【技术实现步骤摘要】
本专利技术涉及数据预测处理，尤其涉及一种融合人工智能的干旱指数重构方法及计算机可读介质。
技术介绍
1、长系列干旱指数是流域水资源管理、生态保护、灾害风险评估以及水利工程规划设计的重要基础资料。传统的干旱指数数据主要依赖于气象水文站点观测，但是我国经济欠发达地区的站网通常密度较小且空间布设不均，难以准确反映干旱指数的时空变化特性，不能满足防灾减灾和水利工程应用需要。
2、近年来，卫星遥测技术和数据反演算法快速发展，基于卫星遥感反演的气象观测产品具有较宽的覆盖范围和更高的时空分辨率，有效弥补了气象站点布设不足的缺陷，并为缺资料地区提供了新的数据参考。随着人类观测手段和数据同化技术日渐成熟，学者们对多种来源（地面、船舶、无线电探空、测风气球、飞机、卫星等）的观测资料进行质量控制，提出利用数值天气预报的数据同化技术来重构长期历史气候过程，即所谓的再分析数据集，它同化了数值天气预报和大量的地面观测数据与卫星遥感信息，具有时空分辨率精度高、时间跨度长等优点。同时，随着全球气候模式（global climate models）的发展，gcms能够提供时间序列较长的格点化气象数据，但是gcms模式输出的数据一般存在较大的系统偏差，且空间分辨率较低，难以直接用于重构长系列干旱指数。
3、随着遥感技术的发展，采用气象数据反演或重构水文系列已成为一条新途径，部分学者采用卫星降水和再分析气温数据应用于流域水文模拟，从而重构长系列径流数据。但是卫星和再分析气象数据往往存在一定的偏差，国内外学者评估了反演数据集在不同气候区气象、农
技术实现思路
1、针对现有技术中存在的技术问题，本专利技术提供一种融合人工智能的干旱指数重构方法及计算机可读介质，用以解决现有技术中针对干旱指数重构没有综合考虑植被信息和全球气候模式输出的缺陷。
2、本专利技术方法的技术方案为一种融合人工智能的干旱指数重构方法，具体如下：
3、计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺、比湿、湿球温度；
4、结合重构期每个水文观测月的多个月径流关键因子通过梯度下降方法优化训练，依次得到优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，结合重构期每个卫星观测月的多个水储量关键因子通过梯度下降方法优化训练，依次得到优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机；
5、通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数、优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数；
6、通过加权计算分别得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据、水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据；
7、将通过加权平均计算以及筛选，得到的重构期多个植被观测月的基于陆地水储量异常的干旱强度、重构期多个植被观测月的标准化径流指数作为输入，将重构期多个植被观测月的归一化植被指数数据作为输出，代入植被观测月的干旱事件过程回归模型，通过最小二乘解算得到回归模型的参数；采用回归模型的参数和重构期多个月基于陆地水储量异常的干旱强度和重构期多个月标准化径流指数，通过加权平均方法进行计算，得到重构期每个月的干旱指数。
8、本专利技术的方法具体步骤如下：
9、步骤1：选定干旱指数重构区域，在干旱指数重构区域范围内获取重构期每个月每个经纬度坐标点的气象样本、水文样本、叶片面积指数、大尺度环流因子样本；
10、步骤2：将重构期每个月每个经纬度坐标点的气象样本的2米气温、露点温度、气压输入克劳修斯-克拉珀龙热力学方程和比湿公式，计算得到重构期每个月每个经纬度坐标点的饱和水汽压亏缺、比湿、湿球温度；
11、步骤3：通过泰森多边形方法进行空间均值计算，得到重构期每个月的气象样本、水文样本、叶片面积指数、大尺度环流因子样本、模拟月均气温、模拟月最高气温、模拟月最低气温、模拟相对湿度、模拟降水量、模拟径流深和模拟短波辐射强度,通过泰森多变量进行空间均值计算,得到重构区域的陆地水储量数据、重构区域的ndvi数据；筛选历史每个水文观测月的多个月径流关键因子、历史每个卫星观测月的多个水储量关键因子；
12、步骤4：结合重构期每个水文观测月的多个月径流关键因子通过梯度下降方法优化训练，依次得到优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，结合重构期每个卫星观测月的多个水储量关键因子通过梯度下降方法优化训练，依次得到优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机；
13、步骤5：结合优化后月径流长短期记忆网络、优化后月径流卷积神经网络、优化后月径流支持向量机，通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的月径流权重参数；结合优化后水储量长短期记忆网络、优化后水储量卷积神经网络、优化后水储量支持向量机，通过月尺度多模式加权平均模型中进行计算，得到优化后长短期记忆网络、优化后卷积神经网络、优化后支持向量机在每个月的水储量权重参数；
14、步骤6：通过加权计算分别得到月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构径流数据、水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构水储量数据；
15、步骤7：将水储量人工智能模型模拟水储量加权平均后的重构期每个月的重构径流数据，输入标准化陆地水储量干旱指数计算公式，得到重构期每个月的基于陆地水储量异常的干旱强度；将月径流人工智能模型模拟月径流加权平均后的重构期每个月的重构月径流数据，输入标准化径流干旱指数计算公式，得到计算重构期每个月的标准化径流指数；获取重构期多个植被观测月的归一化植被指数数据，在重构期多个月基于陆地水储量异常的干旱强度筛选得到重构期多个植被观测月的基于陆地水储量异常的干旱强度；在重构期标准化径流指数筛选得到重构期多个植被观测月的标准化径流指数；将重构期多个植被观测月的基于陆地水储量异常的干旱强度、重构期多个植被观测月的标准化径流指数作为输入，将重构期多个植被观测月的归一化植被指数数据作为输出，代入植被观测月的干旱事件过程回归模型，通过最小二乘解算得到回归模型的参数； 采用回归模型的参数和重构期多个月基于陆地水储量异常的干旱强度和重构期多个月标准化径流指数，通过加权平均方法进行计算，得本文档来自技高网...
【技术保护点】
1.一种融合人工智能的干旱指数重构方法，其特征在于：
2.根据权利要求1所述的融合人工智能的干旱指数重构方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的融合人工智能的干旱指数重构方法，其特征在于：
4.根据权利要求3所述的融合人工智能的干旱指数重构方法，其特征在于：
5.根据权利要求4所述的融合人工智能的干旱指数重构方法，其特征在于：
6.根据权利要求5所述的融合人工智能的干旱指数重构方法，其特征在于：
7.根据权利要求6所述的融合人工智能的干旱指数重构方法，其特征在于：
8.根据权利要求7所述的融合人工智能的干旱指数重构方法，其特征在于：
9.根据权利要求8所述的融合人工智能的干旱指数重构方法，其特征在于：
10.一种计算机可读介质，其特征在于，其存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行如权利要求1-9任一项所述方法的步骤。
【技术特征摘要】
1.一种融合人工智能的干旱指数重构方法，其特征在于：
2.根据权利要求1所述的融合人工智能的干旱指数重构方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的融合人工智能的干旱指数重构方法，其特征在于：
4.根据权利要求3所述的融合人工智能的干旱指数重构方法，其特征在于：
5.根据权利要求4所述的融合人工智能的干旱指数重构方法，其特征在于：
6.根据权利要求5所述的融合人工智能的干旱...
【专利技术属性】
技术研发人员：尹家波，杨远航，戴明龙，钟昕贝，徐乐，金妍岑，张谦，何难，刘汝童，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。