[发明专利]一种气候变化条件下的沙漠演替预测方法

权利要求书

1.一种气候变化条件下的沙漠演替预测方法，其特征在于，该气候变化条件下的沙漠演替预测方法，包括如下步骤：

步骤一：获取最近10年归一化植被指数(NDVI)月尺度格点数据，通过自组织映射方法，得出特定区域的三类土地类型，即沙漠、绿洲、及沙漠-绿洲过渡带；

步骤二：获取多套全球气候模型所模拟的月尺度降雨数据，并基于上述三类土地类型，提取对应类型所处区域范围内的历史降雨数据；

步骤三：利用混合高斯模型拟合对应类型的降雨数据统计分布，所述混合高斯模型所涉及到的参数包含正态分布权重系数、均值、及方差；

步骤四：基于上述拟合的、与各类型相对应的混合高斯分布，构建多模型贝叶斯判别集合框架，并将提取的历史降雨数据用于该框架的验证；

步骤五：输入多套全球气候模型降雨预测数据，并利用构建并训练好的多模型贝叶斯判别集合框架，对未来气候变化条件下的沙漠、绿洲、沙漠-绿洲过渡带之间的演替进行预测。

2.根据权利要求1所述一种气候变化条件下的沙漠演替预测方法，其特征在于，所述步骤一中的自组织映射方法，是指通过寻找最优参考矢量集合以对输入数据集合进行分类，并对每个参考矢量所对应的连接权向量进行训练，实现自适应调整网络，从而完成模式分类，其中权向量变化可表示为：

式中，η为学习率，t_i为相邻神经元与胜出神经元的拓扑距离，t_max为相邻神经元与胜出神经元的最大拓扑距离，w为权向量，w^old为上一状态所对应的权向量，d_i为待输入的多维数据向量，i表示个数。

3.根据权利要求1所述一种气候变化条件下的沙漠演替预测方法，其特征在于，所述步骤三中的混合高斯模型拟合对应类型的降雨数据统计分布是指利用混合高斯模型实现各土地类型所对应降雨数据统计分布的有效模拟。其密度函数可表示为：

式中θ＝(φ₁,...,φ_m,μ₁,...,μ_m,σ₁,...,σ_m)，f_i代表第i个正态分布概率密度函数；φ_i表示第i个分布的权重系数、μ_i表示第i个分布的均值、σ_i表示第i个分布的方差；i表示个数；m表示i的最终个数。

4.根据权利要求1所述一种气候变化条件下的沙漠演替预测方法，其特征在于，所述步骤四中的构建多模型贝叶斯判别集合框架，是基于贝叶斯判别分析所构建的，贝叶斯判别分析是指在已知样本分类情况下，输入新样本观测数据，并计算各类别所对应的后验概率，通过比较这些后验概率来判定新样本的归属类别。后验概率的计算方法可表示为：

式中，p(π_k|x)为第k类所对应的后验概率，p(x|π_k)为第k类所对应的先验概率，p(π_k)为第k类所对应的似然函数；

所述构建多模型贝叶斯判别集合框架进一步地包括如下子步骤：

步骤四一：已知沙漠、绿洲、沙漠-绿洲过渡带三类土地类型所在区域范围内相对应的每一套全球气候模型的降雨数据统计分布，即在步骤三中可求得的贝叶斯判别分析中的似然函数p(π_k)；计算先验概率p(x|π_k)，计算方法为：

式中，n_k为降雨数据在各类土地类型所在区域范围内的对应格点数，n_total为降雨数据在选定区域的总格点数。

步骤四二：对于每一套全球气候模型，通过先验概率p(x|π_k)和似然函数p(π_k)计算各类土地类型的后验概率；

步骤四三：对应多套全球气候模型，构建各类土地类型的后验概率集合，形成格点数据；

步骤四四：利用多变量方差分析方法，即基于Wilks准则的F统计检验，所述F检验是统计检验的其中一种形式，统计检验量服从F-分布；对应某一格点，利用各类土地类型的后验概率集合样本，近似估计F统计检验量：若类间差异显著，则该格点将被判定为后验概率集合最大所对应的类别；反之，则该格点被判定为第四类，即“无法客观判别”类；其中Λ为Wilks值，可表示为：

式中，SS_E为误差平方和，SS_H为总平方和；通过Wilks值的计算可近似估计F统计检验量：

式中，d为变量的维度，n_e和n_f为两个子类的样本个数；

步骤四五：基于选定区域各格点所判别的土地类型，输入提取的历史降雨数据，将由贝叶斯判别得出的土地类型与原土地类型进行比较，计算误判率以验证该框架的有效性；误判率计算方法可表示为：

E_i＝n_i,s/n_i,t

式中，E_i为第i个土地类型的误判率，n_i,s为第i个土地类型所在区域范围内，贝叶斯判别得出的类型与原土地类型相吻合的格点数量，n_i,t为第i个土地类型所在区域范围内的总格点数量。