[發明專利]基于深度學習的干旱指數監測方法及系統

有效

• 申請號: 202110283892.0
• 申請日: 2021-03-17
• 公開（公告）號: CN112668705B
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 俞樂;黃小猛;周崢
• 申請（專利權）人: 清華大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G01W1/10;G01N33/24
• 代理公司: 北京鴻元知識產權代理有限公司 11327
• 代理人: 王迎;袁文婷

本發明提供一種基于深度學習的干旱指數監測方法及系統，其中的方法包括：獲取監測站點的觀測數據，并基于觀測數據獲取對應的各參數信息；對各參數信息分別進行數據處理，獲取與各參數信息分別對應的預處理數據；對預處理數據以及與觀測數據對應的輔助數據進行數據融合，并基于融合后的數據構建數據集；其中，數據集包括訓練集和測試集；基于訓練集和測試集訓練并測試深度神經網絡模型，直至深度神經網絡模型收斂在預設范圍內，形成干旱指數監測模型；基于干旱指數監測模型對待檢測區域的干旱指數進行監測。利用上述發明能夠更加綜合、全面的識別旱情，提高旱情監測的準確性。

技術領域

本發明涉及干旱監測技術領域，更為具體地，涉及一種基于深度學習的干旱指數監測方法及系統。

背景技術

干旱具有頻率高、持續時間長、影響范圍廣等特點，可對水資源、土地資源以及人民的生活造成潛在的影響，對國民經濟尤其是農業生產造成嚴重影響，是我國和全球最大的自然災害之一，引起各國政府、科研人員的重視，能否及時、準確地監測旱情對于抗旱準備和減少旱情風險是至關重要的。

目前，為監測、評估以及研究干旱的發生及發展，國內外學者提出了各種各樣的干旱指數。其中，植被干旱響應指數（VegDRIthe vegetation drought response index ）結合了傳統的基于氣候和衛星的方法來評估植被條件，為評估干旱從地方到區域的影響提供了新的見解。

但是，傳統的旱情監測是用測量土壤含水量來監測干旱的程度及范圍，該方法雖然簡單，但代表性差，無法實現對大范圍干旱災害的動態監測；為此，需要一種更加綜合、全面的干旱監測方法，以提高旱情監測的準確性。

發明內容

鑒于上述問題，本發明的目的是提供一種基于深度學習的干旱指數監測方法及系統，以解決目前旱情監測存在的代表性差、無法實現對大范圍干旱災害的動態監測等問題。

本發明提供的基于深度學習的干旱指數監測方法，包括：獲取監測站點的觀測數據，并基于觀測數據獲取對應的各參數信息；對各參數信息分別進行數據處理，獲取與各參數信息分別對應的預處理數據；對預處理數據以及與觀測數據對應的輔助數據進行數據融合，并基于融合后的數據構建數據集；其中，數據集包括訓練集和測試集；基于訓練集和測試集訓練并測試深度神經網絡模型，直至深度神經網絡模型收斂在預設范圍內，形成干旱指數監測模型；基于干旱指數監測模型對待檢測區域的干旱指數進行監測。

此外，優選的技術方案是，參數信息包括與觀測數據對應的標準化降水指數SPI、土壤有效含水量AWC、自校正帕默爾指數PDSI和平均季節綠度百分比PASG；輔助數據包括生長季開始的異常值SOSA、全球土地覆蓋數據NLCD和農業灌溉百分比數據IA。

此外，優選的技術方案是，標準化降水指數SPI的獲取過程包括：基于觀測數據獲取預設時間段內降水量的Г分布的概率密度函數；基于概率密度函數確定降水量小于預設值的Г分布的概率；對Г分布的概率進行正態標準化處理，獲取標準化降水指數SPI。

此外，優選的技術方案是，其中，概率密度函數的公式表示為：

其中，，隨機變量x表示觀測數據中的降水量，β＞0，γ＞0，分別表示概率密度函數的尺度和形狀參數，β和γ采用極大釋然估計算法獲取，β和γ的公式表示為：

其中， ，x_i表示降水量的資料樣本，表示降水量的預設年限的平均值，n表示監測站點的個數。

此外，優選的技術方案是，降水量小于預設值的Г分布的概率表達公式為：

對Г分布的概率進行正態標準化處理的公式表示為：