基于深度学习算法的京津冀地区综合干旱评估模型构建

及时准确的干旱评估对社会经济发展和农业生产具有重要的指导意义,当前的干旱评估指标通常仅考虑植被或降水等单方面影响因素,在实际干旱评估中存在一定的局限性。本研究综合考虑降水、温度、地形等多个干旱致灾因子,以主要产粮基地京津冀地区为例,基于2007-2017年地表温度（Land Surface Temperature,LST）、归一化植被指数（Normalized Difference Vegetation Index,NDVI）以及降水等多源数据,利用深度学习框架Tensorflow构建以标准化降水蒸散发指数（Standardized Precipitation Evapotranspiration Index,SPEI）为目标值的综合干旱评估模型。利用决定系数（R2）和均方根误差（RMSE）对模型进行测试;利用站点标准化降水指数（Standardized Precipitation Index,SPI）、土壤相对湿度数据以及2016年京津冀地区的气象灾害数据,从时间和空间上对模型的可靠性进行验证。结果表明：模型的训练集和测试集在不同月份上均表现较好（R2均大于0.5而RMSE均小于0.55）。模型输出的综合干旱指数（Comprehensive Drought Index,CDI）在密云站上与SPI和SPEI接近,变化趋势基本一致,并且与站点SPI和土壤相对湿度的相关系数分别大于0.7和0.4,均通过了0.01水平的显著性检验。空间上,相较于SPEI,CDI计算的2016年3-7月京津冀地区干旱事件结果与实际情况符合度更高,表明该模型适用于京津冀地区干旱评估。     

1965—2015年海河流域干旱时空变化特征分析

基于海河流域1965—2015年月降水和气温数据,利用标准化降水蒸发指数（Standardized Precipitation Evapotranspiration Index, SPEI）、Mann-Kendall检验和经验正交函数(Empirical Orthogonal Function, EOF)分析等方法,分析海河流域干旱时空特征。结果表明：1）就时间变化来看,年、春、夏季SPEI序列呈干旱化趋势,秋季呈湿润化趋势,仅夏季干旱变化通过了0.05显著性检验。年、季干旱发生频率表明春旱显著,各年代干旱站次比表明近51年来干旱范围有所增加。2）就空间变化来看,中等干旱在年、夏季集中于永定河系的东部、大清河系及北三河系,春、秋季集中于滦河河系、大清河系及漳卫河系的西部;轻度干旱在年、春、夏季集中于滦河河系、北三河系、大清河系,秋季集中于永定河系、子牙河系及漳卫河系。年、春、夏季在流域范围内呈干旱化趋势,秋季在永定河系、大清河系、北三河系及滦河河系呈湿润化趋势。3）就空间模态来看,近51年来海河流域第一模态的年、季主要时空分布型为全流域一致型,第二模态的年、夏、秋季主要时空分布型为南部—北部反向分布型,春季呈西北部—东南部反向分布型。