[发明专利]一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法

说明书

本发明公开了一种耦合作物模型与机器语言的农业干旱诊断和评估方法，包括：S1、获取研究区内相关数据；S2、利用步骤S1获取的数据来完成研究区内作物模型的本地化；S3、针对作物不同生育阶段，设置不同干旱降水情景数据，并将其输入到本地化后的作物模型中，得出研究区内各格点的各个干旱情景下的模拟数据；S4、基于S3中干旱情景数据与对应作物模型模拟数据，计算特征变量；S5、基于S4中特征变量将对应作物模型模拟的产量损失率数据作为预测变量，构建样本数据集，并将其输入到随机森林模型中构建作物干旱脆弱性模型；S6、利用所述作物干旱脆弱性模型来诊断和评估在研究时段内的作物干旱情况。

技术领域

本发明涉及农业信息技术领域，具体而言涉及一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法。

背景技术

干旱作为一种复杂多发的极端气象灾害，每年在全球造成的直接经济损失可达所有自然灾害损失的43％以上，在我国造成的损失约占全球干旱总损失的42％。其中，农业因其与天气密切相关的特性，更是成为了受干旱影响最大的领域之一。农业干旱是指农作物生长过程中土壤水分不足，因水分供需不平衡而阻碍作物正常生长的现象。目前，针对农业干旱及其对农作物长势和产量影响的研究主要有以下三种：

(1)基于盆栽或大田试验探索作物在干旱胁迫下的生理响应和生理机制研究。这类研究具有较强的机理性，可以为厘清水分胁迫下作物的响应机理提供重要的参考，也为其他干旱胁迫的响应研究提供先验知识。但它的耗时较长，人力物力投入较大，通常局限于小尺度。

(2)基于干旱指标构建与作物长势或产量信息相关的统计关系研究。目前，用于表征干旱情况的指数已经发展了数百种，包括基于气象数据的干旱指数：标准降水指数(SPI)、帕尔默干旱指数(PDSI)和标准化降水蒸散指数(SPEI)，基于遥感数据的干旱指数：条件植被指数(VCI)、归一化植被指数(NDVI)、植被供水指数(VSWI)、温度植被干旱指数(TVDI)、冠层温度和冠层含水量，以及基于土壤湿度的农业干旱监测指数：土壤湿度亏缺指数(SMDI)、土壤湿度距平(SMA)、标准化土壤湿度指数(SSMI)、土壤湿度百分位(SMP)等。但是，大部分干旱指数多针对气象干旱，缺乏农学意义；少部分针对于农业干旱的指数受限于根区土壤水分数据，也难以实现大范围高精度的研究。此外，干旱指数的选取对结果影响较大，增加干旱指数的农学意义并提高指数的农业干旱监测能力是目前研究的热点。

(3)基于作物模型探索干旱胁迫对作物生长的影响研究。随着人们对作物生理生态过程机理认识的不断深入，特别是利用数学方法对植物生理过程(如冠层光能截获及光合作用)进行很好的描述。作物模型作为机理性强的工具，在农田科学管理、精准农业、气候变化影响评价、以及农业决策管理等方面已有大量研究开展。虽然作物模型具有较强的机理性，但是现有基于作物模型的干旱研究大多对真实情景做了较大程度的简化，难以反映真实的干旱情况，且模型在模拟过程中存在大量的不确定，模型模拟精度有待提高。例如微波遥感因其不受云层干扰，拥有全天时和全天候观测能力，可以获取大范围的土壤湿度，但是目前也仅可以反演表层2-5cm的土壤湿度并且可获得的公开数据在中国地区数据较粗糙，质量并不高。以看出，现有土壤湿度数据大多时空精度偏低且多停留于浅层土壤，而粮食作物根系通常都在20cm左右(甚至更深)，大多数研究难以反映作物真实的水分胁迫状况。

因此，如何利用现有的多源数据高精反演出大范围的、长时间序列的土壤湿度数据，更加合理地模拟干旱情景，从而进行区域农业干旱的高精度预测预警，实现干旱情境下区域的业务化估产仍是当前亟需解决的问题。也即，需要新技术来至少部分解决现有技术中上述局限性。

发明内容

为了至少部分解决现有技术中存在的不足，本发明首次将多源数据同化作物模型系统与机器学习算法结合起来应用到区域农业干旱研究中，在大区域上反演了较高精度的深层土壤湿度数据(例如20cm和50cm)，并实现对复杂机理模型的优化和代理，可以在作物例如小麦成熟之前更加合理的预测农业干旱造成的产量损失与受灾面积。