买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国农业科学院农业信息研究所申请的专利一种基于时空分析的气象干旱预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119089300B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411081706.5，技术领域涉及：G06F18/2415；该发明授权一种基于时空分析的气象干旱预测方法是由谢能付;陈颖;邱明慧;李永磊;徐倩;姜丽华;张帆;刘海龙设计研发完成，并于2024-08-08向国家知识产权局提交的专利申请。

本一种基于时空分析的气象干旱预测方法在说明书摘要公布了：本发明涉及气象预测技术领域，具体地说是一种基于时空分析的气象干旱预测方法，本发明通过将多源特征聚合、自注意力机制和优化的时间卷积网络相结合，构建气象干旱时空预测预测模型，能够以多元时空特征的气象要素作为依据，准确预测预设未来时间段内的气象干旱等级，对于制定干旱管理计划以维持自然资源以及减少干旱所造成损失提供了更为强有力的支撑。

本发明授权一种基于时空分析的气象干旱预测方法在权利要求书中公布了：1.一种基于时空分析的气象干旱预测方法，其特征在于，包括以下步骤： S1，获取气象要素数据和干旱指数，并进行数据预处理： S1-1，下载近年连续的各类气象要素数据，所述数据包括降水、气温、日照时长、相对湿度、蒸发量和气压，对数据进行预处理，其中异常值用附近数据平均值替代，缺失值使用时间插值法补全； S1-2，通过所述数据里面的部分气象要素数据，计算气象干旱评估指标，使用标准化降水蒸散指数SPEI与所述S1获取的气象要素数据结合，以综合评估干旱的程度和影响； 通过计算标准化降水蒸散指数SPEI，获得1、3、6、12个月时间尺度的干旱指数，其计算公式为： 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概率分布的累积函数； S1-3，将气象要素数据和SPEI值合并后进行归一化处理，并将处理好的数据分为占比80％的训练集和占比20％的测试集； S1-4，在将数据输入模型之前要进行特征选择，使用皮尔逊相关系数衡量数据集的气象特征和不同时间跨度干旱指数的线性关系程度，所述皮尔逊相关系数取值范围在-1到+1之间，越接近+1表示相关性越高；所述皮尔逊相关系数的计算公式为： 其中，r是皮尔逊相关系数，xi和yi是两个变量的观测值；和分别是两个变量的均值；由于并非所有正相关的气象特征都对干旱指数预测有明显影响，使用不同的相关性阈值测试预测的性能，提取对输出影响相对较大的气象特征作为输入特征； S2，站点空间相关性分析： 计算同一时段目标站点和其他站点的干旱等级一致性的概率，选择和确定在空间上存在关联性的站点； 所述概率的阈值选择通过实验测试，比较不同阈值下的结果，选择既能有效识别关联性站点，又能避免过多误判的最优阈值； S2-1，相似距范围内气候条件相似，同时设定相关站点距离上线是50～70公里，使用Haversine公式计算两站点间距离，即计算公式为： d＝R·c； 其中，是以弧度为单位的两个点的纬度,ω是以弧度为单位的两个点的经度，R是地球半径； S2-2，筛选出气候条件相似且干旱等级具有显著一致性的站点，作为空间上存在关联性的站点，按气象干旱等级标准将气象干旱等级可分为无旱、轻旱、中旱、重旱、特旱五个等级； S2-3，对满足空间相关性的监测站的时空信息进行整合，其中输入特征是不同站点时空数据的四维矢量XB,T,N,C，其中B表示样本数，T表示时间步，N表示站点数，C表示特征数；给定输入特征X＝[X1，X2，X3，…，Xn]是一个包含不同站点时空数据的N个特征矩阵的向量，将X的输入信息在多个站点的维度上进行整合，并使用多个1×1卷积核来扩展这个多通道信息的维度； S2-4，采用1×1卷积核将维数降为1，对数据特征进行聚合，通过增加维数来提高对多个监测站信息的特征提取能力，将输入数据聚合成一个二维特征向量；所述1×1卷积为一种维数增加或减少模块，用于有效提高模型容量即增加非线性消除计算瓶颈； S3，预测模型训练： 构建通过多元特征聚合的基于时间卷积网络的气象干旱时空预测模型，利用整合后的多站点信息结果对模型进行训练，并将训练好的模型作为干旱预测模型，用于实现对干旱的预测； S3-1，采用训练集的数据输入预测模型，将包含时空特征信息的向量输入到模型中，采用向前传播方法对模型进行训练，通过逐层处理有效地学习和提取输入特征的抽象表示，然后使用反向传播更新模型参数，经过不断迭代优化生成最优预测模型； S3-2，所述预测模型由卷积层、线性编码层、自注意力层、时间卷积网络TCN和解码层组成； 所述卷积层输入经过卷积层和批归一化层处理，提取初步特征；然后使用线性层编码层对卷积特征进行编码并应用Dropout；再对编码特征应用自注意力层机制，捕捉全局依赖关系；使用TCN进一步提取时序特征；最后通过解码器输出预测结果； S3-2-1，所述自注意力层机制对应的查询向量Q、键向量K和值向量V，通过利用Q和K之间的相似度来计算注意力权重，再用注意力分数对不同输入的V加权求和进行权重的调整，即公式为： dk为每个注意力头的维度； 所述预测模型同时关注和整合输入数据序列中不同方面的信息，用于提高模型在处理气象数据中长期依赖和复杂关系的能力； S3-2-2，所述时间卷积网络由多个残差单元堆栈组成，残差模块包括两个卷积单元和一个非线性映射单元，每个卷积单元包括一维扩张因果卷积、权重归一化、Relu激活函数和Dropout操作； 所述因果卷积表示为当前时刻t仅与时刻t和时刻t之前的输入相关； 其中，对于所述输入数据序列的索引的扩展卷积运算描述为： 其中，s是序列的索引用于表示当前的时间步或位置，d是膨胀系数，k为滤波器大小，i是一个非负整数，s-d·i为历史中某些信息的局部化； S3-2-3，所述时间卷积网络是多层全卷积网络，依次连接的输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层； 卷积操作通过滑动窗口即卷积核在特征矩阵上移动并计算窗口内元素与卷积核的加权和，从而提取出有用的特征； 第一隐藏层、第二隐藏层和第三隐藏层中每一层都通过因果卷积来逐步抽象和提取输入数据序列中的关键信息，随着层数的增加，网络捕捉到更复杂、更高级别的特征，从而在网络的不同层次上实现高效的学习和特征提取； 在时间卷积网络的训练和测试过程中调整和设置不同的网络深度和滤波器大小来提高模型精度，以灵活地适应不同尺度的时序特征提取需求； S3-2-4，在构建预测模型时需要预先定义气象干旱时空预测模型的超参数、损失函数和优化算法；所述超参数包括网络层数、卷积核大小、卷积核数量、学习率、丢弃率、批量大小、序列长度和输出维度；其中，在指定气象干旱时空预测模型的网络层数和核大小时执行网格搜索； 选取均方误差MSE作为训练过程的损失函数，使用Adam优化器对模型的随机目标函数进行梯度下降优化，后续实验过程中根据实验效果，再通过调参优化预测模型的性能和泛化能力； S3-3，所述气象干旱时空预测模型的判定标准为： 评价指标决定系数R2和均方根误差RMSE； 所述指标决定系数R2表示预测数据与观测数据之间的线性相关程度，是衡量模型拟合度的一种指标，其值越接近1，说明模型对数据的拟合效果越好，其计算公式为： 其中，yi是观测值，是预测值，N为数据点的数量； 其中，是实际值的平均值； 所述均方根误差RMSE用于测量平均模型预测误差，用于表明预测值与观测值的接近程度，该指数值越低，表明预测精度越高，其计算公式为： S4，根据预测干旱指数确定待预测区域的干旱程度： 对所述气象干旱预测模型的输出结果进行分析，将预测得到的SPEI值，依据所述干旱等级分级标准，划分干旱等级，确定待预测区域在下一预设时间段内的干旱程度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国农业科学院农业信息研究所，其通讯地址为：100081 北京市海淀区中关村南大街12号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。