应众多读者的需求和建议，遥感地理视界创建了学习交流群，想加入交流的可扫描下方二维码添加。请进群后按照群公告备注如“学位-学校(或机构)-昵称”格式（详情请查看公众号置顶推文）。![]()
标题：Embedded physical constraints in machine learning to enhance vegetation phenology prediction
期刊：《GIScience & Remote Sensing》（中科院二区，IF=6.0）
作者：Mengying Cao, et al.
doi：10.1080/15481603.2024.2426598
植被物候是研究植被生命周期中特定事件的发生时间和模式，这些事件通常由环境因素触发。植被物候的变化对生态系统的能量平衡和反馈调节能力有直接影响，因此对植被物候的深入研究有助于我们更好地理解生态系统的运作以及为应对全球气候变化提供科学依据。传统的植被物候监测依赖于人工观测，但这种方法受限于劳动力的可用性。随着卫星遥感技术的发展，人们开始利用植被指数等指标来预测物候变化。然而，这些方法往往忽略了与气候因素相关的物理机制，缺乏与实地观测数据的评估和比较。为了解决这些限制，本研究提出了一种创新的物理约束神经网络（PCNNs）模型，该模型结合了机器学习技术和物理机制，以提高植被物候预测的准确性。通过将气象变量纳入机器学习模型，并使用MODIS数据集来识别北美四种植被类型的物候，本研究深入探讨了植被物候与气候因素之间的关系及其对生态系统的影响。本研究聚焦于北美地区，包括加拿大、美国、墨西哥、夏威夷和波多黎各。研究使用了MODIS传感器提供的MOD09Q1数据集，以及PhenoCam网络和美国国家物候网络（USA-NPN）提供的实地观测数据。研究还利用了Daymet数据集提供的每日气候变量。在数据预处理阶段，研究团队对MOD09Q1数据进行了清洗、插值、异常值检测和去除、归一化和特征选择。通过计算EVI2指数，研究者们能够更准确地洞察植被动态。此外，研究还采用了物理约束神经网络（PCNNs）模型，该模型包括输入部分（卫星时间序列数据和气象变量）、输出部分（模型预测结果）以及物理约束部分（边界约束、标签约束和气象约束）。模型的训练使用了LBFGS算法，并通过损失函数来优化模型参数。研究结果显示，PCNNs模型在验证实地观测数据时表现出高准确性，与没有物理机制的机器学习方法相比，整体均方根误差（RMSE）降低了2.6天。在四种植被类型中，落叶植被（DV）在PCNNs模型中的预测结果最为理想，RMSE和平均偏差误差（MBE）分别低至5.71天和4.06天。其次是常绿针叶林和混合林，RMSE分别为12.32天和13.28天。而胁迫性落叶植被类型的预测结果最差，RMSE为19.86天，加权一致性指数（WIA）达到0.68。这些发现表明，嵌入物理约束的模型显著提高了四种常见植被类型的预测准确性，尤其是对于DV，与无约束的机器学习模型相比。此外，研究还发现，植被物候的开始生长（SOS）和结束生长（EOS）在北美地区呈现出从南到北的一致变化趋势。在20年的时间尺度上，所有四种植被类型的生长期长度（GLS）都有所增加，其中胁迫性落叶植被类型的增加趋势最为显著。研究还分析了六个气象变量与植被物候之间的相关性，发现不同植被类型与物候的关联模式在不同气象变量之间存在显著差异，这些相关性在不同植被类型之间表现出不同的强度和方向。
本研究开发的PCNNs模型在北美地区的植被物候预测中表现出较高的准确性和可靠性。嵌入物理约束的机器学习方法能够更准确地捕捉植被物候过程的内在行为，从而提高预测的准确性。研究结果强调了在机器学习模型中嵌入物理约束的重要性，这不仅提高了模型的预测性能，还为理解植被物候与环境因素之间的复杂关系提供了新的视角。通过考虑植被物候的物理过程与气象变量之间的相互作用，我们可以更深入地理解生态系统的运作。此外，研究还指出了未来研究的方向，包括开发更高效和稳健的算法来处理复杂的物理约束，同时保持模型性能，以及考虑更多气象变量和不同气候区域对植被物候的影响。最终，这项研究为更有效的土地管理策略、气候变化缓解和生态保护工作提供了宝贵的见解。文章来源 ：
Cao, M., & Weng, Q. (2024). Embedded physical constraints in machine learning to enhance vegetation phenology prediction. GIScience & Remote Sensing, 61(1), 2426598.
免责声明 ：
本公众号发布的内容仅供学习交流使用，内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系。
