一种考虑野火影响的雪水当量的预测方法技术

本发明专利技术公开了一种考虑野火影响的雪水当量的预测方法，包括：获取完全覆盖待预测雪山区域的雪水当量原始遥感数据集，处理得到历史多年间每天的雪水当量数据集；提取能清晰定位雪山区域的多个特征，训练、监督机器学习模型，以自适应的方式定位到对应的雪山区域；机器学习模型捕捉历史多年间每天的野火数据，该天对应的雪水当量数据；将野火严重程度系数、变异系数、日期编码作为自变量，雪水当量为因变量，对机器学习模型进行训练；不断获取各野火特征组合与雪水当量之间的相关性，获取未来的雪水当量变化趋势。本发明专利技术的预测方法，更加精准、科学地预测考虑野火影响的雪水当量的趋势与规律，为农业种植、水循环研究等提供科学依据。水循环研究等提供科学依据。水循环研究等提供科学依据。

【技术实现步骤摘要】
一种考虑野火影响的雪水当量的预测方法


[0001]本专利技术属于卫星遥感
，涉及一种考虑野火影响的雪水当量的预测方法。

技术介绍

[0002]因季节更替而融化的雪水对于生活在雪山地区的农民和牧场主而言是极其重要的农业水资源。然而，自然界较为主要的自然灾害，如野火等，极大地减少了融雪时间，破坏了当地的水文循环和农业生态。据统计，在世界许多地区，山区分水岭的雪水资源可以为当地1/5以上的人口提供淡水，对农业和水循环的运作至关重要。
[0003]雪水当量(Snow
‑
Water Equivalent，简称SWE)分析是跟踪和预测雪水资源可用性的有效工具，目前正被水文学家和水资源管理者广泛使用。研究者能在大多数山区分析得出雪水当量的空间和时间规律，但一些其他的因素也会影响雪水当量的常规分布。气候变化被证实是影响SWE季节性分布的一个主要因素；在过去十年中，由于全球变暖，SWE的区域平均值正在逐渐降低。此外，严重的野火也极大地改变了雪、水的比例。
[0004]现有雪水当量分析方法集中在静态分析，即分析常规状态下的雪水当量变化趋势。即便是考虑进了季节变化，雪水当量分析仍局限于理想状态下的自然状况。但是，随着气候变化和全球变暖，自然界已不再处于理想状态；突发性自然灾害，如野火，发生频率不断升高，严重影响到了雪水当量的趋势(短期与长期均会被影响)，进而影响到当地的水循环。因为突发性自然灾害近几年逐渐升多，过往基于理想状态下而搭建的雪水当量分析模型已不再可靠。

技术实现思路

[0005]为了解决上述问题，本专利技术提供一种考虑野火影响的雪水当量的预测方法，更加精准、科学地预测考虑野火影响的雪水当量的趋势与变化规律，为农业种植、水循环研究等提供科学依据，解决了现有技术中存在的问题。
[0006]本专利技术所采用的技术方案是，一种考虑野火影响的雪水当量的预测方法，包括以下步骤：
[0007]S1，获取完全覆盖待预测雪山区域的雪水当量原始遥感数据集，通过机器学习模型将雪水当量原始遥感数据集剪切到待预测雪山区域的地理坐标，得到历史多年间每天的雪水当量数据集；
[0008]S2，提取能清晰定位待预测雪山区域的多个特征，基于提取的特征，训练、监督机器学习模型，自适应地定位到对应的雪山区域；通过机器学习模型捕捉所定位到的雪山区域在历史多年间每天的野火数据，及该天对应的雪水当量数据，提取野火特征；
[0009]S3，将野火严重程度系数、变异系数、日期编码作为自变量，雪水当量为因变量，对机器学习模型进行训练；不断获取各野火特征组合与雪水当量之间的相关性，通过MATLAB平台获取未来的雪水当量变化趋势。
[0010]进一步的，所述S2中，能清晰定位待预测雪山区域的多个特征包含雪水当量分布
特点、雪水当量年规律曲线、雪水当量值域、雪山区域的地形；将不同特征进行对比分析，确定每个特征与待预测雪山区域的相关性，并收集每个特征对应的位置数据，通过叠加位置数据的方式勾勒出最终研究区域范围。
[0011]进一步的，所述S3中，获取雪水当量和野火严重程度之间的相关性，具体为：
[0012]在所定位到的雪山区域随机选择多个坐标点，野火数据包括野火的发生频率、严重程度和发生日期编码，以遥感地图形式存储；分别在ArcGIS、MATLAB中建立所定位到的雪山区域的火灾严重程度图层和随机坐标点图层；获取每个坐标点对应的雪水当量值、野火严重程度类别及野火严重程度系数，获取野火严重程度系数与雪水当量值之间的相关性。
[0013]进一步的，所述野火的严重程度被分为“不严重”、“中等严重”、“严重”、“非常严重”四个类别，类别为“不严重”的野火严重程度系数为0
‑
0.25，类别为“中等严重”的野火严重程度系数为0.26
‑
0.5，类别为“严重”的野火严重程度系数为0.51
‑
0.75，类别为“非常严重”的野火严重程度系数为0.76
‑
1.0。
[0014]进一步的，所述类别为“不严重”的野火严重程度系数与雪水当量值之间没有明显的相关性；类别为“中等严重”的野火严重程度系数与雪水当量值有正相关关系y＝2.9042x
‑
38.819，R2＝0.4907，p<0.05；类别为“严重”的野火严重程度系数与雪水当量值有很强的正相关关系y ＝ 2.2652x
ꢀ‑ꢀ
28.752, R
2 ＝ 0.7891, p < 0.05；类别为“非常严重”的野火严重程度系数与雪水当量值完全正相关y ＝ 2.4349x
ꢀ‑ꢀ
38.329, R
2 ＝ 0.9011, p < 0.05；其中，y表示雪水当量，x表示野火严重程度系数。
[0015]进一步的，只有雪水当量值高于10mm的区域才会被放置随机坐标点。
[0016]进一步的，所述变异系数的计算公式如下：
[0017][0018]其中，C
v
代表变异系数，σ表示某年雪水当量值的标准偏差，μ表示该年雪水当量值的平均值。
[0019]进一步的，所述步骤S2中，当野火数据缺乏的情况下，提取已有野火的特征信息，包括野火发生频率、发生日期、周边雪水当量分布情况、坐标，输入机器学习模型，在模型做出初步预测后，操作人员对模型的预测结果进行修正，指出哪些野火的预测是正确的，哪些野火的预测是根本不可能发生的，通过加强学习使得模型更加精准地预测未来的野火发生情况。
[0020]进一步的，所述S3中，机器学习模型通过随机森林的方法来进行雪水当量趋势的预测。
[0021]进一步的，还包括以下步骤：
[0022]第一步：通过MATLAB建立机器学习模型，依次筛选出每个年份中的雪水当量最大值的日期α和第一个雪水当量最小值的日期β，α、β均为日期编码，范围为1
‑
365；
[0023]第二步：用α减去β，得到融雪时长；
[0024]第三步：获取历史多年间融雪时长的变化趋势，将该趋势与当地野火频率趋势进行比较；
[0025]第四步：基于不同年份的最大雪水当量值及对应的日期，得到融雪周期的变化趋
势，预测未来野火对雪水当量的影响程度。
[0026]本专利技术的有益效果是：
[0027]1.本专利技术实施例以历史几年间雪山区域的SWE数据、野火严重程度数据为底板，从时间序列、空间位置、相关系数、变异系数四个维度解析了野火与雪水当量之间的相关性，更加精准、科学地预测考虑野火影响的雪水当量的趋势与变化规律，为农业种植、水循环研究或其他研究提供科学依据。
[0028]2.本专利技术实施例使用了机器学习的方法，如果某地的野火数据量不足、不精准，可以通过野火的基本信息(频率、发生日期、周边SWE分布情况、坐标)模拟野火数据在当地的时空分布，扩展数据库，之后再根据当地的雪水当量情况来进一步分析相关性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑野火影响的雪水当量的预测方法，其特征在于，包括以下步骤：S1，获取完全覆盖待预测雪山区域的雪水当量原始遥感数据集，通过机器学习模型将雪水当量原始遥感数据集剪切到待预测雪山区域的地理坐标，得到历史多年间每天的雪水当量数据集；S2，提取能清晰定位待预测雪山区域的多个特征，训练、监督机器学习模型，自适应地定位到对应的雪山区域；通过机器学习模型捕捉所定位到的雪山区域在历史多年间每天的野火数据，及该天对应的雪水当量数据，提取野火特征；S3，将野火严重程度系数、变异系数、日期编码作为自变量，雪水当量为因变量，对机器学习模型进行训练；不断获取各野火特征组合与雪水当量之间的相关性，通过MATLAB平台获取未来的雪水当量变化趋势。2.根据权利要求1所述一种考虑野火影响的雪水当量的预测方法，其特征在于，所述S2中，能清晰定位待预测雪山区域的多个特征包含雪水当量分布特点、雪水当量年规律曲线、雪水当量值域、雪山区域的地形；将不同特征进行对比分析，确定每个特征与待预测雪山区域的相关性，并收集每个特征对应的位置数据，通过叠加位置数据的方式勾勒出最终研究区域范围。3.根据权利要求1所述一种考虑野火影响的雪水当量的预测方法，其特征在于，所述S3中，获取雪水当量和野火严重程度之间的相关性，具体为：在所定位到的雪山区域随机选择多个坐标点，野火数据包括野火的发生频率、严重程度和发生日期编码，以遥感地图形式存储；分别在ArcGIS、MATLAB中建立所定位到的雪山区域的火灾严重程度图层和随机坐标点图层；获取每个坐标点对应的雪水当量值、野火严重程度类别及野火严重程度系数，获取野火严重程度系数与雪水当量值之间的相关性。4.根据权利要求3所述一种考虑野火影响的雪水当量的预测方法，其特征在于，所述野火的严重程度被分为“不严重”、“中等严重”、“严重”、“非常严重”四个类别，类别为“不严重”的野火严重程度系数为0
‑
0.25，类别为“中等严重”的野火严重程度系数为0.26
‑
0.5，类别为“严重”的野火严重程度系数为0.51
‑
0.75，类别为“非常严重”的野火严重程度系数为0.76
‑
1.0。5.根据权利要求4所述一种考虑野火影响的雪水当量的预测方法，其特征在于，所述类别为“不严重”的...

【专利技术属性】
技术研发人员：冯宇希，阚杰元，
申请(专利权)人：江门双碳实验室，
类型：发明
国别省市：