《Remote Sensing》基于深度学习算法构建综合干旱监测模型
题目：Construction of an Integrated Drought Monitoring Model Based on Deep Learning Algorithms
期 刊：remote sensing
1
导读
干旱是全球主要自然灾害之一，适当的监测系统对于揭示干旱趋势至关重要。在这方面，深度学习是表征干旱因素非线性性质的一种非常有效的方法。
本文以新疆维吾尔自治区为研究区域，利用中分辨率成像光谱辐射计（MODIS）和气候灾害红外降水站（CHIRPS）等多源遥感数据，整合降水、植被、温度和土壤湿度等干旱影响因子，提出并测试了卷积长短期记忆（ConvLSTM）在构建干旱综合监测模型中的应用。结果表明，ConvLSTM模型的复合干旱指数（CDI）输出与多尺度标准化降水蒸散指数（SPEI）的干旱等级具有一致的高相关性。
2
数据与方法
数据：
1. MODIS数据：研究使用MOD13A1作为植被指数乘积。MOD13A1是一个16天的合成归一化植被指数（NDVI），空间分辨率为500 m。MOD11A1产品是每日合成表面温度（LST），空间分辨率为1 km。这两个产品用于计算植被条件指数（VCI）和温度条件指数（TCI）。
2. CHIRPS 数据：CHIRPS是一个记录1981年至今全球降雨量的数据集。CHIRPS将卫星图像与原位数据相结合，创建网格化降雨时间序列，用于降水趋势分析和季节性干旱监测。
3. GLDAS数据：GLDAS数据用于计算土壤湿度条件指数（SMCI），是由美国宇航局戈达德太空飞行中心（GSFC）和NOAA国家环境预测中心（NCEP）联合开发的数据同化产品。
方法：
1. 卷积长短期记忆 （ConvLSTM）：卷积神经网络（CNN）是一类包含卷积计算的神经网络，具有深度结构和强大的自动特征提取能力。长短期记忆（LSTM）是循环神经网络（RNN）的一种变体结构，是一种具有长期记忆功能的网络。本研究提出的ConvLSTM模型能够从多源遥感数据中提取复杂的干旱特征，存储复杂的不规则趋势，通过将SPEI与多源遥感指数相结合，创建综合干旱指数（CDI），为研究区提供准确的监测结果。
图 1 ConvLSTM 内部网络架构。X、H、C、I、F 和 O 分别是输入序列、隐藏状态、存储单元、输入门、遗忘门和输出门。
2. 模型构建：干旱是由各种影响因素引起的相对复杂的事件，其趋势跨越了较长的时间尺度。干旱特征和致旱因素因地区而异，因此，本研究将降水条件指数（PCI）、植被条件指数（VCI）、温度条件指数（TCI）、植被供水状况指数（VSWI）、叶面积指数（LAI）、植被健康指数（VHI）、蒸散量（ET）和土壤湿度条件指数（SMCI）作为深度学习模型的自变量数据，将气象台站计算的多尺度SPEI作为因变量，与自变量数据一起输入模型，构建综合干旱指数（CDI）。
表格 1 每个输入参数变量的公式和说明
图 2 干旱监测模型构建流程图
3. 评估指标：为了评估每个预测模型的性能，使用相关系数、均方根误差 和平均绝对误差。其中相关系数通常用于评估预测值与实际值的一致性程度，R均方根误差用于测量模型偏差的预测值与实际值之间的偏差，平均绝对误差可以反映预测值误差的实际情况。
其中xi表示模型输出的CDI值，yi表示 SPEI值，m表示样本数量。R2接近1的值以及接近0的RMSE和MAE值表示模型性能更好。
3
结果
1. 7个模型的仿真精度比较
为了评估该模型在新疆的监测能力，分析了SPEI四个尺度测试集上7个模型的性能指标，结果表明，ConvLSTM模型的拟合CDI与实测SPEI的相关系数最大，RMSE和MAE值最小。此外，在SPEI-12尺度上，ConvLSTM模型输出为0.874，RMSE为0.365，CDI和SPEI之间的MAE为 0.265。ConvLSTM在1个月、3个月和6个月尺度上也表现出最高的监测精度。因此，ConvLSTM模型比其对应模型具有优势，并符合最佳模型标准。
2. 干旱一致性分析
研究统计了2000年---2020年55个站点上具有各干旱等级的SPEI值和ConvLSTM模型监测值的站点数量，结果见表2。SPEI和CDI在4个尺度上的无旱和轻旱等级在80%以上的时间内相互一致。除SPEI-1的中干旱等级外，SPEI和CDI在各种尺度上的一致性均达到90%以上。对于严重干旱，SPEI-6和SPEI-12的CDI一致性达到95%以上，SPEI-1和SPEI-3的CDI一致性分别为58.13%和68.86%。SPEI在极端干旱中的一致性最低，SPEI-1的一致性仅为35.56%。总体而言，CDI值与SPEI值在干旱分类上具有一致性。
表格 2 CDI和SPEI在每个尺度上的干旱分类一致性
3.基于气象干旱指数的相关性分析
为了验证模型的CDI输出值监测其他干旱指数信息的能力，本研究使用了2015年至2020年新疆维吾尔自治区55个气象站的SPI值。根据台站降水计算SPI值，不同SPI时间尺度隐含着不同的物理意义。较短的时间尺度表明土壤湿度的变化，较长的时间尺度反映了长期径流变化。因此，SPI-1和SPI-3是农业干旱特征短期变化的良好指标。SPI-6是干旱发生和持续的重要标志物。SPI-12是降水对土壤湿度和地下水量变化影响的良好指标。从ConvLSTM模型获得的CDI与SPI均呈极显著的正相关，且各尺度下CDI对SPI-1、SPI-3、SPI-6和SPI-12的相关系数均高于0.5，通过了显著性检验。这表明CDI可以监测短期农业干旱和长期水文干旱。
图 3 在四个尺度下的散点图以及该模型的相应CDI输出。
（a）SPI-1，（b）SPI-3，（c）SPI-6，（d）SPI-12
4. 基于土壤相对湿度的相关性分析
为验证ConvLSTM模型在农业干旱监测中的适用性，选取9个分布均匀、时间序列较长的土壤湿度站点，验证了干旱综合监测模型的可靠性。利用2000—2013年10 cm深度的月土壤相对湿度与模型输出的CDI-1指数进行相关性分析。结果表明，9个位点的相关系数均在0.45以上，显著性为99%。监测值与土壤相对湿度相关性较好，相关系数范围为0.457-0.759。因此，本研究构建的ConvLSTM模型的CDI变化可以反映区域土壤相对湿度的变化。
图 4 CDI-1 与 10 cm 土壤相对湿度的散点图。
5. 典型年份干旱发展空间分布的验证
为进一步验证CDI的空间合理性，选取一个典型干旱年份分析新疆干旱的空间分布特征，将CDI指数分为5类。经过比较分析，SPEI-6在表征严重和极端干旱方面优于SPEI的其他尺度。因此，选取CDI-6空间分布栅格数据和SPEI-6插值台站数据来评价CDI-6空间分布在干旱监测中的精度和干旱在场外光栅数据中的反映。如图所示，CDI-6空间分布和SPEI观测值表示的干旱程度在实际台站基本保持一致。
图 5 ConvLSTM模型中CDI-6的空间分布以及2014年3月至8月期间的站点干旱分布。
4
总结
本次研究提出ConvLSTM深度学习模型，结合多源遥感数据，构建综合干旱监测模型，模拟CDI监测新疆干旱信息。将结果与3种传统机器学习模型和3种不同类型的深度学习模型进行比较，并通过3个评价指标评估监测性能。
研究结果显示，干旱综合监测模型能有效监测新疆地区干旱信息，在干旱综合监测中具有良好的适用性。研究基于2014年3—8月新疆地区典型干旱月份监测模型绘制的CDI-6空间分布图与台站观测所反映的干旱状况基本一致。台站外CDI-6空间分布光栅数据显示的干旱状况与实际记录的干旱条件一致，可以反映干旱发展和空间演变。
文章信息：
Zhang, Y.; Xie, D.; Tian, W.; Zhao, H.; Geng, S.; Lu, H.; Ma, G.; Huang, J.; Choy Lim Kam Sian, K.T. Construction of an Integrated Drought Monitoring Model Based on Deep Learning Algorithms. Remote Sens. 2023, 15, 667.DOI: 10.3390/rs15030667
分享人：张靖欣，2023级硕士研究生
研究方向：干旱复杂网络构建与未来预测研究
邮箱：zjx819900@163.com
来源：灾害与环境遥感
转自：“测绘学术资讯”微信公众号
如有侵权，请联系本站删除！
