買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉中國農業(yè)科學院農業(yè)信息研究所申請的專利一種基于時空分析的氣象干旱預測方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產權局授予，授權公告號為：CN119089300B 。

龍圖騰網(wǎng)通過國家知識產權局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202411081706.5，技術領域涉及：G06F18/2415；該發(fā)明授權一種基于時空分析的氣象干旱預測方法是由謝能付;陳穎;邱明慧;李永磊;徐倩;姜麗華;張帆;劉海龍設計研發(fā)完成，并于2024-08-08向國家知識產權局提交的專利申請。

本一種基于時空分析的氣象干旱預測方法在說明書摘要公布了：本發(fā)明涉及氣象預測技術領域，具體地說是一種基于時空分析的氣象干旱預測方法，本發(fā)明通過將多源特征聚合、自注意力機制和優(yōu)化的時間卷積網(wǎng)絡相結合，構建氣象干旱時空預測預測模型，能夠以多元時空特征的氣象要素作為依據(jù)，準確預測預設未來時間段內的氣象干旱等級，對于制定干旱管理計劃以維持自然資源以及減少干旱所造成損失提供了更為強有力的支撐。

本發(fā)明授權一種基于時空分析的氣象干旱預測方法在權利要求書中公布了：1.一種基于時空分析的氣象干旱預測方法，其特征在于，包括以下步驟： S1，獲取氣象要素數(shù)據(jù)和干旱指數(shù)，并進行數(shù)據(jù)預處理： S1-1，下載近年連續(xù)的各類氣象要素數(shù)據(jù)，所述數(shù)據(jù)包括降水、氣溫、日照時長、相對濕度、蒸發(fā)量和氣壓，對數(shù)據(jù)進行預處理，其中異常值用附近數(shù)據(jù)平均值替代，缺失值使用時間插值法補全； S1-2，通過所述數(shù)據(jù)里面的部分氣象要素數(shù)據(jù)，計算氣象干旱評估指標，使用標準化降水蒸散指數(shù)SPEI與所述S1獲取的氣象要素數(shù)據(jù)結合，以綜合評估干旱的程度和影響； 通過計算標準化降水蒸散指數(shù)SPEI，獲得1、3、6、12個月時間尺度的干旱指數(shù)，其計算公式為： 其中，C0＝2.515517，C1＝0.802853，C2＝0.010328；d1＝1.432788，d2＝0.189269，d3＝0.001308；其中FX是log-logistic概率分布的累積函數(shù)； S1-3，將氣象要素數(shù)據(jù)和SPEI值合并后進行歸一化處理，并將處理好的數(shù)據(jù)分為占比80％的訓練集和占比20％的測試集； S1-4，在將數(shù)據(jù)輸入模型之前要進行特征選擇，使用皮爾遜相關系數(shù)衡量數(shù)據(jù)集的氣象特征和不同時間跨度干旱指數(shù)的線性關系程度，所述皮爾遜相關系數(shù)取值范圍在-1到+1之間，越接近+1表示相關性越高；所述皮爾遜相關系數(shù)的計算公式為： 其中，r是皮爾遜相關系數(shù)，xi和yi是兩個變量的觀測值；和分別是兩個變量的均值；由于并非所有正相關的氣象特征都對干旱指數(shù)預測有明顯影響，使用不同的相關性閾值測試預測的性能，提取對輸出影響相對較大的氣象特征作為輸入特征； S2，站點空間相關性分析： 計算同一時段目標站點和其他站點的干旱等級一致性的概率，選擇和確定在空間上存在關聯(lián)性的站點； 所述概率的閾值選擇通過實驗測試，比較不同閾值下的結果，選擇既能有效識別關聯(lián)性站點，又能避免過多誤判的最優(yōu)閾值； S2-1，相似距范圍內氣候條件相似，同時設定相關站點距離上線是50～70公里，使用Haversine公式計算兩站點間距離，即計算公式為： d＝R·c； 其中，是以弧度為單位的兩個點的緯度,ω是以弧度為單位的兩個點的經(jīng)度，R是地球半徑； S2-2，篩選出氣候條件相似且干旱等級具有顯著一致性的站點，作為空間上存在關聯(lián)性的站點，按氣象干旱等級標準將氣象干旱等級可分為無旱、輕旱、中旱、重旱、特旱五個等級； S2-3，對滿足空間相關性的監(jiān)測站的時空信息進行整合，其中輸入特征是不同站點時空數(shù)據(jù)的四維矢量XB,T,N,C，其中B表示樣本數(shù)，T表示時間步，N表示站點數(shù)，C表示特征數(shù)；給定輸入特征X＝[X1，X2，X3，…，Xn]是一個包含不同站點時空數(shù)據(jù)的N個特征矩陣的向量，將X的輸入信息在多個站點的維度上進行整合，并使用多個1×1卷積核來擴展這個多通道信息的維度； S2-4，采用1×1卷積核將維數(shù)降為1，對數(shù)據(jù)特征進行聚合，通過增加維數(shù)來提高對多個監(jiān)測站信息的特征提取能力，將輸入數(shù)據(jù)聚合成一個二維特征向量；所述1×1卷積為一種維數(shù)增加或減少模塊，用于有效提高模型容量即增加非線性消除計算瓶頸； S3，預測模型訓練： 構建通過多元特征聚合的基于時間卷積網(wǎng)絡的氣象干旱時空預測模型，利用整合后的多站點信息結果對模型進行訓練，并將訓練好的模型作為干旱預測模型，用于實現(xiàn)對干旱的預測； S3-1，采用訓練集的數(shù)據(jù)輸入預測模型，將包含時空特征信息的向量輸入到模型中，采用向前傳播方法對模型進行訓練，通過逐層處理有效地學習和提取輸入特征的抽象表示，然后使用反向傳播更新模型參數(shù)，經(jīng)過不斷迭代優(yōu)化生成最優(yōu)預測模型； S3-2，所述預測模型由卷積層、線性編碼層、自注意力層、時間卷積網(wǎng)絡TCN和解碼層組成； 所述卷積層輸入經(jīng)過卷積層和批歸一化層處理，提取初步特征；然后使用線性層編碼層對卷積特征進行編碼并應用Dropout；再對編碼特征應用自注意力層機制，捕捉全局依賴關系；使用TCN進一步提取時序特征；最后通過解碼器輸出預測結果； S3-2-1，所述自注意力層機制對應的查詢向量Q、鍵向量K和值向量V，通過利用Q和K之間的相似度來計算注意力權重，再用注意力分數(shù)對不同輸入的V加權求和進行權重的調整，即公式為： dk為每個注意力頭的維度； 所述預測模型同時關注和整合輸入數(shù)據(jù)序列中不同方面的信息，用于提高模型在處理氣象數(shù)據(jù)中長期依賴和復雜關系的能力； S3-2-2，所述時間卷積網(wǎng)絡由多個殘差單元堆棧組成，殘差模塊包括兩個卷積單元和一個非線性映射單元，每個卷積單元包括一維擴張因果卷積、權重歸一化、Relu激活函數(shù)和Dropout操作； 所述因果卷積表示為當前時刻t僅與時刻t和時刻t之前的輸入相關； 其中，對于所述輸入數(shù)據(jù)序列的索引的擴展卷積運算描述為： 其中，s是序列的索引用于表示當前的時間步或位置，d是膨脹系數(shù)，k為濾波器大小，i是一個非負整數(shù)，s-d·i為歷史中某些信息的局部化； S3-2-3，所述時間卷積網(wǎng)絡是多層全卷積網(wǎng)絡，依次連接的輸入層、第一隱藏層、第二隱藏層、第三隱藏層和輸出層； 卷積操作通過滑動窗口即卷積核在特征矩陣上移動并計算窗口內元素與卷積核的加權和，從而提取出有用的特征； 第一隱藏層、第二隱藏層和第三隱藏層中每一層都通過因果卷積來逐步抽象和提取輸入數(shù)據(jù)序列中的關鍵信息，隨著層數(shù)的增加，網(wǎng)絡捕捉到更復雜、更高級別的特征，從而在網(wǎng)絡的不同層次上實現(xiàn)高效的學習和特征提取； 在時間卷積網(wǎng)絡的訓練和測試過程中調整和設置不同的網(wǎng)絡深度和濾波器大小來提高模型精度，以靈活地適應不同尺度的時序特征提取需求； S3-2-4，在構建預測模型時需要預先定義氣象干旱時空預測模型的超參數(shù)、損失函數(shù)和優(yōu)化算法；所述超參數(shù)包括網(wǎng)絡層數(shù)、卷積核大小、卷積核數(shù)量、學習率、丟棄率、批量大小、序列長度和輸出維度；其中，在指定氣象干旱時空預測模型的網(wǎng)絡層數(shù)和核大小時執(zhí)行網(wǎng)格搜索； 選取均方誤差MSE作為訓練過程的損失函數(shù)，使用Adam優(yōu)化器對模型的隨機目標函數(shù)進行梯度下降優(yōu)化，后續(xù)實驗過程中根據(jù)實驗效果，再通過調參優(yōu)化預測模型的性能和泛化能力； S3-3，所述氣象干旱時空預測模型的判定標準為： 評價指標決定系數(shù)R2和均方根誤差RMSE； 所述指標決定系數(shù)R2表示預測數(shù)據(jù)與觀測數(shù)據(jù)之間的線性相關程度，是衡量模型擬合度的一種指標，其值越接近1，說明模型對數(shù)據(jù)的擬合效果越好，其計算公式為： 其中，yi是觀測值，是預測值，N為數(shù)據(jù)點的數(shù)量； 其中，是實際值的平均值； 所述均方根誤差RMSE用于測量平均模型預測誤差，用于表明預測值與觀測值的接近程度，該指數(shù)值越低，表明預測精度越高，其計算公式為： S4，根據(jù)預測干旱指數(shù)確定待預測區(qū)域的干旱程度： 對所述氣象干旱預測模型的輸出結果進行分析，將預測得到的SPEI值，依據(jù)所述干旱等級分級標準，劃分干旱等級，確定待預測區(qū)域在下一預設時間段內的干旱程度。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人中國農業(yè)科學院農業(yè)信息研究所，其通訊地址為：100081 北京市海淀區(qū)中關村南大街12號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。