Прогнозирование временных рядов NDVI и выявление изменений на базе рекуррентных нейронных сетей

Анализ временных рядов вегетационного индекса NDVI, полученных по данным дистанционного зондирования Земли, является сложной задачей из-за большого размера регулярно поступающих данных (4 раза в день). При неизменности типов поверхности, которые формируют принимаемый спутником сигнал, временные ряды являются повторяющимися из года в год, содержат множество выбросов и провалов различной длительности, что связано с наличием облачности. Изменения влажности и температуры приводят к колебаниям значительно меньшей амплитуды. Форма временного ряда определяется смесью типов поверхности и их состоянием. Временные ряды вегетационного индекса NDVI содержат информацию о фенологическом цикле растительности и необходимы в работе для экологов, специалистов сельского, водного, лесного хозяйства и др.

Целью данного проекта является создание геоинформационной системы, прогнозирующей временные ряды с помощью глубокого обучения, визуализации прогнозируемых показателей (статистические и иные характеристики временных рядов), выявления отклонений от предсказанных значений и анализ выявленных изменений. В качестве первичных данных используются данные со спутника Modis Aqua/Terra, характеристики наблюдаемой поверхности (высота, поворот, наклон), положение спутникового прибора и солнца, температура поверхности, влажность, количество осадков, наличие облачности, типы почв и статистические показатели за последние 10 лет, для территории Томской области. Для каждого пикселя, за исследуемый период времени, формируется набор признаков, который является основой для пространственно-временного анализа и выявления тенденций изменения.

В рамках проекта разработано веб-приложение, накапливающего спутниковые данные о местности, проводится расчет вегетационных индексов и их анализ, рассчитываются признаки, описывающие поведение вегетационного индекса в каждом пикселе за различные периоды (1, 3, 6, 12, 30, 60, 365, 670 дней). Для решения задач проекта, особе внимание уделяется подготовке ранее полученных данных, что связано с выполнением трансформации, сглаживания и заполнения пропусков за счет облачности (нормализация). Для решения задачи анализа создана архитектура многослойной нейронной сети, позволяющая прогнозировать и определять тип и характеристику изменения, произошедшее на определенной территории.