Translated from English to Vietnamese - www.onlinedoctranslator.

com

Int J Appl Earth Obs Geoinformation 79 (2019) 48–57

danh sách nội dung có sẵn tạikhoa học trực tiếp

Int J Appl Earth Obs Thông tin địa lý

Trang chủ của tạp chí:www.elsevier.com/locate/jag

Xây dựng mô hình giám sát hạn hán bằng deep learning dựa trên dữ liệu
viễn thám đa nguồn
Run Shenmột,⁎, An Kỳ Hoàngmột, Bách Luânmột, Giả Quáchb
mộtTrường Khoa học Địa lý, Đại học Khoa học và Công nghệ Thông tin Nam Kinh, Nam Kinh 210044, Trung Quốc
bKhu tự trị Nội Mông Cục Khí tượng Vũ Hải, Vũ Hải 016000, Trung Quốc

THÔNG TIN BÀI VIẾT TRỪU TƯỢNG

từ khóa: Hạn hán là một vấn đề khoa học phổ biến trong nghiên cứu về biến đổi khí hậu toàn cầu. Việc giám sát chính xác
Hạn hán hạn hán có ý nghĩa quan trọng đối với sự phát triển bền vững của nông nghiệp khu vực trong bối cảnh biến đổi khí
Viễn thám hậu toàn cầu ngày càng phức tạp. Học sâu là một kỹ thuật được sử dụng rộng rãi trong lĩnh vực trí tuệ nhân tạo. Tuy
Học kĩ càng nhiên, việc theo dõi hạn hán liên tục bằng cách sử dụng học sâu là tương đối khan hiếm. Trong bài báo này, các yếu
tố nguy hiểm khác nhau trong quá trình phát triển hạn hán đã được xem xét toàn diện dựa trên dữ liệu vệ tinh bao
gồm Máy đo quang phổ hình ảnh độ phân giải vừa phải (MODIS) và nhiệm vụ đo lượng mưa nhiệt đới (TRMM) dưới
dạng dữ liệu viễn thám đa nguồn. Bằng cách sử dụng kỹ thuật học sâu, một mô hình giám sát hạn hán toàn diện đã
được xây dựng và thử nghiệm ở tỉnh Hà Nam của Trung Quốc là một ví dụ. Kết quả cho thấy mô hình hạn toàn diện
có khả năng ứng dụng tốt trong giám sát hạn khí tượng và hạn hán nông nghiệp. Có một mối tương quan tích cực
đáng kể giữa các chỉ số hạn hán của đầu ra mô hình và chỉ số hạn hán khí tượng toàn diện (CI) được đo ở quy mô địa
điểm. Tỷ lệ thống nhất về mức độ khô hạn của hai mô hình lần lượt là 85,6% và 79,8% đối với tập huấn luyện và tập
kiểm tra. Hệ số tương quan giữa chỉ số khô hạn của mô hình và chỉ số thoát hơi nước mưa tiêu chuẩn (SPEI) nằm
trong khoảng 0,772 đến 0,910 (P < 0,01) cho thấy mức độ ý nghĩa rất cao. Hệ số tương quan giữa chỉ tiêu khô hạn
của mô hình với độ ẩm tương đối của đất ở độ sâu 10 cm lớn hơn 0,550 (P < 0,01), và có một mối tương quan tốt
giữa chúng. Nghiên cứu này cung cấp một phương pháp mới để đánh giá toàn diện về hạn hán trong khu vực.

1. Giới thiệu
Hạn hán là một trong những thảm họa khí tượng nghiêm trọng
nhất trên toàn thế giới. Là loại thiên tai phổ biến, xảy ra thường xuyên,
đe dọa nghiêm trọng đến sản xuất nông nghiệp, môi trường sinh thái
và phát triển kinh tế - xã hội (Đại, 2011). Vì vậy, nghiên cứu về kỹ thuật
giám sát hạn hán và phương pháp đánh giá có ý nghĩa thực tiễn quan
trọng đối với khả năng ứng phó với thiên tai của chính phủ. Các
phương pháp theo dõi hạn hán hiện tại bao gồm các phương pháp
theo dõi khí tượng truyền thống (Đại và cộng sự, 2004) và các phương
pháp giám sát viễn thám (Vương, 2004). Mặc dù phương pháp quan
trắc khí tượng đã được thiết lập tốt, nhưng phản ứng của thảm thực vật
bề mặt đối với hạn hán chưa được xem xét trong cơ chế giám sát, do
đó, các phương pháp giám sát như vậy bị hạn chế trong giám sát hạn
hán toàn diện. Giám sát hạn hán bằng viễn thám có ưu điểm là vĩ mô,
nhanh chóng và cung cấp thông tin liên tục.
dữ liệu theo thời gian và không gian. (Quiring và Ganesh, 2010).
Các mô hình giám sát hạn hán bằng viễn thám truyền thống chủ yếu
theo dõi các yếu tố đơn lẻ như sự phát triển của thực vật hay độ ẩm của đất,
không thể phản ánh đầy đủ thông tin về hạn hán. Trong những năm gần
đây, nhiều học giả đã xem xét việc tích hợp nhiều yếu tố là triệu chứng của
hạn hán để xây dựng một mô hình hạn hán toàn diện (Yin và cộng sự, 2018;
AghaKouchak và cộng sự, 2015). Một trong những phương pháp xây dựng
mô hình như vậy là hồi quy truyền thống. Rhee và cộng sự. đã đề xuất chỉ số
hạn hán, chỉ số điều kiện hạn hán theo tỷ lệ (SDCI), của dữ liệu viễn thám đa
nguồn dựa trên sự kết hợp tuyến tính của dữ liệu (Rhee và cộng sự, 2010).
Vương và cộng sự. đã sử dụng các phương trình đa thức để phù hợp với
không gian đặc trưng của chỉ số thực vật chuẩn hóa (NDVI) và nhiệt độ bề
mặt đất (LST) và thiết lập chỉ số khô hạn thực vật ở nhiệt độ nâng cao (ETVDI)
để theo dõi hạn hán khu vực (Wang và cộng sự, 2018). Với sự phổ biến của
học máy, một số học giả đã cố gắng sử dụng các phương pháp khai thác dữ
liệu để xây dựng các mô hình hạn hán. Du et al. đã sử dụng

⁎Tác giả tương ứng tại: Trường Khoa học Địa lý, Đại học Khoa học và Công nghệ Thông tin Nam Kinh, NO. 219 Đường Ninh Lưu, Nam Kinh 210044, Trung Quốc.

Địa chỉ email:rpshen@nuist.edu.cn (R. Shen).

https://doi.org/10.1016/j.jag.2019.03.006
Nhận ngày 21 tháng 8 năm 2018; Nhận được ở dạng sửa đổi ngày 18 tháng 2 năm 2019; Chấp nhận ngày 4 tháng 3
năm 2019 0303-2434/ © 2019 Elsevier BV Bảo lưu mọi quyền.
R. Shen, et al.
phương pháp phân loại và cây hồi quy để xem xét sự kết hợp của nhiều
yếu tố hạn hán như thảm thực vật, lượng mưa và bề mặt đất, với dữ
liệu địa hình và sử dụng đất để xây dựng chỉ số hạn hán toàn diện (SDI)
(Du và cộng sự, 2013). Shen và cộng sự. đã sử dụng phương pháp rừng
ngẫu nhiên để xem xét chỉ số TRMM-Z, chỉ số điều kiện thực vật (VCI),
chỉ số điều kiện nhiệt độ (TCI) và các chỉ số hạn hán viễn thám khác để
xây dựng mô hình giám sát hạn hán toàn diện (Shen và cộng sự, 2017).
Sự phát triển của các mô hình này cung cấp những ý tưởng mới để theo
dõi hạn hán.
Tuy nhiên, các phương pháp hồi quy truyền thống chủ yếu yêu cầu nhiều
phép thử để xác định trọng số nhằm xây dựng mô hình và các phương pháp
này coi các yếu tố gây hạn hán là hạn chế. Một số phương pháp khai thác dữ
liệu phổ biến cũng có những hạn chế khi xử lý lượng lớn dữ liệu. Những vấn
đề này có thể được giải quyết với nhiều nghiên cứu hơn. Học sâu là một
phương pháp học máy dựa trên mạng thần kinh được đề xuất bởi Hinton et
al. vào năm 2006 (Hinton và Salakhutdinov, 2006). Đây là một trong những
lĩnh vực phổ biến nhất trong nghiên cứu học máy. Học sâu có thể bắt chước
hoạt động của bộ não con người để giải thích dữ liệu và hiệu suất của nó
vượt qua các phương pháp học máy khác (Lecun và cộng sự, 2015). Khi xây
dựng các mô hình hạn hán toàn diện, các thuật toán học sâu có thể trích
xuất nhiều tính năng hữu ích hơn từ một số lượng lớn các yếu tố hạn hán,
điều này nằm ngoài khả năng của các thuật toán truyền thống khác. Tuy
nhiên, có rất ít nghiên cứu về giám sát hạn hán bằng cách sử dụng học sâu.
Do đó, nghiên cứu này đã sử dụng các phương pháp học sâu để xây dựng
các mô hình bằng cách xem xét một số yếu tố nguy hiểm khác nhau và khám
phá việc sử dụng nhiều nguồn dữ liệu viễn thám cho các phương pháp giám
sát hạn hán toàn diện bằng viễn thám trong khu vực.
2. Vật liệu
2.1. Khu vực nghiên cứu
Tỉnh Hà Nam nằm trong vùng nội địa của đồng bằng Hoa Bắc giữa
110°22′̃ 116°38′E và 31°23′̃ 36°22′N (Hình 1). Khu vực này có khí hậu
chuyển tiếp với cả khí hậu cận nhiệt đới ẩm và khí hậu gió mùa bán ẩm
với các đới ôn đới ấm áp. Lượng mưa trung bình hàng năm là 500–1000
mm và mùa mưa phân bố không đều. 50% lượng mưa hàng năm tập
trung vào mùa hè. Địa hình cao ở phía tây và thấp ở phía đông, với các
ngọn núi ở phía bắc, tây và nam, đồng bằng ở phía đông, lưu vực ở phía
tây nam và bốn thung lũng trên sông Hoàng Hà, sông Hải Hà, sông
Hoài Hà, và sông Dương Tử (Shen và cộng sự, 2017). Các loại cây trồng
chính ở tỉnh Hà Nam là lúa mì mùa đông và ngô mùa hè, và cây trồng
phía Nam là gạo.
2.2. Dữ liệu viễn thám
Sản phẩm chỉ số thực vật Máy quang phổ bức xạ hình ảnh độ phân
giải trung bình (MODIS) (MOD13A3), sản phẩm nhiệt độ bề mặt
(MOD11A2), sản phẩm sử dụng đất (MCD12Q1) và sản phẩm Nhiệm vụ
đo lượng mưa nhiệt đới (TRMM) được sử dụng làm nguồn dữ liệu viễn
thám chính từ năm 2001 đến 2013. MOD13A3 là sản phẩm chỉ số thực
vật bề mặt tổng hợp hàng tháng và MOD11A2 là sản phẩm nhiệt độ bề
mặt đất được tổng hợp 8 ngày một lần. Cả hai sản phẩm đều có độ
phân giải không gian là 1 km. MCD12Q1 là sản phẩm che phủ đất tổng
hợp kéo dài cả năm với độ phân giải không gian 500 m. TRMM 3B43 là
tập dữ liệu lượng mưa lưới trung bình hàng tháng 0,25°×0,25° (mm/h).
Trong nghiên cứu này, dữ liệu TRMM và dữ liệu MODIS được tải xuống
từ trang web (https://search.earthdata.nasa.gov/). Ngoài ra, nghiên cứu
cũng sử dụng dữ liệu Mô hình Độ cao Kỹ thuật số Nhiệm vụ Địa hình
Radar Tàu con thoi (SRTM-DEM) do Trung tâm Nông nghiệp Nhiệt đới
Quốc tế (CIAT) thu được bằng cách sử dụng thuật toán nội suy mới từ
trang web (https://ciat.cgiar.org/).
49
Int J Appl Earth Obs Geoinformation 79 (2019) 48–57
2.3. Dữ liệu khí tượng và đất
Dữ liệu khí tượng được sử dụng trong nghiên cứu này bao gồm
nhiệt độ trung bình hàng tháng, dữ liệu lượng mưa và độ ẩm tương đối
của đất từ 15 trạm khí tượng chính và 9 trạm khí tượng nông nghiệp ở
tỉnh Hà Nam (Hình 1), được tải xuống từ trang web (http://data.cma.cn/)
.Dữ liệu đã được kiểm soát chất lượng. Ngoài ra, để tính toán khả năng
chứa nước khả dụng của đất (AWC), một bộ dữ liệu về phân bố kết cấu
đất của Trung Quốc do Đại học Sư phạm Bắc Kinh xuất bản đã được
thông qua, với độ phân giải không gian là 1 km (http://
globalchange.bnu.edu.cn/).
3. Phương pháp
3.1. Xử lí dữ liệu
3.1.1. Dữ liệu viễn thám
Dữ liệu TRMM 3B43 được chuyển đổi thành lượng mưa hàng tháng và
được lấy mẫu lại thành độ phân giải 1 km bằng phép nội suy song tuyến tính
(Du, et al., 2013). NDVI và chỉ số thực vật nâng cao (EVI) được trích xuất từ
dữ liệu MOD13A3. Các tài liệu kiểm soát chất lượng đã được sử dụng để loại
bỏ các giá trị không hợp lệ khỏi hình ảnh và tỷ lệ phần trăm pixel bị thiếu
trong tất cả dữ liệu NDVI và EVI được sử dụng trong nghiên cứu lần lượt là
0,044% và 0,024%. Mức trung bình nhiều năm từ cùng một tháng trong các
năm khác được sử dụng để điền vào vị trí dữ liệu đã bị xóa. Đối với dữ liệu
nhiệt độ bề mặt đất trong 8 ngày của MOD11A2, tất cả dữ liệu hàng tháng
được tính trọng số và được thêm vào để thu được giá trị nhiệt độ bề mặt
hàng tháng. Trọng số được lấy theo tỷ lệ số ngày trên mỗi hình ảnh cảnh
trong tháng. Trong nghiên cứu này, việc sử dụng dữ liệu 8 ngày của
MOD11A2 đã tránh được một số lượng lớn các giá trị bị thiếu trong dữ liệu
hàng ngày,
3.1.2. dữ liệu khí tượng
Trong nghiên cứu này, chỉ số hạn khí tượng toàn diện (CI) và chỉ số
thoát hơi nước từ lượng mưa chuẩn hóa (SPEI) được tính toán dựa trên
lượng mưa hàng tháng và nhiệt độ không khí trung bình tại mỗi trạm
khí tượng từ năm 2001 đến năm 2013. SPEI sử dụng mức độ chênh lệch
giữa lượng mưa và thoát hơi nước để xác định độ lệch so với trạng thái
trung bình để đặc trưng cho hạn hán ở một vùng nhất định. Nghiên
cứu này sử dụng phương pháp Vicente-serrano để thực hiện phép tính (
Vicente-serrano và cộng sự, 2010). CI dựa trên chỉ số lượng mưa được
tiêu chuẩn hóa, chỉ số độ ẩm và lượng mưa gần đây. Nó vượt trội so với
chỉ số hạn hán được tính bằng cách chỉ sử dụng lượng mưa. Chi tiết về
phương pháp tính toán có thể được tìm thấy trong phần mô tả về văn
học của He (Ông và cộng sự, 2015).
3.1.3. dữ liệu đất
Độ ẩm tương đối của đất là thước đo quan trọng về tác động của
hạn hán đối với nông nghiệp. Độ ẩm tương đối của đất ở độ sâu 10 cm
từ năm 2001 đến năm 2013 được lấy từ chín trạm khí tượng nông
nghiệp trong khu vực nghiên cứu. Dữ liệu độ ẩm tương đối hàng tháng
của các lớp đất sâu 10 cm tại mỗi địa điểm được tính toán sau khi kiểm
soát chất lượng. Nguyên tắc chính của kiểm soát chất lượng là các thiết
bị quan sát độ ẩm của đất không hoạt động bình thường dưới 0 ° C. Do
đó, theo quan sát nhiệt độ đất ở độ sâu 10 cm, dữ liệu tương ứng đã
được lọc. Nếu nhiệt độ đất ở độ sâu 10 cm nhỏ hơn 0 °C, thì dữ liệu độ
ẩm tương đối của đất tương ứng sẽ bị xóa.
Dung tích nước khả dụng của đất (AWC) đề cập đến lượng nước được lưu
trữ trong đất mà cây trồng có thể sử dụng. Trong nghiên cứu này, mô hình
khớp nối tuyến tính theo kinh nghiệm sử dụng tính toán kết cấu đất AWC do
Petersen đề xuất (Gupta và Larson, 1979) được sử dụng để ước tính khả
năng giữ nước hiệu quả trong lớp đất sâu 10 cm.
R. Shen, et al.
Hình 1.Bản đồ điều kiện khu vực nghiên cứu. ( a ) Bản đồ vị trí của khu vực nghiên cứu. (b) Bản đồ cao độ khu vực nghiên cứu và bản đồ vị trí các trạm khí tượng, trạm
nông nghiệp. (c) Bản đồ che phủ đất khu vực nghiên cứu năm 2013. (d) Bản đồ AWC khu vực nghiên cứu.
3.2. Xây dựng mô hình quan trắc hạn hán
3.2.1. Nguyên tắc xây dựng mô hình
Cơ sở lý thuyết cho mô hình giám sát hạn hán tổng hợp là hạn hán được
xác định một cách toàn diện bởi nhiều yếu tố hạn hán, không chỉ liên quan
đến lượng mưa, áp lực nước trong đất và tình trạng phát triển của thảm
thực vật mà còn liên quan đến các yếu tố như khả năng cung cấp nước, các
loại lớp phủ đất và các loại địa hình (Du và cộng sự, 2013). Chỉ số điều kiện
thực vật (VCI) phản ánh tình trạng tăng trưởng của thảm thực vật và Chỉ số
điều kiện nhiệt độ (TCI) phản ánh ảnh hưởng của nhiệt độ bề mặt đối với sự
phát triển của thực vật (Kogan, 1997). Chỉ số cấp nước cho thực vật (VSWI)
phản ánh tình trạng thiếu nước của cây trồng. Chỉ số TRMM-Z và Tỷ lệ phần
trăm dị thường của lượng mưa (Pa) phản ánh thông tin về sự bất thường của
lượng mưa khí tượng. Dung tích nước khả dụng (AWC) phản ánh ảnh hưởng
của các loại đất khác nhau đối với hạn hán. Các loại che phủ đất (LC) và độ
cao cũng có ảnh hưởng quan trọng đến hạn hán khu vực. Mỗi nhân tố phản
ánh hạn hán ở những khía cạnh khác nhau nhưng cách thức tác động của
chúng
50
Int J Appl Earth Obs Geoinformation 79 (2019) 48–57
cùng với hạn hán vẫn chưa rõ ràng. Hiện tại, CI không chỉ phản ánh sự
bất thường của quy mô lượng mưa hàng tháng và theo mùa mà còn có
khả năng nhất định để theo dõi quy mô thiếu nước trong ngắn hạn. Do
đó, nghiên cứu này đã sử dụng phương pháp học sâu, sử dụng CI làm
biến phụ thuộc và các yếu tố viễn thám khác làm biến độc lập, để xây
dựng mô hình giám sát hạn hán dựa trên dữ liệu viễn thám đa nguồn;
thông qua công việc này, một phương pháp giám sát hạn hán tốt hơn
được khám phá.
3.2.1.1. Chỉ số tình trạng thực vật.Khi thảm thực vật bị hạn hán, giá trị
NDVI sẽ giảm tương ứng. Tuy nhiên, một hình ảnh NDVI duy nhất chỉ
phản ánh sức khỏe tương đối của sự phát triển của thảm thực vật tại
một thời điểm cụ thể. Do đó, khi xây dựng mô hình trong nghiên cứu
này, VCI có thể phản ánh sự phát triển của thảm thực vật theo chuỗi
thời gian đã được chọn (Liu và Kogan, 1996). VCI cho mỗi tháng từ 2001
đến 2013 được tính theo công thức sau:
R. Shen, et al.
NDVItôi-NDVItối thiểu
CItôi= ×100
NDVItối đa-NDVItối thiểu
ở đâuVCItôilà chỉ số trạng thái thực vật của một tháng nhất định,NDVItôilà giá trị
NDVI của một tháng nhất định vàNDVItối thiểuvàNDVItối đalà giá trị tối thiểu và tối đa
của NDVI tại tháng tương ứng trong năm nghiên cứu. Giá trị VCI thấp hơn cho
thấy tình trạng tăng trưởng của thảm thực vật kém hơn. Chỉ số làm giảm tác động
tiếng ồn của những thay đổi theo mùa thông qua một tỷ lệ.
3.2.1.2. Chỉ số điều kiện nhiệt độ.Sự xuất hiện và phát triển của hạn hán
có liên quan chặt chẽ với LST. LST cao trong mùa sinh trưởng của thực
vật cho thấy điều kiện khô hạn hoặc không thuận lợi, trong khi LST thấp
cho thấy hầu hết các điều kiện lành mạnh (Singh và cộng sự, 2003). Tuy
nhiên, LST bị ảnh hưởng bởi nhiều yếu tố như khí quyển và môi trường.
Do đó, việc sử dụng LST một mình không thể giám sát hạn hán một
cách trọn vẹn. TCI được xác định dựa trên nguyên tắc nhiệt độ bề mặt
của tán cây hoặc đất tăng lên cùng với sự gia tăng áp lực về nước trong
điều kiện nhiệt độ cao gây ra thảm thực vật hoặc thiếu nước trong đất.
TCI tập trung vào mối đe dọa của nhiệt độ cao đối với sự phát triển của
thảm thực vật (Kogan, 1995). Nghiên cứu này đã tính toán TCI cho mỗi
tháng từ năm 2001 đến 2013 và sử dụng nó
là một trong các biến đầu vào của mô hình. Công thức như sau:
LSTtối đa - LSTtôi
TCI=
tôi ×100%
LSTtối đa-LSTtối thiểu
ở đâuTCItôilà chỉ số điều kiện nhiệt độ của một tháng nhất định,LSTtôi
là giá trị LST của một tháng vàTCItối đavàTCItối thiểulà giá trị lớn nhất và
nhỏ nhất của LST cho tháng tương ứng trong năm nghiên cứu. TCI nhỏ
hơn có nghĩa là hạn hán nghiêm trọng hơn.
3.2.1.3. Chỉ số thực vật cung cấp nước.VSWI kết hợp thông tin về tình
trạng thảm thực vật và nhiệt độ bề mặt. Ý nghĩa vật lý là rõ ràng, và
hình thức là đơn giản. Ý nghĩa vật lý là khi nguồn cung cấp nước cho
cây trồng bình thường, chỉ số thảm thực vật viễn thám và nhiệt độ tán
cây trồng duy trì trong một phạm vi nhất định trong một thời kỳ sinh
trưởng nhất định. Bên trong, nếu một loại cây trồng bị ảnh hưởng bởi
hạn hán hoặc thiếu nước, chỉ số thực vật sẽ giảm. Trong thời gian này,
cây trồng không có đủ nước để bốc hơi trên bề mặt lá buộc phải đóng
một số khí khổng khiến nhiệt độ trong tán cây trồng tăng cao. Lý và
cộng sự. đề xuất rằng việc xây dựng VSWI sử dụng EVI có hiệu quả ở
tỉnh Hà Nam (Li và cộng sự, 2016). Nghiên cứu này đã tính toán VSWI
cho mỗi tháng từ năm 2001 đến năm 2013. Công thức như sau:
EVItôi
SWii=
LSTi
ở đâuVSWItôilà Chỉ số cấp nước cho thực vật của một tháng nhất định, EVItôi
là giá trị EVI của một tháng vàLSTtôilà giá trị LST của một tháng. VSWI nhỏ
hơn cho thấy hạn hán nghiêm trọng hơn.
3.2.1.4. Phần trăm dị thường lượng mưa và chỉ số TRMM-Z.Dị thường
lượng mưa là một trong những chỉ tiêu dùng để đặc trưng cho tình
trạng hạn hán do dị thường lượng mưa gây ra trong một thời kỳ nhất
định. Nó là một trong những chỉ số được sử dụng trong các hoạt động
khí tượng hàng ngày để đánh giá lượng nước so với giá trị bình thường.
Nó có thể phản ánh trực tiếp diễn biến hạn hán trong tháng, mùa, năm
(Nhẫn, 2013). Trong bài báo này, Pa được sử dụng để chuẩn hóa sự bất
thường của lượng mưa. Pa hàng tháng được tính như sau:
Số Pi-P
Pai= ×100%
P (4)
ở đâuPatôilà tỷ lệ phần trăm của lượng mưa bất thường trong một tháng,Ptôilà
lượng mưa trong một tháng, vàPlà lượng mưa trung bình hàng năm trong một
tháng.
Nhìn chung, lượng mưa trong một khoảng thời gian nhất định không
tuân theo phân phối chuẩn. Tốt hơn là sử dụng đường cong lý thuyết của
Int J Appl Earth Obs Geoinformation 79 (2019) 48–57
Phân phối Pearson III để phù hợp với lượng mưa trong một khoảng thời
(1) gian (Vicente-Serrano, 2006). Bằng cách chuẩn hóa giá trị lượng mưa, phân
phối Pearson-III có thể được chuyển đổi thành phân phối chuẩn thông
thường với Z là biến (Cánh diều, 1988). Công thức như sau:
1
6 ⎛ Cs 3 6 Cs
tử= φi+1⎞ - +
Cs⎝2 ⎠ Cs 6 (5)
ở đâuztôilà chỉ số Z trong một tháng,CSlà hệ số lệch và giá trị lượng tôiLà
mưa tiêu chuẩn hóa trong một tháng. Cs và tôicó thể được tính toán
gated từ trình tự kết tủa. Các công thức như sau:
∑Ntôi=1 (Số Pi-P)3 Số Pi-P
Cs= φi=
ne3 e (6)
N N
1 1
e= ∑(Số Pi-P)2P= ∑Số Pi
N tôi=1 N tôi=1 (7)
nơi Ptôilà lượng mưa trong một tháng. Chỉ số Z được sử dụng để mô tả mức độ hạn
hán và lũ lụt của dữ liệu khí tượng đơn trạm. Để có được thông tin về sự bất
thường của lượng mưa trong khu vực nghiên cứu, chúng tôi đã tính toán chỉ số
TRMM-Z cho từng pixel bằng cách sử dụng dữ liệu lượng mưa TRMM.
3.2.1.5. Các yếu tố khác.AWC đo khả năng của đất thoát nước tốt để
(2) cung cấp nước cho cây trồng. Là một tham số đầu vào cho các mô hình
hạn hán khí tượng và viễn thám khác nhau, nó có ý nghĩa quan trọng
đối với việc trích xuất thông tin hạn hán. Sự xuất hiện của hạn hán có
những tác động khác nhau trên bề mặt tùy thuộc vào loại lớp phủ đất.
Đặc biệt, có sự khác biệt lớn về tác động của hạn hán đối với các loại
che phủ đất khác nhau (chẳng hạn như đất nông nghiệp và đất lâm
nghiệp). Do đó, đề cập đến phương pháp của Ran (Ran và cộng sự,
2010), sơ đồ phân loại dữ liệu MCD12Q1 của Chương trình Địa quyển-
Sinh quyển Quốc tế (IGBP) ở tỉnh Hà Nam đã được phân loại lại thành
sáu loại bao gồm đất nông nghiệp, rừng, đồng cỏ, vùng nước, đất xây
dựng đô thị và đất trống. Các độ cao khu vực khác nhau (như vùng núi
và đồng bằng) có diễn biến hạn hán khác nhau. Do đó, yếu tố độ cao
cũng cần được xem xét khi xây dựng mô hình hạn hán.
3.2.2. Học kĩ càng
Khái niệm học sâu bắt nguồn từ nghiên cứu về mạng lưới thần kinh
nhân tạo. Cảm biến đa lớp với nhiều lớp ẩn là một cấu trúc học sâu. Học
sâu có thể kết hợp các tính năng cấp thấp và sau đó xây dựng các tính
năng thuộc tính cấp cao toàn diện hơn theo cách từng lớp. Mạng nơ-
ron truyền thống thường chỉ có
(3) hai hoặc ba lớp mạng thần kinh. Các tham số và tính toán
nút tion bị hạn chế. Nó có khả năng hạn chế để học và thể hiện các
chức năng phức tạp. Mô hình học sâu có từ 5 đến 10 lớp hoặc thậm chí
nhiều mạng nơ-ron hơn và nó dẫn đến một cơ chế đào tạo hiệu quả
hơn. Cấu trúc phân cấp của mô hình học sâu chỉ được kết nối giữa các
tế bào thần kinh lớp liền kề và các tế bào thần kinh cùng lớp và lớp chéo
không được kết nối với nhau, tương tự như cấu trúc của bộ não con
người và có thể bắt chước bộ não để biểu thị thông tin một cách hiệu
quả và chính xác.
Trong nghiên cứu này, mạng nơ-ron chuyển tiếp nguồn cấp dữ liệu sâu
(DFNN) trong mô hình học sâu đã được sử dụng làm mô hình nghiên cứu.
Trong các tác vụ hồi quy, nó có thể trích xuất các tính năng cấp cao trong số
lượng lớn các biến để có độ chính xác dự đoán cao (Zhang và cộng sự, 2017).
Nghiên cứu này đã sử dụng khung học sâu trong H2O, dựa trên DFNN được
đào tạo với tính năng giảm dần độ dốc bằng cách sử dụng lan truyền ngược
lỗi. Có thể tìm thấy phiên bản gói H2O R 3.0 tại liên kết sau:https://www.
h2o.ai. Quy trình đào tạo cụ thể cho deep learning bao gồm: (1) tính năng
học sử dụng cách tiếp cận từ dưới lên, không giám sát. Đầu tiên, lớp đầu tiên
được đào tạo mà không có dữ liệu hiệu chuẩn và các tham số của lớp đầu
tiên được học. Do dung lượng mô hình và các ràng buộc thưa thớt, mô hình
kết quả có thể tự học cấu trúc dữ liệu. Các
51
R. Shen, et al. Int J Appl Earth Obs Geoinformation 79 (2019) 48–57

mô hình có nhiều tính năng hơn đầu vào. Sau khi học để lấy lớp thứ n, Bảng 1
đầu ra của lớp n-1 được lấy làm đầu vào của lớp thứ n và lớp thứ n được Một lựa chọn các kết quả điều chỉnh các tham số chính của mô hình.
huấn luyện, từ đó thu được các tham số cho mỗi lớp. Bước này là khác lớp tế bào thần kinh kỷ nguyên Xe lửa-R2 Tàu-RMSE Kiểm tra-R2 Kiểm tra-RMSE
biệt nhất so với các mạng thần kinh truyền thống. (2) Mô hình sử dụng
phương pháp học giám sát từ trên xuống. Bằng cách đào tạo với dữ 7 500 1000 0,751 0,501 0,702 0,756
7 500 2000 0,771 0,450 0,721 0,678
liệu được gắn thẻ, các lỗi lan truyền ngược từ trên xuống dưới, mạng
7 500 3000 0,799 0,432 0,756 0,621
được tinh chỉnh và trọng số giữa các lớp được điều chỉnh. số 8 500 1000 0,855 0,382 0,778 0,482
số 8 500 2000 0,890 0,295 0,825 0,357
số 8 500 3000 0,882 0,282 0,808 0,421
9 500 1000 0,865 0,366 0,772 0,440
9 500 2000 0,899 0,285 0,802 0,391
3.2.3. Quy trình xây dựng mô hình
9 500 3000 0,872 0,296 0,797 0,401
Thời gian giám sát cho nghiên cứu này được chọn từ tháng 2 đến … … … … … … …
tháng 11 cho mỗi năm 2001-2012. Tháng 4 đến tháng 10 là mùa sinh
trưởng của cây trồng và VCI và TCI phù hợp để theo dõi cây trồng trong
mùa sinh trưởng. Để nghiên cứu cơ chế tương tác giữa lượng mưa, 4. Kết quả và thảo luận
thảm thực vật và đất và để có được mối quan hệ định lượng giữa cơ chế
này và hạn hán toàn diện, một mô hình giám sát hạn hán với CI=f(VCI, 4.1. Hiệu chuẩn và xác nhận mô hình
TCI, VSWI, Pa, TRMM-Z, AWC, LC, DEM) được xây dựng dựa trên học
sâu. CI hàng tháng được sử dụng làm biến phụ thuộc, biểu thị tình Bằng cách điều chỉnh số lượng lớp ẩn, nơ ron và kỷ nguyên, hệ số xác
trạng hạn hán toàn diện trong một trạm duy nhất. VCI, TCI, VSWI, Pa, định (R2) và lỗi bình phương trung bình gốc (RMSE) của mô hình đã thu được
chỉ số TRMM-Z, LC, DEM và AWC được sử dụng làm biến độc lập. VCI, và một lựa chọn các kết quả được hiển thị trong Bảng 1. Khi R cao nhất2giá
TCI và VSWI đại diện cho các yếu tố nhiệt độ thực vật và Pa và TRMMZ trị và giá trị RMSE thấp nhất của tập huấn luyện xảy ra, R2và RMSE của bộ
đại diện cho các yếu tố lượng mưa. AWC, LC và DEM lần lượt đại diện thử nghiệm không tối ưu. Kết quả này cho thấy rằng việc theo đuổi một cách
cho các yếu tố đất, yếu tố che phủ đất và yếu tố địa hình. Nghiên cứu mù quáng việc giảm thiểu các lỗi của tập huấn luyện có thể dẫn đến giảm
này sử dụng dữ liệu từ năm 2001 đến 2010 làm tập huấn luyện và dữ khả năng dự đoán dữ liệu chưa biết (tập kiểm tra). Xu hướng này thường
liệu từ năm 2011 đến 2012 làm tập kiểm tra. Quy trình xây dựng mô được thể hiện trong các mô hình có quá nhiều thông số. Vì vậy, để tránh
hình, như thể hiện trongHình 2, bao gồm các bước sau: (1) tính toán các hiện tượng over-fitting và nâng cao khả năng tổng quát hóa của mô hình,
tham số cần thiết của mô hình và chuyển đổi chúng thành các tập dữ người ta tập trung vào đánh giá đồng thời các tham số của tập huấn luyện
liệu có định dạng giống như các tham số đầu vào. (2) Điều chỉnh các và tập kiểm tra. Trong nghiên cứu này, cuối cùng chúng tôi đã chọn các
thông số huấn luyện của mô hình, bao gồm thiết lập số lớp ẩn, số đơn tham số sau đây làm tham số đầu vào ban đầu của mô hình: các lớp ẩn = 8,
vị ẩn trong mỗi lớp ẩn (nơ-ron) và số lần lặp trên mẫu huấn luyện, v.v. nơ-ron = 500 và epochs = 2000.
(3) Sử dụng huấn luyện DFNN mô hình để đạt được tối ưu hóa mô hình Phiên bản tối ưu của mô hình đã được xác thực bằng cách sử dụng
bằng cách điều chỉnh các lớp ẩn, nơ ron và số lần lặp, sử dụng xác thực cả tập huấn luyện và tập kiểm tra. Như thể hiện trongBảng 1, R2giữa
chéo giữa tập kiểm tra và tập huấn luyện. giá trị chỉ số hạn hán (DI) ước tính của tập huấn luyện và giá trị CI đo
được là 0,890 và R2giữa giá trị DI ước tính của bộ thử nghiệm và giá trị
CI đo được là 0,825. Ngoài ra, RMSE của tập huấn luyện và tập kiểm tra
lần lượt là 0,295 và 0,357. Kết quả này cho thấy độ chính xác mô phỏng
của mô hình cao hơn và khả năng dự báo cho dữ liệu mới tốt hơn trước.

Liên quan đến tiêu chí phân loại cấp độ hạn hán

Hình 2.Lưu đồ xây dựng mô hình quan trắc hạn hán.

52
R. Shen, et al.
ban 2
Các tiêu chí phân loại cấp độ hạn hán trong CI.
Cấp giá trị CI
thông thường − 0,6 < CI
nhẹ − 1,2 < CI≤-0,6
vừa phải − 1,8 < CI≤-1.2
dữ dội − 2,4 < CI≤-1.8 CI≤
vô cùng -2.4
bàn số 3
Phân tích độ chính xác của dự đoán mô hình trong tập huấn luyện và kiểm tra.
r2 RMSE tỷ lệ nhất quán Tỷ lệ trống
Bộ đào tạo (2001- 0,890 0,295 85,6% 7,1%
2010)
Bộ kiểm tra (2011- 0,825 0,357 79,8%. 5,1%
2012)
trong CI (Zou et al., 2010), các giá trị ước tính được phân loại thành hạn
hán cực đoan, hạn hán nghiêm trọng, hạn hán vừa phải, hạn hán nhẹ
và bình thường (ban 2). Trong bài báo này, tỷ lệ nhất quán của các cấp
độ hạn hán giữa CI đo được và giá trị ước tính của mô hình đã được
tính toán. Như thể hiện trongbàn số 3, tỷ lệ nhất quán giữa giá trị CI đo
được và giá trị ước tính của tập huấn luyện là 85,6% và giữa giá trị CI đo
được và giá trị ước tính của tập kiểm tra là 79,8%. Hơn nữa, tỷ lệ trống
và tỷ lệ bỏ sót của các cấp hạn hán giữa CI đo được và giá trị ước tính
cũng được tính và những kết quả này được trình bày trongbàn số 3. Cả
tỷ lệ trống và tỷ lệ bỏ sót đều nhỏ hơn 10%, điều này chứng tỏ mô hình
nhạy cảm với các sự kiện hạn hán và giám sát tốt các sự kiện hạn hán.
4.2. Phân tích tương quan dựa trên hạn hán khí tượng
Để xác minh khả năng của mô hình trong việc theo dõi thông tin
hạn hán khí tượng, nghiên cứu này đã sử dụng chỉ số bốc hơi nước
mưa tiêu chuẩn (SPEI) được tính toán từ dữ liệu quan trắc của trạm khí
tượng để xác minh chỉ số hạn hán toàn diện được ước tính bởi mô hình.
SPEI bao gồm hai yếu tố chính, lượng mưa và nhiệt độ, không chỉ có
thể phản ánh nhạy cảm những thay đổi về sự bay hơi do dao động
nhiệt độ gây ra mà còn có ưu điểm là tính toán đơn giản và nhiều thang
đo thời gian. Nó đã được sử dụng rộng rãi trong giám sát hạn hán (
Vicente-serrano và cộng sự, 2010). Ở những khu vực có lượng mưa
trung bình hàng năm của Trung Quốc lớn hơn 200 mm, SPEI theo các
thang thời gian khác nhau có khả năng ứng dụng tốt hơn (Wang và
cộng sự, 2015). Trong nghiên cứu này, chúng tôi đã tính toán SPEI trên
thang thời gian một tháng (SPEI-1) cho 15 trạm khí tượng ở tỉnh Hà
Nam từ tháng 2 đến tháng 11 năm 2001-2012. Như thể hiện trongHình
3, một phân tích tương quan được thực hiện giữa chỉ số hạn hán toàn
diện được ước tính bởi mô hình và SPEI-1. Kết quả cho thấy chỉ số hạn
hán tổng hợp thu được từ mô hình có mối tương quan chặt chẽ với
SPEI-1. Ngoài hệ số tương quan thấp hơn một chút so với 0,8 vào tháng
6, hệ số tương quan cao hơn 0,8 trong các tháng nghiên cứu khác và tất
cả các tháng đều vượt qua bài kiểm tra ý nghĩa P <0,01. Là cây lương
thực chính ở Hà Nam, lúa mì và ngô là thủ phạm chính gây ra hạn hán
khí tượng. Thời kỳ sinh trưởng của lúa mì chủ yếu từ tháng 3 đến tháng
5, thời kỳ sinh trưởng của ngô chủ yếu từ tháng 7 đến tháng 9. Chỉ số
hạn toàn diện thu được từ mô hình có mối tương quan đáng kể với chỉ
số hạn khí tượng trong thời kỳ sinh trưởng của các loại cây lương thực
này,
Int J Appl Earth Obs Geoinformation 79 (2019) 48–57
4.3. Phân tích tương quan dựa trên độ ẩm tương đối của đất
Để xác minh khả năng ứng dụng của mô hình đã xây dựng trong
việc theo dõi hạn hán nông nghiệp, chín địa điểm khí tượng nông
nghiệp phân bố đồng nhất đã được chọn dựa trên vị trí của các địa
điểm khí tượng nông nghiệp ở Hà Nam và loại cây trồng. Bằng cách
tính toán độ ẩm tương đối của đất tại các địa điểm này từ tháng 3 đến
tháng 11 năm 2001–2012, chúng tôi đã phân tích mối tương quan giữa
độ ẩm tương đối của đất hàng tháng ở độ sâu 10 cm tại mỗi địa điểm
và giá trị giám sát của mô hình theo dõi hạn hán bằng cách sử dụng
học sâu. . Biểu đồ phân tán của kết quả quan trắc và độ ẩm tương đối
của đất được thể hiện trongHình 4. Kết quả cho thấy hệ số tương quan
của tất cả các địa điểm đều trên 0,5 và đều vượt qua kiểm định ý nghĩa
tỷ lệ hoa hậu P < 0,01. Có một mối tương quan tốt giữa các giá trị được theo dõi và
độ ẩm tương đối của đất. Chỉ số hạn hán toàn diện thu được từ mô
7,4% hình có thể phản ánh sự thay đổi thông tin về độ ẩm của đất ở một mức
8,9%
độ nào đó. Bởi vì độ ẩm của đất là yếu tố quyết định của hạn hán nông
nghiệp, chỉ số hạn hán toàn diện thu được từ mô hình có thể được áp
dụng để theo dõi hạn hán nông nghiệp khu vực.
Hiệu quả giám sát của hạn nông nghiệp trong bài báo này thấp hơn
một chút so với hạn khí tượng. Chủ yếu là do kết quả giám sát có độ
phân giải 1 km và ở tỷ lệ này, tính không đồng nhất về không gian của
độ ẩm tương đối của đất thường lớn hơn lượng mưa, dẫn đến độ ẩm
của đất tương đối tại địa điểm không thể hiện đầy đủ độ ẩm của đất ở 1
km pixel quy mô, do đó làm suy yếu mối tương quan giữa độ ẩm tương
đối của đất và kết quả giám sát mô hình. Ngoài ra, ảnh hưởng của các
yếu tố con người như tưới tiêu trong điều kiện khô hạn có thể khiến độ
ẩm tương đối của đất dao động, do đó làm giảm độ tin cậy của việc
kiểm định mô hình bằng cách sử dụng độ ẩm tương đối của đất.
4.4. Phân tích kết quả giám sát mô hình
Theo Dữ liệu phân phối lũ lụt và hạn hán quốc gia do Trung tâm Khí
hậu Quốc gia của Cục Khí tượng Trung Quốc công bố (http://
www.cmdp.ncc-cma.net/) và Báo cáo hàng tháng về khí tượng nông
nghiệp của tỉnh Hà Nam (http://www.henan.weather.com.cn/), có một
đợt hạn hán nghiêm trọng từ tháng 8 đến tháng 11 năm 2013 ở Hà
Nam. Tháng 8, nhiệt độ trung bình tháng trên toàn tỉnh cao hơn cùng
kỳ năm thường từ 1–4°C; hầu hết lượng mưa hàng tháng ít hơn gần
20% đến 90% so với một năm bình thường. Trong tháng 9, hầu hết các
vùng đều có nhiệt độ cao, không thuận lợi cho việc gieo trồng lúa mì vụ
đông sắp tới. Vào tháng 10, lượng mưa hàng tháng ở hầu hết các khu
vực khác thấp hơn từ 20% đến 90% và Hà Nam có điều kiện hạn hán ở
các khu vực phía tây, trung và bắc, gây ra những ảnh hưởng bất lợi đến
sự phát triển của cây lúa mì mùa đông và hạt cải dầu. Trong tháng 11,
ngoại trừ lượng mưa dưới mức trung bình ở phía tây nam, lượng mưa
chung ở các khu vực khác tương đối cao. Hạn hán ở hầu hết các khu
vực đã dịu bớt, thời kỳ khô hạn về cơ bản đã kết thúc.
Trong nghiên cứu này, mô hình giám sát hạn hán dựa trên học sâu
được sử dụng để theo dõi và phân loại hạn hán từ tháng 8 đến tháng
11 năm 2013 và kết quả được thể hiện trongHình 5(Hở). Kết quả cho
thấy tình trạng hạn hán nghiêm trọng đã xảy ra ở phía bắc và phía tây
của tỉnh Hà Nam vào tháng 8, hạn hán nghiêm trọng và hạn hán vừa
phải xảy ra ở hầu hết các khu vực. Hạn hán cực đoan xảy ra ở một số
khu vực, hầu như không xảy ra hạn hán ở Trung Bộ và Nam Bộ. Nguyên
nhân chủ yếu do tháng 8 nhiệt độ trên địa bàn tỉnh tăng cao, lượng
mưa ở khu vực phía Bắc ít hơn các năm trước từ 20% đến 90%, trong
khi lượng mưa ở khu vực phía Nam vừa đủ. Trong tháng 9, hạn hán ở
miền Bắc tăng cường, dẫn đến hạn hán nghiêm trọng và hạn hán
nghiêm trọng trên diện rộng, hạn hán lan rộng ra miền Trung và miền
Đông. Đồng thời, không có hạn hán ở miền nam Hà Nam,
53
R. Shen, et al.
Hình 3.Biểu đồ phân tán của chỉ số hạn hán được ước tính bằng mô hình và SPEI cho thang thời gian một tháng.
chủ yếu là do lượng mưa ở hầu hết các vùng phía nam Hà Nam cao hơn
từ 20% đến 140% so với cùng kỳ trong những năm bình thường. Vào
tháng 10, hạn hán xảy ra ở hầu hết các khu vực trong tỉnh, nguyên
nhân chủ yếu là do nhiệt độ cao và lượng mưa thấp ở hầu hết các khu
vực. Ở các khu vực phía Nam, Tây Bắc và Đông Bắc xảy ra hạn hán từ
trung bình trở lên. Tuy nhiên, nhìn chung hạn hán có xu hướng giảm
dần về mức độ nghiêm trọng. Trong tháng 11, ngoại trừ hạn hán nhẹ ở
Tây Nam Bộ, các khu vực khác cơ bản đã chấm dứt hạn hán. Nguyên
nhân chính là do trong tháng này trên địa bàn tỉnh có nhiều quá trình
mưa hơn, có tác động tích cực đến việc giảm thiểu và loại bỏ tình trạng
khô hạn. Điều này có lợi cho sự đẻ nhánh của lúa mì mùa đông và sự
hình thành của cây con khỏe mạnh trước mùa đông. Tại thời điểm này,
quá trình hạn hán cũng đã được kết thúc. Kết hợp với quá trình phân
tích trên, mô hình giám sát hạn hán viễn thám dựa trên học sâu được
thiết lập trong nghiên cứu này có thể được sử dụng để theo dõi diễn
biến không gian và thời gian của quá trình hạn hán ở tỉnh Hà Nam. Kết
quả cơ bản phù hợp với tình hình hạn hán thực tế, cho thấy mô hình có
khả năng giám sát tương đối mạnh.
Hiện nay, trong hệ thống dịch vụ khí tượng, CI được tính
54
Int J Appl Earth Obs Geoinformation 79 (2019) 48–57
từ dữ liệu được quan sát bởi một trạm duy nhất và nó thiếu tính liên tục
trong không gian. Thông thường, các phương pháp quan trắc khí
tượng giải quyết vấn đề gián đoạn không gian của dữ liệu quan sát
bằng phép nội suy. Trong bài báo này, phép nội suy trọng số khoảng
cách nghịch đảo (IDW) đã được sử dụng để chuyển đổi giá trị CI được
tính toán bởi dữ liệu quan sát trạm từ quy mô trạm sang quy mô khu
vực (Hình 5). Kết quả cho thấy, kết quả nội suy trạm phản ánh tổng
quát quá trình diễn biến hạn hán. Tuy nhiên, do hạn chế về số lượng
trạm khí tượng nên kết quả chưa thể phản ánh chính xác, chi tiết về sự
phân bố hạn hán và thiếu độ tin cậy ở những nơi không có trạm. Ví dụ,
từ tháng 9 đến tháng 10, các kết quả nội suy đã làm trầm trọng thêm
tình trạng hạn hán ở khu vực rừng phía tây. Đó là bởi vì phép nội suy sử
dụng một phương pháp toán học đơn giản, mà không xem xét ảnh
hưởng của các yếu tố khác như loại thảm thực vật đối với hạn hán.
Ngoài ra, sự phân bố của các trạm khí tượng trong khu vực rừng là rất
nhỏ dẫn đến kết quả nội suy không chính xác. Vào tháng 11, vẫn còn
hạn hán nhẹ ở phía tây nam của tỉnh Hà Nam do lượng mưa dưới mức
trung bình. Kết quả nội suy không theo dõi được hạn hán do chỉ có một
trạm tại khu vực này, trong khi kết quả mô hình phản ánh hạn hán tại
khu vực này. Mô hình giám sát
R. Shen, et al.
Hình 4.Biểu đồ phân tán của chỉ số khô hạn được ước lượng bởi mô hình và độ ẩm tương đối của độ sâu lớp đất 10 cm.
thiết lập trong bài báo này sử dụng dữ liệu viễn thám có độ phân giải cao
làm dữ liệu đầu vào nên kết quả quan trắc chi tiết hơn so với kết quả nội suy.
Các tính năng chi tiết cục bộ xuất sắc làm cho mô hình này tốt hơn các
phương pháp quan trắc khí tượng truyền thống.
Qua phân tích kết quả quan trắc của mô hình và so sánh với các
phương pháp quan trắc khí tượng truyền thống, mô hình xây dựng
trong bài báo này có những ưu điểm sau: tình trạng và tổn thất lượng
mưa khí tượng. Do đó, mô hình được xây dựng trong bài báo này có
khả năng giám sát nhiều loại hạn hán. Thứ hai, các phương pháp nội
suy khí tượng truyền thống yêu cầu xây dựng một số lượng lớn các
trạm khí tượng để thu được kết quả chính xác về không gian cao hơn.
Mô hình được xây dựng trong bài báo này đã sử dụng dữ liệu viễn
thám miễn phí và một lượng nhỏ dữ liệu trạm khí tượng, không chỉ thu
được kết quả giám sát có độ phân giải cao mà còn tiết kiệm chi phí.
Zhang và cộng sự, 2017), đó là lý do tại sao mô hình được xây dựng
trong bài báo này có thể khai thác chính xác thông tin hạn hán toàn
diện trong đa nguồn
55
Int J Appl Earth Obs Geoinformation 79 (2019) 48–57
dữ liệu viễn thám.
4.5. Ảnh hưởng của các yếu tố tác động khác nhau đến mô phỏng
Trong bài báo này, 8 yếu tố ảnh hưởng được sử dụng làm biến độc
lập cho đầu vào mô hình. Các yếu tố này được coi là quan trọng như
nhau ở lớp đầu vào của mô hình, nhưng chúng có những đóng góp
khác nhau đối với kết quả mô phỏng cuối cùng. Để nghiên cứu ảnh
hưởng của các yếu tố tác động khác nhau đến mô phỏng, chúng tôi thu
được tỷ lệ đóng góp của các yếu tố khác nhau vào mô phỏng từ kết quả
tính toán mô hình (bảng4). Kết quả cho thấy tỷ lệ đóng góp của TRMM-
Z và Pa cao hơn so với các yếu tố khác, điều đó có nghĩa lượng mưa là
yếu tố quan trọng nhất ảnh hưởng đến hạn hán trong mô hình này. Tỷ
lệ đóng góp của VCI, TCI và VSWI được chốt ở mức 0,9, có nghĩa là các
yếu tố thảm thực vật và nhiệt độ bề mặt cũng đóng vai trò quan trọng
trong sự hình thành và phát triển hạn hán trong mô hình này. Chủ yếu
là do sự thoát hơi nước của thảm thực vật khỏe mạnh có tác dụng làm
mát trên bề mặt đất, có thể làm giảm sự mất độ ẩm của đất. Khi thảm
thực vật phát triển kém hoặc nhiệt độ bề mặt cao, sự mất độ ẩm của
đất sẽ tăng lên, dẫn đến hạn hán trong khu vực. AWC cũng có tỷ lệ
đóng góp lớn hơn 0,8. AWC phản ánh độ ẩm của đất
R. Shen, et al. Int J Appl Earth Obs Geoinformation 79 (2019) 48–57

Hình 5.Bản đồ hạn hán tỉnh Hà Nam từ tháng 8 đến tháng 11 năm 2013. (a)̃ (d) Bản đồ hạn hán tỉnh Hà Nam từ tháng 8 đến tháng 11 năm 2013 bằng IDW. (e)–(h) Bản đồ
hạn hán của tỉnh Hà Nam từ tháng 8 đến tháng 11 năm 2013 bằng cách sử dụng mô hình học sâu.

Bảng 4 khả năng xảy ra khô hạn ở vùng núi. Ngoài ra, địa hình nhấp nhô dẫn
tỷ lệ đóng góp của các yếu tố khác nhau cho mô phỏng. đến độ dốc lớn làm tăng khả năng thoát ẩm của đất, làm hạn hán dễ
yếu tố khô hạn Tỷ lệ đóng góp
xảy ra hơn. Do đó, giảm phát triển tài nguyên rừng trên đồi có thể làm
giảm sự xuất hiện của các hiện tượng hạn hán trong khu vực.
TRMM-Z 0,957
Pa 0,935
VCI 0,899
4.6. Hạn chế của mô hình giám sát hạn hán
TCI 0,894
VSWI 0,889
AWC 0,823 Mô hình được xây dựng trong bài báo vẫn còn một số hạn chế cần cải
LC 0,646 thiện trong các công việc tiếp theo. Sau đây là những hạn chế chính và sự
DEM 0,569
phát triển trong tương lai:

(1) Trong bài báo này, chúng tôi chủ yếu sử dụng phương pháp học sâu để khai
lượng mà rễ cây có thể hấp thụ được. AWC cao chứng tỏ đất có khả
thác thông tin hạn hán từ dữ liệu lớn viễn thám để khám phá một phương
năng chống hạn tốt.
pháp mới để theo dõi hạn hán khu vực bằng cách sử dụng dữ liệu viễn thám
Tỷ lệ đóng góp của LC và DEM vào mô hình thấp hơn so với các yếu tố khác. Chúng tôi đã tính toán tỷ
đa nguồn. Để chứng minh mô hình được xây dựng trong bài báo vượt trội so
lệ các loại thảm phủ trong khu vực nghiên cứu, kết quả cho thấy thảm phủ tại khu vực nghiên cứu tương
với các công cụ giám sát hạn hán khác, cần có sự so sánh sâu hơn giữa mô
đối đơn giản. Tính đến năm 2013, đất nông nghiệp và rừng lần lượt chiếm 83,6% và 11,7% tổng diện tích,
hình này với các mô hình khác như máy vectơ hỗ trợ, rừng ngẫu nhiên hoặc
trong khi các loại đất che phủ khác chỉ chiếm dưới 5%. Các loại che phủ đất này thay đổi ít hơn trong 12
cây quyết định nâng cao trong công việc trong tương lai.
năm qua, chỉ có khoảng 3,6% tổng diện tích đồng cỏ trở thành đất nông nghiệp. Các loại che phủ đất đơn

giản làm giảm tác động của LC đối với mô hình mô phỏng trong nghiên cứu này. Nhìn chung, rừng có khả
(2) Trong quá trình xây dựng mô hình, xét khả năng xây dựng lại mô
năng bảo tồn nước cao hơn nhiều so với đất nông nghiệp, dẫn đến tần suất và mức độ hạn hán ở các khu
hình và giám sát hạn hán trong thời gian dài, chúng tôi chọn TRMM
vực có rừng bao phủ thấp hơn. Ví dụ, vào tháng 9 đến tháng 10, hạn hán phát triển chậm và dễ dàng biến
có chuỗi thời gian dài nhất trong các sản phẩm kết tủa vệ tinh hiện
mất ở các khu vực rừng phía tây hơn là ở đất nông nghiệp. Vì vậy, việc thực hiện trả lại đất canh tác thích
nay. Nguyên tắc xây dựng chỉ số lượng mưa trong bài báo này là coi
hợp cho rừng trong khu vực có thể làm giảm sự xuất hiện của hạn hán. Trong mô hình này, tỷ lệ đóng góp
pixel của ảnh viễn thám như một trạm khí tượng. Tương tự, đối với
của DEM là thấp nhất, cho thấy tại khu vực nghiên cứu hạn hán chịu tác động trực tiếp của các yếu tố khác
các sản phẩm lượng mưa vệ tinh khác như GPM và CMORPH, chỉ số
nhiều hơn là do độ cao. Mặc dù độ cao có tỷ lệ đóng góp thấp nhất nhưng nó vẫn có tác động gián tiếp đến
lượng mưa có thể được xây dựng theo phương pháp tương tự. Tuy
hạn hán. Ví dụ, lượng mưa ở vùng núi thường tăng theo độ cao và đạt cực đại ở một độ cao nhất định, điều
nhiên, do độ chính xác khác nhau của TRMM, GPM và CMORPH ở
này có lợi cho việc giảm tỷ lệ đóng góp của DEM là thấp nhất, cho thấy tại khu vực nghiên cứu này, hạn hán
các vùng khác nhau của Trung Quốc (Lu và cộng sự, 2018), kết quả
chịu tác động trực tiếp của các yếu tố khác hơn là do độ cao. Mặc dù độ cao có tỷ lệ đóng góp thấp nhất
mô phỏng mô hình có thể bị ảnh hưởng ở một mức độ nào đó.
nhưng nó vẫn có tác động gián tiếp đến hạn hán. Ví dụ, lượng mưa ở vùng núi thường tăng theo độ cao và
Trong nghiên cứu trong tương lai, chúng tôi dự định sử dụng dữ
đạt cực đại ở một độ cao nhất định, điều này có lợi cho việc giảm tỷ lệ đóng góp của DEM là thấp nhất, cho
liệu TRMM, CMORPH và GPM để tạo ra một bộ dữ liệu lượng mưa
thấy tại khu vực nghiên cứu này, hạn hán chịu tác động trực tiếp của các yếu tố khác hơn là do độ cao. Mặc
viễn thám đa nguồn dài hạn ở quy mô quốc gia để mô phỏng quy
dù độ cao có tỷ lệ đóng góp thấp nhất nhưng nó vẫn có tác động gián tiếp đến hạn hán. Ví dụ, lượng mưa ở
mô quốc gia, công nghệ quan trọng nhất trong số đó là thu nhỏ dữ
vùng núi thường tăng theo độ cao và đạt cực đại ở một độ cao nhất định, điều này có lợi cho việc giảm
liệu lượng mưa , đặc biệt là hiện tượng hạ thấp lượng mưa dưới địa
hình phức tạp như núi.

56
R. Shen, et al.
(3) Mô hình học sâu có khả năng lấy các tính năng cấp cao từ một số lượng
lớn các tính năng cấp thấp. Đối với mô hình này, càng nhiều yếu tố đầu
vào cho thấy nó có thể khai thác thêm thông tin về hạn hán. Do đó,
nhiều yếu tố tác động hơn dựa trên dữ liệu viễn thám như dữ liệu độ ẩm
của đất, dữ liệu thoát hơi nước và dữ liệu suất phản chiếu bề mặt nên
được nghiên cứu trong nghiên cứu trong tương lai. Hơn nữa, khung mô
hình học sâu được xây dựng trong bài báo này có thể được triển khai
dựa trên R hoặc Python và sở hữu tính di động tốt, tạo cơ sở cho nghiên
cứu trong tương lai của chúng tôi để chuyển kỹ thuật đã phát triển sang
các ứng dụng hoạt động.
5. Kết Luận
Quá trình hạn hán liên quan đến nhiều yếu tố như khí quyển, đất và
thảm thực vật. Chỉ bằng cách xem xét toàn diện quá trình ghép nối bên
trong của mô hình và các yếu tố căng thẳng hạn hán, bao gồm căng thẳng
về nước trong đất, tình trạng phát triển của thực vật và mất lượng mưa khí
tượng, chúng ta mới có thể mô tả và đánh giá chính xác các điều kiện hạn
hán thực sự. Trong nghiên cứu này, dữ liệu không gian đa nguồn và phương
pháp học sâu đã được sử dụng để phân tích toàn diện tác động của một số
lượng lớn các yếu tố hạn hán đối với hạn hán và mô hình giám sát hạn hán
tích hợp dựa trên học sâu đã được xây dựng. Hạn hán từ tháng 3 đến tháng
11 ở tỉnh Hà Nam từ năm 2001 đến 2012 đã được phân tích. Sau đây là tóm
tắt các kết quả.
(1) Mô hình giám sát hạn hán toàn diện có thể giám sát định lượng hạn
hán khu vực. Bằng cách thiết lập xác thực chéo giữa tập huấn luyện
và tập kiểm tra trong quá trình huấn luyện mô hình, khả năng khái
quát hóa của mô hình đã được cải thiện. Tỷ lệ nhất quán của mức
độ khô hạn thu được từ tập huấn luyện mô hình và mức độ hạn hán
CI đo được đạt 85,6% và tỷ lệ nhất quán của mức độ khô hạn thu
được từ tập kiểm tra mô hình và mức độ hạn hán CI đo được đạt
79,8%.
(2) Mô hình hạn hán toàn diện không chỉ phản ánh mức độ hạn hán khí
tượng mà còn giám sát hạn hán nông nghiệp. Từ tháng 3 đến
tháng 11, hệ số tương quan giữa chỉ số hạn hán toàn diện và chỉ số
lượng mưa tiêu chuẩn hóa bốc hơi nước (SPEI) thu được từ mô hình
là trên 0,8 (P <0,01), ngoại trừ vào tháng 6 và đạt mức tương quan
đáng kể. Giữa mô hình và độ ẩm đất ở độ sâu 10 cm tại các điểm
khí tượng nông nghiệp cũng có mối tương quan nhất định và hệ số
tương quan đều lớn hơn 0,5 (P < 0,01). Mô hình có khả năng ứng
dụng tốt trong giám sát hạn hán toàn diện.
(3) Theo dõi các đợt hạn hán ở tỉnh Hà Nam từ tháng 8 đến tháng 11
năm 2013 dựa trên mô hình được thực hiện trong nghiên cứu này.
Kết quả quan trắc phù hợp với điều kiện hạn hán thực tế và phản
ánh diễn biến, diễn biến không gian của điều kiện hạn hán.
Kinh phí
Nghiên cứu này được hỗ trợ bởi Dự án trọng điểm của Quỹ khoa học tự
nhiên quốc gia Trung Quốc (Grant No.91437220) và Chương trình R&D trọng
điểm quốc gia của Trung Quốc (2018YFC1506602).
57
Int J Appl Earth Obs Geoinformation 79 (2019) 48–57
Người giới thiệu
AghaKouchak, A., Farahmand, A., Melton, FS, Teixeira, J., Anderson, MC, Wardlow,
BD, Hain, CR, 2015. Viễn thám hạn hán: tiến độ, thách thức và cơ hội. Linh mục Địa
vật lý. 53, 452–480.
Dai, A., 2011. Erratum: hạn hán dưới sự nóng lên toàn cầu: đánh giá. Liên ngành Wiley. Mục sư
Leo lên. Thay đổi 2 (1), 45–65.
Dai, A., Trenberth, KE, Qian, T., 2004. Bộ dữ liệu toàn cầu về Chỉ số mức độ nghiêm trọng của hạn hán Palmer
cho năm 1870－2002: mối quan hệ với độ ẩm của đất và ảnh hưởng của sự nóng lên bề mặt. J. Khí
tượng thủy văn. 5 (6), 1117–1130.
Du, LT, Tian, QJ, Yu, T., et al., 2013. Phương pháp giám sát hạn hán toàn diện
tích hợp dữ liệu MODIS và TRMM. quốc tế J. Ứng dụng. Quan sát trái đất. Geoinf. 23
(8), 245–253. Gupta, SC, Larson, WE, 1979. Ước tính đặc tính giữ nước của đất từ
phân bố kích thước hạt, phần trăm chất hữu cơ và mật độ khối. Tài nguyên nước độ phân
giải 15 (6), 1633–1635.
He, J., Yang, XH, Li, JQ, et al., 2015. Biến đổi không gian-thời gian của khí tượng
hạn hán dựa trên chỉ số hạn hán toàn diện hàng ngày ở lưu vực sông Haihe. Trung
Quốc. Thiên tai 75 (2), 199–217.
Hinton, GE, Salakhutdinov, RR, 2006. Giảm số chiều của dữ liệu bằng nơ-ron
các mạng. Khoa học 313 (5786), 504–507.
Kite, GW, 1988. Phân tích tần suất và rủi ro trong thủy văn. Tài nguyên nước
Ấn phẩm, Littleton, Colorado.
Kogan, FN, 1995. Ứng dụng chỉ số thực vật và nhiệt độ độ sáng cho
phát hiện hạn hán quảng cáo Không gian Res. 15 (11), 91–100.
Kogan, FN, 1997. Quan sát hạn hán toàn cầu từ không gian. Bò đực. Mỹ. Sao băng. Sóc. 78,
621–636.
Lecun, Y., Bengio, Y., Hinton, GE, 2015. Học sâu. Tự nhiên 521 (7553), 436–444. Li, Q.,
Sun, XY, Wang, LX, et al., 2016. Việc sử dụng chỉ số nước cung cấp thực vật
(VSWI) dựa trên các chỉ số thực vật khác nhau trong quá trình theo dõi hạn hán mùa xuân
ở tỉnh Hà Nam. Crops 1 (1), 162–168 (bằng tiếng Trung).
Liu, WT, Kogan, FN, 1996. Theo dõi hạn hán khu vực bằng điều kiện thực vật
mục lục. quốc tế J. Viễn thám 17 (14), 2761–2782.
Lu, X., Wei, M., Tang, G., et al., 2018. Đánh giá và hiệu chỉnh TRMM 3B43V7
và các sản phẩm lượng mưa vệ tinh GPM 3IMERGM bằng cách sử dụng dữ liệu trên mặt đất ở Tân
Cương, Trung Quốc. môi trường. Khoa học trái đất 77(5), 209.
Quiring, SM, Ganesh, S., 2010. Đánh giá tiện ích của Chỉ số điều kiện thực vật
(VCI) để theo dõi hạn hán khí tượng ở Texas. nông nghiệp. Vì. khí tượng. 150 (3), 330–
339.
Ran, YH, Li, X., Lu, L., 2010. Đánh giá bốn giải pháp che phủ đất dựa trên viễn thám
ống dẫn qua Trung Quốc. quốc tế J. Viễn thám 31 (2), 391–401.
Ren, M., 2013. Phân tích về đặc điểm không gian và thời gian hạn hán của tỉnh Vân Nam
vince. Acta Ecol. Tội. 33 (6), 317–324.
Rhee, JY, Im, JH, Carbone, GJ, 2010. Theo dõi hạn hán nông nghiệp đối với vùng khô hạn và
vùng ẩm ướt sử dụng dữ liệu viễn thám đa cảm biến. Viễn thám.Môi trường. 114
(12), 2875–2887.
Shen, RP, Guo, J., Zhang, JX, et al., 2017. Xây dựng mô hình giám sát hạn hán
sử dụng viễn thám dựa trên rừng ngẫu nhiên. Tạp chí Khoa học thông tin địa lý 19
(1), 125–133 (tiếng Trung).
Singh, RP, Roy, S., Kogan, FN, 2003. Chỉ số điều kiện nhiệt độ và thực vật
từ dữ liệu AVHRR của NOAA để theo dõi hạn hán ở Ấn Độ. quốc tế J. Viễn thám 24
(22), 4393–4402.
Vicente-serrano, SM, Beguería, S., Lópezmoreno, JI, 2010. Chỉ số hạn hán đa chiều
Nhạy cảm với sự nóng lên toàn cầu: Chỉ số bốc hơi lượng mưa chuẩn hóa. J. Clim.
23 (7), 1696–1718.
Vicente-Serrano, SM, 2006. Sự khác biệt về mô hình hạn hán theo không gian vào các thời điểm khác nhau
quy mô: một phân tích của bán đảo Iberia. Tài nguyên nước quản lý. 20 (1), 37–60.
Wang, P., 2004. Sử dụng nhiệt độ bề mặt đất MODIS và chênh lệch chuẩn hóa
các sản phẩm chỉ số getation để theo dõi hạn hán ở miền nam Great Plains, Hoa Kỳ.
quốc tế J. Viễn thám 25 (1), 61–72.
Wang, Q., Shi, P., Lei, T., et al., 2015. Xu hướng giảm bớt hạn hán ở
Đồng bằng Hoàng-Hoài-Hải của Trung Quốc dựa trên SPEI hàng ngày. quốc tế J. Khí hậu. 35 (13),
3760–3769.
Wang, X., Liu, C., Cong, P., et al., 2018. Giám sát hạn hán nông nghiệp bằng điều khiển từ xa
cảm biến dựa trên chỉ số khô thực vật ở nhiệt độ nâng cao. J. Tài nguyên đất khô hạn.
môi trường. 32 (5), 165–170 (bằng tiếng Trung).
Yin, J., Zhan, X., Hain, CR, Liu, J., Anderson, MC, 2018. Một phương pháp cho khách quan
tích hợp các quan sát vệ tinh độ ẩm của đất và mô phỏng mô hình hướng tới chỉ số hạn
hán hỗn hợp. Tài nguyên nước độ phân giải 54.https://doi.org/10.1029/ 2017WR021959.
Zhang, D., Zhang, W., Huang, W., và cộng sự, 2017. Nâng cấp độ ẩm của đất bề mặt bằng cách sử dụng
mô hình học sâu với VIIRS RDR. ISPRS Int. J. Geoinf. 6(5), 130.