一种顾及时空约束和植被状况的旱情预测方法技术

本发明专利技术公开了一种顾及时空约束和植被状况的旱情预测方法，分为以下五个步骤：1)获取模型构建所需的多源遥感数据并进行处理；2)构建顾及时空约束的旱情监测模型，求取高空间分辨率旱情指数；3)构建植被关键性状预测模型，估算得到低分辨率植被关键性状指标的预测结果；4)融合高空间分辨率旱情指数与低分辨率植被关键性状预测结果，构建植被旱情预测耦合模型；5)旱情预测结果的获取。本发明专利技术提出了普适的具有机理约束的旱情预测方法，通过结合植被性状指标模拟结果，利用长时序历史数据来预测旱情，从而获得高分辨率、高精度的预测结果。高精度的预测结果。高精度的预测结果。

【技术实现步骤摘要】
一种顾及时空约束和植被状况的旱情预测方法


[0001]本专利技术涉及一种旱情预测方法，尤其涉及一种顾及时空约束和植被状况的旱情预测方法。

技术介绍

[0002]干旱是一种对经济、社会、环境带来巨大影响的自然灾害，具有发生频率高、持续时间长以及影响范围大的特点。据国际灾害数据库(EM
‑
DAT)统计，1960年至2016年间，全球干旱造成的损失达到2210亿美元。随着全球温室效应的加剧，干旱发生频率呈现明显上升趋势，发生范围、影响面积和程度也随之显著增加。因此，及时有效地监测旱情，并准确预测旱情及其对区域植被和环境造成的影响，对旱灾早期预警、制定防灾减灾、农业、生态、水资源管理政策具有重要意义。
[0003]传统的植被旱情监测和预测主要依赖地面观测点的降水量、土壤墒情等信息，受到站点的数量和空间分布的限制，数据代表性和时效性存在局限，而且无法满足大区域精细化旱情监测、预测的应用需求。遥感技术的快速发展，使区域乃至全球尺度近实时旱情监测成为可能。大量研究借助多源卫星遥感数据，通过监测植被绿度、环境参数(如温度、土壤含水量、降水量等)等要素，直接或间接诊断植被遭受水分胁迫的程度，已发展的一系列旱情遥感监测模型和指数，在不同空间尺度的研究中得到了广泛的应用。作为旱情监测的延伸，现有的旱情预测方法主要采用数理统计以及机器学习/深度学习方法，通过建立旱情指数与遥感及气象解释变量之间的数值关系来预测旱情。然而，当前的旱情预测研究多基于历史旱情指数与解释变量(例如气象数据和土壤水分等)的变化趋势和规律，缺乏植被生理生态学机理的支持，这导致植被受旱情况预测的准确性受到极大的影响。因此，需要更深入地研究植被对旱情的生理生态学响应机理，以进一步地提高旱情预测的准确性和可靠性。
[0004]综合而言，现有的旱情预测方法主要存在两大技术缺陷：第一，现有模型多假定旱情分布模式在时间和空间维度上是保持不变的，也未充分考虑旱情的空间自相关特征，导致了旱情预测精度受限；第二，当前对于植被旱情的预测研究多侧重于对数值的经验统计分析，缺少植被生理生化过程的支持，不能准确反映旱情的演变规律，而且基于经验关系建立的模型随着区域、样本选取而变化，限制了预测方法的普适性。

技术实现思路

[0005]为了解决上述技术所存在的不足之处，本专利技术提供了一种顾及时空约束和植被状况的旱情预测方法。
[0006]为了解决以上技术问题，本专利技术采用的技术方案是：一种顾及时空约束和植被状况的旱情预测方法，的旱情预测方法分为以下五个步骤：
[0007]1)获取模型构建所需的多源遥感数据并进行处理；
[0008]2)构建顾及时空约束的旱情监测模型，求取高空间分辨率旱情指数；
[0009]3)构建植被关键性状预测模型，估算得到低分辨率植被关键性状指标的预测结
果；
[0010]4)融合高空间分辨率旱情指数与低分辨率植被关键性状预测结果，构建植被旱情预测耦合模型；
[0011]5)旱情预测结果的获取。
[0012]进一步地，顾及时空约束旱情监测模型的构建需要长时间序列的中低分辨率遥感数据，包括MODIS日产品植被指数NDVI0和地表温度LST0、近红外ρ
NIR0
和短波红外反射率数据ρ
SWIR0
；
[0013]通过对近红外波段和短波红外波段进行运算，获得反映植被冠层的水分含量的植被水分指数NDWI：
[0014][0015]式中，ρ
NIR
为近红外反射率产品，ρ
SWIR
为短波红外反射率产品；
[0016]利用地表温度旬数据集LST、植被指数旬数据集NDVI以及植被水分指数NDWI，分别计算温度条件指数TCI、植被状态指数VCI、植被水分指数WCI，表示如下：
[0017][0018][0019][0020]式中，LST
max
和LST
min
分别是LST的历史最大值和最小值，NDVI
max
和NDVI
min
分别是NDVI的历史最大值和最小值，NDWI
max
和NDWI
min
分别是NDWI的历史最大值和最小值；LST
i
、NDVI
i
、NDWI
i
分别是第i个像元对应的LST、NDVI以及NDWI；
[0021]土壤水分指数SWCI以及降水指数PCI的计算如下：
[0022][0023][0024]式中，SM
max
和SM
min
分别为植被根区土壤水分的历史最大值和最小值，Rain
max
和Rain
min
分别为降水的历史最大值和最小值；SM
i
、Rain
i
分别是第i个像元对应的SM以及Rain；使用在分析产品ERA5的长时间序列植被根区土壤水分以及降水数据集；
[0025]由此完成旱情监测模型的构建所需要的解释变量集合的构建。
[0026]进一步地，植被关键性状预测模型构建所需的数据为：根据需要选择适当的监测站点，收集监测站点的温度、水汽压差值、辐射等环境要素数据，以及收集MODIS的FAPAR数据集，再分析产品ERA5中的2米空气温度、土壤含水量以及短波辐射SDSR数据。
[0027]进一步地，顾及时空约束的旱情监测模型的构建过程为：基于旱情遥感监测指数模型，同时引入时间和空间维度，假定回归系数为空间位置和观测时刻的函数，兼顾时空非
平稳性，结合空间自相关性、时间自相关性和地理位置信息构建时空地理加权回归的顾及时空约束的旱情监测模型。
[0028]进一步地，顾及时空约束的旱情监测模型构建的具体步骤如下：
[0029]第一步，初始模型的构建：考虑空间和时间维度的影响，表示如下：
[0030][0031]式中，VDI
c
是位置(x,t)处的干旱指数；β0(x,t)代表常系数，β
n
(x,t)是自变量X
n
在空间位置x和时间t的回归系数；X
n
(n＝1,2,...k)代表解释变量集合，解释变量包括温度条件指数TCI、植被状态指数VCI、植被水分指数WCI、土壤水分指数SWCI以及降水指数PCI，其中k代表解释变量的个数；ε是误差项；
[0032]第二步，模型引入时空非平稳性：
[0033]为了考虑时空非平稳性，假设回归系数β
n
(x,t)是空间位置x和观测时间t的函数，使用二维的三次B样条函数来拟合：
[0034][0035]式中，β
n,j
(x)是空间位置x上的回归系数，φ
j
(t))是时间t上的B样条函数，j表示回归系数和样条函数中的索引；
[0036]第三步，模型引入空间自相关性：
[0037]为了考本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种顾及时空约束和植被状况的旱情预测方法，其特征在于：所述的旱情预测方法分为以下五个步骤：1)获取模型构建所需的多源遥感数据并进行处理；2)构建顾及时空约束的旱情监测模型，求取高空间分辨率旱情指数；3)构建植被关键性状预测模型，估算得到低分辨率植被关键性状指标的预测结果；4)融合高空间分辨率旱情指数与低分辨率植被关键性状预测结果，构建植被旱情预测耦合模型；5)旱情预测结果的获取。2.根据权利要求1所述的顾及时空约束和植被状况的旱情预测方法，其特征在于：顾及时空约束旱情监测模型的构建需要长时间序列的中低分辨率遥感数据，包括MODIS日产品植被指数NDVI0和地表温度LST0、近红外ρ
NIR0
和短波红外反射率数据ρ
SWIR0
；通过对近红外波段和短波红外波段进行运算，获得反映植被冠层的水分含量的植被水分指数NDWI：式中，ρ
NIR
为近红外反射率产品，ρ
SWIR
为短波红外反射率产品；利用地表温度旬数据集LST、植被指数旬数据集NDVI以及植被水分指数NDWI，分别计算温度条件指数TCI、植被状态指数VCI、植被水分指数WCI，表示如下：温度条件指数TCI、植被状态指数VCI、植被水分指数WCI，表示如下：温度条件指数TCI、植被状态指数VCI、植被水分指数WCI，表示如下：式中，LST
max
和LST
min
分别是LST的历史最大值和最小值，NDVI
max
和NDVI
min
分别是NDVI的历史最大值和最小值，NDWI
max
和NDWI
min
分别是NDWI的历史最大值和最小值；LST
i
、NDVI
i
、NDWI
i
分别是第i个像元对应的LST、NDVI以及NDWI；土壤水分指数SWCI以及降水指数PCI的计算如下：土壤水分指数SWCI以及降水指数PCI的计算如下：式中，SM
max
和SM
min
分别为植被根区土壤水分的历史最大值和最小值，Rain
max
和Rain
min
分别为降水的历史最大值和最小值；SM
i
、Rain
i
分别是第i个像元对应的SM以及Rain；使用在分析产品ERA5的长时间序列植被根区土壤水分以及降水数据集；由此完成旱情监测模型的构建所需要的解释变量集合的构建。3.根据权利要求2所述的顾及时空约束和植被状况的旱情预测方法，其特征在于：植被
关键性状预测模型构建所需的数据为：根据需要选择适当的监测站点，收集监测站点的温度、水汽压差值、辐射等环境要素数据，以及收集MODIS的FAPAR数据集，再分析产品ERA5中的2米空气温度、土壤含水量以及短波辐射SDSR数据。4.根据权利要求3所述的顾及时空约束和植被状况的旱情预测方法，其特征在于：所述顾及时空约束的旱情监测模型的构建过程为：基于旱情遥感监测指数模型，同时引入时间和空间维度，假定回归系数为空间位置和观测时刻的函数，兼顾时空非平稳性，结合空间自相关性、时间自相关性和地理位置信息构建时空地理加权回归的顾及时空约束的旱情监测模型。5.根据权利要求4所述的顾及时空约束和植被状况的旱情预测方法，其特征在于：顾及时空约束的旱情监测模型构建的具体步骤如下：第一步，初始模型的构建：考虑空间和时间维度的影响，表示如下：式中，VDI
c
是位置(x,t)处的干旱指数；β0(x,t)代表常系数，β
n
(x,t)是自变量X
n
在空间位置x和时间t的回归系数；X
n
(n＝1,2,...k)代表解释变量集合，解释变量包括温度条件指数TCI、植被状态指数VCI、植被水分指数WCI、土壤水分指数SWCI以及降水指数PCI，其中k代表解释变量的个数；ε是误差项；第二步，模型引入时空非平稳性：为了考虑时空非平稳性，假设回归系数β
n
(x,t)是空间位置x和观测时间t的函数，使用二维的三次B样条函数来拟合：式中，β
n,j
(x)是空间位置x上的回归系数，φ
j
(t))是时间t上的B样条函数，j表示回归系数和样条函数中的索引；第三步，模型引入空间自相关性：为了考虑空间自相关性，引入个空间权重矩阵ω(x)来给每个空间位置x分配一个权重值，使用空间自相关模型来计算ω(x)，然后，将ω(x)与每个自变量X
n
相乘，得到加权自变量：ω(X
n
)＝ω(x)
×
X
n
ꢀꢀ
(9)第四步，模型引入时间自相关性和地理位置信息：在模型中引入一个时空权重矩阵v(x,t)来表示时间自相关性...

【专利技术属性】
技术研发人员：常胜，陈虹，谭深，马宗瀚，
申请(专利权)人：中国自然资源航空物探遥感中心，
类型：发明
国别省市：