人工神经网络在NDVI时间序列预测中的应用

归一化植被指数(normalized difference vegetation index,NDVI)时间序列预测以往经常采用传统的统计学方法,因其不具有较强的非线性拟合能力,导致预测NDVI时存在精度不高的问题。随着人工智能算法的快速发展,人工神经网络开始被应用于NDVI时间序列预测之中。然而,NDVI时间序列的变化趋势与特点因地而异,且对当地气候条件的依赖性各有不同。因此,基于人工神经网络预测NDVI时需要充分考虑人工神经网络自身结构特点与植被变化特点是否相符。文章以传统的BP神经网络(back propagation neural network,BPNN)、时延神经网络(time-delay neural network,TDNN)为例,结合气象数据与NDVI之间的紧密相关性这一特点,研究干旱半干旱草地区域NDVI时间序列的协同建模预测方法。此外,基于具有输入长短期记忆功能的深度学习神经网络(long short-term memory,LSTM),研究长时间序列NDVI的预测方法。结果表明,三种人工神经网络具有各自的特点,适合用于不同区域NDVI时间序列的预测。TDNN有效解决了BPNN存在的时间延时问题,适合用于基于气象数据结合NDVI协同建模预测NDVI时间序列的区域,而LSTM适用于不同区域高时间分辨率NDVI时间序列的预测。