技术领域
[0001] 本申请涉及旱情监测领域，特别是涉及一种林木旱情监测方法、设备及介质。
相关背景技术
[0002] 林业干旱是农业干旱的一部分，对森林和树木具有综合性的多方面影响，如会对林业生产力、植被生长及地表微生物等造成影响。从水资源的角度出发，林业干旱是供水不能满足正常需水的一种不平衡的缺水情况；干旱指数能准确反映湿度的快速变化，具有时间和空间的可比性，对于干旱指数的监测有助于干旱早期减轻的决策制定。但目前，林业干旱的指标还没有一个统一的标准，且大多仅依据某一与干旱相关的单一指数进行计算，准确度较低。
具体实施方式
[0017] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0018] 本申请将林木旱情指标值将气象、遥感干旱指数有机结合，能够有效反映区域大尺度干旱状况和次生效应，为林区旱情监测及火灾预防提供了科学参考和技术支撑。
[0019] 为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
[0020] 本申请实施例提供的林木旱情监测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以单独设置，也可以集成在服务器104上，也可以放在云上或其他服务器上。终端102可以将目标林木区域内的Keetch‑Byram干旱指数、归一化植被指数及预设时长尺度下的标准化降水指数向服务器104发送，服务器104接收到上述三项数据后先进行归一化处理，然后调用林木旱情监测模型得到对应的林木旱情指标值，最后基于预设旱情等级阈值进行匹配，得到对应的旱情等级。服务器104可以将得到的目标林木区域的旱情等级向终端102进行反馈。此外，在一些实施例中，林木旱情监测方法可以单独由服务器104或者终端102实现，也可以由服务器104直接进行数据处理。
[0021] 其中，终端102可以但不限于是各种台式计算机、笔记本电脑、平板电脑、物联网设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，还可以是云服务器。
[0022] 在一个示例性的实施例中，如图2所示，提供了一种林木旱情监测方法，该方法由计算机设备执行，具体可以由终端或服务器等计算机设备单独执行，也可以由终端和服务器共同执行，在本申请实施例中，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤201至步骤203。
[0023] 步骤201，获取目标林木区域内的Keetch‑Byram干旱指数、归一化植被指数及预设时长尺度下的标准化降水指数。在一个应用实例中，目标林木区域内林木类型可以为针叶林或落叶阔叶林，针叶林和落叶阔叶林在空间上对应植被水平‑垂直地带图的寒温性、温性森林地带。
[0024] 在一个应用实例中，目标林木区域内预设时长尺度下的标准化降水指数的确定过程如下所示：
[0025] 首先需要说明，林业对于干旱的敏感程度较低，因此，本申请以气象干旱指标为基础，考虑下垫面类型(林区)，通过对干旱等级阈值的率定来实现对林业干旱的描述。进一步地，标准降水指数能够有效地反映各个区域和各个时段的干旱状况，具有统计学意义上的一致性，能够在不同时间尺度上计算，计算方法简单，资料容易获取，且能够消除降水的使用差异，因此，本申请获取标准降水指数进行林木旱情监测。
[0026] 其次，一定时期内的月降水量变化不服从正态分布，而是一种Gamma分布，因此计算标准化降水指数时，需将偏态概率分布的降水量进行正态标准化处理，其计算方法如下：
[0027] 假设某时段降水量为随机变量x，则其Γ分布的概率密度函数为：
[0028]
[0029] 其中，β>0，γ>0，β为尺度参数，γ为形状参数，可用极大似然估计方法求得：
[0030]
[0031] 其中，xi为降水量历史资料样本数据：为降雨量的多年平均值。
[0032] 确定概率密度函数中的参数后，对于某一年的降水量x0，可求出随机变量x小于x0事件的概率为：
[0033]
[0034] 降水量为0时的事件概率由下式进行估计：
[0035] P(x＝0)＝m/n。
[0036] 其中，m为降水量为0时的样本数；n为总样本数。
[0037] 标准化降水指数(StandardizedPrecipitationIndex，SPI)是在计算出某时段内降水量的Γ分布概率后，再进行正态标准化处理，最终用标准化降水累积频率分布来划分干旱等级。其中，基于Γ拟合函数的SPI计算公式如下：
[0038]
[0039] 其中： G(x)为与Γ函数相关的降水分布概率；S为概率密度正负系数，当G(x)>0.5时，S＝1；当G(x)≤0.5时，S＝‑1。
[0040] G(x)由Γ分布函数概率密度积分公式计算，公式如下：
[0041]
[0042] 其中，γ、β分别为Γ分布函数的形状和尺度参数，用极大似然估计法求得：c0＝2.515517，c1＝0.802853，c2＝0.010328，d1＝1.432788，d2＝0.189269，d3＝0.001308。
[0043] 标准化降水指数根据降水累计频率分布来划分干旱等级，反映了不同时间和地区的降水气候特点，是单纯依赖于降水量的干旱指数。标准化降水指数是基于在一定的时空尺度上，降水的短缺会影响到地表水、库存水、土壤湿度、积雪和流量变化而制定的，可由气象部门的地面观测站点提供，适用于任意时段不同地区旱情的计算。
[0044] 在一个应用实例中，设置两种时长尺度，即，预设时长尺度包括季尺度和年尺度，比如季尺度设置为3个月，年尺度设置为24个月。通过这两个尺度的标准化降水指数的确定可以综合不同时间下的降水数据，从而将不同时长范围内的降水情况加入至林木干旱监测中，为实现更加准确的预测提供数据基础。
[0045] 在一个应用实例中，目标林木区域内Keetch‑Byram干旱指数的确定过程如下所示：
[0046] 首先需要说明，Keetch‑Byram干旱指数(KBDI)是由天气信息估计潜在火险的一个累计算法，包括日最高温度、日总降水和年降雨量，该指数综合考虑了与干旱相关的降水、温度以及地表状况，反映了干旱的物理机制，有效地确定了干旱的起始时刻，并采用递推的方法反映干旱的累积效应。进一步地，Keetch‑Byram干旱指数是基于输入的气象参数，通过对上层土壤和枯枝落叶层失水量估计值估计森林潜在火险，它是一个潜在火险的早期预警工具。Keetch‑Byram干旱指数的模型理论基于如下假设：
[0047] (1)林地水分的损失依赖于这一地区植被覆密度，而植被密度和它的蒸腾能力是年均降雨量的函数，并且植被可以通过自身调节能力充分利用可获得的水分。
[0048] (2)植被与降雨量的关系大约是一种指数关系，水分损失率是年均降雨量的函数，并且水分损失率随植被密度的降低而下降，同时也伴随着年均降雨量的减少。
[0049] (3)土壤的水分损失率是由蒸腾决定的。
[0050] (4)土壤水分的损耗与时间呈指数关系。最低的含水量用萎蔫点表示。因此，在相似条件下，土壤含水量从初始状态降低到萎蔫点的速率与给定时间内土壤层获得的水分总量呈比例关系。
[0051] (5)发生干旱的土壤层的田间持水量是20cm(8inches)。采用20cm持水量的原因是发生森林火灾的大部分森林植被在夏季大约蒸腾如此多的水分，计算中并不需要准确的数值。
[0052] 其次，进行KBDI的初始化。Keetch and Byram(1968)建议一周内有15cm～20cm的降水就足够用于初始化。气候区不能典型满足初始标准则KBDI就不适合作为一个监测工具。KBDI的计算过程如下：
[0053] KBDI的计算公式为：KBDIt＝KBDIt‑1–(Pt)+DFt。
[0054] 当Pt＝0cm，TMAXt≤6.78℃时，KBDIt＝KBDIt‑1。
[0055] 当Pt＝0cm，TMAXt>6.78℃时，KBDIt＝KBDIt‑1+DFt。
[0056] 当Pt>0cm，∑Pt≤0.51cm时，KBDIt＝KBDIt‑1+DFt。
[0057] 当Pt>0cm，∑Pt>0.51cm时，KBDIt＝KBDIt‑1‑Pt+DFt。
[0058] 其中，DFt为蒸腾作用引起的水分损失量。假定植被截留降雨量为5mm，净降雨量Pt定义为：净降雨量＝24hr降雨量–5mm。5mm的截留量只用于降雨的第一天，若降雨持续两天及以上，第二天及以后的降雨量不再去除截留量。
[0059] DFt是日最高温度和年降雨量的指数，计算公式如下：
[0060]
[0061] 其中，Tmax为日最高气温(℃)；R为平均年降雨量(cm)；KBDIt‑1为t‑1天的KBDI。上式采用年均降水量作为植被密度对蒸腾作用，估计土壤水分损失与凋落层含水率之间的关系，公式中6.78℃是一个限值。当最高气温低于6.78℃时，DFt＝0；当最高气温高于6.78℃时，DFt是幂指数增长；当48小时内的降水少于0.51cm时，将不考虑土壤和凋落层的湿度变化，KBDI不降低。本申请中KBDI取值范围在0～200之间。KBDI表示的火险意义如下表1所示。
[0062] 表1
[0063]
[0064] KBDI需要输入的气象因子较少，可以在基层防火部门得到推广应用。在实际应用中，可充分利用现有的气象站数据，每天近实时地绘制出某一目标区域内的干旱指数图，将有助于了解大范围地区的早期火险形势，为合理地调配扑火资源提供参考依据。
[0065] 在一个应用实例中，选取归一化植被指数(Normalized Difference Vegetation Index，NDVI)作为林业干早的遥感监测指标，以林区分布为下垫面，以适用林区的干旱等级阈值为分类标准，评判林业干旱等级；具体地，目标林木区域内归一化植被指数的确定过程如下所示：
[0066]
[0067] 其中，CH1、CH2分别表示NOAA/AVHRR的第1、2通道反照率。
[0068] 步骤202，对所述Keetch‑Byram干旱指数及所述预设时长尺度下的标准化降水指数进行归一化处理后，与所述归一化植被指数一起输入至林木旱情监测模型中，以得到对应的林木旱情指标值。
[0069] 在一个应用实例中，所述预设时长尺度下的标准化降水指数包括季尺度下标准化降水子值及年尺度下标准化降水子值；下述的归一化处理、林木旱情监测模型的构建等均以季尺度下标准化降水子值及年尺度下标准化降水子值为例。若预设时长尺度为3个、4个或更多，可类比推导得到。
[0070] 其中，对所述Keetch‑Byram干旱指数及所述预设时长尺度下的标准化降水指数进行归一化处理，采用了最小‑最大归一化(Min‑Max Normalization)方法，将每个要素的数值区间缩放到0到1，具体过程如下：
[0071] 采用如下公式对所述季尺度下标准化降水子值进行归一化：
[0072]
[0073] 采用如下公式对所述年尺度下标准化降水子值进行归一化：
[0074]
[0075] 采用如下公式对Keetch‑Byram干旱指数进行归一化：
[0076]
[0077] 其中，Y是原始值，Y∈[SPIseason,SPIyear,KBDI]；Xnorm是归一化处理后的Y，Ymin和Ymax分别是Y的最小值和最大值；SPIseason为季尺度下标准化降水子值，SPIyear为年尺度下标准化降水子值，KBDI为Keetch‑Byram干旱指数。
[0078] 其中，所述林木旱情监测模型是基于多个权重系数确定的，所述权重系数用于表征Keetch‑Byram干旱指数、归一化植被指数或预设时长尺度下的标准化降水指数在林木旱情监测中的重要性。
[0079] 林木旱情监测模型内多个权重系数的确定方法包括：专家打分法、统计分析法、机器学习算法及多目标优化法。专家打分法：通过专家对各要素的重要性进行评分，然后根据评分确定权重；虽然这种方法结合了专家的经验，但存在主观性较强的问题。统计分析法：通过对历史数据进行统计分析，确定各个要素对干旱情况的贡献程度；例如，可以计算每个要素与实际干旱事件之间的相关性，根据相关性大小确定权重。机器学习算法：利用机器学习算法来自动确定权重是一个现代化且有效的方法。多目标优化法：考虑多个目标(如准确性、敏感性等)，通过多目标优化算法(如遗传算法)来确定各个要素的最优权重组合。
[0080] 所述机器学习算法为线性回归、随机森林、决策树、梯度提升树中的一种。决策树：使用决策树模型分析各个要素对干旱的影响，根据树中各个要素的分裂点和分裂次数确定权重。随机森林：使用随机森林模型，通过多个决策树的集成方法确定各个要素的重要性，并以此确定权重。梯度提升树(GBDT)：使用GBDT模型，通过逐步优化的方式确定各个要素的权重。
[0081] 虽然上述多个机器学习算法所采用的模型不同，但基于机器学习算法构建林木旱情监测模型的过程大致相同。基于此，当林木旱情监测模型内多个权重系数的确定方法为机器学习算法时，所述林木旱情监测模型的构建过程，包括：
[0082] (21)获取样本林木区域内的林木历史数据集；所述样本林木区域内的林木类型与所述目标林木区域内的林木类型相同；所述林木历史数据集包括不同历史时段内历史Keetch‑Byram干旱指数、历史归一化植被指数、预设时长尺度下的历史标准化降水指数及对应的历史林木旱情指标值。
[0083] 在一个应用实例中，样本林木区域内林木类型可以为针叶林或落叶阔叶林。为了获得更广泛的样本数据基础，可在样本林木区域内设置多个地面观测气象站点，以获取对应的样本林木区域内的林木历史数据集。在算法调用中，林木历史数据集可存储在CSV文件中。
[0084] (22)对所述林木历史数据集中的历史Keetch‑Byram干旱指数及预设时长尺度下的历史标准化降水指数进行归一化处理后，结合归一化植被指数及对应的历史林木旱情指标值，确定训练样本集及测试样本集。
[0085] 本步骤中的归一化处理的操作流程与上文中已记载的归一化计算过程相同，能够将值范围缩放到0到1，在此不再赘述。需知，通过归一化处理可确保所有构成要素在同一尺度上，提高林木旱情指标值(FCDI)的准确性和科学性。
[0086] 在归一化处理操作完成之后，以归一化植被指数、归一化处理后历史Keetch‑Byram干旱指数及预设时长尺度下的历史标准化降水指数为输入变量，对应的历史林木旱情指标值为标签，一个输入变量及对应的标签组成一个样本，然后将所有的样本划分为训练样本集及测试样本集。
[0087] (23)采用所述训练样本集对预设机器学习模型进行训练，并采用所述测试样本集对训练完成后的所述预设机器学习模型进行测试与调整，以得到优化机器学习模型。其中，测试样本集可对模型进行测试或验证，评估其预测准确性；测试样本集还可调整模型参数和权重，确保模型的鲁棒性和稳定性。
[0088] (24)基于所述优化机器学习模型，确定Keetch‑Byram干旱指数、归一化植被指数、预设时长尺度下的标准化降水指数在林木旱情监测中的重要性，并标记为第一权重系数、第二权重系数及第三权重系数；其中，与所述预设时长尺度包括季尺度和年尺度相对应，所述第三权重系数包括季权重系数和年权重系数。
[0089] (25)基于所述第一权重系数、所述第二权重系数及所述第三权重系数，构建林木旱情监测模型。
[0090] 在一个具体应用实例中，在上述步骤(24)得到所述第一权重系数、所述第二权重系数及所述第三权重系数之后，基于专家意见，确定Keetch‑Byram干旱指数、归一化植被指数、预设时长尺度下的标准化降水指数在林木旱情监测中的重要度分数，并对应标记为第一重要度分数、第二重要度分数及第三重要度分数；基于所述第一重要度分数、所述第二重要度分数及所述第三重要度分数，对所述第一权重系数、所述第二权重系数及所述第三权重系数进行调整及更新；基于更新后的所述第一权重系数、所述第二权重系数及所述第三权重系数，对所述林木旱情监测模型进行更新。
[0091] 即，在实际应用中，可将机器学习算法与专家意见相结合，同时具备主观意见与客观计算的优点，从而保证最终用于构建林木旱情监测模型的多个权重系数的准确性。
[0092] 在得到最终的多个权重系数之后，所述林木旱情监测模型的函数公式为：
[0093] FCDI＝a×SPIseasonnorm+b×SPIyearnorm+c×KBDInorm+d×NDVI。
[0094] 其中，FCDI为林木旱情指标值，月值；SPIseasonnorm为归一化处理后的季尺度下标准化降水子值，SPIyearnorm为归一化处理后的年尺度下标准化降水子值；KBDInorm为归一化处理后的Keetch‑Byram干旱指数，月平均值；NDVI为归一化植被指数，月均值；a、b、c、d均为权重系数，在一个应用实例中，分别为0.25、0.35、‑0.10、0.30。
[0095] 步骤203，基于预设旱情等级阈值，对所述林木旱情指标值进行匹配，以得到所述目标林木区域对应的旱情等级。
[0096] 在一个应用实例中，综合考虑各项单一干旱指数的干旱等级，结合长序列分析数据，参照对比全区历史旱情记载，得出草地综合干旱指数干旱等级划分，具体地，旱情等级包括无旱、轻旱、中旱、重旱、特旱；各个所述旱情等级对应的预设旱情等级阈值为：无旱为[0，∞)；轻旱为[‑0.5，0)；中旱为[‑1.0，‑0.5)；重旱为[‑2.0，‑1.0)；特旱为[‑∞，‑2.0)，可如下表2所示。
[0097] 表2
[0098]干旱等级 阈值
无旱 0≤FCDI
轻旱 ‑0.5≤FCDI<0
中旱 ‑1.0≤FCDI<‑0.5
重旱 ‑2.0≤FCDI<‑1.0
特旱 FCDI<‑2.0
[0099] 综上，本申请从林业干旱发生的物理机制出发，综合考量气象干旱、遥感干旱及林业火灾风险干旱等指标，得到更加客观和准确的权重系数，进而构建林木旱情监测模型，计算得到林木旱情指标值，从而有效地集合和弥补了各单一干旱指数的优缺点。本申请将遥感与气象干旱指数的有机集合，不仅能从点状数据上反映气象干旱的短期历时，亦能从植被和土壤水分及干旱次生效应等方面反映区域大尺度干旱状况。除此之外，综合干旱指数和各单一干旱指数在时间尺度上分布趋势显著，表现为春夏季太阳辐射越强，干旱风险越显著。
[0100] 在一示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器或者终端，其内部结构图可以如图3所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现林木旱情监测方法。
[0101] 本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0102] 在一个示例性的实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0103] 需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
[0104] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read‑OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory，MRAM)、铁电存储器(Ferroelectric RandomAccess Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static RandomAccess Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。
[0105] 本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0106] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0107] 本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。
