dependen en gran medida de su vegetación; es posible prever las tendencias futuras de crecimiento de la vegetación regional al vigilar los cambios en la dinámica vegetal. Para evitar la posible reducción en la precisión de las predicciones causada por la no estacionariedad de los cambios meteorológicos, analizamos las características de los cambios espaciales y temporales del NDVI (Índice de Vegetación de Diferencia Normalizada) y los factores influyentes en los últimos 20 años en el Maowusu Sandland de China a través de un análisis de atribución. También construimos un sistema de análisis integral para la pre-restauración de la vegetación. Además, combinamos datos meteorológicos de 2000 a 2018 y presentamos un modelo de predicción NDVI-Informer de aprendizaje profundo con un mecanismo autoatento. También utilizamos operación de destilación y red neuronal convolucional de fusión para la predicción del NDVI. La incorporación de un método de autoatención probsparse supera con éxito las debilidades del Transformador al reducir el uso de memoria y la complejidad de las series temporales largas. Acelera significativamente la velocidad de inferencia de la predicción de series temporales largas y funciona bien con datos no suaves. Los hallazgos principales fueron: (1) el promedio de 20 años de Maowusu Sandland mostró una tendencia creciente consistente en el NDVI de 0.0034 a, causada principalmente por el cambio climático, con una tasa de contribución relativa del 55,47%; (2) El modelo basado en Informer pronosticó con precisión el NDVI en la región de investigación basándose en elementos meteorológicos y realizó un análisis exhaustivo del MAPE (error porcentual absoluto medio) (2,24%). Esto sugiere que puede disminuir efectivamente la volatilidad de los datos y aumentar la precisión de la predicción. Los resultados anticipados indican que la tendencia se estabilizará durante los próximos diez años. Para lograr una producción agrícola más sostenible y eficiente, los resultados de este estudio pueden utilizarse para estimar con precisión los rendimientos futuros de los cultivos y el NDVI utilizando datos anteriores.
Descripción
Los ecosistemas terrestres dependen en gran medida de su vegetación; es posible prever las tendencias futuras de crecimiento de la vegetación regional al vigilar los cambios en la dinámica vegetal. Para evitar la posible reducción en la precisión de las predicciones causada por la no estacionariedad de los cambios meteorológicos, analizamos las características de los cambios espaciales y temporales del NDVI (Índice de Vegetación de Diferencia Normalizada) y los factores influyentes en los últimos 20 años en el Maowusu Sandland de China a través de un análisis de atribución. También construimos un sistema de análisis integral para la pre-restauración de la vegetación. Además, combinamos datos meteorológicos de 2000 a 2018 y presentamos un modelo de predicción NDVI-Informer de aprendizaje profundo con un mecanismo autoatento. También utilizamos operación de destilación y red neuronal convolucional de fusión para la predicción del NDVI. La incorporación de un método de autoatención probsparse supera con éxito las debilidades del Transformador al reducir el uso de memoria y la complejidad de las series temporales largas. Acelera significativamente la velocidad de inferencia de la predicción de series temporales largas y funciona bien con datos no suaves. Los hallazgos principales fueron: (1) el promedio de 20 años de Maowusu Sandland mostró una tendencia creciente consistente en el NDVI de 0.0034 a, causada principalmente por el cambio climático, con una tasa de contribución relativa del 55,47%; (2) El modelo basado en Informer pronosticó con precisión el NDVI en la región de investigación basándose en elementos meteorológicos y realizó un análisis exhaustivo del MAPE (error porcentual absoluto medio) (2,24%). Esto sugiere que puede disminuir efectivamente la volatilidad de los datos y aumentar la precisión de la predicción. Los resultados anticipados indican que la tendencia se estabilizará durante los próximos diez años. Para lograr una producción agrícola más sostenible y eficiente, los resultados de este estudio pueden utilizarse para estimar con precisión los rendimientos futuros de los cultivos y el NDVI utilizando datos anteriores.