CN105760814A - 一种基于数据挖掘的干旱监测方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘的干旱监测方法，方法步骤如下，步骤1，对MODIS植被指数产品、地表温度产品、蒸散产品进行数据重构；步骤2，根据步骤1中得到的植被指数及DEM数据，对TRMM降水产品进行降尺度；步骤3，再提取植被异常指数、温度异常指数、蒸散异常指数、降水异常指数；步骤4，以分类回归树模型构建统计回归规则和线性拟合模型得到干旱监测模型。与现有技术相比较，本发明综合考虑干旱监测中的多源遥感空间信息，包括降水、蒸散、植被生长状态、土地利用类型、海拔高度等因素，采用空间数据挖掘，构建干旱监测模型，提高干旱监测的精度。

Description

一种基于数据挖掘的干旱监测方法

技术领域

本发明涉及一种环境监测领域，尤其涉及一种基于数据挖掘的干旱监测方法。

背景技术

传统的干旱监测局限于利用分布在地面比较稀疏点上的土壤含水量数据来监测旱情及分布范围。由于地面监测数据量少，代表性差，无法实现大范围干旱灾害的动态监测。而卫星遥感信息因其宏观、动态、客观、时效性好的特点，为大范围的干旱灾害监测提供了一种高效、便捷的技术平台。

遥感技术是获取陆地表面分布式信息的必要手段。自从遥感技术转向民用以来，利用遥感技术监测区域干旱成为遥感应用的主要内容之一，国内外已做了不少工作。土壤含水量是地球水分平衡的一个重要组成部分，也是研究干旱的重要指标。常规的土壤水分测量方法有土钻取土称重和中子仪法，但由于监测点位置及布局的问题，观测的代表性较差，且无法实现大范围的实时动态监测。通过遥感方法监测土壤水分和植被水分状态可以间接实现对干旱的监测。由于土壤水分和植被水分在不同电磁波谱波段上呈现不同的特性，目前国内外干旱遥感监测通过可见光一近红外、短波红外、热红外和微波等波段实现，比较成熟的方法可归纳为五类：热惯量法、作物缺水指数法、植被指数法、微波遥感和考虑冠层温度的植被指数法的方法。

热惯量法利用引起土壤表层温度变化的热惯量特性，根据热惯量与土壤含水量的相关关系，通过卫星遥感获取土壤温度，从而实现对土壤水分的研究。热惯量模型在实际应用中需要根据地表实际状况对模型参数进行调整，推广应用存在一定的限制。

作物缺水指数是利用热红外遥感温度和常规气象资料监测植被条件下的土壤水分。作物缺水指数法具有明确的物理意义，但由于用到的气象数据需要从当地气象台站得到，因此这种方法的精度取决于地面气象数据的代表性，用个别气象站点的观测数据代表整个区域的情况往往不尽合理。

植被指数法根据植被指数时间序列建立旱情监测指标，如VCI等。由于一个地区的气候状况、土壤类型质地、植被分布、地形条件等因素都会影响植被指数的变化，这类方法在不同地区的监测精度存在差异。同时由于植被指数相对于气象条件存在滞后性，因此降低了此类方法在较大面积区域的适用性。

微波遥感监测土壤水分的原理是地表的介电特性、发射率和土壤水分间存在显著的相关关系。同时微波遥感具有全天时、全天候等独特优势，是监测干旱非常有希望的方法。但是由于微波收地表参数影响较大，数据获取较难，目前实际应用不如前三种方法普遍。

可见光、短波红外、热红外的结合应用是目前干旱遥感监测的发展方向。通过不同波段组合可以反演出地表温度(LST)、植被指数、反照率等反映水分状态的因子，这些因子的综合应用可以提高水分反演的精度。

遥感干旱监测方法因具有高时空分辨率且能获取区域连续空间上的旱情而得以广泛应用，然而以往的遥感干旱监测方法多侧重于考虑土壤、植被等单一因素，特别是大多数遥感干旱监测方法不能反映致旱因素中的降水盈亏信息，单一的从植被指数或地表温度以及他们的组合生成的监测指数在干旱监测中存在很大不确定性。随着微波雷达遥感技术的发展，从连续空间面上获取大气实时降水成为可能，特别是热带降水测量计划(TropicalRainfallMeasuringMission，TRMM)卫星的发射，为干旱综合监测提供了一种新的遥感数据源，然而其空间分辨率较粗，无法反映较为精细的地表覆盖，需要进行空间降水降尺度后才能应用干旱监测中。本发明综合考虑干旱发生发展过程中的土壤水分胁迫、植被生长状态和气象降水盈亏等致旱因素，基于多源遥感数据建立一种新的干旱监测模型。

发明内容

本发明的目的就在于提供一种解决上述问题，针对目前遥感干旱监测多采用单一或较少变量，提出一种多源遥感数据提取干旱监测变量，然后基于数据挖掘的干旱监测方法，较单一因子的干旱监测模型提高干旱监测精度，同时可以克服传统气象干旱在空间异质性方面表达不足的难题。

为了实现上述目的，本发明采用的技术方案是：一种基于数据挖掘的干旱监测方法，方法步骤如下，

步骤1，对MODIS植被指数产品、地表温度产品、蒸散产品进行数据重构；

步骤2，根据步骤1中得到的植被指数及DEM数据，对TRMM降水产品进行降尺度；

步骤3，再提取植被异常指数、温度异常指数、蒸散异常指数、降水异常指数；定义标准化植被异常指数为：

StVI＝(NDVI-NDVImean)/NDVIstd(4)

其中NDVImean为时间序列NDVI的均值，NDVIstd为时间序列NDVI的标准差；

定义标准化温度异常指数为：

StLST＝(LST-LSTmean)/LSTstd(5)

其中LSTmean为时间序列LST的均值，LSTstd为时间序列LST的标准差；

定义标准化降水异常指数为：

StTRMM＝(TRMM-TRMMmean)/TRMMstd(6)

其中TRMMmean为时间序列TRMM降水的均值，LSTstd为时间序列TRMM降水的标准差；

Ratio＝ET/PET(7)

ET为实际蒸散，PET为潜在蒸散；

定义标准化蒸散异常指数为：

StET＝(Ratio-Ratiomean)/Ratiostd(8)

其中Ratiomean为时间序列Ratio的均值，Ratiostd为时间序列Ratio的标准差。

步骤4，以分类回归树模型构建统计回归规则和线性拟合模型得到干旱监测模型。

作为优选，步骤1中，对MODISMOD13产品的低质量数据使用同月其他年份的植被指数平均值进行充填；使用Hants滤波技术对时间序列植被指数进行去噪平滑处理；对于MOD11A2地表温度产品，合成算法以每景8d地表温度产品在某月内所占的天数建立比例为权重，然后按权重将天该月所有地表温度产品进行线性相加；对合成数据中存在的一些无效值区域采用平均值算法对月地表温度数据的无效值进行修补；MOD16蒸散的低质量数据使用同月其他年份的蒸散发平均值进行充填。

作为优选，所述步骤2中，对TRMM降水产品进行降尺度方法如下，

1)定义高分辨率(HR)和低分辨率(LR)遥感数据，分辨率为1km×1km的数据(NDVI、DEM)称为高分辨率影像，0.25°分辨率TRMM数据为低分辨率影像；

2)建立地理加权回归模型；

将NDVI、DEM数据通过空间平均采样到0.25°，然后以TRMM数据为因变量，NDVI、DEM数据为自变量，建立地理加权回归模型；

TRMM＝β₀(u)+β₁(u)×NDVI_LR+β₂(u)×DEM_LR+ε(u)(1)

式中，TRMM为TRMM月降水量，βi(u)为与位置有关的系数，ε(u)为位置有关的残差；

对于公式1中系数的确定，采用高斯(Gauss)函数作为空间权函数；

ω_ij＝exp-0.5(d_ij/b)²(2)

采用修正后的Akaike信息量准则(AkaikeInformationCriterion，AIC)进行带宽的选择；

$AICc=2n\ln \left(\mathrm{\σ}\right)+nln\left(2\mathrm{\π}\right)+n\frac{n+tr\left(S\right)}{n-2-tr\left(S\right)}---\left(3\right)$

其中，下标AICc表示“修正后的”AIC估计值，n是样点的大小，σ是误差项估计的标准离差，tr(S)是GWR的S矩阵的迹，它是带宽的函数；

3)进行参数降尺度，对βi(u)采用最近邻方法采样到1km，ε(u)采用样条插值法采样到1km；

4)计算TRMM数据降尺度的降水，将分辨率为1km×1km的NDVI、DEM数据带入公式1中，计算得到高分辨率的1km分辨率的降水数据。

作为优选，步骤4中，以分类回归树模型构建干旱监测模型方法如下，从气象数据共享网获取主要气象台站月平均降水量、气温等气象数据，在模型构建和验证过程中，利用气象观测数据计算自适应帕默尔干旱指数，以SC-PDSI为因变量，以提取的植被异常指数、温度异常指数、蒸散异常指数、降水异常指数以及土地利用、数字海拔高程(DEM)为自变量，按月份建立基于分类回归统计规则的线性模型，输出干旱指数，然后利用各月的干旱模型，在ENVI/IDL软件的支持下，重建干旱指数时序数据集，构建的干旱指数为月尺度、1000m空间分辨率的干旱指数，其完全可满足当前的干旱时空分辨率监测需求。

与现有技术相比，本发明的优点在于：发明综合考虑干旱监测中的多源遥感空间信息，包括降水、蒸散、植被生长状态、土地利用类型、海拔高度等因素，采用空间数据挖掘，构建干旱监测模型，提高干旱监测的精度。综合利用多源遥感数据提取干旱监测变量，基于数据挖掘方法构建干旱监测的方法，较单一因子的干旱监测模型提高了干旱监测精度。

附图说明

图1为本发明的一种基于数据挖掘的干旱监测方法的流程图；

图2(a)-图2(h)分别为2009年11月-12月、2010年1月-6月的贵州干旱监测分布图。

具体实施方式

下面将对本发明作进一步说明。

实施例：以2002-2012年贵州省MODIS数据为数据源，对2009-2010年的贵州干旱情况进行动态监测。如图1所示，具体实现步骤为：

步骤1，对2002-2012年的MODIS植被指数产品、地表温度产品、蒸散产品进行数据重构。对MODISMOD13产品的低质量数据使用同月其他年份的植被指数平均值进行充填。使用Hants滤波技术对时间序列植被指数进行去噪平滑处理。对于MOD11A2地表温度产品，合成算法以每景8d地表温度产品在某月内所占的天数建立比例为权重，然后按权重将天该月所有地表温度产品进行线性相加。对合成数据中存在的一些无效值区域采用平均值算法对月地表温度数据的无效值进行修补。MOD16蒸散的低质量数据使用同月其他年份的蒸散发平均值进行充填。

步骤2，对2002-2012年的TRMM月降水产品进行降尺度。根据步骤1中得到的植被指数及DEM数据，对TRMM数据进行降水降尺度。

1)定义高分辨率(HR)和低分辨率(LR)遥感数据。分辨率为1km×1km的数据(NDVI、DEM)称为高分辨率影像，0.25°分辨率TRMM数据为低分辨率影像。

2)建立地理加权回归模型。将NDVI、DEM数据通过空间平均采样到0.25°，然后以TRMM数据为因变量，NDVI、DEM数据为自变量，建立地理加权回归模型。

TRMM＝β₀(u)+β₁(u)×NDVI_LR+β₂(u)×DEM_LR+ε(u)(1)

式中，TRMM为TRMM月降水量，βi(u)为与位置有关的系数，ε(u)为位置有关的残差。

对于公式1中系数的确定，采用高斯(Gauss)函数作为空间权函数。

ω_ij＝exp-0.5(d_ij/b)²(2)

采用修正后的Akaike信息量准则(AkaikeInformationCriterion，AIC)进行带宽的选择。

$AICc=2n\ln \left(\mathrm{\σ}\right)+n1n\left(2\mathrm{\π}\right)+n\frac{n+tr\left(S\right)}{n-2-tr\left(S\right)}---\left(3\right)$

其中，下标AICc表示“修正后的”AIC估计值，n是样点的大小，σ是误差项估计的标准离差，tr(S)是GWR的S矩阵的迹，它是带宽的函数。

3)进行参数降尺度。对βi(u)采用最近邻方法采样到1km，ε(u)采用样条插值法采样到1km。

4)计算TRMM数据降尺度的降水。将分辨率为1km×1km的NDVI、DEM数据带入公式1中，计算得到高分辨率的1km分辨率的降水数据。

步骤3，提取植被异常指数、温度异常指数、蒸散异常指数、降水异常指数。

定义标准化植被异常指数为：

StVI＝(NDVI-NDVImean)/NDVIstd(4)

其中NDVImean为时间序列NDVI的均值，NDVIstd为时间序列NDVI的标准差。

定义标准化温度异常指数为：

StLST＝(LST-LSTmean)/LSTstd(5)

其中LSTmean为时间序列LST的均值，LSTstd为时间序列LST的标准差。

定义标准化降水异常指数为：

StTRMM＝(TRMM-TRMMmean)/TRMMstd(6)

其中TRMMmean为时间序列TRMM降水的均值，LSTstd为时间序列TRMM降水的标准差。

Ratio＝ET/PET(7)

ET为实际蒸散，PET为潜在蒸散。

定义标准化蒸散异常指数为：

StET＝(Ratio-Ratiomean)/Ratiostd(8)

其中Ratiomean为时间序列Ratio的均值，Ratiostd为时间序列Ratio的标准差。

步骤4，以分类回归树模型构建统计回归规则和线性拟合模型得到干旱监测模型，其特征在于，从气象数据共享网获取主要气象台站月平均降水量、气温等气象数据，在模型构建和验证过程中，利用气象观测数据

计算自适应帕默尔干旱指数(self-calibratingpalmerdroughtseverityindex，SC-PDSI)。以SC-PDSI为因变量，以提取的植被异常指数、温度异常指数、蒸散异常指数、降水异常指数以及土地利用、数字海拔高程(DEM)为自变量，对获取的2002-2012年空间统计干旱建模数据按月份分类进行建模，然后利用各月的干旱模型，在ENVI/IDL软件的支持下，重建2002-2012年的干旱指数时序数据集，构建的干旱指数为月尺度、1000m空间分辨率的干旱指数，其完全可满足当前的干旱时空分辨率监测需求。

图2(a)至图2(h)为2009年11月至2010年6月的干旱监测动态变化图。此次干旱从2009年年底开始，在3月份达到顶峰，至6月份干旱完全消除。2009年11月份的干旱主要发生在西南区域，至12月份干旱的范围有所减弱，范围同样在西南区域。从2010年1月至3月，构建的干旱指数监测到干旱逐步发展的过程，1月份干旱主要集中在西南部，至2月份扩大到南部，中部及北部部分区域，3月份干旱几乎扩展到全省。王兴菊的研究表明：2010年3月1日至3月21日贵州达到重旱以上级别的县数百分比为78％，中旱以上范围增至95％以上；3月21日，贵州全省大部地区都出现了重旱，南部地区出现特旱。与本研究监测的3月份的干旱情况相吻合。

从2010年4月至6月份，旱情逐渐减弱，至6月份旱情几乎消失。池再香等利用2009年9月-2010年5月贵州88个气象站地面观测资料，800个自动气象站温度、降水资料以及NCEP再分析资料的研究表明，2009年9月-2010年5月贵州西部地区持续干旱，而东部地区的旱情则持续到2010年3～4月基本缓解，5月基本无旱情。可见，构建的干旱监测模型监测的干旱趋势符合实际。

以上对本发明所提供的一种基于数据挖掘的干旱监测方法进行了详尽介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，对本发明的变更和改进将是可能的，而不会超出附加权利要求所规定的构思和范围，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于数据挖掘的干旱监测方法，其特征在于：方法步骤如下，

步骤1，对MODIS植被指数产品、地表温度产品、蒸散产品进行数据重构；

步骤2，根据步骤1中得到的植被指数及DEM数据，对TRMM降水产品进行降尺度；

步骤3，再提取植被异常指数、温度异常指数、蒸散异常指数、降水异常指数；

步骤4，以分类回归树模型构建统计回归规则和线性拟合模型得到干旱监测模型。

2.根据权利要求1所述的一种基于数据挖掘的干旱监测方法，其特征在于：步骤1中，对MODISMOD13产品的低质量数据使用同月其他年份的植被指数平均值进行充填；使用Hants滤波技术对时间序列植被指数进行去噪平滑处理；对于MOD11A2地表温度产品，合成算法以每景8d地表温度产品在某月内所占的天数建立比例为权重，然后按权重将天该月所有地表温度产品进行线性相加；对合成数据中存在的一些无效值区域采用平均值算法对月地表温度数据的无效值进行修补；MOD16蒸散的低质量数据使用同月其他年份的蒸散发平均值进行充填。

3.根据权利要求1所述的一种基于数据挖掘的干旱监测方法，其特征在于：所述步骤2中，对TRMM降水产品进行降尺度方法如下，

1)定义高分辨率(HR)和低分辨率(LR)遥感数据；

2)建立地理加权回归模型；

将NDVI、DEM数据通过空间平均采样到0.25°，然后以TRMM数据为因变量，NDVI、DEM数据为自变量，建立地理加权回归模型；

TRMM＝β₀(u)+β₁(u)×NDVI_LR+β₂(u)×DEM_LR+ε(u)(1)

式中，TRMM为TRMM月降水量，βi(u)为与位置有关的系数，ε(u)为位置有关的残差；

对于公式1中系数的确定，采用高斯(Gauss)函数作为空间权函数；

ω_ij＝exp-0.5(d_ij/b)²(2)

采用修正后的Akaike信息量准则(AkaikeInformationCriterion，AIC)进行带宽的选择；

$AICc=2n\ln \left(\mathrm{\σ}\right)+n\ln \left(2\mathrm{\π}\right)+n\frac{n+tr\left(S\right)}{n-2-tr\left(S\right)}---\left(3\right)$

其中，下标AICc表示“修正后的”AIC估计值，n是样点的大小，σ是误差项估计的标准离差，tr(S)是GWR的S矩阵的迹，它是带宽的函数；

3)进行参数降尺度，对βi(u)采用最近邻方法采样到1km，ε(u)采用样条插值法采样到1km；

4)计算TRMM数据降尺度的降水，将分辨率为1km×1km的NDVI、DEM数据带入公式1中，计算得到高分辨率的1km分辨率的降水数据。

4.根据权利要求3所述的一种基于数据挖掘的干旱监测方法，其特征在于：步骤1)中，分辨率为1km×1km的数据(NDVI、DEM)称为高分辨率影像，0.25°分辨率TRMM数据为低分辨率影像。

5.根据权利要求1所述的一种基于数据挖掘的干旱监测方法，其特征在于：步骤3中，

定义标准化植被异常指数为：

StVI＝(NDVI-NDVImean)/NDVIstd(4)

其中NDVImean为时间序列NDVI的均值，NDVIstd为时间序列NDVI的标准差；

定义标准化温度异常指数为：

StLST＝(LST-LSTmean)/LSTstd(5)

其中LSTmean为时间序列LST的均值，LSTstd为时间序列LST的标准差；

定义标准化降水异常指数为：

StTRMM＝(TRMM-TRMMmean)/TRMMstd(6)

其中TRMMmean为时间序列TRMM降水的均值，LSTstd为时间序列TRMM降水的标准差；

Ratio＝ET/PET(7)

ET为实际蒸散，PET为潜在蒸散；

定义标准化蒸散异常指数为：

StET＝(Ratio-Ratiomean)/Ratiostd(8)

其中Ratiomean为时间序列Ratio的均值，Ratiostd为时间序列Ratio的标准差。

6.根据权利要求1所述的一种基于数据挖掘的干旱监测方法，其特征在于：步骤4中，以分类回归树模型构建干旱监测模型方法如下，从气象数据共享网获取主要气象台站月平均降水量、气温等气象数据，在模型构建和验证过程中，利用气象观测数据计算自适应帕默尔干旱指数，以SC-PDSI为因变量，以提取的植被异常指数、温度异常指数、蒸散异常指数、降水异常指数以及土地利用、数字海拔高程(DEM)为自变量，按月份建立基于分类回归统计规则的线性模型，输出干旱指数，然后利用各月的干旱模型，在ENVI/IDL软件的支持下，重建干旱指数时序数据集，构建的干旱指数为月尺度、1000m空间分辨率的干旱指数，其完全可满足当前的干旱时空分辨率监测需求。