DeepGrass:一种基于Transformer模型的方法,通过Sentinel-2时间序列光谱特征与植被指数预测来提升草原管理效率

《Remote Sensing of Environment》:DeepGrass: A transformer-based approach for enhanced grassland management through Sentinel-2 time series spectral signature and vegetation indices forecasting

【字体: 大 中 小 】 时间:2026年06月27日 来源:Remote Sensing of Environment 12.3

编辑推荐:

  A. Farbo|D. Parsons|E. Borgogno-Mondino|J. Oliveira摘要草原是至关重要的生态系统,能够提供多种生态服务,包括调节水分、储存碳、缓解气候影响以及促进授粉。它们为多样的动植物提供栖息地,对许多物种而言不可或缺,同时还是牲畜放牧的重要场

  
A. Farbo|D. Parsons|E. Borgogno-Mondino|J. Oliveira

摘要

草原是至关重要的生态系统,能够提供多种生态服务,包括调节水分、储存碳、缓解气候影响以及促进授粉。它们为多样的动植物提供栖息地,对许多物种而言不可或缺,同时还是牲畜放牧的重要场所,从而为粮食生产和农村经济做出贡献。准确预测草原生产力有助于确定合理的放牧密度,确保可持续的放牧方式,还有助于规划饲料供应和水资源,进而提升整体管理效率与环境可持续性。在本研究中,我们开发了DeepGrass,这是一种编码器-解码器Transformer模型,可用于预测未来15天内田间所有10个Sentinel-2光谱波段以及28种植被指数。该模型使用瑞典各地草原在三个物候季节(2020?2022年)的 ???进行训练和验证,共计涵盖565,614块草原,此外还利用2023年的数据进行了进一步测试(瑞典有87,738块草原,芬兰有44,764块),以模拟实际应用场景并检验模型的通用性。DeepGrass在与其他仅专注于NDVI预测的先进方法相比时表现出色,且在所有植被指数和光谱波段的预测结果上都十分稳定,例如:NDVI的均方根误差在0.028(t + 1)到0.105(t + 15)之间;NDMI的均方根误差在0.038(t + 1)到0.115(t + 15)之间;红光波段的均方根误差在0.0075(t + 1)到0.0205(t + 15)之间;近红外波段的均方根误差在0.028(t + 1)到0.073(t + 15)之间。值得注意的是,由预测得到的光谱波段计算出的植被指数,其性能与直接预测的植被指数相当。这一发现表明,在实际应用中,无需为每种特定的植被指数单独重新训练模型,就可以根据预测得到的光谱波段来计算出所需的植被指数。此外,基于田间平均时间序列训练的该模型在像素级数据上的表现也相当不错,这说明该模型在保证准确性的同时具备较高的计算效率。在输入时间序列中包含卫星观测数据非常重要,尤其是在进行长期预测时,因此需要评估云层覆盖情况,以确保模型输出结果的可靠性。这种先进的预测方法为监测草原动态提供了有力工具。准确预测光谱波段和植被指数对于有效的草原管理至关重要,它能够帮助人们就放牧、割草和保护措施等做出明智的决策。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号