[发明专利]基于形态与混合梯度的动态时间弯曲度量水稻物候期多元气象数据相似性方法

说明书

本发明提供一种多变量水稻气象序列在关键物候期进行相似性分析的方法，属于农业气象数据挖掘领域。针对气象序列中的温度极大极小异常值、突变降雨量等造成的序列波峰波谷错误匹配问题以及物候期长短不一致导致的线性漂移问题，引入了动态时间弯曲算法，增加形态与混合梯度的设计，从而提升了度量的准确性和简便性，同时强调了气象数据变化趋势以及异常值对作物影响。具体步骤为：根据水稻物候期数据切分气象序列；气象序列一阶导数二阶导数计算；基于形态常量因子与动态形态惩罚函数的原始序列以及各级梯度序列的距离打分；加权混合原始序列与各级梯度的距离；加权各气象变量序列距离组成多元气象序列之间距离；根据距离度量打分进行排序。

一、技术领域

本发明属于农业气象数据分析领域，是农业气象领域知识与多元时间序列相似性匹配分 析算法相互结合的交叉领域。涉及一种可用于非线性、连续、多变量的农业气象时序数据在 关键物候期内进行相似性分析，可用于水稻在全生育期内不同物候期下的气象数据相似性分 析。

二、背景技术

气象指标，如最高温度、最低温度、降雨量、日照时数、辐射照度等对农业作物的生长 影响大，而包含这几个指标的历史气象数据资料通常能反应某地区一段时间内的气候和农作 物的气象环境条件，根据历史年份的气象数据资料进行相似性度量分析，不仅可以实现对气 象观测缺失数据的补充，同时也能为气候区域的自动划分提供依据。因此，面向农业气象数 据的相似性分析也成为了目前农业气象数据分析所常用的手段。

农业气象数据相似性分析主要是通过比较不同地区或者不同时间段内最高温度、最低温 度、降雨量、日照时数等气象数据样本的分布特征以及变化趋势的差异来达到相近程度排序 的目的。早期气象数据相似分析方法通常为：利用平均温度、标准差以及距平等气象学统计 指标描述气象数据变化特征，比较统计指标的近似程度实现相似性度量，这类方法虽然能有 效地通过气象学上统计指标解释气象条件的特征，但是往往考虑了一段时间内的气象数据分 布特征而忽略了数据本身的变化趋势，弱化了气象要素的极端值所给水稻带来的影响。同时 气象数据时序特征明显，目前有学者通过时间序列的相似性距离度量指标来计算年际间或者 不同地区的气象条件的相似程度或者相离程度。

农业气象时序数据的相似性分析的核心是距离度量方法的选择，常对最高温度、最低温 度、光照、降雨量等变量进行欧式距离计算，然后在各个变量维度上进行距离的平均求和。 地区气候相似性划分主要是利用欧式距离对目标地区与周边地区历史年份气象数据进行相似 性度量，统计相似频次，利用相似程度进行地域划分。该方法虽然有效简单，但是没有考虑 到不同季节的气象变化特征。利用欧式距离结合KNN分析年际间的最高温度、最低温度、 降雨量、以及日照时数等变量气象数据相似程度，利用历史相似年份气象数据代替目标生育 期内未知气象数据。但是针对农业气象数据的相似性度量的问题，该方法往往忽略了气象数 据异常值带来的序列数据波动异常问题，例如极端高温、极端低温和降雨量的累积突变等， 使得相似性匹配过程中出现“波峰-波谷”不吻合的情况。

由于农业气象数据存在极端高温、极端低温、降雨量突变等情况造成的序列形态波动曲 线异常，例如波峰波谷错位，所以通常的欧式距离不能解决具有类似现象的数据距离度量。 为此引入了动态时间弯曲的度量算法，动态时间弯曲算法是一种通过不均匀扭曲或弯折解决 原本相似的样本序列数据由于时间尺度上产生的线性漂移而不能做相似匹配问题的方法，但 是动态时间弯曲通常只能解决单一气象指标的度量，正如前文分析到，在现实世界中，气象 数据都属于多指标数据，在不同变量维度上存在局部明显突变值。那么，研究多维的动态时 间弯曲相似性度量方法成为解决农业气象综合条件相似性分析研究中一项很有必要的工作。 其相似性度量函数设计的关键便在于能同时考虑多元气象时间序列在各变量维度潜在丰富的 变化信息挖掘和各维度存在复杂波动的形态的正确匹配。

本文基于气象数据在水稻的各物候期不同变量纬度上存在不同变化特征的应用场景提出 了结合水稻物候期分段与基于形态与混合梯度动态时间弯曲的多元时间序列的相似性度量方 法。使得在物候期内多元气象数据相似性分析更贴近实际场景。

三、发明内容