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

本发明涉及数据预测处理，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。

背景技术：

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、农业和水文等领域的适用性，少量研究校正了降水气温数据集的系统偏差。但是，不同偏差校正方法存在一定差异，对径流模拟带来较大的不确定性，现有方法的模拟效果欠佳。少量研究采用人工智能模型开展气象水文模拟，尤其是用于模拟或重构干旱指数，但是现在研究较少同时考虑植被信息和大尺度环流机制对气象水文过程的综合影响，也未能融合观测数据和gcms模拟输出，限制了长系列干旱指数重构的精度。

技术实现思路

1、针对现有技术中存在的技术问题，本发明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、本发明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、本发明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，得到重构期每个月的干旱指数；

16、步骤8：重构期每个月的干旱指数用于流域干旱风险评估及防灾减灾，为水资源管理和应对气候变化提供切实参考依据。

17、作为优选，步骤1所述气象样本包括：2米气温、露点温度、气压、降水量、土壤湿度、水汽通量散度、云层覆盖率、气象长波辐射强度、气象短波辐射强度；

18、步骤1所述水文样本，包括：土壤湿度和气象径流深；

19、在干旱指数重构区域范围内，从谷歌地球引擎获取卫星和陆面同化技术融合的植被数据产品，得到每个经纬度坐标点的植被观测月的多个月的归一化植被指数数据；

20、步骤1所述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大尺度环流因子样本，具体如下：

21、选定m6a-lr全球气候模式、gfdl-esm4全球气候模式、mpi-esm1-2-hr全球气候模式、mri-esm2-0全球气候模式、ukesm1-0-ll全球气候模式，将重构期多个月划分为历史期多个月、未来期多个月；

22、获取每种气候模式下历史期多个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度，将多种气候模式下历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行均值计算，得到历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；

23、将每种气候模式下未来期多个月每个经纬度坐标点分别采用ssp126和ssp585两种共享社会经济路径进行模拟，得到每种气候模式下未来期多个月ssp126经济路径下每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度、每种气候模式下未来期多个月ssp585经济路径下每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度，将每种气候模式下未来期多个月ssp126经济路径下每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度与每种气候模式下未来期多个月ssp585经济路径下对应的每个经纬度坐标点的均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行平均，得到每种气候模式下未来期多个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；

24、将多种气候模式下未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度依次进行均值计算，得到未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度；

25、将历史期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度、未来期每个月每个经纬度坐标点的月均气温、月最高气温、月最低气温、相对湿度、降水量、径流深和短波辐射强度通过月度时间拼接，得到重构期每个月每个经纬度坐标点的模拟月均气温、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；

26、在干旱指数重构区域范围内，采集流域出口断面水文测站的观测资料，得到重构期多个水文观测月的月径流数据；

27、在干旱指数重构区域范围内，采集重力卫星观测反演的数据，得到重构期每个经纬度坐标点的多个卫星观测月的陆地水储量；

28、作为优选，步骤2所述克劳修斯-克拉珀龙热力学方程，定义如下：

29、

30、其中，为第一积分常数，取273.16 k，为第二积分常数，取611 pa，为汽化潜热常数，取，为水汽气体常数，取，t为克劳修斯-克拉珀龙热力学方程的输入变量；

31、步骤2所述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，具体如下：

32、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、露点温度分别作为输入变量代入克劳修斯-克拉珀龙热力学方程，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，具体如下：

33、

34、其中，表示重构期第j个月第g个经纬度坐标点的饱和水汽压亏缺，表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，表示重构期第j个月第g个经纬度坐标点的露点温度；

35、步骤2所述计算得到重构期每个月每个经纬度坐标点的比湿，具体如下：

36、

37、其中，表示重构期第j个月第g个经纬度坐标点的比湿，表示重构期第j个月第g个经纬度坐标点的气压，表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，表示重构期第j个月第g个经纬度坐标点的露点温度；

38、采用气温和相对湿度推求湿球温度：

39、

40、

41、其中，表示重构期第j个月第g个经纬度坐标点的湿球温度，表示重构期第j个月第g个经纬度坐标点的气象样本的2米气温，atan为反正切函数，表示重构期第j个月第g个经纬度坐标点的近地相对湿度，表示重构期第j个月第g个经纬度坐标点的露点温度；

42、作为优选，步骤3所述通过泰森多边形方法进行空间均值计算，具体如下：

43、重构期每个月多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、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、饱和水汽压亏缺、湿球温度、比湿依次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；

44、步骤3所述通过泰森多变量进行空间均值计算，具体如下：

45、将重构期每个经纬度坐标点的多个卫星观测月的陆地水储量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；

46、将重构期每个经纬度坐标点的多个植被观测月的ndvi指数通过泰森多变量进行空间均值计算，得到重构区域的ndvi数据；

47、步骤3所述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，具体如下：

48、在重构期多个月中，筛选得到重构期多个水文观测月的气象样本、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，并输入至卷积神经网络选择与历史每个水文观测月的月径流数据重要性高的历史每个水文观测月的多个月径流关键因子；

49、在重构期多个月中，筛选得到历史多个卫星观测月的气象样本、卫星样本、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，并输入至卷积神经网络选择与历史每个卫星观测月的陆地水储量数据重要性高的历史每个卫星观测月的多个水储量关键因子；

50、作为优选，步骤4所述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，具体如下：

51、将重构期每个水文观测月的多个月径流关键因子作为样本输入至长短期记忆网络，得到重构期每个水文观测月的长短期记忆网络预测月径流数据，结合重构期每个水文观测月的月径流数据构建长短期记忆网络误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流长短期记忆网络；

52、将重构期每个水文观测月的多个月径流关键因子作为样本输入至卷积神经网络，得到重构期每个水文观测月的卷积神经网络预测月径流数据，结合重构期每个水文观测月的月径流数据构建卷积神经网络误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流卷积神经网络；

53、将重构期每个水文观测月的多个月径流关键因子作为样本输入至支持向量机，得到重构期每个水文观测月的支持向量机预测月径流数据，结合重构期每个水文观测月的月径流数据构建支持向量机误差损失函数模型，通过梯度下降方法优化训练得到优化后月径流支持向量机；

54、步骤4所述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，具体如下：

55、将重构期每个卫星观测月的多个水储量关键因子作为样本输入至长短期记忆网络，得到重构期每个卫星观测月的长短期记忆网络预测水储量数据，结合历史每个卫星观测月的水储量数据构建长短期记忆网络误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量长短期记忆网络；

56、将重构期每个卫星观测月的多个水储量关键因子作为样本输入至卷积神经网络，得到重构期每个卫星观测月的卷积神经网络预测水储量数据，结合重构期每个卫星观测月的水储量数据构建卷积神经网络误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量卷积神经网络；

57、将重构期每个卫星观测月的多个水储量关键因子作为样本输入至支持向量机，得到重构期每个卫星观测月的支持向量机预测水储量数据，结合重构期每个卫星观测月的水储量数据构建支持向量机误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量支持向量机；

58、作为优选，步骤5所述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，具体如下：

59、将重构期每个水文观测月的多个月径流关键因子作为样本分别输入优化后月径流长短期记忆网络、优化后月径流随机森林、优化后月径流支持向量机，分别得到重构期每个水文观测月的长短期记忆网络预测月径流数据、重构期每个水文观测月的卷积神经网络预测月径流数据、重构期每个水文观测月的支持向量机预测月径流数据；

60、将重构期每个水文观测月的长短期记忆网络预测月径流数据、重构期每个水文观测月的卷积神经网络预测月径流数据、重构期每个水文观测月的支持向量机预测月径流数据以及重构期每个水文观测月的月径流数据，输入到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；

61、步骤5所述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，具体如下：

62、将重构期每个卫星观测月的多个水储量关键因子作为样本分别输入优化后水储量长短期记忆网络、优化后水储量随机森林、优化后水储量支持向量机，分别得到重构期每个卫星观测月的长短期记忆网络预测水储量数据、重构期每个卫星观测月的卷积神经网络预测水储量数据、重构期每个卫星观测月的支持向量机预测水储量数据；

63、将重构期每个卫星观测月的长短期记忆网络预测水储量数据、重构期每个卫星观测月的卷积神经网络预测水储量数据、重构期每个卫星观测月的支持向量机预测水储量数据以及重构期每个卫星观测月的水储量数据，输入到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；

64、所述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、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，具体如下：

65、一年有1-12月，在权重推求方案中，每个月份在不同年份的权重相同，故需要分别推求1-12月的权重，并应用于整个重构期；

66、使组合情景的权重参数由归一化计算组合情景下的独立性权重参数和技能性权重参数得到，具体如下：

67、对于每一个月，月径流人工智能模型的权重参数满足：

68、

69、其中，i表示步骤4建立的第i个月径流人工智能模型，表示该组合情景的权重参数； lm表示月径流人工智能模型数量，为3。

70、采用下式计算权重：

71、

72、其中，表征第 i 个月径流人工智能模型模拟的径流与水文测站观测的径流之间的相对偏差；

73、对于每一个月，水储量人工智能模型的权重参数满足：

74、

75、其中，i表示步骤4建立的第i个水储量人工智能模型，表示该组合情景的权重参数 ；lm表示月径流人工智能模型数量，为3；

76、采用下式计算权重：

77、

78、其中，表征第 i个水储量人工智能模型模拟的径流与水文测站观测的径流之间的绝对偏差；

79、作为优选，步骤6所述通过加权计算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，具体如下：

80、将重构期每个月的多个月径流关键因子作为样本分别输入优化后月径流长短期记忆网络、优化后月径流随机森林、优化后月径流支持向量机，结合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进行加权计算，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；

81、所述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，具计算如下：

82、

83、式中：为月径流加权平均后的重构期第 j个月的重构径流数据；为第 k个月径流人工智能模型在重构期第 j个月的权重；为第 k个人工智能模型在重构期第 j个月的模拟月径流，k∈[1,3]，若k=1则表示优化后月径流长短期记忆网络，若k=2则表示优化后月径流随机森林，若k=3则表示优化后月径流支持向量机；

84、步骤6所述通过加权计算得到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，具体如下：

85、将重构期每个月的多个水储量关键因子作为样本分别输入优化后水储量长短期记忆网络、优化后水储量随机森林、优化后水储量支持向量机，结合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权重参数进行加权计算，得到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；

86、所述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，具计算如下：

87、所述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，具计算如下：

88、

89、式中：为陆地水储量加权平均后的重构期第 j个月的重构陆地水储量数据；为第 k个水储量人工智能模型在重构期第 j个月的权重；为第 k个人工智能模型在重构期第 j个月的模拟陆地水储量，k∈[1,3]，若k=1则表示优化后水储量长短期记忆网络，若k=2则表示优化后水储量随机森林，若k=3则表示优化后水储量支持向量机；

90、作为优选，步骤7所述重构期每个月的基于陆地水储量异常的干旱强度，具体计算如下：

91、

92、其中，代表重构期第 j个月的基于陆地水储量异常的干旱强度，代表重构期第j个月的干旱强度，分别为重构期内第m月twsa的均值和标准差，m=1,2…,12，根据重构期第j个月所处的日历月判断；

93、步骤7所述植被观测月的干旱事件过程回归模型，定义如下：

94、

95、其中，为第m个干旱月份的ndvi相对于整个研究期的距平；分别表示第m个干旱月份的twsa-dsi指数和sri指数，其中干旱月份采用两项指数均小于-0.5判断；a、b分别表征回归模型推求得到的第一参数、第二参数；所述干旱月指twsa-dsi和sri均小于-0.5的月份；

96、步骤7所述通过加权平均方法进行计算，具体如下：

97、

98、其中，表征重构期第 j个月的干旱指数，表征重构期第 j个月推求的标准化径流指数， twsa-dsij表示重构期第 j个月推求的基于陆地水储量异常的干旱强度；a、b分别表征回归模型推求得到的第一参数、第二参数；

99、本发明还提供了一种计算机可读介质，所述计算机可读介质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，使得所述融合人工智能的干旱指数重构方法的步骤。

100、本发明的技术效果和优点：

101、本发明提供的融合人工智能与大气环流机制的干旱指数重构方法及系统，通过多种人工智能模型刻画影响流域月径流的气象、水文、植被和大尺度气候信息，为气候变化情景下全球及区域水资源风险评估、预警提供重要且可操作性强的参考依据，为应对未来气候灾害、科学制定减排战略提供工程参考价值。