深度學習技術在農業干旱監測預測及風險評估中的應用*

黃睿茜，趙俊芳，霍治國，彭慧文，謝鴻飛

深度學習技術在農業干旱監測預測及風險評估中的應用*

黃睿茜，趙俊芳**，霍治國，彭慧文，謝鴻飛

（中國氣象科學研究院災害天氣國家重點實驗室，北京 100081）

人工智能技術的發展，特別是深度學習的出現，推進了農業新發展，是農業現代化生產的新方向。深度學習具有學習能力強、覆蓋范圍廣、適應力強、可移植性好等優點，其開發模擬數據集可以解決實際問題，在農業干旱的監測預測及風險評估中的應用越來越廣泛。本文采用文獻綜述方法，歸納農業干旱監測預測評估技術的發展與應用，總結深度學習模型的原理、優勢和不足，概述深度學習模型在農業干旱監測預測及風險評估方面的實際應用，探討深度學習數據集要求大、數據預處理耗時長、預定義類別范圍窄、遙感圖像復雜的問題，并對未來研究方向進行展望。結果表明，近年來農業干旱監測預測及風險評估技術取得重要進展，然而由于農業系統的非線性及干旱災害發生的復雜性，現有技術在適用地域、對象和精準性等方面仍難以滿足新形勢下實際農業生產的需求。深度學習方法為農業干旱研究提供了新手段，但深度學習模型無法準確表達作物生長具體過程與機理，可嘗試探索通過深度學習模型和作物生長模型的耦合來確保深度學習模型的可解釋性。對于修正預測序列中存在的誤差，可建立基于深度學習模型與大氣環流模式的耦合模型，進一步提升模型對中長期農業干旱的預測能力。針對災害樣本容量有限問題，加強基于深度學習和遷移學習的農業干旱監測與評估研究，可進一步提高農業干旱精細化監測與評估精度。針對影響農業干旱形成的因子具有數據量大、類型多樣、非線性的特點，采用深度學習與信息融合相結合的方法，可進一步提高區域農業干旱監測預測及風險評估精度。因此，深度學習模型與作物生長模型的耦合、融合深度學習模型和大氣環流模式的農業干旱預測、基于深度學習與遷移學習的農業干旱精細化監測與評估、深度學習與信息融合技術相結合的區域農業干旱監測預測及風險評估是未來深度學習技術在農業干旱監測預測及風險評估中應用的發展趨勢。

深度學習；農業干旱；監測預測；風險評估；精度

在過去的一百年里，地球氣候正經歷著以全球變暖為特征的重大變化。全球變暖對自然生態和人類生存環境影響顯著，改變了區域降水、蒸散、土壤水分、徑流等水文因子的循環過程，導致干旱等極端天氣事件和重大氣象災害頻繁發生[1]。干旱具有發生頻率高、時間周期長、危害范圍廣的特點[2]，其嚴重性和不可控性常造成經濟和財產損失，破壞生態環境，威脅國家糧食安全和可持續發展[3]。

農業是受氣候和天氣限制最大的領域。中國是農業大國，干旱是中國農業領域主要發生的自然災害。2022年夏季，中國多地發布了干旱預警。對1949-2015年自然災害的回顧表明，各種自然災害中旱災位列首位，其次為洪災、風雹、低溫和臺風[4]。根據《中國水旱災害公報》的統計，近年來中國年均農作物受災面積呈逐年增加的趨勢，從20世紀50年代的531.7萬hm2增至90年代的1384.2萬hm2，每年因干旱造成的糧食損失基本保持在300億kg，造成工業和農業直接經濟損失近1000億元[5]。因此，能否對干旱等農業重大氣象災害進行準確監測預測及風險評估，減少其負面影響已成為當前迫切需要解決的重大問題，這對全面推進鄉村振興、防御和減輕農業氣象災害、提升災害性天氣監測預測準確率、健全農業氣象防災減災體系、保障國家糧食生產安全等均具有重要的現實意義和社會價值。

近幾十年來，國內外學者在深度學習技術在農業干旱中的應用方面開展了大量的科研工作，特別是在農業干旱監測預測評估指標、農業干旱監測預測技術、農業干旱風險評估技術等方面，取得了一系列研究成果?；诖?，本文從農業干旱監測預測及風險評估的角度對現有研究成果進行概述，系統梳理了國內外農業干旱監測預測評估技術的發展與應用，分析傳統農業干旱監測預測評估技術的優劣勢，總結深度學習模型用于干旱監測預測及風險評估的優勢，概述深度學習模型在農業干旱監測預測及風險評估方面的實際應用，探討深度學習數據集要求大、數據預處理耗時長、預定義類別范圍窄、遙感圖像復雜的問題，提出未來深度學習技術在農業干旱監測預測及風險評估中應用的發展趨勢，以期為農業氣象災害精細化監測預測、農業氣象災害損失精準評估及農業應對氣候變化等提供科學參考。

1 深度學習技術用于農業干旱監測預測及風險評估的適用性

1.1 農業干旱監測預測評估指標

干旱可分為氣象、水文、農業和社會經濟干旱。農業干旱是指在作物生長期間，作物缺水影響作物生長發育的現象。這是一種范圍最廣、頻率最高、災害和影響最嚴重的干旱類型，也是對農業生產影響最為嚴重的氣象災害[6]。據統計，中國農作物旱災成災面積大約占總成災面積的52.53%，受災頻率約為14.25a一遇，且周期呈逐漸縮小的趨勢[7]。

農業干旱的發生受大氣、作物、土壤等有關因素的影響。因此，農業干旱的監測預測評估指標大致可分為三類，即水分指標、溫度指標和綜合指標。其中，水分指標常用的有降水距平百分比、標準化降水指數[8]、連續無雨天數等降水指標，土壤有效水分貯存量、綜合旱澇指標等土壤水分指標，以及葉水勢、氣孔開度、光合等作物水分指標。溫度指標常用的是植物冠層的溫度。綜合指標常用的是植被指數及作物干旱指數和水分指數等[9]。在農業干旱的監測預測評估指標中，標準化降水指數受地理、氣候條件限制較小[10?11]，常用于深度學習評估農業干旱[12]。

1.2 傳統農業干旱監測預測評估技術的優劣勢

農業干旱監測預測評估技術主要包括模糊綜合評價、信息擴散技術、統計預報、數值預報、隨機森林模型、作物生長模型等方法[13?18]。其中，模糊綜合評價法主要以模糊推理為主，結合定性和定量及精確與非精確開展綜合分析[15]。運用模糊隸屬函數計算單個樣本在整個論域區間上的“隸屬度”分布，可克服傳統概率統計法對樣本數量要求高，以及對總體分布做假設所帶來的誤差等缺點[19]。因此，利用模糊數學理論，如信息擴散方法[20?21]，結合干旱評價指標和干旱評價理論，可以對干旱進行更科學、合理的評價[18]。統計預報方法是基于數理統計理論揭示氣象要素的變化規律及與預報因子、預報量等之間的關系，并利用數學模式對未來的農業干旱進行預測，如運用灰色-Markov鏈模型對旱澇情況開展預測以及基于經驗正交函數的農業干旱預測[22]。數值預報方法主要是在一定初值和邊界條件下，運用天氣預報數值計算來開展農業干旱程度的預報，如MOS預報模型的運用。統計建模使用氣象觀測數據和作物資料，通過統計回歸量化它們之間的關聯，便于大規模應用[23]。隨機森林模型的高準確性是基于聚集大量決策樹，已有研究表明隨機森林模型在預測建模變量間復雜相互作用的能力較強，處理非線性關系、高階相關、評估變量等方面具有高精度的預測能力[24]。作物生長模型是利用計算機來定量表達作物生長發育過程及與環境的動態關系，從而開展作物的生長發育、干物質累積與分配、產量等的監測預測，被認為是目前定量評估氣候變化對農業影響研究方面較理想的方法[9,18,25]。

近幾十年來，國內外農業干旱研究特別是干旱監測預測評估在技術的進一步更新、新方法應用和系統平臺建設等方面均取得了明顯進展。20世紀80年代美國已領先進行了大量干旱災害管理研究，對區域季節性干旱風險展開了深入研究，并創建了農業旱災風險評估模型和旱災風險指標，由此也實現了對干旱災害危險區域的地理空間范圍劃分標準與災害層次界定[14]。澳大利亞應急管理部門和氣象部門合作建立了旱災損失系統[12]。意大利Todisco等提出了干旱經濟風險評估（DERA）方法，強調了一般干旱指數（量化缺水量）與無法滿足需水量的經濟影響之間關系的重要性。利用綜合嚴重度－持續時間－頻率（SDF）曲線，這種關系可以繪制干旱嚴重程度和相應影響。該程序適用于意大利中部翁布里亞地區的農業干旱（向日葵作物）[17]。Shahid等結合降水標準化指數與地理信息系統技術評價孟加拉西部不同時間尺度的干旱風險[18]。中國學者建立了以人工控制和大田試驗以及災害資料為基礎的農業氣象災害監測預測及災損評價的數學模型[18,25]。黃崇福等應用概率統計和模糊風險模型相結合的方法，定量評估了湖南省農業干旱災害的風險，并達到了較好的成效[15]。Zhao等研發了基于TIGGE集合預報、衛星遙感和分布式水文模型XXT相結合的農業干旱動態監測預警技術[26]，進一步提高了復雜地形條件下農業干旱災害的預測預警能力，并在重慶地區的農業氣象業務服務中得到驗證，應用效果良好，促進了省級農業氣象業務發展，但是該研究沒有考慮具體的農作物種類，在實際生產中仍無法滿足作物干旱預報的需求。

干旱發生過程是個非常復雜的非線性過程，干旱災害具有動態性、復雜性、緊迫性和不確定性等特征，現有干旱監測預測評估技術在適用地域、對象和精準性等方面仍難以滿足新形勢下實際農業生產的需求。多因子協同作用和多尺度疊加效應引起的非線性問題一直是農業干旱監測預測評估中的“卡脖子”技術瓶頸，迫切需要引入新的技術方法來提高農業干旱災害監測預測評估精度。

1.3 深度學習技術用于干旱監測預測及風險評估的優勢

深度學習是一種利用人工智能技術來處理新型圖像和分析數據的方法，與人工神經網絡有類似之處[27]。其中常見的有卷積神經網絡、自編碼神經網絡、深度置信網絡三類方法[28]。深度學習技術是一種特征表示技術，其核心從人工設計升級為學習系統自主獲得，以將原始數據從基本的非線性模型組合向更高層次轉型，對于影響因子復雜但要求農業干旱精準的監測預測評估有優勢[29?30]。農業干旱的監測預測評估所需數據集巨大，深度學習可以在不損失精度的情況下，將這些模型的尺寸壓縮數十倍。深度學習模型具有優良的自動特征提取功能，圖像處理時特征工程的繁瑣步驟被極大縮減，從而縮短了建模訓練時間，使模型分析結果更加精確，運行效率也相應較高[31]；具有更好的信息效應，提供了更好的分類效果[32]；深度學習模型在分類方面優于統計計算模型方法；在影響因素方面，深度學習的性能與數據采集的多樣性、數據規模和完整性有重要關系。深度學習模型通過增加模型的復雜性，并通過多個抽象層次，使用以分層方式表示數據的各種函數轉換數據，擴展了經典機器學習[33]，可以快速解決更復雜的問題，且允許大規模并行化[34?36]]。在識別農業干旱圖像方面，深度學習可以廣泛識別并開展圖像分析，提高了圖像識別和目標檢測的質量[37]。深度學習的圖像識別主要使用兩種分類過程，即基于像素的分類（PBC）和面向對象分類（OOC）。面向對象分類是對圖片上顯示的對象進行分類，其主要特征可以從高分辨率衛星數據的空間光譜特征信息中提取?；谙袼氐姆诸?，忽略了來自訓練的光譜響應像素數據集混合的影響，無法識別大于一個像素的對象[38]。相比之下，面向對象分類通過使用光譜信息，如形狀、紋理等，可增加對象檢測精度。該方法通過非線性尺度空間濾波對圖像進行分析，可提供不同種類的圖片。

總體來說，深度學習技術可以將長時間序列的氣象、土壤和遙感等多源、非線性數據融合為具有時空一致性的數據集，從數據中挖掘出以往未知的新信息，對于農業干旱預測的復雜函數及圖像識別具有良好的效果[39]，已被廣泛應用于農業領域，如農業氣象災害監測預測、風險評估、作物產量預估和農業病蟲害監測等[40?41]。

2 深度學習技術在農業干旱監測預測及風險評估中的應用

2.1 用于農業干旱監測預測

對農業氣象災害開展及時準確的監測預測可以有效降低農業氣象災害帶來的損失。農業干旱形成原因涉及氣候特征、作物種植結構、土壤特性、生產力水平、抗旱能力和管理水平等多方面的因素，具有數據量大、類型多樣和非線性等特點[19]。由于農業干旱形成過程中多因子協同作用和多尺度疊加效應引起的非線性等問題[3]，使目前農業干旱監測預測研究還有很大的提升空間[11]。近年來，深度學習等人工智能技術的出現，推進了農業新發展，為農業干旱監測預測提供了新手段[31]。

Rhee等基于降水量、日間地表溫度、夜間地表溫度和歸一化差異植被指數等遙感數據，利用深度學習模型預測了未來6個月農業干旱的發展趨勢[42]。Dikshit等在澳大利亞東南部新南威爾士州進行的一項研究發現，采用深度學習模型提高了該地農業干旱的預測能力[43]。Lee等使用深度神經網絡模型估算出的土壤濕度RMSE較低，表明深度學習模型可提高農業干旱監測的可靠性[44]。Darwin等基于機器視覺和深度學習模型，提出了虛擬分析和分類器相結合的作物產量檢測技術的多種自動化方法[26]。Feng等使用三種機器學習模型，如BRF、SVM和MLPNN（多層感知器神經網絡）制作農業干旱分布圖，并將土壤濕度作為植被水分脅迫的重要指標[45]。此外，學者們分析了農業干旱和作物產量的關系及農業干旱特征，將深度學習訓練平臺搭建在本地GNU/Linux操作系統服務器中，基于Tensorflow、keras和theano、python等環境，采用卷積神經網絡對作物產量進行預測，用交叉驗證和多模型比較的方法來測試模型。胡小楓等基于標準化降水、地表溫度、歸一化植被距平指數、土壤可用含水量AWC和氣象干旱指數SPEI等多源數據，利用深度學習技術構建了京津冀地區綜合干旱評估模型，并輸出月尺度的綜合干旱指數CDI[46]。

將深度學習方法與支持向量機、邏輯回歸、隨機森林和決策樹等預測結果進行對比，結果表明深度學習模型總體表現更好[47]。Agana和Homaifar在美國西南部Gunnison河流域進行的一項案例研究表明，與其他模型如多層感知器（MLP）和支持向量回歸（SVR）相比，基于深度信念網絡（DBN）的深度學習方法在預測具有不同時間尺度的長期干旱方面優于其他模型，在預測長期干旱時誤差最小[48]。此外，深度學習方法在處理衛星遙感方面的數據是有效的，能夠識別和分類目標以及探測環境和結構特征[49]。遙感技術在作物產量預測中具有準確性和可靠性，為具有計算機視覺和深度學習模型的圖像分析中的自動化提供了精確的場和產量圖。隨著中國衛星遙感技術與計算機人工智能技術應用的迅速發展[50]，遙感影像將更加豐富多彩，深度學習技術也越來越完善[51]。融合遙感數據和深度學習技術在農作物災情圖像識別方面顯示出巨大的潛力[52]。

2.2 用于農業干旱風險評估

深度學習技術為農業干旱風險評估研究提供了新的視角。深度學習方法在農業干旱風險評估中的應用越來越受到關注[53?54]，常用的有決策樹、隨機森林和人工神經網絡等深度學習算法。薄乾禎等通過對基于決策樹方法的湖北水稻旱情評估，表明決策樹分類法對水稻旱災監測的總體精度為93.1%，旱情監測效果顯著[55]。侯陳瑤等基于隨機森林方法建立了多尺度標準化降水蒸散指數與小麥損失率關系模型，并對河南小麥旱災損失進行了定量評估[56]。劉冀等基于多源遙感數據和隨機森林算法構建了農業干旱監測模型BRFDC，定量評估了2001-2014年淮河流域的農業干旱[57]。馮嶺等采用支持向量機和長短期記憶神經網絡相結合的方法，建立了一套旱災風險等級評估流程，即首先構建旱災風險等級評估模型訓練集，應用支持向量機算法開展旱災風險等級評估模型訓練，再運用長短期記憶神經網絡算法預測未來氣象因子的特征值，以此開展未來旱災風險等級的定量評估[58]。

3 深度學習方法用于農業干旱監測預測及風險評估時存在的問題

3.1 深度學習對表達復雜函數的能力有限

農業干旱是一種復雜的現象，單個因子難以描述其發生、發展過程和影響范圍。復雜函數將多種影響因子綜合，可對農業干旱進行監測預測評估，但深度學習對表達復雜函數的能力有限[59]。盡管以往研究取得了令人滿意的預測結果，但卷積神經網絡（convolutional neural net-work，CNN）無法處理干旱監測預測估計中氣象因素隨時間而變化造成的非平穩性[60]?，F有數據在訓練集上表現很好，但是在遇到新的數據后，泛化能力降低，這種現象叫過擬合，時間序列數據易出現過擬合的問題。因此，在深度學習中還需引入其它方法優化過擬合，如Dropout、數據增強、早停法和標簽平滑等。此外，在自適應神經模糊推理系統（ANFIS）的情況下，使用特定輸入無法優化建模[61]。該模型在訓練期間可能會過度學習，導致測試期間的性能降低、訓練速度下降、易陷入局部極小值等[62]。

3.2 深度學習對設備的存儲容量要求較大

深度學習模型的瓶頸是存儲空間[63]。開展深度學習模型訓練的前提是如何獲得大量高精度的訓練樣本[64]。但實際由于所研究的問題本身的高度復雜性要求（分類數、所需精度等）限制，需要大量內存和很高的計算能力來進行培訓、測試和部署[65]。然而，這些要求使得整個測試的任務很難在資源有限的低成本設備上完成[66?67]，需要在可運行的內存大小和存儲性能要求實時進行。若數據采樣集不全面，會削弱對總體數據分析結果的可靠性。此外，由于當前的國內農業氣象與干旱災害相關的公開數據集相對較少，導致研發設計人員需要花費大量的時間來獲取這些數據，降低了效率。

3.3 深度學習法數據預處理耗時較長

雖然深度學習的測試時間通常比其他基于機器學習的方法快，但通常訓練時間較長。由于數據存在的低辨識度、低準確度形式帶來的噪音等諸多問題，所以數據必須通過歸一化處理或進行離散化處理，來增強數據有效性。深度學習模型由于過度消耗而導致的功耗很多，對于連續監控中使用的設備，運行時間可能非常長。此外，在偏遠地區的電源接入并不總是得到保證。因此，電池的有限能量需要深度學習模型的功耗最小化。在資源有限的情況下開展數據處理需要壓縮深度學習模型。數據預處理耗時較長可以用CPU并行的方法加快計算速度[68]，或使用修剪參數的方法通過刪減模型數據來減小模型的大小，減少來自神經網絡的不必要的連接。修剪有助于減少計算量、成本和存儲空間，同時保持其性能。

3.4 深度學習法預定義類別范圍窄且圖像處理復雜

給定一張衛星遙感圖像用于對象檢測時，通常有許多預類別，檢測對象是否為來自預定義類別的對象時，對象的空間位置和范圍可以使用邊界框（與對象緊密綁定的軸對齊矩形）、精確的像素分割掩碼或封閉邊界，其中可能只存在范圍較窄的預定義。與自然場景圖像不同，衛星遙感圖像包括各種類型的物體，如一個文件中的不同大小、顏色、旋轉和位置場景，而屬于不同種類的不同場景可能在許多方面相似[69]。雖然深度學習技術可以達到的準確率較高，但由于圖像的復雜性，其預測效果可能很差，很難用深度學習區分場景和物體，需要提高深度學習的魯棒性，即提升控制系統在一定的參數攝動下的維穩特性[70]。

4 未來研究方向

4.1 深度學習模型與作物生長模型的耦合

深度學習模型的本質是從數據到數據的特征提取，卻無法準確表達作物生長具體過程與機理，也無法學習到干旱如何影響農業生產。因此，未來可嘗試探索深度學習模型和作物生長模型的耦合，以提高對作物生長過程的理解及干旱監測預測評估精度，從而提高深度學習模型的合理性和可解釋性，進一步加深對農業生產過程的理解和認識。作物生長模型參數往往存在不確定性，從而導致模型輸出出現誤差，基于實際觀測和其他輔助數據，通過使用深度學習模型可校準作物生長模型的輸出。因此，氣候變化背景下進一步加強深度學習模型與作物生長模型的耦合研究將是未來研究的重要課題之一。

4.2 融合大氣環流模式和深度學習模型的農業干旱預測

深度學習模型屬于非線性統計模型，其時序變量間的相互關系決定了時間序列數據的建模，因此，深度學習模型預測值可能會與實際觀測值有所偏差，隨著預測天數的增加，會使預測序列的誤差積累，從而降低了預測準確率[71]。大氣環流模式是基于基本的物理定律模擬大氣環流要素變化動態，能較為準確地預測某些氣象要素的未來變化。因此，未來研究可以建立基于大氣環流模式與深度學習模型的耦合模型，修正預測序列中存在的誤差，進一步提升模型對中長期農業干旱的預測能力。

4.3 基于深度學習與遷移學習的農業干旱精細化監測與評估

由于農業干旱災害的樣本容量有限，而深度學習模型創建于大樣本之上才能保證其監測評估精度，因此，可以使用有限的樣本在大型數據集上預訓練的模型參數進行微調的遷移學習的方法來改善小樣本的限制，同時采用按比例分層抽樣、數據增強等方法，提高弱樣本的應用能力[63]。遷移學習是一種新型學習方法，旨在遷移現有的知識來解決目標領域內標簽樣本數據量少的問題[72]。遷移學習利用微調預學習訓練模型來達到更優的學習效果，常見的遷移學習技術是使用預訓練的神經網絡模型。預先培訓的模型之前接受過大型數據集的培訓，可以提供相應的用于深度學習的響應結構和權重[73]。因此，未來的研究應該加強基于深度學習模型與預訓練遷移學習的農業干旱監測與評估研究，進一步提高農業干旱精細化監測與評估精度。

4.4 深度學習與信息融合技術相結合的區域農業干旱監測預測及風險評估

農業生產體系是一個非常復雜的非線性系統、干旱發生過程也是個非常復雜的非線性過程，干旱災害發生具有動態性、復雜性、緊迫性和不確定性等特征[74]。影響農業干旱形成的因子具有數據量大、類型多樣、非線性等特點。此外，目前農業干旱監測預測及風險評估主要采用經驗法、統計學方法和模式模擬法等，但是不同方法選取的干旱視角和指標等不同，得出的干旱監測預測評估結果也不盡相同。因此，采用深度學習與信息融合相結合的方法，可將長時間序列的氣象、土壤、農業等多源、非線性數據融合為具有時空一致性的數據集，從而綜合性地建立干旱監測預測評估模型，進一步提高區域農業干旱監測預測及風險評估精度，這也是未來農業氣象災害領域最為重要的研究方向之一。

[1] Tian H R,Wang P X,Tansey K,et al.A deep learning framework under attention mechanism for wheat yield estimation using remotely sensed indices in the Guanzhong plain,P R China[J].International Journal of Applied Earth Observation and Geoinformation,2021,102:102375.

[2] 江懿,陳磊,陳娟,等.安徽省農業旱災風險評估與區劃[J].中國農學通報,2016,32(5):178-183.

Jiang Y,Chen L,Chen J,et al.Agricultural drought risk assessment and zoning in Anhui province[J].Chinese Agricultural Science Bulletin,2016,32(5):178-183.(in Chinese)

[3] Prodhan F A,Zhang J H,Hasan S S,et al.A review of machine learning methods for drought hazard monitoring and forecasting:current research trends,challenges,and future research directions[J].Environmental Modelling and Software,2022,149:105327.

[4] 趙映慧,郭晶鵬,毛克彪,等.1949-2015年中國典型自然災害及糧食災損特征[J].地理學報,2017,72(7):1261-1276.

Zhao Y H,Guo J P,Mao K B,et al.Spatio-temporal distribution of typical natural disasters and grain disaster losses in China from 1949 to 2015[J].Acta Geographica Sinica,2017,72(7):1261-1276.(in Chinese)

[5] 張玨,郝鵬,孫曉懿.國內外干旱評估體系研究進展及展望[J].陜西水利,2018(3):54-57.

Zhang J,Hao P,Sun X Y.Research progress and prospects of drought assessment systems at home and abroad[J].Shaanxi Water Resources,2018(3):54-57.(in Chinese)

[6] Dikshit A,Pradhan B,Huete A,et al.Spatial based drought assessment: where are we heading? a review on the current status and future[J].Science of the Total Environment, 2022,844:157239.

[7] 呂彥彬,王玉斌.我國旱災變遷及對糧食產量的影響[J].河南農業科學,2014(10):19-22.

Lv Y B,Wang Y B.Change of drought and its impact on grain production in China[J].Journal of Henan Agricultural Science,2014(10):19-22.(in Chinese)

[8] Vicente-Serrano S M,Begueria S,Lopez-Moreno J I.A multi-scalar drought index sensitive to global warming:the stand-ardized precipitation evapotranspiration index[J]. Journal of Climate,2010,23(7):1696-1718．

[9] 趙俊芳,李寧,侯英雨,等.基于APSIM模型評估北方八省春玉米生產對氣候變化的響應[J].中國農業氣象,2018,39 (2):108-118.

Zhao J F,Li N,Hou Y Y,et al.Evaluation of response of spring maize production to climate change in the eight provinces of northern China based on APSIM model[J]. Chinese Journal of Agrometeorology,2018,39(2):108-118. (in Chinese)

[10] Ding Y B,Gong X L,Xing Z X,et a1.Attribution of meteorological,hydrological and agricultural drought propagation in different climatic regions of China[J]. Agriculture Water Management,2021,255(1):106996.

[11] Hao Z,Singh V P.Drought characterization from a multivariate perspective:a review[J].J.Hydroloy,2015,527: 668-678.

[12] Lan Y B,Huang Z X,Deng X L,et al.Comparison of machine learning methods for citrus greening detection on UAV multispectral images[J].Computers and Electronics in Agriculture,2020,171:105234.

[13] Jaihuni M,Khan F,Lee D,et al.Determining spatiotemporal distribution of macronutrients in a cornfield using remote sensing and a Deep Learning model[J].IEEE Access,2021 (9):30256.

[14] 陳海濤.農業干旱風險分析方法及應用研究[D].鄭州:華北水利水電大學,2020.

Chen H T.Research on agricultural drought risk analysis method and application[D].Zhengzhou:North China University of Water Resources and Electric Power,2020.(in Chinese)

[15] 李阿龍.河南省農業旱災風險分析[D].鄭州:華北水利水電大學,2016.

Li A L.Risk analysis of agricultural drought in Henan province[D].Zhengzhou:North China University of Water Resources and Electric Power,2016.(in Chinese)

[16] 杜棟,劉夢雨.基于信息融合與深度學習的區域干旱致災預警方法研究[J].海河水利,2020(1):18.

Du D,Liu M Y.Research on regional drought disaster early warning method based on information fusion and deep learning[J].Haihe Water Resources,2020(1):18.(in Chinese)

[17] Todisco F,Mannocchi F,Vergni L.Severity-duration-frequency curves in the mitigation of drought impact:an agricultural case study[J].Natural Hazards,2013,65(3):1863-1881.

[18] 王連喜,肖瑋鈺,李琪,等.中國北方地區主要農作物氣象災害風險評估方法綜述[J].災害學,2013,28(2):114-119.

Wang L X,Xiao W Y,Li Q.Summary of risk assessment methods of main crops meteorological disasters in north China[J].Journal of Catastrophology,2013,28(2):114-119. (in Chinese)

[19] 閆超君,歐陽蔚,金菊良,等.基于信息擴散和頻率曲線適線的農業旱災風險評估方法[J].水利水電技術,2014,45 (7):107-111.

Yan C J,Ouyang W,Jin J L,et al.Agricultural drought risk assessment and zoning in Anhui province[J].Water Resources and Hydropower Engineering,2014,45(7):107- 111.(in Chinese)

[20] 張冬有,張麗娟,萬魯河.基于信息擴散理論的自然災害風險評估系統設計與實現[J].自然災害學報,2013,22(4): 234-238.

Zhang D Y,Zhang L J,Wan L H.Design and implementation of natural disaster risk assessment system based on information diffusion theory[J].Journal of Natural Disasters, 2013,22(4):234-238.(in Chinese)

[21] 李暉,尹輝,白旸,等.基于信息擴散理論的湖南省農業水旱災害風險損失情景分析[J].廣東農業科學,2013,40(7): 223-226.

Li H,Yin H,Bai Y,et al.Scenario analysis of agricultural flood and drought disaster risk loss in Hunan province based on information diffusion theory[J].Guangdong Agricultural Sciences,2013,40(7):223-226.(in Chinese)

[22] 崔修來,孫瑤,王東.干旱監測預報研究綜述[J].南方農業,2019,13(20):151-152.

Cui X L,Sun Y,Wang D.A summary of drought monitoring and forecasting research[J].South China Agriculture,2019, 13(20):151-152.(in Chinese)

[23] Lin T,Zhong R H,Wang Y D,et al.Deep crop net:a deep spatial-temporal learning framework for county-level corn yield estimation[J].Environmental Research Letters,2020, 15(3):34016.

[24] 施光耀,周宇,桑玉強,等.基于隨機森林方法分析環境因子對空氣負離子的影響[J].中國農業氣象,2021,42(5): 390-401.

Shi G Y,Zhou Y,Sang Y Q,et al.Influence of environmental factors on negative air ion using random forest algorithm[J].Chinese Journal of Agrometeorology,2021,42 (5):390-401.(in Chinese)

[25] 王連喜,孟丹,耿秀華,等.基于GIS的寧夏農業干旱風險評價與區劃[J].自然資源學報,2013,22(5):213-220.

Wang L X,Meng D,Geng X H,et al.GIS based drought risk assessment and zoning in Ningxia[J].Journal of Natural Disasters,2013,22(5):213-220.(in Chinese)

[26] Zhao J F,Xu J W,Xie X M,et al.Drought monitoring based on TIGGE and distributed hydrological model in Huaihe river basin[J].Science of the Total Environment,2016, 553:358-365.

[27] Egger J,Pepe A,Gsaxner C,et al.Deep learning a first meta survey of selected reviews across scientific disciplines,their commonalities, challenges and research impact[J].PeerJ Computer Science,2021,11(17):773.

[28] Aya F,Ali B A,Vincent B,et al.Forecasting vegetation indices from spatio-temporal remotely sensed data using deep learning-based approaches:a systematic literature review[J].Ecological Informatics,2022,68:101552.

[29] Liu L,Ouyang W L,Wang X G,et al.Deep learning for generic object detection:a survey[J].International Journal of Computer Vision,2020,128(2):261-318.

[30] Anna C,Salah S,Brett W.Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture:a review[J].Computers and Electronics in Agriculture,2018,151:61-69.

[31] 呂盛坪,李燈輝,冼榮亨.深度學習在我國農業中的應用研究現狀[J].計算機工程與應用,2019,55(20):24-33.

Lv S P,Li D H,Xian R H.Research status of deep learning in agriculture of China[J].Computer Engineering and Application,2019,55(20):24-33.(in Chinese)

[32] Kuwata K,Shibasaki R.Estimating crop yields with deep learning and remotely sensed data[C].Milan,Italy: IEEE International Geoscience and Remote Sensing Symposium, 2015:858-861.

[33] 吳運強.基于深度學習的農業遙感語義分割算法的研究[D].長春:吉林大學,2021.

Wu Y Q.Semantic segmentation algorithm of agricultural remote sensing based on deep learning[D].Changchun:Jilin University,2021.(in Chinese)

[34] Kim N,Ha K J,Park N W,et al.A comparison between major artificial intelligence models for crop yield prediction:case study of the midwestern United States,2006-2015[J]. International Journal of Geo-information,2019,8(5):240- 262.

[35] Wan J,Wang D,Hoi C H,et al.Deep learning for content- based image retrieval comprehensive study[C]//Proceedings of the 22nd ACM International Conference on Multimedia, 2014:157-166.

[36] Lecu Y,Bengio Y,Hinton G.Deep learning[J].Nature,2015, 521(7553):436.

[37] Jawak S D,Devliyal P,Luis A J.A comprehensive review on pixel oriented and object oriented methods for information extraction from remotely sensed images with a special emphasis on cryospheric applications[J].Environmental Science,2015(4):177-195.

[38] Corcoran P,Winstanley A,Mooney P.Segmentation performance evaluation for object based remotely sensed image analysis[J]. International Journal of Remote Sensing,2010,31:617-645.

[39] Sun J,Lai Z L,Di L P,et al.Multilevel deep learning network for county-level corn yield estimation in the US corn belt[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2020(13): 5048-5060.

[40] 陳文龍,楊云麗,張煜,等.基于天地協同與深度學習的灌區地下水位模擬研究[J].長江科學院院報,2022(6):18.

Chen W L,Yang Y L,Zhang Y,et al.Research on the simulation of groundwater level in irrigation area based on sky-earth cooperation and deep learning[J].Journal of Yangtze River Scientific Research Institute,2022(6):18.(in Chinese)

[41] Shen Y F,Zhou H L,Li J T,et al.Detection of stored-grain insects using deep learning[J].Computers and Electronics in Agriculture,2018,145:319-325.

[42] Rhee J,Im J,Park S.Drought forecasting based on machine learning of remote sensing and long-range forecast data[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,2016, XLI-B8:157-158.

[43] Dikshit A,Pradhan B,Alamri A M.Long lead time drought forecasting using lagged climate variables and a stacked long short-term memory model[J].Science of the Total Environment,2021,755:142638.

[44] Lee C S,Sohn E,Park J D,et al.Estimation of soil moisture using deep learning based on satellite data:a case study of South Korea[J].GIScience and Remote Sensing,2018, 56(1):43-67.

[45] Feng P,Wang B,Li L D,et al.Machine learning-based integration of remotely-sensed drought factors can improve the estimation of agricultural drought in south-eastern Australia[J].Agricultural Systems,2019,173:303-316.

[46] 胡小楓,王冬利,趙安周,等.基于深度學習算法的京津冀地區綜合干旱評估模型構建[J].中國農業氣象,2021,42 (9):775-787.

Hu X F,Wang D L,Zhao A Z,et al.A comprehensive drought evaluation model in Beijing-Tianjin-Hebei region based on deep learning algorithm[J].Chinese Journal of Agrometeorology, 2021,42(9):775-787.(in Chinese)

[47] Jiang H,Hu H,Zhong R H,et al.A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation:a case study of the US corn belt at the county level[J].Global Change Biology,2020,26(3):1754-1766.

[48] Agana N A,Homaifar A.A deep learning-based approach for long-term drought prediction[J].IEEE:Southeast Con, 2017:1-8.

[49] Johnson M D,Hsieh W,Cannon A J,et al.Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods[J]. Agricultural and Forest Meteorology,2016,218-219:74-84.

[50] 田甜,王迪,王珍,等.基于深度學習模型的種植結構復雜區農作物精細分類研究[J].中國農業資源與區劃,2022,43 (12):12.

Tian T,Wang D,Wang Z,et al.Research on fine classification of crops in complex planting structure based on deep learning model[J].Chinese Journal of Agricultural Resources and Regional Planning,2022,43(12):12.(in Chinese)

[51] Karakizi C,Oikonomou M,Karantzalosa K.Vineyard detection and vine variety discrimination from very high resolution satellite data[J].Remote Sens,2017,8(3):235.

[52] 張勞模.基于深度學習的林地分類與動態變化模擬技術研究[D].北京:中國林業科學研究院,2022.

Zhang L M.Research on woodland classification and dynamic change simulation technology based on deep learning[D].Beijing:Chinese Academy of Forestry Research, 2022.(in Chinese)

[53] 鄧智予.基于深度學習模型的根系微生物組數據和植物產量的關聯分析[D].武漢:中國科學院大學(中國科學院武漢植物園),2021.

Deng Z Y.Association analysis of root microbiome data and plant yield based on deep learning model[D]. Wuhan:University of Chinese Academy of Sciences (Wuhan Botanical Garden, Chinese Academy of Sciences), 2021.(in Chinese)

[54] Reichstein M,Camps-Valls G,Stevens B,et al.Deep learning and process understanding for data-driven earth system science[J].Nature,2019,566(7743):195-204.

[55] 薄乾禎,陳志杰,汪權方.基于決策樹分類的水稻干旱災損評估[J].湖北大學學報(自然科學版),2021,43(2):155-162.

Bo Q Z,Chen Z J,Wang Q F.Drought damage evaluation of rice based on decision tree classification[J].Journal of Hubei University(Natural Science),2021,43(2):155-162.(in Chinese)

[56] 侯陳瑤,朱秀芳,孫丹一,等.基于隨機森林的旱災損失模型構建與應用:以河南省雨養小麥為例[J].災害學,2019, 34(4):210-215.

Hou C Y,Zhu X F,Sun D Y,et al.Construction and application of drought loss model based on random forest:taking rain-fed wheat in Henan province as an example[J].Journal of Catastrophology,2019,34(4):210-215. (in Chinese)

[57] 劉冀,張特,魏榕,等.基于隨機森林偏差校正的農業干旱遙感監測模型研究[J].農業機械學報,2020,51(7):170-177.

Liu J,Zhang T,Wei R,et al.Development of agricultural drought monitoring model using remote sensing based on bias-correcting random forest[J].Journal of Agricultural Machinery,2020,51(7):170-177.(in Chinese)

[58] 馮嶺,宋文輝,陳繼坤.基于深度學習的旱災風險評估方法[J].人民長江,2022,53(6):111-118．

Feng L,Song W H,Chen J K.Drought risk assessment method based on deep learning[J].Yangtze River,2022, 53(6):111-118.(in Chinese)

[59] Shen R,Huang A,Li B,et al.Construction of a drought monitoring model using deep learning based on multi-source remote sensing data[J].Int J Appl Earth Obs Geoinf,2019,79:48-57.

[60] 顧成奎,王正歐.基于神經網絡動態非線性非平穩經濟系統預測[J].系統工程學報,2002,17(2):133-136.

Gu C K,Wang Z O.Prediction of dynamic nonlinear non-stationary economic system based on neural network[J].Journal of Systems Engineering,2002,17(2): 133-136.(in Chinese)

[61] Alizadeh M R,Nikoo M R.A fusion-based methodology for meteorological drought estimation using remote sensing data[J].Remote Sens Environ,2018,211:229-247.

[62] Mokhtarzad M,Eskandari F,Vanjani N J,et al.Drought forecasting by ANN,ANFIS,and SVM and comparison of the models[J].Environ Earth Sci,2017,76(21):729.

[63] 馬瑋良,彭軒,熊倩,等.深度學習中的內存管理問題研究綜述[J].大數據,2020,6(4):56-68.

Ma W L,Peng X,Xiong Q,et al.Memory management in deep learning:a survey[J].Big Data Research,2020,6(4):56- 68.(in Chinese)

[64] Choubin B,Khalighi-Sigaroodi S,Malekian A,et al.Drought forecasting in a semi-arid watershed using climate signals:a neuro-fuzzy modeling approach[J].J Mountain Sci,2014,11 (6):1593-1605.

[65] 許晴,張錦水,張鳳,等.深度學習農作物分類的弱樣本適用性[J].遙感學報,2022,26(7):1395-1409.

Xu Q,Zhang J S,Zhang F,et al.Applicability of weak samples to deep learning crop classification[J].National Remote Sensing Bulletin,2022,26(7):1395-1409.(in Chinese)

[66] 陳希亮,曹雷,何明,等.深度逆向強化學習研究綜述[J].計算機工程與應用,2018,54(5):24-35.

Chen X L,Cao L,He M,et al.Overview of deep inverse reinforcement learning[J].Computer Engineering and Applications,2018,54(5):24-35.(in Chinese)

[67] Fountsop A N,Ebongue K F J L,Atemkeng M.Deep learning models compression for agricultural plants[J]. Applied Sciences,2020,10(19):6866.

[68] 孫萍,胡旭東,張永軍.結合注意力機制的深度學習圖像目標檢測[J].計算機工程與應用,2019,55(17):180-184.

Sun P,Hu X D,Zhang Y J.Object detection based on deep learning and attention mechanism[J].Computer Engineering and Applications,2019,55(17):180-184.(in Chinese)

[69] Zhang L P,Zhang L F,Du B.Deep learning for remote sensing data: a technical tutorial on the state of the art[J].IEEE Geoscience and Remote Sensing Magazine, 2016,4(2):22-40.

[70] 張榮,李偉平,莫同.深度學習研究綜述[J].信息與控制,2018,47(4):385-397.

Zhang R,Li W P,Mo T.Review of deep learning[J]. Information and Control,2018,47(4):385-397.(in Chinese)

[71] 米前川,高西寧,李玥,等.深度學習方法在干旱預測中的應用[J].應用氣象學報,2022,33(1):104-114.

Mi Q C,Gao X N,Li Y,et al.Application of deep learning method to drought prediction[J].Journal of Applied Meteorological Science,2022,33(1):104-114.(in Chinese)

[72] Punithavathi R,RaniA D C,Sughashini K R,et al.Computer vision and deep learning-enabled weed detection model for precision agriculture[J].Computer Systems Science and Engineering,2022,44(3):2759-2774.

[73] Wang K L,Chen K Y,Du H Y,et al.New image dataset and new negative sample judgment method for crop pest recognition based on deep learning models[J].Ecological Informatics,2022,69(7):101620.

[74] Konstantinos P F.Deep learning models for plant disease detection and diagnosis[J].Computers and Electronics in Agriculture,2018,145:311-318.

Application of Deep Learning Technology in Monitoring, Forecasting and Risk Assessment of Agricultural Drought

HUANG Rui-xi, ZHAO Jun-fang, HUO Zhi-guo, PENG Hui-wen, XIE Hong-fei

(State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100081, China)

The development of artificial intelligence technology, especially the emergence of deep learning, has promoted new developments of agriculture, and is regarded as a new direction of modern agricultural production. Deep learning has the advantages of strong learning ability, wide coverage, strong adaptability, and great portability. Considering that its development of simulated datasets can solve real-world problems, it is more and more widely used in monitoring, forecasting and risk assessment of agricultural drought. This paper used the method of literature review to summarize the development and application of monitoring, forecasting and risk assessment of agricultural drought, and summarized the principles, advantages and disadvantages of the deep learning model. The practical applications of depth learning model in monitoring, prediction and risk assessment of agricultural drought were systematically summarized. The existing problems of large dataset requirements, long data preprocessing time, narrow predefined category range, and complex remote sensing images were discussed, and the future research directions were prospected. The results showed that in recent years, the technologies of monitoring, prediction and risk assessment of agricultural drought had made important progress. However, due to the nonlinearity of agricultural system and the complexity of disasters, existing technologies were still difficult to meet the needs of actual agricultural production in the new situation in terms of applicable regions, objects and accuracies. The deep learning technology provided a new means for agricultural drought research. However, the deep learning model could not accurately express the specific process and mechanism of crop growth, so coupling of crop growth model with deep learning model could ensure the interpretability of deep learning model. For correcting the prediction sequence, coupling models based on general circulation model and depth learning model could be established to further improve the prediction ability of deep learning model for medium and long-term agricultural drought. Aiming at the problem of limited disaster sample size, strengthening the research on agricultural drought monitoring and evaluation based on migration learning could further improve the precisions in fine monitoring and evaluation of agricultural drought. In view of the fact that the factors affecting agricultural drought formation was characterized by large amount of data, diverse types and nonlinearity, the method of combining deep learning and information fusion was adopted to further improve the accuracies in regional monitoring, prediction and risk assessment of agricultural drought. Therefore, the coupling of deep learning models and crop growth models, agricultural drought prediction by integrating deep learning models and general circulation models, fine monitoring and evaluation of agricultural drought based on deep learning and migration learning, regional monitoring, prediction and risk assessment of agricultural drought based on deep learning and information fusion were considered as the development trends of applicating deep learning technologies in monitoring, prediction and risk assessment of agricultural drought in the future.

Deep learning; Agricultural drought; Monitoring and prediction; Risk assessment; Accuracy

10.3969/j.issn.1000-6362.2023.10.007

收稿日期：2022?11?04

國家重點研發計劃項目02課題“黃淮海小麥干旱和春季凍害監測評估及預警預測研究”（2022YFD2300202）

通訊作者：趙俊芳，博士，研究員，主要從事全球變化與農業氣象研究，E-mail：zhaojf@cma.gov.cn

黃睿茜，E-mail：huangruiqian22@mails.ucas.ac.cn

黃睿茜,趙俊芳,霍治國,等.深度學習技術在農業干旱監測預測及風險評估中的應用[J].中國農業氣象,2023,44(10):943-952