本发明属于气象预测，尤其涉及一种全球干旱时空变化ai预测方法、系统及设备。
背景技术：
1、气象干旱作为全球最为普遍的自然灾害之一，对农业生产、水资源管理、以及生态系统稳定性构成了严重威胁。随着气候变化的不断加剧，干旱事件的频发与强度均呈现出上升趋势，这对全球粮食安全和水资源的可持续管理提出了前所未有的挑战。
2、在监测和分析干旱过程中，选择合适的指标以确定干旱的时空分布和变化趋势至关重要。目前已有超过160种干旱指数被开发用于分析干旱的时空变化，每种指数都展示了其独特的优势与局限性。尤其是标准化降水蒸散指数(spei)，它综合考虑了降水量和潜在蒸散发，因此能更全面地反映一个地区的水文气候状况，而非仅依赖单一的气候因子。研究显示，与简单的标准化降水指数(spi)相比，spei在识别干旱的严重程度和持续时间方面更为准确。例如，在赞比亚北部卡菲河流域的研究中，spei较spi更有效地捕捉了1960-2015年间的干旱时序变化(tirivarombo et al.,2018)。此外，其他指数如scpdsi，尽管提供了干旱严重程度的估计，却常常显示出与实际情况的偏差，并在干旱演变过程中表现出一定的滞后性。因此，选择spei作为分析全球干旱的主要指标，旨在提供更准确和综合的干旱评估。
3、鉴于时间序列数据类型的复杂性，制定准确的预测模型通常面临显著的挑战。多年来，许多预测模型被建立了，包括回归模型(sun et al.,2012)、条件概率模型(hao etal.,2016)、数据驱动模型(xu et al.,2020)、以及机器学习算法(xu et al.,2022)。这些方法各有利弊。例如，在数据驱动模型中，自回归综合移动平均(arima)模型在长期干旱预测中表现优异(belayneh et al.,2014)，但在捕捉非线性特征方面则表现不佳(kim etal.,2022；wang,2022)。近年来，机器学习已成为地球科学领域数据驱动研究的核心组成部分，广泛应用于大气、陆地表面和海洋的研究(shen et al.,2018，ham et al.,2019,reichstein et al.,2019,chen et al.,2019,retsch et al.,2022；liu et al.,2022；zhang et al.,2022b；zheng et al.,2022；asgarimehr et al.,2022；)。特别是，在气象学领域，随机森林(rf)模型等方法被广泛用于解决地球科学和遥感问题(gislason et al.,2006)。
4、在深度学习领域，人工神经网络(ann)由于其在时间序列预测中的出色能力，尤其是在捕捉数据的非线性信息方面，被广泛采用。然而，随着训练过程中参数数量的增加和训练时间的延长，人们开始转向其他非线性模型，如递归神经网络(rnn)，这类模型适用于基于短期记忆的任务，但对旧数据的敏感度较低(le et al.,2017)。为实现长期预测，基于rnn的长短期记忆(lstm)模型应运而生，其特点是拥有更复杂的神经元结构(dikshitetal.,2021)。此外，小波变换作为一种数据预处理工具，已被证实可以成功分解原始数据并有效预测非线性和非平稳时间序列(madhu et al.,2004)，极大地提升了机器学习模型的性能。将小波变换与lstm模型结合的wt-lstm模型在水文预报中表现出色，尽管在短期气象干旱预报中的应用还相对较少。
5、在当前影响全球气象干旱变化复杂的背景下，人工智能(ai)技术的快速发展为提高干旱预测精度带来了新的突破点。尤其是深度学习等技术，在处理大规模且高维度的气象数据分析中展现出显著的优势。这些技术通过学习历史气象数据，能够挖掘和识别干旱发展中的复杂模式和潜在信息，从而显著提高干旱预测的精度。因此，亟需提出一种全球干旱时空变化ai预测方法、系统和设备。
技术实现思路
1、本发明的目的在于提出一种全球干旱时空变化ai预测方法、系统及设备，利用标准化降水蒸散指数(spei)分析全球干旱的时空变化。为提升全球干旱预测的精度，进一步构建了一种结合小波变换与长短时记忆神经网络(lstm)的混合模型(wt-lstm)。利用wt-lstm模型对综合考虑降水量、地表温度和潜在蒸散发等多因子数据进行深度学习，以预测干旱的趋势变化；从而进行更全面的干旱变化预测。
2、为实现上述目的，本发明提供了一种全球干旱时空变化ai预测方法、系统及设备，包括：
3、获取待预测区域的预测因子，其中所述预测因子包括：降水量、潜在蒸散发和地表温度；
4、将所述预测因子输入预设的干旱时空变化预测模型中，获取干旱预测结果；其中，所述干旱时空变化预测模型基于wt-lstm模型构建，并基于构建的数据集进行训练获得，所述数据集包括：历史预测因子、历史spei指数和对应的历史干旱事件。
5、可选地，构建所述数据集包括：
6、获取相关地区的历史spei指数，根据所述历史spei指数进行历史干旱事件识别；
7、筛选历史预测因子，基于所述历史预测因子、历史spei指数和对应的干历史旱事件，构建所述数据集；其中，所述历史预测因子包括：历史降水量、历史潜在蒸散发和历史地表温度。
8、可选地，获取相关地区的历史spei指数包括：
9、获取来自era5的日降水量数据和修正的penman-monteith公式计算的日潜在蒸散发数据；
10、将所述日降水量数据和日潜在蒸散发数据分别进行相加，并进行标准化计算，获取spei指数的月数据。
11、可选地，所述spei指数为：
12、
13、其中，w通过标准化分布函数值(概率)计算得到，c0＝2.515517,c1＝0.802853,c2＝0.010328,d1＝1.432788,d2＝0.189269,d3＝0.001308。
14、可选地，进行历史干旱事件识别包括：
15、干旱持续时间＝di0-di(t)
16、
17、其中，di0和di(t)分别表示干旱事件的结束和开始时间，d表示终止时间，t表示时间。
18、可选地，构建所述wt-lstm模型包括：将lstm模型与离散小波变换结合，构成所述wt-lstm模型。
19、可选地，基于构建的数据集对所述wt-lstm模型进行训练包括：
20、基于所述离散小波变换，将所述数据集中的数据分解为高通滤波器和低通滤波器，分别提取数据序列的高频分量和低频分量；
21、利用所述lstm模型估计所述低频分量，用神经网络单独训练高通滤波器，
22、可选地，对所述wt-lstm模型进行训练后还包括：
23、基于预设评价指标对训练后的所述wt-lstm模型进行评估；其中，所述预设评价指标包括：平均绝对误差、均方误差、均方根误差、rmse与观测值标准差的比值、标准差比值、nash-sutcliffe效率系数、相关系数。
24、可选地，筛选所述历史预测因子包括：
25、分析和可视化预测变量及干旱的时空趋势变化，并进行显著性检验以分析干旱的潜在发展趋势；
26、通过可视化和量化预设时间段的干旱持续时间、规模和严重程度，进行识别干旱事件，筛选出所述历史预测因子。
27、为实现上述目的，本发明还提出了一种全球干旱时空变化ai预测系统，用于实施所述的全球干旱时空变化ai预测方法，所述系统包括：预测因子获取模块和干旱时空变化预测模块；
28、所述预测因子获取模块，用于获取待预测区域的预测因子，其中所述预测因子包括：降水量、潜在蒸散发和地表温度；
29、所述干旱时空变化预测模块，用于将所述预测因子输入预设的干旱时空变化预测模型中，获取干旱预测结果；其中，所述干旱时空变化预测模型基于wt-lstm模型构建，并基于构建的数据集进行训练获得，所述数据集包括：历史预测因子、历史spei指数和对应的历史干旱事件。
30、为实现上述目的，本发明还提出了一种电子设备，所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现所述的全球干旱时空变化ai预测方法。
31、本发明具有以下有益效果：
32、本发明利用标准化降水蒸散指数(spei)分析全球干旱的时空变化。为提升全球干旱预测的精度，进一步构建了一种结合小波变换与长短时记忆神经网络(lstm)的混合模型(wt-lstm)。利用wt-lstm模型对综合考虑降水量、地表温度和潜在蒸散发等多因子数据进行深度学习，以预测干旱的趋势变化；从而进行更全面的干旱变化预测。
1.一种全球干旱时空变化ai预测方法，其特征在于，包括：
2.根据权利要求1所述的全球干旱时空变化ai预测方法，其特征在于，构建所述数据集包括：
3.根据权利要求2所述的全球干旱时空变化ai预测方法，其特征在于，获取相关地区的历史spei指数包括：
4.根据权利要求3所述的全球干旱时空变化ai预测方法，其特征在于，所述spei指数为：
5.根据权利要求1所述的全球干旱时空变化ai预测方法，其特征在于，构建所述wt-lstm模型包括：将lstm模型与离散小波变换结合，构成所述wt-lstm模型。
6.根据权利要求5所述的全球干旱时空变化ai预测方法，其特征在于，基于构建的数据集对所述wt-lstm模型进行训练包括：
7.根据权利要求1所述的全球干旱时空变化ai预测方法，其特征在于，对所述wt-lstm模型进行训练后还包括：
8.根据权利要求2所述的全球干旱时空变化ai预测方法，其特征在于，筛选所述历史预测因子包括：
9.一种全球干旱时空变化ai预测系统，其特征在于，用于实施如权利要求1-8任一所述的全球干旱时空变化ai预测方法，所述系统包括：预测因子获取模块和干旱时空变化预测模块；
10.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如权利要求＝1-8＝任意一项所述的全球干旱时空变化ai预测方法。
