一种动力模式约束的干旱预测方法及系统与流程

本发明涉及数据处理，尤其是一种多源数据的自适应分发方法及系统。

背景技术：

1、干旱是指地区水分条件较正常情况持续性偏少的现象，具有持续时间长、影响范围广和造成损失严重等特点，是最具破坏性的自然灾害之一。准确可靠的干旱预报可为制定科学有效的干旱应对策略、减少灾害损失提供重要的前置信息。目前，区域干旱预测方法主要包括基于动力气候模式的预测方法和基于历史数据统计关系的数据驱动预测方法。

2、现有动力预测方法通常利用全球或区域气候模式模拟未来降水、气温等气象要素，并进一步计算标准化降水指数（spi）等干旱指标实现干旱预测。该类方法具有明确的物理基础，但由于受到大气系统复杂性、初始场误差、模式结构偏差以及区域降水过程不确定性的影响，在区域尺度尤其是中长期预见期下预测精度存在较大限制。

3、近年来，随着人工智能技术的发展，基于机器学习和深度学习的数据驱动方法逐渐应用于区域干旱预测。该类方法能够有效挖掘历史气象数据中的非线性关系，提高预测精度。然而，现有基于深度学习的数据驱动方法主要依赖历史观测数据进行特征学习。受深度学习“数据驱动”特性的影响，模型预测能力受训练数据分布限制，当未来气候状态偏离历史气候条件时，模型的泛化和外推能力显著降低。同时，现有深度学习干旱预测模型通常采用均方误差等常规损失函数进行训练，其优化目标主要关注整体预测误差，对所有样本均采用均一权重。在实际气候过程中，正常气候状态样本数量通常明显多于干旱事件样本，导致模型训练过程中正常状态样本占据主导作用，干旱事件样本贡献不足，使模型对干旱事件的学习能力不足。

技术实现思路

1、发明目的：本发明的目的是提供一种动力模式约束的干旱预测方法及系统，解决现有技术中深度学习模型高度依赖历史样本、面对未来气候状态变化时泛化和外推能力不足、样本分布偏态条件下干旱事件样本贡献不足、模型对干旱过程学习能力有限的问题，提高不同预见期条件下区域干旱预测的准确性。

2、技术方案：本发明所述的一种动力模式约束的干旱预测方法，包括以下步骤：

3、获取目标区域的输入因子，所述输入因子包括动力模式数据、历史气象数据、气候指数数据以及静态地理环境数据；所述动力模式数据包括预见期降水和气温预测数据，所述历史气象数据包括历史气象观测数据以及历史spi指数数据；

4、将所述输入因子输入多分支干旱预测模型，得到预测的预见期spi指数；

5、所述多分支干旱预测模型包括第一至第四特征提取模块、融合映射模块以及预测模块；第一至第四特征提取模块分别通过神经网络对动力模式数据、历史气象数据、气候指数数据以及静态地理环境数据进行特征提取，融合映射模块对第一至第四特征提取模块输出的特征进行拼接得到融合特征，预测模块根据所述融合特征预测得到预见期spi指数。

6、进一步地，第一特征提取模块通过卷积神经网络对输入的动力模式数据进行特征提取得到第一特征；第二特征提取模块通过卷积神经网络对输入的历史气象数据进行特征提取得到第二特征；第三特征提取模块通过全连接网络对输入的气候指数数据进行特征提取得到第三特征；第四特征提取模块通过卷积神经网络对输入的静态地理环境数据进行特征提取得到第四特征。

7、进一步地，所述多分支干旱预测模型的损失函数干旱指数回归误差项和干旱事件识别损失项组成；其中，根据历史spi指数数据以及预测spi指数数据的差值计算所述干旱指数回归误差项，根据干旱发生概率计算所述干旱事件识别损失项。

8、进一步地，所述多分支干旱预测模型的损失函数；

9、干旱指数回归误差项；

10、干旱事件识别损失项；

11、其中，为空间掩膜，ω为目标区域，为历史spi指数数据，为预测spi指数数据，是干旱等级自适应权重，根据确定权重值；为干旱概率映射函数，为sigmoid函数；为干旱事件标签，为干旱发生判别阈值；为平滑控制函数。

12、进一步地，干旱等级自适应权重的计算方法为：

13、。

14、进一步地，将所述输入因子输入多分支干旱预测模型之前还包括，对输入因子进行预处理，预处理的方法包括：

15、对动力模式数据进行降尺度处理，以及利用历史时期的动力模式模拟结果与观测数据之间的统计关系对预见期的动力模式数据进行偏差校正。

16、本发明所述的一种动力模式约束的干旱预测系统，包括：

17、输入因子获取单元，获取目标区域的输入因子，所述输入因子包括动力模式数据、历史气象数据、气候指数数据以及静态地理环境数据；所述动力模式数据包括预见期降水和气温预测数据，所述历史气象数据包括历史气象观测数据以及历史spi指数数据；

18、干旱指数预测单元，用于将所述输入因子输入多分支干旱预测模型，得到预测的预见期spi指数；所述多分支干旱预测模型包括第一至第四特征提取模块、融合映射模块以及预测模块；第一至第四特征提取模块分别通过神经网络对动力模式数据、历史气象数据、气候指数数据以及静态地理环境数据进行特征提取，融合映射模块对第一至第四特征提取模块输出的特征进行拼接得到融合特征，预测模块根据所述融合特征预测得到预见期spi指数。

19、本发明所述的计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的动力模式约束的干旱预测方法。

20、本发明所述的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的动力模式约束的干旱预测方法。

21、本发明所述的计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现所述的动力模式约束的干旱预测方法。

22、有益效果：与现有技术相比，本发明的优点在于利用动力气候模式未来状态外推优势，并结合深度学习非线性特征学习能力，同时通过针对干旱样本差异设计优化机制提高模型对干旱事件响应能力的智能干旱预测方法，以提升不同预见期条件下区域干旱预测的准确性。具体来说，本发明具有以下优点：

23、（1）本发明将动力气候模式提供的未来气候状态演变信息引入深度学习预测框架，并通过软约束方式实现动力模式信息与数据驱动模型的协同作用，充分利用动力气候模式对未来气候过程的模拟和外推能力，弥补传统深度学习模型依赖历史样本、面对未来气候状态变化时泛化能力不足的问题，提高模型在不同预见期条件下的稳定性和预测可靠性。

24、（2）本发明针对干旱指数样本分布具有明显偏态特征的问题，设计基于干旱等级的自适应加权联合损失函数，通过动态调整不同干旱等级样本在模型训练过程中的贡献权重，降低正常气候状态样本对模型优化过程的主导作用，增强模型对低频、中重度干旱事件的学习能力，提高模型对干旱过程尤其是严重干旱状态的刻画能力。

25、（3）本发明直接以标准化干旱指数（spi）作为预测目标，实现从气候信息输入到未来干旱状态输出的端到端预测，避免传统方法中先预测气象变量再计算干旱指数过程中可能产生的误差累积，提高区域尺度干旱预测流程的效率和适用性。

26、（4）本发明能够综合利用动力气候模式预测信息、历史气候状态信息以及区域环境信息，实现不同预见期条件下区域干旱时空变化特征预测，为区域干旱监测、预警及水资源管理提供更加可靠的技术支撑。