CN112668705B - 基于深度学习的干旱指数监测方法及系统 - Google Patents

Abstract

本发明提供一种基于深度学习的干旱指数监测方法及系统，其中的方法包括：获取监测站点的观测数据，并基于观测数据获取对应的各参数信息；对各参数信息分别进行数据处理，获取与各参数信息分别对应的预处理数据；对预处理数据以及与观测数据对应的辅助数据进行数据融合，并基于融合后的数据构建数据集；其中，数据集包括训练集和测试集；基于训练集和测试集训练并测试深度神经网络模型，直至深度神经网络模型收敛在预设范围内，形成干旱指数监测模型；基于干旱指数监测模型对待检测区域的干旱指数进行监测。利用上述发明能够更加综合、全面的识别旱情，提高旱情监测的准确性。

Description

基于深度学习的干旱指数监测方法及系统

技术领域

本发明涉及干旱监测技术领域，更为具体地，涉及一种基于深度学习的干旱指数监测方法及系统。

背景技术

干旱具有频率高、持续时间长、影响范围广等特点，可对水资源、土地资源以及人民的生活造成潜在的影响，对国民经济尤其是农业生产造成严重影响，是我国和全球最大的自然灾害之一，引起各国政府、科研人员的重视，能否及时、准确地监测旱情对于抗旱准备和减少旱情风险是至关重要的。

目前，为监测、评估以及研究干旱的发生及发展，国内外学者提出了各种各样的干旱指数。其中，植被干旱响应指数（VegDRIthe vegetation drought response index ）结合了传统的基于气候和卫星的方法来评估植被条件，为评估干旱从地方到区域的影响提供了新的见解。

但是，传统的旱情监测是用测量土壤含水量来监测干旱的程度及范围，该方法虽然简单，但代表性差，无法实现对大范围干旱灾害的动态监测；为此，需要一种更加综合、全面的干旱监测方法，以提高旱情监测的准确性。

发明内容

鉴于上述问题，本发明的目的是提供一种基于深度学习的干旱指数监测方法及系统，以解决目前旱情监测存在的代表性差、无法实现对大范围干旱灾害的动态监测等问题。

本发明提供的基于深度学习的干旱指数监测方法，包括：获取监测站点的观测数据，并基于观测数据获取对应的各参数信息；对各参数信息分别进行数据处理，获取与各参数信息分别对应的预处理数据；对预处理数据以及与观测数据对应的辅助数据进行数据融合，并基于融合后的数据构建数据集；其中，数据集包括训练集和测试集；基于训练集和测试集训练并测试深度神经网络模型，直至深度神经网络模型收敛在预设范围内，形成干旱指数监测模型；基于干旱指数监测模型对待检测区域的干旱指数进行监测。

此外，优选的技术方案是，参数信息包括与观测数据对应的标准化降水指数SPI、土壤有效含水量AWC、自校正帕默尔指数PDSI和平均季节绿度百分比PASG；辅助数据包括生长季开始的异常值SOSA、全球土地覆盖数据NLCD和农业灌溉百分比数据IA。

此外，优选的技术方案是，标准化降水指数SPI的获取过程包括：基于观测数据获取预设时间段内降水量的Г分布的概率密度函数；基于概率密度函数确定降水量小于预设值的Г分布的概率；对Г分布的概率进行正态标准化处理，获取标准化降水指数SPI。

此外，优选的技术方案是，其中，概率密度函数的公式表示为：

其中，

，随机变量x表示观测数据中的降水量，β＞0，γ＞0，分 别表示概率密度函数的尺度和形状参数，β和γ采用极大释然估计算法获取，β和γ的公式 表示为：

其中，

，x_i表示降水量的资料样本，

表示降水量的预设年 限的平均值，n表示监测站点的个数。

此外，优选的技术方案是，降水量小于预设值的Г分布的概率表达公式为：

对Г分布的概率进行正态标准化处理的公式表示为：

求解得：

其中，

，P表示降水量小于预设值的概率，Z表示标准化降水指数SPI， 当P＞0.5时，P=1.0-P，S=1；当P≤0.5时，S=-1，c和d表示实验获取的经验参数。

此外，优选的技术方案是，土壤有效含水量AWC的获取公式表示为：

其中，W_FC表示田间持水量，W_PWP表示永久萎蔫点的重量含水量，Z表示深度，Z_r表示作物根的生长的深度，ρb表示容重，ρw表示水的密度。

此外，优选的技术方案是，自校正帕默尔指数PDSI的获取过程包括：基于观测数据获取与监测站点对应的气候适宜降水量；根据气候适宜降水量和实际降水量，获取水分亏缺量；对水分亏缺量进行气候修正处理，获取与水分亏缺量对应的水分亏缺指数；对水分亏缺指数进行持续时间因子处理，获取自校正帕默尔指数PDSI。

此外，优选的技术方案是，对各参数信息分别进行数据处理，获取与各参数信息分别对应的预处理数据的过程包括：获取标准化降水指数SPI和自校正帕默尔指数PDSI，以监测站点为中心预设距离范围内的数据作为第一预处理数据；选取平均季节绿度百分比PASG以监测站点为中心的预设邻域窗口的平均值作为第二预处理数据；选取土壤有效含水量AWC，以监测站点为中心预设窗口内的最大值作为第三预处理数据。

此外，优选的技术方案是，深度神经网络模型包括DNN、CNN、随机森林和SVM；当深度神经网络模型为DNN时，DNN包括输入层、隐含层、softmax层和输出层；其中，输出层包括的神经元个数与干旱类型的个数相对应，干旱类型包括无旱、轻旱、中旱、重旱和特旱。

根据本发明的另一方面，提供一种基于深度学习的干旱指数监测系统，包括：参数信息获取单元，用于获取监测站点的观测数据，并基于观测数据获取对应的各参数信息；预处理数据获取单元，用于对各参数信息分别进行数据处理，获取与各参数信息分别对应的预处理数据；数据集构建单元，用于对预处理数据以及与观测数据对应的辅助数据进行数据融合，并基于融合后的数据构建数据集；其中，数据集包括训练集和测试集；干旱指数监测模型形成单元，用于基于训练集和测试集训练并测试深度神经网络模型，直至深度神经网络模型收敛在预设范围内，形成干旱指数监测模型；监测单元，用于基于干旱指数监测模型对待检测区域的干旱指数进行监测。

利用上述基于深度学习的干旱指数监测方法及系统，综合呈面状分布的遥感数据、呈点状分布的气候的标准化降水指数（SPI）和帕默尔干旱指数（PDSI），更综合考虑了不同生态区生态地理背景的差异，通过深度学习技术构建VegDRI植被干旱响应指数，不仅能够克服不同数据源的缺陷，通过深度学习数据挖掘算法，构建各像元最适宜的VegDRI遥感植被干旱响应指数模型，还能够提高干旱监测的范围和准确性，更加综合、全面的识别旱情。

为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。

附图说明

通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1为根据本发明实施例的基于深度学习的干旱指数监测方法的流程图；

图2为根据本发明实施例的基于深度学习的干旱指数监测方法的原理图；

图3为根据本发明实施例的基于深度学习的干旱指数监测系统的的方框示意图。

在所有附图中相同的标号指示相似或相应的特征或功能。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。

为详细描述本发明的基于深度学习的干旱指数监测方法及系统，以下将结合附图对本发明的具体实施例进行详细描述。

图1和图2分别从不同角度示出了根据本发明实施例的基于深度学习的干旱指数监测方法的流程。

如图1和士2共同所示，本发明实施例的基于深度学习的干旱指数监测方法，包括：

S110：获取监测站点的观测数据，并基于获取的观测数据获取对应的各参数信息。

其中，参数信息包括与观测数据对应的标准化降水指数SPI（以下简称SPI）、土壤有效含水量AWC（以下简称AWC）、自校正帕默尔指数PDSI（以下简称PDSI）、平均季节绿度百分比PASG（以下简称PASG）；辅助数据包括生长季开始的异常值SOSA（以下简称SOSA）、全球土地覆盖数据NLCD（以下简称NLCD）和农业灌溉百分比数据IA（以下简称IA）。

具体地，假设降水量服从Г分布，考虑降水服从偏态分布的实际，再进行了正态标准化处理，使得同一个干旱指数可以反映不同时间尺度和不同类型的水资源状况，SPI通过计算给定时间尺度内降雨量的累积概率，能够在多个时间尺度上进行计算比较，不仅可反映短时间内降雨量的变化，如对农业生产有重要影响的土壤水分的动态变化，也可以反映长期水资源的演变情况，如地下水供给、地表径流等。使得SPI可适合于不同类型的干旱定量化研究，时间尺度可设置为：采用5～24月的SPI反映地下水位的变化；采用2～3月的SPI反映农业干旱情况等。SPI指数基于气象站点降水数据，获取14种不同时间间隔（例如，1个星期~52个星期）的SPI。

其中，标准化降水指数SPI的获取过程包括：基于观测数据获取预设时间段内降水量的Г分布的概率密度函数；基于概率密度函数确定降水量小于预设值的Г分布的概率；对Г分布的概率进行正态标准化处理，获取标准化降水指数SPI。

其中，概率密度函数的公式表示为：

其中，

，随机变量x表示观测数据中的降水量，β＞0，γ＞0，分 别表示概率密度函数的尺度和形状参数，β和γ采用极大释然估计算法获取，β和γ的公式 表示为：

其中，

，x_i表示降水量的资料样本，

表示降水量的预设年 限的平均值，n表示监测站点的个数。

进一步地，需要说明的是，确定概率密度函数中的参数后，对于某一年的降水量X₀，可求出随机变量X小于X₀事件的概率，降水量小于预设值X₀的Г分布的概率表达公式为：

对Г分布的概率进行正态标准化处理的公式表示为：

求解得：

其中，

，P表示降水量小于预设值的概率，Z表示标准化降水指数SPI， 当P＞0.5时，P=1.0-P，S=1；当P≤0.5时，S=-1，c和d表示实验获取的经验参数，作为示例，c₀ =2.515517，c₁=0.802853，c₂=0.010328，d₁=1.432788，d₂=0.189269，d₃=0.001308。

此外，当降水量为0时的事件概率表示为：

其中，m表示检测数据中降水量为0的样本数，n表示总样本数。

另一方面，本发明实施例中的土壤有效含水量指土壤在一定深度内能够贮藏的并能被植物利用的那部分水的数量，是土壤的一种固有的特性，它说明排水良好的土壤对植物的给水能力。通常被认为是介于田间持水量（FC）与永久萎蔫系数（PWP）之间的土壤湿度，即田间持水量与永久凋萎含水率这两个土壤水分常数的差值。

其中，土壤有效含水量AWC的获取公式表示为：

其中，W_FC表示田间持水量，W_PWP表示永久萎蔫点的重量含水量，Z表示深度，Z_r表示作物根的生长的深度，ρb表示容重，ρw表示水的密度。

此外，帕默尔干旱指数PDSI是一个基于水量供需关系的干旱指数，在当地水分供不应求时即为干旱，否则为湿润。帕默尔指数水分需求量的推算较为复杂，因其设计到受到气温、土壤性质、土地利用等因素影响的蒸散发及土壤水分变化等方面。对于这一问题，帕默尔提出了“当前情况下的气候适宜”概念，定义了“气候适宜降水量”作为水分需求量，并以实际降水量（水分供给量）与其差值来界定水分盈亏状况。PDSI不仅能考虑当前的水分供需状况，还能考虑前期干旱状况及其持续时间来对当前干旱状况的影像，物理意义明确，是一个能较为客观合理地定量描述干旱的干旱指数。PDSI值通常介于-4到4之间，当其值大于0时，在为湿润，反之为干旱，不同大小的值反映不同的干旱或湿润等级。

在PDSI计算过程中需要：降水量、潜在蒸散量，和当地下垫面土壤的最大有效持水量（AWC）。潜在蒸散量，即PET，又称可能蒸散量，是指一定条件下在下垫面供水充分的情况下可产生的最大蒸散发量。

具体地，PDSI的获取方法包括：

1、基于观测数据获取与监测站点对应的气候适宜降水量；

2、根据气候适宜降水量和实际降水量，获取水分亏缺量；

3、对水分亏缺量进行气候修正处理，获取与水分亏缺量对应的水分亏缺指数；

4、对水分亏缺指数进行持续时间因子处理，获取自校正帕默尔指数PDSI。

作为具体示例，获取各时期的气候适宜降水量

，然后结合实际月降水量P_水计算 水分缺量，这一步通常称为水文帐计算。

某个月份的气候适宜降水量

获取公式为：

，其中，

，

，

和

分别为气候适宜条件下的蒸散发量，土壤水分补充量，产流量和土壤失水量。根据 该公式可知，即某个月内气候适宜条件下的降水需提供“用于”蒸散发、补充土壤水分和产 生径流的水量；另外土壤水分也会“适当”损失一部分到蒸散发、产流等去向，因而对降水量 的需求会少一些，此外还需减去相应的气候适宜土壤失水量。

，

，

和

的计算公式 分别如下：

其中，

，

，

，

，

，

，

和

分别为一 年中不同月份j对应的水量平衡分量系数，

，

，

和

分别为月份j的实 际蒸散发、实际土壤水补充量、实际产流量和实际土壤失水量的多年平均值；

，

，

和

同上，分别为潜在蒸散发、潜在土壤水补充量、潜在产流量和潜在土壤失水 量。

在以上公式中，ET，R，RO，L及PET，PR，PRO，PL称为水量平衡分量，除PET外，均由帕默尔提出的一个简单的双层土壤水文模型利用实际降水量P和潜在蒸散发量PET计算，其上层土壤的有效持水量通常设为1英寸，即25.4mm，下层土壤有效持水量则为总持水量减去上层有效持水量，即AWC-25.4mm。

当降水量大于PET时，则PET即为实际蒸散发量；若降水量扣除PET后仍有剩余，则多余的水量用于补充上层土壤，此时土壤失水量为0；若补充完上层土壤，仍有剩余则补充下层土壤；若补充完上下层土壤水分后还有剩余，则剩余部分即为产流量。反之，若PET大于降水量，则P全部蒸散发掉，若PET扣除降水量仍有不足则上层土壤水分也将进一步蒸散发，此时土壤补水量为0；若上层土壤仍不足以扣除蒸散发损失，则下层土壤将进一步失去水分，而该层土壤水分则相对不易丧失。

进一步地，潜在分量的获取过程包括：

设S_si，S_ui分别为第i个月初的上层和下层土壤含水量，单位均为mm；

PR为土壤水分能接受的最大补充量：

；

PRO为当前能产生最大径流的量：

；

PL为当前土壤水分能损失的最大量：

；

；

；

根据上述方法获取各月的

后，即可计算出各月的水分亏缺量d：

由于水分亏缺量d仅能反映各时候的水分缺乏量，并不能直接反映不同时间，不同地点的干旱的程度，这意味着相同的d，因可能会对应着不同的干旱，这取决于不同时间不同地点的气候及其他特性。因此需要对其进行进一步修正和标准化，这一修正就是水分亏缺量d的气候修正，进而得到水分亏缺指数Z，表示公式如下：

其中，K_j为一年中不同月份j对应的气候修正系数，

。由于同样的水 分亏缺量在不同季节或不同月份的意义均有区别，故应对d按月份进行加权，通常情况下枯 水月份权重高于丰水月份。K_j的获取公式如下：

其中，K_j是根据当地气候特征的一种近似表达，系数17.67是根据9个不同的站点 推导出来的一个经验系数；

为一年中不同月份j对应的水分亏缺量d的绝对值的多年平 均值。由于该公式时使用的降水量单位为英寸，故当降水量和潜在蒸散发量单位为mm时，还 需要先将

转换为英寸单位，即除以25.4。

最后，为考虑前期水分情况的影响，使用持续时间因子对Z指数进行进一步的处理：

其中，0.897个1/3为时间持续因子，该两个值为经验值，影响Z指数对降水的敏感 性。其中，起始月份的PDSI计算公式为：

。

对于平均季节绿度百分比PASG，可基于MODIS的L2G可见光和近红外逐旬遥感数据计算NDVI（Normalized Difference Vegetation Index，归一化差分植被指数，或标准差异植被指数），利用加权最小二乘法进行NDVI序列去噪平滑处理，逐像元通过移动窗算法计算生长季开始的时间SOST（以天为单位）和生长季结束的时间EOST（以天为单位），逐像元统计计算其对应生长季时间范围内NDVI值超过区域背景NDVI值的差的累加值作为该像元生长季绿度（SG），用该像元的SG除以历史同期该像元平均的SG并乘以100，即可获取平均季节绿度百分比PASG。

生长季开始的异常值SOSA体现了某一像元在某一特定年份生长季开始的时间（即一年中的第几天）与该像元在整个研究时期内生长季开始的中值的插值，这种现象的出现可能是由于植被类型、作物类型或土地利用类型的变化导致的。

对于全球土地覆盖数据NLCD，可利用30米土地覆盖空间分布数据（地表覆盖类型主要包括10个大类，分别为：农田、森林、草地、灌丛、湿地、水体、动土、城市、裸地、冰雪），其中，在模型（干旱指数监测模型）训练过程中，可采用one-hot Encoding方式将全球土地覆盖类别数据输入训练集。

其中，one-hot的基本思想是将离散型特征的每一种取值都看成一种状态，若这一特征中有N个不相同的取值，那么就可以将该特征抽象成N种不同的状态，one-hot编码保证了每一个取值只会使得一种状态处于“激活态”，也就是说这N种状态中只有一个状态位值为1，其他状态位都是0。

对于IA的获取，可统计FAO发布的各国农田灌溉面积、农田面积，农田灌溉面积/农田面积得到灌溉百分比值（范围从0%到100%）。非作物区域覆盖类型的被分配一个固定的值。

需要说明的是，上述SOSA可根据遥感数据获得，IA可根据FAO（联合国粮食及农业组织）获取。

S120：对各参数信息分别进行数据处理，获取与各参数信息分别对应的预处理数据。

其中，对各参数信息分别进行数据处理，获取与各参数信息分别对应的预处理数据的过程包括：获取标准化降水指数SPI和自校正帕默尔指数PDSI，以监测站点为中心预设距离范围内的数据作为第一预处理数据；选取平均季节绿度百分比PASG以监测站点为中心的预设邻域窗口的平均值作为第二预处理数据；选取土壤有效含水量AWC、生长季开始的异常值SOSA、全球土地覆盖数据NLCD和农业灌溉百分比数据IA，以监测站点为中心预设窗口内的最大值作为第三预处理数据。

需要说明的是，在干旱指数监测模型训练过程中，可首先进行区域分类，基于全球分类数据ECO，统计FAO发布的全球的生态分区数据，提供一个区域的地理概况，用以量化研究区由于基本的气候状况和太阳能收支随经纬度，及海拔高度的变化。该地理分区综合考虑非生物相关的因素（气候、地质、水文、土地利用、地貌等），和生物相关的因素（植物和野生动物），然后可针对不同的区域分别进行干旱指数监测模型的训练，能够提高监测精度。

S130：对所述预处理数据以及与观测数据对应的辅助数据进行数据融合，并基于融合后的数据构建数据集；其中，所述数据集包括训练集和测试集。

其中，VegDRI综合了遥感数据，基于气候的标准化降水指数（SPI）和帕默尔干旱指数（PDSI）、更综合考虑了不同生态区生态物理背景的差异。VegDRI克服了每个数据源的缺陷，单一的NDVI指数缺乏对干旱以外的来源的植被的胁迫。针对不同生态分区，利用观测站点的干旱数据作为真值，训练不同分区的学习模型，作为干旱指数监测模型。

S140：基于训练集和测试集训练并测试深度神经网络模型，直至深度神经网络模型收敛在预设范围内，形成干旱指数监测模型。

其中，深度神经网络模型包括DNN、CNN、随机森林和SVM；当深度神经网络模型为DNN时，DNN包括输入层、隐含层、softmax层和输出层；其中，输出层包括的神经元个数与干旱类型的个数相对应，干旱类型包括无旱、轻旱、中旱、重旱和特旱，具体如下表1所示。

表1 相对湿润度干旱等级划分表

相对湿润度指数是表征某时段降水量与蒸发量之间平衡的指标之一，相对湿润指数的获取公式如下：

其中，P表示降水量，单位为毫米（mm）；PE为可能蒸散量，单位为毫米（mm），采用FAO（联合国粮食及农业组织）Thornthwaite方法获取。

S150：基于干旱指数监测模型对待检测区域的干旱指数进行监测。

具体地，当深度神经网络模型选用DNN时，可设计8层全连接的DNN，其中，输入层包含7个神经元，6层的全连接的隐含层，在隐含层后加入softmax层，输出层有5个神经元，对应的是5个干旱的类别。

其中，数据划分的random_state（随机状态）可设置为20，隐藏层中的神经元使用LeakyReLU作为激活函数，alpha=0.01，模型预测值与观测数据之间的准确率作为评价标准，并使用Adam优化器进行模型权重更新。在训练过程中，batch size可设为256，epoch可设为20轮，设置训练提前结束的条件为：当验证集的均方根误差在10轮中未发生降低将提前结束，完成干旱指数监测模型的训练过程。进而，可根据训练完成的干旱指数监测模型，完成对各待检测区域的干旱指数进行监测。

与上述基于深度学习的干旱指数监测方法相对应，本发明还提供一种基于深度学习的干旱指数监测系统。

具体地，图3示出了根据本发明实施例的基于深度学习的干旱指数监测系统的方框示意图。

如图3所示，本发明的基于深度学习的干旱指数监测系统300包括：

参数信息获取单元310，用于获取监测站点的观测数据，并基于观测数据获取对应的各参数信息；

预处理数据获取单元320，用于对各参数信息分别进行数据处理，获取与各参数信息分别对应的预处理数据；

数据集构建单元330，用于对预处理数据以及与观测数据对应的辅助数据进行数据融合，并基于融合后的数据构建数据集；其中，数据集包括训练集和测试集；

干旱指数监测模型形成单元340，用于基于训练集和测试集训练并测试深度神经网络模型，直至深度神经网络模型收敛在预设范围内，形成干旱指数监测模型；

监测单元350，用于基于干旱指数监测模型对待检测区域的干旱指数进行监测。

需要说明的是，上述基于深度学习的干旱指数监测系统的实施例可参考基于深度学习的干旱指数监测方法实施例中的描述，此处不再一一赘述。

根据上述本发明的基于深度学习的干旱指数监测方法及系统，综合考虑了不同生态区生态地理背景的差异，充分利用呈点状分布的气候的标准化降水指数（SPI）和帕默尔干旱指数（PDSI），通过深度学习技术构建VegDRI植被干旱响应指数监测旱情的方法，从而可以更加综合、全面的识别旱情，提高旱情监测的准确性，可实现对大范围干旱灾害的动态监测。

如上参照附图以示例的方式描述根据本发明的基于深度学习的干旱指数监测方法及系统。但是，本领域技术人员应当理解，对于上述本发明所提出的基于深度学习的干旱指数监测方法及系统，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (9)

1.一种基于深度学习的干旱指数监测方法，其特征在于，包括：

获取监测站点的观测数据，并基于所述观测数据获取对应的各参数信息，所述参数信息包括与所述观测数据对应的标准化降水指数SPI；

对所述各参数信息分别进行数据处理，获取与所述各参数信息分别对应的预处理数据；

对所述预处理数据以及与所述观测数据对应的辅助数据进行数据融合，并基于融合后的数据构建数据集；其中，所述数据集包括训练集和测试集；

基于所述训练集和所述测试集训练并测试深度神经网络模型，直至所述深度神经网络模型收敛在预设范围内，形成干旱指数监测模型；

基于所述干旱指数监测模型对待检测区域的干旱指数进行监测；

其中，所述标准化降水指数SPI的获取过程包括：

基于所述观测数据获取预设时间段内降水量的Г分布的概率密度函数；

基于所述概率密度函数获取所述标准化降水指数SPI；

其中，所述概率密度函数的公式表示为：

其中，

，随机变量x表示所述观测数据中的降水量，β＞0，γ＞0，分别表示所述概率密度函数的尺度和形状参数，β和γ采用极大似然 估计算法获取，所述β和γ的公式表示为：

其中，

，x_i表示降水量的资料样本，

表示降水量的预设年限的平均值，n表示所述监测站点的个数。

2.如权利要求1所述的基于深度学习的干旱指数监测方法，其特征在于，所述降水量小于预设值的Г分布的概率表达公式为：

对所述Г分布的概率进行正态标准化处理的公式表示为：

求解得：

其中，

，P表示降水量小于预设值的概率，Z表示所述标准化降水指数SPI，当P＞0.5时，P=1.0-P，S=1；当P≤0.5时，S=-1，c和d表示实验获取的经验参数。

3. 如权利要求2所述的基于深度学习的干旱指数监测方法，其特征在于，基于所述概率密度函数获取所述标准化降水指数SPI的过程包括：

基于所述概率密度函数确定所述降水量小于预设值的Г分布的概率；

对所述Г分布的概率进行正态标准化处理，获取所述标准化降水指数SPI。

4.如权利要求1所述的基于深度学习的干旱指数监测方法，其特征在于，

所述参数信息还包括土壤有效含水量AWC、自校正帕默尔指数PDSI和平均季节绿度百分比PASG；

所述辅助数据包括生长季开始的异常值SOSA、全球土地覆盖数据NLCD和农业灌溉百分比数据IA。

5. 如权利要求4所述的基于深度学习的干旱指数监测方法，其特征在于，

所述土壤有效含水量AWC的获取公式表示为：

其中，W_FC表示田间持水量，W_PWP表示永久萎蔫点的重量含水量，Z表示深度，Z_r表示作物根的生长的深度，ρb表示容重，ρw表示水的密度。

6.如权利要求4所述的基于深度学习的干旱指数监测方法，其特征在于，

所述自校正帕默尔指数PDSI的获取过程包括：

基于所述观测数据获取与所述监测站点对应的气候适宜降水量；

根据所述气候适宜降水量和实际降水量，获取水分亏缺量；

对所述水分亏缺量进行气候修正处理，获取与所述水分亏缺量对应的水分亏缺指数；

对所述水分亏缺指数进行持续时间因子处理，获取所述自校正帕默尔指数PDSI。

7.如权利要求4所述的基于深度学习的干旱指数监测方法，其特征在于，所述对所述各参数信息分别进行数据处理，获取与所述各参数信息分别对应的预处理数据的过程包括：

获取所述标准化降水指数SPI和所述自校正帕默尔指数PDSI，以所述监测站点为中心预设距离范围内的数据作为第一预处理数据；

选取所述平均季节绿度百分比PASG以所述监测站点为中心的预设邻域窗口的平均值作为第二预处理数据；

选取所述土壤有效含水量AWC，以所述监测站点为中心预设窗口内的最大值作为第三预处理数据。

8.如权利要求1所述的基于深度学习的干旱指数监测方法，其特征在于，

所述深度神经网络模型包括DNN、CNN、随机森林和SVM；

当所述深度神经网络模型为DNN时，所述DNN包括输入层、隐含层、softmax层和输出层；其中，

所述输出层包括的神经元个数与干旱类型的个数相对应，所述干旱类型包括无旱、轻旱、中旱、重旱和特旱。

9.一种基于深度学习的干旱指数监测系统，其特征在于，包括：

参数信息获取单元，用于获取监测站点的观测数据，并基于所述观测数据获取对应的各参数信息，所述参数信息包括与所述观测数据对应的标准化降水指数SPI；

预处理数据获取单元，用于对所述各参数信息分别进行数据处理，获取与所述各参数信息分别对应的预处理数据；

数据集构建单元，用于对所述预处理数据以及与所述观测数据对应的辅助数据进行数据融合，并基于融合后的数据构建数据集；其中，所述数据集包括训练集和测试集；

干旱指数监测模型形成单元，用于基于所述训练集和所述测试集训练并测试深度神经网络模型，直至所述深度神经网络模型收敛在预设范围内，形成干旱指数监测模型；

监测单元，用于基于所述干旱指数监测模型对待检测区域的干旱指数进行监测；

其中，所述参数信息获取单元基于所述观测数据获取预设时间段内降水量的Г分布的概率密度函数，并基于所述概率密度函数确获取所述标准化降水指数SPI；所述概率密度函数的公式表示为：

其中，

，随机变量x表示所述观测数据中的降水量，β＞0，γ＞0，分别表示所述概率密度函数的尺度和形状参数，β和γ采用极大似然 估计算法获取，所述β和γ的公式表示为：

其中，

，x_i表示降水量的资料样本，

表示降水量的预设年限的平均值，n表示所述监测站点的个数。

Images