CN116384591A - 一种基于大数据的旱情预测方法、系统和介质 - Google Patents

一种基于大数据的旱情预测方法、系统和介质 Download PDF

Info

Publication number
CN116384591A
CN116384591A CN202310580369.3A CN202310580369A CN116384591A CN 116384591 A CN116384591 A CN 116384591A CN 202310580369 A CN202310580369 A CN 202310580369A CN 116384591 A CN116384591 A CN 116384591A
Authority
CN
China
Prior art keywords
soil
data
information
drought
biological
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.)
Granted
Application number
CN202310580369.3A
Other languages
English (en)
Other versions
CN116384591B (zh
Inventor
张学君
马苗苗
吕娟
屈艳萍
高辉
苏志诚
宋文龙
赵兰兰
胡智丹
赵晓辉
陈茜茜
杨永森
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 CN202310580369.3A priority Critical patent/CN116384591B/zh
Publication of CN116384591A publication Critical patent/CN116384591A/zh
Application granted granted Critical
Publication of CN116384591B publication Critical patent/CN116384591B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Abstract

本申请提供了一种基于大数据的旱情预测方法、系统和介质。该方法包括：采集地域的土壤样本、降水、气候环境以及生物的监测信息，根据土壤性变特征数据处理获得土壤干旱指数，再与降水盈亏系数进行加权获得地域干旱风险指数，根据气候环境和生物的动态监测数据处理获得环变干燥度响应值，通过数据库提取历史数据与生物动态监测数据处理获得生物繁衍因子，根据环变干燥度响应值结合生物繁衍因子对地域干旱风险指数进行修正处理获得地域干旱测评修正指数，再进行阈值对比获得地域的旱情评级；从而基于大数据根据地域的土壤样本、降水、气候环境以及生物信息数据进行处理获得地域旱情的评估指数，实现通过大数据技术对地域旱情的综合智慧化处理。

Description

一种基于大数据的旱情预测方法、系统和介质
技术领域
本申请涉及大数据和旱情预测技术领域，具体而言，涉及一种基于大数据的旱情预测方法、系统和介质。
背景技术
随着全球气候的剧变导致地区环境和产业影响巨大，特别是极端干旱和洪涝现象愈发普遍对农业、三产的影响显著，而为降低环境对人们生活生产的损失，特别是洪涝或干旱天气对农业等气候波动产业的影响，如何根据客观环境因素运用技术手段进行分析和预测干旱变得尤为重要，而目前缺少可根据环境、天气、生物、土壤等要素进行信息采集处理和预测干旱的精准手段，尤其缺乏可运用上述要素的大数据技术进行干旱状况预测以进行提示的智慧化数据处理技术。
针对上述问题，目前亟待有效的技术解决方案。
发明内容
本申请的目的在于提供一种基于大数据的旱情预测方法、系统和介质，可以基于大数据根据地域的土壤样本、降水、气候环境以及生物信息数据进行处理获得对地域旱情的指数评估，实现通过大数据技术对地域旱情的综合智慧化处理。
本申请还提供了一种基于大数据的旱情预测方法，包括以下步骤：
采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集；
采集所述预设地域在所述预设时间段内的降水累积信息、气候环境监测信息以及生物动态监测信息，并通过预设地域水文数据库获取预设地域在历史同期的降水比对信息；
根据所述土壤样本信息集获取土壤性变特征数据，根据土壤性变特征数据结合所述降水累积信息进行处理获得土壤干旱指数；
根据所述降水累积信息和所述降水比对信息进行处理，获得所述预设时间段内预设地域的降水盈亏系数，并对所述土壤干旱指数进行加权获得地域干旱风险指数；
根据所述气候环境监测信息和生物动态监测信息提取气候动态监测数据、环境动态监测数据以及生物动态监测数据，将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得环变干燥度响应值；
通过地域环境生物数据库提取预设地域在历史同期时间段内的生物生长监测数据，并结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子；
根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数；
根据所述地域干旱测评修正指数与预设地域旱情阈值级进行阈值对比，获得预设地域的旱情评级。
可选地，在本申请所述的基于大数据的旱情预测方法中，所述采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集，包括：
采集预设地域的多个土壤样本并分类，获得土壤样本分类信息，包括土壤种类信息、土壤层土质信息、壤质分布信息；
根据所述土壤样本分类信息分类采集预设地域内不同类别土壤在预设时间段内的多组土壤样本，获得土壤样本群；
采集所述土壤样本群中各组土壤样本在所述预设时间段内的性状变化信息，包括黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息；
根据所述各组土壤样本的黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息集合成土壤样本信息集。
可选地，在本申请所述的基于大数据的旱情预测方法中，所述根据所述土壤样本信息集获取土壤性变特征数据，根据土壤性变特征数据结合所述降水累积信息进行处理获得土壤干旱指数，包括：
根据所述土壤样本信息集提取各组土壤样本的样本性状变化数据，并根据各组土壤样本的样本性状变化数据进行均值处理，获得土壤性变特征数据；
所述土壤性变特征数据包括粘度质变数据、含水量变化数据、酸碱度变化数据以及风化度数据；
根据所述土壤性变特征数据结合通过所述降水累积信息提取的降水累积裕度值进行处理，获得土壤干旱指数。
可选地，在本申请所述的基于大数据的旱情预测方法中，所述根据所述降水累积信息和所述降水比对信息进行处理，获得所述预设时间段内预设地域的降水盈亏系数，并对所述土壤干旱指数进行加权获得地域干旱风险指数，包括：
根据历史同期的所述降水比对信息以及所述降水累积信息分别提取获得多个历史降水比对数据以及降水累积数据；
根据所述历史降水比对数据以及降水累积数据结合所述降水累积裕度值进行处理，获得所述预设时间段内预设地域的降水盈亏系数；
根据所述降水盈亏系数对所述土壤干旱指数进行加权处理，获得地域干旱风险指数；
所述地域干旱风险指数的加权计算公式为：
Figure SMS_1
；
其中，
Figure SMS_2
为地域干旱风险指数，/>
Figure SMS_3
为风化度数据，/>
Figure SMS_4
为降水盈亏系数，/>
Figure SMS_5
为土壤干旱指数，/>
Figure SMS_6
为预设特征系数。
可选地，在本申请所述的基于大数据的旱情预测方法中，所述根据所述气候环境监测信息和生物动态监测信息提取气候动态监测数据、环境动态监测数据以及生物动态监测数据，将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得环变干燥度响应值，包括：
根据所述气候环境监测信息和生物动态监测信息输入地域环境生物数据库中，提取所述预设地域的气候动态监测数据、环境动态监测数据以及生物动态监测数据；
所述气候动态监测数据包括气温差动态数据、温湿度动态数据，所述环境动态监测数据包括水位差动态数据、降水蒸发动态数据；
将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得所述预设时间段内预设地域的环变干燥度响应值；
所述环变干燥度响应值的计算公式为：
Figure SMS_7
；
其中，
Figure SMS_10
为环变干燥度响应值，/>
Figure SMS_13
、/>
Figure SMS_15
、/>
Figure SMS_9
、/>
Figure SMS_11
分别为气温差动态数据、温湿度动态数据、水位差动态数据、降水蒸发动态数据，/>
Figure SMS_14
、/>
Figure SMS_16
、/>
Figure SMS_8
、/>
Figure SMS_12
为预设特征系数。
可选地，在本申请所述的基于大数据的旱情预测方法中，所述通过地域环境生物数据库提取预设地域在历史同期时间段内的生物生长监测数据，并结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子，包括：
获取所述预设地域的生物动态监测数据，包括土生动物标准样本生长数据和土生植物标准样本生长数据；
通过地域环境生物数据库提取所述预设地域在多个历史同期时间段内的生物生长监测数据，包括多个土生动物标准样本生长监测数据和土生植物标准样本生长监测数据；
将所述多个土生动物标准样本生长监测数据和土生植物标准样本生长监测数据结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子；
所述生物繁衍因子的计算公式为：
Figure SMS_17
；
其中，
Figure SMS_18
为生物繁衍因子，/>
Figure SMS_19
为m个土生动物标准样本生长监测数据中的第j个数据，/>
Figure SMS_20
为t个土生植物标准样本生长监测数据中的第k个数据，/>
Figure SMS_21
、/>
Figure SMS_22
分别为土生动物标准样本生长数据、土生植物标准样本生长数据，/>
Figure SMS_23
、/>
Figure SMS_24
为预设特征系数。
可选地，在本申请所述的基于大数据的旱情预测方法中，所述根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数，包括：
根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数；
所述地域干旱测评修正指数的修正计算公式为：
Figure SMS_25
；
其中，
Figure SMS_26
为地域干旱测评修正指数，/>
Figure SMS_27
为生物繁衍因子，/>
Figure SMS_28
为环变干燥度响应值，
Figure SMS_29
为地域干旱风险指数，/>
Figure SMS_30
、/>
Figure SMS_31
为预设特征系数。
第二方面，本申请提供了一种基于大数据的旱情预测系统，该系统包括：存储器及处理器，所述存储器中包括基于大数据的旱情预测方法的程序，所述基于大数据的旱情预测方法的程序被所述处理器执行时实现以下步骤：
采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集；
采集所述预设地域在所述预设时间段内的降水累积信息、气候环境监测信息以及生物动态监测信息，并通过预设地域水文数据库获取预设地域在历史同期的降水比对信息；
根据所述土壤样本信息集获取土壤性变特征数据，根据土壤性变特征数据结合所述降水累积信息进行处理获得土壤干旱指数；
根据所述降水累积信息和所述降水比对信息进行处理，获得所述预设时间段内预设地域的降水盈亏系数，并对所述土壤干旱指数进行加权获得地域干旱风险指数；
根据所述气候环境监测信息和生物动态监测信息提取气候动态监测数据、环境动态监测数据以及生物动态监测数据，将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得环变干燥度响应值；
通过地域环境生物数据库提取预设地域在历史同期时间段内的生物生长监测数据，并结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子；
根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数；
根据所述地域干旱测评修正指数与预设地域旱情阈值级进行阈值对比，获得预设地域的旱情评级。
可选地，在本申请所述的基于大数据的旱情预测系统中，所述采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集，包括：
采集预设地域的多个土壤样本并分类，获得土壤样本分类信息，包括土壤种类信息、土壤层土质信息、壤质分布信息；
根据所述土壤样本分类信息分类采集预设地域内不同类别土壤在预设时间段内的多组土壤样本，获得土壤样本群；
采集所述土壤样本群中各组土壤样本在所述预设时间段内的性状变化信息，包括黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息；
根据所述各组土壤样本的黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息集合成土壤样本信息集。
第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于大数据的旱情预测方法程序，所述基于大数据的旱情预测方法程序被处理器执行时，实现如上述任一项所述的基于大数据的旱情预测方法的步骤。
由上可知，本申请提供的一种基于大数据的旱情预测方法、系统和介质，通过采集预设地域的土壤样本信息集以及降水累积信息、气候环境监测信息、生物动态监测信息，并根据土壤性变特征数据处理获得土壤干旱指数，再与根据降水累积信息获得的降水盈亏系数进行加权获得地域干旱风险指数，根据气候环境和生物动态监测信息提取气候环境和生物的动态监测数据并处理获得环变干燥度响应值，通过数据库提取历史生物生长监测数据与生物动态监测数据处理获得生物繁衍因子，根据环变干燥度响应值结合生物繁衍因子对地域干旱风险指数进行修正处理获得地域干旱测评修正指数，再与预设地域旱情阈值级进行阈值对比获得预设地域的旱情评级；从而基于大数据根据地域的土壤样本、降水、气候环境以及生物信息数据进行处理获得对地域旱情的指数评估，实现通过大数据技术对地域旱情的综合智慧化处理。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的基于大数据的旱情预测方法的流程图；
图2为本申请实施例提供的基于大数据的旱情预测方法的获取土壤样本信息集的流程图；
图3为本申请实施例提供的基于大数据的旱情预测方法的获得土壤干旱指数的流程图；
图4为本申请实施例提供的基于大数据的旱情预测系统的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的基于大数据的旱情预测方法的流程图。该基于大数据的旱情预测方法用于终端设备中，例如电脑、手机终端等。该基于大数据的旱情预测方法，包括以下步骤：
S101、采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集；
S102、采集所述预设地域在所述预设时间段内的降水累积信息、气候环境监测信息以及生物动态监测信息，并通过预设地域水文数据库获取预设地域在历史同期的降水比对信息；
S103、根据所述土壤样本信息集获取土壤性变特征数据，根据土壤性变特征数据结合所述降水累积信息进行处理获得土壤干旱指数；
S104、根据所述降水累积信息和所述降水比对信息进行处理，获得所述预设时间段内预设地域的降水盈亏系数，并对所述土壤干旱指数进行加权获得地域干旱风险指数；
S105、根据所述气候环境监测信息和生物动态监测信息提取气候动态监测数据、环境动态监测数据以及生物动态监测数据，将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得环变干燥度响应值；
S106、通过地域环境生物数据库提取预设地域在历史同期时间段内的生物生长监测数据，并结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子；
S107、根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数；
S108、根据所述地域干旱测评修正指数与预设地域旱情阈值级进行阈值对比，获得预设地域的旱情评级。
需要说明的是，为获得对地域干旱情况的预测，通过采集预设地域的土壤样本群在预设时间段内的性状变化信息合成为土壤样本信息集以获取地域土壤的性状变化情况，再采集地域在预设时间段内的降水累积信息、气候环境监测信息以及生物动态监测信息，以及在历史同期的多个降水比对信息，再根据土壤样本信息集获取土壤性变特征数据并结合降水累积信息进行处理获得土壤干旱指数，再根据降水累积信息和降水比对信息进行处理获得降水盈亏系数，并对土壤干旱指数进行加权获得地域干旱风险指数，反映出时间段内土壤性状在降水影响状况下的干旱度变化，再根据提取获得的气候动态监测数据和环境动态监测数据通过模型进行处理获得环变干燥度响应值，反映气候环境对干燥状况的影响度，通过提取地域在历史同期时间段内的多个生物生长监测数据结合当前获得的生物动态监测数据进行处理判断出生物繁衍因子，即通过当前的生物生长状况与历史多个同期的生物生长状况同比判断生物生长繁衍的因子，最后根据环变干燥度响应值结合生物繁衍因子对地域干旱风险指数进行修正处理，获得地域干旱测评修正指数，即实现通过生物生长状况因子、环境变化干燥影响度对地域干旱状况进行修正处理的干旱预测技术，最后再根据得到的地域干旱测评修正指数与预设地域旱情阈值级进行阈值对比，通过阈值对比结果落入预设阈值级的范围获得相对应的旱情级别，进而得到该地域的旱情评级，实现根据地域的土壤样本、降水、气候环境以及生物信息数据综合预测评估地域旱情级数的智慧化技术，实现通过大数据技术对地域旱情的综合智慧化处理。
请参照图2，图2是本申请一些实施例中的基于大数据的旱情预测方法的获取土壤样本信息集的流程图。根据本发明实施例，所述采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集，具体为：
S201、采集预设地域的多个土壤样本并分类，获得土壤样本分类信息，包括土壤种类信息、土壤层土质信息、壤质分布信息；
S202、根据所述土壤样本分类信息分类采集预设地域内不同类别土壤在预设时间段内的多组土壤样本，获得土壤样本群；
S203、采集所述土壤样本群中各组土壤样本在所述预设时间段内的性状变化信息，包括黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息；
S204、根据所述各组土壤样本的黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息集合成土壤样本信息集。
需要说明的是，为评估地域的干旱情况，首先考察一定时间段内的土壤干旱状况，而为更精准的评估出地域土壤干旱情况，需全面多样的采集不同土壤样本在时间段内的变化情况，以获得丰富的土壤变化信息，便于进一步全面精准的获得土壤干旱变化情况，为此需采集预设地域的多个土壤样本并进行分类获得土壤样本分类信息，即采集多个土壤样本并分类，根据土壤种类信息、土壤层土质信息和壤质分布信息对采集的土壤样本进行分类，以识别了解地域内土壤的分类和分布情况，再根据分类得到的土壤类别采集地域内各类土壤在时间段内的多组土壤样本，即对每一种分类土壤按照时间段内时间节点进行分时采集，即可获得各类土壤样本在时间段内随时间推移的时差样本，采集的全部土壤样本组合成为土壤样本群，后采集土壤样本群中各组土壤样本在预设时间段内随时间变化的性状变化信息，包括黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息，即反映出各类别土壤样本在时间推移过程中的性状变化情况，再根据各类别土壤样本组的性状变化信息集合成土壤样本信息集，通过该信息集可全面准确的反映出地域内各类土壤的性状变化情况。
请参照图3，图3是本申请一些实施例中的基于大数据的旱情预测方法的获得土壤干旱指数的流程图。根据本发明实施例，所述根据所述土壤样本信息集获取土壤性变特征数据，根据土壤性变特征数据结合所述降水累积信息进行处理获得土壤干旱指数，具体为：
S301、根据所述土壤样本信息集提取各组土壤样本的样本性状变化数据，并根据各组土壤样本的样本性状变化数据进行均值处理，获得土壤性变特征数据；
S302、所述土壤性变特征数据包括粘度质变数据、含水量变化数据、酸碱度变化数据以及风化度数据；
S303、根据所述土壤性变特征数据结合通过所述降水累积信息提取的降水累积裕度值进行处理，获得土壤干旱指数。
需要说明的是，根据获得的土壤样本信息集中的性状变化信息提取出各组土壤样本的样本性状变化数据，即反映出地域内各类土壤样本的性状变化的参量，再求均值获得土壤性变特征数据，通过均值作为勘察衡量地域土壤在时间段内平均变化情况的参量，根据土壤性变特征数据结合通过降水累积信息提取的降水累积裕度值进行处理，获得土壤干旱指数，降水累积裕度值是降水累积信息中包含的反映降水量累积充裕状况的参数，通过土壤干旱指数反映出地域在预设时间段内的土壤干旱度情况；
所述土壤干旱指数的计算公式为：
Figure SMS_32
；
其中，
Figure SMS_33
为土壤干旱指数，/>
Figure SMS_37
、/>
Figure SMS_39
、/>
Figure SMS_35
分别为粘度质变数据、含水量变化数据、酸碱度变化数据，/>
Figure SMS_36
为降水累积裕度值，/>
Figure SMS_38
、/>
Figure SMS_40
、/>
Figure SMS_34
为预设特征系数（预设特征系数通过地域水文数据库进行对应查询获得）。
根据本发明实施例，所述根据所述降水累积信息和所述降水比对信息进行处理，获得所述预设时间段内预设地域的降水盈亏系数，并对所述土壤干旱指数进行加权获得地域干旱风险指数，具体为：
根据历史同期的所述降水比对信息以及所述降水累积信息分别提取获得多个历史降水比对数据以及降水累积数据；
根据所述历史降水比对数据以及降水累积数据结合所述降水累积裕度值进行处理，获得所述预设时间段内预设地域的降水盈亏系数；
根据所述降水盈亏系数对所述土壤干旱指数进行加权处理，获得地域干旱风险指数；
所述地域干旱风险指数的加权计算公式为：
Figure SMS_41
；
其中，
Figure SMS_42
为地域干旱风险指数，/>
Figure SMS_43
为风化度数据，/>
Figure SMS_44
为降水盈亏系数，/>
Figure SMS_45
为土壤干旱指数，/>
Figure SMS_46
为预设特征系数。
需要说明的是，为评估地域在时间段内降水状况下存在的干旱风险的大小，根据降水同比的盈亏数据对土壤干旱度数据进行加权处理，获得地域在降水盈亏影响下的干旱状况的衡量指标，即根据降水盈亏系数对土壤干旱指数进行加权处理获得地域干旱风险指数，该降水盈亏系数是根据地域历史同期降水信息提取的多个历史降水比对数据与预设时间段内降水累积数据进行处理获得的反映降水量同比状况的系数，再根据该系数对土壤干旱指数进行加权处理获得地域干旱风险指数；
所述降水盈亏系数的计算公式为：
Figure SMS_47
；
其中，
Figure SMS_48
为降水盈亏系数，/>
Figure SMS_49
为n个历史降水比对数据中的第i个历史降水比对数据，/>
Figure SMS_50
为降水累积数据，/>
Figure SMS_51
为降水累积裕度值，/>
Figure SMS_52
为预设特征系数（预设特征系数通过地域水文数据库进行对应查询获得）。
根据本发明实施例，所述根据所述气候环境监测信息和生物动态监测信息提取气候动态监测数据、环境动态监测数据以及生物动态监测数据，将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得环变干燥度响应值，具体为：
根据所述气候环境监测信息和生物动态监测信息输入地域环境生物数据库中，提取所述预设地域的气候动态监测数据、环境动态监测数据以及生物动态监测数据；
所述气候动态监测数据包括气温差动态数据、温湿度动态数据，所述环境动态监测数据包括水位差动态数据、降水蒸发动态数据；
将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得所述预设时间段内预设地域的环变干燥度响应值；
所述环变干燥度响应值的计算公式为：
Figure SMS_53
；
其中，
Figure SMS_56
为环变干燥度响应值，/>
Figure SMS_59
、/>
Figure SMS_61
、/>
Figure SMS_55
、/>
Figure SMS_58
分别为气温差动态数据、温湿度动态数据、水位差动态数据、降水蒸发动态数据，/>
Figure SMS_60
、/>
Figure SMS_62
、/>
Figure SMS_54
、/>
Figure SMS_57
为预设特征系数（预设特征系数通过地域环境生物数据库进行对应查询获得）。
需要说明的是，地域的干旱情况评估不仅需要考虑降水的影响，还需要通过结合地域环境变化、生物生长状况、气候变化多方面要素进行综合评估，通过多方面要素的综合处理使地域干旱的预测更加精准，根据获得的预设时间段内的气候环境监测信息和生物动态监测信息输入地域环境生物数据库中提取对应地域的气候动态监测数据、环境动态监测数据以及生物动态监测数据，再将气候和环境的动态监测数据通过预设气候环变评估模型进行计算处理，获得预设时间段内该地域的环变干燥度响应值，该响应值是地域内气候和环境变化的诱导干扰响应量。
根据本发明实施例，所述通过地域环境生物数据库提取预设地域在历史同期时间段内的生物生长监测数据，并结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子，具体为：
获取所述预设地域的生物动态监测数据，包括土生动物标准样本生长数据和土生植物标准样本生长数据；
通过地域环境生物数据库提取所述预设地域在多个历史同期时间段内的生物生长监测数据，包括多个土生动物标准样本生长监测数据和土生植物标准样本生长监测数据；
将所述多个土生动物标准样本生长监测数据和土生植物标准样本生长监测数据结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子；
所述生物繁衍因子的计算公式为：
Figure SMS_63
；
其中，
Figure SMS_64
为生物繁衍因子，/>
Figure SMS_65
为m个土生动物标准样本生长监测数据中的第j个数据，/>
Figure SMS_66
为t个土生植物标准样本生长监测数据中的第k个数据，/>
Figure SMS_67
、/>
Figure SMS_68
分别为土生动物标准样本生长数据、土生植物标准样本生长数据，/>
Figure SMS_69
、/>
Figure SMS_70
为预设特征系数（预设特征系数通过地域环境生物数据库进行对应查询获得）。
需要说明的是，地域内土生生物的生长状况的优劣也侧面反映出干旱状况，根据地域内某参照土生动物和土生植物的某标准生长周期龄下的尺寸、重量、成熟度等生长数据，与历史多个同期相同参照样本下的差异度，可作为衡量生物生长繁衍优劣的因子，该因子侧面反映出地域干旱状况对生物生长的促进或抑制效果，通过获取预设地域的生物动态监测数据，包括某种土生动物和植物的标准岁龄样本的生长数据，再与地域环境生物数据库提取的该地域在多个历史同期时间段内的同种生物在相同岁龄条件下的生长监测数据进行处理，通过预设生物繁育评估模型进行技术处理获得生物繁衍因子，该因子可映射出地域土壤干旱状况下对生物生长的影响度。
根据本发明实施例，所述根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数，具体为：
根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数；
所述地域干旱测评修正指数的修正计算公式为：
Figure SMS_71
；
其中，
Figure SMS_72
为地域干旱测评修正指数，/>
Figure SMS_73
为生物繁衍因子，/>
Figure SMS_74
为环变干燥度响应值，
Figure SMS_75
为地域干旱风险指数，/>
Figure SMS_76
、/>
Figure SMS_77
为预设特征系数。
需要说明的是，在获得了环变干燥度响应值和生物繁衍因子后，对地域干旱风险指数进行修正处理获得地域干旱测评修正指数，实现通过地域的土壤样本状况、降水、气候环境以及生物生长的相关信息数据对地域干旱预测进行加权修正的效果，实现通过大数据技术对地域旱情的综合智慧化处理手段。
如图4所示，本发明还公开了一种基于大数据的旱情预测系统4，包括存储器41和处理器42，所述存储器中包括基于大数据的旱情预测方法程序，所述基于大数据的旱情预测方法程序被所述处理器执行时实现如下步骤：
采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集；
采集所述预设地域在所述预设时间段内的降水累积信息、气候环境监测信息以及生物动态监测信息，并通过预设地域水文数据库获取预设地域在历史同期的降水比对信息；
根据所述土壤样本信息集获取土壤性变特征数据，根据土壤性变特征数据结合所述降水累积信息进行处理获得土壤干旱指数；
根据所述降水累积信息和所述降水比对信息进行处理，获得所述预设时间段内预设地域的降水盈亏系数，并对所述土壤干旱指数进行加权获得地域干旱风险指数；
根据所述气候环境监测信息和生物动态监测信息提取气候动态监测数据、环境动态监测数据以及生物动态监测数据，将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得环变干燥度响应值；
通过地域环境生物数据库提取预设地域在历史同期时间段内的生物生长监测数据，并结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子；
根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数；
根据所述地域干旱测评修正指数与预设地域旱情阈值级进行阈值对比，获得预设地域的旱情评级。
需要说明的是，为获得对地域干旱情况的预测，通过采集预设地域的土壤样本群在预设时间段内的性状变化信息合成为土壤样本信息集以获取地域土壤的性状变化情况，再采集地域在预设时间段内的降水累积信息、气候环境监测信息以及生物动态监测信息，以及在历史同期的多个降水比对信息，再根据土壤样本信息集获取土壤性变特征数据并结合降水累积信息进行处理获得土壤干旱指数，再根据降水累积信息和降水比对信息进行处理获得降水盈亏系数，并对土壤干旱指数进行加权获得地域干旱风险指数，反映出时间段内土壤性状在降水影响状况下的干旱度变化，再根据提取获得的气候动态监测数据和环境动态监测数据通过模型进行处理获得环变干燥度响应值，反映气候环境对干燥状况的影响度，通过提取地域在历史同期时间段内的多个生物生长监测数据结合当前获得的生物动态监测数据进行处理判断出生物繁衍因子，即通过当前的生物生长状况与历史多个同期的生物生长状况同比判断生物生长繁衍的因子，最后根据环变干燥度响应值结合生物繁衍因子对地域干旱风险指数进行修正处理，获得地域干旱测评修正指数，即实现通过生物生长状况因子、环境变化干燥影响度对地域干旱状况进行修正处理的干旱预测技术，最后再根据得到的地域干旱测评修正指数与预设地域旱情阈值级进行阈值对比，通过阈值对比结果落入预设阈值级的范围获得相对应的旱情级别，进而得到该地域的旱情评级，实现根据地域的土壤样本、降水、气候环境以及生物信息数据综合预测评估地域旱情级数的智慧化技术，实现通过大数据技术对地域旱情的综合智慧化处理。
根据本发明实施例，所述采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集，具体为：
采集预设地域的多个土壤样本并分类，获得土壤样本分类信息，包括土壤种类信息、土壤层土质信息、壤质分布信息；
根据所述土壤样本分类信息分类采集预设地域内不同类别土壤在预设时间段内的多组土壤样本，获得土壤样本群；
采集所述土壤样本群中各组土壤样本在所述预设时间段内的性状变化信息，包括黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息；
根据所述各组土壤样本的黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息集合成土壤样本信息集。
需要说明的是，为评估地域的干旱情况，首先考察一定时间段内的土壤干旱状况，而为更精准的评估出地域土壤干旱情况，需全面多样的采集不同土壤样本在时间段内的变化情况，以获得丰富的土壤变化信息，便于进一步全面精准的获得土壤干旱变化情况，为此需采集预设地域的多个土壤样本并进行分类获得土壤样本分类信息，即采集多个土壤样本并分类，根据土壤种类信息、土壤层土质信息和壤质分布信息对采集的土壤样本进行分类，以识别了解地域内土壤的分类和分布情况，再根据分类得到的土壤类别采集地域内各类土壤在时间段内的多组土壤样本，即对每一种分类土壤按照时间段内时间节点进行分时采集，即可获得各类土壤样本在时间段内随时间推移的时差样本，采集的全部土壤样本组合成为土壤样本群，后采集土壤样本群中各组土壤样本在预设时间段内随时间变化的性状变化信息，包括黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息，即反映出各类别土壤样本在时间推移过程中的性状变化情况，再根据各类别土壤样本组的性状变化信息集合成土壤样本信息集，通过该信息集可全面准确的反映出地域内各类土壤的性状变化情况。
根据本发明实施例，所述根据所述土壤样本信息集获取土壤性变特征数据，根据土壤性变特征数据结合所述降水累积信息进行处理获得土壤干旱指数，具体为：
根据所述土壤样本信息集提取各组土壤样本的样本性状变化数据，并根据各组土壤样本的样本性状变化数据进行均值处理，获得土壤性变特征数据；
所述土壤性变特征数据包括粘度质变数据、含水量变化数据、酸碱度变化数据以及风化度数据；
根据所述土壤性变特征数据结合通过所述降水累积信息提取的降水累积裕度值进行处理，获得土壤干旱指数。
需要说明的是，根据获得的土壤样本信息集中的性状变化信息提取出各组土壤样本的样本性状变化数据，即反映出地域内各类土壤样本的性状变化的参量，再求均值获得土壤性变特征数据，通过均值作为勘察衡量地域土壤在时间段内平均变化情况的参量，根据土壤性变特征数据结合通过降水累积信息提取的降水累积裕度值进行处理，获得土壤干旱指数，降水累积裕度值是降水累积信息中包含的反映降水量累积充裕状况的参数，通过土壤干旱指数反映出地域在预设时间段内的土壤干旱度情况；
所述土壤干旱指数的计算公式为：
Figure SMS_78
；
其中，
Figure SMS_81
为土壤干旱指数，/>
Figure SMS_83
、/>
Figure SMS_85
、/>
Figure SMS_79
分别为粘度质变数据、含水量变化数据、酸碱度变化数据，/>
Figure SMS_82
为降水累积裕度值，/>
Figure SMS_84
、/>
Figure SMS_86
、/>
Figure SMS_80
为预设特征系数（预设特征系数通过地域水文数据库进行对应查询获得）。
根据本发明实施例，所述根据所述降水累积信息和所述降水比对信息进行处理，获得所述预设时间段内预设地域的降水盈亏系数，并对所述土壤干旱指数进行加权获得地域干旱风险指数，具体为：
根据历史同期的所述降水比对信息以及所述降水累积信息分别提取获得多个历史降水比对数据以及降水累积数据；
根据所述历史降水比对数据以及降水累积数据结合所述降水累积裕度值进行处理，获得所述预设时间段内预设地域的降水盈亏系数；
根据所述降水盈亏系数对所述土壤干旱指数进行加权处理，获得地域干旱风险指数；
所述地域干旱风险指数的加权计算公式为：
Figure SMS_87
；
其中，
Figure SMS_88
为地域干旱风险指数，/>
Figure SMS_89
为风化度数据，/>
Figure SMS_90
为降水盈亏系数，/>
Figure SMS_91
为土壤干旱指数，/>
Figure SMS_92
为预设特征系数。
需要说明的是，为评估地域在时间段内降水状况下存在的干旱风险的大小，根据降水同比的盈亏数据对土壤干旱度数据进行加权处理，获得地域在降水盈亏影响下的干旱状况的衡量指标，即根据降水盈亏系数对土壤干旱指数进行加权处理获得地域干旱风险指数，该降水盈亏系数是根据地域历史同期降水信息提取的多个历史降水比对数据与预设时间段内降水累积数据进行处理获得的反映降水量同比状况的系数，再根据该系数对土壤干旱指数进行加权处理获得地域干旱风险指数；
所述降水盈亏系数的计算公式为：
Figure SMS_93
；
其中，
Figure SMS_94
为降水盈亏系数，/>
Figure SMS_95
为n个历史降水比对数据中的第i个历史降水比对数据，/>
Figure SMS_96
为降水累积数据，/>
Figure SMS_97
为降水累积裕度值，/>
Figure SMS_98
为预设特征系数（预设特征系数通过地域水文数据库进行对应查询获得）。
根据本发明实施例，所述根据所述气候环境监测信息和生物动态监测信息提取气候动态监测数据、环境动态监测数据以及生物动态监测数据，将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得环变干燥度响应值，具体为：
根据所述气候环境监测信息和生物动态监测信息输入地域环境生物数据库中，提取所述预设地域的气候动态监测数据、环境动态监测数据以及生物动态监测数据；
所述气候动态监测数据包括气温差动态数据、温湿度动态数据，所述环境动态监测数据包括水位差动态数据、降水蒸发动态数据；
将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得所述预设时间段内预设地域的环变干燥度响应值；
所述环变干燥度响应值的计算公式为：
Figure SMS_99
；
其中，
Figure SMS_101
为环变干燥度响应值，/>
Figure SMS_104
、/>
Figure SMS_106
、/>
Figure SMS_102
、/>
Figure SMS_105
分别为气温差动态数据、温湿度动态数据、水位差动态数据、降水蒸发动态数据，/>
Figure SMS_107
、/>
Figure SMS_108
、/>
Figure SMS_100
、/>
Figure SMS_103
为预设特征系数（预设特征系数通过地域环境生物数据库进行对应查询获得）。
需要说明的是，地域的干旱情况评估不仅需要考虑降水的影响，还需要通过结合地域环境变化、生物生长状况、气候变化多方面要素进行综合评估，通过多方面要素的综合处理使地域干旱的预测更加精准，根据获得的预设时间段内的气候环境监测信息和生物动态监测信息输入地域环境生物数据库中提取对应地域的气候动态监测数据、环境动态监测数据以及生物动态监测数据，再将气候和环境的动态监测数据通过预设气候环变评估模型进行计算处理，获得预设时间段内该地域的环变干燥度响应值，该响应值是地域内气候和环境变化的诱导干扰响应量。
根据本发明实施例，所述通过地域环境生物数据库提取预设地域在历史同期时间段内的生物生长监测数据，并结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子，具体为：
获取所述预设地域的生物动态监测数据，包括土生动物标准样本生长数据和土生植物标准样本生长数据；
通过地域环境生物数据库提取所述预设地域在多个历史同期时间段内的生物生长监测数据，包括多个土生动物标准样本生长监测数据和土生植物标准样本生长监测数据；
将所述多个土生动物标准样本生长监测数据和土生植物标准样本生长监测数据结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子；
所述生物繁衍因子的计算公式为：
Figure SMS_109
；
其中，
Figure SMS_110
为生物繁衍因子，/>
Figure SMS_111
为m个土生动物标准样本生长监测数据中的第j个数据，/>
Figure SMS_112
为t个土生植物标准样本生长监测数据中的第k个数据，/>
Figure SMS_113
、/>
Figure SMS_114
分别为土生动物标准样本生长数据、土生植物标准样本生长数据，/>
Figure SMS_115
、/>
Figure SMS_116
为预设特征系数（预设特征系数通过地域环境生物数据库进行对应查询获得）。
需要说明的是，地域内土生生物的生长状况的优劣也侧面反映出干旱状况，根据地域内某参照土生动物和土生植物的某标准生长周期龄下的尺寸、重量、成熟度等生长数据，与历史多个同期相同参照样本下的差异度，可作为衡量生物生长繁衍优劣的因子，该因子侧面反映出地域干旱状况对生物生长的促进或抑制效果，通过获取预设地域的生物动态监测数据，包括某种土生动物和植物的标准岁龄样本的生长数据，再与地域环境生物数据库提取的该地域在多个历史同期时间段内的同种生物在相同岁龄条件下的生长监测数据进行处理，通过预设生物繁育评估模型进行技术处理获得生物繁衍因子，该因子可映射出地域土壤干旱状况下对生物生长的影响度。
根据本发明实施例，所述根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数，具体为：
根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数；
所述地域干旱测评修正指数的修正计算公式为：
Figure SMS_117
；
其中，
Figure SMS_118
为地域干旱测评修正指数，/>
Figure SMS_119
为生物繁衍因子，/>
Figure SMS_120
为环变干燥度响应值，
Figure SMS_121
为地域干旱风险指数，/>
Figure SMS_122
、/>
Figure SMS_123
为预设特征系数。
需要说明的是，在获得了环变干燥度响应值和生物繁衍因子后，对地域干旱风险指数进行修正处理获得地域干旱测评修正指数，实现通过地域的土壤样本状况、降水、气候环境以及生物生长的相关信息数据对地域干旱预测进行加权修正的效果，实现通过大数据技术对地域旱情的综合智慧化处理手段。
本发明第三方面提供了一种可读存储介质，所述可读存储介质中包括基于大数据的旱情预测方法程序，所述基于大数据的旱情预测方法程序被处理器执行时，实现如上述任一项所述的基于大数据的旱情预测方法的步骤。
本发明公开的一种基于大数据的旱情预测方法、系统和介质，通过采集预设地域的土壤样本信息集以及降水累积信息、气候环境监测信息、生物动态监测信息，并根据土壤性变特征数据处理获得土壤干旱指数，再与根据降水累积信息获得的降水盈亏系数进行加权获得地域干旱风险指数，根据气候环境和生物动态监测信息提取气候环境和生物的动态监测数据并处理获得环变干燥度响应值，通过数据库提取历史生物生长监测数据与生物动态监测数据处理获得生物繁衍因子，根据环变干燥度响应值结合生物繁衍因子对地域干旱风险指数进行修正处理获得地域干旱测评修正指数，再与预设地域旱情阈值级进行阈值对比获得预设地域的旱情评级；从而基于大数据根据地域的土壤样本、降水、气候环境以及生物信息数据进行处理获得对地域旱情的指数评估，实现通过大数据技术对地域旱情的综合智慧化处理。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例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，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种基于大数据的旱情预测方法，其特征在于，包括以下步骤：
采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集；
采集所述预设地域在所述预设时间段内的降水累积信息、气候环境监测信息以及生物动态监测信息，并通过预设地域水文数据库获取预设地域在历史同期的降水比对信息；
根据所述土壤样本信息集获取土壤性变特征数据，根据土壤性变特征数据结合所述降水累积信息进行处理获得土壤干旱指数；
根据所述降水累积信息和所述降水比对信息进行处理，获得所述预设时间段内预设地域的降水盈亏系数，并对所述土壤干旱指数进行加权获得地域干旱风险指数；
根据所述气候环境监测信息和生物动态监测信息提取气候动态监测数据、环境动态监测数据以及生物动态监测数据，将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得环变干燥度响应值；
通过地域环境生物数据库提取预设地域在历史同期时间段内的生物生长监测数据，并结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子；
根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数；
根据所述地域干旱测评修正指数与预设地域旱情阈值级进行阈值对比，获得预设地域的旱情评级。
2.根据权利要求1所述的基于大数据的旱情预测方法，其特征在于，所述采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集，包括：
采集预设地域的多个土壤样本并分类，获得土壤样本分类信息，包括土壤种类信息、土壤层土质信息、壤质分布信息；
根据所述土壤样本分类信息分类采集预设地域内不同类别土壤在预设时间段内的多组土壤样本，获得土壤样本群；
采集所述土壤样本群中各组土壤样本在所述预设时间段内的性状变化信息，包括黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息；
根据所述各组土壤样本的黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息集合成土壤样本信息集。
3.根据权利要求2所述的基于大数据的旱情预测方法，其特征在于，所述根据所述土壤样本信息集获取土壤性变特征数据，根据土壤性变特征数据结合所述降水累积信息进行处理获得土壤干旱指数，包括：
根据所述土壤样本信息集提取各组土壤样本的样本性状变化数据，并根据各组土壤样本的样本性状变化数据进行均值处理，获得土壤性变特征数据；
所述土壤性变特征数据包括粘度质变数据、含水量变化数据、酸碱度变化数据以及风化度数据；
根据所述土壤性变特征数据结合通过所述降水累积信息提取的降水累积裕度值进行处理，获得土壤干旱指数。
4.根据权利要求3所述的基于大数据的旱情预测方法，其特征在于，所述根据所述降水累积信息和所述降水比对信息进行处理，获得所述预设时间段内预设地域的降水盈亏系数，并对所述土壤干旱指数进行加权获得地域干旱风险指数，包括：
根据历史同期的所述降水比对信息以及所述降水累积信息分别提取获得多个历史降水比对数据以及降水累积数据；
根据所述历史降水比对数据以及降水累积数据结合所述降水累积裕度值进行处理，获得所述预设时间段内预设地域的降水盈亏系数；
根据所述降水盈亏系数对所述土壤干旱指数进行加权处理，获得地域干旱风险指数；
所述地域干旱风险指数的加权计算公式为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为地域干旱风险指数，/>
Figure QLYQS_3
为风化度数据，/>
Figure QLYQS_4
为降水盈亏系数，/>
Figure QLYQS_5
为土壤干旱指数，/>
Figure QLYQS_6
为预设特征系数。
5.根据权利要求4所述的基于大数据的旱情预测方法，其特征在于，所述根据所述气候环境监测信息和生物动态监测信息提取气候动态监测数据、环境动态监测数据以及生物动态监测数据，将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得环变干燥度响应值，包括：
根据所述气候环境监测信息和生物动态监测信息输入地域环境生物数据库中，提取所述预设地域的气候动态监测数据、环境动态监测数据以及生物动态监测数据；
所述气候动态监测数据包括气温差动态数据、温湿度动态数据，所述环境动态监测数据包括水位差动态数据、降水蒸发动态数据；
将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得所述预设时间段内预设地域的环变干燥度响应值；
所述环变干燥度响应值的计算公式为：
Figure QLYQS_7
；
其中，
Figure QLYQS_9
为环变干燥度响应值，/>
Figure QLYQS_12
、/>
Figure QLYQS_14
、/>
Figure QLYQS_10
、/>
Figure QLYQS_13
分别为气温差动态数据、温湿度动态数据、水位差动态数据、降水蒸发动态数据，/>
Figure QLYQS_15
、/>
Figure QLYQS_16
、/>
Figure QLYQS_8
、/>
Figure QLYQS_11
为预设特征系数。
6.根据权利要求5所述的基于大数据的旱情预测方法，其特征在于，所述通过地域环境生物数据库提取预设地域在历史同期时间段内的生物生长监测数据，并结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子，包括：
获取所述预设地域的生物动态监测数据，包括土生动物标准样本生长数据和土生植物标准样本生长数据；
通过地域环境生物数据库提取所述预设地域在多个历史同期时间段内的生物生长监测数据，包括多个土生动物标准样本生长监测数据和土生植物标准样本生长监测数据；
将所述多个土生动物标准样本生长监测数据和土生植物标准样本生长监测数据结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子；
所述生物繁衍因子的计算公式为：
Figure QLYQS_17
；
其中，
Figure QLYQS_18
为生物繁衍因子，/>
Figure QLYQS_19
为m个土生动物标准样本生长监测数据中的第j个数据，
Figure QLYQS_20
为t个土生植物标准样本生长监测数据中的第k个数据，/>
Figure QLYQS_21
、/>
Figure QLYQS_22
分别为土生动物标准样本生长数据、土生植物标准样本生长数据，/>
Figure QLYQS_23
、/>
Figure QLYQS_24
为预设特征系数。
7.根据权利要求6所述的基于大数据的旱情预测方法，其特征在于，所述根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数，包括：
根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数；
所述地域干旱测评修正指数的修正计算公式为：
Figure QLYQS_25
；
其中，
Figure QLYQS_26
为地域干旱测评修正指数，/>
Figure QLYQS_27
为生物繁衍因子，/>
Figure QLYQS_28
为环变干燥度响应值，/>
Figure QLYQS_29
为地域干旱风险指数，/>
Figure QLYQS_30
、/>
Figure QLYQS_31
为预设特征系数。
8.一种基于大数据的旱情预测系统，其特征在于，该系统包括：存储器及处理器，所述存储器中包括基于大数据的旱情预测方法的程序，所述基于大数据的旱情预测方法的程序被所述处理器执行时实现以下步骤：
采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集；
采集所述预设地域在所述预设时间段内的降水累积信息、气候环境监测信息以及生物动态监测信息，并通过预设地域水文数据库获取预设地域在历史同期的降水比对信息；
根据所述土壤样本信息集获取土壤性变特征数据，根据土壤性变特征数据结合所述降水累积信息进行处理获得土壤干旱指数；
根据所述降水累积信息和所述降水比对信息进行处理，获得所述预设时间段内预设地域的降水盈亏系数，并对所述土壤干旱指数进行加权获得地域干旱风险指数；
根据所述气候环境监测信息和生物动态监测信息提取气候动态监测数据、环境动态监测数据以及生物动态监测数据，将所述气候动态监测数据和环境动态监测数据输入预设气候环变评估模型中进行处理，获得环变干燥度响应值；
通过地域环境生物数据库提取预设地域在历史同期时间段内的生物生长监测数据，并结合所述生物动态监测数据输入预设生物繁育评估模型中进行处理，获得所述预设地域的生物繁衍因子；
根据所述环变干燥度响应值结合所述生物繁衍因子对所述地域干旱风险指数进行修正处理，获得地域干旱测评修正指数；
根据所述地域干旱测评修正指数与预设地域旱情阈值级进行阈值对比，获得预设地域的旱情评级。
9.根据权利要求8所述的基于大数据的旱情预测系统，其特征在于所述采集预设地域的土壤样本群，并获取土壤样本群在预设时间段内的土壤样本信息集，包括：
采集预设地域的多个土壤样本并分类，获得土壤样本分类信息，包括土壤种类信息、土壤层土质信息、壤质分布信息；
根据所述土壤样本分类信息分类采集预设地域内不同类别土壤在预设时间段内的多组土壤样本，获得土壤样本群；
采集所述土壤样本群中各组土壤样本在所述预设时间段内的性状变化信息，包括黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息；
根据所述各组土壤样本的黏度变化信息、含水量变化信息、酸碱度变化信息以及风化信息集合成土壤样本信息集。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于大数据的旱情预测方法程序，所述基于大数据的旱情预测方法程序被处理器执行时，实现如权利要求1至7中任一项所述的基于大数据的旱情预测方法的步骤。
CN202310580369.3A 2023-05-23 2023-05-23 一种基于大数据的旱情预测方法、系统和介质 Active CN116384591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310580369.3A CN116384591B (zh) 2023-05-23 2023-05-23 一种基于大数据的旱情预测方法、系统和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310580369.3A CN116384591B (zh) 2023-05-23 2023-05-23 一种基于大数据的旱情预测方法、系统和介质

Publications (2)

Publication Number Publication Date
CN116384591A true CN116384591A (zh) 2023-07-04
CN116384591B CN116384591B (zh) 2023-08-29

Family

ID=86967799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310580369.3A Active CN116384591B (zh) 2023-05-23 2023-05-23 一种基于大数据的旱情预测方法、系统和介质

Country Status (1)

Country Link
CN (1) CN116384591B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116990847A (zh) * 2023-09-28 2023-11-03 湖南湘银河传感科技有限公司 基于边缘计算的北斗gnss接收机解算方法和系统
CN117081851A (zh) * 2023-10-10 2023-11-17 网思科技股份有限公司 网络安全态势感知信息的显示方法、系统和介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106815658A (zh) * 2017-01-17 2017-06-09 云南瀚哲科技有限公司 一种农业干旱预警系统
US20170176640A1 (en) * 2014-03-28 2017-06-22 Northeastern University System for Multivariate Climate Change Forecasting With Uncertainty Quantification
CN108765906A (zh) * 2018-04-11 2018-11-06 南安市创培电子科技有限公司 一种农业干旱监测与预警预报方法
US20190230875A1 (en) * 2015-08-05 2019-08-01 Clearag, Inc. Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture
CN110210688A (zh) * 2019-06-18 2019-09-06 中国农业科学院农业资源与农业区划研究所 基于作物需水与土壤供水的农业干旱灾害监测预报方法
CN110930048A (zh) * 2019-11-29 2020-03-27 中国农业科学院农业资源与农业区划研究所 一种基于成灾机理过程的农作物干旱风险评估系统及方法
CN113837666A (zh) * 2021-11-23 2021-12-24 长江水利委员会长江科学院 一种基于改进cmi指数的农业干旱评估方法
CN113849763A (zh) * 2021-11-22 2021-12-28 中国农业科学院农业资源与农业区划研究所 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端
CN113887972A (zh) * 2021-10-09 2022-01-04 水利部牧区水利科学研究所 一种基于水文过程的综合旱情监测与评估方法
CN115062997A (zh) * 2022-06-27 2022-09-16 西南石油大学 一种适用于西藏地区的基于遥感技术和机器学习的农业干旱监测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20170176640A1 (en) * 2014-03-28 2017-06-22 Northeastern University System for Multivariate Climate Change Forecasting With Uncertainty Quantification
US20190230875A1 (en) * 2015-08-05 2019-08-01 Clearag, Inc. Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture
CN106815658A (zh) * 2017-01-17 2017-06-09 云南瀚哲科技有限公司 一种农业干旱预警系统
CN108765906A (zh) * 2018-04-11 2018-11-06 南安市创培电子科技有限公司 一种农业干旱监测与预警预报方法
CN110210688A (zh) * 2019-06-18 2019-09-06 中国农业科学院农业资源与农业区划研究所 基于作物需水与土壤供水的农业干旱灾害监测预报方法
CN110930048A (zh) * 2019-11-29 2020-03-27 中国农业科学院农业资源与农业区划研究所 一种基于成灾机理过程的农作物干旱风险评估系统及方法
CN113887972A (zh) * 2021-10-09 2022-01-04 水利部牧区水利科学研究所 一种基于水文过程的综合旱情监测与评估方法
CN113849763A (zh) * 2021-11-22 2021-12-28 中国农业科学院农业资源与农业区划研究所 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端
CN113837666A (zh) * 2021-11-23 2021-12-24 长江水利委员会长江科学院 一种基于改进cmi指数的农业干旱评估方法
CN115062997A (zh) * 2022-06-27 2022-09-16 西南石油大学 一种适用于西藏地区的基于遥感技术和机器学习的农业干旱监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANURAG DASH; SAKSHI JETLEY; ANUSHREE REGE; SHALU CHOPRA; ROHINI SAWANT: "Drought Prediction and Water Quality Estimation using Satellite Images and Machine Learning", 《PROCEEDINGS OF THE SEVENTH INTERNATIONAL CONFERENCE ON COMMUNICATION AND ELECTRONICS SYSTEMS》, pages 11101116 *
高磊;覃志豪;卢丽萍;: "基于植被指数和地表温度特征空间的农业干旱监测模型研究综述", 国土资源遥感, no. 03 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116990847A (zh) * 2023-09-28 2023-11-03 湖南湘银河传感科技有限公司 基于边缘计算的北斗gnss接收机解算方法和系统
CN116990847B (zh) * 2023-09-28 2023-12-15 湖南湘银河传感科技有限公司 基于边缘计算的北斗gnss接收机解算方法和系统
CN117081851A (zh) * 2023-10-10 2023-11-17 网思科技股份有限公司 网络安全态势感知信息的显示方法、系统和介质
CN117081851B (zh) * 2023-10-10 2024-03-19 网思科技股份有限公司 网络安全态势感知信息的显示方法、系统和介质

Also Published As

Publication number Publication date
CN116384591B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN116384591B (zh) 一种基于大数据的旱情预测方法、系统和介质
Fan et al. Light Gradient Boosting Machine: An efficient soft computing model for estimating daily reference evapotranspiration with local and external meteorological data
Estoque et al. Quantifying landscape pattern and ecosystem service value changes in four rapidly urbanizing hill stations of Southeast Asia
Daams et al. The effect of natural space on nearby property prices: accounting for perceived attractiveness
Salvati et al. The environmental “risky” region: identifying land degradation processes through integration of socio-economic and ecological indicators in a multivariate regionalization model
CN102183621A (zh) 水产养殖溶解氧浓度在线预测方法及系统
Beyer et al. Rainfall characteristics and their implications for rain-fed agriculture: a case study in the Upper Zambezi River Basin
Gaughan et al. Linking vegetation response to seasonal precipitation in the Okavango–Kwando–Zambezi catchment of southern Africa
CN111191193A (zh) 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法
Reder et al. Performance evaluation of regional climate model simulations at different spatial and temporal scales over the complex orography area of the Alpine region
Nuñez et al. A multivariate clustering approach for characterization of the Montepulciano d’Abruzzo Colline Teramane area
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
CN116824384A (zh) 一种基于标准曲线的大豆识别方法
CN112903606A (zh) 一种基于无人机高光谱的红树林生态恢复力评估方法
CN115575601A (zh) 基于水汽通量散度的植被旱灾指数评估方法和系统
Oliveira et al. Rainfall and streamflow extreme events in the São Francisco hydrographic region
Gessesse et al. Land use dynamics and base and peak flow responses in the Choke mountain range, Upper Blue Nile Basin, Ethiopia
CN111814866A (zh) 一种病虫害预警方法、装置、计算机设备及存储介质
CN110929222A (zh) 基于遥感植被冠层水分指数的灌溉农田识别方法
CN111428745A (zh) 一种基于聚类分析的低压用户用电特征提取方法
CN108388683A (zh) 一种基于生境因子的植被类型空间模拟方法
Yilmaz Spatiotemporal statistical analysis of water area changes with climatic variables using Google Earth Engine for Lakes Region in Türkiye
CN112507285B (zh) 一种干旱检测方法
Luo et al. Habitat Suitability Evaluation of the Chinese Horseshoe Bat (R. sinicus) in the Wuling Mountain Area Based on MAXENT Modelling.
Tiwari et al. Probability distribution of groundcover for runoff prediction in rangeland in the Burnett–Mary Region, Queensland

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