【每周一文】通过在机器学习中嵌入物理约束增强植被物候预测能力

通过在机器学习中嵌入物理约束增强植被物候预测能力

摘要

植被物候在陆地表面的生态过程以及生物圈与大气的反馈中起着至关重要的作用。当前，大尺度的植被物候的获取主要依赖于从卫星遥感影像中提取植被指数的方法，快速发展的机器学习技术也被广泛应用于高时空的植被物候识别。然而，这些方法往往忽略了与气候因素相关的基本物理机制过程，而且缺乏与实地观测的物候数据的评估和比较。针对这些局限性，本文提出了一种基于物理约束的神经网络(PCNNs)模型，将机器学习技术与物理机制相结合，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，并深入探讨了植被物候与气候因素的关系及其对生态系统的影响。

通过使用PhenoCam和USA-NPN的实地观测数据验证，我们的模型与未嵌入物理机制的机器学习方法相比，表现出较高的精度。结果表明，具有物理约束的整体均方根误差(RMSE)降低至12.37天，比没有物理约束的机器学习方法高2.6天。我们比较了使用不同的机器学习和传统基于规则的方法的四种植被类型，落叶林植被类型表现出最有效的预测结果，在PCNNs模型中的RMSE和MBE分别低至5.71天和4.06天。其次是常绿针叶林和混交林，RMSE分别为12.32和13.28天。这些发现表明，与无物理约束的机器学习模型相比，嵌入物理约束的模型显著提高了四种常见植被类型（尤其是DV）的预测准确性。该研究为植被物候将物理机制嵌入机器学习模型的研究提供了新的思路，使人们能够更准确、更可靠地预测各种生态和气候背景下的植被物候。

翁齐浩，欧洲科学院外籍院士、 美国科学促进会（AAAS）‍会士、电气与电子工程师协会（IEEE）会士、美国地理学会（AAG）会士、美国摄影测量与遥感学会（ASPRS）会士、亚太人工智能学会（AAIA）会士，现任香港理工大学地理信息学和人工智能讲座教授、曾任美国印第安纳州立大学城市与环境变化中心主任和教授和美国航天局高级研究员。现为地球观测组织的全球城市观测和信息系统项目负责人并任《国际摄影测量与遥感学会期刊》（ISPRS JP&RS）主编。翁教授的研究侧重于遥感科学和技术在城市环境与生态系统中的应用、土地利用和土地覆盖的变化和城市化的环境效应等。

曹孟莹，香港理工大学土地测量及地理资讯学系博士研究生。研究方向为植被物候及深度学习。