首页  专利技术  电子电路装置的制造及其应用技术

一种遥感干旱指数监测方法、存储介质、设备

409次浏览
一种遥感干旱指数监测方法、存储介质、设备

本发明涉及干旱监测,尤其涉及一种遥感干旱指数监测方法、存储介质、设备。


背景技术:

1、遥感干旱监测与评估是遥感技术在资源环境管理中的关键应用之一,尤其在干旱监测、水资源管理、农业灾害评估等领域发挥着重要作用。干旱指数作为评估工具,主要分为基于地面气象观测和基于卫星遥感观测两大类。地面干旱指数依托于气象站点的降水和温度等变量,能够精确反映局部干旱状况,直观且实用。但因覆盖范围和空间分布的限制,其在大范围干旱监测中存在不足。卫星遥感数据则以其广阔的覆盖范围、高空间分辨率和强时效性,成为大范围干旱监测的理想选择。然而,单一的遥感指标或地面气象观测无法全面监测干旱。

2、尽管线性回归模型为干旱监测提供了新思路,但在处理致旱因子与干旱之间的非线性关系时存在局限。


技术实现思路

1、本发明的目的在于:为了解决单一的遥感数据或地面气象数据无法全面监测干旱且数据之间存在非线性的问题,提出一种遥感干旱指数监测方法,包括以下步骤:

2、s1、获取致旱耦合因子的遥感图像数据,收集气象要素数据,将致旱耦合因子的遥感图像数据处理为月尺度的干旱耦合因子遥感数据,将气象要素数据处理为月尺度的气象要素数据;

3、s2、根据月尺度的气象要素数据,计算不同时间尺度的标准化降水蒸散指数;

4、s3、分析不同时间尺度的标准化降水蒸散指数的空间自相关性、时间自相关性以及相关的距离参数,得到不同时间尺度的标准化降水蒸散指数的时空关联性数据;

5、s4、将月尺度的干旱耦合因子遥感数据、不同时间尺度的标准化降水蒸散指数、不同时间尺度的标准化降水蒸散指数的时空关联性数据进行整合,并划分为训练集和测试集;

6、s5、构建基于深度神经网络的干旱指数监测模型,使用训练集和测试集对干旱指数监测模型进行训练和测试,得到最终干旱指数监测模型,将待监测月尺度的干旱耦合因子遥感数据和月尺度的气象要素数据输入最终干旱指数监测模型,得到干旱指数空间分布的监测结果。

7、进一步地,致旱耦合因子包括:地表温度、归一化植被指数、gpm降雨数据、土壤湿度数据、蒸发总量、地表覆盖类型、高程、坡度、坡向。

8、进一步地,气象要素数据包括:日平均10m风速、日最高气温、日最低气温、日平均相对湿度、日日照时数、纬度、海拔高度。

9、进一步地,不同时间尺度的标准化降水蒸散指数的计算公式如下:

10、

11、其中,et0为日作物参考蒸散量,rn为地表净辐射,g为土壤热通量,tmean为日平均气温,u2为地面2m高度处风速,es为饱和水汽压,ea为实际水汽压,δ为饱和水汽压曲线斜率,γ为干湿表常数。

12、计算逐月降水与潜在蒸散量之间的差值di,公式如下:

13、di=pi-peti

14、其中,pi表示第i个月的降水量,peti表示第i个月的潜在蒸散量;

15、对差值序列di进行累积求和,构建不同时间尺度的水分盈亏序列

16、

17、其中,k表示时间尺度,表示时间尺度k下第i年第j个月开始往前的k个月的累积水分盈亏序列;

18、采用适用效果最好的三参数log-logistic概率分布,对数据序列进行拟合得到给定时间尺度的累积函数;

19、

20、其中,f(x)表示三参数log-logistic分布,α表示尺度系数,β表示形状系数,x为需要正态化的数据序列的每个数据,γ表示origin参数;

21、使用线性矩法估计log-logistic概率分布的参数α、β和γ:

22、

23、γ=w0-αγ(1+1/β)γ(1-1/β)

24、其中,γ为阶乘函数,w0、w1、w2为序列的不同概率加权距;

25、概率加权距计算公式如下:

26、

27、其中,ws为概率加权距,s=0,1,2,n为参与计算的月份数,fi表示第i个随机变量小于或等于i的概率;

28、根据以下公式计算标准化降水蒸散指数:

29、当p≤0.5时

30、

31、当p>0.5时:

32、

33、其中,spei-k表示k个月时间尺度下的标准化降水蒸散指数,p=1-f(x),c0=2.515517,c1=0.802853,c2=0.010328,d1=1.432788,d2=0.189269,d3=0.001308。

34、进一步地,不同时间尺度的标准化降水蒸散指数的空间自相关性表达式如下:

35、

36、

37、其中,sspei表示不同时间尺度的标准化降水蒸散指数的空间自相关性,wsi表示某个时间尺度下第i个空间邻近监测站点所在网格的空间权重,speii表示某个时间尺度下第i个空间邻近监测站点所在网格的标准化降水蒸散指数,n表示空间邻近监测站点单元数,dsi表示某个时间尺度下第i个空间邻近监测站点所在网格的空间距离;

38、dsi通过vincenty公式计算:

39、dsi=vincenty((lon,lat),(loni,lati))

40、其中,lon表示训练样本中当前站点的经度,lat表示训练样本中当前站点的纬度,loni表示当前站点第i个空间邻近监测站点的经度,lati表示前站点第i个空间邻近监测站点的纬度;

41、不同时间尺度的标准化降水蒸散指数的时间自相关性的计算公式为:

42、

43、其中,tspei表示不同时间尺度的标准化降水蒸散指数的时间自相关性,wtj表示某个时间尺度下第j个时相的时间权重,表示某个时间尺度下第j个时相空间邻近监测站点所在网格的标准化降水蒸散指数,m表示邻近时相数,dtj表示某个时间尺度下第j个时相的时间距离,dtj=2j;

44、距离参数为:

45、

46、其中,dis表示距离参数。

47、进一步地,根据不同时间尺度的标准化降水蒸散指数的值的范围,将干旱等级类别划分为:无旱、轻微干旱、中等干旱、严重干旱、极端干旱。

48、进一步地,所述干旱指数监测模型包括两个卷积层、两个展平层、两个线性层、一个自注意力机制、两个长短期记忆网络;

49、所述干旱指数监测模型包括特征提取模块和特征处理模块;

50、特征提取模块有两个分支,特征提取模块的输入通过两个卷积层提取输入数据的特征,提取到的输入数据的特征通过第一个展平层,将多维的数据一维化,最后通过第一个线性层得到特征提取模块第一个分支的输出;特征提取模块第二个分支包含第二个展平层,特征提取模块的输入通过第二个展平层得到特征提取模块第二个分支的输出;

51、卷积层由卷积、激活函数、正则化层组成;

52、特征提取模块第一个分支的输出输入到特征处理模块的自注意力机制,然后通过两个串联的长短期记忆网络,最后两个串联的长短期记忆网络的输出和特征提取模块第二个分支的输出一起输入到第二个线性层,得到模型输出的回归结果。

53、本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的遥感干旱指数监测方法。

54、本发明还提出一种电子设备,包括处理器和存储器,所述处理器与所述存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括计算机可读指令,所述处理器被配置用于调用所述计算机可读指令,执行上述的遥感干旱指数监测方法。

55、本发明提供的技术方案带来的有益效果是:

56、本发明提出利用致旱耦合因子的遥感图像数据和气象要素数据,并计算不同时间尺度的标准化降水蒸散指数,并考虑不同时间尺度的标准化降水蒸散指数的时空关联性,有助于识别干旱在邻近区域的扩散趋势、评估干旱事件的持续时间,通过构建基于深度神经网络的干旱指数监测模型,对干旱进行预测。本发明的方法利用致旱耦合因子的遥感图像数据和气象要素数据,可以解决单一的遥感数据或地面气象数据无法全面监测干旱的问题。通过考虑不同时间尺度的标准化降水蒸散指数的时空关联性以及构建基于深度神经网络的干旱指数监测模型,解决干旱耦合因子与干旱状态之间的复杂相互作用、数据之间存在非线性的问题。

文档序号 : 【 40001612 】

技术研发人员:程青,杨芮,叶凡
技术所有人:中国地质大学(武汉)

备 注:该技术已申请专利,仅供学习研究,如用于商业用途,请联系技术所有人。
声 明此信息收集于网络,如果你是此专利的发明人不想本网站收录此信息请联系我们,我们会在第一时间删除
程青杨芮叶凡中国地质大学(武汉)
一种人才辅助用基于人工智能的人机交互设备的制作方法 能耗检测方法、装置、计算机设备和存储介质与流程
相关内容