基于ConvLSTM模型的地球表面预报中气象数据的作用理解

气候变化或许是人类与自然环境面临的最大单一威胁，因为它对陆地表面造成了严重的影响，而陆地表面是绝大多数生物物种的栖息地。受视频预测研究的启发，并利用欧洲哥白尼Sentinel-2卫星影像的可用性，近期研究尝试将地表演变预测为过去地表状态、高程以及气象条件的函数。在此范式基础上，本文提出一种基于卷积长短期记忆网络（ConvLSTM）的模型，该模型在计算效率上具有优势（轻量化），同时在性能上显著优于以往的基线方法。通过引入基于ConvLSTM的架构，我们不仅能够融合异构数据源（包括Sentinel-2时序影像、气象数据以及数字高程模型DEM），还能显式地将未来预测结果与气象条件关联起来。实验结果验证了气象参数在理解地表覆盖动态变化中的关键作用，并表明在该任务中，气象图的重要性远高于数字高程模型。此外，我们还进行了生成式模拟，以探究单一气象参数的变化如何影响地表演化的路径。所有研究均基于EarthNet2021数据集开展。代码、补充材料及实验结果可于 https://github.com/dcodrut/weather2land 获取。