一种气候变化条件下的沙漠演替预测方法与流程

1.本发明属于沙漠治理技术领域，特别涉及一种气候变化条件下的沙漠演替预测方法。


背景技术：

2.沙漠扩张不仅会使受影响地区生态环境恶化，土地承载力下降，也会对核心区域及其周边地区的社会经济生活产生深远影响；另一方面，全球气候变暖使得极端气候事件频发；沙漠周边地区干旱风险巨大。因此，分析未来沙漠对气候变化的响应对沙漠周边地区的可持续发展具有重要意义。
3.现有的气候变化条件下沙漠演替预测方法主要基于未来的降雨模拟格点数据，根据所设定的阈值，识别出特定区域的沙漠范围；在此基础上，利用全球气候模型所预测的未来一百年的降雨数据，实现对该区域沙漠的扩张或缩减的演替的预测。然而，现有方法存在以下不足：(1)阈值的设定过于主观；(2)缺乏沙漠
‑
绿洲过渡带的相关定义；(3)难以处理全球气候模型模拟结果的不确定性，无法取得理想的演替预测效果。


技术实现要素：

4.本发明的目的是提出一种气候变化条件下的沙漠演替预测方法，其特征在于，该气候变化条件下的沙漠演替预测方法，包括如下步骤：
5.步骤一：获取最近10年归一化植被指数(ndvi)月尺度格点数据，通过自组织映射方法，得出特定区域的三类土地类型，即沙漠、绿洲、及沙漠
‑
绿洲过渡带；
6.步骤二：获取多套全球气候模型所模拟的月尺度降雨数据，并基于上述三类土地类型，提取对应类型所处区域范围内的历史降雨数据；
7.步骤三：利用混合高斯模型拟合对应类型的降雨数据统计分布，所述混合高斯模型所涉及到的参数包含正态分布权重系数、均值、及方差；
8.步骤四：基于上述拟合的、与各类型相对应的混合高斯分布，构建多模型贝叶斯判别集合框架，并将提取的历史降雨数据用于该框架的验证；
9.步骤五：输入多套全球气候模型降雨预测数据，并利用构建并训练好的多模型贝叶斯判别集合框架，对未来气候变化条件下的沙漠、绿洲、沙漠
‑
绿洲过渡带之间的演替进行预测。
10.所述步骤一中的自组织映射方法，是指通过寻找最优参考矢量集合以对输入数据集合进行分类，并对每个参考矢量所对应的连接权向量进行训练，实现自适应调整网络，从而完成模式分类。其中权向量变化可表示为：
[0011][0012]
式中，η为学习率，ti为相邻神经元与胜出神经元的拓扑距离，tmax为相邻神经元与胜出神经元的最大拓扑距离，w为权向量，w
old
为上一状态所对应的权向量，d
i
为待输入的
多维数据向量。
[0013]
所述步骤三中的混合高斯模型拟合对应类型的降雨数据统计分布是指利用混合高斯模型实现各土地类型所对应降雨数据统计分布的有效模拟。其密度函数可表示为：
[0014][0015]
式中θ＝(φ1,...,φ
m
,μ1,...,μ
m
,σ1,...,σ
m
)，f
i
代表第i个正态分布概率密度函数；φ
i
表示第i个分布的权重系数、μ
i
表示第i个分布的均值、σ
i
表示第i个分布的方差；i表示个数；
m
表示i的最终个数。
[0016]
所述步骤四中的构建多模型贝叶斯判别集合框架，是基于贝叶斯判别分析所构建的，贝叶斯判别分析是指在已知所选样本分类情况下，输入新样本观测数据，并计算各类别所对应的后验概率，通过比较这些后验概率来判定新样本的归属类别。后验概率的计算方法可表示为：
[0017][0018]
式中，p(π
k
|x)为第k类分布的后验概率，p(x|π
k
)为第k类分布的先验概率，p(π
k
)为第k类分布的似然函数；
[0019]
所述构建多模型贝叶斯判别集合框架进一步地包括如下子步骤：
[0020]
步骤四一：已知沙漠、绿洲、沙漠
‑
绿洲过渡带三类土地类型所在区域范围内相对应的每一套全球气候模型的降雨数据统计分布，即在步骤三中可求得的贝叶斯判别分析中的似然函数p(π
k
)；计算先验概率p(x|π
k
)，计算方法为：
[0021][0022]
式中，n
k
为降雨数据在各类土地类型所在区域范围内的对应格点数，n
total
为降雨数据在选定区域的总格点数。
[0023]
步骤四二：对于每一套全球气候模型，通过先验概率p(x|π
k
)和似然函数p(π
k
)计算各类土地类型的后验概率；
[0024]
步骤四三：对应多套全球气候模型，构建各类土地类型的后验概率集合，形成格点数据；
[0025]
步骤四四：利用多变量方差分析方法，即基于wilks准则的f统计检验，所述f检验是统计检验的其中一种形式，统计检验量服从f
‑
分布；对应某一格点，利用各类土地类型的后验概率集合样本，近似估计f统计检验量：若类间差异显著，则该格点将被判定为后验概率集合最大所对应的类别；反之，则该格点被判定为第四类，即“无法客观判别”类；其中λ为wilks值，可表示为：
[0026][0027]
式中，ss
e
为误差平方和，ss
h
为总平方和；通过wilks值的计算可近似估计f统计检验量：
[0028][0029]
式中，d为变量的维度，n
e
和n
f
为两个子类的样本个数；
[0030]
步骤四五：基于选定区域各格点所判别的土地类型，输入提取的历史降雨数据，将由贝叶斯判别得出的土地类型与原土地类型进行比较，计算误判率以验证该框架的有效性；误判率计算方法可表示为：
[0031]
e
i
＝n
i,s
/n
i,t
[0032]
式中，e
i
为第i个土地类型的误判率，n
i,s
为第i个土地类型所在区域范围内，贝叶斯判别得出的类型与原土地类型相吻合的格点数量，n
i,t
为第i个土地类型所在区域范围内的总格点数量。
[0033]
本发明的有益效果：(1)本发明采用自组织映射方法可有效模拟选定区域的土地类型，解决了以往降雨阈值选择难以客观的技术难题。此外，划分的土地类型所在区域范围内的归一化植被指数(ndvi)均符合对应土地类型的客观事实，实现了对沙漠
‑
绿洲过渡带的准确定义；(2)混合高斯模型可有效拟合各土地类型所在区域范围内的降雨随机分布，弥补了传统随机分布(如正态分布、泊松分布等)在降雨分布拟合时无法通过假设检验的不足之处。(3)混合高斯模型所拟合的随机分布与观测数据的经验分布契合良好；各土地类型所在区域范围内的降雨随机分布的拟合均通过了假设检验(p值>0.05)。(4)利用多模型贝叶斯判别集合框架可有效处理全球气候模型降雨预测数据中存在的大量不确定性，并从统计角度较为客观地预测选定区域在气候变化条件下的沙漠演替。为沙漠治理提供技术支持。
附图说明
[0034]
图1为沙漠演替预测方法流程示意图。
[0035]
图2为北非沙漠土地的降雨统计分布示意图。
[0036]
图3为北非沙漠
‑
绿洲过渡带土地的降雨统计分布示意图。
[0037]
图4为北非绿洲土地的降雨统计分布示意图。
具体实施方式
[0038]
本发明提出一种气候变化条件下的沙漠演替预测方法，下面结合附图对本发明予以进一步说明。
[0039]
如图1所示，本发明提出的一种气候变化条件下的沙漠演替预测方法具体包括以下步骤：
[0040]
步骤一：本实施例以北非撒哈拉沙漠为选定区域，获取该区域2011
‑
2020年归一化植被指数(ndvi)月尺度的格点数据，通过自组织映射方法，得出该区域的三类土地类型，即撒哈拉沙漠、绿洲、及沙漠
‑
绿洲过渡带；
[0041]
在本实施例中，自组织映射方法是指通过寻找最优参考矢量集合以对输入数据集合进行分类，并对每个参考矢量所对应的连接权向量进行训练，实现自适应调整网络，从而完成模式分类。其中权向量变化可表示为：
[0042][0043]
式中，η为学习率，t
i
为相邻神经元与胜出神经元的拓扑距离，t
max
为相邻神经元与胜出神经元的最大拓扑距离，w为权向量，w
old
为上一状态所对应的权向量，d
i
为待输入的多维数据向量；i表示个数；m表示i的最终个数。
[0044]
所述步骤一中的自组织映射方法可有效模拟选定区域的土地类型，解决了以往降雨阈值选择难以客观的技术难题。此外，划分的土地类型所在区域范围内的归一化植被指数(ndvi)均符合对应土地类型的客观事实，实现了对沙漠
‑
绿洲过渡带的准确定义，如表1所示。
[0045]
表1归一化植被指数及贝叶斯判别分析误判率
[0046][0047]
表1展示了通过自组织映射方法聚类得出的前述三类土地类型所对应的归一化植被指数，对应数值从年均值、干季均值、及湿季均值角度均符合客观事实，实现了对沙漠
‑
绿洲过渡带的准确定义；
[0048]
步骤二：在本实施例中，获取13套全球气候模型所模拟的月尺度降雨数据，并基于上述三类土地类型，提取对应类型所处区域范围内的历史降雨数据；
[0049]
步骤三：利用混合高斯模型拟合对应类型的降雨数据统计分布，所述混合高斯模型所涉及到的参数包含正态分布权重系数、均值、及方差；
[0050]
在本实施例中，利用混合高斯模型分别拟合了北非撒哈拉沙漠、绿洲、及沙漠
‑
绿洲过渡带区域范围内的降雨统计分布。图2
‑
4分别展示了北非三种土地类型相对应的降雨统计分布。如图所示，混合高斯模型所拟合的随机分布与观测数据的经验分布契合良好。该模型密度函数可表示为：
[0051][0052]
式中θ＝(φ1,...,φ
m
,μ1,...,μ
m
,σ1,...,σ
m
)，f
i
代表第i个正态分布概率密度函数；φ
i
表示第i个分布的权重系数、μ
i
表示第i个分布的均值、σ
i
表示第i个分布的方差；i表示个数；
m
表示i的最终个数。
[0053]
所述步骤三中的混合高斯模型可有效拟合各土地类型所在区域范围内的降雨随机分布，弥补了传统随机分布(如正态分布、泊松分布等)在降雨分布拟合时无法通过假设检验的不足之处。如图2
‑
4所示，混合高斯模型所拟合的随机分布与观测数据的经验分布契合良好；各土地类型所在区域范围内的降雨随机分布的拟合均通过了假设检验(p值>0.05)。
[0054]
步骤四：基于上述拟合的、与各类型相对应的混合高斯分布，构建多模型贝叶斯判
别集合框架，并将提取的历史降雨数据用于该框架的验证；
[0055]
在本实施例中，首先，步骤四中所述的构建多模型贝叶斯判别集合框架，是基于是基于贝叶斯判别分析所构建的。贝叶斯判别分析是指在已知样本分类情况下，输入新样本观测数据，并计算各类别所对应的后验概率，通过比较这些后验概率来判定新样本的归属类别。后验概率的计算方法可表示为：
[0056][0057]
式中，p(π
k
|x)为第k类分布的后验概率，p(x|π
k
)为第k类分布的先验概率，p(π
k
)为第k类分布的似然函数；详细的多模型贝叶斯判别集合框架构建可进一步地包括以下子步骤：
[0058]
步骤四一：已知北非沙漠、绿洲、沙漠
‑
绿洲过渡带三类土地类型所在区域范围内相对应的每一套全球气候模型的降雨数据统计分布(在步骤三中可求得)，即贝叶斯判别分析中的似然函数p(π
k
)。计算先验概率p(x|π
k
)，计算方法为：
[0059][0060]
式中，n
k
为降雨数据在各类土地类型所在区域范围内的对应格点数，n
total
为降雨数据在北非区域的总格点数。
[0061]
步骤四二：对于每一套全球气候模型，通过先验概率p(x|π
k
)和似然函数p(π
k
)计算各类土地类型的后验概率；
[0062]
步骤四三：对应多套全球气候模型，构建各类土地类型的后验概率集合，形成格点数据；
[0063]
步骤四四：利用多变量方差分析方法，即基于wilks准则的f统计检验，所述f检验是统计检验的其中一种形式，统计检验量服从f
‑
分布；对应某一格点，利用各类土地类型的后验概率集合样本，近似估计f统计检验量：若类间差异显著，则该格点将被判定为后验概率集合最大所对应的类别；反之，则该格点被判定为第四类，即“无法客观判别”类；其中λ为wilks值，可表示为：
[0064][0065]
式中，ss
e
为误差平方和，ss
h
为总平方和；通过wilks值的计算可近似估计f统计检验量：
[0066][0067]
式中，d为变量的维度，n
e
和n
f
为两个子类的样本个数；
[0068]
步骤四五：基于北非区域各格点所判别的土地类型，输入提取的历史降雨数据，将由贝叶斯判别得出的土地类型与原土地类型进行比较，计算误判率以验证该框架的有效性。误判率计算方法可表示为：
[0069]
e
i
＝n
i,s
/n
i,t
[0070]
式中，e
i
为第i个土地类型的误判率，n
i,s
为第i个土地类型所在区域范围内，贝叶斯判别得出的类型与原土地类型相吻合的格点数量，n
i,t
为第i个土地类型所在区域范围内的总格点数量。
[0071]
在多模型贝叶斯判别集合框架可有效处理全球气候模型降雨预测数据中存在的大量不确定性，在本实施例中，各土地类型对应的误判率如表1所示，均处于可接受范围内。
[0072]
步骤五：输入13套全球气候模型降雨预测数据，并利用构建并训练好的多模型贝叶斯判别集合框架，对未来气候变化条件下的北非撒哈拉沙漠、绿洲、沙漠
‑
绿洲过渡带之间的演替进行预测。本发明从统计角度较为客观地预测选定区域在气候变化条件下的沙漠演替。为处理全球气候模型不确定性时提供了技术基础；为沙漠治理提供技术支持。