[发明专利]基于深度学习的干旱指数监测方法及系统

权利要求书

1.一种基于深度学习的干旱指数监测方法，其特征在于，包括：

获取监测站点的观测数据，并基于所述观测数据获取对应的各参数信息，所述参数信息包括与所述观测数据对应的标准化降水指数SPI；

对所述各参数信息分别进行数据处理，获取与所述各参数信息分别对应的预处理数据；

对所述预处理数据以及与所述观测数据对应的辅助数据进行数据融合，并基于融合后的数据构建数据集；其中，所述数据集包括训练集和测试集；

基于所述训练集和所述测试集训练并测试深度神经网络模型，直至所述深度神经网络模型收敛在预设范围内，形成干旱指数监测模型；

基于所述干旱指数监测模型对待检测区域的干旱指数进行监测；

其中，所述标准化降水指数SPI的获取过程包括：

基于所述观测数据获取预设时间段内降水量的Г分布的概率密度函数；

基于所述概率密度函数获取所述标准化降水指数SPI；

其中，所述概率密度函数的公式表示为：

其中，，随机变量x表示所述观测数据中的降水量，β＞0，γ＞0，分别表示所述概率密度函数的尺度和形状参数，β和γ采用极大似然 估计算法获取，所述β和γ的公式表示为：

其中，，x_i表示降水量的资料样本，表示降水量的预设年限的平均值，n表示所述监测站点的个数。

2.如权利要求1所述的基于深度学习的干旱指数监测方法，其特征在于，所述降水量小于预设值的Г分布的概率表达公式为：

对所述Г分布的概率进行正态标准化处理的公式表示为：

求解得：

其中，，P表示降水量小于预设值的概率，Z表示所述标准化降水指数SPI，当P＞0.5时，P=1.0-P，S=1；当P≤0.5时，S=-1，c和d表示实验获取的经验参数。

3. 如权利要求2所述的基于深度学习的干旱指数监测方法，其特征在于，基于所述概率密度函数获取所述标准化降水指数SPI的过程包括：

基于所述概率密度函数确定所述降水量小于预设值的Г分布的概率；

对所述Г分布的概率进行正态标准化处理，获取所述标准化降水指数SPI。

4.如权利要求1所述的基于深度学习的干旱指数监测方法，其特征在于，

所述参数信息还包括土壤有效含水量AWC、自校正帕默尔指数PDSI和平均季节绿度百分比PASG；

所述辅助数据包括生长季开始的异常值SOSA、全球土地覆盖数据NLCD和农业灌溉百分比数据IA。

5. 如权利要求4所述的基于深度学习的干旱指数监测方法，其特征在于，

所述土壤有效含水量AWC的获取公式表示为：

其中，W_FC表示田间持水量，W_PWP表示永久萎蔫点的重量含水量，Z表示深度，Z_r表示作物根的生长的深度，ρb表示容重，ρw表示水的密度。

6.如权利要求4所述的基于深度学习的干旱指数监测方法，其特征在于，

所述自校正帕默尔指数PDSI的获取过程包括：

基于所述观测数据获取与所述监测站点对应的气候适宜降水量；

根据所述气候适宜降水量和实际降水量，获取水分亏缺量；

对所述水分亏缺量进行气候修正处理，获取与所述水分亏缺量对应的水分亏缺指数；

对所述水分亏缺指数进行持续时间因子处理，获取所述自校正帕默尔指数PDSI。