一种基于结构推理的多干旱指数融合方法
【技术领域】
[0001] 本发明涉及一种基于结构推理的多干旱指数融合方法。
【背景技术】
[0002] 随着全球气候变化的加剧，气温不断升高，干旱发生的频率和强度不断增强，干旱 地区的扩大与干旱化程度日趋严重，干旱化趋势已成为全球关注的焦点。在长期无雨或少 雨的情况下，土壤水分亏缺，蒸散作用使得农作物体内水分平衡严重失调，正常生理活动 遭到破坏，从而引发农作物干旱事件。中国处于季风气候区，降雨分布不均，造成的干旱 问题尤为突出，中国常年农作物受旱面积约2X107~2. 7X10 7hm2,造成每年粮食损失约 2. 5X101(]~3X10wkg，占各种自然灾害损失总量的60%左右。美国等一些涵盖农业产业的 发达国家，同样不同程度地遭受着干旱的威胁。农业干旱是一个持续的过程，成灾范围一般 呈片状，且干旱的发生、发展不受时间和空间的限制。目前，农业干旱监测主要采用干旱指 数来反映干旱持续的时间和强度。世界气象组织（WorldMeteorologicalOrganization) 将干旱指数定义为：它是跟持续、异常的水分不足造成的累积效应相关的指数，应用较为广 泛的干旱监测指数主要有两类：一类是基于传统地面气象观测数据的干旱指数，即气象干 旱指数，该类指数都是基于单点观测，其空间上的监测精度受控于气象站点的分布密度，很 难反映精细的干旱状况；另一类是基于卫星遥感信息的干旱监测指数，主要是应用多时相、 多光谱、多角度遥感数据从不同侧面定性或半定量地评价土壤水分分布状况，具有覆盖范 围广、时空间分辨率高等优点。各类农作物作为世界上主要的粮食作物品种，干旱的发生将 直接造成粮食危机，威胁到人类的温饱水平，故有必要对其进行较为精细的旱情监测。
[0003]由于干旱自身的复杂特性和对社会影响的广泛性，干旱指标大都是建立在特定的 地域和时间范围内，有其相应的时空尺度，单个干旱指标很难达到时空上普遍适用的条件。 现行干旱监测方法虽有基于遥感和气象观测指标的多干旱指数融合模型，但并没有考虑数 据本身在时空尺度上的有效性。
【发明内容】
[0004] 本发明的目的是提供一种基于结构推理的多干旱指数融合方法。
[0005] 为达到上述目的，本发明采用的技术方案是：
[0006] 1、一种基于结构推理的多干旱指数融合方法，包括：
[0007] 1)、进行结构推理，确定目标1的两个特征模式变量叫和m2，根据两个特征模式变 量叫和m2的关系进行模式选择，对该模式下的联合概率进行估算；
[0008]2)、对结构推理进行时间维度扩展，其采用FHMM模型，获取FHMM模型参数，将模 型参数带入FHMM模型，估计当前时间点上多干旱指数的融合。
[0009] 优选地，在1)中，包括mJPm2相关、仅心相关、仅m2相关、mJPm2均无关四种模 式。
[0010] 优选地，在2)中，FHMM模型在时间序列上的每一个时间点上仅有一个观测节点， 并包括多个状态节点，在该时间点t上的和均为状态节点。
[0011] 进一步优选地，对多干旱指数进行融合时，为对时间序列进行过滤化处理。
[0012] 优选地，在2)中，模型参数包括初始状态概率分布、状态转移举证、观测值概率矩 阵。
[0013] 进一步优选地，初始状态概率分布通过统计历史数据获取。
[0014] 进一步优选地，模型参数采用EM算法进行估计，先给定模型参数的初始值，通过 迭代完成参数的估计。
[0015] 优选地，在2)中，通过前向-后向算法对FHMM模型参数进行优化。
[0016] 其中：
[0017] 结构推理（StructureInference)可看做是因果推论（CausalInference)的子 类，它们都是基于结果发生的条件，得出关于因果关联的结论，以两实体相关性的先验为基 础，可指示当前它们之间的因果联系，但必须利用其它指标建立两实体因果联系的精确形 式。
[0018] 因子隐马尔可夫模型（FactorialHiddenMarkovModel，FHMM)是HMM的一种扩 展形式，采用更为复杂的状态结构来提升HMM模型的表征能力，通过松耦合的方式对多个 随机过程进行建模。它假定系统存在着多条Markov链，形成了由若干层组成的信任网络， 每一层都是一个状态变量的Markov过程，层与层之间统计独立，但是观测到的变量依赖于 每一层的当前状态。
[0019] 由于上述技术方案运用，本发明与现有技术相比具有下列优点和效果：
[0020] 本发明顾及了各指数在时间维度上的有效性，优化了融合结果，对SPI指数和 PA-VCI指数的错分、漏分现象有一定程度的改善，监测出的旱情在空间布局上较为集中，与 DM监测的吻合度相对较好，因此，可为农作物旱情监测提供辅助手段。
【附图说明】
[0021] 附图la为本实施例中结构推理的变结构图示；
[0022] 附图lb为本实施例中结构推理的变模式图示；
[0023] 附图2为本实施例中FHMM模型图；
[0024] 附图3为本实施例中前向-后向算法示意图。
【具体实施方式】
[0025] 下面结合附图及实施案例对本发明作进一步描述：
[0026] -种基于结构推理的多干旱指数融合方法，包括：
[0027] 首先对各个符号做定义：
[0028] 隐性状态（latentstate) {1。. ?? 1NJ，模式变量（modelvariable)(也可以看做 是隐性状态）mjPm2;
[0029] 观测值序列纪夂(t= 1，. . .，T)，其中，T为时间序列的维度；
[0030] 初始状态、模式概率分布p(r=1a))、_?管$!識》和續辨简记为 52 复:5 和;TSi3 \
[0031] 隐性状态转移概率p(ra)irw))，a，i' =1，…，n)，简记为_以或隐性 状态转移矩阵pair1)，简记为a1;
[0032]模式转移概率 别简写为和t或模式转移矩阵物n和巧爾分别简记为a"1和a"S
[0033] 观测值概率:輕__糖:_|:|參简记为<k(Dt);或观测值概率矩阵 FC則 1'_!邱|):，简记为b(Dt);
[0034] 前向概率__和后向概率縣辦
[0035] 1)、进行结构推理：
[0036] 如图la、lb所示：首先确定目标1和两特征&和12间的关系，通常存在4种可能 的关系：a)与xJPx2相关，b)仅与x:相关，c)仅与x2相关，d)与x:和x2均无关；然后依 据确定好的模式1和M2，进行模型参数的估计，即模式选择和参数估计。具体为：
[0037] 变量mJPm2控制模型的模式。mJPm2为二值模式，1表示相关（前景），0表示不 相关（背景）。假设目标1的参数为? 的前景参数分别为?i和? 2，背景参数为 ?b，那么，联合概率可以表示成：
[0038]
[0039] 由公式（1-1)可知，同的取值组合，可衍生出4种模式，即：
[0040] 当叫二 0,且m2= 0 时，
[0041] P(D|1,mi,m2) =P(Xi| @b) ?P(x2|@b) (1-2)；
[0042] 当叫二 1，且m2=0 时，
[0043] P(D| 1，nvm2) =P(Xi11，?D?P(x2| ?b) (1-3)；
[0044] 当叫二 0,且m2= 1 时，
[0045] P(D| 1，nvm2) =P(Xi| ?b) ?P(x2| 1，?2) (1-4);
[0046] 当1111=1，且1112=1时，
[0047] P(D| 1，nvm2) =P(Xi11，?D?P(x2| 1，?2) (1-5)；
[0048]2)、对结构推理进行时间维度扩展：
[0049] 如图2所示：FHMM在时间序列上的每一个时间点上仅有一个观测节点，但存在多 个状态节点，I1、鑛I和Ml均为状态节点，在FHMM中，层的特性仅允许同一层状态的转移，这 样把状态分解成若干层，因此系统可以模拟几个松弛耦合的动态