一种基于气象数据时序特征的LFMC反演方法

本发明涉及遥感，特别涉及一种基于气象数据时序特征的lfmc（livefuel moisture content，活可燃物含水率）反演方法。

背景技术：

1、近年来，全球气候变暖加剧，极端气候事件频发。野火作为世界范围面临的一种突发性自然灾害，呈现出高频率、大范围、强破坏性等典型特征，已经成为威胁人类社会可持续发展的重大灾害，其危害渗透生命安全、经济发展、生态环境等多个核心领域。

2、植被活可燃物含水率（live fuel moisture content, lfmc）定义为活植被中水分质量占干物质质量的百分比，是表征植被体内水分盈亏、评估植被易燃性、预测火险等级与火蔓延速率的核心生理生态参数。lfmc 直接决定植被着火难易程度、火焰强度、火传播速度及火行为模式，是全球野火防控、生态系统健康监测的关键指标。

3、传统 lfmc 获取依赖野外采样、烘干称重，虽精度可靠，但存在成本高、效率低、空间覆盖有限、难以长期连续观测等缺陷，无法满足大区域、近实时的动态化火险监测需求。随着遥感技术的快速发展，其凭借大范围、非接触、周期性的优势，逐步突破传统野外实测的时空局限，成为地表参数动态监测的核心技术手段，能大面积精准获取可燃物参数，基于光学、热红外、微波数据的lfmc反演逐步成为主流。

4、尽管不同技术路径均已取得了一定的阶段性进展，但现有技术仍存在明显不足：一是气象驱动机制挖掘不足，多数研究仅使用同期气象数据，未系统揭示气象要素对lfmc的滞后效应与累积影响，难以反映植被水分的长期胁迫过程；二是时序特征利用不充分，缺乏多时间窗口、多统计量的系统性特征构建方法，高维特征冗余度高、筛选效率低；三是模型泛化能力有限，多数模型局限于特定区域或单一植被类型，缺少基于全球统一标准、大样本、多气候区的通用反演范式。因此，研发一种能够量化气象滞后效应、特征筛选高效、模型泛化性强、适用于全球多植被类型的 lfmc 反演方法，对提升野火预警精度、完善生态水文模型具有重要理论与应用价值。

技术实现思路

1、针对现有技术的不足，本发明提出了一种基于气象数据时序特征的lfmc反演方法，结合era5气象数据和实测数据实现对lfmc的精确预测，为利用气象数据反演lfmc的相关研究提供了一种新思路，能够实现高精度、大范围、近实时、可预测的全球lfmc反演。

2、本发明的具体技术方案如下：

3、一种基于气象数据时序特征的lfmc反演方法，包括以下步骤：

4、步骤1：获取era5气象数据与活可燃物含水率lfmc实测数据，基于经纬度信息与采样日期完成era5气象数据与lfmc实测数据的空间匹配；

5、步骤2：对步骤1匹配后的气象数据与lfmc实测数据进行预处理，包括：基于原始气象数据计算衍生数据，生成多维气象因子；对lfmc实测数据，进行植被类型筛选、样本过滤处理，获得高质量lfmc实测样本集；

6、步骤3：对步骤2预处理后的样本集，在lfmc采样日期的不同前向时间窗口内，对气象数据中的每个气象因子分别提取多种时序统计特征，构建高维时序特征；

7、步骤4：对步骤3构建的高维时序特征，通过皮尔逊相关系数优选最佳滞后窗口，再经多重共线性检验与xgboost特征重要性平均排序，筛选得到气象数据中每个气象因子的最优滞后时序特征；

8、步骤5：以步骤4筛选后的最优气象数据滞后时序特征数据集为输入，使用另一独立的机器学习模型xgboost进行lfmc的反演，训练后得到的机器学习模型xgboost作为lfmc估测模型，基于实测气象数据进行lfmc反演。

9、进一步的，所述lfmc实测数据产品为globe-lfmc 2.0，数据时间范围为2000年1月至 2023年1月，仅选择样本量超过100条的国家的数据；

10、所述气象数据产品为era5-land再分析数据集，包括温度、露点温度、表层土壤含水量和次表层土壤含水量的日均值数据，以及每日13点地表净太阳辐射、每日13点潜在蒸发量和每日0点降水量。

11、进一步的，所述气象因子包括2m温度、相对湿度rh、饱和水汽压差vpd、土壤含水量、地表净太阳辐射、潜在蒸发量、累积降水量。

12、进一步的，所述于原始气象数据计算衍生数据，生成多类气象因子，具体如下：

13、由2m温度与2m露点温度原始数据计算相对湿度rh，其数学表达式为：

14、

15、其中，为相对湿度，为2m温度，为2m露点温度；

16、由2m温度与2m露点温度原始数据计算水汽压差vpd，其数学表达式为：

17、

18、其中，为饱和水汽压差。

19、进一步的，所述对lfmc实测数据，进行植被类型筛选、样本过滤处理，具体如下：

20、保留乔木、灌木、草本三种植被类型对应的样本，并剔除存在气象因子缺失值的样本，同时按地区与植被类型执行3σ异常值剔除；

21、对于同一时间内拥有多组同种植被类型样本的站点，再取多个样本值作为该站点在这一时间最终的实测数据。

22、进一步的，所述步骤3具体如下：

23、分别取每个lfmc样本采样日期的前向时间窗口为长度分别为7、15、30、60、90、120、150、180天，对每一个时间窗口7类气象因子取均值、最大值、最小值、中位数、线性变化趋势五种时序统计特征。

24、进一步的，所述步骤4具体如下：

25、针对每种气象因子各自的高维时序特征，计算其不同前向时间窗口下的对应时序统计特征与lfmc实测数据进行皮尔逊相关分析，计算每个时序统计特征与实测lfmc的相关系数，并按相关性从大到小对时序统计特征进行排序，保留相关性最大的时间窗口；

26、将筛选得到的不同最优时间窗口下的统计特征，通过多重共线性检验剔除冗余特征，再以预训练的xgboost模型取特征重要性平均值，为每类气象因子保留1个最优时序特征。

27、本发明提供的基于气象数据时间序列特征的lfmc反演方法，先获取era5气象数据和实测lfmc数据并对这两种数据进行空间上的匹配对齐，得到关联数据集；其中，实测lfmc数据选取自globe-lfmc 2.0产品提供的全球多地实测数据；era5气象数据采用全球9km分辨率的日尺度era5-land数据集产品。随后，对关联数据集进行预处理，依据原始气象数据计算得到关键衍生数据；考虑气象因子对植被含水量具有滞后和累积影响，提取并筛选得到气象因子最佳时间窗口下的相关性最强的时间序列特征。将筛选后的关联数据集作为输入，使用xgboost模型实现lfmc的精准预测。最后用决定系数r²、均方根误差rmse对反演结果进行评价。

28、与现有技术相比，本发明具有以下有益效果：

29、本专利技术方案对传统基于气象数据的lfmc反演方法进行了改进，系统量化气象因子对lfmc的累积滞后效应，基于气象数据时间序列滞后特征实现了对lfmc的精准预测，为利用气象数据反演lfmc的相关研究提供了一种新思路。