Series temporales para el índice Diferencial Normalizado de Vegetación mediante una Red Neuronal Artificial de corto y largo plazo, y el algoritmo Prophet

• Castelo Cabay, Marco Javier ^[1] ; Merino Villa, Edgar Francisco ^[1] ; Peñafiel Tixi, Mayra Elizabeth ^[1] ; Basantes Erazo, Bélgica Marcela ^[1]
  1. [1] IST Bolívar, Ecuador.
• Localización: Polo del Conocimiento: Revista científico - profesional, ISSN-e 2550-682X, Vol. 7, Nº. 8 (AGOSTO 2022), 2022, págs. 823-841
• Idioma: español
• Títulos paralelos:
  • Séries temporais para o Índice de Vegetação Diferencial Normalizado usando uma Rede Neural Artificial de curto e longo prazo, e o algoritmo Profeta
  • Time series for the Normalized Differential Vegetation Index using a short- and long-term Artificial Neural Network, and the Prophet algorithm
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La presente investigación se realizó una evaluación de modelos para el pronóstico de series temporales del Índice Normalizado de Vegetación (NDVI) por medio de una Red Neuronal Recurrente (RNR) de corto y largo plazo, y el algoritmo Prophet de Facebook.

    Los datos se obtuvieron del sensor espacial Moderate Resolution Imaging Spectroradiometer (MODIS) que emite información con una periodicidad de 16 días, se obtuvieron valores desde enero de 2013 hasta diciembre del 2021 por medio de la plataforma Google Earth Engine (GEE). Utilizando el lenguaje de programación Python en un entorno Jupyter se construyó la red neuronal Long-Short Term Memory (LSTM), y el algoritmo Prophet, tomando como datos de entrenamiento 172 valores y 36 para prueba en ambos casos. Como métrica de evaluación se consideró Root Mean Square Error RMSE (RMSE) y Mean Square Error (MSE), obteniéndose valores de 0.509, 0.259 para LSTM y 0.5311, 02820 para Prophet, demostrando que la red LSTM tiene mejor rendimiento para la predicción de NDVI.

  • English

    The present investigation was carried out an evaluation of models for the forecast of time series of the Normalized Vegetation Index (NDVI) by means of a short and long-term Recurrent Neural Network (RNR), and the Facebook Prophet algorithm.

    The data was obtained from the Moderate Resolution Imaging Spectroradiometer (MODIS) space sensor that emits information with a periodicity of 16 days, values were obtained from January 2013 to December 2021 through the Google Earth Engine (GEE) platform. Using the Python programming language in a Jupyter environment, the Long-Short Term Memory (LSTM) neural network and the Prophet algorithm were built, taking 172 values as training data and 36 for testing in both cases. Root Mean Square Error RMSE (RMSE) and Mean Square Error (MSE) were considered as evaluation metrics, obtaining values of 0.509, 0.259 for LSTM and 0.5311, 02820 for Prophet, demonstrating that the LSTM network has better performance for NDVI prediction.

  • português

    A presente investigação realizou uma avaliação de modelos para a previsão de séries temporais do Índice de Vegetação Normalizado (NDVI) por meio de uma Rede Neural Recorrente (RNR) de curto e longo prazo e o algoritmo Facebook Prophet.

    Os dados foram obtidos do sensor espacial Moderate Resolution Imaging Spectroradiometer (MODIS) que emite informações com periodicidade de 16 dias, valores foram obtidos de janeiro de 2013 a dezembro de 2021 por meio da plataforma Google Earth Engine (GEE). Utilizando a linguagem de programação Python em ambiente Jupyter, foi construída a rede neural Long-Short Term Memory (LSTM) e o algoritmo Prophet, tomando 172 valores como dados de treinamento e 36 para teste em ambos os casos. Root Mean Square Error RMSE (RMSE) e Mean Square Error (MSE) foram considerados como métricas de avaliação, obtendo valores de 0,509, 0,259 para LSTM e 0,5311, 02820 para Prophet, demonstrando que a rede LSTM tem melhor desempenho para previsão de NDVI.