基于多源数据和混合卷积神经网络-随机森林模型的农业干旱监测方法技术

本发明专利技术公开了一种基于多源数据和混合卷积神经网络

【技术实现步骤摘要】
基于多源数据和混合卷积神经网络
‑
随机森林模型的农业干旱监测方法


[0001]本专利技术属于气象遥感
，具体地说，涉及一种基于多源数据和混合卷积神经网络
‑
随机森林模型的农业干旱监测方法。

技术介绍

[0002]农业干旱是由于低于正常降水或高于平均蒸发和蒸腾作用而导致的土壤水分亏缺。在干旱的不利影响当中，对农业的影响是最直接和显著的。农业干旱会降低作物中的叶绿素和水含量，影响作物进行光合作用，从而直接影响农业生产。
[0003]干旱指数是近几十年来最常用以及最重要的干旱监测工具，主要包括站点干旱指数和遥感干旱指数。站点干旱指数由气象站点观测数据构建，精度较高。但是由于站点分布不均，站点干旱指数较难反映干旱的空间变化。遥感干旱指数由遥感卫星影像构建，具有空间连续性，且覆盖面积广。但遥感干旱指数大多只考虑一种因子，难以反映干旱的多类型，多尺度特征。利用机器学习模型结合遥感数据和站点数据进行农业干旱监测，既能够弥补只靠站点指数或遥感指数进行农业干旱监测的不足，也能够科学高效的建立干旱因子之间的非线性关系，在农业干旱监测方面的表现更加灵活和稳定。
[0004]由于机器学习模型的种类很多，不同的研究中会选择不同的机器学习模型来进行干旱监测。在过去的工作当中，多数人会选择分别利用多种机器学习模型进行干旱监测，并通过精度指标评价，选出效果最好的机器学习模型。常用于干旱监测的机器学习模型有随机森林，增强回归树(BRT)，支持向量机(SVM)，多层感知机神经网络(MLPNN)和Cubist模型。在大量实验当中，随机森林模型在干旱监测方面一直有着不俗的表现。
[0005]但是目前多数利用机器学习模型进行干旱监测的研究中，并没有考虑站点尺度与遥感影像尺度空间不匹配的问题，从而传播了很大的不确定性。此外，先前的研究工作当中只关注了不同干旱因子与响应变量之间点对点的关系，而忽略了各个干旱因子的空间相关性。

技术实现思路

[0006]有鉴于此，本专利技术针对以往利用机器学习模型进行干旱监测时不考虑站点尺度和遥感影像尺度空间不匹配所带来的不确定性以及忽略了干旱因子之间的空间相关性的问题，提供了一种基于多源数据和混合卷积神经网络
‑
随机森林模型(CNN
‑
RF)的农业干旱监测方法。
[0007]为了解决上述技术问题，本专利技术公开了一种基于多源数据和CNN
‑
RF模型的农业干旱监测方法，该方法的实施过程包括：
[0008](1)空间特征提取阶段：CNN模块充当信息提取器，输出层由两个全连接层组成，进行网络训练，并保存参数；
[0009](2)回归阶段：保持空间特征提取阶段的模型参数不变，将最后一层全连接层替换
为2m高度风速，e
s
为饱和蒸汽压，e
a
为实际蒸汽压，Δ为饱和水汽压曲线斜率，γ为湿度常数，γ＝0.664742
×
10
‑3P，P为大气压力；
[0025]然后计算降水和潜在蒸散发的差值：
[0026]D＝P
‑
ET
0 (2)
[0027]式中，D为降水和潜在蒸散发的差值，P为降水量，ET0为潜在蒸散发；
[0028]计算SPEI先将D序列进行正态标准化处理，计算每个数值对应的SPEI，由于D序列中会存在负值，所以SPEI采用三参数的log
‑
logistic分布；
[0029]三参数log
‑
logistic概率密度函数为：
[0030][0031]式中α、β和γ尺度参数、形状参数和位置参数，采用线性距拟合得到：
[0032][0033][0034][0035]其中w0，w1和w2是Dctl序列的概率权重矩，计算方法如下：
[0036][0037]式中i为Dctl序列按升序排列的序数，N为样本总数。如此，全强迫实验中三参数的log
‑
logistic分布累积概率密度函数为：
[0038][0039]最后对累积概率密度函数进行标准化：
[0040]G＝1
‑
F(Dall) (9)
[0041]当G≤0.5时，
[0042][0043][0044]当G≤0.5时，
[0045][0046][0047]式中：
[0048]c0＝2.515517，c1＝0.802853，c2＝0.010328；d1＝1.432788，d2＝0.189269，d3＝0.001308；
[0049]最后求得的Z值即SPEI；
[0050]表1 SPEI
‑
3干旱等级划分标准
[0051][0052]注：该表来自中华人民共和国国家标准GB/T 20481
‑
2006：《气象干旱等级》
[0053]所述步骤(3)中PETScale的计算公式为：
[0054][0055]式中，PET
i
为某年第i月PET；PET
max
和PET
min
分别为时间序列中相应月PET的最大值和最小值；PET
max
‑
PET
min
代表分析期内PET的变化范围；
[0056]所述步骤(3)中PCI的计算公式为：
[0057][0058]式中，P
i
为某年第i月降水量；P
max
和P
min
分别为时间序列中相应月降水量的最大值和最小值；P
max
‑
P
min
代表分析期内降水的变化范围；
[0059]所述步骤(3)中SPI
‑
3的计算公式为：
[0060]设某一时间尺度的降水量为Pctl，则其Γ分布的概率密度函数为：
[0061][0062]式中：γ为形状参数，β为尺度参数；
[0063]运用极大似然法估计γ和β值，即：
[0064][0065][0066][0067]式中：为控制试验中降水量气候平均值；Pctl
i
为控制试验中降水量的资料样本；B为中间计算参数；
[0068]确定概率密度函数中的参数后，对于全强迫试验中某一年的降水量Pall0求出随机变量Pctl小于Pall0的事件概率：
[0069][0070]由于Γ函数不包括x＝0的情况，而实际降水量为0，故应该为降水系列中非0项的均值，若降水系列中0的项数为m，事件概率估计由下式估计：
[0071][0072]其中m为全强迫试验中降水量为0的样本数，n为全强迫试验中降水量的总样本数。
[0073]接着对Γ分布概率进行正态标准化处理，即将(20)式和式(21)式求得的概率值带入标准正态化分布函数，得：
[0074][0075]对上式近似求解得：...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据和混合卷积神经网络
‑
随机森林模型的农业干旱监测方法，其特征在于，该方法的实施过程包括：(1)空间特征提取阶段：CNN模块充当信息提取器，输出层由两个全连接层组成，进行网络训练，并保存参数；(2)回归阶段：保持空间特征提取阶段的模型参数不变，将最后一层全连接层替换为RF，RF模块主要对CNN提取的特征向量和站点尺度SPEI指数进行回归训练并保存参数；(3)SPEI
‑
3预测阶段：导入空间特征提取阶段和回归阶段所保存的参数，利用高分辨率干旱环境变量和CNN
‑
RF模型对SPEI
‑
3进行预测，得到区域农业干旱空间分布图。2.根据权利要求1所述的农业干旱监测方法，其特征在于，具体步骤如下：(1)搜集研究区域内气象站点数据以及SRTM数据，CHIRPS降水数据，MOD09GA反射率数据，MOD11A1陆地表面温度数据，MOD13A2植被指数数据，MOD16A2蒸散发数据，GLDAS表层土壤湿度数据；(2)对步骤(1)中的数据进行检查，对于站点数据有缺失值或异常值的地方采用对应值求平均代替；对于有缺失值的栅格数据，采用反距离权重插值法进行填补；(3)利用步骤(2)中处理过的的站点数据构建三个月时间尺度的标准化降水蒸散指数(SPEI
‑
3)；利用步骤(2)中的栅格数据得到数字高程模型(DEM)，坡度(Slope)，归一化潜在蒸散发(PETScale)，降水状态指数(PCI)，三个月时间尺度的标准化降水指数(SPI
‑
3)，土壤湿度状态指数(SMCI)，温度状态指数(TCI)，植被状态指数(VCI)，地表反照率(Albedo)；对所有输入数据进行归一化处理，包括DEM，Slope，PETScale，PCI，SPI
‑
3，SMCI，TCI，VCI，Albedo和SPEI
‑
3，以加速收敛；(4)针对栅格数据，在每一个气象站点处构建一个尺寸为“7
×7×
9”图像提取区域，以获得空间信息；“7
×
7”表示特征宽高，“9”表示图像通道，变量个数；CNN模块的架构主要是由三个卷积层和一个池化层组成。此外增加了一个dropout层以提高泛化能力，防止过拟合；卷积核的大小为“3
×
3”，池化窗口的大小为“2
×
2”，“max pooling”作为池化函数；(5)图像样本经过三个卷积层后，先经过ReLU激活层，再进入一个池化层，然后通过dropout层进入单个全连接层得到最终的特征图，最后将得到的最终特征图作为RF模块的输入；(6)随机抽取站点数据中70％的数据作为训练数据集，剩下的30％作为测试数据集分别用于训练和测试CNN
‑
RF模型，采用均方根误差(RMSE)、相关系数(CC)、平均绝对误差(MAE)和Kling
‑
Gupta效率(KGE)评估建模性能；(7)将训练好的模型应用于整个研究区域，得到区域农业干旱空间分布图。3.根据权利要求2所述的农业干旱监测方法，其特征在于，所述步骤(1)中气象站点数据包括日尺度的最大温度，最小温度，平均温度，降水量，相对湿度，2m风速和日照时数。4.根据权利要求2或3人一权利要求所述的农业干旱监测方法，其特征在于，所述步骤(2)中，对站点数据和栅格数据的缺失值和异常值检查均采用python代码设置正常阈值进行筛选，将超出正常阈值的位置判断为空值。栅格数据的空值采用arcpy中的反距离权重插值法进行填补。5.根据权利要求2所述的农业干旱监测方法，其特征在于，所述步骤(3)中，SPEI采用3个月时间尺度的SPEI作为农业干旱监测模型的响应因子；
SPEI
‑
3的计算先采用Penman
‑
Monteith公式，考虑温度，湿度，风速，太阳辐射和其他变量的影响计算潜在蒸散发，计算公式如下：式中，ET0为潜在蒸散发，R
n
为表面净辐射，G为土壤热通量密度，T为日平均温度，u2为2m高度风速，e
s
为饱和蒸汽压，e
a
为实际蒸汽压，Δ为饱和水汽压曲线斜率，γ为湿度常数，γ＝0.664742
×
10
‑3P，P为大气压力；然后计算降水和潜在蒸散发的差值：D＝P
‑
ET0ꢀꢀꢀꢀ
(2)式中，D为降水和潜在蒸散发的差值，P为降水量，ET0为潜在蒸散发；计算SPEI先将D序列进行正态标准化处理，计算每个数值对应的SPEI，由于D序列中会存在负值，所以SPEI采用三参数的log
‑
logistic分布；三参数log
‑
logistic概率密度函数为：式中α、β和γ尺度参数、形状参数和位置参数，采用线性距拟合得到：式中α、β和γ尺度参数、形状参数和位置参数，采用线性距拟合得到：式中α、β和γ尺度参数、形状参数和位置参数，采用线性距拟合得到：其中w0，w1和w2是Dctl序列的概率权重矩，计算方法如下：式中i为Dctl序列按升序排列的序数，N为样本总数。如此，全强迫实验中三参数的log
‑
logistic分布累积概率密度函数为：最后对累积概率密度函数进行标准化：G＝1
‑
F(Dall)
ꢀꢀꢀꢀꢀ
(9)当G≤0.5时，当G≤0.5时，当G≤0.5时，
式中：c0＝2.515517，c1＝0.802853，c2＝0.010328；d1＝1.432788，d2＝0.189269，d3＝0.001308；最后求得的Z值即SPEI；表1 SPEI
‑
3干旱等级划分标准注：该表来自中华人民共和国国家标准GB/T 204812006：《气象干旱等级》所述步骤(3)中PETScale的计算公式为：式中，PET
i
为某年第i月PET；PET
max
和PET
min
分别为时间序列中相应月PET的最大值和最小值；PET
max
‑
PET
min
...

【专利技术属性】
技术研发人员：肖鑫，李运刚，季漩，罗贤，王加红，罗璇，明文婷，龙云舒，张铭丹，刘月，王琳，
申请(专利权)人：云南大学，
类型：发明
国别省市：