DOI:https://doi.org/10.1016/j.compag.2025.110570干旱是全球最常见的自然灾害之一，严重影响农作物产量和经济发展。因此，提前准确预报农业干旱对于降低灾害风险和加强农业管理至关重要。以自回归移动平均模型 (ARIMA) 为代表的传统统计模型在基于干旱指数的预测中表现出巨大优势，但忽略了时间序列遥感变量固有的复杂底层特征，例如残差特征。长短期记忆网络 (LSTM) 是一种有效的深度学习方法，能够捕捉非线性关系，适用于处理时间序列干旱指数的残差特征。为了探索由统计模型和深度学习模型构成的干旱预测模型的潜力，本研究结合 ARIMA 模型的线性表达能力和 LSTM 模型捕捉非线性关系的优势，构建了一种改进的 ARIMA-LSTM 干旱预测模型。该模型同时考虑了时间序列植被温度状况指数 (VTCI) 中的线性趋势和残差特征，以提高四川盆地干旱预测的准确性。结果表明：与不考虑残差特征的ARIMA模型（RMSE = 0.10）相比，ARIMA-LSTM（RMSE = 0.06）取得了更好的预测精度，且能够更准确地表达东部平行脊谷地区的严重干旱状况和流域中部丘陵地区的湿润状况，呈现出更细致的空间分布，更接近干旱监测结果。从预测误差的定量分析来看，引入残差特征后，ARIMA-LSTM模型的绝对误差范围由[-0.6, 0.2]缩小到[-0.2, 0.1]。综上所述，考虑时间序列VTCI的线性趋势和残差特征的ARIMA-LSTM干旱预测模型能够提前准确地识别干旱状况，为像素级干旱预报提供新的思路，从而保障粮食安全并限制干旱风险。
图2.VTCI在2021年7月初使用线性插值方法的插值结果。
图3.用于干旱预报的ARIMA-LSTM模型流程图。
图4.ARIMA模型参数测定的空间分布和比率。
图5.2023年9月下旬无残余特征的干旱预测模型与干旱监测结果的比较。
图6.2023年9月下旬VTCI绝对误差的空间分布和频率分布源自AR模型和ARIMA模型。
图7.2023年9月下旬引入残余特征的干旱预测模型与干旱监测结果之间的比较。
图8.来自 AR-LSTM 模型和 ARIMA-LSTM 模型的 VTCI 绝对误差的空间分布和频率分布。
图9.(a) AR模型的干旱预测结果,(b) ARMA模型,(c) AR-LSTM模型,(d) AR-LSTM模型和(e) 干旱监测结果
本文转自网络，仅用于学术分享，若有侵权，请联系微信号：Novel_2020 删除或修改！
