一種基于結(jié)構(gòu)推理的多干旱指數(shù)融合方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于結(jié)構(gòu)推理的多干旱指數(shù)融合方法。
【背景技術(shù)】
[0002] 隨著全球氣候變化的加劇，氣溫不斷升高，干旱發(fā)生的頻率和強(qiáng)度不斷增強(qiáng)，干旱 地區(qū)的擴(kuò)大與干旱化程度日趨嚴(yán)重，干旱化趨勢已成為全球關(guān)注的焦點。在長期無雨或少 雨的情況下，土壤水分虧缺，蒸散作用使得農(nóng)作物體內(nèi)水分平衡嚴(yán)重失調(diào)，正常生理活動 遭到破壞，從而引發(fā)農(nóng)作物干旱事件。中國處于季風(fēng)氣候區(qū)，降雨分布不均，造成的干旱 問題尤為突出，中國常年農(nóng)作物受旱面積約2X107~2. 7X10 7hm2,造成每年糧食損失約 2. 5X101(]~3X10wkg，占各種自然災(zāi)害損失總量的60%左右。美國等一些涵蓋農(nóng)業(yè)產(chǎn)業(yè)的 發(fā)達(dá)國家，同樣不同程度地遭受著干旱的威脅。農(nóng)業(yè)干旱是一個持續(xù)的過程，成災(zāi)范圍一般 呈片狀，且干旱的發(fā)生、發(fā)展不受時間和空間的限制。目前，農(nóng)業(yè)干旱監(jiān)測主要采用干旱指 數(shù)來反映干旱持續(xù)的時間和強(qiáng)度。世界氣象組織（WorldMeteorologicalOrganization) 將干旱指數(shù)定義為：它是跟持續(xù)、異常的水分不足造成的累積效應(yīng)相關(guān)的指數(shù)，應(yīng)用較為廣 泛的干旱監(jiān)測指數(shù)主要有兩類：一類是基于傳統(tǒng)地面氣象觀測數(shù)據(jù)的干旱指數(shù)，即氣象干 旱指數(shù)，該類指數(shù)都是基于單點觀測，其空間上的監(jiān)測精度受控于氣象站點的分布密度，很 難反映精細(xì)的干旱狀況；另一類是基于衛(wèi)星遙感信息的干旱監(jiān)測指數(shù)，主要是應(yīng)用多時相、 多光譜、多角度遙感數(shù)據(jù)從不同側(cè)面定性或半定量地評價土壤水分分布狀況，具有覆蓋范 圍廣、時空間分辨率高等優(yōu)點。各類農(nóng)作物作為世界上主要的糧食作物品種，干旱的發(fā)生將 直接造成糧食危機(jī)，威脅到人類的溫飽水平，故有必要對其進(jìn)行較為精細(xì)的旱情監(jiān)測。
[0003]由于干旱自身的復(fù)雜特性和對社會影響的廣泛性，干旱指標(biāo)大都是建立在特定的 地域和時間范圍內(nèi)，有其相應(yīng)的時空尺度，單個干旱指標(biāo)很難達(dá)到時空上普遍適用的條件。 現(xiàn)行干旱監(jiān)測方法雖有基于遙感和氣象觀測指標(biāo)的多干旱指數(shù)融合模型，但并沒有考慮數(shù) 據(jù)本身在時空尺度上的有效性。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種基于結(jié)構(gòu)推理的多干旱指數(shù)融合方法。
[0005] 為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是：
[0006] 1、一種基于結(jié)構(gòu)推理的多干旱指數(shù)融合方法，包括：
[0007] 1)、進(jìn)行結(jié)構(gòu)推理，確定目標(biāo)1的兩個特征模式變量叫和m2，根據(jù)兩個特征模式變 量叫和m2的關(guān)系進(jìn)行模式選擇，對該模式下的聯(lián)合概率進(jìn)行估算；
[0008]2)、對結(jié)構(gòu)推理進(jìn)行時間維度擴(kuò)展，其采用FHMM模型，獲取FHMM模型參數(shù)，將模 型參數(shù)帶入FHMM模型，估計當(dāng)前時間點上多干旱指數(shù)的融合。
[0009] 優(yōu)選地，在1)中，包括mJPm2相關(guān)、僅心相關(guān)、僅m2相關(guān)、mJPm2均無關(guān)四種模 式。
[0010] 優(yōu)選地，在2)中，F(xiàn)HMM模型在時間序列上的每一個時間點上僅有一個觀測節(jié)點， 并包括多個狀態(tài)節(jié)點，在該時間點t上的和均為狀態(tài)節(jié)點。
[0011] 進(jìn)一步優(yōu)選地，對多干旱指數(shù)進(jìn)行融合時，為對時間序列進(jìn)行過濾化處理。
[0012] 優(yōu)選地，在2)中，模型參數(shù)包括初始狀態(tài)概率分布、狀態(tài)轉(zhuǎn)移舉證、觀測值概率矩 陣。
[0013] 進(jìn)一步優(yōu)選地，初始狀態(tài)概率分布通過統(tǒng)計歷史數(shù)據(jù)獲取。
[0014] 進(jìn)一步優(yōu)選地，模型參數(shù)采用EM算法進(jìn)行估計，先給定模型參數(shù)的初始值，通過 迭代完成參數(shù)的估計。
[0015] 優(yōu)選地，在2)中，通過前向-后向算法對FHMM模型參數(shù)進(jìn)行優(yōu)化。
[0016] 其中：
[0017] 結(jié)構(gòu)推理（StructureInference)可看做是因果推論（CausalInference)的子 類，它們都是基于結(jié)果發(fā)生的條件，得出關(guān)于因果關(guān)聯(lián)的結(jié)論，以兩實體相關(guān)性的先驗為基 礎(chǔ)，可指示當(dāng)前它們之間的因果聯(lián)系，但必須利用其它指標(biāo)建立兩實體因果聯(lián)系的精確形 式。
[0018] 因子隱馬爾可夫模型（FactorialHiddenMarkovModel，F(xiàn)HMM)是HMM的一種擴(kuò) 展形式，采用更為復(fù)雜的狀態(tài)結(jié)構(gòu)來提升HMM模型的表征能力，通過松耦合的方式對多個 隨機(jī)過程進(jìn)行建模。它假定系統(tǒng)存在著多條Markov鏈，形成了由若干層組成的信任網(wǎng)絡(luò)， 每一層都是一個狀態(tài)變量的Markov過程，層與層之間統(tǒng)計獨(dú)立，但是觀測到的變量依賴于 每一層的當(dāng)前狀態(tài)。
[0019] 由于上述技術(shù)方案運(yùn)用，本發(fā)明與現(xiàn)有技術(shù)相比具有下列優(yōu)點和效果：
[0020] 本發(fā)明顧及了各指數(shù)在時間維度上的有效性，優(yōu)化了融合結(jié)果，對SPI指數(shù)和 PA-VCI指數(shù)的錯分、漏分現(xiàn)象有一定程度的改善，監(jiān)測出的旱情在空間布局上較為集中，與 DM監(jiān)測的吻合度相對較好，因此，可為農(nóng)作物旱情監(jiān)測提供輔助手段。
【附圖說明】
[0021] 附圖la為本實施例中結(jié)構(gòu)推理的變結(jié)構(gòu)圖示；
[0022] 附圖lb為本實施例中結(jié)構(gòu)推理的變模式圖示；
[0023] 附圖2為本實施例中FHMM模型圖；
[0024] 附圖3為本實施例中前向-后向算法示意圖。
【具體實施方式】
[0025] 下面結(jié)合附圖及實施案例對本發(fā)明作進(jìn)一步描述：
[0026] -種基于結(jié)構(gòu)推理的多干旱指數(shù)融合方法，包括：
[0027] 首先對各個符號做定義：
[0028] 隱性狀態(tài)（latentstate) {1。. ?? 1NJ，模式變量（modelvariable)(也可以看做 是隱性狀態(tài)）mjPm2;
[0029] 觀測值序列紀(jì)夂(t= 1，. . .，T)，其中，T為時間序列的維度；
[0030] 初始狀態(tài)、模式概率分布p(r=1a))、_?管$!識》和續(xù)辨簡記為 52 復(fù):5 和;TSi3 \
[0031] 隱性狀態(tài)轉(zhuǎn)移概率p(ra)irw))，a，i' =1，…，n)，簡記為_以或隱性 狀態(tài)轉(zhuǎn)移矩陣pair1)，簡記為a1;
[0032]模式轉(zhuǎn)移概率 別簡寫為和t或模式轉(zhuǎn)移矩陣物n和巧爾分別簡記為a"1和a"S
[0033] 觀測值概率:輕__糖:_|:|參簡記為<k(Dt);或觀測值概率矩陣 FC則 1'_!邱|):，簡記為b(Dt);
[0034] 前向概率__和后向概率縣辦
[0035] 1)、進(jìn)行結(jié)構(gòu)推理：
[0036] 如圖la、lb所示：首先確定目標(biāo)1和兩特征&和12間的關(guān)系，通常存在4種可能 的關(guān)系：a)與xJPx2相關(guān)，b)僅與x:相關(guān)，c)僅與x2相關(guān)，d)與x:和x2均無關(guān)；然后依 據(jù)確定好的模式1和M2，進(jìn)行模型參數(shù)的估計，即模式選擇和參數(shù)估計。具體為：
[0037] 變量mJPm2控制模型的模式。mJPm2為二值模式，1表示相關(guān)（前景），0表示不 相關(guān)（背景）。假設(shè)目標(biāo)1的參數(shù)為? 的前景參數(shù)分別為?i和? 2，背景參數(shù)為 ?b，那么，聯(lián)合概率可以表示成：
[0038]
[0039] 由公式（1-1)可知，同的取值組合，可衍生出4種模式，即：
[0040] 當(dāng)叫二 0,且m2= 0 時，
[0041] P(D|1,mi,m2) =P(Xi| @b) ?P(x2|@b) (1-2)；
[0042] 當(dāng)叫二 1，且m2=0 時，
[0043] P(D| 1，nvm2) =P(Xi11，?D?P(x2| ?b) (1-3)；
[0044] 當(dāng)叫二 0,且m2= 1 時，
[0045] P(D| 1，nvm2) =P(Xi| ?b) ?P(x2| 1，?2) (1-4);
[0046] 當(dāng)1111=1，且1112=1時，
[0047] P(D| 1，nvm2) =P(Xi11，?D?P(x2| 1，?2) (1-5)；
[0048]2)、對結(jié)構(gòu)推理進(jìn)行時間維度擴(kuò)展：
[0049] 如圖2所示：FHMM在時間序列上的每一個時間點上僅有一個觀測節(jié)點，但存在多 個狀態(tài)節(jié)點，I1、鑛I和Ml均為狀態(tài)節(jié)點，在FHMM中，層的特性僅允許同一層狀態(tài)的轉(zhuǎn)移，這 樣把狀態(tài)分解成若干層，因此系統(tǒng)可以模擬幾個松弛耦合的動態(tài)