CN117290814A - 一种基于土壤水分的逐日农业干旱预警方法 - Google Patents
一种基于土壤水分的逐日农业干旱预警方法 Download PDFInfo
- Publication number
- CN117290814A CN117290814A CN202311236661.XA CN202311236661A CN117290814A CN 117290814 A CN117290814 A CN 117290814A CN 202311236661 A CN202311236661 A CN 202311236661A CN 117290814 A CN117290814 A CN 117290814A
- Authority
- CN
- China
- Prior art keywords
- soil moisture
- drought
- early warning
- moisture content
- daily
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims abstract 4
- 230000006870 function Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims 2
- 230000000306 recurrent effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Biophysics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
Abstract
本发明公开了一种基于土壤水分的逐日农业干旱预警技术。该发明可以提高已有遥感检测手段对农业干旱监测的时效性。通过对多年的逐日土壤水分进行端到端卷积神经网络的训练，可预测未来五天的土壤水分含量。将预测的数据与前七天的数据进行Sen斜率估计，最后通过Mann‑Kendall方法判断变化趋势显著性，从而实现对未来五天农业干旱趋势的估计，达到预警的目的。本发明提出的基于神经网络预测土壤水分的农业干旱预警模型，通过简单而有效的卷积神经网络模型，可以在不引入复杂模块、策略和技巧的情况下实现高效预测土壤含水量，从而预警灾害的时效性提高，计算复杂度降低。相比传统的遥感干旱指数预警农业干旱的方法，具有更好的空间一致性，更高的时空分辨率。
Description
技术领域
本发明涉及遥感应用中的农业干旱监测领域，具体涉及基于土壤水分数据的农业干旱预测技术。
背景技术
在我国，干旱灾害是发生程度较频繁的一种自然灾害；不同程度的干旱灾害每年都会在不同的地区出现。干旱形成是一个日积月累的过程，前期不易被察觉，一旦形成就具有影响区域广，严重程度高等特点。
干旱监测历史悠久，传统方法依赖于人工，气象站点和农业部门合作，通过观测站点进行实测，对获得的数据进行干旱指标定义和定级。然而，这种方法具有效率低、耗时长特点，不符合实时应用需求。随着干旱监测技术和手段发展，基于遥感技术的干旱监测，能够更宏观地基于遥感数据建立干旱监测模型，基于更长时间广度对干旱情况进行总结，实现实时干旱监测。
土壤水分是评估农业干旱的关键变量。近年来，随着土壤水分数据的时空覆盖度和产品精度显著提升，基于土壤水分的农业干旱监测逐渐吸引更多的关注。然而,目前用于干旱研究的土壤水分数据绝大部分采用月以上的时间尺度,适用于干旱监测和预报的日土壤水分方法相对稀缺,不利于对干旱监测和预报准确率的改进以及对现有日干旱情况进行评估。
本发明就是着力于通过预测土壤水分，对墒情变化进行有效的监测和评估。本发明结合了现有的深度学习时空序列数据预测模型和趋势计算方法，设计了一种通过预测逐日土壤水分监测农业干旱的方法。
发明内容
为了通过土壤水分对干旱灾害变化进行有效监测，本发明提出了一种基于神经网络土壤水分预测的农业干旱遥感监测技术。该技术基于深度学习方法，针对时空序列数据进行趋势分析，提出了逐日监测干旱监测的方法。
本发明所采用的技术方案是：
步骤1：编码器堆叠4个BasicConv块来提取数据特征；
步骤2：将步骤1中提取的特征图输入翻译器，通过Translator模块学习时间演化。Translator模块由8个Inception模块组成；
步骤3：解码器利用4个GroupConv2d块重构土壤含水量数据；
步骤4：将步骤3预测的土壤含水量数据与相对时间前一周的土壤含水量数据进行Sen斜率估计；
步骤5：将步骤4的结果通过Mann—Kendall方法判断变化趋势显著性，从而进行干旱预警。
与现有技术相比，本发明的有益效果是：
(1)相比传统的遥感干旱指数，与土壤含水量的分布具有更好的空间一致性；
(2)相对于直接反演土壤水分的墒情监测方法，具有更高的时空分辨率；
(3)预警的实时性提高，复杂度降低。
附图说明
图1为：SimSMP框架示意图；
图2为：BasicConv2d Block结构图；
图3为：Translator Block结构图；
图4为：Inception Block结构图；
图5为：GroupConv2d Block结构图；
图6为：预测土壤水分与真实土壤水分相关系数散点图；
图7为：Mann-Kendall检验趋势类别；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
本具体实施方式中，针对农业干旱监测的方法包括下述步骤：
利用SimSMP网络模型对土壤含水量遥感图像进行预测的过程如图1所示。编码器用于提取空间特征，翻译器学习时间演化，解码器集成时空信息预测未来帧。
步骤1：采用特征提取主干网络提取特征图；
首先，将BasicConv2d模块堆叠4次。模块由Con2d、Groupnorm、LeakyRelu三部分组成；卷积层核大小为(3,3)，步距使用(2,2)，(1，1)交替，步幅为(2,2)，填充大小为(1,1)；GroupNorm在图像通道方向分为组，然后每个组内做归一化,这里设置为2；LeakyRelu为激活函数，如图2所示。
通过对遥感图像进行预处理，输入图像的大小长为256，宽为256，通道数为3，每个阶段后的维度大小变化依次为256×256×64，128×128×64，128×128×64，64×64×64；最后输出的特征图的大小为64×64×64。
构建的特征提取结构在特定的土壤水分数据集上对土壤水分有更好的模拟效果，并且能够减少网络层数和网络参数，使得模型更加轻量级，更易于部署。
步骤2：将步骤1中提取的特征图输入翻译器，通过8个Inception模块学习时间演化，如图3所示；
Inception模块由一个Head Conv2d组成，随后是并行的BasicConv2d操作为了避免表达瓶颈，随着特征图的尺寸减小，可以对其维度继续降低，减少通道数量，采用1x1Conv2d卷积不仅不会影响模型精度，反而还能使其收敛速度加快。Inception模块的并行连接机制可以同时捕获多尺度的图像特征，使得网络在处理不同大小的目标时更具优势。对输入feature map进行分组卷积，然后每组分别卷积，可以减少参数量、且不容易过拟合。此处设置GroupConv2d为8。如图4所示。Inception层中卷积核的大小一依次为(3,5,7,11)；通过翻译器后，输出的特征图大小为64×64×64。
步骤3：解码器利用4个DeConv2d块重构土壤含水量数据；
DeConv2d块同样采用堆叠方式构造，包括convtranspose2d反卷积层，核大小为(3,3)，步距使用(2,2)，(1，1)交替，填充大小为(1,1)，输出填充大小为(1,1)。GroupNorm在图像通道方向分为组，然后每个组内做归一化,这里设置为2；LeakyRelu为激活函数，如图5所示。4个GroupConv2d块重构土壤含水量数据，每个阶段大小为64×64×64,128×128×64，128×128×64,256×256×64，最后通过1×1的卷积进行降维，输出256×256×3的预测图像。
图6为本发明的方法预测的土壤水分数据与实际土壤含水量之间的皮尔逊相关系数结果图，从图中可以看出，本方法预测得到的土壤水分数据具有和真实土壤含水量之间较高的相关性。
步骤4：将步骤3预测数据与相对前一周的土壤含水量数据进行Sen斜率估计；
Theil-Sen Median方法又被称为Sen斜率估计，是一种稳健的非参数统计的趋势计算方法。该方法计算效率高，对于测量误差和离群数据不敏感，常被用于长时间序列数据的趋势分析中。其计算公式为：
式中：xi，xj为时间序列数据。β大于0表示时间序列呈现上升趋势；β小于0表示时间序列呈现下降趋势。
步骤5：将步骤4的结果通过Mann—Kendall方法判断变化趋势显著性，从而进行干旱预警；
曼－肯德尔法又称Mann—Kendall检验法，应用Mann-Kendall检验法可以判断序列中是否存在突变，如果存在，可确定出突变发生的位置。
对于序列Xt＝x1,x2,…xn,先确定所有对偶值(xi，xj，j>i)中xi与xj的大小关系(设为S)。做如下假设：H0为序列中的数据随机排列，即无显著趋势；H1为序列存在上升或下降趋势。检验统计量S计算公式为(在Z的计算公式中，当S>0时，分子为S-1)
式中：sgn()为符号函数。
使用检验统计量Z进行趋势检验，Z值计算方法如下：
式中：Var的计算公式为：
式中：n为序列中数据个数，m为序列中重复出现的数据组的个数。
同样采用双边趋势检验，在给定显著性水平下，在正态分布表中查得临界值Z1-α/2。当|Z|≤Z-α/2时，接受原假设，即趋势不显著；若|Z|＞Z-α/2，则拒绝原假设，即认为趋势显著。本次给定显著性水平＝0.05，则临界值Z1-α/2＝1.96，当Z的绝对值大于1.65、1.96和2.58时，表示趋势分别通过了信度为90％、95％和99％的显著性检验。趋势显著性的判断方法见图7。
对置信水平统计量进行分级，得到地区逐日农业干旱预测情况。将结果可视化，可以反映地区干旱的时空变化趋势。
以上所述，仅为本发明的具体实施方式，本说明中所公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征或/和步骤外，均可以任何方式组合。
Claims (3)
1.一种基于土壤水分的逐日农业干旱预警方法，其特征在于，包括以下步骤：
步骤1：编码器堆叠4个BasicConv块来提取土壤数据特征；模块由Con2d、Groupnorm、LeakyRelu三部分组成；卷积层核大小为(3,3)，步距使用(2,2)，(1，1)交替，步幅为(2,2)，填充大小为(1,1)，GroupNorm在图像通道方向分为组，然后每个组内做归一化，LeakyRelu为激活函数；
步骤2：将步骤1中提取的特征图输入翻译器，通过Translator模块学习时间演化。Translator模块由8个Inception模块组成；Inception模块由一个1x1 Conv2d组成，随后是并行的BasicConv2d操作为了避免表达瓶颈；
步骤3：解码器利用4个DeConv2d块重构土壤含水量数据；DeConv2d块同样采用堆叠方式构造，包括convtranspose2d反卷积层，核大小为(3,3)，步距使用(2,2)，(1，1)交替，填充大小为(1,1)，输出填充大小为(1,1)。GroupNorm在图像通道方向分为组，然后每个组内做归一化；LeakyRelu为激活函数。步骤1、2、3是专利核心内容；强调对土壤含水量这样的时空序列，通过重新尝试用卷积神经网络(CNN)来替代循环神经网络(RNN)结构中常见的(RNN)结构，从而实现又快又好的预测；
步骤4：将步骤3预测的土壤含水量数据与相对时间前一周的土壤含水量数据进行Sen斜率估计；
步骤5：将步骤4的结果通过Mann—Kendall方法判断变化趋势显著性，从而进行干旱预警。
2.如权利要求1所述方法，其特征在于，步骤4中以预测的土壤含水量数据进行Sen斜率估计。
3.如权利要求1所述方法，其特征在于，将步骤4的结果通过Mann—Kendall方法判断变化趋势显著性，从而进行干旱预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311236661.XA CN117290814A (zh) | 2023-09-22 | 2023-09-22 | 一种基于土壤水分的逐日农业干旱预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311236661.XA CN117290814A (zh) | 2023-09-22 | 2023-09-22 | 一种基于土壤水分的逐日农业干旱预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117290814A true CN117290814A (zh) | 2023-12-26 |
Family
ID=89258191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311236661.XA Pending CN117290814A (zh) | 2023-09-22 | 2023-09-22 | 一种基于土壤水分的逐日农业干旱预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117290814A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784290A (zh) * | 2024-02-26 | 2024-03-29 | 南京信息工程大学 | 一种基于贝叶斯神经网络的骤旱预警方法及系统 |
-
2023
- 2023-09-22 CN CN202311236661.XA patent/CN117290814A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784290A (zh) * | 2024-02-26 | 2024-03-29 | 南京信息工程大学 | 一种基于贝叶斯神经网络的骤旱预警方法及系统 |
| CN117784290B (zh) * | 2024-02-26 | 2024-05-14 | 南京信息工程大学 | 一种基于贝叶斯神经网络的骤旱预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113537177B (zh) | 一种基于视觉Transformer的洪涝灾害监测与灾情分析方法 | |
| CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
| CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
| CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
| Trebing et al. | Wind speed prediction using multidimensional convolutional neural networks | |
| CN117290814A (zh) | 一种基于土壤水分的逐日农业干旱预警方法 | |
| Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
| CN113808396B (zh) | 基于交通流量数据融合的交通速度预测方法和系统 | |
| CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
| CN115795351B (zh) | 一种基于残差网络和2d特征表示的电梯大数据风险预警方法 | |
| CN116434069A (zh) | 一种基于局部-全局Transformer网络的遥感图像变化检测方法 | |
| CN110909615A (zh) | 基于多尺度输入混合感知神经网络的目标检测方法 | |
| CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN107133653A (zh) | 一种基于深度阶梯网络的高分辨sar图像分类方法 | |
| CN115792853A (zh) | 一种基于动态权重损失的雷达回波外推方法 | |
| CN112668711B (zh) | 基于深度学习的洪水流量预测方法、装置和电子设备 | |
| Song et al. | Intelligent identification method of hydrophobic grade of composite insulator based on efficient ga‐yolo former network | |
| CN117911677A (zh) | 一种基于小目标识别算法的隧道衬砌裂缝智能识别方法 | |
| CN112528557A (zh) | 基于深度学习的洪水流量预测系统和方法 | |
| CN117709488A (zh) | 基于RUN-XGBoost的大坝渗流预测方法 | |
| CN112529270A (zh) | 基于深度学习的水流量预测模型 | |
| CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
| CN117132919A (zh) | 一种多尺度高维特征分析无监督学习视频异常检测方法 | |
| CN113344005B (zh) | 一种基于优化小尺度特征的图像边缘检测方法 |
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 |