遥感论文 | Arxiv | DroughtSet＆SPDrought：从时空数据分析和可解释性的角度理解干旱，数据已开源

• 论文题目： DroughtSet: Understanding Drought Through Spatial-Temporal Learning
• 论文链接： https://arxiv.org/pdf/2412.15075
• 论文代码： https://github.com/osu-srml/DroughtSet
• 发表时间： 2024.12.19

摘要

本文提出了一个新的数据集： DroughtSet ，它整合了来自美国本土（CONUS）多个遥感和再分析数据集的相关预测特征和三个干旱指数，用于时间序列预测方法的构建。

此外，本文提出了一个时空预测模型 SPDrought ，用于预测和解释S2S干旱。

• 模型通过学习物理和生物特征的时空信息来同时预测三种类型的干旱。
• 采用了多种策略来量化物理和生物特征对干旱预测的重要性。

本文结果为研究人员提供了更好的思路，以理解干旱对生物和物理条件的可预测性和敏感性。

背景

1. 干旱的严重性与复杂性 ：干旱是极具破坏性的自然灾害，对水资源、农业和生态系统造成严重影响。随着气候变化，干旱的频率、强度和复杂性不断增加，尤其是次季节到季节（S2S）干旱的快速发生和加剧。
2. 预测的挑战 ：准确预测干旱对社会防备和风险管理至关重要，但现有模型存在局限性，如简化生物和物理因素的相互作用、仅关注单一干旱类型，且未能充分利用人工智能的潜力。
3. 数据集的不足 ：缺乏一个综合性的数据集来整合与干旱相关的多源特征（如气候、植被等），限制了对干旱预测模型的系统性评估和改进。
4. 对多变量和时空预测的需求 ：需要开发一种能够整合多变量特征并考虑时空相互作用的预测框架，以提升干旱预测的准确性和可解释性。

方法

DroughtSet数据集

数据集基本情况

• 地理范围： 数据集覆盖美国本土（CONUS），总面积超过 800 万平方公里。

• 时间跨度 ：2003 年至 2013 年的每周数据，总计 11 年（572 周）。

• 空间分辨率 ：所有变量均被重采样到 4 公里的空间分辨率。

• 数据格式 ：数据以网格形式表示，覆盖整个美国本土，网格大小为 585×1386 像素。

• 缺失值处理 ：对于数据中的缺失值（NaN），采用年平均值进行填充，以保持季节性趋势。

特征和干旱指数

• 气候和物理特征 ：包括气温、降水、辐射、水汽压亏缺（VPD）、风速、潜在蒸散发（PET）、帕尔默干旱指数（PDSI）、地表气压（SP）等。

• 植被特征 ：包括叶面积指数（LAI）、植被光学深度（VOD）、冠层高度和土地覆盖类型。

• 静态特征 ：如海拔、冠层高度和土地覆盖类型等，这些特征在空间上固定不变。

• 动态特征 ：如气候变量和植被动态指标，这些特征随时间变化。

• 土壤湿度干旱 ：通过标准化地表土壤湿度（SM）测量。

• 生态水文干旱 ：通过蒸散发胁迫指数（ESI）测量。

• 生态干旱 ：通过太阳诱导叶绿素荧光（SIF）测量。

SPDrought模型

模型总览

模块1：Spatial-Temporal Fusion

基于以下公式计算 目标地点 (i, j) （在注意力机制中称为“查询”）与邻域中的 邻近地点 （称为“键”）之间的空间相关性。

基于以上公式：