CN117610434A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN117610434A
CN117610434A CN202410082819.0A CN202410082819A CN117610434A CN 117610434 A CN117610434 A CN 117610434A CN 202410082819 A CN202410082819 A CN 202410082819A CN 117610434 A CN117610434 A CN 117610434A
Authority
CN
China
Prior art keywords
month
runoff
period
reconstruction
optimized
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
CN202410082819.0A
Other languages
English (en)
Other versions
CN117610434B (zh
Inventor
尹家波
杨远航
戴明龙
钟昕贝
徐乐
金妍岑
张谦
何难
刘汝童
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202410082819.0A priority Critical patent/CN117610434B/zh
Publication of CN117610434A publication Critical patent/CN117610434A/zh
Application granted granted Critical
Publication of CN117610434B publication Critical patent/CN117610434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了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。选定干旱指数重构区域，获取气象样本、水文样本、叶片面积指数、大尺度环流因子样本，计算饱和水汽压亏缺、比湿、湿球温度；筛选月径流关键因子、水储量关键因子，并率定多个人工智能模拟模型及月尺度多模型加权模型；将归一化植被指数数据作为输出，代入植被观测月的干旱事件过程回归模型，解算得到回归模型的参数，通过加权平均方法进行计算，得到重构期每个月的干旱指数。本发明不仅可应用于干旱风险评估和防灾减灾，还能为气候变化情景下全球及区域水资源风险评估、预警提供重要且可操作性强的参考依据。

Description

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
技术领域
本发明涉及数据预测处理技术领域，尤其涉及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。
背景技术
长系列干旱指数是流域水资源管理、生态保护、灾害风险评估以及水利工程规划设计的重要基础资料。传统的干旱指数数据主要依赖于气象水文站点观测，但是我国经济欠发达地区的站网通常密度较小且空间布设不均，难以准确反映干旱指数的时空变化特性，不能满足防灾减灾和水利工程应用需要。
近年来，卫星遥测技术和数据反演算法快速发展，基于卫星遥感反演的气象观测产品具有较宽的覆盖范围和更高的时空分辨率，有效弥补了气象站点布设不足的缺陷，并为缺资料地区提供了新的数据参考。随着人类观测手段和数据同化技术日渐成熟，学者们对多种来源（地面、船舶、无线电探空、测风气球、飞机、卫星等）的观测资料进行质量控制，提出利用数值天气预报的数据同化技术来重构长期历史气候过程，即所谓的再分析数据集，它同化了数值天气预报和大量的地面观测数据与卫星遥感信息，具有时空分辨率精度高、时间跨度长等优点。同时，随着全球气候模式（Global climate models）的发展，GCMs能够提供时间序列较长的格点化气象数据，但是GCMs模式输出的数据一般存在较大的系统偏差，且空间分辨率较低，难以直接用于重构长系列干旱指数。
随着遥感技术的发展，采用气象数据反演或重构水文系列已成为一条新途径，部分学者采用卫星降水和再分析气温数据应用于流域水文模拟，从而重构长系列径流数据。但是卫星和再分析气象数据往往存在一定的偏差，国内外学者评估了反演数据集在不同气候区气象、农业和水文等领域的适用性，少量研究校正了降水气温数据集的系统偏差。但是，不同偏差校正方法存在一定差异，对径流模拟带来较大的不确定性，现有方法的模拟效果欠佳。少量研究采用人工智能模型开展气象水文模拟，尤其是用于模拟或重构干旱指数，但是现在研究较少同时考虑植被信息和大尺度环流机制对气象水文过程的综合影响，也未能融合观测数据和GCMs模拟输出，限制了长系列干旱指数重构的精度。
发明内容
针对现有技术中存在的技术问题，本发明提供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，用以解决现有技术中针对干旱指数重构没有综合考虑植被信息和全球气候模式输出的缺陷。
本发明方法的技术方案为一种融合人工智能的干旱指数重构方法，具体如下：
计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺、比湿、湿球温度；
结合重构期每个水文观测月的多个月径流关键因子通过梯度下降方法优化训练，依次得到优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，结合重构期每个卫星观测月的多个水储量关键因子通过梯度下降方法优化训练，依次得到优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机；
通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数、优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数；
通过加权计算分别得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据、水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据；
将通过加权平均计算以及筛选，得到的重构期多个植被观测月的基于陆地水储量异常的干旱强度、重构期多个植被观测月的标准化径流指数作为输入，将重构期多个植被观测月的归一化植被指数数据作为输出，代入植被观测月的干旱事件过程回归模型，通过最小二乘解算得到回归模型的参数；采用回归模型的参数和重构期多个月基于陆地水储量异常的干旱强度和重构期多个月标准化径流指数，通过加权平均方法进行计算，得到重构期每个月的干旱指数。
本发明的方法具体步骤如下：
步骤1：选定干旱指数重构区域，在干旱指数重构区域范围内获取重构期每个月每个经纬度坐标点的气象样本、水文样本、叶片面积指数、大尺度环流因子样本；
步骤2：将重构期每个月每个经纬度坐标点的气象样本的2米气温、露点温度、气压输入克劳修斯-克拉珀龙热力学方程和比湿公式，计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺、比湿、湿球温度；
步骤3：通过泰森多边形方法进行空间均值计算，得到重构期每个月的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度,通过泰森多变量进行空间均值计算,得到重构区域的陆地水储量数据、重构区域的NDVI数据；筛选历史每个水文观测月的多个月径流关键因子、历史每个卫星观测月的多个水储量关键因子；
步骤4：结合重构期每个水文观测月的多个月径流关键因子通过梯度下降方法优化训练，依次得到优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，结合重构期每个卫星观测月的多个水储量关键因子通过梯度下降方法优化训练，依次得到优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机；
步骤5：结合优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数；结合优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机，通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数；
步骤6：通过加权计算分别得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据、水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据；
步骤7：将水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构径流数据，输入标准化陆地水储量干旱指数计算公式，得到重构期每个月的基于陆地水储量异常的干旱强度；将月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构月径流数据，输入标准化径流干旱指数计算公式，得到计算重构期每个月的标准化径流指数；获取重构期多个植被观测月的归一化植被指数数据，在重构期多个月基于陆地水储量异常的干旱强度筛选得到重构期多个植被观测月的基于陆地水储量异常的干旱强度；在重构期标准化径流指数筛选得到重构期多个植被观测月的标准化径流指数；将重构期多个植被观测月的基于陆地水储量异常的干旱强度、重构期多个植被观测月的标准化径流指数作为输入，将重构期多个植被观测月的归一化植被指数数据作为输出，代入植被观测月的干旱事件过程回归模型，通过最小二乘解算得到回归模型的参数； 采用回归模型的参数和重构期多个月基于陆地水储量异常的干旱强度和重构期多个月标准化径流指数，通过加权平均方法进行计算，得到重构期每个月的干旱指数；
步骤8：重构期每个月的干旱指数用于流域干旱风险评估及防灾减灾，为水资源管理和应对气候变化提供切实参考依据。
作为优选，步骤1所述气象样本包括：2米气温、露点温度、气压、降水量、土壤湿度、水汽通量散度、云层覆盖率、气象长波辐射强度、气象短波辐射强度；
步骤1所述水文样本，包括：土壤湿度和气象径流深；
在干旱指数重构区域范围内，从谷歌地球引擎获取卫星和陆面同化技术融合的植被数据产品，得到每个经纬度坐标点的植被观测月的多个月的归一化植被指数数据；
步骤1所述在干旱指数重构区域范围内获取重构期每个月每个经纬度坐标点的大尺度环流因子样本，具体如下：
选定M6A-LR全球气候模式、GFDL-ESM4全球气候模式、MPI-ESM1-2-HR全球气候模式、MRI-ESM2-0全球气候模式、UKESM1-0-LL全球气候模式，将重构期多个月划分为历史期多个月、未来期多个月；
获取每种气候模式下历史期多个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度，将多种气候模式下历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行均值计算，得到历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；
将每种气候模式下未来期多个月每个经纬度坐标点分别采用SSP126和SSP585两种共享社会经济路径进行模拟，得到每种气候模式下未来期多个月SSP126经济路径下每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度、每种气候模式下未来期多个月SSP585经济路径下每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度，将每种气候模式下未来期多个月SSP126经济路径下每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度与每种气候模式下未来期多个月SSP585经济路径下对应的每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行平均，得到每种气候模式下未来期多个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；
将多种气候模式下未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行均值计算，得到未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；
将历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度、未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度通过月度时间拼接，得到重构期每个月每个经纬度坐标点的模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度；
在干旱指数重构区域范围内，采集流域出口断面水文测站的观测资料，得到重构期多个水文观测月的月径流数据；
在干旱指数重构区域范围内，采集重力卫星观测反演的数据，得到重构期每个经纬度坐标点的多个卫星观测月的陆地水储量；
作为优选，步骤2所述克劳修斯-克拉珀龙热力学方程，定义如下：
其中，为第一积分常数，取273.16 K，/>为第二积分常数，取611 Pa，/>为汽化潜热常数，取/>，/>为水汽气体常数，取/>，T为克劳修斯-克拉珀龙热力学方程的输入变量；
步骤2所述计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺，具体如下：
将重构期每个月每个经纬度坐标点的气象样本的2米气温、露点温度分别作为输入变量代入克劳修斯-克拉珀龙热力学方程，计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺，具体如下：
其中，表示重构期第j个月第g个经纬度坐标点的饱和水汽压亏缺，表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，/>表示重构期第j个月第g个经纬度坐标点的露点温度；
步骤2所述计算得到重构期每个月每个经纬度坐标点的比湿，具体如下：
其中，表示重构期第j个月第g个经纬度坐标点的比湿，/>表示重构期第j个月第g个经纬度坐标点的气压，/>表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，/>表示重构期第j个月第g个经纬度坐标点的露点温度；
采用气温和相对湿度推求湿球温度：
其中，表示重构期第j个月第g个经纬度坐标点的湿球温度，/>表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，atan为反正切函数，/>表示重构期第j个月第g个经纬度坐标点的近地相对湿度，/>表示重构期第j个月第g个经纬度坐标点的露点温度；
作为优选，步骤3所述通过泰森多边形方法进行空间均值计算，具体如下：
重构期每个月多个经纬度坐标点的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度、饱和水汽压亏缺、湿球温度、比湿依次通过泰森多边形方法进行空间均值计算，得到重构期每个月的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度；
步骤3所述通过泰森多变量进行空间均值计算，具体如下：
将重构期每个经纬度坐标点的多个卫星观测月的陆地水储量通过泰森多变量进行空间均值计算，得到重构区域的陆地水储量数据；
将重构期每个经纬度坐标点的多个植被观测月的NDVI指数通过泰森多变量进行空间均值计算，得到重构区域的NDVI数据；
步骤3所述筛选历史每个水文观测月的多个月径流关键因子、历史每个卫星观测月的多个水储量关键因子，具体如下：
在重构期多个月中，筛选得到重构期多个水文观测月的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度，并输入至卷积神经网络选择与历史每个水文观测月的月径流数据重要性高的历史每个水文观测月的多个月径流关键因子；
在重构期多个月中，筛选得到历史多个卫星观测月的气象样本、卫星样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度，并输入至卷积神经网络选择与历史每个卫星观测月的陆地水储量数据重要性高的历史每个卫星观测月的多个水储量关键因子；
作为优选，步骤4所述结合重构期每个水文观测月的多个月径流关键因子通过梯度下降方法优化训练，具体如下：
将重构期每个水文观测月的多个月径流关键因子作为样本输入至长短期记忆网络，得到重构期每个水文观测月的长短期记忆网络预测月径流数据，结合重构期每个水文观测月的月径流数据构建长短期记忆网络误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流长短期记忆网络；
将重构期每个水文观测月的多个月径流关键因子作为样本输入至卷积神经网络，得到重构期每个水文观测月的卷积神经网络预测月径流数据，结合重构期每个水文观测月的月径流数据构建卷积神经网络误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流卷积神经网络；
将重构期每个水文观测月的多个月径流关键因子作为样本输入至支持向量机，得到重构期每个水文观测月的支持向量机预测月径流数据，结合重构期每个水文观测月的月径流数据构建支持向量机误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流支持向量机；
步骤4所述结合重构期每个卫星观测月的多个水储量关键因子通过梯度下降方法优化训练，具体如下：
将重构期每个卫星观测月的多个水储量关键因子作为样本输入至长短期记忆网络，得到重构期每个卫星观测月的长短期记忆网络预测水储量数据，结合历史每个卫星观测月的水储量数据构建长短期记忆网络误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量长短期记忆网络；
将重构期每个卫星观测月的多个水储量关键因子作为样本输入至卷积神经网络，得到重构期每个卫星观测月的卷积神经网络预测水储量数据，结合重构期每个卫星观测月的水储量数据构建卷积神经网络误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量卷积神经网络；
将重构期每个卫星观测月的多个水储量关键因子作为样本输入至支持向量机，得到重构期每个卫星观测月的支持向量机预测水储量数据，结合重构期每个卫星观测月的水储量数据构建支持向量机误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量支持向量机；
作为优选，步骤5所述通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数，具体如下：
将重构期每个水文观测月的多个月径流关键因子作为样本分别输入优化后月径流长短期记忆网络、优化后月径流随机森林、优化后月径流支持向量机，分别得到重构期每个水文观测月的长短期记忆网络预测月径流数据、重构期每个水文观测月的卷积神经网络预测月径流数据、重构期每个水文观测月的支持向量机预测月径流数据；
将重构期每个水文观测月的长短期记忆网络预测月径流数据、重构期每个水文观测月的卷积神经网络预测月径流数据、重构期每个水文观测月的支持向量机预测月径流数据以及重构期每个水文观测月的月径流数据，输入到月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数；
步骤5所述通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数，具体如下：
将重构期每个卫星观测月的多个水储量关键因子作为样本分别输入优化后水储量长短期记忆网络、优化后水储量随机森林、优化后水储量支持向量机，分别得到重构期每个卫星观测月的长短期记忆网络预测水储量数据、重构期每个卫星观测月的卷积神经网络预测水储量数据、重构期每个卫星观测月的支持向量机预测水储量数据；
将重构期每个卫星观测月的长短期记忆网络预测水储量数据、重构期每个卫星观测月的卷积神经网络预测水储量数据、重构期每个卫星观测月的支持向量机预测水储量数据以及重构期每个卫星观测月的水储量数据，输入到月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数；
所述月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数、得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数，具体如下：
一年有1-12月，在权重推求方案中，每个月份在不同年份的权重相同，故需要分别推求1-12月的权重，并应用于整个重构期；
使组合情景的权重参数由归一化计算组合情景下的独立性权重参数和技能性权重参数得到，具体如下：
对于每一个月，月径流人工智能模型的权重参数满足：
其中，i表示步骤4建立的第i个月径流人工智能模型，表示该组合情景的权重参数；LM表示月径流人工智能模型数量，为3。
采用下式计算权重：
其中，表征第 i 个月径流人工智能模型模拟的径流与水文测站观测的径流之间的相对偏差；
对于每一个月，水储量人工智能模型的权重参数满足：
其中，i表示步骤4建立的第i个水储量人工智能模型，表示该组合情景的权重参数；LM表示月径流人工智能模型数量，为3；
采用下式计算权重：
其中，表征第i个水储量人工智能模型模拟的径流与水文测站观测的径流之间的绝对偏差；
作为优选，步骤6所述通过加权计算得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据，具体如下：
将重构期每个月的多个月径流关键因子作为样本分别输入优化后月径流长短期记忆网络、优化后月径流随机森林、优化后月径流支持向量机，结合优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数进行加权计算，得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据；
所述月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据，具计算如下：
式中：为月径流加权平均后的重构期第j个月的重构径流数据；/>为第k个月径流人工智能模型在重构期第j个月的权重；/>为第k个人工智能模型在重构期第j个月的模拟月径流，k∈[1,3]，若k=1则表示优化后月径流长短期记忆网络，若k=2则表示优化后月径流随机森林，若k=3则表示优化后月径流支持向量机；
步骤6所述通过加权计算得到水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据，具体如下：
将重构期每个月的多个水储量关键因子作为样本分别输入优化后水储量长短期记忆网络、优化后水储量随机森林、优化后水储量支持向量机，结合优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的权重参数进行加权计算，得到水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据；
所述水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据，具计算如下：
所述月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据，具计算如下：
式中：为陆地水储量加权平均后的重构期第j个月的重构陆地水储量数据；/>为第k个水储量人工智能模型在重构期第j个月的权重；/>为第k个人工智能模型在重构期第j个月的模拟陆地水储量，k∈[1,3]，若k=1则表示优化后水储量长短期记忆网络，若k=2则表示优化后水储量随机森林，若k=3则表示优化后水储量支持向量机；
作为优选，步骤7所述重构期每个月的基于陆地水储量异常的干旱强度，具体计算如下：
其中，代表重构期第j个月的基于陆地水储量异常的干旱强度，/>代表重构期第j个月的干旱强度，/>分别为重构期内第m月TWSA的均值和标准差，m=1,2…,12，根据重构期第j个月所处的日历月判断；
步骤7所述植被观测月的干旱事件过程回归模型，定义如下：
其中，为第m个干旱月份的NDVI相对于整个研究期的距平；分别表示第m个干旱月份的TWSA-DSI指数和SRI指数，其中干旱月份采用两项指数均小于-0.5判断；a、b分别表征回归模型推求得到的第一参数、第二参数；所述干旱月指TWSA-DSI和SRI均小于-0.5的月份；
步骤7所述通过加权平均方法进行计算，具体如下：
其中，表征重构期第j个月的干旱指数，/>表征重构期第j个月推求的标准化径流指数，TWSA-DSI j表示重构期第j个月推求的基于陆地水储量异常的干旱强度；a、b分别表征回归模型推求得到的第一参数、第二参数；
本发明还提供了一种计算机可读介质，所述计算机可读介质存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述融合人工智能的干旱指数重构方法的步骤。
本发明的技术效果和优点：
本发明提供的融合人工智能与大气环流机制的干旱指数重构方法及系统，通过多种人工智能模型刻画影响流域月径流的气象、水文、植被和大尺度气候信息，为气候变化情景下全球及区域水资源风险评估、预警提供重要且可操作性强的参考依据，为应对未来气候灾害、科学制定减排战略提供工程参考价值。
附图说明
图1：本发明实施例提供的方法流程图；
图2：本发明实施例提供的观测和重构的月径流系列的示意图。
具体实施方式
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，所描述的实施例仅仅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。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了融合人工智能与大气环流机制的干旱指数重构的方法，图1是本发明实施例提供的融合人工智能与大气环流机制的干旱指数重构的流程示意图，如图1所示，所述方法包括以下步骤：
步骤1：选定干旱指数重构区域，在干旱指数重构区域范围内获取重构期每个月每个经纬度坐标点的气象样本、水文样本、叶片面积指数、大尺度环流因子样本；
本实施例中，所述气象样本包括：2米气温、露点温度、气压、降水量、土壤湿度、水汽通量散度、云层覆盖率、气象长波辐射强度、气象短波辐射强度；
本实施例中，所述水文样本，包括：土壤湿度和气象径流深；
在干旱指数重构区域范围内，从谷歌地球引擎获取卫星和陆面同化技术融合的植被数据产品，得到每个经纬度坐标点的植被观测月的多个月的归一化植被指数数据；
本实施例中，所述在干旱指数重构区域范围内获取重构期每个月每个经纬度坐标点的大尺度环流因子样本，具体如下：
选定M6A-LR全球气候模式、GFDL-ESM4全球气候模式、MPI-ESM1-2-HR全球气候模式、MRI-ESM2-0全球气候模式、UKESM1-0-LL全球气候模式，将重构期多个月划分为历史期多个月、未来期多个月；
获取每种气候模式下历史期多个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度，将多种气候模式下历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行均值计算，得到历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；
将每种气候模式下未来期多个月每个经纬度坐标点分别采用SSP126和SSP585两种共享社会经济路径进行模拟，得到每种气候模式下未来期多个月SSP126经济路径下每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度、每种气候模式下未来期多个月SSP585经济路径下每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度，将每种气候模式下未来期多个月SSP126经济路径下每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度与每种气候模式下未来期多个月SSP585经济路径下对应的每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行平均，得到每种气候模式下未来期多个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；
将多种气候模式下未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行均值计算，得到未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；
将历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度、未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度通过月度时间拼接，得到重构期每个月每个经纬度坐标点的模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度；
在干旱指数重构区域范围内，采集流域出口断面水文测站的观测资料，得到重构期多个水文观测月的月径流数据；
在干旱指数重构区域范围内，采集重力卫星观测反演的数据，得到重构期每个经纬度坐标点的多个卫星观测月的陆地水储量；
首先采集1950年以来的气象、水文、植被和土地利用数据集合，包括欧洲中期天气预报中心的第五代大气再分析数据集（ERA5）再分析数据集的月尺度气象、水文、植被数据，具体包括2m气温、露点温度、气压、降水量、土壤湿度、水汽通量散度、云层覆盖率、径流深、长波辐射、短波辐射和叶片面积指数（leaf area index, LAI）。
进一步搜集全球气候模式输出的月尺度气象数据，主要包括月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射等7个变量；具体地，本实施例采用5个全球气候模式：M6A-LR, GFDL-ESM4, MPI-ESM1-2-HR, MRI-ESM2-0和UKESM1-0-LL；使用5个全球气候模式的historical（历史期）1959-2014年的模拟系列；对于2015-2022年系列，采用SSP126和SSP585两种共享社会经济路径的输出数据，并对两种路径的结果进行算术平均，从而得到1950-2022年的模拟系列；最后将5个全球气候模式输出数据进行算术平均，从而得到综合后的月尺度气象模拟数据。
进一步搜集1982-2020年干旱指数重构区域生长季月平均NDVI（NormalizedDifference Vegetation Index）数据集，该数据集是基于领域内常用遥感卫星反演的NDVI数据（空间分辨率为0.05°×0.05°，时间分辨率为1天），通过对每个月前15天和后15天的数据进行平均，然后使用最大值合成法（MVC）重构得到1982-2020年生长季（4-10月）的月平均NDVI数据。
进一步获取重力卫星提供的陆地水储量数据；本发明同时采用重力卫星处理结构最新发布的第六代（RL06）产品，这些数据源具有不同的空间分辨率，均提供基于集中质量块重力场解算的mascon月尺度等效水高（扣除掉2004~2009平均场），最终输出了长序列的TWSA数据集；为考虑不同数据产品可能造成的不确定性，将不同来源的GRACE/GRACE-FO重力卫星数据集，插值到0.25°×0.25°空间栅格，在每个时间步长内对各产品取均值，最终得到2002年4月至2022年12月的陆地水储量月数据集。
进一步获取1950-2022年的若干个大尺度环流因子，现有的大气环流因子一般根据地域相关性和气象相关性将其分为中国南海组（SCS）、大气环流指数组（AC）、厄尔尼诺相关组（EN）、西太平洋与印度洋相关组（WPIO）。中国南海组代表我国南海局部的海温指数，AC组代表大气环流指数相关的因子，EN组代表热带中太平洋和东太平洋受ENSO影响的海温指数，WPIO组代表受西太平洋和印度洋影响的相关因子。本实施例具体选用16个大尺度环流因子。
步骤2：将重构期每个月每个经纬度坐标点的气象样本的2米气温、露点温度、气压输入克劳修斯-克拉珀龙热力学方程和比湿公式，计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺、比湿、湿球温度；
所述克劳修斯-克拉珀龙热力学方程，定义如下：
其中，为第一积分常数，取273.16 K，/>为第二积分常数，取611 Pa，/>为汽化潜热常数，取/>，/>为水汽气体常数，取/>，T为克劳修斯-克拉珀龙热力学方程的输入变量；
计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺，具体如下：
将重构期每个月每个经纬度坐标点的气象样本的2米气温、露点温度分别作为输入变量代入克劳修斯-克拉珀龙热力学方程，计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺，具体如下：
其中，表示重构期第j个月第g个经纬度坐标点的饱和水汽压亏缺，表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，/>表示重构期第j个月第g个经纬度坐标点的露点温度；
所述计算得到重构期每个月每个经纬度坐标点的比湿，具体如下：
其中，表示重构期第j个月第g个经纬度坐标点的比湿，/>表示重构期第j个月第g个经纬度坐标点的气压，/>表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，/>表示重构期第j个月第g个经纬度坐标点的露点温度；
采用气温和相对湿度推求湿球温度：
其中，表示重构期第j个月第g个经纬度坐标点的湿球温度，/>表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，atan为反正切函数，/>表示重构期第j个月第g个经纬度坐标点的近地相对湿度，/>表示重构期第j个月第g个经纬度坐标点的露点温度；
步骤3：通过泰森多边形方法进行空间均值计算，得到重构期每个月的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度,通过泰森多变量进行空间均值计算,得到重构区域的陆地水储量数据、重构区域的NDVI数据；筛选历史每个水文观测月的多个月径流关键因子、历史每个卫星观测月的多个水储量关键因子；
实施例性的，所述通过泰森多边形方法进行空间均值计算，具体如下：
重构期每个月多个经纬度坐标点的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度、饱和水汽压亏缺、湿球温度、比湿依次通过泰森多边形方法进行空间均值计算，得到重构期每个月的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度；
实施例性的，所述通过泰森多变量进行空间均值计算，具体如下：
将重构期每个经纬度坐标点的多个卫星观测月的陆地水储量通过泰森多变量进行空间均值计算，得到重构区域的陆地水储量数据；
将重构期每个经纬度坐标点的多个植被观测月的NDVI指数通过泰森多变量进行空间均值计算，得到重构区域的NDVI数据；
实施例性的，所述筛选历史每个水文观测月的多个月径流关键因子、历史每个卫星观测月的多个水储量关键因子，具体如下：
在重构期多个月中，筛选得到重构期多个水文观测月的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度，并输入至卷积神经网络选择与历史每个水文观测月的月径流数据重要性高的历史每个水文观测月的多个月径流关键因子；
采用随机森林算法构建流域的各驱动因子与水文测站观测的月径流的关系模型，所述驱动因子包括ERA5再分析数据集提供的湿球温度、比湿、饱和水汽压亏缺、降水量、土壤湿度、水汽通量散度、云层覆盖率、径流深、长波辐射、短波辐射、叶片面积指数等11个气象/水文/植被因子；所述驱动因子还包括16个大尺度环流因子；所述驱动因子还包括全球气候模式模拟的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射等7个变量；共计34个驱动因子；对本实施例共有4x34=136个变量作为随机森林模型输入。
步骤4：结合重构期每个水文观测月的多个月径流关键因子通过梯度下降方法优化训练，依次得到优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，结合重构期每个卫星观测月的多个水储量关键因子通过梯度下降方法优化训练，依次得到优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机；
示例性的，所述结合重构期每个水文观测月的多个月径流关键因子通过梯度下降方法优化训练，具体如下：
将重构期每个水文观测月的多个月径流关键因子作为样本输入至长短期记忆网络，得到重构期每个水文观测月的长短期记忆网络预测月径流数据，结合重构期每个水文观测月的月径流数据构建长短期记忆网络误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流长短期记忆网络；
将重构期每个水文观测月的多个月径流关键因子作为样本输入至卷积神经网络，得到重构期每个水文观测月的卷积神经网络预测月径流数据，结合重构期每个水文观测月的月径流数据构建卷积神经网络误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流卷积神经网络；
将重构期每个水文观测月的多个月径流关键因子作为样本输入至支持向量机，得到重构期每个水文观测月的支持向量机预测月径流数据，结合重构期每个水文观测月的月径流数据构建支持向量机误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流支持向量机；
示例性的，所述结合重构期每个卫星观测月的多个水储量关键因子通过梯度下降方法优化训练，具体如下：
将重构期每个卫星观测月的多个水储量关键因子作为样本输入至长短期记忆网络，得到重构期每个卫星观测月的长短期记忆网络预测水储量数据，结合历史每个卫星观测月的水储量数据构建长短期记忆网络误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量长短期记忆网络；
将重构期每个卫星观测月的多个水储量关键因子作为样本输入至卷积神经网络，得到重构期每个卫星观测月的卷积神经网络预测水储量数据，结合重构期每个卫星观测月的水储量数据构建卷积神经网络误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量卷积神经网络；
将重构期每个卫星观测月的多个水储量关键因子作为样本输入至支持向量机，得到重构期每个卫星观测月的支持向量机预测水储量数据，结合重构期每个卫星观测月的水储量数据构建支持向量机误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量支持向量机；
步骤5：结合优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数；结合优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机，通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数；
示例性的，所述通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数，具体如下：
将重构期每个水文观测月的多个月径流关键因子作为样本分别输入优化后月径流长短期记忆网络、优化后月径流随机森林、优化后月径流支持向量机，分别得到重构期每个水文观测月的长短期记忆网络预测月径流数据、重构期每个水文观测月的卷积神经网络预测月径流数据、重构期每个水文观测月的支持向量机预测月径流数据；
将重构期每个水文观测月的长短期记忆网络预测月径流数据、重构期每个水文观测月的卷积神经网络预测月径流数据、重构期每个水文观测月的支持向量机预测月径流数据以及重构期每个水文观测月的月径流数据，输入到月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数；
示例性的，所述通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数，具体如下：
将重构期每个卫星观测月的多个水储量关键因子作为样本分别输入优化后水储量长短期记忆网络、优化后水储量随机森林、优化后水储量支持向量机，分别得到重构期每个卫星观测月的长短期记忆网络预测水储量数据、重构期每个卫星观测月的卷积神经网络预测水储量数据、重构期每个卫星观测月的支持向量机预测水储量数据；
将重构期每个卫星观测月的长短期记忆网络预测水储量数据、重构期每个卫星观测月的卷积神经网络预测水储量数据、重构期每个卫星观测月的支持向量机预测水储量数据以及重构期每个卫星观测月的水储量数据，输入到月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数；
所述月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数、得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数，具体如下：
对于每一个季节，基于多种组合情景总数和任一组合情景权重参数确定所述各组合情景权重参数之和为1；
由不同组合情景的欧几里得差值和相似度半径确定任一组合情景与其他组合情景之间相似度，基于所述任一组合情景与其他组合情景之间相似度得到独立性权重参数；
获取任一组合情景相对实际观测误差和模型质量半径，基于所述任一组合情景相对实际观测误差和所述模型质量半径得到技能性权重参数。
一年有1-12月，在权重推求方案中，每个月份在不同年份的权重相同，故需要分别推求1-12月的权重，并应用于整个重构期；
使组合情景的权重参数由归一化计算组合情景下的独立性权重参数和技能性权重参数得到，具体如下：
对于每一个月，月径流人工智能模型的权重参数满足：
其中，i表示步骤4建立的第i个月径流人工智能模型，表示该组合情景的权重参数；LM表示月径流人工智能模型数量，为3。
采用下式计算权重：
其中，表征第 i 个月径流人工智能模型模拟的径流与水文测站观测的径流之间的相对偏差；
对于每一个月，水储量人工智能模型的权重参数满足：
其中，i表示步骤4建立的第i个水储量人工智能模型，表示该组合情景的权重参数；LM表示月径流人工智能模型数量，为3；
采用下式计算权重：
其中，表征第i个水储量人工智能模型模拟的径流与水文测站观测的径流之间的绝对偏差；
步骤6：通过加权计算分别得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据、水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据；
基于步骤4优选的关键因子，采用1950年以来的长系列数据集驱动步骤5建立的3个人工智能模型，得到长系列月径流的重构数据集；进一步考虑所述季节性贝叶斯模型得到的权重参数，生成一套1950年以来的长系列月径流重构数据集。
示例性的，所述通过加权计算得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据，具体如下：
将重构期每个月的多个月径流关键因子作为样本分别输入优化后月径流长短期记忆网络、优化后月径流随机森林、优化后月径流支持向量机，结合优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数进行加权计算，得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据；
所述月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据，具计算如下：
式中：为月径流加权平均后的重构期第j个月的重构径流数据；/>为第k个月径流人工智能模型在重构期第j个月的权重；/>为第k个人工智能模型在重构期第j个月的模拟月径流，k∈[1,3]，若k=1则表示优化后月径流长短期记忆网络，若k=2则表示优化后月径流随机森林，若k=3则表示优化后月径流支持向量机；
示例性的，所述通过加权计算得到水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据，具体如下：
将重构期每个月的多个水储量关键因子作为样本分别输入优化后水储量长短期记忆网络、优化后水储量随机森林、优化后水储量支持向量机，结合优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的权重参数进行加权计算，得到水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据；
所述水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据，具计算如下：
所述月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据，具计算如下：
式中：为陆地水储量加权平均后的重构期第j个月的重构陆地水储量数据；/>为第k个水储量人工智能模型在重构期第j个月的权重；/>为第k个人工智能模型在重构期第j个月的模拟陆地水储量，k∈[1,3]，若k=1则表示优化后水储量长短期记忆网络，若k=2则表示优化后水储量随机森林，若k=3则表示优化后水储量支持向量机；
如图2所示，展示了水文站观测的月径流和本发明重构的长系列月径流过程的示意图。图中实线表征站点观测系列，该系列资料比较短；虚线表征本发明的模拟系列，能够提供长系列月径流。
类似上述方法，采用1950年以来的长系列数据集驱动步骤500建立的8个人工智能模型，得到长系列陆地水储量的重构数据集；进一步考虑所述季节性贝叶斯模型得到的权重参数，生成一套1950年以来的长系列陆地水储量重构数据集。
步骤7：将水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构径流数据，输入标准化陆地水储量干旱指数计算公式，得到重构期每个月的基于陆地水储量异常的干旱强度；将月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构月径流数据，输入标准化径流干旱指数计算公式，得到计算重构期每个月的标准化径流指数；获取重构期多个植被观测月的归一化植被指数数据，在重构期多个月基于陆地水储量异常的干旱强度筛选得到重构期多个植被观测月的基于陆地水储量异常的干旱强度；在重构期标准化径流指数筛选得到重构期多个植被观测月的标准化径流指数；将重构期多个植被观测月的基于陆地水储量异常的干旱强度、重构期多个植被观测月的标准化径流指数作为输入，将重构期多个植被观测月的归一化植被指数数据作为输出，代入植被观测月的干旱事件过程回归模型，通过最小二乘解算得到回归模型的参数； 采用回归模型的参数和重构期多个月基于陆地水储量异常的干旱强度和重构期多个月标准化径流指数，通过加权平均方法进行计算，得到重构期每个月的干旱指数；
示例性的，步骤7所述重构期每个月的基于陆地水储量异常的干旱强度，具体计算如下：
其中，代表重构期第j个月的基于陆地水储量异常的干旱强度，/>代表重构期第j个月的干旱强度，/>分别为重构期内第m月TWSA的均值和标准差，m=1,2…,12，根据重构期第j个月所处的日历月判断；
本实施例选取1950~2022年长系列计算TWSA的各月均值和标准差，并基于TWSA-DSI指数将陆地干湿强度划分为不同等级。比如，某些流域主要关注这两类干旱事件：中-重度干旱和极端-特大干旱/>。
基于本实施例重构的月径流数据，采用现有方法计算得到1950-2022年的长系列标准化径流指数（SRI）数据集。
基于上述重构的TWSA-DSI指数和SRI指数，建立与1982-2020年期间生两套指数在干旱月份与NDVI指数的线性回归关系；
步骤7所述植被观测月的干旱事件过程回归模型，定义如下：
其中，为第m个干旱月份的NDVI相对于整个研究期的距平；分别表示第m个干旱月份的TWSA-DSI指数和SRI指数，其中干旱月份采用两项指数均小于-0.5判断；a、b分别表征回归模型推求得到的第一参数、第二参数；所述干旱月指TWSA-DSI和SRI均小于-0.5的月份；
步骤7所述通过加权平均方法进行计算，具体如下：
其中，表征重构期第j个月的干旱指数，/>表征重构期第j个月推求的标准化径流指数，TWSA-DSI j表示重构期第j个月推求的基于陆地水储量异常的干旱强度；a、b分别表征回归模型推求得到的第一参数、第二参数；
得到1950-2022年的长系列干旱指数；
最后，采用表1分析干旱等级
表1：干旱等级分类表
本发明的具体实施例还提供了一种计算机可读介质。
所述计算机可读介质为服务器工作站；
所述服务器工作站存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行本发明实施例的融合人工智能的干旱指数重构方法的步骤。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (10)

1.一种融合人工智能的干旱指数重构方法，其特征在于：
计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺、比湿、湿球温度；
结合重构期每个水文观测月的多个月径流关键因子通过梯度下降方法优化训练，依次得到优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，结合重构期每个卫星观测月的多个水储量关键因子通过梯度下降方法优化训练，依次得到优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机；
通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数、优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数；
通过加权计算分别得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据、水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据；
将通过加权平均计算以及筛选，得到的重构期多个植被观测月的基于陆地水储量异常的干旱强度、重构期多个植被观测月的标准化径流指数作为输入，将重构期多个植被观测月的归一化植被指数数据作为输出，代入植被观测月的干旱事件过程回归模型，通过最小二乘解算得到回归模型的参数；采用回归模型的参数和重构期多个月基于陆地水储量异常的干旱强度和重构期多个月标准化径流指数，通过加权平均方法进行计算，得到重构期每个月的干旱指数。
2.根据权利要求1所述的融合人工智能的干旱指数重构方法，其特征在于，包括以下步骤：
步骤1：选定干旱指数重构区域，在干旱指数重构区域范围内获取重构期每个月每个经纬度坐标点的气象样本、水文样本、叶片面积指数、大尺度环流因子样本；
步骤2：将重构期每个月每个经纬度坐标点的气象样本的2米气温、露点温度、气压输入克劳修斯-克拉珀龙热力学方程和比湿公式，计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺、比湿、湿球温度；
步骤3：通过泰森多边形方法进行空间均值计算，得到重构期每个月的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度,通过泰森多变量进行空间均值计算,得到重构区域的陆地水储量数据、重构区域的NDVI数据；筛选历史每个水文观测月的多个月径流关键因子、历史每个卫星观测月的多个水储量关键因子；
步骤4：结合重构期每个水文观测月的多个月径流关键因子通过梯度下降方法优化训练，依次得到优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，结合重构期每个卫星观测月的多个水储量关键因子通过梯度下降方法优化训练，依次得到优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机；
步骤5：结合优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数；结合优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机，通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数；
步骤6：通过加权计算分别得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据、水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据；
步骤7：将水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构径流数据，输入标准化陆地水储量干旱指数计算公式，得到重构期每个月的基于陆地水储量异常的干旱强度；将月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构月径流数据，输入标准化径流干旱指数计算公式，得到计算重构期每个月的标准化径流指数；获取重构期多个植被观测月的归一化植被指数数据，在重构期多个月基于陆地水储量异常的干旱强度筛选得到重构期多个植被观测月的基于陆地水储量异常的干旱强度；在重构期标准化径流指数筛选得到重构期多个植被观测月的标准化径流指数；将重构期多个植被观测月的基于陆地水储量异常的干旱强度、重构期多个植被观测月的标准化径流指数作为输入，将重构期多个植被观测月的归一化植被指数数据作为输出，代入植被观测月的干旱事件过程回归模型，通过最小二乘解算得到回归模型的参数； 采用回归模型的参数和重构期多个月基于陆地水储量异常的干旱强度和重构期多个月标准化径流指数，通过加权平均方法进行计算，得到重构期每个月的干旱指数；
步骤8：重构期每个月的干旱指数用于流域干旱风险评估及防灾减灾，为水资源管理和应对气候变化提供切实参考依据。
3.根据权利要求2所述的融合人工智能的干旱指数重构方法，其特征在于：
步骤1所述气象样本包括：2米气温、露点温度、气压、降水量、土壤湿度、水汽通量散度、云层覆盖率、气象长波辐射强度、气象短波辐射强度；
步骤1所述水文样本，包括：土壤湿度和气象径流深；
在干旱指数重构区域范围内，从谷歌地球引擎获取卫星和陆面同化技术融合的植被数据产品，得到每个经纬度坐标点的植被观测月的多个月的归一化植被指数数据；
步骤1所述在干旱指数重构区域范围内获取重构期每个月每个经纬度坐标点的大尺度环流因子样本，具体如下：
选定M6A-LR全球气候模式、GFDL-ESM4全球气候模式、MPI-ESM1-2-HR全球气候模式、MRI-ESM2-0全球气候模式、UKESM1-0-LL全球气候模式，将重构期多个月划分为历史期多个月、未来期多个月；
获取每种气候模式下历史期多个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度，将多种气候模式下历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行均值计算，得到历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；
将每种气候模式下未来期多个月每个经纬度坐标点分别采用SSP126和SSP585两种共享社会经济路径进行模拟，得到每种气候模式下未来期多个月SSP126经济路径下每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度、每种气候模式下未来期多个月SSP585经济路径下每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度，将每种气候模式下未来期多个月SSP126经济路径下每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度与每种气候模式下未来期多个月SSP585经济路径下对应的每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行平均，得到每种气候模式下未来期多个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；
将多种气候模式下未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行均值计算，得到未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；
将历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度、未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度通过月度时间拼接，得到重构期每个月每个经纬度坐标点的模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度；
在干旱指数重构区域范围内，采集流域出口断面水文测站的观测资料，得到重构期多个水文观测月的月径流数据；
在干旱指数重构区域范围内，采集重力卫星观测反演的数据，得到重构期每个经纬度坐标点的多个卫星观测月的陆地水储量。
4.根据权利要求3所述的融合人工智能的干旱指数重构方法，其特征在于：
步骤2所述克劳修斯-克拉珀龙热力学方程，定义如下：
其中，为第一积分常数，取273.16 K，/>为第二积分常数，取611 Pa，/>为汽化潜热常数，取/>，/>为水汽气体常数，取/>，T为克劳修斯-克拉珀龙热力学方程的输入变量；
步骤2所述计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺，具体如下：
将重构期每个月每个经纬度坐标点的气象样本的2米气温、露点温度分别作为输入变量代入克劳修斯-克拉珀龙热力学方程，计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺，具体如下：
其中，表示重构期第j个月第g个经纬度坐标点的饱和水汽压亏缺，/>表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，/>表示重构期第j个月第g个经纬度坐标点的露点温度；
步骤2所述计算得到重构期每个月每个经纬度坐标点的比湿，具体如下：
其中，表示重构期第j个月第g个经纬度坐标点的比湿，/>表示重构期第j个月第g个经纬度坐标点的气压，/>表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，/>表示重构期第j个月第g个经纬度坐标点的露点温度；
采用气温和相对湿度推求湿球温度：
其中，表示重构期第j个月第g个经纬度坐标点的湿球温度，/>表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，atan为反正切函数，/>表示重构期第j个月第g个经纬度坐标点的近地相对湿度，/>表示重构期第j个月第g个经纬度坐标点的露点温度。
5.根据权利要求4所述的融合人工智能的干旱指数重构方法，其特征在于：
步骤3所述通过泰森多边形方法进行空间均值计算，具体如下：
重构期每个月多个经纬度坐标点的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度、饱和水汽压亏缺、湿球温度、比湿依次通过泰森多边形方法进行空间均值计算，得到重构期每个月的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度；
步骤3所述通过泰森多变量进行空间均值计算，具体如下：
将重构期每个经纬度坐标点的多个卫星观测月的陆地水储量通过泰森多变量进行空间均值计算，得到重构区域的陆地水储量数据；
将重构期每个经纬度坐标点的多个植被观测月的NDVI指数通过泰森多变量进行空间均值计算，得到重构区域的NDVI数据；
步骤3所述筛选历史每个水文观测月的多个月径流关键因子、历史每个卫星观测月的多个水储量关键因子，具体如下：
在重构期多个月中，筛选得到重构期多个水文观测月的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度，并输入至卷积神经网络选择与历史每个水文观测月的月径流数据重要性高的历史每个水文观测月的多个月径流关键因子；
在重构期多个月中，筛选得到历史多个卫星观测月的气象样本、卫星样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度，并输入至卷积神经网络选择与历史每个卫星观测月的陆地水储量数据重要性高的历史每个卫星观测月的多个水储量关键因子。
6.根据权利要求5所述的融合人工智能的干旱指数重构方法，其特征在于：
步骤4所述结合重构期每个水文观测月的多个月径流关键因子通过梯度下降方法优化训练，具体如下：
将重构期每个水文观测月的多个月径流关键因子作为样本输入至长短期记忆网络，得到重构期每个水文观测月的长短期记忆网络预测月径流数据，结合重构期每个水文观测月的月径流数据构建长短期记忆网络误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流长短期记忆网络；
将重构期每个水文观测月的多个月径流关键因子作为样本输入至卷积神经网络，得到重构期每个水文观测月的卷积神经网络预测月径流数据，结合重构期每个水文观测月的月径流数据构建卷积神经网络误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流卷积神经网络；
将重构期每个水文观测月的多个月径流关键因子作为样本输入至支持向量机，得到重构期每个水文观测月的支持向量机预测月径流数据，结合重构期每个水文观测月的月径流数据构建支持向量机误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流支持向量机；
步骤4所述结合重构期每个卫星观测月的多个水储量关键因子通过梯度下降方法优化训练，具体如下：
将重构期每个卫星观测月的多个水储量关键因子作为样本输入至长短期记忆网络，得到重构期每个卫星观测月的长短期记忆网络预测水储量数据，结合历史每个卫星观测月的水储量数据构建长短期记忆网络误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量长短期记忆网络；
将重构期每个卫星观测月的多个水储量关键因子作为样本输入至卷积神经网络，得到重构期每个卫星观测月的卷积神经网络预测水储量数据，结合重构期每个卫星观测月的水储量数据构建卷积神经网络误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量卷积神经网络；
将重构期每个卫星观测月的多个水储量关键因子作为样本输入至支持向量机，得到重构期每个卫星观测月的支持向量机预测水储量数据，结合重构期每个卫星观测月的水储量数据构建支持向量机误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量支持向量机。
7.根据权利要求6所述的融合人工智能的干旱指数重构方法，其特征在于：
步骤5所述通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数，具体如下：
将重构期每个水文观测月的多个月径流关键因子作为样本分别输入优化后月径流长短期记忆网络、优化后月径流随机森林、优化后月径流支持向量机，分别得到重构期每个水文观测月的长短期记忆网络预测月径流数据、重构期每个水文观测月的卷积神经网络预测月径流数据、重构期每个水文观测月的支持向量机预测月径流数据；
将重构期每个水文观测月的长短期记忆网络预测月径流数据、重构期每个水文观测月的卷积神经网络预测月径流数据、重构期每个水文观测月的支持向量机预测月径流数据以及重构期每个水文观测月的月径流数据，输入到月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数；
步骤5所述通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数，具体如下：
将重构期每个卫星观测月的多个水储量关键因子作为样本分别输入优化后水储量长短期记忆网络、优化后水储量随机森林、优化后水储量支持向量机，分别得到重构期每个卫星观测月的长短期记忆网络预测水储量数据、重构期每个卫星观测月的卷积神经网络预测水储量数据、重构期每个卫星观测月的支持向量机预测水储量数据；
将重构期每个卫星观测月的长短期记忆网络预测水储量数据、重构期每个卫星观测月的卷积神经网络预测水储量数据、重构期每个卫星观测月的支持向量机预测水储量数据以及重构期每个卫星观测月的水储量数据，输入到月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数；
所述月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数、得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数，具体如下：
一年有1-12月，在权重推求方案中，每个月份在不同年份的权重相同，故需要分别推求1-12月的权重，并应用于整个重构期；
使组合情景的权重参数由归一化计算组合情景下的独立性权重参数和技能性权重参数得到，具体如下：
对于每一个月，月径流人工智能模型的权重参数满足：
其中，i表示步骤4建立的第i个月径流人工智能模型，表示该组合情景的权重参数；LM表示月径流人工智能模型数量，为3；
采用下式计算权重：
其中，表征第 i 个月径流人工智能模型模拟的径流与水文测站观测的径流之间的相对偏差；
对于每一个月，水储量人工智能模型的权重参数满足：
其中，i表示步骤4建立的第i个水储量人工智能模型，表示该组合情景的权重参数；LM表示月径流人工智能模型数量，为3；
采用下式计算权重：
其中，表征第i个水储量人工智能模型模拟的径流与水文测站观测的径流之间的绝对偏差。
8.根据权利要求7所述的融合人工智能的干旱指数重构方法，其特征在于：
步骤6所述通过加权计算得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据，具体如下：
将重构期每个月的多个月径流关键因子作为样本分别输入优化后月径流长短期记忆网络、优化后月径流随机森林、优化后月径流支持向量机，结合优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数进行加权计算，得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据；
所述月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据，具计算如下：
式中：为月径流加权平均后的重构期第j个月的重构径流数据；/>为第k个月径流人工智能模型在重构期第j个月的权重；/>为第k个人工智能模型在重构期第j个月的模拟月径流，k∈[1,3]，若k=1则表示优化后月径流长短期记忆网络，若k=2则表示优化后月径流随机森林，若k=3则表示优化后月径流支持向量机；
步骤6所述通过加权计算得到水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据，具体如下：
将重构期每个月的多个水储量关键因子作为样本分别输入优化后水储量长短期记忆网络、优化后水储量随机森林、优化后水储量支持向量机，结合优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的权重参数进行加权计算，得到水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据；
所述水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据，具计算如下：
所述月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据，具计算如下：
式中：为陆地水储量加权平均后的重构期第j个月的重构陆地水储量数据；为第k个水储量人工智能模型在重构期第j个月的权重；/>为第k个人工智能模型在重构期第j个月的模拟陆地水储量，k∈[1,3]，若k=1则表示优化后水储量长短期记忆网络，若k=2则表示优化后水储量随机森林，若k=3则表示优化后水储量支持向量机。
9.根据权利要求8所述的融合人工智能的干旱指数重构方法，其特征在于：
步骤7所述重构期每个月的基于陆地水储量异常的干旱强度，具体计算如下：
其中，代表重构期第j个月的基于陆地水储量异常的干旱强度，/>代表重构期第j个月的干旱强度，/>分别为重构期内第m月TWSA的均值和标准差，m=1,2…,12，根据重构期第j个月所处的日历月判断；
步骤7所述植被观测月的干旱事件过程回归模型，定义如下：
其中，为第m个干旱月份的NDVI相对于整个研究期的距平；/>分别表示第m个干旱月份的TWSA-DSI指数和SRI指数，其中干旱月份采用两项指数均小于-0.5判断；a、b分别表征回归模型推求得到的第一参数、第二参数；所述干旱月指TWSA-DSI和SRI均小于-0.5的月份；
步骤7所述通过加权平均方法进行计算，具体如下：
其中，表征重构期第j个月的干旱指数，/>表征重构期第j个月推求的标准化径流指数，TWSA-DSI j表示重构期第j个月推求的基于陆地水储量异常的干旱强度；a、b分别表征回归模型推求得到的第一参数、第二参数。
10.一种计算机可读介质，其特征在于，其存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行如权利要求1-9任一项所述方法的步骤。
CN202410082819.0A 2024-01-19 2024-01-19 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 Active CN117610434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410082819.0A CN117610434B (zh) 2024-01-19 2024-01-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410082819.0A CN117610434B (zh) 2024-01-19 2024-01-19 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

Publications (2)

Publication Number Publication Date
CN117610434A true CN117610434A (zh) 2024-02-27
CN117610434B CN117610434B (zh) 2024-04-16

Family

ID=89956443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410082819.0A Active CN117610434B (zh) 2024-01-19 2024-01-19 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

Country Status (1)

Country Link
CN (1) CN117610434B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678885A (zh) * 2013-11-22 2014-03-26 河海大学 一种基于重力卫星的干旱指数构建及分析方法
US20140343855A1 (en) * 2013-05-15 2014-11-20 The Regents Of The University Of California Drought Monitoring and Prediction Tools
CN111797129A (zh) * 2020-06-01 2020-10-20 武汉大学 一种气候变化情景下水文旱情评估方法
CN115373047A (zh) * 2022-03-22 2022-11-22 华中师范大学 一种协同多源遥感参量的综合遥感干旱监测方法
CN116451879A (zh) * 2023-06-16 2023-07-18 武汉大学 一种干旱风险预测方法、系统及电子设备
CN116579224A (zh) * 2023-01-03 2023-08-11 辽宁工程技术大学 基于变量筛选重构模型提高陆地水储量重构准确性方法
CN116805439A (zh) * 2023-06-27 2023-09-26 武汉大学 一种基于人工智能和大气环流机制的干旱预报方法及系统
KR102588573B1 (ko) * 2023-04-04 2023-10-16 대한민국 위성영상을 이용한 가뭄 분석방법
KR20230164782A (ko) * 2022-05-25 2023-12-05 고려대학교 산학협력단 가뭄진단예측 방법 및 그 시스템

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140343855A1 (en) * 2013-05-15 2014-11-20 The Regents Of The University Of California Drought Monitoring and Prediction Tools
CN103678885A (zh) * 2013-11-22 2014-03-26 河海大学 一种基于重力卫星的干旱指数构建及分析方法
CN111797129A (zh) * 2020-06-01 2020-10-20 武汉大学 一种气候变化情景下水文旱情评估方法
CN115373047A (zh) * 2022-03-22 2022-11-22 华中师范大学 一种协同多源遥感参量的综合遥感干旱监测方法
KR20230164782A (ko) * 2022-05-25 2023-12-05 고려대학교 산학협력단 가뭄진단예측 방법 및 그 시스템
CN116579224A (zh) * 2023-01-03 2023-08-11 辽宁工程技术大学 基于变量筛选重构模型提高陆地水储量重构准确性方法
KR102588573B1 (ko) * 2023-04-04 2023-10-16 대한민국 위성영상을 이용한 가뭄 분석방법
CN116451879A (zh) * 2023-06-16 2023-07-18 武汉大学 一种干旱风险预测方法、系统及电子设备
CN116805439A (zh) * 2023-06-27 2023-09-26 武汉大学 一种基于人工智能和大气环流机制的干旱预报方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SOOJUN KIM ET AL: "Evaluation of Drought Severity with a Bayesian Network Analysis of Multiple Drought Indices", JOURNAL OF WATER RESOURCES PLANNING AND MANAGEMENT, vol. 144, no. 1, 31 January 2018 (2018-01-31), pages 1 - 10 *
YUANHANG YANG ET AL: "Quantifying the drivers of terrestrial drought and water stress impacts on carbon uptake in China", AGRICULTURAL AND FOREST METEOROLOGY, vol. 344, 17 November 2023 (2023-11-17), pages 1 - 18 *
尹家波等: "基于陆地水储量异常预估中国干旱及其社会经济暴露度", 中国科学: 地球科学, vol. 52, no. 10, 31 October 2022 (2022-10-31), pages 2061 - 2076 *
王文;王鹏;崔巍;: "长江流域陆地水储量与多源水文数据对比分析", 水科学进展, no. 06, 31 December 2015 (2015-12-31), pages 4 - 13 *
王晓燕: "基于3种机器学习法的黄土高原农业干旱监测比较研究", 中国优秀硕士学位论文全文数据库 基础科学辑, no. 2, 15 February 2023 (2023-02-15), pages 3 - 4 *

Also Published As

Publication number Publication date
CN117610434B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
Solaiman et al. Development of probability based intensity-duration-frequency curves under climate change
He et al. Alternative future analysis for assessing the potential impact of climate change on urban landscape dynamics
Bonan et al. An ensemble square root filter for the joint assimilation of surface soil moisture and leaf area index within the Land Data Assimilation System LDAS-Monde: application over the Euro-Mediterranean region
Mitra et al. Daily rainfall for the Indian monsoon region from merged satellite and rain gauge values: Large-scale analysis from real-time data
CN115630567A (zh) 一种海岸带土壤有机碳储量模拟及预测方法
Vitt et al. Restoration and reclamation of boreal ecosystems: attaining sustainable development
Lian et al. Sensitivity to the sources of uncertainties in the modeling of atmospheric CO 2 concentration within and in the vicinity of Paris
Alerskans et al. A transformer neural network for predicting near‐surface temperature
CN116050163A (zh) 一种基于气象站的生态系统碳水通量计算方法及系统
CN117493475A (zh) 一种基于机器学习重构缺资料地区月径流的方法及系统
CN117493476A (zh) 一种融合物理机制和人工智能的径流回溯模拟方法及系统
Yin et al. GTWS-MLrec: global terrestrial water storage reconstruction by machine learning from 1940 to present
Khachoo et al. Machine Learning for Quantification of Land Transitions in Italy between 2000 and 2018 and Prediction for 2050
Ezenne et al. An overview of uncertainties in evapotranspiration estimation techniques
Ohunakin et al. Solar radiation variability in Nigeria based on multiyear RegCM3 simulations
CN117973625A (zh) 一种基于多源遥感数据的工业产值预测方法、设备及介质
CN117610434B (zh) 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
Gusev et al. Scenario prediction of changes in water balance components in the Lena Basin in the context of possible climate changes
Abbasnia Climatic characteristics of heat waves under climate change: a case study of mid-latitudes, Iran
Kheradmand et al. Prediction of the CO2 emission across grassland and cropland using tower-based eddy covariance flux measurements: a machine learning approach
Xu Addressing uncertainty in understanding hydroclimate, hydrology and hydraulics across scales
MDE et al. Sensitivity testing of WRF physics parameterizations for meteorological modeling and protocol in support of regional SIP air quality modeling in the OTR
Foreback et al. A new implementation of FLEXPART with Enviro-HIRLAM meteorological input, and a case study during a heavy air pollution event
Kondo et al. State of science in carbon budget assessments for temperate forests and grasslands
Kauria et al. Developing a Global Location Optimization Model for Utility-Scale Solar Power Plants

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