CN115373047A - 一种协同多源遥感参量的综合遥感干旱监测方法 - Google Patents
一种协同多源遥感参量的综合遥感干旱监测方法 Download PDFInfo
- Publication number
- CN115373047A CN115373047A CN202210285909.0A CN202210285909A CN115373047A CN 115373047 A CN115373047 A CN 115373047A CN 202210285909 A CN202210285909 A CN 202210285909A CN 115373047 A CN115373047 A CN 115373047A
- Authority
- CN
- China
- Prior art keywords
- drought
- remote sensing
- index
- historical
- time
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种协同多源遥感参量的综合遥感干旱监测方法,考虑干旱发生发展过程中“驱动‑响应”机制,基于监督自组织映射网络,通过融合降水、植被指数和地表温度驱动的单因子干旱指数以及气象和生态的历史气候态指标来构建综合遥感干旱监测指数模型。并通过拆分历史数据驱动参数和实时数据驱动参数以提升该模型的实时运行效率,使用者只需将待监测区域的实时降水、实时植被指数、实时地表温度输入至所述模型中,即可预测出综合遥感干旱监测指数。该方法主要开展了包括:多源遥感产品和地面观测数据集的搜集与处理、综合遥感干旱监测指数模型的构建和实时旱情监测处理。利用上述发明能够大范围全面地识别旱情,提高旱情监测的及时性和准确性。
Description
技术领域
本发明涉及遥感监测技术领域,尤其涉及一种协同多源遥感参量的综合遥感干旱监测方法。
背景技术
具备准确干旱监测和预报功能的干旱预警系统能够有效地降低社会对干旱的脆弱性。干旱监测系统需要通过综合多个气候、水文、土壤和社会经济指标刻画干旱的强度、空间范围以及潜在影响。在干旱监测方法方面,目前,国内外已开展多种类型的干旱监测研究,国内中国气象局国家气候中心建立了气象干旱综合监测系统。国际上基于卫星遥感对地观测的干旱监测系统最为成熟的是美国干旱监测系统(U.S.Drought Monitor)。欧盟联合研究中心建立了“欧洲干旱观察 (European Union Drought Observatory,EDO)”通过将气象和水文数据和复杂的模型结合用于监测欧洲的干旱。中国国家气候中心也开发了业务化的全国干旱监测系统,定期发布实时旱情信息。此外随着全球对地观测技术的快速发展,积累的海量卫星遥感数据为干旱监测注入了强劲的活力。
为了更精准的刻画干旱事件的动态变化过程,需要使用综合干旱过程涉及的多因子构建干旱监测模型。近年来学界陆续提出了一系列多因子干旱监测指数,并且上述已经业务化运行的监测系统也都依赖于多因子协同的旱情监测模型。
本申请发明人在实施本发明的过程中,发现现有技术至少存在如下技术问题:
当前基于遥感的多因子遥感模型尽管能够提供像元级覆盖的旱情监测信息,但这些综合指数在业务化运行中仍面临诸多挑战,其中包括:1)单纯综合各个因子异常指标构建的综合指数不能体现生态系统对气象干旱响应的时空异质性; 2)基于简单的数学组合或统计模型(机器学习)构建的综合干旱监测指数难以合理体现干旱发生发展的物理过程。
发明内容
本发明提出了一种协同多源遥感参量的综合遥感干旱监测方法,用于解决或者至少部分解决现有技术中的方法存在的干旱监测准确性不高的技术问题。
为了改进遥感干旱监测的准确性,本发明提供了一种协同多源遥感参量的综合遥感干旱监测方法,包括:
S1:获取历史多源遥感产品和国家站点旱情观测数据;
S2:对获取的历史多源遥感产品进行预处理,获得多源陆表单因子遥感干旱指数、气象和生态的历史气候态指标,对国家站点旱情观测数据进行预处理,获得站点综合气象干旱指标;
S3:以监督自组织映射网络作为机器学习模型,以站点综合气象干旱指标作为地面真值,以多源陆表单因子遥感干旱指数、气象和生态的历史气候态指标作为机器学习模型输入驱动,构建综合遥感干旱监测指数模型;
S4:将步骤S3所构建的综合遥感干旱监测指数模型用于实时旱情监测。
在一种实施方式中,历史多源遥感产品包括历史降水产品、历史植被指数产品和历史地表温度产品,多源陆表单因子遥感干旱指数包括标准化降水指数、标准化植被指数和标准化温度指数,气象和生态的历史气候态指标包括多年年降水均值、多年逐月降水均值、多年NDVI均值以及多年逐月NDVI均值,步骤S2 中,对获取的历史多源遥感产品进行预处理,获得多源陆表单因子遥感干旱指数、气象和生态的历史气候态指标,包括:
对历史降水产品进行重投影、空间重采样和时间聚积,得到标准化降水指数、多年年降水均值、多年逐月降水均值;
对历史植被指数产品进行重投影、去云重建,得到标准化植被指数、多年NDVI均值、多年逐月NDVI均值;
对历史地表温度产品进行重投影、去云重建,得到标准化温度指数。
在一种实施方式中,步骤S2中,对国家站点旱情观测数据进行预处理,获得站点综合气象干旱指标,包括:
对国家站点旱情观测数据进行网络爬取、时间积聚处理,获得站点综合气象干旱指标。
在一种实施方式中,步骤S3中构建的综合遥感干旱监测指数模型为:
CDI=f(SPI1,SPI3,SPI6,SPI12,SVI,STI,VIy_avg,VIm_avg,Py_avg,Pm_avg)
其中,SPI1,SPI3,SPI6,SPI12分别表示1月、3月、6月和12月尺度的标准化降水指数,SVI表示标准化植被指数,STI表示标准化温度指数,VIy_avg为多年 NDVI均值,用以表征像元多年平均态下的植被覆盖状态,VIm_avg为多年月均 NDVI值,用以表征像元所在气候条件下生态系统植被的季节变化特征,Py_avg为多年年降水均值,用以表征像元多年平均态下降水状态,Pm_avg为多年月均降水值,用以表征像元所在区域所在特定月份平均降水特征。
在一种实施方式中,步骤S4包括:
模型采用拆分历史数据驱动参数和实时数据驱动参数的数据处理技术,固定计算各个指数时的由历史数据驱动的参数,将待监测区域的实时降水量、实时植被指数NDVI、实时地表温度LST这三个实时数据输入至所述模型中,预测出综合遥感干旱监测指数。
在一种实施方式中,预测出的综合遥感干旱监测指数划分为:无旱、轻旱、中旱、重旱和特旱五个等级。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明提供的一种协同多源遥感参量的综合遥感干旱监测方法,考虑干旱发生发展过程中“驱动-响应”机制,基于监督自组织映射网络通过多源陆表单因子遥感干旱指数以及气象和生态的历史气候态指标构建综合遥感干旱监测指数模型。首先,综合遥感干旱监测指数模型有效融合了干旱过程的驱动因子(降水) 和响应因子(植被绿度和地表温度),更加全面的切合了干旱发生发展的物理过程,因而能够更合理的刻画旱情的动态演变过程,其次,通过在模型中融入生态系统对干旱响应的时空异质性因子,提升了综合遥感干旱监测指数的区域适用性。最后,通过拆分模型的历史数据驱动参数和实时参数的数据处理策略,提升了模型的实时运行效率,便于业务化应用。利用上述模型能够大范围全面地识别旱情,提高旱情监测的及时性和准确性,故而提高了遥感干旱监测的准确性。
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。
图1为本发明实施例综合遥感干旱监测指数模型构建方法的技术流程图;
图2为本发明实施例中综合遥感干旱监测指数模型实时监测的流程图。
具体实施方式
针对现有技术中的技术问题,本发明公开了一种协同多源遥感参量的综合遥感干旱监测方法。该方法考虑干旱发生发展过程中“驱动-响应”物理机制,有效融合了干旱过程的驱动因子(降水)和响应因子(植被绿度和地表温度),能够更合理的刻画旱情的动态演变过程,从而解决了其它综合指数难以对干旱发展的物理过程合理体现的问题。此外,通过引入能够体现区域生态系统时空异质性因子到综合模型中,解决了生态系统对干旱响应的时空异质性问题。最后,通过采用拆分历史数据驱动参数和实时数据驱动参数的数据处理策略来提升综合遥感干旱监测指数模型的实时运行效率。
具体地,综合遥感干旱监测指数模型构建方法的流程包括获取待监测区域的 4个时间尺度的SPI(SPI1,SPI3,SPI6,SPI12)、1个月尺度的SVI、1个月尺度的 STI、历史同月平均NDVI和降雨、历史年均NDVI和降雨。基于监督自组织映射网络,将上述待监测区域的6个单因子干旱指数和4个时空异质性因子作为特征参数,并以国家气候中心官方发布的站点干旱指标为真值训练得到综合遥感干旱监测指数模型。旱情实时监测方法流程包括固定了计算各个指数时的由历史数据驱动的参数,使用者只需将待监测区域的实时降水量、实时植被指数NDVI 和实时地表温度LST输入至所述模型中,即可预测出综合遥感干旱监测指数CDI,该方法满足了业务化的应用,提高了运行效率。CDI的干旱等级划分标准为:无旱(-0.6<CDI)、轻旱(-1.2<CDI≤-0.6)、中旱(-1.8<CDI≤-1.2)、重旱(-2.4<CDI≤-1.8)和特旱(CDI≤-2.4)。本发明适用于不同气候生态区的地表旱情实时监测。
本发明充分考虑干旱发生发展的关键过程,协同多源陆表遥感参数数据产品及站点旱情记录,构建了适用于不同气候生态分区的综合遥感干旱监测指数模型,并且能够更合理的刻画区域旱情的动态演变过程。同时采用拆分历史数据驱动参数和实时数据驱动参数的方法提升了实时运行效率,便于业务化应用。
为使本发明实施例的目的、技术方案和优点更加清楚,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做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。
本发明实施例提供了一种协同多源遥感参量的综合遥感干旱监测方法,包括:
S1:获取历史多源遥感产品和国家站点旱情观测数据;
S2:对获取的历史多源遥感产品进行预处理,获得多源陆表单因子遥感干旱指数、气象和生态的历史气候态指标,对国家站点旱情观测数据进行预处理,获得站点综合气象干旱指标;
S3:以监督性自组织映射网络作为机器学习模型,以站点综合气象干旱指标作为地面真值,以多源陆表单因子遥感干旱指数、气象和生态的历史气候态指标作为机器学习模型输入驱动,构建综合遥感干旱监测指数模型;
S4:将步骤S3所构建的综合遥感干旱监测指数模型用于实时旱情监测。
通过上述步骤,构建了综合遥感干旱监测指数模型,并进一步将构建的模型用于实时旱情监测;首先,构建综合遥感干旱监测指数模型有效融合了干旱过程的驱动因子(降水)和响应因子(植被绿度和地表温度),更加全面的切合了干旱发生发展的物理过程,因而能够更合理的刻画旱情的动态演变过程,其次,通过在模型中融入生态系统对干旱响应的时空异质性因子,提升了综合遥感干旱监测指数的区域适用性。最后,模型的平台集成中拆分了模型历史数据驱动参数和实时参数的处理策略,提升了模型的实时运行效率,便于业务化应用。所以利用上述发明能够大范围全面地识别旱情,提高旱情监测的及时性和准确性。
在一种实施方式中,历史多源遥感产品包括历史降水产品、历史植被指数产品和历史地表温度产品,多源陆表单因子遥感干旱指数包括标准化降水指数、标准化植被指数和标准化温度指数,气象和生态的历史气候态指标包括多年年降水均值、多年逐月降水均值、多年NDVI均值以及多年逐月NDVI均值,步骤S2 中,对获取的历史多源遥感产品进行预处理,获得多源陆表单因子遥感干旱指数、气象和生态的历史气候态指标,包括:
对历史降水产品进行重投影、空间重采样和时间聚积,得到标准化降水指数、多年年降水均值、多年逐月降水均值;
对历史植被指数产品进行重投影、去云重建,得到标准化植被指数、多年 NDVI均值、多年逐月NDVI均值;
对历史地表温度产品进行重投影、去云重建,得到标准化温度指数。
在一种实施方式中,步骤S2中,对国家站点旱情观测数据进行预处理,获得站点综合气象干旱指标,包括:
对国家站点旱情观测数据进行网络爬取、时间积聚处理,获得站点综合气象干旱指标。
具体来说,获取历史多源遥感产品和国家站点旱情观测数据为历史数据的收集过程。
基于遥感的干旱监测需要将所关注参数的当前状态同历史同期水平进行比较,因此大部分的干旱监测指数依赖于长时间序列的历史观测数据。本实施例中基于多个参数的历史观测值构建综合遥感干旱监测指数模型,使用了卫星观测数据和地面观测数据集,其中地面观测数据集主要用于指数的验证与评估。历史数据集及其相关信息如表1所示。
表1历史遥感及地面观测数据集
(1)降水数据选用CHIRPS(Climate Hazards group Infrared Precipitationwith Stations)数据集,该数据集是由美国地质勘探局和加利福尼亚大学气候危害小组共同开发,提供从1981年至今横跨全球50°S-50°N的降水数据集,其融合多个卫星观测降水和地面气象站观测降水,主要用于近实时监测干旱和气候变化。数据集时间跨度为1981-2020年,时间分辨率为5天,空间分辨率为0.05°,更新滞后时间为1天。
(2)植被指数主要数据来源为TERRA卫星和AQUA卫星上搭载的MODIS 传感器获取的每天覆盖全球一次的陆表多光谱观测。具体选用了MOD13A2、 MYD13A2产品,时间跨度为2001-2020年,植被指数产品时间分辨率为16天,空间分辨率为1公里。
(3)地表温度数据主要数据来源为TERRA卫星和AQUA卫星上搭载的 MODIS传感器获取的每天覆盖全球一次的陆表多光谱观测。具体选用了 MOD11A2、MYD11A2产品,时间跨度为2001-2020年,地表温度产品时间分辨率为8天,空间分辨率为1公里。
(4)地面观测数据集:是构建综合遥感干旱监测指数模型的真实样本集,作为训练和验证样本的真值。数据来自国家气候中心每天发布的基于站点的综合气象干旱指标(CMA-CI)。该数据集包含中国2000余站点的数据。时间跨度选用2014-2020年,时间分辨率为1天。
数据预处理主要包括:
(1)谐波时间序列分析(Harmonic Analysis of Time Series,HANTS):由光学遥感观测反演得到的植被指数和地表温度数据集受云影响较严重,在进行干旱监测之前需要对这两个数据集进行时间序列重建。本实施例利用谐波时间序列分析算法重建了2001-2020年间的植被指数和地表温度数据集。该算法利用植被信号相对于云覆盖变化更缓慢,在频域上主要表征为相对低频区域的特点,通过若干低频谐波组分迭代提出可能的云污染观测,进而重建光滑渐变的无云植被指数时间序列。经过重建,大部分受云影响的观测能够得到校正。
谐波时间序列分析去云重建算法(HANTS)原理
谐波分析是利用一系列不同频率的三角函数叠加的方式去拟合原始信号的数学方法。当它被用于重建遥感时间序列时,基本公式如下:
式中y,和ε分别表示原始序列、重建后的序列以及误差序列。i表示第i 个谐波,j表示观测样本获取的时间。tj表示观测值获取的时间(j=1,2,…, N),N是序列的总样本数。以MODIS植被产品为例,其植被指数产品和叶面积指数产品分别包含4天、8天、16天以及30天的时间合成方案,因此对应的一年的总样本数分别为92、46、23和12。nf是重建中采用的谐波个数,对应每个谐波的频率由fi给出。所选的谐波组合一般由一个基频谐波和一系列频率是基频整数倍的谐波组成。ai和bi是频率为fi的谐波的系数,由这两个参数可以计算得到振幅和相位信息。a0是序列的均值。上式中的系数可通过线性最小二乘法求解得到。
HANTS方法的实现步骤如下所示:
①检查原始序列并标记出数据有效范围之外的观测值。例如,NDVI的有效范围(除水体及冰雪覆盖以外)一般是0.0-1.0,所有在这个范围之外的观测认为是无效观测。
②用设定好的谐波组合拟合剩下的有效观测。
③如果拟合结果与有效观测之间的差值大于(假定噪声表现为异常低值) 用户定义的阈值,并且剩下的观测值数量大于求解公式1中的系数所需的最小样本数,则将偏差最大的观测作为无效观测并回到步骤②,否则结束处理。
(2)网络爬取:即网络爬虫。是一种按照一定的规则,自动地抓取万维网信息的程序或脚本。目前网络爬虫的使用范围较广,数据抓取者对大量抓取的数据进行分析加工等操作,使数据为自己所用。
(3)重投影:地图投影是将地图从球面(大地基准面)转换到平面的数学变换。由此确定的坐标系一般称为投影坐标系。但是当遥感影像的投影坐标系不同时,需要进行重投影变换。
(4)重采样:重采样是指根据一类象元的信息内插出另一类象元信息的过程。在遥感中,重采样是从高分辨率遥感影像中提取低分辨率影像,或者从低分辨率影像中提取高分辨率影像的过程。常用的方法有:最邻近内插法(Nearest Neighbor Interpolation)、双线性内插法(Bilinear Interpolation)、三次卷积法(Cubic ConvolutionInterpolation)。
(5)时间积聚:①日尺度的站点干旱指数通过求平均的方式聚合到月尺度达到同其他遥感指标的时间尺度匹配;②计算给定时间尺度内降雨量的累积概率,由此计算多个时间尺度的SPI。
旱情监测指数体系由单一要素监测指数和综合监测指数两部分构成。单一要素监测指数基于当前遥感手段可稳定定量反演的降水产品、植被指数产品、地表温度产品分别定义,能够从不同角度体现旱情特征的演变过程。利用这些单因子干旱指数协同刻画干旱的演变,能够更全面的刻画干旱的动态特征,因而这些单因子干旱指数将作为本发明构建综合遥感干旱监测指数模型的输入驱动因子。
在一种实施方式中,标准化降水指数(Standard Precipitation Index,SPI)将某时段的降水量同历史上同期的降水量进行比较,经正态标准化后划分旱情等级,该参数主要反映的是气象干旱。以长时间序列遥感反演的降水(CHIRPS) 为输入,生产1月、3月、6月、12月尺度的SPI指数产品。SPI是基于长时序降水定义的气象干旱指数,根据Gamma分布概率来描述降水量的变化,将偏态概率分布的降水量进行正态标准化处理。标准化降水指数的计算步骤如下:
(1)假设某时段降水量为随机变量x,则其Γ分布的概率密度函数如式(1):
式中,γ、β分别为形状和尺度参数,可以采用极大似然估计方法求得,如式(2)(3):
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,利用数值积分可以计算用式(1)代入式(4)后的事件概率近似估计值。
(2)降水量为0时的事件概率可以由式(5)估计:
F(x=0)=m/n (5)
式中,m为降水量为0的样本数量,n为总样本数量。
(3)对Γ分布概率进行正态标准化处理,将式(4)、(5)求得的概率值代入标准化正态分布函数,即:
对式(6)进行近似求解可得Z值(即为SPI):
其中,F为与Γ函数相关的降水分布概率;x为降水量样本;S为概率密度正负系数。当F>0.5时,S=1;当F≤0.5时,S=-1。近似求解的常量c0=2.515517,c1=0.802853,c2=0.010328,d1=1.432788,d2=0.189269, d3=0.001308。
在一种实施方式中,标准化植被指数(Standard Vegetation Index,SVI)的计算公式为:
其中i为当前监测月份,NDVImean为该月历史同期平均NDVI值,δNDVI为该月历史同期NDVI标准差,SVIi为第i个监测月份的标准化植被指数,NDVI为归一化植被指数。
具体来说,标准化植被指数利用当月归一化植被指数(Normalized DifferenceVegetation Index,NDVI)同历史同期平均值的差异经正态标准化计算得到,主要通过生态系统对干旱的响应来表征旱情等级。当前诸多遥感NDVI产品可用于计算该指数,本实施例使用的是MOD13A2和MYD13A2数据。
在一种实施方式中,标准化温度指数(Standard Temperature Index,STI)的计算公式为:
其中i为当前监测月份,LSTmean为该月历史同期平均LST值,δLST为该月历史同期LST标准差,STIi第i个监测月份的标准化温度指数,LST为当月地表温度,LSTi为第i个监测月份的地表温度。
具体来说,标准化温度指数利用当月地表温度(Land Surface Temperature,LST)同历史同期平均值的差异经正态标准化计算得到。当前诸多遥感地表温度产品可用于计算该指数,本实施例使用的是MOD11A2、MYD11A2数据。
S3中监督自组织映射网络(Supervised Self-Organizing Mapping,Su-SOM) 基本原理如下:
自组织神经网络(Self-Organizing Mapping,SOM)是基于竞争性学习的神经网络,其中输出神经元之间竞争激活,结果在任意时间只有一个神经元被激活,这个激活的神经元被称为胜者神经元(winner-takes-all neuron)。这种竞争可以通过在神经元之间横向抑制连接(负反馈路径)来实现,其结果是神经元被迫对自身进行重新组合。在竞争学习的过程中,神经元与输入层之间的连接的权值会随着输入模式(刺激)的变化选择性地进行调整,调整后神经元(获胜神经元)的位置彼此之间变得有序.使得对于不同的输入在网格上建立有意义的坐标系。因此,在自组织映射网络的输出层神经元构成的网格中,经元的空间位置(坐标)表示着一个输入模式包含的一个内在的统计特征。
监督自组织映射网络在传统的无监督SOM基础上附加了一层SOM,从而能够完成有监督的分类或回归建模。下面简要介绍模型的原理。
无监督的SOM具体流程包括:
(a)初始化二维SOM神经元端元矩阵,每个端元的权重矢量设置一个随机权重。端元的权重矢量维数同输入训练样本的维度相同。
(b)从输入样本集中随机选取一个样本。
(c)寻找样本的最佳匹配端元(BMU)。逐个端元的权重同输入的样本矢量计算距离,距离最近的端元即为该样本的最佳匹配端元。
(d)计算BMU的邻域端元尺寸,邻域端元尺寸随着迭代过程不断变小,只到最后变为0(无邻域)。
(e)更新BMU及其邻域端元的权重,使得他们的权重和输入样本更相似。距离BMU越近的邻域端元权重更新幅度越大。权重更新过程中包含了学习率随时间的衰减。
(f)从步骤(b)重复上述流程直至达到预先设置的最大迭代次数。
经过SOM训练,所有参与训练样本都聚集到权重矢量与其最相似端元节点。对于新的样本,可以通过计算其与各个端元权重矢量的相似度(距离)很快找到最佳的匹配端元。因此,SOM二维端元平面上的每个端元相当于构成了一个数据驱动的聚类。
基于已经构建SOM最佳匹配端元,回归监督自组织映射基于标签(因变量) 样本嵌套了第二层SOM训练,该层SOM由无监督SOM过程中统一的二维端元构成,只是每个端元的权重维数变为同因变量样本一致。SOM训练的过程同上述过程都一致,除了第(c)步不再是通过计算距离寻找BMU,而是从无监督训练结果中直接找对应样本的BMU。该层SOM通过迭代不断修正BMU的权重,迭代完成后,各BMU的权重值即为回归预测结果。
在一种实施方式中,步骤S3中构建的综合遥感干旱监测指数模型为:
CDI=f(SPI1,SPI3,SPI6,SPI12,SVI,STI,VIy_avg,VIm_avg,Py_avg,Pm_avg)
其中,SPI1,SPI3,SPI6,SPI12分别表示1月、3月、6月和12月尺度的标准化降水指数,SVI表示标准化植被指数,STI表示标准化温度指数,VIy_avg为多年 NDVI均值,用以表征像元多年平均态下的植被覆盖状态,VIm_avg为多年月均 NDVI值,用以表征像元所在气候条件下生态系统植被的季节变化特征,Py_avg为多年年降水均值,用以表征像元多年平均态下降水状态,Pm_avg为多年月均降水值,用以表征像元所在区域所在特定月份平均降水特征。
具体来说,干旱发生源于水分供给(主要是降水)的不足,进而会对生态系统水分平衡造成扰动。其产生的连锁反映,可能会引起生态系统水循环各个环节 (如植被长势、地表温度、蒸散法等)的异常。因而整个干旱过程的发生发展形成了从“驱动”到“响应”的全过程变化。因此,要全面地刻画干旱的演变要综合考虑从“驱动”到“响应”过程中各个关键环节的异常扰动因子。此外,生态系统的格局都受到所在区域的地理气候特征控制,其动态特征呈现出较大的时空异质性:不同区域,地理气候条件不同,生态系统对干旱的响应特征不同;同一区域,不同季节,水热条件发生变化,生态系统对干旱的响应特征也可能产生相应变化。只有全面考虑了生态系统对干旱响应的时空异质性性,干旱监测指数才能具备较好的时空适应性。基于上述考虑,综合干旱指数(Combined Drought Index,CDI)可以定义为干旱发生过程“驱动”端影响因子的异常(D)、“响应”端影响因子的异常(R)、以及体现区域生态系统时空异质性因子(H)的函数,即为:
CDI=f(D,R,H)
“驱动”端影响因子主要包括降水、气温、相对湿度、风速等,“响应”端影响因子则主要包括植被长势、地表温度(冠层温度)、蒸散法、土壤水分等,体现生态系统对干旱响应时空异质性特征的因子主要包括年均降水量、降水季节分配、植被覆盖、植被季节动态、土壤质地等。
在实际的干旱监测应用中,上述三方面的因子都需要有对应的观测数据进行动态表征,其中D和R属于异常表征因子,需要一致性较好的长时序观测,且需要能够保证近实时更新,对数据的精度和稳定性要求较高。当下通过卫星遥感技术能够对上述因子的诸多关键变量开展大范围、高频率、近实时的观测,且通过数十年的不断观测积累了一系列宝贵的全球覆盖长时序产品。基于遥感的降水、植被指数、地表温度反演算法发展较为成熟,能够提供大量高精度且能覆盖全球的长时序产品。为了能够发展出一个能够实际应用于大范围近实时旱情监测的干旱监测指数,本发明提出基于长时序遥感降水、植被指数和地表温度产品,以降水异常作为“驱动”端的影响因子、以植被指数异常和地表温度异常作为“响应”端的影响因子,构建综合遥感干旱监测指数,得到了拓展的CDI定义:
CDI=f(PA,VIA,LSTA,XA,H)
具体的,PA表示了基于长时序遥感降水表征的不同时间尺度实时降水异常,分别用1月、3月、6月和12月尺度SPI表征。VIA表示基于长时序遥感植被指数产品的实时植被异常,用SVI表征。LSTA表示了基于长时序遥感地表温度产品计算的实时地表温度异常,用STI表征。XA则表示其它由于数据限制暂时未能考虑的“驱动”或“响应”端影响因子。为了体现生态系统的干旱响应的时空异质性,H因子用四个历史统计参量表征:VIy_avg、VIm_avg、Py_avg和Pm_avg,其中,VIy_avg用于表征像元多年平均态下的植被覆盖状态,可以凸显出生态系统的空间差异性。VIm_avg用于表征像元所在气候条件下生态系统植被的季节变化特征,从而体现出同一地区植被的时间差异性。Py_avg用于表征像元多年平均态下降水状态,体现出气候的空间差异性。Pm_avg用于表征像元所在区域所在特定月份平均降水特征,从而体现出同一地区降水的时间差异性。
综上,可以得到本发明提出的综合遥感干旱监测指数CDI的具体模型,该模型表达式定义了指数考虑的所有因子,进一步基于监督自组织映射网络模型 Su-SOM融合这些因子,构建出最终的综合遥感干旱监测指数CDI。
请参见图1,为本发明实施例综合遥感干旱监测指数模型构建方法的技术流程图。
本发明提出的综合遥感干旱监测指数CDI的具体模型的形式为:
CDI=f(SPI1,SPI3,SPI6,SPI12,SVI,STI,VIy_avg,VIm_avg,Py_avg,Pm_avg)。
在模型的构建过程中,首先基于历史降雨产品、历史植被指数产品、历史地表温度产品计算得到多个单因子干旱指数:SPI1、SPI3、SPI6、SPI12、SVI以及STI,以及体现像元所在生态系统时空异质性的指标参量: VIy_avg,VIm_avg,Py_avg,Pm_avg,将这些输入参量与2014-2018年间的国家官方发布的作为该模型真值输入的站点干旱指标匹配形成训练样本集,输入到Su-SOM 模型进行模型训练。训练完备的模型即构成全国的综合遥感干旱监测指数模型。
具体实施过程中,使用了2014-2020年卫星观测反演得到的长时序降水产品(CHIRPS)、植被指数产品(MOD13A2、MYD13A2)和地表温度产(MOD11A2、 MYD11A2)。分别对以上产品进行重投影等预处理操作得到SPI1、SP3、SPI6、 SPI12、SVI和STI这6个单因子干旱指数,以及多年年降水均值、多年逐月降水均值、多年NDVI均值、多年逐月NDVI均值4个时空异质性因子。将这些特征参数与2014-2018年间的国家官方发布的作为该模型真值输入的站点干旱指标匹配形成训练样本集,输入到Su-SOM模型进行模型训练。训练完备的模型即构成全国的综合遥感干旱监测指数模型。再使用2018-2020年特征参数和真值匹配形成的验证样本集进行模型精度验证,其中模型精度验证可以包括等级监测精度和干旱影响面积精度。值得注意的是日尺度的站点干旱指数通过求平均的方式聚合到月尺度达到同其他遥感指标的时间尺度相匹配。且理论上,干旱监测对于沙漠等气候极端干燥且植被稀少的区域来说意义不大,因而在模型训练之前,本实施例对训练站点进行了筛选。对于多年NDVI均值小于0.2的站点或者月NDVI 均值小于0.2的样本,不参与模型的训练。
在一种实施方式中,所述实时监测方法包括:
模型采用拆分历史数据驱动参数和实时数据驱动参数的数据处理技术,固定了计算各个指数时的由历史数据驱动的参数,只需将待监测区域的实时降水量、实时植被指数NDVI、实时地表温度LST这三个实时数据输入至所述模型中,即可预测出综合遥感干旱监测指数。
具体来说,步骤S4以步骤S3所构建的综合遥感干旱监测指数模型为基础,通过使用拆分历史数据驱动参数和实时数据驱动参数的数据处理策略提升综合遥感干旱监测指数模型的实时运行效率。后期任意区域像元,基于实时的遥感降水、植被指数NDVI和地表温度LST观测,结合历史观测序列,即可构造输入参数到训练完备的模型中,即可预测出CDI。由于CDI模型以国家综合气象干旱指标(CMA-CI)为参考真值,因而其取值范围与参考样本一致。CDI的值是经过标准化的值,表示偏离正常状态(0)的标准差倍数,大部分值集中在-3~3 之间。依据国家标准《气象干旱等级》(GB/T20481-2017)中关于综合气象干旱等级的规定,将CDI值划分为:无旱、轻旱、中旱、重旱和特旱五个等级(表2)。
表2基于综合遥感干旱监测指数CDI的旱情等级划分
旱情等级 | 综合遥感干旱监测指数值(CDI) |
无旱 | -0.6<CDI |
轻旱 | -1.2<CDI≤-0.6 |
中旱 | -1.8<CDI≤-1.2 |
重旱 | -2.4<CDI≤-1.8 |
特旱 | CDI≤-2.4 |
具体实施过程中,为了满足业务化的应用,提高运行效率,将本发明提出的协同多源遥感参量的综合遥感干旱监测方法中构建的综合模型进行平台搭建,相关内容如下:
由于模型的输入参数较多,且大都高度依赖历史数据。例如,实时SPI的计算可能需要历史30年以上的历史数据。在业务化应用中,这些历史数据的获取和处理都形成了严重的效率制约。为此,对所有因子逐个进行拆分,分理出历史数据驱动因素和实时因素两部分。对于历史驱动因素,本实施例基于云平台开发了快速计算模块,导出后成为模型输入的固定部分。在业务化应用中仅仅将实时获取的资料输入到集成模型中即可。以SVI为例,根据其定义,当月NDVI的均值(NDVImean)及NDVI的标准差(δNDVI)均为历史数据驱动的因子,因而在模型的平台搭建过程中,这两个因子将作为固定部分提供。
利用协同多源遥感参量的综合遥感干旱监测方法中训练完成的综合遥感干旱监测指数模型、实时模型预测代码和SPI、SVI、STI历史依耐统计量影像数据集进行模型的平台搭建。具体流程如图2所示:
1)SPI、SVI、STI历史依耐统计量影像数据集提前基于长时序降水、植被指数和地表温度产品采用离线的方式计算完成。
2)平台能够实时获取区域降水、植被指数和地表温度产品,进行必要的预处理,包含重投影、空间重采样、时间积聚等,得到当前月度累计降水、平均植被指数和平均地表温度数据。
3)将实时降水、植被指数和地表温度产品同SPI、SVI和STI历史依耐统计量结合计算得到实时SPI、SVI和STI。
4)将计算得到的单因子干旱指标,结合能够表征区域时空变异的指标输入预先训练完备的综合遥感干旱监测指数模型,预测得到当前综合遥感干旱监测指数数据。
5)将综合遥感干旱监测指数数据进行可视化制图。
其中由历史数据驱动的参数称为历史依耐统计量,即指在计算各个指数时,其中依据历史数据计算得到的不变参数。图2中,SPI历史依耐统计量是指依据历史长期数据计算得到的不同时间尺度(1,3,6,12个月)下的γ、β、q(降水量为0时的事件概率)值;SVI历史依耐统计量是指依据历史长期数据计算得到的NDVI均值(NDVImean)和标准差(δNDVI);STI历史依耐统计量是指依据历史长期数据计算得到的LST均值(LSTmean)和标准差(δLST)。
实施过程中,实时监测的多元数据集配置方案如下:
相比于洪水灾害,旱情发生发展过程相对较为缓慢,一般大尺度干旱监测平台的旱情监测信息更新频率为一周、10天或者15天。构建的综合监测指数所选用的驱动参数产品主要考虑足够的历史时长保证所计算单因子异常指标的稳定性,产品的获取延时都在半月以上。为满足特定区域和时段的加密监测需求,平台各个参数通过如下方案获取近实时产品,保证产品延时在1周之内:
降水产品:实时降水产品采用GPM IMERG Late Run(GPM_3IMERGDL 06)产品,该产品为日产品,更新时间滞后为2天以内。例如2021年12月2 日的数据产品,数据平台在2021年12月3日即更新供免费下载。实时降水产品亦可采用课题自主生产的融合降水产品。
植被指数产品:近实时产品采用MODIS 1公里日反射率产品 (MOD09GA.006)中的红波段和近红外波段反射率计算得到,该产品官方数据源(https://e4ftl01.cr.usgs.gov/)的发布延时在2天以内。例如2021年12月2日的数据产品,数据平台在2021年12月3日晚上即更新供免费下载。
地表温度产品:近实时产品采用MODIS 1公里日产品(MOD11A1.006),该产品官方数据源(https://e4ftl01.cr.usgs.gov/)的发布延时在2天以内。例如2021 年12月2日的数据产品,数据平台在2021年12月4日更新供免费下载。
上述产品都基于干旱监测指标的监测周期(周、旬、月等)需求,将日产品聚合到对应的事件尺度,同历史依耐统计量相结合计算近实时的异常指标CDI。
本发明的主要发明点包括:
1)考虑干旱发生发展的“驱动-响应”物理机制构建综合遥感干旱监测指数构建技术。
2)考虑生态系统干旱响应时空异质性因子的综合遥感干旱监测指数构建技术。
3)通过拆分历史数据驱动参数和实时数据驱动参数的数据处理策略提升综合遥感干旱监测指数应用于实时运行效率的处理技术。
总的来说,本发明公开了一种协同多源遥感参量的综合遥感干旱监测方法,考虑干旱发生发展过程“驱动-响应”机制,基于监督自组织映射网络,通过融合降水、植被指数和地表温度驱动的单因子干旱指数以及气象和生态的历史气候态指标来构建综合遥感干旱监测指数模型。并通过拆分历史数据驱动参数和实时数据驱动参数以提升该模型的实时运行效率,使用者只需将待监测区域的实时降水、实时植被指数、实时地表温度输入至所述模型中,即可预测出综合遥感干旱监测指数。该方法主要开展了包括:多源遥感产品和地面观测数据集的搜集与处理、综合遥感干旱监测指数模型的构建和实时旱情监测处理。利用上述发明能够大范围全面地识别旱情,提高旱情监测的及时性和准确性。
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 (6)
1.一种协同多源遥感参量的综合遥感干旱监测方法,其特征在于,包括:
S1:获取历史多源遥感产品和国家站点旱情观测数据;
S2:对获取的历史多源遥感产品进行预处理,获得多源陆表单因子遥感干旱指数、气象和生态的历史气候态指标,对国家站点旱情观测数据进行预处理,获得站点综合气象干旱指标;
S3:以监督自组织映射网络作为机器学习模型,以站点综合气象干旱指标作为地面真值,以多源陆表单因子遥感干旱指数、气象和生态的历史气候态指标作为机器学习模型输入驱动,构建综合遥感干旱监测指数模型;
S4:将步骤S3所构建的综合遥感干旱监测指数模型用于实时旱情监测。
2.如权利要求1所述的协同多源遥感参量的综合遥感干旱监测方法,其特征在于,历史多源遥感产品包括历史降水产品、历史植被指数产品和历史地表温度产品,多源陆表单因子遥感干旱指数包括标准化降水指数、标准化植被指数和标准化温度指数,气象和生态的历史气候态指标包括多年年降水均值、多年逐月降水均值、多年NDVI均值以及多年逐月NDVI均值,步骤S2中,对获取的历史多源遥感产品进行预处理,获得多源陆表单因子遥感干旱指数、气象和生态的历史气候态指标,包括:
对历史降水产品进行重投影、空间重采样和时间聚积,得到标准化降水指数、多年年降水均值、多年逐月降水均值;
对历史植被指数产品进行重投影、去云重建,得到标准化植被指数、多年NDVI均值、多年逐月NDVI均值;
对历史地表温度产品进行重投影、去云重建,得到标准化温度指数。
3.如权利要求1所述的协同多源遥感参量的综合遥感干旱监测方法,其特征在于,步骤S2中,对国家站点旱情观测数据进行预处理,获得站点综合气象干旱指标,包括:
对国家站点旱情观测数据进行网络爬取、时间积聚处理,获得站点综合气象干旱指标。
4.如权利要求2所述的协同多源遥感参量的综合遥感干旱监测方法,其特征在于,步骤S3中构建的综合遥感干旱监测指数模型为:
CDI=f(SPI1,SPI3,SPI6,SPI12,SVI,STI,VIy_avg,VIm_avg,Py_avg,Pm_avg)
其中,SPI1,SPI3,SPI6,SPI12分别表示1月、3月、6月和12月尺度的标准化降水指数,SVI表示标准化植被指数,STI表示标准化温度指数,VIy_avg为多年NDVI均值,用以表征像元多年平均态下的植被覆盖状态,VIm_avg为多年月均NDVI值,用以表征像元所在气候条件下生态系统植被的季节变化特征,Py_avg为多年年降水均值,用以表征像元多年平均态下降水状态,Pm_avg为多年月均降水值,用以表征像元所在区域所在特定月份平均降水特征。
5.如权利要求1所述的协同多源遥感参量的综合遥感干旱监测方法,其特征在于,步骤S4包括:
模型采用拆分历史数据驱动参数和实时数据驱动参数的数据处理技术,固定计算各个指数时的由历史数据驱动的参数,将待监测区域的实时降水量、实时植被指数NDVI、实时地表温度LST这三个实时数据输入至所述模型中,预测出综合遥感干旱监测指数。
6.如权利要求5所述的协同多源遥感参量的综合遥感干旱监测方法,其特征在于,预测出的综合遥感干旱监测指数划分为:无旱、轻旱、中旱、重旱和特旱五个等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285909.0A CN115373047A (zh) | 2022-03-22 | 2022-03-22 | 一种协同多源遥感参量的综合遥感干旱监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285909.0A CN115373047A (zh) | 2022-03-22 | 2022-03-22 | 一种协同多源遥感参量的综合遥感干旱监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115373047A true CN115373047A (zh) | 2022-11-22 |
Family
ID=84060825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210285909.0A Pending CN115373047A (zh) | 2022-03-22 | 2022-03-22 | 一种协同多源遥感参量的综合遥感干旱监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115373047A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680548A (zh) * | 2023-08-03 | 2023-09-01 | 南京信息工程大学 | 一种针对多源观测数据的时间序列干旱因果分析方法 |
CN116958814A (zh) * | 2023-07-24 | 2023-10-27 | 河北工程大学 | 一种湿地典型植物生长情况实时监测方法及系统 |
CN117610791A (zh) * | 2024-01-18 | 2024-02-27 | 华中师范大学 | 一种应用于大范围水文干旱监测的方法及装置 |
CN117610434A (zh) * | 2024-01-19 | 2024-02-27 | 武汉大学 | 一种融合人工智能的干旱指数重构方法及计算机可读介质 |
-
2022
- 2022-03-22 CN CN202210285909.0A patent/CN115373047A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958814A (zh) * | 2023-07-24 | 2023-10-27 | 河北工程大学 | 一种湿地典型植物生长情况实时监测方法及系统 |
CN116680548A (zh) * | 2023-08-03 | 2023-09-01 | 南京信息工程大学 | 一种针对多源观测数据的时间序列干旱因果分析方法 |
CN116680548B (zh) * | 2023-08-03 | 2023-10-13 | 南京信息工程大学 | 一种针对多源观测数据的时间序列干旱因果分析方法 |
CN117610791A (zh) * | 2024-01-18 | 2024-02-27 | 华中师范大学 | 一种应用于大范围水文干旱监测的方法及装置 |
CN117610791B (zh) * | 2024-01-18 | 2024-04-19 | 华中师范大学 | 一种应用于大范围水文干旱监测的方法及装置 |
CN117610434A (zh) * | 2024-01-19 | 2024-02-27 | 武汉大学 | 一种融合人工智能的干旱指数重构方法及计算机可读介质 |
CN117610434B (zh) * | 2024-01-19 | 2024-04-16 | 武汉大学 | 一种融合人工智能的干旱指数重构方法及计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dinda et al. | An integrated simulation approach to the assessment of urban growth pattern and loss in urban green space in Kolkata, India: A GIS-based analysis | |
CN115373047A (zh) | 一种协同多源遥感参量的综合遥感干旱监测方法 | |
Bai et al. | Hourly PM2. 5 concentration forecast using stacked autoencoder model with emphasis on seasonality | |
CN111859800A (zh) | 用于pm2.5浓度分布的时空估算和预测的方法 | |
CN106951979A (zh) | 遥感、作物模型与气象预报融合的作物成熟期预测方法 | |
Sekertekin et al. | Short-term air temperature prediction by adaptive neuro-fuzzy inference system (ANFIS) and long short-term memory (LSTM) network | |
Akpoti et al. | Mapping land suitability for informal, small-scale irrigation development using spatial modelling and machine learning in the Upper East Region, Ghana | |
Li et al. | A method of rainfall runoff forecasting based on deep convolution neural networks | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
Shah et al. | Crop yield prediction using remote sensing and meteorological data | |
Priatna et al. | Precipitation prediction using recurrent neural networks and long short-term memory | |
Balti et al. | Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China | |
Shi et al. | An improved framework for assessing the impact of different urban development strategies on land cover and ecological quality changes-A case study from Nanjing Jiangbei New Area, China | |
Odebiri et al. | Mapping soil organic carbon distribution across South Africa's major biomes using remote sensing-topo-climatic covariates and Concrete Autoencoder-Deep neural networks | |
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 | |
Zanella et al. | Internet of things for hydrology: Potential and challenges | |
WO2023245399A1 (zh) | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 | |
Razavi-Termeh et al. | A new approach based on biology-inspired metaheuristic algorithms in combination with random forest to enhance the flood susceptibility mapping | |
Adeyemo | Soft Computing techniques for weather and Climate change studies | |
CN114662274B (zh) | 一种基于零膨胀时空回归模型的雪水当量建模和预测方法 | |
Mesgari et al. | A comparative assessment of the ability of different types of machine learning in short-term predictions of nocturnal frosts | |
Balamurugan et al. | Implementation of Effective Rainfall Forecast Model using Machine Learning | |
CN117648863B (zh) | 一种基于水系连通的特旱条件下区域供水能力获取方法 | |
CN115392128B (zh) | 一种利用时空卷积lstm网络模拟流域径流量的方法 | |
Terzi | Monthly river flow forecasting by data mining process |
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 |