CN110163472B - 大范围极端干旱应急监测与影响评估方法及系统 - Google Patents

大范围极端干旱应急监测与影响评估方法及系统 Download PDF

Info

Publication number
CN110163472B
CN110163472B CN201910288560.4A CN201910288560A CN110163472B CN 110163472 B CN110163472 B CN 110163472B CN 201910288560 A CN201910288560 A CN 201910288560A CN 110163472 B CN110163472 B CN 110163472B
Authority
CN
China
Prior art keywords
drought
data
disaster
index
monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910288560.4A
Other languages
English (en)
Other versions
CN110163472A (zh
Inventor
雷添杰
曲伟
程慧
路京选
周杰
李世灿
张炬
李爱丽
常凊睿
李小涛
李琳
范锦龙
宋文龙
蒋卫国
姬大斌
庞治国
付俊娥
孙涛
汪洋
万金红
刘中伟
李杨
王嘉宝
蒲立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN201910288560.4A priority Critical patent/CN110163472B/zh
Publication of CN110163472A publication Critical patent/CN110163472A/zh
Application granted granted Critical
Publication of CN110163472B publication Critical patent/CN110163472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种方法，包括：基于风云卫星的中分辨率数据进行干旱监测；协同多遥感参数与地面历史干旱记录构建综合干旱监测指数，利用构建的综合干旱监测指数进行干旱灾害的监测和应急响应处理；基于多遥感参数进行干旱影响评估处理。此外，本发明还公开了一种大范围极端干旱应急监测与影响评估系统。采用本发明的技术方案能够对干旱灾情进行很好的监测以获取准确的信息，提供干旱灾情服务，防患于未然。

Description

大范围极端干旱应急监测与影响评估方法及系统
技术领域
本发明涉及灾害应急监测和快速评估技术领域，特别涉及一种大范围极端干旱应急监测与影响评估方法及系统。
背景技术
干旱灾情越来越关乎人民生活，如何对干旱灾情数据进行监测和评估，已成为旱情监测和评估技术领域中面临的研究难点。急需开发相应的系统和方法，对干旱灾情进行很好的监测以获取准确的信息，提供干旱灾情服务，防患于未然。
基于参量特征空间的干旱监测指数构造方法是假设任何区域或生态系统在不同干湿状况下尽管表现特征不同，但总能在某一个或者几个水循环参量(如降水、土壤水分、植被指数、地表温度等)表现出一定差异，且这种差异具有一定的区域依耐性，即同一区域对干湿条件的敏感性参数是稳定的。从而对任一研究区域可利用多水循环参量构建多维特征空间，然后利用历史地面干湿记录定位干旱发生时区域各参量的状态，这一状态即可作为区域是否处于干旱的判定依据，即综合干旱监测指数。
在协同多遥感参数与地面历史干旱记录构建综合干旱监测指数的方案中用到以下现有数据集中的数据：
(1)降水数据集。采用加州大学圣芭芭拉大学气象灾害组研制的降水数据集CHIRPS作为背景数据。该数据集包含了30多年的覆盖全球南纬 50度到北纬50度之间的10天降水数据。空间分辨率为0.05度。
(2)地表温度数据集。采用基于MODIS地表温度产品(MOD11A2)。时间分辨率为8天一次，空间分辨率为1公里。时间跨度为2001年-2018 年。标准数据产品发布的数据延迟约为一个月。实时监测应用过程中需要的准实时数据可由NASA的陆地大气准实时对地观测系统(LANCE)获取。同时考虑到覆盖整个监测区域数据量问题，预计会采用空间分辨率更低的地表温度产品MOD11C1，其空间分辨率为0.05度。
(3)植被指数数据集。采用基于MODIS植被指数产品(MOD13A2+ MYD13A2)。时间分辨率为8天一次，空间分辨率为1公里。时间跨度为2001年-2018年。标准数据产品发布的数据延迟约为一个月。实时监测应用过程中需要的准实时数据可由NASA的陆地大气准实时对地观测系统(LANCE)获取。同时考虑到覆盖整个监测区域数据量问题，预计会采用空间分辨率更低的地表温度产品MOD13C1+MYD13C1，其空间分辨率为0.05度。
(4)土壤水分产品。采用欧空局长时间序列土壤水分产品 ESA-CCI-SM。欧空局土壤水分产品是由欧空局全球变化倡议项目负责研发、生产、发布并维护更新的。该产品的主要目标是基于主动和被动微波传感器提供最全面且一致性最好的全球土壤水分产品。当前发布的产品覆盖了1978年到2016年每天的全球表层土壤水分，空间分辨率为0.25度。同时发布基于被动传感器、主动传感器及两者结合的产品。2018年1月份发布了最新的V04.2版本。项目当前下载了该版本的数据集，作为综合干旱指数中的土壤水分变量输入。
(5)历史旱灾记录数据集。由中国气象局收集整理的《中国农业气象灾情旬值数据集》包含了1991-2013年我国558个农业气象台站观测的农业灾情旬报报告。该数据集包括了各个站逐旬发生的农业气象灾害的灾害种类，受害作物、发生日期、灾害强度等信息。记录的灾害种类包括干旱、鸿硕、暴雨、连阴雨、冷害、高温、大风、龙卷风和干热风等。
在基于遥感的大范围极端干旱影响评估技术中可以用到以下现有数据集中的数据：
(1)归一化植被异常指数(NVAI)：定义为植被指数距平同历史最大值和最小值之差的比值。正值(0～1)表示监测时段植被指数高于历史同期均值，即土壤水分充足，植被未受到水分胁迫，反之负值(-1～0)则表明植被指数低于历史同期均值，即处于干旱状态，植被生长受到胁迫。其中数据源：MODIS植被指数数据集。
(2)土地利用。土地利用分为6大类。土地利用分类系统包括6个一级类型和25个二级类型：主要有林地、草地、耕地、水体、居民地、未利用地。
(3)人口空间分布数据。采用2015年的中国1公里格网人口数据集，数据来源于科技部“中国地球系统科学数据共享试点”项目 (MOD13A2+MYD13A2)。针对资源环境和全球变化研究领域以及国家宏观经济决策和重大开发举措的实施对定量的空间型人口数据的需求，建设了具有统一空间坐标参数、统一数据格式、统一的数据和元数据标准的中国1公里格网人口数据库。量纲(度量单位)：人/km2。
发明内容
基于此，为解决现有技术中的技术问题，特提出了一种大范围极端干旱应急监测与影响评估方法，包括：
步骤1，基于风云卫星的中分辨率数据进行干旱监测；
步骤2，协同多遥感参数与地面历史干旱记录构建综合干旱监测指数，利用构建的综合干旱监测指数进行干旱灾害的监测和应急响应处理；
步骤3，基于多遥感参数进行面向灾情要素的干旱影响评估处理。
在一种实施例中，所述基于风云卫星的中分辨率数据进行干旱监测具体包括：
利用风云卫星的中分辨率数据中的红外波段和近红外波段数据构建植被指数；所述植被指数包括植被供水指数、归一化植被指数、植被状况指数、温度状况指数以及植被健康指数；
分类评估各植被指数的干旱监测有效性；对风云卫星遥感数据进行处理生成风云卫星中分辨率数据干旱指数数据集；利用干旱监测模型系统生成干旱监测产品。
在一种实施例中，所述协同多遥感参数与地面历史干旱记录构建综合干旱监测指数具体包括：
搜集旱情数据，并对旱情数据进行预处理；所述旱情数据包括区域性遥感降雨、土壤水分、植被指数以及地表温度的长时间序列数据，中国农业气象灾情数据集、国际灾害数据库中的干旱灾害记录数据，用于直接反应地面旱情信息的地面墒情监测数据；其中，所述对旱情数据进行预处理包括，对风云卫星提供的数据进行重采样和重投影处理成时空分辨率一致的数据集；
基于旱情数据、土地覆盖及土地利用数据识别出旱灾易发区，作为干旱监测的重点关注区域；依据气候、土壤、生态系统类型将所述重点关注区域区划分为不同类型的干旱频发区；
针对不同类型的干旱频发区，比对干旱期间各遥感参数的响应过程，识别出不同旱频发区的干旱敏感参数；
以县级行政单位作为区域尺度，基于干旱敏感参数的参数特征空间来构建综合干旱监测指数；所述干旱敏感参数为水循环参数；选择多个水循环参数的长时间序列数据构建综合干旱监测指数；所述水循环参数包括降水、植被指数、地表温度；对于任一干旱频发区，利用多个水循环参数构建多维的参数特征空间，并利用地面干湿记录定位干旱发生时区域各参数状态；所述参数状态即为该干旱频发区是否处于干旱的判定依据，构成综合干旱监测指数。
在一种实施例中，所述选择多个水循环参数的长时间序列数据构建综合干旱监测指数具体包括：
将给定参数的长时间序列数据进行统计上的10等分，分别得到各个参数的10等分点值，即将每个参数划分为10个等级；
利用各参数的10等分点构建参数特征空间；
将所有历史观测状态投放到上一步骤构造的参数特征空间中，并利用对应的地面历史干旱记录标识出干旱条件下的状态位置；其中，所述历史观测状态是由所有参数构成的一个状态；
划定干旱频发区在干旱易发状态下各个参数的等级范围，所述等级范围定义了该干旱频发区在干旱条件下的参数状态，如果各参数落入相应的等级范围，则表明该干旱频发区已经处于干旱状态，从而完成干旱监测过程；所述等级范围为基于多源遥感参数的综合干旱指数。
在一种实施例中，所述基于多遥感参数进行干旱影响评估处理具体包括：
基于多源遥感的综合干旱监测指数的时空分布特征及干旱影响范围，结合地表气象观测数据、农作物分布、灾情报告信息，通过信息挖掘构建面向干旱灾情特征的训练样本特征集；基于机器深度学习提取干旱灾情特征与面向灾情的要素对象，建立从基础参数到灾害背景参数和灾情要素特征参数的提取模型；
基于GIS空间信息格网制作干旱灾情评估图，对包括受灾区受影响人口、受旱耕地、灾区引调水状况的灾情要素进行干旱影响评估。
在一种实施例中，所述通过信息挖掘构建面向干旱灾情特征的训练样本特征集具体包括：
确立目标样本，由用户选择目标文本，作为提取用户的特征信息；
提取特征信息，根据目标样本的词频分布，从统计词典中提取出挖掘目标的特征向量并计算出相应的权值；
信息获取，先利用语义引擎站点选择待采集的站点，再利用Robot程序采集静态信息，最后获取数据库中的动态信息，生成资源索引库；
信息特征匹配，提取索引库中的源信息的特征向量，并与目标样本的特征向量进行匹配，将符合阈值条件的信息返回给用户。
在一种实施例中，所述基于机器深度学习提取干旱灾情特征与面向灾情的要素对象，建立从基础参数到灾害背景参数和灾情要素特征参数的提取模型具体包括：
第一，发现对象并构建影像对象；对影像进行分割处理；对分割处理得到的分块进行合并处理；对合并后的分块进行精炼处理；计算对象属性；其中，所述对影像进行分割处理可以采用基于多尺度的、基于灰度的、基于纹理的、基于知识的或者基于分水岭的影像分割算法；
第二，提取特征，对影像对象进行分类：定义要素；利用定义的要素对影像对象进行规则分类、监督分类；
第三，完成特征提取后导出要素；利用导出的要素生成统计结果和报告。
在一种实施例中，采用多尺度分割算法对影像进行分割处理，综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。
此外，为解决现有技术中的技术问题，特提出了一种大范围极端干旱应急监测与影响评估系统，包括：
卫星监测模块，所述卫星监测模块基于风云卫星的中分辨率数据进行干旱监测；
综合干旱监测指数构建及监测模块，所述综合干旱监测指数构建模块用于协同多遥感参数与地面历史干旱记录构建综合干旱监测指数，并利用构建的综合干旱监测指数进行干旱灾害的监测和应急响应处理；
干旱影响评估模块，所述干旱影响评估模块基于多遥感参数进行面向灾情要素的干旱影响评估处理。
实施本发明实施例，将具有如下有益效果：
本发明公开的技术方案能够对干旱灾情进行很好的监测以获取准确的信息，提供干旱灾情服务，防患于未然。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为本发明中大范围极端干旱应急监测与影响评估的流程示意图；
图2为本发明中协同多遥感参数与地面历史干旱记录构建综合干旱监测指数的流程示意图；
图3为本发明中基于多遥感参数进行面向灾情要素的干旱影响评估处理的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明的技术方案基于多源遥感参数产品，结合历史旱灾信息分析不同干旱监测指数在不同区域的适应性，进而构建综合干旱监测指数，并开展重大干旱灾害监测示范应用；另一方面，通过结合干旱监测结果与灾区地面背景资料信息发展干旱影响评估模型，并以水分利用效率指标评价不同时间尺度降水的抗旱减灾效益，进而开展典型区域示范重大干旱灾害过程中受影响人口、受旱耕地、灾区引调水状况等灾情要素的评估；基于发展的干旱监测与影响评估技术建立监测区域干旱协同监测与影响评估应急灾情服务体系。
本发明中用到的数据主要包括遥感反演得到的长时间序列降水数据、地表温度数据、植被指数数据。此外，还包含历史灾情数据以及地面观测调研数据。
(一)基于风云卫星中分辨率数据的干旱监测
构建植被供水指数、植被指数、植被状况指数、温度状况指数以及植被健康指数，分类评估各指数在监测区域内干旱监测的有效性；风云卫星遥感数据处理系统生成研究区的风云卫星中分辨率数据干旱指数数据集，为开展干旱监测奠定基础；干旱监测模型系统生成干旱监测产品。
利用风云卫星中分辨率卫星数据的同分辨率热红外波段，构建植被供水指数模型。干旱发生时作物水分亏缺，生长受到影响，归一化植被指数降低，冠层温度升高，因此利用它们的简单比值可以反映干旱状况。利用红外波段和近红外波段构建植被指数、植被状况指数以及植被健康指数。
(二)协同多遥感参数与地面历史干旱记录构建综合干旱监测指数
如图2所示，基于多源遥感参数产品和地面历史旱情数据，开展多源遥感参数协同的综合干旱指数，并用于重大干旱灾害事件的应急响应示范。具体包括：长时间序列多源遥感参数产品及地面历史旱情资料的搜集整理及划分重点旱灾监测区域；基于多遥感参数产品和地面旱情资料识别不同旱情易发区对应的敏感遥感指标；发展可业务化应用的多遥感指标综合干旱指数；开展基于综合干旱指标的区域干旱监测示范，包括：
1)搜集及预处理数据。搜集区域遥感降雨、土壤水分、植被指数以及地表温度长时间序列数据集(2001～2016)，重点考虑利用风云系列卫星能够提供的产品，并通过重采样和重投影处理成时空分辨率一致的数据集。收集整理中国农业气象灾情数据集、国际灾害数据库(EM-DAT)以及其它相关数据库中的干旱灾害记录，同时搜集整理地面墒情监测等可用于直接反应地面旱情信息的数据。
2)基于历史旱情信息数据库及土地覆盖及土地利用数据等识别出旱灾易发区，作为后续监测研究及示范的重点关注区域；进而依据气候、土壤、生态系统类型等信息将重点区划分为不同的干旱类型区(如印度北部灌溉农业区、中国内蒙东部草原区等)。
3)分别针对不同类型的干旱频发区，比对干旱期间各个遥感参数的响应过程，识别出不同区域干旱的最敏感参数。这种敏感性分析将分别在区域和典型站点上开展。必要时开展小规模的实地考察取样。
4)以特定的区域尺度为单位；优选地，采用县级行政单位，基于参量特征空间法构造综合遥感干旱指数。
5)利用综合干旱指数在监测区域开展若干干旱灾害应急响应示范应用。
其中，步骤4)中基于参量特征空间的干旱监测指数构造方法是：假设任何区域或生态系统在不同干湿状况下尽管表现特征不同，但一个或者多个水循环参量如降水、土壤水分、植被指数、地表温度等表现出一定差异，且这种差异具有一定的区域依耐性，即同一区域对干湿条件的敏感性参数是稳定的，从而对任一研究区域可利用多水循环参量构建多维特征空间，然后利用历史地面干湿记录定位干旱发生时区域各参量的状态，这一状态即可作为区域是否处于干旱的判定依据，即干旱指数。
选定多个水循环参量长时间序列数据，如降水(P)、植被指数(NDVI)、地表温度(LST)，具体干旱指数构造方法如下：
1.将给定参量的长时间序列数据进行统计上的10等分，分别得到各个参量的10等分点值，即将每个参量划分为10个等级。
2.利用各参量的10等分点构建参量特征空间。
3.将所有历史观测状态(由所有参量构成一个状态)投放到上一步构造的特征空间，并利用对应地面历史干旱记录标识出干旱条件下的状态位置。
4.划定区域干旱易发状态下各个参量的等级范围，该范围即定义了该区域干旱条件下的参量状态，如果未来某一时刻的各参量落入该范围，则表明区域已经处于干旱状态，从而完成干旱监测过程。这个范围即为基于多遥感参量的综合干旱指数。
(三)基于遥感的大范围极端干旱影响评估
基于风云、降雨数据(CHIRPS)、土壤水分(ESA-CCI)、植被指数(MODIS VI)、地表温度(MODIS LST)等干旱监测产品时空分布特征及干旱影响范围，结合地表气象观测资料、DEM、土地利用覆盖数据、农作物分布、灾情报告信息及其他社会经济统计数据为基础，发展基于遥感数据的重大干旱灾害信息挖掘技术，以水分利用效率指标评价不同时间尺度降水的抗旱减灾效益，采用交叉验证的方法评价模型的精度，选择典型示范区，开展示范应用，完成受灾区受影响人口、受旱耕地、灾区引调水状况等灾情要素的评估。
如图3所示，首先，基于多源遥感干旱监测产品时空分布特征及干旱影响范围，结合地表气象观测资料、农作物分布、灾情报告信息及其他社会经济统计数据，通过信息挖掘技术开发面向干旱灾情特征的训练样本特征集，发展基于机器深度学习的干旱灾害特征参数与面向灾情要素对象自动快速提取关键技术，建立从基础参数到灾害背景参数和灾情要素特征参数快速提取方法.
其次，研究基于GIS空间信息格网的干旱灾情快速评估制图技术，对受灾区受影响人口、受旱耕地、灾区引调水状况等灾情要素进行快速评估，研究针对干旱灾害快速评估的数据快速处理流程、制图指标等规范，发展制图模型固化和快速制图技术；
最后，研发受影响人口、受旱耕地、灾区引调水状况提取软件功能模块，并集成到应用示范平台。
(1)面向对象的信息提取
面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。其主要分成两部分过程：对象构建和对象的分类。
影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。
(2)叠加分析
叠加分析是GIS中的一项非常重要的空间分析功能。是指在统一空间参考系统下，通过对两个数据进行的一系列集合运算，产生新数据的过程。这里提到的数据可以是图层对应的数据集，也可以是地物对象。叠加分析的叠置分析的目标是分析在空间位置上有一定关联的空间对象的空间特征和专属属性之间的相互关系。多层数据的叠置分析，不仅仅产生了新的空间关系，还可以产生新的属性特征关系，能够发现多层数据间的相互差异、联系和变化等特征。
(3)掩膜分析
提取分析工具可用于根据像元的属性或其空间位置从栅格中提取像元的子集。也可以获取特定位置的像元值作为点要素类中的属性或表。
基于像元的属性或空间位置提取像元值到一个新栅格的工具包括以下几种：
按照属性值提取像元(按属性提取)可通过一个where子句来完成。例如，在您的分析中可能需要从高程栅格中提取高程大于100米的像元。
按照像元空间位置的几何提取像元时，要求像元组必须位于指定几何形状的内部或外部(按圆形区域提取、用面提取、用矩形提取)。
按照指定位置提取像元时，需要根据像元的数据轴x,y点位置来识别像元的位置(用点提取)，或者通过使用掩膜或栅格数据来识别像元的位置(按掩膜提取)。
(4)信息挖掘
常用的信息挖掘方法有分类、回归分析、聚类、关联规则、神经网络方法、Web数据挖掘等。这些方法从不同的角度对数据进行挖掘。
1)分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中，可以应用到涉及到应用分类、趋势预测中。
2)回归分析
回归分析反映了数据库中数据的属性值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系。它可以应用到对数据序列的预测及相关关系的研究中去。在市场营销中，回归分析可以被应用到各个方面。
3)聚类类似于分类，但与分类的目的不同，是针对数据的相似性和差异性将一组数据分为几个类别。属于同一类别的数据间的相似性很大，但不同类别之间数据的相似性很小，跨类的数据关联性很低。
4)关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。关联规则的挖掘过程主要包括两个阶段：第一阶段为从海量原始数据中找出所有的高频项目组；第二极端为从这些高频项目组产生关联规则。
5)神经网络作为一种先进的人工智能技术，因其自身自行处理、分布存储和高度容错等特性非常适合处理非线性的以及那些以模糊、不完整、不严密的知识或数据为特征的处理问题，这一特点十分适合解决信息挖掘的问题。典型的神经网络模型主要分为三大类：第一类是以用于分类预测和模式识别的前馈式神经网络模型，其主要代表为函数型网络、感知机；第二类是用于联想记忆和优化算法的反馈式神经网络模型，以Hopfield的离散模型和连续模型为代表。第三类是用于聚类的自组织映射方法，以 ART模型为代表。虽然神经网络有多种模型及算法，但在特定领域的信息挖掘中使用何种模型及算法并没有统一的规则，而且人们很难理解网络的学习及决策过程。
6)Web信息挖掘是一项综合性技术，指Web从文档结构和使用的集合C中发现隐含的模式P，如果将C看做是输入，P看做是输出，那么 Web挖掘过程就可以看做是从输入到输出的一个映射过程。
信息挖掘实现的每个步骤解释如下：
1)确立目标样本。即由用户选择目标文本，作为提取用户的特征信息；
2)提取特征信息。即根据目标样本的词频分布，从统计词典中提取出挖掘目标的特向量并计算出相应的权值；
3)信息获取。即先利用语义引擎站点选择待采集站点，再利用Robot 程序采集静态信息，最后获取数据库中的动态信息，生成资源索引库；
4)信息特征匹配。即提取索引库中的源信息的特征向量，并与目标样本的特征向量进行匹配，将符合阈值条件的信息返回给用户。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种大范围极端干旱应急监测与影响评估方法，其特征在于，包括：
步骤1，基于风云卫星的中分辨率数据进行干旱监测，
其中，利用风云卫星的中分辨率数据中的红外波段和近红外波段数据构建植被指数；所述植被指数包括植被供水指数、归一化植被指数、植被状况指数、温度状况指数以及植被健康指数；
分类评估各植被指数的干旱监测有效性；对风云卫星遥感数据进行处理生成风云卫星中分辨率数据干旱指数数据集；利用干旱监测模型系统生成干旱监测产品；
步骤2，协同多遥感参数与地面历史干旱记录构建综合干旱监测指数，利用构建的综合干旱监测指数进行干旱灾害的监测和应急响应处理；
其中，所述协同多遥感参数与地面历史干旱记录构建综合干旱监测指数包括，搜集旱情数据，并对旱情数据进行预处理；所述旱情数据包括区域性遥感降雨、土壤水分、植被指数以及地表温度的长时间序列数据，中国农业气象灾情数据集、国际灾害数据库中的干旱灾害记录数据，用于直接反应地面旱情信息的地面墒情监测数据；其中，所述对旱情数据进行预处理包括，对风云卫星提供的数据进行重采样和重投影处理成时空分辨率一致的数据集；
基于旱情数据、土地覆盖及土地利用数据识别出旱灾易发区，作为干旱监测的重点关注区域；依据气候、土壤、生态系统类型将所述重点关注区域区划分为不同类型的干旱频发区；
针对不同类型的干旱频发区，比对干旱期间各遥感参数的响应过程，识别出不同旱频发区的干旱敏感参数；
以县级行政单位作为区域尺度，基于干旱敏感参数的参数特征空间来构建综合干旱监测指数；所述干旱敏感参数为水循环参数；选择多个水循环参数的长时间序列数据构建综合干旱监测指数；所述水循环参数包括降水、植被指数、地表温度；对于任一干旱频发区，利用多个水循环参数构建多维的参数特征空间，并利用地面干湿记录定位干旱发生时干旱频发区的各参数状态；所述参数状态即为该干旱频发区是否处于干旱的判定依据，构成综合干旱监测指数；
步骤3，基于多遥感参数进行面向灾情要素的干旱影响评估处理，
其中，基于多源遥感的综合干旱监测指数的时空分布特征及干旱影响范围，结合地表气象观测数据、农作物分布、灾情报告信息，通过信息挖掘构建面向干旱灾情特征的训练样本特征集；基于机器深度学习提取干旱灾情特征与面向灾情的要素对象，建立从基础参数到灾害背景参数和灾情要素特征参数的提取模型；
基于GIS空间信息格网制作干旱灾情评估图，对包括受灾区受影响人口、受旱耕地、灾区引调水状况的灾情要素进行干旱影响评估；
其中，所述选择多个水循环参数的长时间序列数据构建综合干旱监测指数具体包括：
将给定参数的长时间序列数据进行统计上的10等分，分别得到各个参数的10等分点值，即将每个参数划分为10个等级；
利用各参数的10等分点构建参数特征空间；
将所有历史观测状态投放到上一步骤构造的参数特征空间中，并利用对应的地面历史干旱记录标识出干旱条件下的状态位置；其中，所述历史观测状态是由所有参数构成的一个状态；
划定干旱频发区在干旱易发状态下各个参数的等级范围，所述等级范围定义了该干旱频发区在干旱条件下的参数状态，如果各参数落入相应的等级范围，则表明该干旱频发区已经处于干旱状态，从而完成干旱监测过程；所述等级范围为基于多源遥感参数的综合干旱指数。
2.根据权利要求1所述的方法，其特征在于，
所述通过信息挖掘构建面向干旱灾情特征的训练样本特征集具体包括：
确立目标样本，由用户选择目标文本，作为提取用户的特征信息；
提取特征信息，根据目标样本的词频分布，从统计词典中提取出挖掘目标的特征向量并计算出相应的权值；
信息获取，先利用语义引擎站点选择待采集的站点，再利用Robot程序采集静态信息，最后获取数据库中的动态信息，生成资源索引库；
信息特征匹配，提取索引库中的源信息的特征向量，并与目标样本的特征向量进行匹配，将符合阈值条件的信息返回给用户。
3.根据权利要求1所述的方法，其特征在于，
所述基于机器深度学习提取干旱灾情特征与面向灾情的要素对象，建立从基础参数到灾害背景参数和灾情要素特征参数的提取模型具体包括：
第一，发现对象并构建影像对象；对影像进行分割处理；对分割处理得到的分块进行合并处理；对合并后的分块进行精炼处理；计算对象属性；其中，所述对影像进行分割处理可以采用基于多尺度的、基于灰度的、基于纹理的、基于知识的或者基于分水岭的影像分割算法；
第二，提取特征，对影像对象进行分类：定义要素；利用定义的要素对影像对象进行规则分类、监督分类；
第三，完成特征提取后导出要素；利用导出的要素生成统计结果和报告。
4.根据权利要求3所述的方法，其特征在于，
其中，采用多尺度分割算法对影像进行分割处理，综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。
CN201910288560.4A 2019-04-11 2019-04-11 大范围极端干旱应急监测与影响评估方法及系统 Active CN110163472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910288560.4A CN110163472B (zh) 2019-04-11 2019-04-11 大范围极端干旱应急监测与影响评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910288560.4A CN110163472B (zh) 2019-04-11 2019-04-11 大范围极端干旱应急监测与影响评估方法及系统

Publications (2)

Publication Number Publication Date
CN110163472A CN110163472A (zh) 2019-08-23
CN110163472B true CN110163472B (zh) 2021-03-26

Family

ID=67638507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910288560.4A Active CN110163472B (zh) 2019-04-11 2019-04-11 大范围极端干旱应急监测与影响评估方法及系统

Country Status (1)

Country Link
CN (1) CN110163472B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909973B (zh) * 2019-09-25 2020-10-16 中国水利水电科学研究院 考虑下垫面条件的旱情综合监测评估方法
CN110942039A (zh) * 2019-11-29 2020-03-31 中国农业科学院农业资源与农业区划研究所 一种主要农作物高温灾害遥感监测预报系统及方法
CN111489063B (zh) * 2020-03-25 2022-03-22 北京师范大学 一种评估风力发电机对周边环境影响的方法及系统
CN112132284B (zh) * 2020-08-24 2022-04-15 中国科学院空天信息创新研究院 一种对地观测知识枢纽系统
CN111932146A (zh) * 2020-09-01 2020-11-13 平安国际智慧城市科技股份有限公司 污染成因的分析方法、装置、计算机设备和可读存储介质
CN112131990B (zh) * 2020-09-15 2021-05-14 河海大学 适用于复杂场景的毫米波网络降雨反演模型构建方法
CN112183292B (zh) * 2020-09-18 2022-05-17 华中农业大学 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法
CN112347978B (zh) * 2020-11-25 2022-06-03 中国科学院东北地理与农业生态研究所 基于遥感植被指数的生态系统属性组分组成结构描述方法
CN112613648A (zh) * 2020-12-14 2021-04-06 清华大学 一种训练旱情监测模型的方法、旱情监测方法及设备
CN112949416B (zh) * 2021-02-04 2022-10-04 东华理工大学 一种监督的高光谱多尺度图卷积分类方法
CN112801007B (zh) * 2021-02-07 2022-09-20 中国自然资源航空物探遥感中心 结合长时序数据和机器学习算法的热融塘状态识别方法
CN112668705B (zh) * 2021-03-17 2021-06-29 清华大学 基于深度学习的干旱指数监测方法及系统
CN114170508B (zh) * 2021-12-03 2022-10-25 浙江省土地信息中心有限公司 一种土地资源监控方法、系统、存储介质及智能终端
CN114707913B (zh) * 2022-06-02 2022-09-13 长江水利委员会长江科学院 水库供水方案的确定方法及装置
CN116091261A (zh) * 2022-12-02 2023-05-09 长江水利委员会长江科学院 一种干旱驱动的卫星多传感器动态组网观测模型
CN116049342B (zh) * 2023-03-24 2023-06-06 清华大学 一种生境质量监测方法及监测装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389559A (zh) * 2015-11-12 2016-03-09 中国科学院遥感与数字地球研究所 基于高分辨率遥感影像的农业灾害范围识别系统及方法
CN105760814A (zh) * 2016-01-25 2016-07-13 中国水利水电科学研究院 一种基于数据挖掘的干旱监测方法
KR101651747B1 (ko) * 2014-11-14 2016-09-05 재단법인 국가농림기상센터 농업가뭄지수 도출 시스템 및 이를 이용한 농업가뭄지수 도출 방법
CN107782701A (zh) * 2017-09-20 2018-03-09 北京师范大学 一种多源遥感数据的农业干旱监测方法
CN108629494A (zh) * 2018-04-19 2018-10-09 三峡大学 干旱等级评估方法及系统
CN108760643A (zh) * 2018-04-04 2018-11-06 西南石油大学 一种适宜于高海拔地区的干旱遥感监测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103077A (zh) * 2009-12-16 2011-06-22 中国科学院沈阳应用生态研究所 一种基于modis数据的农业干旱监测方法
CN103970976A (zh) * 2013-02-06 2014-08-06 中国水利水电科学研究院 农业干旱预警预报监测装置和方法
CN103577720A (zh) * 2013-11-29 2014-02-12 民政部国家减灾中心 一种区域旱灾风险估计方法
CN103675234A (zh) * 2013-12-11 2014-03-26 中国科学院遥感与数字地球研究所 基于地表温度与植被指数特征空间的干旱指数快速监测方法
CN105760978B (zh) * 2015-07-22 2019-11-19 北京师范大学 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101651747B1 (ko) * 2014-11-14 2016-09-05 재단법인 국가농림기상센터 농업가뭄지수 도출 시스템 및 이를 이용한 농업가뭄지수 도출 방법
CN105389559A (zh) * 2015-11-12 2016-03-09 中国科学院遥感与数字地球研究所 基于高分辨率遥感影像的农业灾害范围识别系统及方法
CN105760814A (zh) * 2016-01-25 2016-07-13 中国水利水电科学研究院 一种基于数据挖掘的干旱监测方法
CN107782701A (zh) * 2017-09-20 2018-03-09 北京师范大学 一种多源遥感数据的农业干旱监测方法
CN108760643A (zh) * 2018-04-04 2018-11-06 西南石油大学 一种适宜于高海拔地区的干旱遥感监测方法
CN108629494A (zh) * 2018-04-19 2018-10-09 三峡大学 干旱等级评估方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An integrated package for drought monitoring, prediction and analysis to aid drought modeling and assessment;Zengchao Hao,Fanghua Hao,Vijay P.Singh,Wei ouyang,Hongguang Chen;《Elsevier Science》;20170531;第91卷;第199-209页 *
内蒙古干旱监测评估方法综合应用研究;李兴华 等;《干旱区资源与环境》;20140331(第03期);第162-166页 *

Also Published As

Publication number Publication date
CN110163472A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110163472B (zh) 大范围极端干旱应急监测与影响评估方法及系统
Mokhtar et al. Estimation of SPEI meteorological drought using machine learning algorithms
Berhan et al. Using satellite images for drought monitoring: a knowledge discovery approach
Chakir Spatial downscaling of agricultural land-use data: an econometric approach using cross entropy
CN111310898A (zh) 一种基于rnn的滑坡灾害易发性预测方法
Girma et al. Hyper-temporal SPOT-NDVI dataset parameterization captures species distributions
Chen et al. Investigating rice cropping practices and growing areas from MODIS data using empirical mode decomposition and support vector machines
Li et al. A county-level soybean yield prediction framework coupled with XGBoost and multidimensional feature engineering
CN113553764A (zh) 一种基于深度学习网络的山火预测方法
Mathur Satellite-based crop yield prediction using machine learning algorithm
Shahrin et al. Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning
Gavahi et al. How does precipitation data influence the land surface data assimilation for drought monitoring?
Vasilyevich Machine learning methods in digital agriculture: algorithms and cases
Balti et al. Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China
Sardar et al. Convolution neural network-based agriculture drought prediction using satellite images
Liu et al. An algorithm for early rice area mapping from satellite remote sensing data in southwestern Guangdong in China based on feature optimization and random Forest
Salman Aal-shamkhi et al. Extraction and modeling of urban sprawl development in Karbala City using VHR satellite imagery
Kumawat et al. Time-Variant Satellite Vegetation Classification Enabled by Hybrid Metaheuristic-Based Adaptive Time-Weighted Dynamic Time Warping
CN113537645A (zh) 基于机器学习融合卫星与天气数据的大豆产量预测方法
Sardar et al. Ensemble learning with CNN and BMO for drought prediction
Shammi et al. Modeling crop yield using NDVI-derived VGM metrics across different climatic regions in the USA
Razavi-Termeh et al. A new approach based on biology-inspired metaheuristic algorithms in combination with random forest to enhance the flood susceptibility mapping
Som-ard Rice security assessment using geo-spatial analysis
Arango et al. Identification of agricultural management zones through clustering algorithms with thermal and multispectral satellite imagery
Singha et al. Rice crop growth monitoring with sentinel 1 SAR data using machine learning models in google earth engine cloud

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant