CN115018394B - 旱情评估方法、装置、存储介质及设备 - Google Patents
旱情评估方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN115018394B CN115018394B CN202210943454.7A CN202210943454A CN115018394B CN 115018394 B CN115018394 B CN 115018394B CN 202210943454 A CN202210943454 A CN 202210943454A CN 115018394 B CN115018394 B CN 115018394B
- Authority
- CN
- China
- Prior art keywords
- drought
- data
- soil moisture
- region
- evaluation
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000002689 soil Substances 0.000 claims abstract description 189
- 238000000034 method Methods 0.000 claims abstract description 94
- 238000012417 linear regression Methods 0.000 claims abstract description 63
- 238000001556 precipitation Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000000750 progressive effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000012732 spatial analysis Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000005654 stationary process Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例公开了一种旱情评估方法、装置、存储介质及设备，涉及干旱监测技术领域，包括：基于旱区的卫星遥感数据，获得旱区的旱情影响因素数据；将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据；其中，逐步线性回归模型基于与影响土壤水分相关的相关因子数据获得，相关因子数据基于旱区的旱情影响因素的历史遥感数据获得；根据第一土壤水分数据，获得干旱情况数据；根据干旱情况数据，对旱区进行旱情评估。本申请通过卫星遥感技术广泛、准确、及时获取旱区的旱情影响因素数据，并通过逐步线性回归模型，避开其他数据干扰提取与影响土壤水分相关的数据，降低评估时间，有效提升旱情评估的质量。
Description
技术领域
本申请涉及干旱监测技术领域，具体涉及一种旱情评估方法、装置、存储介质及设备。
背景技术
干旱是指由水分收支或供求不平衡所引起的水分短缺现象，每年都会给人类社会特别是农业生产造成巨大经济损失。近年来，随着人口不断增长和经济社会快速发展，干旱带来的危害日趋严重，加强干旱监测与预报是增强抗旱工作主动性和提高防灾减灾能力的一个重要环节。
现目前的旱情评估是在多方数据的支撑下进行，且评估的参照没有主要依据，获取的数据种类过多，导致数据之间产生干扰，延长了评估时间、降低了评估准确率，评估的质量较低。
发明内容
本申请的主要目的在于提供一种旱情评估方法、装置、存储介质及设备，旨在解决现有技术中用于旱情评估的方法质量较低的问题。
为实现上述目的，本申请的实施例采用的技术方案如下：
第一方面，本申请实施例提供一种旱情评估方法，包括以下步骤：
基于旱区的卫星遥感数据，获得旱区的旱情影响因素数据；
将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据；其中，逐步线性回归模型基于与影响土壤水分相关的相关因子数据获得，相关因子数据基于旱区的旱情影响因素的历史遥感数据获得；
根据第一土壤水分数据，获得干旱情况数据；
根据干旱情况数据，对旱区进行旱情评估。
通过卫星遥感技术广泛、准确、及时地获取到旱区的旱情影响因素数据，将这些数据输入逐步线性回归模型，并提取与影响土壤水分相关的相关因子数据，在大量旱区当前情况下的影响因素数据中，提取最能直接反应旱情的土壤水分数据，从而避免了其他无关数据或者相关度较低的数据的干扰，直接快速准确地获得反应旱情的重要数据，并据此评估旱区的旱情并获得评估结果，降低了评估的时间，提升预测评估的准确率，有效提升了评估质量。
在第一方面的一种可能实现方式中，将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之前，旱情评估方法还包括：
基于旱区的数字高程模型并通过空间分析，获得旱区的坡度数据；
将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据，包括：
将旱情影响因素数据以及坡度数据输入逐步线性回归模型，以获得第一土壤水分数据。
由于山地地区的地形地貌对于旱情的影响较大，尤其是对土壤水分数据的影响，在评估旱情时通过空间分析，分析旱区的数字高程模型，快速获得与地形地貌直接关联的旱区坡度数据，可以使线性回归考虑的数据量更全面丰富，提升旱情评估的准确度。
在第一方面的一种可能实现方式中，将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之后，旱情评估方法还包括：
基于旱区的气象数据，获得第二土壤水分数据；
对第二土壤水分数据进行插值，以获得第三土壤水分数据；
对比第三土壤水分数据与第一土壤水分数据，以验证第一土壤水分数据是否可靠。
获得气象站点的监测数据，得到其检测下的土壤水分数据，也即第二土壤水分数据；然后对第二土壤水分数据进行插值，将离散的多个数据点逼近以获得一个近似值，也即第三土壤水分数据；最后通过本申请中逼近获得的模拟近似值-第三土壤水分数据与气象站的实际数据-土壤水分数据进行对比，即可验证两数据是否一致或者相差是否合理，以验证旱情评估方法的可行性。
在第一方面的一种可能实现方式中，对第二土壤水分数据进行插值，以获得第三土壤水分数据，包括：
以反距离权重法对第二土壤水分数据进行插值，以获得第三土壤水分数据。
反距离权重法实现简单，cpu实现、gpu实现都友好，其基本思路为插值点受附近点的影响最大，而距离较远的点的影响较小，能够自适应的以位置关系赋予权重，方法简单有效。
在第一方面的一种可能实现方式中，对第二土壤水分数据进行插值，以获得第三土壤水分数据，包括：
以克里金法对第二土壤水分数据进行插值，以获得第三土壤水分数据。
克里金法是依据协方差函数对随机过程/随机场进行空间建模和插值的回归算法，在特定的随机过程，例如固有平稳过程中，克里金法能够给出最优线性无偏估计，因此在地统计学中也被称为空间最优无偏估计器。若协方差函数的形式等价，且建模对象是平稳高斯过程，普通克里金的输出与高斯过程回归在正态似然下输出的均值和置信区间相同，有稳定的预测效果。
在第一方面的一种可能实现方式中，将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之后，旱情评估方法还包括：
基于旱区的气象数据，获得第一标准化降水指数数据；其中，第一标准化降水指数数据为每月合成；
通过简单线性回归将第一标准化降水指数数据与第一土壤水分数据进行比较，以校验第一标准化降水指数数据与第一土壤水分数据的拟合程度。
标准化降水指数是最常用的干旱指数之一，通过旱区的气象数据，获得每月合成标准化降水指数数据，并得到第一标准化降水指数数据，再通过简单线性回归对二者进行回归分析，可以验证二者的拟合程度，从不同的数据基础出发，可进行双向的验证，从而可以研究得到干旱程度与标准化降水指数之间的关系，实现不同指标之间的量化对比。
在第一方面的一种可能实现方式中，根据干旱情况数据，评估旱情并获得评估结果之后，旱情评估方法还包括：
基于旱区的气象数据，获得第二标准化降水指数数据；其中，第二标准化降水指数数据为每六个月合成；
对第二标准化降水指数数据进行插值，并获得第三标准化降水指数数据；
对比旱情评估的结果与第三标准化降水指数数据，以验证旱情评估的结果是否可靠。
从不同的数据基础出发，也即从气象数据入手，将标准化降水指数数据每六个月合成，需要注意的是，此处的六个月是指执行该方法时最近的六个月，合成得到第二标准化降水指数数据，对第二标准化降水指数数据进行插值，与前述实施例类似的，将离散的多个数据点逼近以获得一个近似值，也即第三标准化降水指数数据，将其与旱情评估的结果作对比，将常用的利用气象数据评估旱情的指标-标准化降水指数与本申请实施例中基于卫星遥感数据获得的旱情评估结果对比，则能够有效验证本申请中旱情评估方法的可行性。
在第一方面的一种可能实现方式中，根据第一土壤水分数据，获得干旱情况数据，包括：
根据第一土壤水分数据，获得干旱持续时间数据；
根据干旱情况数据，对旱区进行旱情评估，包括：
根据干旱持续时间数据，对旱区进行旱情评估。
引入干旱持续时间来全面对旱情进行评估，一方面直接通过土壤水分数据表示当前的干旱状况，另一方面间接通过土壤水分数据的历史记录可以获得干旱状况持续的时间，两方面结合则可以快速直观地评估旱情。
在第一方面的一种可能实现方式中，根据第一土壤水分数据，获得干旱持续时间数据，包括：
根据第一土壤水分数据，获得目标土壤水分数据；其中，目标土壤水分数据为小于等于50%的第一土壤水分数据；
根据目标土壤水分数据，获得干旱持续时间数据。
以土壤水分数据为50%作为中间判断值，大于50%则可定义为未出现干旱，不大于50%则可定义为出现干旱，因此干旱持续时间可以定义为第一土壤水分数据不超过50%的时间段，简单快速地反应旱情，干旱越严重，土壤水分数据越小，干旱程度也越高。
在第一方面的一种可能实现方式中，根据第一土壤水分数据，获得干旱情况数据，包括：
根据第一土壤水分数据，获得干旱程度数据；
根据干旱情况数据，对旱区进行旱情评估，包括：
根据干旱程度数据，对旱区进行旱情评估。
在第一方面的一种可能实现方式中，根据第一土壤水分数据，获得干旱程度数据，包括：
根据第一土壤水分数据，获得目标土壤水分数据；其中，目标土壤水分数据为小于等于50%的第一土壤水分数据；
根据目标土壤水分数据，计算获得干旱程度数据；计算公式如下：
S=0.5-SM′，其中S表示干旱程度，SM′表示土壤水分。
在第一方面的一种可能实现方式中，将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之前，旱情评估方法还包括：
获取若干旱区的旱情影响因素的历史遥感数据，并通过逐步线性回归提取与影响土壤水分相关的相关因子数据；
根据相关因子数据，建立逐步线性回归模型。
为使逐步线性回归模型能够提取出本申请实施例想获得的相关因子，提前采用逐步线性回归的方式提取历史数据中的与影响土壤水分相关的相关因子数据，据此训练的模型在使用时即可以避开其他数据的干扰，专注于准确输出相关因子数据，降低了旱情评估的周期，提升了评估质量。
第二方面，本申请实施例提供一种旱情评估装置，包括：
第一获得模块，第一获得模块用于基于旱区的卫星遥感数据，获得旱区的旱情影响因素数据；
提取模块，提取模块用于将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据；其中，逐步线性回归模型基于与影响土壤水分相关的相关因子数据获得，相关因子数据基于旱区的旱情影响因素的历史遥感数据获得；
第二获得模块，第二获得模块用于根据第一土壤水分数据，获得干旱情况数据；
评估模块，评估模块用于根据干旱情况数据，对旱区进行旱情评估。
第三方面，本申请实施例提供一种计算机可读存储介质，储存有计算机程序，计算机程序被处理器加载执行时，实现如上述第一方面中任一项提供的旱情评估方法。
第四方面，本申请实施例提供一种电子设备，包括处理器及存储器，其中，
存储器用于存储计算机程序；
处理器用于加载执行计算机程序，以使电子设备执行如上述第一方面中任一项提供的旱情评估方法。
与现有技术相比，本申请的有益效果是：
本申请实施例提出的一种旱情评估方法、装置、存储介质及设备，该方法通过基于旱区的卫星遥感数据，获得旱区的旱情影响因素数据；将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据；根据第一土壤水分数据，获得干旱情况数据；根据干旱情况数据，对旱区进行旱情评估。本申请的方法首先通过卫星遥感技术大范围、宏观、及时地获取到旱区的旱情影响因素数据，将这些数据输入逐步线性回归模型，该模型基于与影响土壤水分相关的相关因子数据获得，相关因子数据从旱区的旱情影响因素的历史遥感数据中提取获得，通过该模型可以从大量可供选择的变量中选取最重要的变量，也即以土壤水分为提取的目标，在大量旱区当前情况下的影响因素数据中，提取最能直接反应旱情的土壤水分数据，从而避免了其他无关数据或者相关度较低的数据的干扰，直接快速准确地获得反应旱情的重要数据，并据此评估旱区的旱情并获得评估结果，降低了评估的时间，提升预测评估的准确率，有效提升了评估质量。
附图说明
图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图；
图2为本申请实施例提供的一种旱情评估方法的流程示意图；
图3为本申请实施例提供的一种旱情评估装置的模块示意图；
图中标记：101-处理器，102-通信总线，103-网络接口，104-用户接口，105-存储器。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：提出一种旱情评估方法、装置、存储介质及设备，通过基于旱区的卫星遥感数据，获得旱区的旱情影响因素数据；将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据；其中，逐步线性回归模型基于与影响土壤水分相关的相关因子数据获得，相关因子数据基于旱区的旱情影响因素的历史遥感数据获得；根据第一土壤水分数据，获得干旱情况数据；根据干旱情况数据，对旱区进行旱情评估。
山地地区由于地形地貌条件复杂，土壤蓄水保水能力较差，降水的空间和时间分布不均匀等原因，常有区域性、阶段性的干旱发生，经常给农业生产和人们生活带来巨大的损失，及时准确地监测获取干旱信息，评估干旱程度，并采取积极有效的抗旱措施，最大限度地降低干旱造成的损失具有重要意义。现有技术中，对于旱情评估的常用方法，有的考虑降雨、蒸散、土壤状况等相关信息，有的考虑植被与地表温度信息，有的根据气象数据来进行监测，监测评估的标准不一，各有各的依据，获取的数据量大且数据种类较多，处理大量数据花费的时间较长，甚至其中混杂的一些无关数据还需要逐个提出，导致评估的时间拉长，数据之间相互的干扰导致监测评估的质量较低，对于实时获得旱区情况，及时采取有效抗旱措施十分不利。
为此，本申请提供一种解决方案，首先基于旱区的卫星遥感数据，获得旱区的旱情影响因素数据，然后将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据，进而根据第一土壤水分数据，获得干旱情况数据，最后根据干旱情况数据，对旱区进行旱情评估。以面积广、获取及时、获取准确的遥感数据作为评估用大数据基础，利用逐步线性回归模型提取其中的相关因子数据，也即最直观反应旱情的土壤水分数据，从而实现对旱情的及时、快速、准确评估，解决了现有技术中用于旱情评估的方法质量较低的问题。
参照附图1，附图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图，该电子设备可以包括：处理器101，例如中央处理器（Central Processing Unit，CPU），通信总线102、用户接口104，网络接口103，存储器105。其中，通信总线102用于实现这些组件之间的连接通信。用户接口104可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口104还可以包括标准的有线接口、无线接口。网络接口103可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器105可选的可以是独立于前述处理器101的存储装置，存储器105可能是高速的随机存取存储器（Random Access Memory，RAM）存储器，也可能是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器；处理器101可以是通用处理器，包括中央处理器、网络处理器等，还可以是数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本领域技术人员可以理解，附图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如附图1所示，作为一种存储介质的存储器105中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在附图1所示的电子设备中，网络接口103主要用于与网络服务器进行数据通信；用户接口104主要用于与用户进行数据交互；本申请中的处理器101、存储器105可以设置在电子设备中，电子设备通过处理器101调用存储器105中存储的旱情评估装置，并执行本申请实施例提供的旱情评估方法。
参照附图2，基于前述实施例的硬件设备，本申请的实施例提供一种旱情评估方法，包括以下步骤：
S20：基于旱区的卫星遥感数据，获得旱区的旱情影响因素数据。
在具体实施过程中，遥感技术是3S技术中的一种，其作为一种探测技术，根据电磁波的理论，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理，并最后成像，从而对地面各种景物进行探测和识别的一种综合技术，能够大范围、准确及时地获取旱区的各种遥感数据，并从中选择性获得旱情影响因素数据，如温度、水汽、地表温度、归一化差异植被指数等，应用遥感技术，还能够周期性地得到实时信息，实时数据能够快速地实现与历史数据的对比，有效掌握变化情况。
其中，归一化差异植被指数是指，由于植被在近红外波段处有较强的反射，其反射率值较高，而在红波段处有较强的吸收，反射 率值较低，因此归一化差值植被指数通过计算近红外波段和红波段之间的差异来定量化植被的生长状况。相应的，植被生长状况较好的区域可以认为受干旱影响程度较低。
S30：将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据；其中，逐步线性回归模型基于与影响土壤水分相关的相关因子数据获得，相关因子数据基于旱区的旱情影响因素的历史遥感数据获得。
在具体实施过程中，逐步回归是一种线性回归模型自变量选择方法，其基本思路是自动从大量可供选择的变量中选取最重要的变量，建立回归分析的预测或者解释模型。其基本思想是:将自变量逐个引入，引入的条件是其偏回归平方和经检验后是显著的。同时，每引入一个新的自变量后，要对旧的自变量逐个检验，剔除偏回归平方和不显著的自变量，这样一直边引入边剔除，直到既无新变量引入也无旧变量删除为止。
根据本申请实施例中逐步线性回归模型的训练数据可知，该模型可以从大量的旱情影响因素中提取相关因子数据，在本申请实施例中，相关因子数据选择与旱情最相关、最能快速直观表达旱情的土壤水分数据，记为第一土壤水分数据，从而避免了其他无关数据或者相关度较低的数据的干扰，直接快速准确地获得反应旱情的重要数据。
S40：根据第一土壤水分数据，获得干旱情况数据。
在具体实施过程中，干旱情况数据是指干旱持续的时间以及干旱程度等数据信息，在考虑干旱影响因素的情况下，兼顾了旱情持续时间以及旱情程度带来的影响，能对旱情作出更准确的评估。
S50：根据干旱情况数据，对旱区进行旱情评估。
在具体实施过程中，干旱情况数据对于旱情的影响简单来说，可以总结为：旱情程度越深，持续时间越长，那么对于旱情的影响就越大；反之影响越小；而旱情程度与干旱持续时间均可以直接通过土壤水分数据快速获得，比如设定一个标准值，在土壤水分数据低于标准值，则表示发生干旱，并且低于标准值越多，干旱程度就越深，而结合持续的时间则可以准确评估旱情。
本实施例中，通过卫星遥感技术广泛、准确、及时地获取到旱区的旱情影响因素数据，将这些数据输入逐步线性回归模型，并提取与影响土壤水分相关的相关因子数据，在大量旱区当前情况下的影响因素数据中，提取最能直接反应旱情的土壤水分数据，从而避免了其他无关数据或者相关度较低的数据的干扰，直接快速准确地获得反应旱情的重要数据，并据此评估旱区的旱情并获得评估结果，降低了评估的时间，提升预测评估的准确率，有效提升了评估质量。
在一种实施例中，提前建立逐步线性回归模型，以便于在检测过程中随时调用模型快速提取相关因子，具体来说：
将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之前，旱情评估方法还包括：
获取若干旱区的旱情影响因素的历史遥感数据，并通过逐步线性回归提取与影响土壤水分相关的相关因子数据；
根据相关因子数据，建立逐步线性回归模型。
在具体实施过程中，为使逐步线性回归模型能够提取出本申请实施例想获得的相关因子，提前采用逐步线性回归的方式提取历史数据中的与影响土壤水分相关的相关因子数据，据此训练的模型在使用时即可以避开其他数据的干扰，专注于准确输出相关因子数据，降低了旱情评估的周期，提升了评估质量。
在一种实施例中，将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之前，旱情评估方法还包括：
基于旱区的数字高程模型并通过空间分析，获得旱区的坡度数据；
在具体实施过程中，由于山地地区的地形地貌对于旱情的影响较大，尤其是对土壤水分数据的影响，例如：在同一旱区，其他因素相同的情况下，山谷的土壤水分数据一定高于山顶，向阳面的土壤水分数据一定大于阴面，因此在评估旱情时通过空间分析，分析旱区的数字高程模型，快速获得与地形地貌直接关联的旱区坡度数据，可以使线性回归考虑的数据量更全面丰富，提升旱情评估的准确度。
其中，数字高程模型简称DEM,是通过有限的地形高程数据实现对地面地形的数字化模拟，即地形表面形态的数字化表达，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，是数字地形模型简称DTM的一个分支，其它各种地形特征值均可由此派生。一般认为，DTM是描述包括高程在内的各种地貌因子，如坡度、坡向、坡度变化率等因子在内的线性和非线性组合的空间分布，其中DEM是零阶单纯的单项数字地貌模型，其他如坡度、坡向及坡度变化率等地貌特性可在DEM的基础上派生。空间分析是对于地理空间现象的定量研究，其常规能力是操纵空间数据使之成为不同的形式，并且提取其潜在的信息，是地理信息系统的核心。
基于前述实施例坡度数据的引入，将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据，包括：
将旱情影响因素数据以及坡度数据输入逐步线性回归模型，以获得第一土壤水分数据。
本申请实施例是在基于卫星遥感数据下的旱情评估，为了验证方法的有效性，需建立评估体系，用于对本申请方法有效性的验证，本实施例中提供一种实施方式，用于对第一土壤水分数据进行验证，具体来说：
将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之后，旱情评估方法还包括：
基于旱区的气象数据，获得第二土壤水分数据；
对第二土壤水分数据进行插值，以获得第三土壤水分数据；
对比第三土壤水分数据与第一土壤水分数据，以验证第一土壤水分数据是否可靠。
在具体实施过程中，获得气象站点的监测数据，得到其检测下的土壤水分数据，也即第二土壤水分数据；然后对第二土壤水分数据进行插值，插值是离散函数逼近的重要方法，在离散数据的基础上补插连续函数，使得这条连续曲线通过全部给定的离散数据点，利用它可通过函数在有限个点处的取值状况，估算出函数在其他点处的近似值，本实施例中进行插值，将离散的多个数据点逼近以获得一个近似值，也即第三土壤水分数据；最后通过本申请中逼近获得的模拟近似值-第三土壤水分数据与气象站的实际数据-土壤水分数据进行对比，即可验证两数据是否一致或者相差是否合理，以验证旱情评估方法的可行性。
本实施例中，插值方法的选用根据实际情况下哪一种插值方法的效果更好决定，常用的插值方法如反距离权重法、克里金法等。其中：
反距离权重法是GMS地层插值的默认方法，实现简单，cpu实现、gpu实现都友好，其基本思路为插值点受附近点的影响最大，而距离较远的点的影响较小。插值使用一组采样点的线性权重组合来确定像元值，权重是一种反距离函数，进行插值处理的表面应当是具有局部因变量的表面。所选点的反距离权重邻域，假定所映射的变量因受到与其采样位置间的距离的影响而减小，例如，为分析A位置而对相关的对象的表面进行插值处理时，在较远位置影响较小，因为对象更倾向于在较近B位置进行活动。使用幂参数控制影响反距离权重法主要依赖于反距离的幂值。幂参数可基于距输出点的距离来控制已知点对内插值的影响。幂参数是一个正实数，默认值为2。通过定义更高的幂值，可进一步强调最近点。因此，邻近数据将受到最大影响，表面会变得更加详细。随着幂数的增大，内插值将逐渐接近最近采样点的值。
克里金法是依据协方差函数对随机过程/随机场进行空间建模和插值的回归算法。在特定的随机过程，例如固有平稳过程中，克里金法能够给出最优线性无偏估计，因此在地统计学中也被称为空间最优无偏估计器。若协方差函数的形式等价，且建模对象是平稳高斯过程，普通克里金的输出与高斯过程回归在正态似然下输出的均值和置信区间相同，有稳定的预测效果。克里金法是典型的地统计学算法，被应用于地理科学、环境科学、大气科学等领域。
在一种实施例中，提供一种实施方式，以验证第一土壤水分数据与标准化降水指数的拟合程度，具体来说：
将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之后，旱情评估方法还包括：
基于旱区的气象数据，获得第一标准化降水指数数据；其中，第一标准化降水指数数据为每月合成；
通过简单线性回归将第一标准化降水指数数据与第一土壤水分数据进行比较，以校验第一标准化降水指数数据与第一土壤水分数据的拟合程度。
在具体实施过程中，标准化降水指数是最常用的干旱指数之一，通过旱区的气象数据，获得每月合成标准化降水指数数据，并得到第一标准化降水指数数据，再通过简单线性回归对二者进行回归分析，可以验证二者的拟合程度，从不同的数据基础出发，可进行双向的验证，从而可以研究得到干旱程度与标准化降水指数之间的关系，实现不同指标之间的量化对比。
在一种实施例中，提供另一种实施方式验证本申请旱情评估方法的有效性，具体来说：
根据干旱情况数据，评估旱情并获得评估结果之后，旱情评估方法还包括：
基于旱区的气象数据，获得第二标准化降水指数数据；其中，第二标准化降水指数数据为每六个月合成；
对第二标准化降水指数数据进行插值，并获得第三标准化降水指数数据；
对比旱情评估的结果与第三标准化降水指数数据，以验证旱情评估的结果是否可靠。
在具体实施过程中，同样的，从不同的数据基础出发，也即从气象数据入手，将标准化降水指数数据每六个月合成，需要注意的是，此处的六个月是指执行该方法时最近的六个月，合成得到第二标准化降水指数数据，对第二标准化降水指数数据进行插值，与前述实施例类似的，将离散的多个数据点逼近以获得一个近似值，也即第三标准化降水指数数据，将其与旱情评估的结果作对比，将常用的利用气象数据评估旱情的指标-标准化降水指数与本申请实施例中基于卫星遥感数据获得的旱情评估结果对比，则能够有效验证本申请中旱情评估方法的可行性。
在一种实施例中，提供一种实施方式，用于获得干旱情况数据中的一种，也即干旱持续时间数据，具体来说：
根据第一土壤水分数据，获得干旱情况数据，包括：
根据第一土壤水分数据，获得干旱持续时间数据；
根据干旱情况数据，对旱区进行旱情评估，包括：
根据干旱持续时间数据，对旱区进行旱情评估。
在具体实施过程中，引入干旱持续时间来全面对旱情进行评估，一方面直接通过土壤水分数据表示当前的干旱状况，另一方面间接通过土壤水分数据的历史记录可以获得干旱状况持续的时间，两方面结合则可以快速直观地评估旱情。在其他实施例中，为了获得旱情程度数据，则可以将本实施例方法中的干旱持续时间数据替换为旱情程度数据来执行。
在一种实施例中，以50%为中间判断值，来获得干旱持续时间数据，具体来说：
根据第一土壤水分数据，获得干旱持续时间数据，包括：
根据第一土壤水分数据，获得目标土壤水分数据；其中，目标土壤水分数据为小于等于50%的第一土壤水分数据；
根据目标土壤水分数据，获得干旱持续时间数据。
在具体实施过程中，以土壤水分数据为50%作为中间判断值，大于50%则可定义为未出现干旱，不大于50%则可定义为出现干旱，因此干旱持续时间可以定义为第一土壤水分数据不超过50%的时间段，简单快速地反应旱情，干旱越严重，土壤水分数据越小，干旱程度也越高。基于此定义干旱程度数据，其计算公式为：
S=0.5-SM′，其中S表示干旱程度，SM′表示土壤水分，由于本申请中的干旱是定义为土壤水分数据不大于50%，土壤水分是在0-100%之间，因此S的范围为-0.5-0.5，当S小于0时，表示该月没有干旱出现，S大于0则表示该月发生干旱。
结合干旱程度和干旱持续时间来进行旱情评估定量计算，如下所示：
其中S是干旱程度，D指干旱的持续时间，根据公式，当SM'较小且D较长时，S将更高，也即土壤水分越低、且持续时间越长，干旱程度越高，将旱情评估的结果直接进行数据量化，能够更直观、简便地反应旱情。
参照附图3，基于与前述实施例中同样的发明构思，本申请实施例还提供一种装置，该装置包括：
第一获得模块，第一获得模块用于基于旱区的卫星遥感数据，获得旱区的旱情影响因素数据；
提取模块，提取模块用于将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据；其中，逐步线性回归模型基于与影响土壤水分相关的相关因子数据获得，相关因子数据基于旱区的旱情影响因素的历史遥感数据获得；
第二获得模块，第二获得模块用于根据第一土壤水分数据，获得干旱情况数据；
评估模块，评估模块用于根据干旱情况数据，对旱区进行旱情评估。
本领域技术人员应当理解，实施例中的各个模块的划分仅仅是一种逻辑功能的划分，实际应用时可以全部或部分集成到一个或多个实际载体上，且这些模块可以全部以软件通过处理单元调用的形式实现，也可以全部以硬件的形式实现，或是以软件、硬件结合的形式实现，需要说明的是，本实施例中旱情评估装置中各模块是与前述实施例中的旱情评估方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述旱情评估方法的实施方式，这里不再赘述。
基于与前述实施例中同样的发明构思，本申请的实施例还提供一种计算机可读存储介质，储存有计算机程序，计算机程序被处理器加载执行时，实现如本申请实施例提供的旱情评估方法。
基于与前述实施例中同样的发明构思，本申请的实施例还提供一种电子设备，包括处理器及存储器，其中，
存储器用于存储计算机程序；
处理器用于加载执行计算机程序，以使电子设备执行如本申请实施例提供的旱情评估方法。
此外，基于与前述实施例中同样的发明构思，本申请的实施例还提供一种计算机程序产品，包括计算机程序，当计算机程序被执行时，用于执行如本申请实施例提供的旱情评估方法。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光 盘）中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法。
综上，本申请提供的一种旱情评估方法、装置、存储介质及设备，通过基于旱区的卫星遥感数据，获得旱区的旱情影响因素数据；将旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据；其中，逐步线性回归模型基于与影响土壤水分相关的相关因子数据获得，相关因子数据基于旱区的旱情影响因素的历史遥感数据获得；根据第一土壤水分数据，获得干旱情况数据；根据干旱情况数据，对旱区进行旱情评估。能够以精确的遥感数据作为基础，从大量数据中避开无效数据的干扰，提取最相关的数据做分析评估，有效降低了评估所需时间，提升了评估的质量。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (15)
1.一种旱情评估方法，其特征在于，包括以下步骤：
基于旱区的卫星遥感数据，获得所述旱区的旱情影响因素数据；
将所述旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据；其中，所述逐步线性回归模型基于与影响土壤水分相关的相关因子数据获得，所述相关因子数据基于所述旱区的旱情影响因素的历史遥感数据获得；
根据所述第一土壤水分数据，获得干旱情况数据；
根据所述干旱情况数据，对所述旱区进行旱情评估。
2.根据权利要求1所述的旱情评估方法，其特征在于，所述将所述旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之前，所述旱情评估方法还包括：
基于旱区的数字高程模型并通过空间分析，获得旱区的坡度数据；
所述将所述旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据，包括：
将所述旱情影响因素数据以及所述坡度数据输入逐步线性回归模型，以获得第一土壤水分数据。
3.根据权利要求1所述的旱情评估方法，其特征在于，所述将所述旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之后，所述旱情评估方法还包括：
基于旱区的气象数据，获得第二土壤水分数据；
对所述第二土壤水分数据进行插值，以获得第三土壤水分数据；
对比所述第三土壤水分数据与所述第一土壤水分数据，以验证所述第一土壤水分数据是否可靠。
4.根据权利要求3所述的旱情评估方法，其特征在于，所述对所述第二土壤水分数据进行插值，以获得第三土壤水分数据，包括：
以反距离权重法对所述第二土壤水分数据进行插值，以获得第三土壤水分数据。
5.根据权利要求3所述的旱情评估方法，其特征在于，所述对所述第二土壤水分数据进行插值，以获得第三土壤水分数据，包括：
以克里金法对所述第二土壤水分数据进行插值，以获得第三土壤水分数据。
6.根据权利要求1所述的旱情评估方法，其特征在于，所述将所述旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之后，所述旱情评估方法还包括：
基于旱区的气象数据，获得第一标准化降水指数数据；其中，所述第一标准化降水指数数据为每月合成；
通过简单线性回归将所述第一标准化降水指数数据与所述第一土壤水分数据进行比较，以校验所述第一标准化降水指数数据与所述第一土壤水分数据的拟合程度。
7.根据权利要求1所述的旱情评估方法，其特征在于，所述根据所述干旱情况数据，评估旱情并获得评估结果之后，所述旱情评估方法还包括：
基于旱区的气象数据，获得第二标准化降水指数数据；其中，所述第二标准化降水指数数据为每六个月合成；
对所述第二标准化降水指数数据进行插值，并获得第三标准化降水指数数据；
对比所述旱情评估的结果与所述第三标准化降水指数数据，以验证所述旱情评估的结果是否可靠。
8.根据权利要求1所述的旱情评估方法，其特征在于，所述根据所述第一土壤水分数据，获得干旱情况数据，包括：
根据所述第一土壤水分数据，获得干旱持续时间数据；
所述根据所述干旱情况数据，对所述旱区进行旱情评估，包括：
根据所述干旱持续时间数据，对所述旱区进行旱情评估。
9.根据权利要求8所述的旱情评估方法，其特征在于，所述根据所述第一土壤水分数据，获得干旱持续时间数据，包括：
根据所述第一土壤水分数据，获得目标土壤水分数据；其中，所述目标土壤水分数据为小于等于50%的所述第一土壤水分数据；
根据所述目标土壤水分数据，获得所述干旱持续时间数据。
10.根据权利要求1所述的旱情评估方法，其特征在于，所述根据所述第一土壤水分数据，获得干旱情况数据，包括：
根据所述第一土壤水分数据，获得干旱程度数据；
所述根据所述干旱情况数据，对所述旱区进行旱情评估，包括：
根据所述干旱程度数据，对所述旱区进行旱情评估。
11.根据权利要求10所述的旱情评估方法，其特征在于，所述根据所述第一土壤水分数据，获得干旱程度数据，包括：
根据所述第一土壤水分数据，获得目标土壤水分数据；其中，所述目标土壤水分数据为小于等于50%的所述第一土壤水分数据；
根据所述目标土壤水分数据，计算获得所述干旱程度数据；计算公式如下：
S=0.5-SM′，其中S表示干旱程度，SM′表示土壤水分。
12.根据权利要求1所述的旱情评估方法，其特征在于，所述将所述旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据之前，所述旱情评估方法还包括：
获取若干旱区的旱情影响因素的历史遥感数据，并通过逐步线性回归提取与影响土壤水分相关的相关因子数据；
根据所述相关因子数据，建立所述逐步线性回归模型。
13.一种旱情评估装置，其特征在于，包括：
第一获得模块，所述第一获得模块用于基于旱区的卫星遥感数据，获得所述旱区的旱情影响因素数据；
提取模块，所述提取模块用于将所述旱情影响因素数据输入逐步线性回归模型，以获得第一土壤水分数据；其中，所述逐步线性回归模型基于与影响土壤水分相关的相关因子数据获得，所述相关因子数据基于所述旱区的旱情影响因素的历史遥感数据获得；
第二获得模块，所述第二获得模块用于根据所述第一土壤水分数据，获得干旱情况数据；
评估模块，所述评估模块用于根据所述干旱情况数据，对所述旱区进行旱情评估。
14.一种计算机可读存储介质，储存有计算机程序，其特征在于，所述计算机程序被处理器加载执行时，实现如权利要求1-12中任一项所述的旱情评估方法。
15.一种电子设备，其特征在于，包括处理器及存储器，其中，
所述存储器用于存储计算机程序；
所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如权利要求1-12中任一项所述的旱情评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210943454.7A CN115018394B (zh) | 2022-08-08 | 2022-08-08 | 旱情评估方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210943454.7A CN115018394B (zh) | 2022-08-08 | 2022-08-08 | 旱情评估方法、装置、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115018394A CN115018394A (zh) | 2022-09-06 |
| CN115018394B true CN115018394B (zh) | 2022-10-25 |
Family
ID=83065266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210943454.7A Active CN115018394B (zh) | 2022-08-08 | 2022-08-08 | 旱情评估方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115018394B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433030A (zh) * | 2023-04-26 | 2023-07-14 | 中国农业科学院农业环境与可持续发展研究所 | 旱情损失量的快速评估方法、系统、介质及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107144535A (zh) * | 2017-05-19 | 2017-09-08 | 南京信息工程大学 | 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 |
| CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
| CN112837169A (zh) * | 2021-01-11 | 2021-05-25 | 黄河勘测规划设计研究院有限公司 | 一种干旱过程网格化旱情综合监测、预警与评估方法 |
| CN113655003A (zh) * | 2021-09-02 | 2021-11-16 | 中科禾信遥感科技（苏州）有限公司 | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 |
| CN114120145A (zh) * | 2021-11-26 | 2022-03-01 | 成都数联云算科技有限公司 | 一种监测方法、装置、电子设备及计算机可读存储介质 |
| CN114842360A (zh) * | 2022-05-17 | 2022-08-02 | 中国水利水电科学研究院 | 一种牧区旱情识别方法、系统及管理平台 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2885873T3 (es) * | 2009-05-14 | 2021-12-15 | Pioneer Hi Bred Int | Modelado inverso para predicción de características de conjuntos de datos multiespectrales e hiperespectrales detectados de manera remota |
| US10529036B2 (en) * | 2016-01-22 | 2020-01-07 | The Climate Corporation | Forecasting national crop yield during the growing season using weather indices |
| CN110738252B (zh) * | 2019-10-14 | 2020-08-14 | 广州地理研究所 | 空间自相关的机器学习卫星降水数据降尺度方法、系统 |
-
2022
- 2022-08-08 CN CN202210943454.7A patent/CN115018394B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107144535A (zh) * | 2017-05-19 | 2017-09-08 | 南京信息工程大学 | 一种基于高光谱技术的碱化土壤空间酸碱度监测方法 |
| CN111307643A (zh) * | 2019-04-04 | 2020-06-19 | 西北大学 | 一种基于机器学习算法的土壤水分预测方法 |
| CN112837169A (zh) * | 2021-01-11 | 2021-05-25 | 黄河勘测规划设计研究院有限公司 | 一种干旱过程网格化旱情综合监测、预警与评估方法 |
| CN113655003A (zh) * | 2021-09-02 | 2021-11-16 | 中科禾信遥感科技（苏州）有限公司 | 一种利用无人机照片估算冬小麦返青期土壤墒情的方法 |
| CN114120145A (zh) * | 2021-11-26 | 2022-03-01 | 成都数联云算科技有限公司 | 一种监测方法、装置、电子设备及计算机可读存储介质 |
| CN114842360A (zh) * | 2022-05-17 | 2022-08-02 | 中国水利水电科学研究院 | 一种牧区旱情识别方法、系统及管理平台 |
Non-Patent Citations (4)
| Title |
|---|
| Drought assessment and monitoring through blending of multi-sensor indices using machine learning approaches for different climate regions;Park, Seonyoung 等;《AGRICULTURAL AND FOREST METEOROLOGY》;20160115;第216卷;157-169 * |
| 基于多元逐步回归分析的葡萄园干旱监测模型;李雪健 等;《干旱地区农业研究》;20220710;第40卷(第04期);249-254 * |
| 基于多源遥感数据的黄河流域干旱特征分析;张桐华;《中国优秀硕士学位论文全文数据库 基础科学辑》;20210115(第01期);A009-162 * |
| 基于随机森林的干旱区全极化SAR土壤含水量反演;杨丽萍 等;《吉林大学学报(地球科学版)》;20220726;第52卷(第04期);1255-1264 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115018394A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mekonnen et al. | Analysis of combined and isolated effects of land-use and land-cover changes and climate change on the upper Blue Nile River basin's streamflow | |
| Holzkämper et al. | Identifying climatic limitations to grain maize yield potentials using a suitability evaluation approach | |
| Mina et al. | Forward modeling of tree-ring width improves simulation of forest growth responses to drought | |
| Collenteur et al. | Estimation of groundwater recharge from groundwater levels using nonlinear transfer function noise models and comparison to lysimeter data | |
| Chen et al. | Hydrological effects of change in vegetation components across global catchments | |
| Zakaria et al. | ARIMA Models for weekly rainfall in the semi-arid Sinjar District at Iraq | |
| Sun et al. | Analyzing urban ecosystem variation in the City of Dongguan: A stepwise cluster modeling approach | |
| Baik et al. | Agricultural drought assessment based on multiple soil moisture products | |
| CN115018394B (zh) | 旱情评估方法、装置、存储介质及设备 | |
| CN111879915B (zh) | 一种滨海湿地高分辨率的逐月土壤盐度监测方法及系统 | |
| CN115619583A (zh) | 一种复合农业气象灾害监测指标体系的构建方法 | |
| Vicente-Serrano et al. | A near real-time drought monitoring system for Spain using automatic weather station network | |
| Tian et al. | Simulating the change of precipitation-runoff relationship during drought years in the eastern monsoon region of China | |
| Ma et al. | Seasonal drought predictability and forecast skill in the semi-arid endorheic Heihe River basin in northwestern China | |
| CN116341841B (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
| Tokura et al. | Long-term variability in vegetation productivity in relation to rainfall, herbivory and fire in Tswalu Kalahari Reserve | |
| CN114926040B (zh) | 一种流域自然资本的综合评估方法、系统及电子设备 | |
| Pumo et al. | An automatic tool for reconstructing monthly time-series of hydro-climatic variables at ungauged basins | |
| Veldhuis et al. | Remotely‐sensed slowing down in spatially patterned dryland ecosystems | |
| Ebtehaj et al. | A comprehensive comparison of the fifth and sixth phases of the coupled model intercomparison project based on the Canadian earth system models in spatio-temporal variability of long-term flood susceptibility using remote sensing and flood frequency analysis | |
| Donmez et al. | Climate change impacts on long-term field experiments in Germany | |
| Dalmonech et al. | Regional estimates of gross primary production applying the Process-Based Model 3D-CMCC-FEM vs. Remote-Sensing multiple datasets | |
| Henbo et al. | Long‐term canopy dynamics in a large area of temperate old‐growth beech (Fagus crenata) forest: analysis by aerial photographs and digital elevation models | |
| Chou et al. | Advanced seasonal predictions for vine management based on bioclimatic indicators tailored to the wine sector | |
| Rezaei et al. | Quasi 3D modelling of vadose zone soil-water flow for optimizing irrigation strategies: Challenges, uncertainties and efficiencies |
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 |