【技术实现步骤摘要】
本专利技术涉及数据预测处理，特别是一种基于人工智能的干旱风险预测方法及计算机可读介质。
技术介绍
1、干旱事件成因复杂、时间跨度大、破坏力强，是制约自然生态系统和社会经济可持续发展的重要因素，常被划分为气象干旱、水文干旱、农业干旱以及社会经济干旱。其中，气象干旱与水文干旱对水资源管理及各类涉水活动影响显著，是干旱事件中备受关注的重要类别。气象干旱主要指降水偏少现象，多由大气环流异常引发；气象干旱是水文干旱的诱因，降水偏少和气温偏高可能造成土壤水、河湖径流和地下水干旱发生，从而进一步触发水文干旱。严重的干旱事件，往往是气象干旱、水文干旱等逐渐发展的结果。干旱的影响因子众多，包括水文、气象以及植被等因子，且往往存在密切的相关性。因此，国内外学者为了定量刻画水分亏缺程度，提出了标准化降水指数、标准化降水蒸散发指数、帕默尔干旱指数、标准化径流指数等大量的单因子、多因子综合干旱指标。尽管各干旱指数的研究对象及关注的物理过程不同，但主要考虑降水、蒸散发、径流和土壤含水量等一种或多种气象水文要素，无法全面刻画干旱事件的内在物理特征。
2、2002年3月，重力恢复与气候实验(gravity recovery and climate experiment,grace)卫星成功发射，为获取全球大尺度地球表面物质迁移提供了连续、高精度的直接观测手段。基于grace卫星信号解算的重力场模型，可以提取地球月重力场在300km×300km空间尺度的变化信息，扣除地壳物质移动、大气运动、洋流和潮汐等因素影响，能有效反映冰雪、地表水、土壤水、地下水
3、当前全球正在经历以“变暖”为主导的气候变化，降水对气候变暖的响应具有显著的时空异质性，其变化受大气水汽容量、相对湿度以及大气稳定性影响。陆地水储量受降水与蒸散发的协同作用，其对全球变暖的响应更加复杂，未来旱情如何演化尚不清晰。尽管grace/grace-fo卫星开始应用于干旱监测评估，目前国外基于陆地水储量异常预估未来旱情的相关研究仍起步不久，国内更是鲜见报道；同时，这些文献通常仅关注干旱历时或烈度等单一特征属性变化，也未考虑旱情的非一致性特征，难以准确刻画干旱事件的多变量特征属性，不能有效反应未来干旱风险变化。当前，科学量化未来非一致性条件下的多维干旱事件成为难题，如何定量评估干旱风险变化对社会经济系统造成的潜在风险也亟待探讨。
技术实现思路
1、本专利技术的目的在于克服上述不足，提供一种基于人工智能的干旱风险预测方法及计算机可读介质，以解决
技术介绍
中提出的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种基于人工智能的干旱风险预测方法，包括以下步骤：
3、步骤1：选定干旱风险预测区域，在干旱风险预测区域范围内获取气象水文再分析资料、陆地水储量反演样本、气候模式预测样本、社会经济样本；
4、步骤2：将重构期每个月每个经纬度坐标点的气象水文再分析资料的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，计算得到历史期每个月每个经纬度坐标点的相对湿度、比湿、湿球温度；
5、步骤3：对干旱风险预测区域的每一个格点，结合空间滑窗法和随机森林模型，优选各个格点中影响陆地水储量的关键因子；基于所述优选的关键因子和陆地水储量反演样本，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、优化后水储量逻辑回归模型、优化后水储量支持向量机；
6、步骤4：对干旱风险预测区域的每一个格点，评估机器学习模型的模拟精度，采用月尺度多模式加权平均模型优选各机器学习模型在每个月的权重；
7、步骤5，对干旱风险预测区域，建立历史期gi与作物产量、人口、gdp、工业用水量、农业用水量等社会经济指数的gi回归模型，并推求该模型的参数；
8、步骤6，将全球气候模式预测的未来气象水文变量输入到步骤4和步骤5建立的机器学习模型和月尺度多模式加权平均模型，获得未来的陆地水储量数据集；将未来工农业用水及社会经济数据输入到建立的gi回归模型，预测未来gi数据；
9、步骤7，对于未来情景下的陆地水储量数据集，基于游程理论确定干旱事件，采用年均湿球温度为协变量，建立非一致性条件下基于“且”重现期和同频率组合的联合概率分布模型，并引入gi指数预测未来干旱造成的社会经济风险。
10、优选地，所述步骤3具体为：
11、对每一个格点，设定空间滑窗阈值，按照该区间范围依次滑动，采用该空间范围内所有格点的数据作为机器学习模型的输入；
12、采用随机森林算法构建上述空间范围内各驱动因子与陆地水储量样本的关系模型，所述驱动因子包括月均气温、降雪量、降水量、相对湿度、近地风速、径流深、短波辐射强度和湿球温度；考虑各驱动因子对陆地水储量的时滞影响，对每一个月份，选取该月份及之前1-3个月份的驱动因子均作为随机森林模型的输入；
13、基于上述随机森林模型，优选出影响陆地水储量的重要因子，设置50％为阈值，选取排名前50％的变量作为水储量关键因子；
14、将上述水储量关键因子和历史期陆地水储量作为样本输入至长短期记忆网络，并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，得到长短期记忆模拟水储量；
15、将上述水储量关键因子和历史期陆地水储量作为样本输入至逻辑回归模型，并构建逻辑回归模型误差损失函数模型，通过梯度下降方法优化训练得到优化后水储量逻辑回归模型，得到逻辑回归模型模拟水储量；
16、将上述水储量关键因子和历史期陆地水储量作为样本输入至支持向量机，并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，得到支持向量机模拟水储量。
17、优选地，所述步骤4具体为：
18、将历史期的长短期记忆网络模拟水储量数据、逻辑回归模型模拟水储量数据、支持向量机模拟水储量数据，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、优化后逻辑回归模型、优化后支持向量机在每个月的水储量权重参数，具体如下：
19、对于每一个月，水储量人工智能模型的权重参数满足：
20、
21、其中，i表示第i个水储量人工智能模型，wtws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；
22、采用下式计算权重：
23、
24、其中，wo(i)表本文档来自技高网...
【技术保护点】
1.一种基于人工智能的干旱风险预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的干旱风险预测方法，其特征在于：所述步骤3具体为：
3.根据权利要求1所述的一种基于人工智能的干旱风险预测方法，其特征在于：所述步骤4具体为：
4.根据权利要求1所述的一种基于人工智能的干旱风险预测方法，其特征在于：所述步骤5具体为：
5.根据权利要求2所述的一种基于人工智能的干旱风险预测方法，其特征在于：所述步骤6具体为：
6.根据权利要求1所述的一种基于人工智能的干旱风险预测方法，其特征在于：所述步骤7具体为：
7.一种计算机可读介质，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1-6任一项所述基于人工智能的干旱风险预测方法的步骤。
【技术特征摘要】
1.一种基于人工智能的干旱风险预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的干旱风险预测方法，其特征在于：所述步骤3具体为：
3.根据权利要求1所述的一种基于人工智能的干旱风险预测方法，其特征在于：所述步骤4具体为：
4.根据权利要求1所述的一种基于人工智能的干旱风险预测方法，其特征在于：所述步骤5具体为：
5...
【专利技术属性】
技术研发人员：郭家力，张鹏，郑翼飞，顾磊，尹家波，
申请(专利权)人：三峡大学，
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。