极端气候植被预测及有效气候窗口识别方法

本发明涉及植被监测，具体而言，涉及一种极端气候植被预测及有效气候窗口识别方法。

背景技术：

1、植被生长状态受降水、温度、水分条件、土地覆盖类型及物候阶段等多种因素影响。归一化植被指数能够反映植被冠层绿度和生长状态，广泛应用于农作物长势监测、干旱影响分析和生态风险评估。在闪旱、高温热浪等极端气候事件下，植被可能在较短时间内出现明显衰退，且不同土地覆盖类型和物候阶段对相同气候异常的响应存在差异。因此，需要准确预测极端气候条件下的植被变化，并识别影响后续植被状态的关键历史气候时段及气象因素。

2、现有植被—气候响应分析方法通常采用多年植被指数和气象时间序列计算距平、相关系数或滞后期，并利用回归模型、自回归模型或统计阈值分析植被对气候因素的响应。部分方法进一步将历史ndvi、降水、温度、土壤湿度等变量输入神经网络、时延网络、长短期记忆网络、卷积循环网络或注意力模型，以预测未来植被指数或量化气候影响。与此同时，部分遥感处理方法通过参考曲线、多源遥感影像拟合、时间序列降维或物候阶段识别获得高时空分辨率植被信息，也有针对极端天气或闪旱的分析方法采用多源气象变量、植被指数、transformer、图注意力、局部注意力或交叉注意力结构进行时空特征融合，并通过注意力权重可视化解释模型对历史信息的关注程度。

3、现有方法仍存在明显局限。基于相关性或预设滞后期的分析通常在建模前固定时间尺度，难以随具体预测时刻和极端事件演化动态反映植被的实际气候记忆过程。以绝对植被指数为直接预测目标的模型容易受到平均季节性物候周期影响，难以区分稳定物候背景与极端气候驱动产生的植被偏离。普通随机划分训练集和测试集还可能使同一极端事件或相邻空间样本同时参与模型训练与测试，导致所得结果难以真实反映模型对未见极端年份或未见区域的外推能力。此外，现有注意力解释方法通常直接利用注意力权重判断历史时刻或变量的重要程度，容易混淆模型对历史信息的检索程度与具体气象变量对预测输出的实际敏感性。部分特征融合方法的门控权重同时受动态气象特征和植被历史特征影响，也不利于独立分析不同土地覆盖条件对气象信息和物候信息融合比例的作用。

技术实现思路

1、本发明提供了一种极端气候植被预测及有效气候窗口识别方法，以改善上述技术问题中的至少一个。

2、本发明提供了一种极端气候植被预测及有效气候窗口识别方法，其包括步骤s1至s5。

3、s1，获取ndvi观测序列、气象驱动、生长度日和土地覆盖数据，划分ndvi图块并按图块和时间步对齐。按图块对目标年份前多年同一时相中历史观测有效性掩码标识为有效的ndvi观测值求均值，得到物候气候态基线。进一步，s1具体包括：

4、在划分ndvi图块后计算各ndvi图块中心坐标，以cwrf气象网格中心坐标建立kd-tree，根据ndvi图块中心坐标与cwrf气象网格中心坐标之间的距离，对每一ndvi图块查询距离最近的一个cwrf气象网格，并将该cwrf气象网格的气象驱动分配给对应ndvi图块。对土地覆盖数据执行类别保持的最近邻重采样，使土地覆盖数据与ndvi图块建立对应，并将日尺度气象驱动保持在统一日历轴上，根据ndvi合成日期形成共同时间索引。其中，cwrf为气候—天气研究与预报模式。

5、在完成上述空间和时间对齐后，对于目标年份，按ndvi图块和同一时相，从目标年份之前连续五年中选取有效ndvi观测值，形成有效历史年集合，并对所述有效历史年集合中的有效ndvi观测值求均值，得到物候气候态基线。

6、当有效历史年数低于预设最小年数时，将对应样本标记为基线不可用而不参与训练或评价。

7、s2，对土地覆盖数据独热编码，生成同一图块各时间步共享的门控权重。将气象驱动和生长度日拼接编码为气象特征，将上一时刻ndvi编码为物候特征，以门控权重及其互补权重分别加权两类特征并求和，得到融合特征。进一步，s2具体包括：

8、在得到气象驱动和生长度日后，将气象驱动与生长度日拼接输入多层感知机，并经第一层归一化得到气象特征。

9、将上一时刻ndvi经空间编码器得到上一时刻ndvi特征，并经第二层归一化得到物候特征。

10、将土地覆盖数据按像元执行独热编码，并按土地覆盖图块将独热编码结果展平为土地覆盖向量。将所述土地覆盖向量经可学习线性映射和sigmoid函数生成基础门控。

11、将所述基础门控沿时间维复制，形成同一土地覆盖图块在各时间步共享的门控张量。

12、在形成所述门控张量后，根据预设的门控下限参数对门控张量执行门控下限调整，得到门控权重。

13、在完成门控下限调整后，利用门控权重及其互补权重分别对气象特征和物候特征进行逐元素加权并求和，得到融合特征。

14、。

15、式中，表示第个ndvi图块在时刻的融合特征。表示第个ndvi图块在各时间步共享的维调整后门控向量。表示逐元素乘法。表示第个ndvi图块在时刻的气象特征。表示第个ndvi图块在时刻的物候特征。

16、s3，将融合特征时序编码为记忆序列，截取截至预测时刻的定长滑动窗口作为键、值。将预测起始前一时刻ndvi与已生成ndvi预测状态自回归拼接，经自注意力形成查询，经交叉注意力得到各历史时刻的时间路由权重，并据此加权得到加权特征。其中，所述交叉注意力采用多头注意力结构。进一步，s3具体包括：

17、在得到融合特征后，将融合特征时序输入时序编码器进行编码，得到记忆序列。

18、从记忆序列中截取预测时刻对应的最近个历史记忆帧形成定长滑动窗口。其中，表示定长滑动窗口长度。

19、在预测时，将预测起始前一时刻ndvi经初始状态编码器编码，并与已生成ndvi预测状态按预测时序进行自回归拼接，经自注意力得到当前自回归解码状态。将当前自回归解码状态经查询投影矩阵进行可学习投影，形成预测时刻对应的查询矩阵。

20、将定长滑动窗口内的记忆序列分别经可学习投影形成键矩阵和值矩阵。

21、利用查询矩阵与键矩阵执行缩放点积交叉注意力，得到定长滑动窗口内各历史时刻的时间路由权重。

22、。

23、式中，表示预测时刻对应的定长滑动窗口归一化时间路由权重。表示归一化指数函数。表示注意力头特征维度。表示预测时刻对应的查询矩阵。表示键矩阵的转置。

24、再利用所述时间路由权重，按照定长滑动窗口内的历史时刻对值矩阵中对应的投影值进行加权求和，得到加权特征。

25、s4，将加权特征空间解码为植被偏离量，与对应时相的物候气候态基线相加得到ndvi预测状态，反馈用于下一时刻的物候特征编码及查询形成，递归形成ndvi预测序列。进一步，s4具体包括：

26、将加权特征依次经过两层空间重排和二维卷积，得到相对于对应时相的物候气候态基线的植被偏离量。

27、将所述植被偏离量与对应时相的物候气候态基线相加，得到ndvi预测状态。

28、。

29、式中，表示第个ndvi图块在预测时刻对应的ndvi预测状态。表示目标年份下第个ndvi图块在预测时刻对应的物候气候态基线。表示第个ndvi图块在预测时刻对应的植被偏离量。

30、将所述ndvi预测状态反馈用于下一时刻的物候特征编码及查询形成，继续进行下一时刻预测，直至形成ndvi预测序列。

31、s5，计算ndvi预测状态对窗口各时刻气象变量的梯度绝对值，得到变量显著性。将时间路由权重和变量显著性在预先确定的目标区域对应的ndvi图块集合内求均值并归一化，保留路由权重达路由阈值且任一变量显著性达显著性阈值的历史时刻，得到有效气候窗口，并与ndvi预测序列一并输出。进一步，s5具体包括：

32、针对预测时刻、第个ndvi图块以及定长滑动窗口内的历史时刻，计算ndvi预测状态对对应历史时刻的各气象变量通道的有符号梯度。由于对应时相的物候气候态基线不依赖所述气象变量通道，将ndvi预测状态对所述气象变量通道的梯度确定为植被偏离量对所述气象变量通道的梯度。

33、对所述有符号梯度取绝对值，得到对应气象变量通道的变量显著性。

34、同时，从交叉注意力的各注意力头提取时间路由权重，并对第个ndvi图块在对应历史时刻的各注意力头对应的时间路由权重求均值，得到逐ndvi图块的聚合路由分数。

35、在得到逐ndvi图块的聚合路由分数和变量显著性后，将目标区域对应的ndvi图块构成集合，分别对所述聚合路由分数和变量显著性在集合内求均值，得到区域聚合路由分数和区域聚合变量显著性。

36、对区域聚合路由分数和区域聚合变量显著性，采用训练集或验证集预先固定的对应下界和上界，以对应下界为基准并按照对应上下界的差值执行非负归一化，并将超过固定上下界的测试值截断至0至1范围，得到归一化后的区域聚合路由分数和区域聚合变量显著性。

37、根据归一化后的区域聚合路由分数和区域聚合变量显著性进行双阈值筛选，保留区域聚合路由分数达到路由阈值且至少一个气象变量通道的区域聚合变量显著性达到显著性阈值的历史时刻，得到有效气候窗口，用以和ndvi预测序列一并输出。

38、。

39、式中，表示目标区域在预测时刻对应的有效气候窗口集合。表示归一化后的区域聚合路由分数。表示归一化后的区域聚合变量显著性。表示路由阈值。表示显著性阈值。表示在全部气象变量通道索引对应的归一化区域聚合变量显著性中取最大值。表示预测时刻对应的定长滑动窗口。

40、优选的，在模型训练前建立分布外训练与测试条件。在时间分布外测试中，将目标极端年份对应的全部样本排除在训练集、验证集和参数选择过程之外，并仅在模型定型后对目标极端年份执行预测。在空间分布外测试中，将目标空间区域对应的全部ndvi图块排除在训练集之外，并在模型定型后对目标空间区域执行预测以及时间路由权重和变量显著性解析。训练集内部的早停和参数选择仅使用未被扣留的年份和空间区域。

41、通过采用上述技术方案，本发明可以取得以下技术效果：

42、本发明通过在训练阶段排除目标极端年份和目标空间区域，使模型在未见极端气候和未见区域条件下进行植被预测，能够降低普通随机划分导致的时空信息泄漏，提高对极端气候条件下植被变化的外推评价可靠性。同时，通过构建多年ndvi物候气候态基线，并预测目标年份相对于该基线的气候驱动植被偏离量，使模型能够减弱平均季节性物候周期对预测结果的影响，更有针对性地表征极端气候造成的植被异常变化。

43、本发明通过土地覆盖类别生成独立于气象特征和物候特征的门控权重，实现不同土地覆盖条件下气象信息与物候信息的差异化融合，并通过局部滑动窗口限制历史信息检索范围。进一步地，将时间路由权重与气象变量梯度显著性联合用于有效气候窗口筛选，能够区分历史时刻的检索程度与具体气象变量对预测结果的实际影响，从而获得具有较强可解释性的有效气候窗口、主要气象变量及气候记忆路径，为极端气候条件下的植被监测、干旱影响分析和生态风险评估提供依据。