[发明专利]基于深度学习的干旱指数监测方法及系统

说明书

本发明提供一种基于深度学习的干旱指数监测方法及系统，其中的方法包括：获取监测站点的观测数据，并基于观测数据获取对应的各参数信息；对各参数信息分别进行数据处理，获取与各参数信息分别对应的预处理数据；对预处理数据以及与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，数据集包括训练集和测试集；基于训练集和测试集训练并测试深度神经网络模型，直至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；基于干旱指数监测模型对待检测区域的干旱指数进行监测。利用上述发明能够更加综合、全面的识别旱情，提高旱情监测的准确性。

技术领域

本发明涉及干旱监测技术领域，更为具体地，涉及一种基于深度学习的干旱指数监测方法及系统。

背景技术

干旱具有频率高、持续时间长、影响范围广等特点，可对水资源、土地资源以及人民的生活造成潜在的影响，对国民经济尤其是农业生产造成严重影响，是我国和全球最大的自然灾害之一，引起各国政府、科研人员的重视，能否及时、准确地监测旱情对于抗旱准备和减少旱情风险是至关重要的。

目前，为监测、评估以及研究干旱的发生及发展，国内外学者提出了各种各样的干旱指数。其中，植被干旱响应指数（VegDRIthe vegetation drought response index ）结合了传统的基于气候和卫星的方法来评估植被条件，为评估干旱从地方到区域的影响提供了新的见解。

但是，传统的旱情监测是用测量土壤含水量来监测干旱的程度及范围，该方法虽然简单，但代表性差，无法实现对大范围干旱灾害的动态监测；为此，需要一种更加综合、全面的干旱监测方法，以提高旱情监测的准确性。

发明内容

鉴于上述问题，本发明的目的是提供一种基于深度学习的干旱指数监测方法及系统，以解决目前旱情监测存在的代表性差、无法实现对大范围干旱灾害的动态监测等问题。

本发明提供的基于深度学习的干旱指数监测方法，包括：获取监测站点的观测数据，并基于观测数据获取对应的各参数信息；对各参数信息分别进行数据处理，获取与各参数信息分别对应的预处理数据；对预处理数据以及与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，数据集包括训练集和测试集；基于训练集和测试集训练并测试深度神经网络模型，直至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；基于干旱指数监测模型对待检测区域的干旱指数进行监测。

此外，优选的技术方案是，参数信息包括与观测数据对应的标准化降水指数SPI、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；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。

此外，优选的技术方案是，标准化降水指数SPI的获取过程包括：基于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；基于概率密度函数确定降水量小于预设值的Г分布的概率；对Г分布的概率进行正态标准化处理，获取标准化降水指数SPI。

此外，优选的技术方案是，其中，概率密度函数的公式表示为：

其中，，随机变量x表示观测数据中的降水量，β＞0，γ＞0，分别表示概率密度函数的尺度和形状参数，β和γ采用极大释然估计算法获取，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表示监测站点的个数。

此外，优选的技术方案是，降水量小于预设值的Г分布的概率表达公式为：

对Г分布的概率进行正态标准化处理的公式表示为：