一种林地旱灾风险预警方法技术

本发明专利技术涉及旱灾风险预警，具体涉及一种林地旱灾风险预警方法。其方案包括以下步骤：(1)选取数据及预处理；(2)林地旱灾风险预警指标体系的构建；(3)林地旱灾风险预警模型的构建。本发明专利技术利用遥感数据基于PSO‑BP神经网络算法建立林地旱灾风险预警模型，实现对林地旱灾的逐日预警，有利于防灾减灾应急资源的科学配置。

【技术实现步骤摘要】
一种林地旱灾风险预警方法
本专利技术涉及旱灾风险预警，具体涉及一种林地旱灾风险预警方法。
技术介绍
森林是陆地生态系统的主体，林地旱灾危害性大，已成为影响植被生长的严重的气候灾害之一，旱灾风险预警显得十分重要。随着遥感技术的发展，遥感技术监测旱灾的应用前景也日益成熟。魏杰在《青海省东部农业区干旱遥感监测及预警研究》中综合考虑气象数据与MODIS遥感数据建立干旱指数模型，进行干旱监测，同时利用预警指数DWI对研究区进行预警分析，表明该方法在研究区月尺度的干旱监测预警基本可行。高雅在《基于遥感干旱指数与叶绿素荧光的农业干旱预警研究》中根据NDVI与SIF之间的关系，建立基于植被距平百分率和荧光距平百分率的干旱预警指数模型并进行干旱监测和预警研究，发现该模型可以对研究区进行有效的预警。但是目前大部分学者对干旱监测的研究较多，而对于旱灾风险预警的研究较少，且都是对旱灾大尺度(月、季、年)的预测。
技术实现思路
为克服现有技术的上述缺陷，本专利技术利用遥感数据基于PSO-BP神经网络算法建立林地旱灾风险预警模型，实现对林地旱灾的逐日预警，有利于防灾减灾应急资源的科学配置。本专利技术提供的一种林地旱灾风险预警方法，包括如下步骤：(1)选取数据及预处理；(2)林地旱灾风险预警指标体系的构建；(3)林地旱灾风险预警模型的构建。本专利技术优选地，所述数据包括模型的自变量和因变量，模型的自变量选取所研究地区的过往11年的Terra卫星的MODISlevel1B数据、热带降雨测量任务(TRMM)数据以及地形数据、植被类型空间分布数据。模型的因变量为温度植被干旱指数。MODIS数据是采用Terra卫星的MODISlevel1B数据经过辐射定标、投影变换、几何校正和重采样获取到研究所需要的地表温度数据集和归一化植被指数数据集，再通过镶嵌、裁剪以及提取等工作提取出研究区域的归一化植被指数(NDVI)、地表温度(LST)栅格影像图。TRMM数据是过往11年的TRMM3B42数据，该数据为日尺度降水数据，是从美国航空航天测量任务官网批量下载而来，将各像元值乘以每天的小时数得到每天的降水量，并批量裁剪出研究区域的栅格影像范围。DEM数据主要是从中国地理空间数据云平台下载而来，将DEM数据通过拼接、裁剪等工作获取到研究区域范围的DEM数据，并利用表面分析生成研究区域的坡度、坡向栅格影像数据。高程、坡度、坡向是影响区域干旱的重要因子，不同高程、坡度或坡向的区域在同一个阶段发生干旱的情况可能有所不同。植被类型空间分布数据来源于国家资源环境数据云平台的中国100万植被类型空间分布数据集。模型的因变量是温度植被干旱指数，是将过往11年的MODIS数据提取出的归一化植被指数和地表温度整合到同一尺度，并通过Python脚本利用TVDI计算公式(1)批量计算出温度植被干旱指数(TVDI)。Tmax＝a+bNDVI(2)Tmin＝c+dNDVI(3)式中：Ts为地表温度(℃)；Tmin为相应NDVI下最低陆地表面温度(℃)；Tmin为相应NDVI下最高陆地表面温度(℃)，即所对应的湿边和干边方程；a、b、c、d为干湿边方程的回归系数，分别为干湿边方程的截距和斜率。本专利技术的优选方案是，步骤(2)林地旱灾风险预警指标体系的构建；是选择NDVI、LST、高程、坡度、坡向、植被类型空间分布、降雨量、连续无雨日因子作为林地旱灾风险预警模型的自变量，用TVDI的值来反映旱灾风险程度，构建指标体系。本专利技术的优选方案是，步骤(3)林地旱灾风险预警模型的构建，是选择上述因子后，利用PSO-BP机器学习方法，构建林地旱灾风险预警模型，实现林地旱灾的实时预警。本专利技术的模型能够有效的预测未来动态的旱灾风险信息。通过预测结果可以明显的看出旱灾风险的区域分布，并针对高风险地区的地形地貌、植被类型等特点，对该地区采取有效的预防措施，将可能发生的损失降到最低。附图说明图1是高程与林地旱灾频次的关系图图2是坡度与林地旱灾频次的关系图图3A是坡向与林地旱灾频次的关系图图3B是连续无雨日与林地旱灾频次的关系图图4A是降雨量与林地旱灾频次的关系图图4B是植被类型与林地旱灾频次的关系图图5是PSO-BP旱灾风险预警模型流程图图6是PSO-BP神经网络预测温度植被干旱指数结果图图7A是2019年10月2日湖南省旱灾风险预测数据图图7B是2019年10月2日湖南省旱灾风险实测数据图图8A是2019年10月3日湖南省旱灾风险预测数据图图8B是2019年10月3日湖南省旱灾风险实测数据图图9A是2019年10月4日湖南省旱灾风险预测数据图图9B是2019年10月4日湖南省旱灾风险实测数据图具体实施方式以下通过具体实施例对本专利技术进一步说明，以助于更好地理解本专利技术，但本专利技术的保护范围并不仅限这些实施例。以下介绍本专利技术的具体步骤及在实践中的应用。数据及预处理本实施例的研究区域为湖南省，研究数据包括模型的自变量、因变量，模型的自变量主要包括2009-2019年的MODIS数据、2009-2019年的热带降雨测量任务(TRMM)数据以及地形数据、植被类型空间分布数据等。MODIS数据是采用Terra卫星的MODISlevel1B数据经过辐射定标、投影变换、几何校正和重采样获取到研究所需要的地表温度数据集和归一化植被指数数据集，再通过镶嵌、裁剪以及提取等工作提取出湖南省的归一化植被指数(NDVI)、地表温度(LST)栅格影像图。TRMM数据是2009-2019年的TRMM3B42数据，该数据为日尺度降水数据，是从美国航空航天测量任务官网批量下载而来，将各像元值乘以每天的小时数得到每天的降水量，并批量裁剪出湖南省的栅格影像范围。DEM数据主要是从中国地理空间数据云平台下载而来，将DEM数据通过拼接、裁剪等工作获取到湖南省范围的DEM数据，并利用表面分析生成湖南省的坡度、坡向栅格影像数据。高程、坡度、坡向是影响区域干旱的重要因子，不同高程、坡度或坡向的区域在同一个阶段发生干旱的情况可能有所不同。植被类型空间分布数据来源于国家资源环境数据云平台的中国100万植被类型空间分布数据集。模型的因变量是温度植被干旱指数，是将2009-2019年的MODIS数据提取出的归一化植被指数和地表温度整合到同一尺度，并通过Python脚本利用TVDI计算公式(1)批量计算出温度植被干旱指数(TVDI)。Tmax＝a+bNDVI(2)Tmin＝c+dNDVI(3)式中：Ts为地表温度(℃)；Tmin为相应NDVI下最低陆地表面温度(℃)；Tmin为相应NDVI下最高陆地表面温度(℃)，即所对应的湿边和干边方程；a、b、c、d为干湿边方程的回归系数，分别为干湿边方程的截距和斜率。研究方法BP神经网络BP(B本文档来自技高网...

【技术保护点】
1.一种林地旱灾风险预警方法，其特征在于，包括如下步骤：/n(1)选取数据及预处理；/n(2)林地旱灾风险预警指标体系的构建；/n(3)林地旱灾风险预警模型的构建。/n

【技术特征摘要】
1.一种林地旱灾风险预警方法，其特征在于，包括如下步骤：
(1)选取数据及预处理；
(2)林地旱灾风险预警指标体系的构建；
(3)林地旱灾风险预警模型的构建。


2.根据权利要求1所述林地旱灾风险预警方法，其特征在于，步骤(1)选取的数据包括模型的自变量和因变量，模型的自变量选取所研究地区的过往10年以上的Terra卫星的MODISlevel1B数据、热带降雨测量任务(TRMM)数据以及地形数据、植被类型空间分布数据；模型的因变量为温度植被干旱指数。


3.根据权利要求2所述林地旱灾风险预警方法，其特征在于，Terra卫星的MODISlevel1B数据还经过辐射定标、投影变换、几何校正和重采样获取到研究所需要的地表温度数据集和归一化植被指数数据集，再通过镶嵌、裁剪以及提取操作后提取出研究区域的归一化植被指数(NDVI)、地表温度(LST)栅格影像图。


4.根据权利要求2所述林地旱灾风险预警方法，其特征在于，TRMM数据是过往10年以上的TRMM3B42数据，该数据为日尺度降水数据，是从美国航空航天测量任务官网批量下载而来，将各像元值乘以每天的小时数得到每天的降水量，并批量裁剪出...

【专利技术属性】
技术研发人员：谭三清，张贵，程江涛，肖化顺，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：湖南;43