آمار

تعداد نشریات15
تعداد شماره‌ها246
تعداد مقالات2,509
تعداد مشاهده مقاله4,499,806
تعداد دریافت فایل اصل مقاله3,316,666
قدسی فر, امیر, صادقیان, سعید, شریفی, علیرضا, عزیزی, زهرا. (1405). پیش‌بینی سری زمانی NDVI با استفاده از شبکه عصبی عمیق مبتنی بر ویژگی‌های تأخیری و آماری. فناوری آموزش, (), -. doi: 10.22061/jrsgr.2026.113095.1128
امیر قدسی فر; سعید صادقیان; علیرضا شریفی; زهرا عزیزی. "پیش‌بینی سری زمانی NDVI با استفاده از شبکه عصبی عمیق مبتنی بر ویژگی‌های تأخیری و آماری". فناوری آموزش, , , 1405, -. doi: 10.22061/jrsgr.2026.113095.1128
قدسی فر, امیر, صادقیان, سعید, شریفی, علیرضا, عزیزی, زهرا. (1405). 'پیش‌بینی سری زمانی NDVI با استفاده از شبکه عصبی عمیق مبتنی بر ویژگی‌های تأخیری و آماری', فناوری آموزش, (), pp. -. doi: 10.22061/jrsgr.2026.113095.1128
قدسی فر, امیر, صادقیان, سعید, شریفی, علیرضا, عزیزی, زهرا. پیش‌بینی سری زمانی NDVI با استفاده از شبکه عصبی عمیق مبتنی بر ویژگی‌های تأخیری و آماری. فناوری آموزش, 1405; (): -. doi: 10.22061/jrsgr.2026.113095.1128

پیش‌بینی سری زمانی NDVI با استفاده از شبکه عصبی عمیق مبتنی بر ویژگی‌های تأخیری و آماری

پژوهش های سنجش از دور و اطلاعات مکانی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 مهر 1405
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2026.113095.1128
نویسندگان
امیر قدسی فر؛ سعید صادقیان* ؛ علیرضا شریفی؛ زهرا عزیزی
گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
تاریخ دریافت: 31 اردیبهشت 1405،  تاریخ بازنگری: 01 شهریور 1405،  تاریخ پذیرش: 20 مهر 1405 
چکیده
پیشینه و اهداف: پایش و پیش‌بینی تغییرات پوشش گیاهی از مهم‌ترین موضوعات در مدیریت منابع طبیعی، ارزیابی اثرات تغییرات اقلیمی و بررسی وضعیت اکوسیستم‌ها به شمار می‌رود. در این میان، شاخص تفاضل نرمال‌شده پوشش گیاهی (NDVI) به‌عنوان یکی از پرکاربردترین شاخص‌های سنجش از دور، نقش مهمی در تحلیل وضعیت و تغییرات پوشش گیاهی دارد. با توجه به پیچیدگی رفتار زمانی پوشش گیاهی و ضرورت پیش‌بینی روند تغییرات آن، استفاده از روش‌های هوشمند و مدل‌های یادگیری عمیق اهمیت فزاینده‌ای یافته است. هدف اصلی این پژوهش، توسعه یک مدل شبکه عصبی عمیق مبتنی بر ویژگی‌های تاخیری و آماری به‌منظور پیش‌بینی سری زمانی NDVI در بخشی از محدوده تالاب هامون در جنوب شرق ایران است.
روش‌ها‌: در این پژوهش، داده‌های مورد استفاده شامل تصاویر ماهواره‌ای Landsat 5، 7، 8 و 9 در بازه زمانی ۲۰۱۰ تا ۲۰۲۶ بود که از بستر Google Earth Engine استخراج شد. تصاویر دارای پوشش ابری کمتر از ۲۰ درصد انتخاب شدند و در صورت نبود داده مناسب، آستانه پوشش ابری تا ۳۰ درصد افزایش یافت. پس از استخراج تصاویر، شاخص NDVI محاسبه و سری زمانی داده‌ها با استفاده از فیلتر Savitzky–Golay هموارسازی شد. سپس ویژگی‌های تاخیری و آماری شامل Lag1، Lag2، Lag3، اختلاف زمانی و میانگین متحرک استخراج گردید. در ادامه، یک مدل شبکه عصبی عمیق شامل سه لایه مخفی به‌منظور مدل‌سازی و پیش‌بینی سری زمانی توسعه داده شد. عملکرد مدل نیز با استفاده از شاخص‌های آماری MAE، RMSE  و ضریب تعیین (R²) ارزیابی شد..
یافته‌ها: نتایج ارزیابی مستقل مدل با استفاده از داده‌های سال‌های ۲۰۲۵ و ۲۰۲۶ نشان داد که مدل پیشنهادی از عملکرد مناسبی در پیش‌بینی سری زمانی NDVI برخوردار است. مقدار میانگین قدر مطلق خطا (MAE) برابر با 0.000844، ریشه میانگین مربعات خطا (RMSE) برابر با 0.000959  و ضریب تعیین (R²) برابر با 0.9112  به‌دست آمد که بیانگر توانایی مناسب مدل در یادگیری الگوهای زمانی داده‌ها است. همچنین نتایج پیش‌بینی برای دوره ۲۰۲۷ تا ۲۰۳۰ نشان داد که مقادیر NDVI در منطقه مورد مطالعه دارای نوسانات بین‌سالی بوده و روند یکنواخت را دنبال نمی‌کنند. میانگین سه فصل NDVI  از 0.053956  در سال ۲۰۲۷ به 0.037751  در سال ۲۰۳۰ کاهش یافت، اگرچه در سال ۲۰۲۹ افزایش نسبی نسبت به سال ۲۰۲۸ مشاهده شد.
نتیجه‌گیری: یافته‌های پژوهش نشان داد که شبکه‌های عصبی عمیق مبتنی بر ویژگی‌های زمانی و آماری، توانایی مناسبی در پیش‌بینی سری‌های زمانی سنجش از دور و تحلیل تغییرات پوشش گیاهی دارند. استفاده از این رویکرد می‌تواند در پایش اکوسیستم‌های حساس، مدیریت منابع طبیعی و ارزیابی تغییرات محیط‌زیستی کاربرد مؤثری داشته باشد. همچنین نتایج این پژوهش می‌تواند زمینه‌ساز توسعه مدل‌های هوشمند برای پیش‌بینی تغییرات محیطی در مناطق خشک و نیمه‌خشک باشد. نتایج پیش‌بینی دوره ۲۰۲۷ تا ۲۰۳۰ نشان داد که NDVI دارای نوسانات بین‌سالی بوده و مقدار میانگین آن در انتهای دوره پیش‌بینی کاهش می‌یابد. با این حال، این مقادیر باید به‌عنوان برآوردهای مدل تفسیر شوند، زیرا داده‌های مشاهده‌ای واقعی برای سال‌های آینده در زمان انجام پژوهش در دسترس نبوده است. محدودیت اصلی پژوهش، استفاده از میانگین NDVI و عدم ورود مستقیم متغیرهای اقلیمی و هیدرولوژیکی به مدل بود که می‌تواند در مطالعات آینده مورد توجه قرار گیرد.
کلیدواژه‌ها
پوشش گیاهی؛ یادگیری عمیق؛ پیش بینی سری زمانی؛ سنجش از دور؛ تالاب هامون
عنوان مقاله [English]
NDVI Time Series Prediction Using a Deep Neural Network Based on Lagged and Statistical Features
نویسندگان [English]
A. Ghodsifar؛ S. Sadeghian؛ A. Sharifi؛ Z. Azizi
Department of Surveying Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran
چکیده [English]
Background and Objectives: Monitoring and predicting vegetation cover changes play an important role in natural resource management, assessment of climate change impacts, and ecosystem monitoring. Among remote sensing indicators, the Normalized Difference Vegetation Index (NDVI) is considered one of the most widely used indices for evaluating vegetation conditions and their temporal variations. Due to the complex temporal behavior of vegetation dynamics and the increasing need for accurate forecasting, the application of intelligent approaches and deep learning models has gained significant attention. Therefore, the main objective of this study was to develop a deep neural network model based on lagged and statistical features for predicting the NDVI time series in a part of the Hamoun wetland region located in southeastern Iran.
Methods: The data used in this study consisted of Landsat 5, 7, 8, and 9 satellite images acquired during the period from 2010 to 2026 through the Google Earth Engine platform. Images with cloud coverage lower than 20% were selected, and in cases where suitable images were unavailable, the cloud threshold was increased to 30%. After calculating NDVI, the time series data were smoothed using the Savitzky–Golay filter. Subsequently, lagged and statistical features, including Lag1, Lag2, Lag3, temporal difference, and moving average, were extracted. A deep neural network model with three hidden layers was then developed for time-series modeling and prediction. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and the coefficient of determination (R²).
Findings: The results of the independent model evaluation using data from 2025 and 2026 showed that the proposed model achieved satisfactory performance in predicting the NDVI time series. The mean absolute error (MAE) was 0.000844, the root mean square error (RMSE) was 0.000959, and the coefficient of determination (R²) was 0.9112, indicating the model’s satisfactory ability to learn the temporal patterns of the data. The prediction results for the period 2027–2030 also showed that NDVI values in the study area exhibited interannual fluctuations rather than following a consistent increasing trend. The mean NDVI across the three seasons decreased from 0.053956 in 2027 to 0.037751 in 2030, although a relative increase was observed in 2029 compared with 2028.
Conclusion: The findings showed that deep neural networks based on temporal and statistical features have satisfactory capability for predicting remote sensing time series and analyzing vegetation changes. This approach can be effectively applied to monitoring sensitive ecosystems, natural resource management, and the assessment of environmental changes. The results can also provide a basis for developing intelligent models for predicting environmental changes in arid and semi-arid regions. The predictions for 2027–2030 indicated interannual fluctuations in NDVI and a decrease in its mean value toward the end of the forecast period. However, these values should be interpreted as model-based estimates because actual observational data for the future years were not available at the time of the study. The main limitation of the study was the use of mean NDVI and the absence of direct climatic and hydrological variables in the model, which can be addressed in future studies.
کلیدواژه‌ها [English]
Vegetation Cover, Deep Learning, Time Series Prediction, Remote Sensing, Hamoun Wetland
مراجع

[1] Bouaziz MC, Ben Abbes A, El Koundi M, Farah IR. ConvLSTM-GCN-transformer: Spatiotemporal graph-attention model for vegetation index map forecasting. Expert Systems with Applications. 2026;314:131596.

DOI:10.1016/j.eswa.2026.131596

[2] Chen Y, Cao R, Liu S, Peng L, Chen X, Chen J. A new deep learning-based model for reconstructing high-quality NDVI time-series data in heavily cloudy areas: fusion of Sentinel 1 and 2 data. International Journal of Digital Earth. 2024;17. DOI:10.1080/17538947.2024.2407941

[3] Cisse BB, Rashed GI, Badjan A, Haider H, Gony HAI, Ershad AM. Optimized Hybrid Deep Learning Framework for Reliable Multi-Horizon Photovoltaic Power Forecasting in Smart Grids. Electricity [Internet]. 2026; 7(1): [4 p.].

https://doi.org/10.3390/electricity7010004

[4] Dastigerdi M, Nadi M, Mashhadi BS, Serrano-Notivoli R. Analyzing vegetation dynamics and climate variability in the western Caspian ecosystem using MODIS NDVI time series data. Geosystems and Geoenvironment. 2026:100491.

DOI:10.1016/j.geogeo.2026.100491

[5] Dubey P, Rakesh N, Dubey P, Bokoro PN. From Convolution to Attention: Transformer-Based Modeling for Multi-Day Wildfire Spread Forecasting. IEEE Access. 2025;13:128895–919. https://doi.org/10.1109/ACCESS.2025.3586922

[6] Fan M, Xiao Q, Yu Q, Zhao J. A hybrid ConvLSTM-Nudging model for predicting surface soil moisture in the Qilian Mountains, China. Journal of Arid Land. 2025;17:1623–48. DOI:10.1007/s40333-025-0112-9

[7] Faran I, Netanyahu N, Shoshany M. Spatio-Temporal Transformers for Long-Term NDVI Forecasting2026. DOI:10.48550/arXiv.2602.01799

[8] Farsani R, Pazouki E, Jecei J. A Transformer Self-Attention Model for Time Series Forecasting. Journal of Electrical and Computer Engineering Innovations. 2021;9:1–10.

DOI:10.22061/JECEI.2020.7426.391

[9] Ferchichi A, Abbes AB, Barra V, Farah IR. Forecasting vegetation indices from spatio-temporal remotely sensed data using deep learning-based approaches: A systematic literature review. Ecological Informatics. 2022;68:101552.

DOI:10.1016/j.ecoinf.2022.101552

[10] Gao P, Du W, Lei Q, Li J, Zhang S, Li N. NDVI Forecasting Model Based on the Combination of Time Series Decomposition and CNN – LSTM. Water Resources Management. 2023;37:1–17. DOI: 10.1007/s11269-022-03419-3

[11] Gholamnia M, Khandan R, Bonafoni S, Sadeghi A. Spatiotemporal Analysis of MODIS NDVI in the Semi-Arid Region of Kurdistan (Iran). Remote Sensing [Internet]. 2019; 11(14):[1723 p.]. https://doi.org/10.3390/rs11141723

[12] Ghorbanian A, Mohammadzadeh A, Jamali S. Linear and Non-Linear Vegetation Trend Analysis throughout Iran Using Two Decades of MODIS NDVI Imagery. Remote Sensing [Internet]. 2022; 14(15):[3683 p.].

https://doi.org/10.3390/rs14153683

[13] Guo Y, Zhang L, He Y, Cao S, Li H, Ran L, et al. LSTM time series NDVI prediction method incorporating climate elements: A case study of Yellow River Basin, China. Journal of Hydrology. 2024;629:130518. DOI:10.1016/j.jhydrol.2023.130518

[14] Han B, Kang J, Zhang M, Wu Q. Research on Space-Time Data Prediction Model of Quantum Long Short-Term Memory Network Fusion. Photonics [Internet]. 2026; 13(5):[477 p.]. https://doi.org/10.3390/photonics13050477

[15] Hasan SB, Kareem SW. Advanced time series forecasting of vegetation health using deep learning models: A remote sensing approach to analyzing climate change impact. The Egyptian Journal of Remote Sensing and Space Sciences. 2025;28(4):645–58. DOI:10.1016/j.ejrs.2025.09.005

[16] Jácome-Galarza L-R, Realpe M, Vinan-Ludena M, Calderon F, Jaramillo Luzuriaga S. AgriTransformer: A Transformer-Based Model with Attention Mechanisms for Enhanced Multimodal Crop Yield Prediction. Electronics. 2025;14:2466.

https://doi.org/10.3390/electronics14122466

[17] Khodadadi N, Towfek SK, Zaki AM, Alharbi AH, Khodadadi E, Khafaga DS, et al. Predicting normalized difference vegetation index using a deep attention network with bidirectional GRU: a hybrid parametric optimization approach. International Journal of Data Science and Analytics. 2025;20(4):3119–46. DOI:10.1007/s41060-024-00640-8

[18] Kim J, Oh S, Kim H, Choi W. Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction. Engineering Applications of Artificial Intelligence. 2023; 126: 106817. DOI:10.1016/j.engappai.2023.106817

[19] Li J, Wang C, Su W, Ye D, Wang Z. Uncertainty-Aware Self-Attention Model for Time Series Prediction with Missing Values. Fractal and Fractional [Internet]. 2025; 9(3):[181 p.].

DOI:10.3390/fractalfract9030181

[20] Marsetič A, Kanjir U. Forecasting Vegetation Behavior Based on PlanetScope Time Series Data Using RNN-Based Models. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2024;PP:1–11.

DOI:10.1109/JSTARS.2024.3365971

[21] Mehrjou M, Ahmadi H. Mapping spatiotemporal variability of vegetation and climate sensitivity in northern Iran using google earth engine. Scientific Reports. 2026.

DOI:10.1038/s41598-026-49433-y

[22] Mi P, Zheng C, Jia L, Bai Y. Reconstruction of Global Long-Term Gap-Free Daily Surface Soil Moisture from 2002 to 2020 Based on a Pixel-Wise Machine Learning Method. Remote Sensing [Internet]. 2023; 15(8): [2116 p.].

https://doi.org/10.3390/rs15082116

[23] Miller L, Pelletier C, Webb G. Deep Learning for Satellite Image Time Series Analysis: A Review2024.

DOI:10.48550/ARXIV.2404.03936

[24] Mirchooli F, Sadeghi SH, Khaledi Darvishan A. Analyzing spatial variations of relationships between Land Surface Temperature and some remotely sensed indices in different land uses. Remote Sensing Applications: Society and Environment. 2020;19:100359. DOI:10.1016/j.rsase.2020.100359

[25] Scarpa G, Gargiulo M, Mazza A, Gaetano R. A CNN-Based Fusion Method for Feature Extraction from Sentinel Data. Remote Sensing [Internet]. 2018; 10(2):[236 p.].

https://doi.org/10.3390/rs10020236

[26] Shi W, Liao X, Wang S, Ye H, Wang D, Yue H, et al. Evaluation of a CNN model to map vegetation classification in a subalpine coniferous forest using UAV imagery. Ecological Informatics. 2025;87:103111. https://doi.org/10.1016/j.ecoinf.2025.103111

[27] Subhadarsini S, Kumar DN, Govindaraju RS. Enhancing Hydro-climatic and land parameter forecasting using Transformer networks. Journal of Hydrology. 2025;655:132906. DOI:10.1016/j.jhydrol.2025.132906

[28] Sun J, Shen J, Li H, Wang H, Ren A, Zhou X, et al. QCL-LNF: A Spatiotemporal Quantum CNN-LSTM Model for Long-Term NDVI Forecasting. IEEE Transactions on Geoscience and Remote Sensing. 2025;PP:1–. DOI:10.1109/TGRS.2025.3604007

[29] Tran KH, Zhang X, Zhang HK, Shen Y, Ye Y, Liu Y, et al. A transformer-based model for detecting land surface phenology from the irregular harmonized Landsat and Sentinel-2 time series across the United States. Remote Sensing of Environment. 2025;320:114656. DOI:10.1016/j.rse.2025.114656

[30] Tripathi A, Yadav V, Abidi A. Temporal NDVI Forecasting for Early Detection of Vegetation Stress Using Deep Learning2026. 968–73 p. DOI:10.1109/IC3ECSBHI67834.2026.11468920

[31] Vasilakos C, Tsekouras G, Kavroudakis D. LSTM-Based Prediction of Mediterranean Vegetation Dynamics Using NDVI Time-Series Data. Land. 2022;11:923.

DOI:10.3390/land11060923

[32] Wang J, Wang P, Tian H, Tansey K, Liu J, Quan W. A deep learning framework combining CNN and GRU for improving wheat yield estimates using time series remotely sensed multi-variables. Computers and Electronics in Agriculture. 2023;206:107705. DOI:10.1016/j.compag.2023.107705

[33] Wang Y, Wu W, Zhang Z, Li Z, Zhang F, Xin Q. A temporal attention-based multi-scale generative adversarial network to fill gaps in time series of MODIS data for land surface phenology extraction. Remote Sensing of Environment. 2025;318:114546. DOI:10.1016/j.rse.2024.114546

[34] Wang Y, Zhang N, Chen M, Zhao Y, Guo F, Huang J, et al. Prediction and Spatiotemporal Dynamics of Vegetation Index Based on Deep Learning and Environmental Factors in the Yangtze River Basin. Forests [Internet]. 2025; 16(3):[460 p.]. https://doi.org/10.3390/f16030460

[35] Wittstruck L, Waske B, Jarmer T. Multi-Modal Vision Transformer for high-resolution soil texture prediction of German agricultural soils using remote sensing imagery. Remote Sensing of Environment. 2025;331:114985.

DOI:10.1016/j.rse.2025.114985

[36] Xiong C, Ma H, Liang S, He T, Zhang Y, Zhang G, et al. Improved global 250 m 8-day NDVI and EVI products from 2000–2021 using the LSTM model. Scientific Data. 2023;10. DOI:10.1038/s41597-023-02695-x

[37] Yechuri S, Ramadevi S, Anand M, Velpula VK, Miriyala G, Siddhartha V. Deep Learning-Based Time-Frequency Attention Network Model for Water-Body Segmentation. Engineering Proceedings [Internet]. 2026; 124(1):[72 p.].

https://doi.org/10.3390/engproc2026124072

[38] Zeng L, Wardlow BD, Hu S, Zhang X, Zhou G, Peng G, et al. A Novel Strategy to Reconstruct NDVI Time-Series with High Temporal Resolution from MODIS Multi-Temporal Composite Products. Remote Sensing [Internet]. 2021; 13(7):[1397 p.]. DOI:10.3390/rs13071397

آمار
تعداد مشاهده مقاله: 89


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب