摘要：植被叶面积指数(LAI)时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。MODIS数据产品 MOD15 A2是目前应用最为广泛的 LAI数据源之一,然而 MODIS LAI时间序列产品包含了一些低质量的数据,例如由于云层、气溶胶等的影响,该产品在时间和空间上缺乏连续性。MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分,单一的线性方法或非线性方法都不能对其精确建模和预测。首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列,然后采用季节自回归积分滑动平均(SARIMA)方法、BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。在 SARIMA-BP神经网络组合方法中,各自在线性与非线性建模的优势得以充分发挥,其中 SARIMA方法用于建模及预测 LAI时间序列中的线性部分,BP 神经网络方法用于对非线性残差部分进行建模及预测。实验结果显示：SG 滤波和线性插值后的 LAI 时间序列比原 LAI 时间序列更平滑；SARIMA-BP神经网络组合方法的决定系数为0.981,比 SARIMA和BP神经网络的0.941和0.884更接近于1；SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991,高于SARIMA(0.971)和BP神经网络(0.942)的相关系数。由此得出结论：SARIMA-BP 神经网络组合方法对 MODIS LAI时间序列具有更好的适应性,其建模和预测准确性高于 SARIMA方法或BP神经网络方法。

原文链接:http://d.wanfangdata.com.cn/Periodical/gpxygpfx201701035

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）