Translated from English to Vietnamese - www.onlinedoctranslator.

com

Hệ thống nông nghiệp 173 (2019) 303–316

danh sách nội dung có sẵn tạikhoa học trực tiếp

hệ thống nông nghiệp

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

Việc tích hợp các yếu tố hạn hán được cảm nhận từ xa dựa trên máy học có
thể cải thiện việc ước tính hạn hán nông nghiệp ở Đông Nam Australia
Bộc phongmột,b, Bân Vươngb, De Li Liub,c, Cường Vũđ,một,e,⁎
mộtTrường Khoa học Đời sống, Khoa Khoa học, Đại học Công nghệ Sydney, PO Box 123, Broadway, NSW 2007, Australia
bBộ Công nghiệp Cơ bản NSW, Viện Nông nghiệp Wagga Wagga, Wagga Wagga, NSW 2650, Australia
cTrung tâm Nghiên cứu Biến đổi Khí hậu và Trung tâm Xuất sắc ARC về Khí hậu Cực đoan, Đại học New South Wales, Sydney, NSW 2052, Úc

đ Phòng thí nghiệm trọng điểm của Nhà nước về xói mòn đất và canh tác trên vùng đất khô hạn trên cao nguyên hoàng thổ, Đại học Tây Bắc A&F, Yangling, Thiểm Tây 712100, Trung Quốc

e Đại học Tài nguyên và Môi trường, Đại học Khoa học Trung Quốc, Bắc Kinh 100049, Trung Quốc

THÔNG TIN BÀI VIẾT TRỪU TƯỢNG

từ khóa: Hạn hán nông nghiệp là một mối nguy hiểm tự nhiên phát sinh từ việc cung cấp nước cho cây trồng không đủ.
Hạn hán nông nghiệp Nhiều chỉ số hạn hán đã được phát triển để mô tả hạn hán nông nghiệp, dựa trên dữ liệu khí hậu trên mặt đất hoặc
Chỉ số bốc hơi lượng mưa chuẩn hóa các proxy hạn hán được cảm nhận từ xa khác nhau. Các chỉ số hạn hán trên mặt đất chính xác hơn nhưng hạn chế
về phạm vi bao phủ, trong khi các chỉ số hạn hán viễn thám bao phủ các khu vực rộng lớn nhưng có độ chính xác
Viễn thám
kém. Việc áp dụng các phương pháp tổng hợp dữ liệu tiên tiến dựa trên dữ liệu được cảm nhận từ xa để ước tính các
học máy
chỉ số hạn hán trên mặt đất có thể giúp lấp đầy khoảng trống này. Mục tiêu tổng thể của nghiên cứu này là xác định
liệu các yếu tố hạn hán được cảm nhận từ xa khác nhau có thể được sử dụng hiệu quả để theo dõi hạn hán nông
nghiệp ở đông nam Australia hay không. Trong nghiên cứu này, ba mươi yếu tố hạn hán được cảm nhận từ xa từ
Nhiệm vụ Đo lường Lượng mưa Nhiệt đới (TRMM) và các cảm biến vệ tinh của Máy đo Quang phổ Bức xạ Hình ảnh
Độ phân giải Trung bình (MODIS) đã được sử dụng để tái tạo chỉ số hạn hán trên mặt đất, SPEI (Chỉ số Lượng bốc hơi
Lượng mưa Chuẩn hóa) trong giai đoạn 2001–2017 cho New South Vành đai lúa mì xứ Wales ở đông nam Australia.
Ba phương pháp học máy tiên tiến, tức là rừng ngẫu nhiên hiệu chỉnh sai lệch, máy vectơ hỗ trợ và mạng nơ-ron tri
giác nhiều lớp, đã được sử dụng làm mô hình hồi quy trong quy trình này. Bộ dữ liệu khí hậu lịch sử dựa trên trạm
và sản lượng lúa mì quan sát được đã được sử dụng làm dữ liệu tham khảo để đánh giá hiệu suất của SPEI dự đoán
theo mô hình trong việc phản ánh hạn hán nông nghiệp.2giá trị (<0,28 và ~0,9, tương ứng). Các bản đồ phân bố hạn
hán được tạo ra bởi mô hình rừng ngẫu nhiên đã hiệu chỉnh sai lệch sau đó được so sánh với các bản đồ hạn hán
dựa trên trạm, cho thấy sự thống nhất rõ ràng về hình ảnh và thống kê. Hơn nữa, các giá trị SPEI dự đoán theo mô
hình có mối tương quan cao hơn với sản lượng lúa mì quan sát được so với SPEI dựa trên trạm. Phương pháp được
sử dụng trong nghiên cứu này là hiệu quả và nhanh chóng, và dựa trên dữ liệu sẵn có. Nó có thể dễ dàng được mở
rộng sang các khu vực trồng trọt khác để tạo ra một cái nhìn tổng quan nhanh chóng về các điều kiện hạn hán và
nâng cao khả năng giám sát hạn hán theo thời gian thực hiện tại.

1. Giới thiệu kinh tế và ổn định xã hội (Hazaymeh và Hassan, 2016;Anh ấy và cộng sự,
2013;Mottaleb và cộng sự, 2015).
Hạn hán, một trong những thảm họa thiên nhiên phức tạp và tàn Hạn hán nông nghiệp là giai đoạn đất bị thiếu nước do lượng mưa dưới
khốc nhất, là đặc điểm thường xuyên của hầu hết các vùng khí hậu ( mức bình thường và/hoặc lượng bốc hơi và thoát hơi nước trên mức trung
Zarch và cộng sự, 2015). Có thể phân thành bốn dạng phổ biến là hạn bình (Đại, 2011;Quiring và Papakriyakou, 2003). Đó là một thảm họa cụ thể
khí tượng, hạn nông nghiệp, hạn thủy văn và hạn kinh tế - xã hội ( theo khu vực và thời kỳ (Mishra và Singh, 2010). Do đó, việc xác định thời
Wilhite, 2005). Những loại hạn hán này có mối quan hệ với nhau. Đánh điểm bắt đầu và kết thúc của một đợt hạn hán nông nghiệp thường khó
giá hạn hán nông nghiệp có tầm quan trọng lớn vì nó được coi là vấn khăn ở một khu vực nhất định. Hơn nữa, mức độ nghiêm trọng và các biến
đề nghiêm trọng nhất ở hầu hết các quốc gia về an ninh lương thực, thể về thời gian và không gian có thể thay đổi đáng kể theo thời kỳ

⁎Tác giả tương ứng tại: Phòng thí nghiệm Trọng điểm của Nhà nước về Xói mòn Đất và Canh tác Đất khô trên Cao nguyên Hoàng thổ, Đại học A&F Tây Bắc, Dương Lăng, Thiểm Tây 712100, Trung
Quốc.
Địa chỉ email:yuq@nwafu.edu.cn (Q. Yu).

https://doi.org/10.1016/j.agsy.2019.03.015
Nhận ngày 15 tháng 12 năm 2018; Nhận được ở dạng sửa đổi ngày 14 tháng 3 năm 2019; Chấp nhận ngày 14 tháng 3
năm 2019 0308-521X/ © 2019 Xuất bản bởi Elsevier Ltd.
P. Feng, et al.
và các vùng (Touma và cộng sự, 2015). Do đó, hạn hán nông nghiệp là mối
đe dọa lớn đối với sản xuất cây trồng, gây thiệt hại đáng kể về nông nghiệp
trên toàn thế giới (Piao et al., 2010;Wang và cộng sự, 2018b). Ví dụ, trong đợt
hạn hán năm 2006 ở Úc, sản lượng ngũ cốc vụ đông giảm 36%, gây thiệt hại
kinh tế khoảng 3,5 tỷ đô la Úc (Wong và cộng sự, 2009). Do đó, việc xác định
chính xác hạn hán nông nghiệp, đặc biệt là giám sát hạn hán theo thời gian
thực hoặc gần thời gian thực, là rất cần thiết để cung cấp thông tin cần thiết
cho các nhà hoạch định chính sách nhằm đưa ra các hành động ứng phó kịp
thời nhằm giảm tác động tiêu cực của hạn hán.
Phương pháp giám sát và phân tích hạn hán nông nghiệp quan trọng
nhất là áp dụng các chỉ số hạn hán thích hợp. Nói chung, chỉ số hạn hán là
một biến chính để xác định thời gian và cường độ của hạn hán và để đánh
giá tác động của hạn hán. Tuy nhiên, do sự phức tạp của các định nghĩa hạn
hán, rất khó để đánh giá các đặc điểm hạn hán một cách toàn diện và có hệ
thống ở một khu vực nhất định chỉ thông qua một chỉ số duy nhất. Vì vậy,
hơn 160 chỉ số hạn hán đã được phát triển bởi các nhà nghiên cứu (
Niemeyer, 2008). Các chỉ số này có thể được phân thành hai loại: chỉ số dựa
trên mặt đất và cảm biến từ xa. Các chỉ số hạn hán trên mặt đất thường
được lấy từ các phép đo trên mặt đất của các biến khí tượng như lượng mưa
và nhiệt độ. Họ có thể giám sát hạn hán một cách chính xác và hiệu quả
xung quanh các trạm khí hậu (Rhee và cộng sự, 2010). Một số ví dụ bao gồm
Chỉ số mức độ nghiêm trọng của hạn hán Palmer (Palmer, 1965), Chỉ số nhận
dạng hạn hán cây trồng (Wu và cộng sự, 2018), chỉ số lượng mưa chuẩn hóa
(SPI) (Mckee và cộng sự, 1993) và SPEI (Vicente-Serrano và cộng sự, 2010).
Trong số đó, SPEI, tính cả lượng mưa và nhiệt độ, có khả năng theo dõi các
loại hạn hán khác nhau ở các vùng khác nhau. Nó đã được chấp nhận rộng
rãi giữa các nhà nghiên cứu (Gao và cộng sự, 2017;Wang và cộng sự, 2015).
Tuy nhiên, các chỉ số cơ sở này dựa trên trạm và hạn chế trong việc mô tả
đặc điểm phân bố không gian chi tiết của hạn hán ở quy mô khu vực (Park và
cộng sự, 2016). Mặc dù các kỹ thuật nội suy không gian dựa trên hệ thống
thông tin địa lý (GIS) tiên tiến (ví dụ: nghịch đảo khoảng cách và cắt tỉa) có
thể giúp ước tính các điều kiện hạn hán tại các vị trí không được đo lường,
nhưng sự không chắc chắn có thể tồn tại ở các khu vực được nội suy do các
thuật toán nội suy được sử dụng và các điều kiện địa hình phức tạp (Swain
và cộng sự, 2011).
Để giải quyết phạm vi không gian của các chỉ số hạn hán trên mặt đất,
các chỉ số cảm nhận từ xa đã được phát triển dựa trên dữ liệu vệ tinh. Dữ
liệu viễn thám vệ tinh bao gồm lượng mưa, nhiệt độ, sự thoát hơi nước và
thông tin thực vật, tất cả đều được bao phủ liên tục và theo thời gian thực.
Do đó, các chỉ số hạn hán được cảm nhận từ xa có thể nắm bắt được các đặc
điểm không gian chi tiết của hạn hán. Trong những thập kỷ gần đây, nhiều
chỉ số hạn hán được cảm nhận từ xa đã được phát triển, chẳng hạn như Chỉ
số thực vật khác biệt bình thường hóa (NDVI) (Rouse Jr và cộng sự, 1974), Chỉ
số Hạn hán Chênh lệch Bình thường hóa (NDDI) (Gu và cộng sự, 2007) và Chỉ
số hạn hán đa dải được chuẩn hóa (NMDI) (Wang và Qu, 2007). Mặc dù các
chỉ số này khắc phục được những thiếu sót của các chỉ số hạn hán trên mặt
đất thông thường trong phạm vi bao phủ không gian, nhưng chúng không
thể thay thế hoàn toàn các quan sát trên mặt đất trong giám sát hạn hán do
hồ sơ dữ liệu tương đối ngắn (Lai và cộng sự, 2019). Hơn nữa, chất lượng của
các chỉ số hạn hán được cảm nhận từ xa có thể bị giới hạn bởi các điều kiện
khí quyển (ví dụ: mây) và thuật toán truy xuất (Zhang và Jia, 2013). Do đó, độ
chính xác và độ tin cậy của các chỉ số hạn hán được cảm nhận từ xa vẫn còn
là một câu hỏi (Alizadeh và Nikoo, 2018).
Trong giám sát hạn hán nông nghiệp, các chỉ số hạn hán trên mặt đất
thường được coi là chính xác hơn so với các chỉ số hạn hán được cảm nhận
từ xa. Điều này chủ yếu là do các biến khí hậu bắt nguồn từ các phép đo trên
mặt đất thường chính xác hơn. Hơn nữa, hầu hết các chỉ số hạn hán trên
mặt đất theo dõi trực tiếp cân bằng nước trong đất hơn là thông tin thực vật
gián tiếp. Nhiều chỉ số hạn hán được cảm nhận từ xa mới được phát triển
thường cần được xác thực bằng cách sử dụng các chỉ số trên mặt đất để
chứng minh độ tin cậy của chúng (Rhee và cộng sự, 2010). Tuy nhiên, người
ta thường tìm thấy rất ít thỏa thuận khi các chỉ số hạn hán viễn thám phổ
biến được so sánh với các chỉ số hạn hán trên mặt đất
304
Hệ thống nông nghiệp 173 (2019) 303–316
(Bayarjargal và cộng sự, 2006). Ví dụ: VCI có nguồn gốc từ NDVI (Chỉ số
điều kiện thực vật,Kogan (1995)) và các chỉ số hạn hán trên mặt đất có
mối tương quan kém đối với các quận ở phía đông Texas, Hoa Kỳ, với
các hệ số xác định (R2) khoảng 0,1 (Quiring và Ganesh, 2010).
Để giám sát hạn hán tốt hơn, các nhà nghiên cứu đã cố gắng kết hợp dữ
liệu từ nhiều nguồn khác nhau để tái tạo các chỉ số hạn hán trên mặt đất
bằng cách sử dụng các mô hình dựa trên dữ liệu, chẳng hạn như mạng lưới
thần kinh nhân tạo (Morid và cộng sự, 2007) và các mô hình trung bình động
tích hợp tự hồi quy (Belayneh và cộng sự, 2014). Tuy nhiên, các mô hình này
thường bị hạn chế trong việc xử lý các tính chất phi tuyến tính hoặc tính
không ổn định trong ước tính hạn hán. Với sự phát triển của trí tuệ nhân tạo,
các phương pháp học máy thích ứng và tiên tiến hơn đang được công nhận.
Các phương pháp học máy có khả năng loại bỏ tác động của các biến đồng
tuyến tính và phân tích mối quan hệ phân cấp và phi tuyến tính giữa các biến
độc lập và biến phụ thuộc, đồng thời thường mang lại hiệu suất tốt hơn so
với các mô hình hồi quy tuyến tính thông thường (Belayneh và cộng sự, 2014
;Guzmán và cộng sự, 2018).Công viên và cộng sự. (2016) đã áp dụng ba
phương pháp học máy để hợp nhất mười sáu yếu tố hạn hán được cảm
nhận từ xa nhắm vào chỉ số hạn hán khí tượng (SPI). Kết quả cho thấy các
phương pháp học máy có thể nắm bắt> 90% biến thể SPI ở miền nam Hoa
Kỳ.Alizadeh Và Nikoo (2018)thu được kết quả tương tự ở Iran bằng cách sử
dụng năm phương pháp học máy riêng lẻ. Hợp nhất dữ liệu viễn thám để tái
tạo các chỉ số hạn hán trên mặt đất có thể mở rộng các chỉ số dựa trên điểm
cho toàn bộ khu vực, thúc đẩy sự hiểu biết sâu sắc hơn về các đặc điểm
không gian của một sự kiện hạn hán. Tuy nhiên, theo hiểu biết của chúng
tôi, một số nghiên cứu đã sử dụng các phương pháp tương tự để theo dõi
hạn hán ở lục địa Úc dễ bị hạn hán.
Hạn hán là một sự kiện lặp đi lặp lại ở Úc, với đợt hạn hán năm 2018 hiện
tại đã kéo dài hàng tháng. Hạn hán nghiêm trọng này đã ảnh hưởng đến
hầu hết vùng đông nam Australia, có thể làm giảm gần 45% sản lượng lúa
mì vụ đông (https://www.dpi.nsw.gov.au/about-us/publications/pdi/2018/
wheat). Do đó, việc giám sát hạn hán theo khu vực và kịp thời là rất cần thiết
để phát triển các chiến lược phù hợp nhằm giảm thiểu thiệt hại. Do đó, mục
tiêu tổng thể của nghiên cứu này là xác định liệu các yếu tố hạn hán được
cảm nhận từ xa khác nhau có thể được sử dụng một cách hiệu quả để mô tả
hạn hán nông nghiệp ở đông nam Australia hay không. Các mục tiêu cụ thể
của nghiên cứu này là 1) so sánh hiệu suất của ba phương pháp học máy,
nghĩa là rừng ngẫu nhiên hiệu chỉnh sai lệch (BRF), mạng nơ-ron tri giác
nhiều lớp (MLP) và máy vectơ hỗ trợ (SVM), trong việc sao chép SPEI trên mặt
đất dựa trên các yếu tố hạn hán được cảm nhận từ xa khác nhau ở các khu
vực khô và ẩm ướt; 2) xác định tầm quan trọng tương đối của các yếu tố hạn
hán được cảm nhận từ xa trong việc xác định SPEI; 3) so sánh các bản đồ hạn
hán do mô hình dự đoán với các bản đồ hạn hán trên mặt đất tương ứng.
2. Vật liệu và phương pháp
2.1. Khu vực nghiên cứu
Khu vực nghiên cứu là vành đai lúa mì New South Wales (NSW) (
Hình 1) ở đông nam Úc, với biên giới phía tây giáp với nội địa khô cằn
của Úc. Nó có diện tích ~360.000km2, chiếm khoảng 28% diện tích trồng
lúa mì ở Australia (www.abares.gov.au, 2013–14). Đặc điểm địa hình và
khí hậu rất khác nhau giữa các phần khác nhau của vành đai lúa mì. Về
địa hình, phần phía tây của vành đai lúa mì chủ yếu là đồng bằng với độ
cao thấp hơn 300m, trong khi phần phía đông bị chiếm giữ bởi các
ngọn núi cao tới 1100m. Về mặt khí hậu, vành đai lúa mì được đặc
trưng bởi điều kiện ấm và khô ở phía tây và điều kiện lạnh và ẩm ướt ở
phía đông (Feng và cộng sự, 2019). Lượng mưa trung bình hàng năm
dao động từ 200mm ở phía tây nam đến 1000mm ở phía đông nam,
trong khi nhiệt độ trung bình dao động từ 11°C ở phía đông nam đến
20°C ở phía tây bắc.
Để làm cho các mô hình của chúng tôi chính xác hơn về hạn hán nông
nghiệp, chúng tôi đã tách đất trồng trọt nhờ nước trời ra khỏi các loại đất
khác. DLCD (Bộ dữ liệu che phủ đất động,http://www.ga.gov.au/) đất
P. Feng, et al.
Hình 1.Khu vực nghiên cứu bao gồm 39 khu vực Khu vực Thống kê Cấp 2 (SA2) ở New South Wales ở đông nam Australia, được cắt từ bản đồ chênh lệch năng suất (http://
yieldgapaustralia.com.au/). Các khu vực màu xanh lá cây là đất trồng trọt được cung cấp nước mưa có lưới bắt nguồn từ DLCD (Bộ dữ liệu che phủ đất động,http://www.ga.gov.au/) bản
đồ che phủ đất. Các điểm màu đen và các điểm màu đỏ tương ứng cho biết vị trí của 2242 trạm SILOweather và 13 trạm BOMweather. (Để giải thích các tham chiếu đến màu sắc trong
chú thích hình này, người đọc được tham khảo phiên bản web của bài viết này.)
bản đồ che phủ đã được sử dụng để phân biệt đất trồng trọt nhờ nước mưa.
Bản đồ này được Geoscience Australia phát triển theo phân tích về chỉ số
thực vật nâng cao (EVI) từ các sản phẩm MODIS trong giai đoạn 2000–2008 (
Lymburner và cộng sự, 2010). Nó rất nhất quán (93%) với các quan sát dựa
trên thực địa độc lập. Bản đồ này ban đầu có độ phân giải 250m, nhưng
chúng tôi đã nâng cấp độ phân giải lên 500m để giảm chi phí tính toán.
Mảng xanh ởHình 1minh họa vùng đất trồng trọt nhờ nước trời trên vành
đai lúa mì NSW. Các tính toán tiếp theo của chúng tôi và trực quan hóa kết
quả đều được thực hiện trên các pixel đất trồng trọt được cung cấp nước
mưa này.
2.2. Dữ liệu
2.2.1. Dữ liệu viễn thám
Dữ liệu phản xạ bề mặt, thoát hơi nước (ET), thoát hơi nước tiềm
năng (PET) và nhiệt độ bề mặt đất (LST) (2001–2017, thực tế là đến
tháng 2 năm 2018 vì hai tháng đầu năm 2018 vẫn thuộc về mùa hè năm
2017 ở Úc) đã được thu thập từ cảm biến vệ tinh MODIS. Dữ liệu phản
xạ bề mặt (dải 1–7) được trích xuất từ MODIS MOD09GA.006, với độ
phân giải không gian 500m và độ phân giải thời gian 1 ngày. Sau đó,
NDVI, EVI, NMDI, NDWI và NDDI được tính toán bằng cách sử dụng dữ
liệu hệ số phản xạ (Bảng 1). Cụ thể, NDWI được tính toán bằng cách sử
dụng ba dải hồng ngoại sóng ngắn 5, 6 và 7 riêng biệt, dẫn đến ba
NDWI khác nhau, tức là NDWI5, NDWI6 và NDWI7. Dữ liệu ET và PET
được trích xuất từ MODIS MOD16A2.006 ở độ phân giải không gian
500m và độ phân giải thời gian 8 ngày. Dữ liệu LST được trích xuất từ
MODIS MOD11A1.006 ở độ phân giải không gian 1km và độ phân giải
thời gian 1 ngày.
Dữ liệu lượng mưa hàng tháng từ năm 2001 đến 2017 ở độ phân
giải 0,25 độ được thu thập từ sản phẩm 3B43 của cảm biến vệ tinh
TRMM. Đơn vị đo dữ liệu là mm giờ−1nhưng sau đó đã được chuyển đổi
thành mm tháng−1. Tất cả dữ liệu viễn thám được sử dụng trong nghiên
cứu này được lấy từ Google Earth Engine (GEE,https://
305
Hệ thống nông nghiệp 173 (2019) 303–316
earthengine.google.com) nền tảng.
Đối với tất cả các chỉ số này, phương tiện theo thang thời gian 1 và 3 tháng sau
đó đã được tính toán để đánh giá các phản hồi bị trễ. Do dữ liệu từ các địa điểm
khác nhau được gộp lại với nhau và được sử dụng cho cùng một hàm hồi quy cho
từng vùng hoặc cho từng phân chia khí hậu, nên tất cả các giá trị biến viễn thám
được chia tỷ lệ bằng phương trình.(1)cho mỗi pixel trong giai đoạn 2001–2017 để
phân biệt các thành phần thời tiết với các thành phần hệ sinh thái (Kogan, 1995;
Rhee và cộng sự, 2010). Do đó, tổng cộng 30 chỉ số tỷ lệ đã được sử dụng làm biến
đầu vào.
xx
xS=
(1)
ở đâuxSđại diện cho các chỉ số tỷ lệ,xbiểu thị các giá trị thực tế của các
chỉ số,xvà σ lần lượt chỉ ra giá trị trung bình và phương sai của các chỉ
số.
2.2.2. Dữ liệu khí hậu trên mặt đất
Dữ liệu khí hậu quan trắc dựa trên trạm cho khu vực nghiên cứu
được lấy từ Cục Khí tượng (BOM,http://www.bom.gov. âu). Chúng tôi đã
chọn 13 trạm thời tiết có đầy đủ hồ sơ về lượng mưa và nhiệt độ hàng
ngày trong 30 năm qua (1988–2017). Các trạm này nằm rải rác trên hầu
hết vành đai lúa mì (Hình 1). Dữ liệu từ các trạm này được sử dụng để
hiệu chỉnh và xác nhận mô hình trong nghiên cứu của chúng tôi. Mô tả
ngắn gọn về 13 trạm BOM, bao gồm vị trí, độ cao, nhiệt độ trung bình
hàng năm và lượng mưa hàng năm, được trình bày trongban 2.
Một bộ dữ liệu khí hậu khác dựa trên trạm của Úc có sẵn từ SILO
(Thông tin khoa học cho chủ sở hữu đất đai,https://silo.
longpaddock.qld.gov.au). Nó chứa dữ liệu khí hậu hàng ngày từ năm
1889 đến thời điểm hiện tại cho nhiều biến số khí hậu bao gồm lượng
mưa, nhiệt độ tối đa và tối thiểu. Bộ dữ liệu này được xây dựng từ dữ
liệu quan sát thu được từ BOM. Vì bộ dữ liệu BOM chứa một số lượng
lớn các giá trị bị thiếu, SILO ước tính các giá trị bị thiếu này
P. Feng, et al. Hệ thống nông nghiệp 173 (2019) 303–316

Bảng 1
Các chỉ số viễn thám được sử dụng trong dự đoán hạn hán nông nghiệp ở vành đai lúa mì New South Wales, Australia.

chỉ số Sự định nghĩa Công thức Nghị quyết Nguồn

trước sự kết tủa – 0,25° TRMM/3B43

THÚ CƯNG khả năng thoát hơi nước – 500m MODIS
ET – 500m MODIS
LSTd Nhiệt độ bề mặt đất-ngày Nhiệt độ bề mặt – 1km MODIS
LSTn đất-đêm Nhiệt độ bề mặt đất-trung bình – 1km MODIS
LSTm Chỉ số thảm thực vật chênh lệch chuẩn hóa (LSTd+LSTn)/2 1km MODIS
NDVI Chỉ số thảm thực vật tăng cường (b2–b1)/(b2+b1) 500m Rouse Jr và cộng sự.
EVI 2.5*((b2-b1)/(b2+6*b1–7.5*b3+1)) (b2- 500m (1974) Huete et al.
NMDI Chỉ số khô hạn đa dải chuẩn hóa Chỉ (b6-b7))/(b2+(b6-b7)) 500m (2002) Vương và Qu
NDWI5 số nước chênh lệch chuẩn hóa Chỉ số (b2-b5)/(b2+b5) 500m (2007) Cao (1996)
NDWI6 nước chênh lệch chuẩn hóa Chỉ số (b2-b6)/(b2+b6) 500m Cao (1996)
NDWI7 nước chênh lệch chuẩn hóa Chỉ số khô (b2-b7)/(b2+b7) 500m Cao (1996)
NDDI5 hạn chênh lệch chuẩn hóa Chỉ số hạn (NDVI-NDWI5)/(NDVI+NDWI5) 500m Gu et al. (2007)
NDDI6 hán chênh lệch chuẩn hóa Chỉ số khô (NDVI-NDWI6)/(NDVI+NDWI6) 500m Gu et al. (2007)
NDDI7 hạn chênh lệch chuẩn hóa (NDVI-NDWI7)/(NDVI+NDWI7) 500m Gu et al. (2007)

ban 2 bàn số 3
Mô tả ngắn gọn về 13 trạm quan sát khí hậu từ Cục Khí tượng ở vành đai lúa mì Mô tả ngắn gọn về 39 khu vực Khu vực Thống kê Cấp 2 (SA2) ở vành đai lúa mì New South
New South Wales, Úc, bao gồm vị trí, độ cao, lượng mưa trung bình hàng năm (AP) Wales, Australia, bao gồm vị trí, lượng mưa trung bình hàng năm (AP), nhiệt độ trung
và nhiệt độ trung bình hàng năm (AT). bình hàng năm (AT) và năng suất lúa mì trung bình hàng năm trong giai đoạn 2001–2014.

TÔI vĩ độ kinh độ Độ cao (m) AP (mm) TẠI (°C)

TÔI Khu vực vĩ độ kinh độ AP (mm) TẠI (°C) năng suất

1 − 34,0 141.3 26 258 17,7 (tha−1)

2 − 31,5 145,8 260 389 19.4
3 − 29,5 148,6 145 532 20.3 1 Vùng Albury − 36,0 146,9 697 15.2 2,31
4 − 34,6 143,6 61 336 17.3 2 rắn hổ mang − 31,5 145,8 394 18,8 1,15
5 − 32,7 148.2 285 589 18.4 3 condobolin − 33,1 147.1 441 17,5 1,33
6 − 33,1 147.2 195 460 17,7 4 Coonabarabran − 31,3 149.3 783 15,8 1,86
7 − 29,0 149.0 160 502 20.8 5 Coonamble − 31,0 148,6 543 18,8 1,41
số 8 − 30,4 150,6 500 699 16.6 6 Cootamundra − 34,6 148.0 642 15.3 2,67
9 − 31,0 150.3 307 640 18,8 7 Vùng Corowa − 36,0 146,4 558 15.1 2.09
10 − 32,1 150,9 216 623 17,7 số 8 Vùng Cowra − 33,8 148,7 618 15,9 2.17
11 − 32,6 149.0 305 644 17.1 9 deniliquin − 35,5 145.0 398 16.3 1,78
12 − 33,9 148.2 390 630 16.3 10 Vùng Deniliquin − 35,3 144.3 369 16,5 1,77
13 − 35,8 145,6 114 459 16.2 11 Vùng Dubbo − 32,3 148,6 609 17.3 1,80
12 Forbes − 33,7 148.0 535 16.7 1,63
13 Gilgandra − 31,7 148,7 580 19.1 1,51
các giá trị thông qua các phương pháp nội suy (Jeffrey và cộng sự, 2001). Do đó, bộ 14 Grenfell − 33,9 148.1 616 16.2 1,89
15 Vùng Griffith − 34,3 146.0 427 17,0 1,87
dữ liệu SILO có thể được xem như một sản phẩm của dữ liệu khí hậu ước tính cho
16 Vùng Gunnedah − 31,0 150.3 645 18,5 2,45
hàng nghìn trạm khí hậu trên khắp nước Úc. Cuối cùng, chúng tôi đã chọn 2242 17 cỏ khô − 34,7 144,8 355 17,0 1,88
trạm khí hậu SILO được xác định là nằm trong vành đai lúa mì NSW (Hình 1). 18 Vùng Inverell-Đông − 29,6 151.2 776 16,0 1,94
Những dữ liệu này được sử dụng làm dữ liệu lịch sử để so sánh với các dự đoán 19 Vùng Inverell- − 29,9 150,6 746 18,0 2,25
mô hình của chúng tôi.
hướng Tây

20 tháng sáu − 34,9 147.6 544 15.6 2,47

21 Vùng Moree − 29,5 149,8 600 19.3 1,98
2.2.3. Dữ liệu năng suất lúa mì 22 Vùng Narrabri − 30,3 149,8 637 18.7 2.14
Năng suất cây trồng thường được sử dụng như một biến thay thế phản ánh 23 Narrandera − 34,7 146,6 431 16,5 1,91
24 Narromine − 32,3 148.2 609 17.3 1,73
điều kiện hạn hán trong nông nghiệp (Yagci và cộng sự, 2015). Vì khu vực nghiên
25 Nyngan-Warren − 31,6 147,5 475 18,8 1,37
cứu của chúng tôi là đất trồng trọt nhờ nước mưa, nên có khả năng năng suất cây 26 vùng da cam − 33,3 149.1 649 16,5 2.01
trồng có mối tương quan cao với điều kiện hạn hán nông nghiệp. Do đó, chúng tôi 27 Vùng Parkes − 33,1 148.2 576 17.2 1,56
đã sử dụng hồ sơ năng suất lúa mì cấp khu vực để đánh giá hạn hán do mô hình 28 Quirinđi − 31,5 150,7 662 17.3 2,88
dự đoán và để khám phá các ứng dụng tiềm năng của nó. Những hồ sơ năng suất 29 Vùng bánh nướng − 32,1 150,9 662 17.3 2,33
30 Vùng Tamworth − 31,1 150,9 681 17.2 2.17
này được lấy từ bản đồ khoảng cách năng suất của Úc (http://
31 Temora − 34,5 147,5 514 15,5 2.11
yieldgapaustralia.com.au/). Bản đồ này chia vành đai lúa mì NSW thành 39 vùng 32 Tocumwal-Finley- − 35,6 145,6 430 16.2 2,27
Thống kê Cấp 2 (SA2) để thống kê sản lượng. Hồ sơ năng suất lúa mì từ năm 2001 tiệm bánh
đến 2014 có sẵn cho từng khu vực trong số 39 khu vực và được sử dụng để phân 33 Wagga Wagga − 35,1 147,4 575 15.7 2,15
Khu vực
tích dữ liệu tiếp theo. Mô tả ngắn gọn về 39 vùng SA2, bao gồm vị trí, nhiệt độ
34 Walgett-Lightning − 29,7 148.0 468 20.2 1.19
trung bình hàng năm, lượng mưa hàng năm và năng suất lúa mì trung bình hàng cây rơm
năm, được trình bày trongbàn số 3. 35 Wellington − 32,6 148,9 629 16,5 1,97
Sinh trưởng của cây trồng chịu ảnh hưởng của cả các yếu tố khí hậu và phi khí 36 Wentworth- − 34,1 142,6 287 17.3 1,36
hậu. Vì nghiên cứu của chúng tôi chủ yếu tập trung vào hạn hán nông nghiệp, nên Vùng Balranald
37 Tây Wyalong − 33,9 147.2 483 16,9 1,66
loại trừ các biến thể năng suất gây ra bởi các yếu tố phi khí hậu, ví dụ: phát triển
38 Trẻ tuổi − 34,4 148.3 696 14.4 2,40
chăn nuôi và thực hành canh tác. Một cách tiếp cận khác biệt đầu tiên được giới 39 Miền Trẻ − 34,4 148,7 715 13.7 2,38
thiệu bởiNicholls (1997)đã được sử dụng trong nghiên cứu này. Cái này

306
P. Feng, et al.
Hình 2.Khung quy trình được sử dụng trong nghiên cứu này, trong đó MODIS: Máy quang phổ hình ảnh có độ phân giải vừa phải, TRMM: Nhiệm vụ đo lượng mưa nhiệt
đới, ET: sự thoát hơi nước, PET: khả năng thoát hơi nước, LST: nhiệt độ bề mặt đất, BOM: Cục Khí tượng, SILO: Thông tin khoa học cho Chủ sở hữu đất, SPEI: Chỉ số thoát
hơi nước lượng mưa được chuẩn hóa, BRF: rừng ngẫu nhiên được điều chỉnh sai lệch, SVM: máy vectơ hỗ trợ, MLP: mạng thần kinh perceptron nhiều lớp, VSURF: Gói R để
lựa chọn biến.
phương pháp tiếp cận có thể giảm thiểu hiệu quả tác động của các yếu
tố phi khí hậu, cho phép đánh giá tác động khí hậu một cách riêng biệt.
Cách tiếp cận được thực hiện theo phương trình sau:
Xt= Xt Xt1, t =2001, 2002,…, 2014
ở đâuXtđại diện cho sự khác biệt đầu tiên củaXvào nămt,XtvàXt-1đại diện
cho các giá trị củaXvào nămtvà nămt-1, tương ứng.
2.3. Phương pháp mô hình hóa
Khung trình bày trongHình 2minh họa tất cả các quy trình được sử dụng
trong nghiên cứu này để ước tính hạn hán nông nghiệp dựa trên dữ liệu
viễn thám. Ba phương pháp học máy tiên tiến khác nhau đã được áp dụng
để phân tích hạn hán nông nghiệp bằng cách sử dụng các yếu tố hạn hán
được cảm nhận từ xa để ước tính chỉ số SPEI. Vành đai lúa mì NSW là một
khu vực rộng lớn chịu ảnh hưởng của các kiểu khí hậu khác nhau. Các công
cụ dự đoán viễn thám khác nhau có thể có những đóng góp khác nhau đối
với chỉ số hạn hán ở vùng khô hạn hoặc ẩm ướt. Do đó, lúc đầu, thuật toán
phân cụm K-means (Hartigan và Wong, 1979) đã được sử dụng để phân loại
các trạm khí hậu BOM thành hai cụm nhất quán (Bảng 4) theo điều kiện
lượng mưa nhiều năm. Cụm 1 có lượng mưa trung bình hàng năm là 419mm
và nhiệt độ trung bình là 18,5°C, trong khi các giá trị tương ứng của cụm 2 là
638mm và 17,5°C. Do đó, các trạm trong cụm 2 tương đối ẩm hơn các trạm
trong cụm 1. Sau đó, đối với mỗi cụm, ba mô hình học máy khác nhau là BRF,
SVM và MLP,
Bảng 4
Kết quả của thuật toán phân cụm K-means cho 13 trạm khí hậu từ Cục Khí tượng
(BOM). ID trạm có thể được tìm thấy trongban 2. Lượng mưa trung bình hàng năm
(AP) và nhiệt độ trung bình hàng năm (AT) cho mỗi cụm được đưa ra.
Các cụm dựa trên thuật toán K-means ID trạm BOM AP (mm) TẠI (°C)
Cụm 1 1, 2, 3, 4, 6, 7, 13 419 18,5
cụm 2 5, 8, 9, 10, 11, 12 638 17,5
Hệ thống nông nghiệp 173 (2019) 303–316
đã được phát triển để ước tính hạn hán nông nghiệp bằng cách sử dụng các yếu tố
hạn hán viễn thám và mô hình tốt nhất đã được xác định. Trong giai đoạn thứ hai,
các mạng lưới đất trồng trọt của NSW được chia thành hai cụm dựa trên dữ liệu
lượng mưa được cảm nhận từ xa và thuật toán K-means được phát triển trong giai
(2)
đoạn đầu tiên. Sau đó, các bản đồ hạn hán trên đất trồng trọt của NSW được tạo
bằng cách sử dụng mô hình tốt nhất cho từng cụm. Hiệu suất của các bản đồ hạn
hán dự đoán bằng mô hình được đánh giá thông qua thỏa thuận với các bản đồ
hạn hán SILO SPEI và năng suất lúa mì quan sát được. Các phần chính của các thủ
tục đề xuất được trình bày chi tiết dưới đây.
2.3.1. Chỉ số bốc hơi lượng mưa chuẩn hóa
Tất cả dữ liệu khí hậu từ các trang web BOM và SILO đã được sử
dụng để tính toán SPEI trên mặt đất. SPEI được phát triển bởiVicente-
Serrano et al. (2010)và đã thu hút sự chú ý rộng rãi trong phân tích hạn
hán. Tóm lại, SPEI mô tả hạn hán thông qua tiêu chuẩn hóa sự khác
biệt giữa lượng mưa và lượng bốc hơi tiềm năng (P-PET). Giá trị 0 biểu
thị điều kiện bình thường, trong khi giá trị âm và dương tương ứng
biểu thị điều kiện khô và ẩm ướt. Nói chung, các giá trị <−1 được coi là
điều kiện khô hạn. Ngoài ra, theo các mục tiêu cụ thể, SPEI có thể được
tính theo các khoảng thời gian khác nhau. SPEI quy mô thời gian từ 1
đến 6 tháng phù hợp với hạn hán khí tượng và nông nghiệp, trong khi
SPEI quy mô thời gian dài hơn phù hợp với hạn hán thủy văn. Trong
nghiên cứu hiện tại, thang đo thời gian 3 tháng SPEI đã được sử dụng
để phân tích các đặc điểm hạn hán theo mùa và nông nghiệp. Giám sát
hạn hán theo mùa có ý nghĩa quan trọng trong việc định hướng sản
xuất nông nghiệp ở vùng nghiên cứu.Thornthwaite, 1948) đã được sử
dụng khi tính toán PET.
2.3.2. lựa chọn tính năng
Bước đầu chúng tôi xây dựng 30 biến dự báo cho các mô hình theo
dõi hạn hán. Tuy nhiên, 30 biến tạo ra một tập dữ liệu lớn có thể dễ bị
tăng chi phí tính toán và các vấn đề khớp quá mức gây ra bởi các biến
tương quan và “lời nguyền của chiều” (Wang và cộng sự, 2018a). Phân
tích tương quan cho thấy có ý nghĩa
307
P. Feng, et al. Hệ thống nông nghiệp 173 (2019) 303–316

Hình 3.Các hệ số tương quan Pearson cho mối quan hệ giữa

thang thời gian 3 tháng SPEI và 30 biến dự đoán được sử dụng
trong nghiên cứu này. Ký hiệu “1” và “3” được thêm vào cuối tên
biến chỉ định phương tiện thang thời gian 1 tháng và 3 tháng.
Các phần tam giác phía dưới và phía trên của ma trận biểu thị
kết quả tương quan cho cụm 1 và cụm 2, tương ứng. Tương
quan tích cực được hiển thị bằng màu xanh lam và tương quan
tiêu cực có màu đỏ. Cường độ màu và kích thước của hình tròn
tỷ lệ thuận với các hệ số tương quan. (Để giải thích các tham
chiếu đến màu sắc trong chú thích hình này, người đọc được
tham khảo phiên bản web của bài viết này.)

Bảng 5 kích thước của dữ liệu cho mục đích hồi quy. Quy trình lựa chọn biến
Các biến dự đoán hạn hán do VSURF lựa chọn cho hai cụm dữ liệu ở New này dựa trên rừng ngẫu nhiên và bao gồm ba bước. Trong bước đầu
South Wales, Australia. Các định nghĩa biến dự đoán được đưa ra trong Bảng tiên, các biến không liên quan được loại bỏ khỏi tập dữ liệu. Trong bước
1. Ký hiệu “1” và “3” được thêm vào cuối tên biến chỉ định phương tiện thang thứ hai, tất cả các biến liên quan đến phản hồi được chọn cho mục đích
thời gian 1 tháng và 3 tháng. diễn giải. Ở bước thứ ba, các biến dư thừa trong tập hợp các biến được
cụm biến được chọn chọn ở bước thứ hai sẽ bị loại bỏ cho mục đích dự đoán. Mô tả chi tiết
về phương pháp VSURF có thể được tìm thấy trong Genuer et al. (2015).
Cụm 1 Trước_3, PET_1, PET_3, LSTd_1, LSTd_3,
Các bước này đã được thực hiện trước khi phát triển các mô hình giám
LSTm_3, NDVI_3, NMDI_3, NDWI6_1,
NDWI6_3, NDWI7_1, NDWI7_3, NDDI7_3
sát hạn hán thông qua gói “VSURF” trong phần mềm R.
cụm 2 Trước_3, PET_3, ET_1, LSTd_3,
NMDI_1, NDWI6_1, NDDI5_1,
NDDI7_1, NDDI7_3,
2.3.3. Rừng ngẫu nhiên hiệu chỉnh sai lệch
Rừng ngẫu nhiên (RF) là một thuật toán phổ biến cho mục đích hồi quy
mối quan hệ tồn tại giữa các yếu tố dự đoán ứng cử viên, đặc biệt là trong cụm 2 ( và phân loại (Breiman, 2001). Đây là một thuật toán dựa trên cây và sử dụng
Hình 3). Trong nghiên cứu này, chúng tôi áp dụng phương pháp VSURF (Genuer và các cây khử tương quan để giảm hiệu quả phương sai của các biến dự đoán.
cộng sự, 2015) để loại trừ các yếu tố dự đoán dư thừa. Phương pháp này được áp Trước tiên, thuật toán RF tạo ra nhiều cây độc lập bằng cách sử dụng các
dụng rộng rãi và có thể lựa chọn hiệu quả các biến tối ưu từ nhiều mẫu bootstrap. Trong thời gian chờ đợi, khoảng 33% toàn bộ mẫu được giữ
lại cho các lần xác nhận xuất xưởng tiếp theo. Đối với mỗi cây,

Hình 4.Boxplots của phép đo hiệu suất mô hình (hệ số

xác định (R2) và lỗi bình phương trung bình gốc (RMSE))
để dự đoán SPEI bằng cách sử dụng rừng ngẫu nhiên
hiệu chỉnh sai lệch (BRF), máy vectơ hỗ trợ (SVM) và mô
hình mạng trung tính perceptron nhiều lớp (MLP) cho
100 lần chạy mô hình. Kết quả thu được từ các bộ dữ
liệu xác thực độc lập được chọn ngẫu nhiên từ toàn bộ
bộ dữ liệu. Các đường màu đen trong mỗi hộp biểu thị
trung vị cho 100 lần chạy và dấu thập biểu thị phương
tiện. Ranh giới hộp biểu thị phần trăm thứ 25 và 75,
râu bên dưới và bên trên hộp biểu thị phần trăm thứ
10 và 90.

308
P. Feng, et al.
Hình 5.Thang thời gian 3 tháng dự đoán SPEI (2001–2017) được tính toán từ các quan sát trên mặt đất và từ rừng ngẫu nhiên hiệu chỉnh sai lệch (BRF), máy vectơ hỗ trợ
(SVM) và mô hình mạng trung tính perceptron nhiều lớp (MLP) tại hai trạm ở New South Wales, Úc.
Hình 6.Tầm quan trọng tương đối của các yếu tố hạn hán được cảm nhận từ xa
được xác định từ mô hình rừng ngẫu nhiên hiệu chỉnh sai lệch (BRF) cho mỗi cụm.
Có 13 và 9 biến dự báo hạn hán tương ứng trong cụm 1 và cụm 2. Các kết quả
được chuẩn hóa để tính tổng thành 100% cho mỗi cụm.
một tập hợp con ngẫu nhiên của các biến dự đoán được sử dụng để xác định
kết quả của nó. Trung bình của các kết quả từ tất cả các cây được xác định là
kết quả cuối cùng (Cutler và cộng sự, 2007). Bằng cách này, RF có thể giảm
phương sai, dẫn đến dự đoán chính xác hơn so với các thuật toán dựa trên
cây thông thường (Hastie và cộng sự, 2009).
Dự đoán của RF về cơ bản là kết quả trung bình của tất cả các cây, đây là một
tính năng tốt để tránh tạo ra các giá trị dự đoán không hợp lý. Tuy nhiên, nó có thể
dẫn đến sai lệch trong việc xử lý các quan sát rất lớn hoặc rất nhỏ (Bài hát, 2015).
Các dự đoán có xu hướng được đánh giá quá cao khi các quan sát nhỏ, trong khi
các dự đoán có xu hướng bị đánh giá thấp khi các quan sát lớn. Do đó, sai lệch
không phải là không đáng kể và việc hiệu chỉnh sai lệch là cần thiết. Trong nghiên
cứu này, chúng tôi áp dụng một phương pháp được phát triển bởiZhang và Lu
(2012)để ước tính và hiệu chỉnh sai lệch
309
Hệ thống nông nghiệp 173 (2019) 303–316
trong RF cho hồi quy. Đây là một phương pháp đơn giản và hiệu quả và hiệu
suất với dữ liệu thực là tốt (Zhang và Lu, 2012). Quy trình chi tiết của phương
pháp hiệu chỉnh sai lệch này được tóm tắt dưới đây.
(1) Khớp mô hình RF với tập dữ liệu huấn luyện,Ytàu hỏa =RF(Xtàu hỏa), ở
đâu Xtàu hỏavàYtàu hỏađại diện cho các biến độc lập và phụ thuộc từ
tập dữ liệu huấn luyện.
(2) Tính toán các giá trị dự đoán và phần dư,tàu hỏa= Ytàu hỏa Ytàu
hỏa, ở đâurtàu hỏađại diện cho phần dư vàtàu hỏađại diện cho các giá trị dự
đoán.
(3) Khớp mô hình RF với phần dư là biến phụ thuộc và tập dữ liệu huấn
luyện là biến độc lập,
rtàu hỏa = RFđộ phân giải(Xtàu hỏa,Ytàu hỏa).
(4) Tính các giá trị dự đoán (Ykiểm tra) với tập dữ liệu thử nghiệm sử dụng mô
hình RF từ bước 1.
(5) Tính toán phần dư ước tính bằng RFđộ phân giảimô hình với các giá trị
dự đoán từ bước 4 và các biến độc lập trong thử nghiệm
tập dữ liệu,rkiểm tra = RFđộ phân giải(Xkiểm tra,Ykiểm tra).
(6) Thêm phần dư ước tính vào các giá trị dự đoán để hiệu chỉnh sai lệch,
YThiên kiến-điều chỉnh =Ykiểm tra +rkiểm tra.
2.3.4. Máy véc tơ hỗ trợ
Máy vectơ hỗ trợ (SVM) là một mô hình máy học phổ biến khác với các
thuật toán học liên quan cho mục đích phân loại và hồi quy (Cortes và
Vapnik, 1995). Nguyên tắc của SVM là tìm một siêu phẳng hoặc nhiều siêu
phẳng để chia một không gian nhiều chiều thành nhiều lớp khác nhau. Sau
đó, các ví dụ mới có thể được đặt vào cùng một không gian và được gán
thuộc về lớp này hay lớp khác tùy theo chúng nằm ở phía nào của khoảng
trống. SVM có khả năng học tốt hơn và thường yêu cầu ít tìm kiếm lưới hơn
để có được một mô hình chính xác hợp lý. Hơn nữa, các SVM có xu hướng
chống lại việc điều chỉnh quá mức do sử dụng quy chuẩn hóa, nhằm mục
đích chọn một mô hình điều chỉnh sai số thấp nhưng đơn giản hơn. Với khả
năng phân loại và hồi quy mạnh mẽ của nó
P. Feng, et al. Hệ thống nông nghiệp 173 (2019) 303–316

Hình 7.So sánh các bản đồ hạn hán SPEI do SILO quan sát và BRF dự đoán cho bốn mùa năm 2001. Các giá trị tương quan không gian (tương quan Pearson) giữa các dự
đoán từ hai phương pháp được chú thích trong bốn biểu đồ trên cùng. Bốn biểu đồ dưới cùng cho thấy xác suất (hàm phân phối tích lũy) của các giá trị SPEI được SILO
quan sát và dự đoán bởi BRF trên vành đai lúa mì New South Wales.

lượng, SVM đã được sử dụng rộng rãi trong phân loại ảnh và nhận dạng chữ bộ dữ liệu, tương ứng. Bộ dữ liệu được lấy mẫu ngẫu nhiên và chia
viết tay cũng như trong lĩnh vực viễn thám (Melgani và Bruzzone, 2004; thành bộ dữ liệu hiệu chuẩn và xác thực. Quy trình này được thực hiện
Mountrakis và cộng sự, 2011). Trong nghiên cứu này, chúng tôi đã triển khai 100 lần để đánh giá độ ổn định của từng mô hình.
mô hình SVM thông qua gói “e1071” được mã hóa trong phần mềm R. Có Hệ số xác định (R2) và lỗi bình phương trung bình gốc (RMSE) đã
bốn tùy chọn phổ biến của các chức năng hạt nhân trong SVM. Chúng tôi đã được sử dụng để đánh giá hiệu suất của mô hình:
chọn hạt nhân Hàm cơ sở xuyên tâm vì nó được thiết kế để giải quyết các 2
N
vấn đề phi tuyến tính. (Ôtôi Ô)(Ptôi P)
r2= N
tôi =1

N
tôi =1
(Ôtôi Ô)2 tôi =1
(Ptôi P)2 (3)
2.3.5. Mạng trung tính perceptron nhiều lớp
Một perceptron đa lớp (MLP) là một loại mạng thần kinh nhân tạo N
(Ôtôi Ptôi
)2
feedforward trong đó các kết nối giữa các nút không tạo thành một chu kỳ ( RMSE = tôi =1

Zell và cộng sự, 1994). Nói chung, có ba lớp nút trong MLP, cụ thể là lớp đầu
vào, lớp ẩn và lớp đầu ra. Cả hai nút cuối cùng đều là nơ-ron sử dụng chức
năng kích hoạt phi tuyến tính. Trong khi đó, một phương pháp học có giám
sát, cụ thể là lan truyền ngược, được sử dụng để huấn luyện MLP. Những
đặc điểm này phân biệt MLP với một perceptron tuyến tính và cho phép nó
phân biệt dữ liệu không thể phân tách tuyến tính (Cybenko, 1989).Alizadeh
Và Nikoo (2018)đã sử dụng năm mô hình trí tuệ nhân tạo riêng lẻ để ước
tính chỉ số hạn hán trên mặt đất (SPI) bằng cách sử dụng các yếu tố viễn
thám và thấy rằng MLP có hiệu suất tốt nhất. Do đó, MLP cũng được sử dụng
trong nghiên cứu của chúng tôi để kiểm tra hiệu suất của nó ở Úc. Chúng tôi
đã triển khai mô hình MLP thông qua gói “monmlp” được mã hóa trong
phần mềm R.
N (4)
ở đâuNlà số mẫuÔtôivàPtôibiểu thị các giá trị được quan sát và dự đoán,
vàPđại diện cho giá trị trung bình của các giá trị được quan sát và dự
đoán. Nói chung, mô hình có R cao hơn2và thấp hơnRMSEđược coi là
mô hình chính xác hơn. Ngoài ra, chúng tôi cũng đã tiến hành xác thực
chéo “rời khỏi một trạm” cho từng cụm Trạm BOM để xác định hiệu
suất của từng mô hình trong ước tính chuỗi thời gian liên tục về điều
kiện hạn hán.
3. Kết quả
3.1. Đánh giá hiệu suất mô hình

2.3.6. Đánh giá hiệu suất mô hình
Để cải thiện hiệu suất của các mô hình học máy được đề xuất, phân
tích thử và sai đã được áp dụng để xác định giá trị của các tham số ảnh
hưởng của mô hình. Sau đó, ba mô hình học máy đã được hiệu chỉnh và
xác thực bằng cách sử dụng 80% và 20%
Phương pháp lựa chọn tính năng VSURF đã được sử dụng trước khi
phát triển các mô hình dự báo hạn hán. Phương pháp này đã sử dụng
các giá trị SPEI trên mặt đất làm biến mục tiêu và tất cả các biến phụ trợ
làm đầu vào và dẫn đến 13 biến dự báo hạn hán cho cụm 1 và 9 biến dự
báo cho cụm 2 (Bảng 5, ký hiệu “1” và “3” được thêm vào cuối

310
P. Feng, et al.
Hình 8.So sánh các bản đồ hạn hán SPEI do SILO quan sát và BRF dự đoán cho bốn mùa năm 2002. Các giá trị tương quan không gian (tương quan Pearson) giữa các dự
đoán từ hai phương pháp được chú thích trong bốn ô trên cùng. Bốn biểu đồ dưới cùng cho thấy xác suất (hàm phân phối tích lũy) của các giá trị SPEI được SILO quan sát
và dự đoán bởi BRF trên vành đai lúa mì New South Wales.
tên biến chỉ định thang thời gian 1 tháng và 3 tháng).
Chúng tôi đã sử dụng các bộ dự đoán đã chọn cho từng cụm để
huấn luyện các mô hình BRF, SVM và MLP cho từng cụm riêng biệt. Các
tiêu chí đánh giá hiệu quả công việc (R2và RMSE) của ba mô hình cho
100 lần chạy được hiển thị trongHình 4. Nhìn chung, mô hình BRF hoạt
động tốt hơn so với hai mô hình khác dựa trên hai phép đo xác thực,
bất kể cụm nào. Mô hình BRF đã giải thích khoảng 90% biến thể SPEI
với sai số dự đoán nhỏ hơn (RMSE<0,28) cho hai cụm. Các mô hình SVM
và MLP có hiệu suất tương tự, nhưng mô hình SVM tốt hơn một chút.
Ngoài ra, cả ba mô hình đều hoạt động tốt hơn ở cụm 2 (các trạm ẩm
ướt hơn và lạnh hơn), so với các trạm cụm 1 khô hơn và ấm hơn.
Sau đó, chúng tôi đã tiến hành xác thực chéo "rời khỏi một trạm"
cho từng cụm để xác định hiệu suất của từng mô hình trong ước tính
chuỗi thời gian liên tục của SPEI. Chúng tôi đã chọn kết quả của hai
trạm thời tiết để hiển thị trong văn bản chính (Hình 5) và kết quả cho
các trạm khác có thể được tìm thấy trong tài liệu bổ sung (Hình S1).
Hình 5hiển thị chuỗi thời gian của thang thời gian 3 tháng được quan
sát và dự đoán SPEI từ 2001 đến 2017 cho trạm 4 (cụm 1) và trạm 5
(cụm 2). Tương tự như kết quả trên, cả ba mô hình đều có kết quả tốt
hơn ở trạm 5 cả về hình thái và cường độ hạn hán. Tuy nhiên, cả ba mô
hình đều có hiệu suất tương đối kém hơn ở trạm 4 (trạm tương đối ấm
hơn và khô hơn). Tuy nhiên, mô hình BRF vẫn hoạt động tốt hơn so với
hai mô hình còn lại (tức là, sự thống nhất tốt hơn giữa ước tính và quan
sát).
3.2. Tầm quan trọng tương đối của các yếu tố hạn hán được cảm nhận từ xa được lựa chọn
Mô hình BRF có thể tạo ra thước đo tầm quan trọng thay đổi
311
Hệ thống nông nghiệp 173 (2019) 303–316
dựa trên ảnh hưởng tương đối của từng yếu tố dự đoán (Đã và cộng sự,
2015). Chúng tôi đã thu được xếp hạng tầm quan trọng của các yếu tố hạn
hán được cảm nhận từ xa dựa trên việc chạy mô hình BRF bằng cách sử
dụng tất cả dữ liệu cho mỗi cụm (Hình 6). Nói chung, Pre_3 được xếp hạng
quan trọng nhất trong cả hai cụm, lần lượt chiếm 56% và 60% tầm quan
trọng tương đối tổng thể đối với cụm 1 và cụm 2. Tầm quan trọng của các
yếu tố dự đoán khác đều gần hoặc thấp hơn 10%. Trong cụm 1, bốn yếu tố
dự đoán hàng đầu đều là các yếu tố khí tượng, trong khi các yếu tố thực vật
đều được xếp hạng tương đối thấp. Tuy nhiên, ở cụm 2, các chỉ số thực vật
có tác động nhiều hơn đến độ chính xác của mô hình, với NDWI6_1 và
NDDI5_1 xếp thứ 2 và thứ 3. Với thực tế là các trạm cụm 2 ẩm ướt và lạnh
hơn các trạm cụm 1, các chỉ số thực vật có xu hướng tương đối quan trọng
hơn để theo dõi hạn hán trong môi trường ẩm ướt.
3.3. So sánh với bản đồ hạn hán SILO
Theo kết quả trên, mô hình BRF được lựa chọn là mô hình tối ưu cho việc giám
sát hạn hán tại khu vực nghiên cứu. Do đó, chúng tôi đã lập bản đồ phân bố không
gian của các điều kiện khô hạn theo mùa (mùa xuân: tháng 9-tháng 11, mùa hè:
tháng 12-tháng 2, mùa thu: tháng 3-tháng 5, mùa đông: tháng 6-tháng 8) trên
vành đai lúa mì NSW từ năm 2001 đến năm 2017. Những bản đồ này có giá trị SPEI
theo thang thời gian 3 tháng được dự đoán và có thể được sử dụng trực tiếp để
đánh giá các điều kiện hạn hán trong nông nghiệp. Bộ dữ liệu SILO là bộ dữ liệu
khí hậu dựa trên trạm được sử dụng rộng rãi để đánh giá các điều kiện hạn hán ở
Úc. Chúng tôi muốn xem liệu các bản đồ hạn hán SPEI lấy từ mô hình BRF của
chúng tôi có phù hợp với các bản đồ hạn hán của SILO hay không. Như vậy, chúng
tôi cũng đã sử dụng bộ dữ liệu SILO để tính SPEI và nội suy các giá trị được tính từ
2242 trạm đến vành đai lúa mì NSW bằng phương pháp trọng số khoảng cách
nghịch đảo. Sau đó, SILO SPEI
P. Feng, et al.
Hình 9.So sánh các bản đồ hạn hán SPEI do SILO quan sát và BRF dự đoán cho bốn mùa năm 2010. Các giá trị tương quan không gian (tương quan Pearson) giữa các dự
đoán từ hai phương pháp được chú thích trong bốn biểu đồ trên cùng. Bốn biểu đồ dưới cùng cho thấy xác suất (hàm phân phối tích lũy) của các giá trị SPEI được SILO
quan sát và dự đoán bởi BRF trên vành đai lúa mì New South Wales.
bản đồ đã được cắt bớt bởi ranh giới của lưới đất trồng trọt để phù hợp với bản đồ hạn
hán dự đoán của BRF. Chúng tôi đã chọn một năm bình thường (2001), một năm khô hạn
(2002) và một năm ẩm ướt (2010) để hiển thị các kết quả điển hình trong văn bản chính (
quả sung. 7-9) và kết quả cho các năm khác của nghiên cứu có thể được tìm thấy trong
Hình S2 trong tài liệu bổ sung.
Nói chung, các bản đồ hạn hán SPEI bắt nguồn từ mô hình BRF của
chúng tôi nhất quán với các bản đồ hạn hán do SILO quan sát được
trong những năm bình thường, khô ráo và ẩm ướt. Mô hình BRF đã xác
định thành công các mùa hạn hán và các vùng bị hạn hán. Sau đó,
chúng tôi đã sử dụng hai phép đo, tức là tương quan không gian và
hàm phân phối tích lũy (CDF), để so sánh hai loại bản đồ hạn hán. Kết
quả tương quan không gian nằm trong khoảng từ 0,45 đến 0,92 với
mức trung bình là 0,71, nghĩa là ước tính hạn hán có độ phân giải 500m
từ hai loại bản đồ hạn hán có mối tương quan cao. Trong khi đó, kết
quả CDF cũng cho thấy sự phù hợp tốt giữa hai bản đồ hạn hán theo
từng mùa 2001, 2002 và 2010. Ví dụ, trong năm khô hạn (2002,Hình 8),
các đường CDF từ hai bản đồ gần như chồng lên nhau trong bốn mùa.
3.4. Giám sát hạn hán nông nghiệp
Năng suất cây trồng là đại lượng đo lường quan trọng phản ánh hạn hán
nông nghiệp. Sản lượng lúa mì được trồng trong điều kiện trời mưa ở vành
đai lúa mì NSW có khả năng tương quan cao với điều kiện hạn hán. Chúng
tôi đã so sánh các dự đoán SPEI theo mùa từ hai loại ước tính hạn hán (BRF
và SILO) với sản lượng lúa mì đo được ở 39 vùng SA2 từ năm 2001 đến 2014 (
Hình 10). Nói chung, ước tính hạn hán từ bộ dữ liệu SILO và mô hình BRF là
tương tự nhau cho mỗi năm và mỗi mùa. Các điều kiện hạn hán trong vành
đai lúa mì có tính biến động cao giữa các năm với sự khác biệt rõ ràng giữa
các năm ẩm ướt và khô hạn. Lúa mì
312
Hệ thống nông nghiệp 173 (2019) 303–316
sản lượng cũng thay đổi rất nhiều từ năm này sang năm khác. Vì mùa
đông và mùa xuân là mùa trồng lúa mì chính trong mùa đông nên có
sự tương ứng rõ ràng và trực tiếp giữa sản lượng lúa mì và điều kiện
hạn hán trong hai mùa này. Ví dụ, năng suất lúa mì thấp vào năm 2002
khi hạn hán vào mùa xuân và mùa đông xảy ra nhưng lại cao vào năm
2005 khi mùa xuân và mùa đông ẩm ướt. Ba năm gần đây 2012, 2013,
2014, hạn hán xuân và đông nhưng vẫn đạt năng suất từ trung bình
đến cao, có thể do cải tiến kỹ thuật canh tác.
Chúng tôi đã tính toán mối tương quan Pearson giữa sản lượng lúa mì và
giá trị SPEI từ hai loại ước tính hạn hán theo mùa để so sánh hiệu suất của
chúng trong việc phản ánh năng suất lúa mì (Hình 11). Phương pháp sai
phân bậc nhất được áp dụng để loại bỏ các tác động gây nhiễu có thể có của
các yếu tố phi khí hậu trước khi tính toán. Kết quả cho thấy năng suất lúa mì
có mối tương quan cao nhất với điều kiện hạn hán mùa xuân (r=0,81). Chúng
tôi cũng quan sát thấy rằng các giá trị SPEI do BRF dự đoán có tương quan
tốt hơn một chút với sản lượng lúa mì so với các giá trị SPEI được tạo từ bộ
dữ liệu SILO trong cả bốn mùa.
4. Thảo luận
Một số nghiên cứu trước đây cho rằng các mô hình dựa trên dữ liệu có
thể rất hiệu quả trong giám sát hạn hán (Alizadeh và Nikoo, 2018; Park và
cộng sự, 2016;Park và cộng sự, 2017). Nghiên cứu của chúng tôi cũng đưa ra
các ước tính hạn hán thỏa đáng bằng cách sử dụng các mô hình học máy
dựa trên các yếu tố hạn hán được cảm nhận từ xa. Đặc biệt, mô hình BRF
vượt trội so với mô hình SVM và MLP trong việc tái tạo chỉ số hạn hán SPEI
trên mặt đất, được định lượng bằng R lớn hơn.2và các lỗi dự đoán nhỏ hơn.
Kết quả này không phù hợp với báo cáo củaAlizadeh Và Nikoo (2018)người
đã chứng minh rằng MLP đã cải thiện ước tính SPI trong
P. Feng, et al.
Hình 10.Giá trị SPEI theo mùa và sản lượng lúa mì cho 39 vùng SA2 từ năm 2001 đến năm 2014. Ước tính hạn hán từ cả bộ dữ liệu SILO và mô hình BRF được đưa ra trong
hình. Giá trị SPEI cấp khu vực là giá trị trung bình của lưới đất trồng trọt ở mỗi khu vực.
Iran so với bốn mô hình máy học khác. Điều này có thể là do sự khác biệt về
khu vực nghiên cứu, nguồn dữ liệu và cách thiết lập đầu vào và đầu ra của
mô hình. Các kết quả ước tính vượt trội thu được từ mô hình BRF trong
nghiên cứu của chúng tôi có thể là do giảm tính nhạy cảm đối với khả năng
điều chỉnh quá mức và khả năng vượt trội trong việc xử lý các mối quan hệ
phân cấp và phi tuyến tính có thể tồn tại giữa chỉ số hạn hán trên mặt đất và
hạn hán được cảm nhận từ xa. các nhân tố. Hơn nữa, phương pháp hiệu
chỉnh sai lệch (Zhang và Lu, 2012) được sử dụng trong nghiên cứu hiện tại
cũng giúp cải thiện hiệu suất của mô hình RF ban đầu. Mô hình RF ban đầu
thường hoạt động kém trong việc tái tạo các quan sát cực trị, với các giá trị
lớn được đánh giá thấp và các giá trị nhỏ được đánh giá quá cao (Breiman,
2001). Điều này có thể dẫn đến sai lệch trong giám sát hạn hán vì hạn hán
thường được định nghĩa là điều kiện khô hạn bất thường so với điều kiện
bình thường. Phương pháp hiệu chỉnh sai lệch được sử dụng trong nghiên
cứu của chúng tôi đã làm giảm đáng kể sai lệch dự đoán với RMSE nhỏ hơn
so với kết quả củaCông viên và cộng sự. (2016). Như vậy, các
313
Hệ thống nông nghiệp 173 (2019) 303–316
sự kết hợp giữa RF và các phương pháp hiệu chỉnh sai lệch được nêu trong nghiên cứu của chúng
tôi là một phương pháp đầy hứa hẹn để theo dõi hạn hán và có thể được mở rộng sang các vùng
trồng trọt khác để có được những hiểu biết mới nhằm hướng dẫn các hoạt động nông nghiệp.
Kết quả xác thực (Hình 4) cho thấy rằng cả ba phương pháp học máy đều
hoạt động tốt hơn đối với cụm 2 so với cụm 1 trong việc đánh giá các điều
kiện hạn hán (tức là SPEI). Nói chung, các trạm cụm 1 đại diện cho môi
trường tương đối khô cằn, trong khi các trạm cụm 2 đại diện cho môi trường
ẩm ướt hơn. Do đó, các mô hình máy học có xu hướng hoạt động tốt hơn
trong môi trường ẩm ướt trong nghiên cứu của chúng tôi. Tuy nhiên,Công
viên và cộng sự. (2016)thu được một kết quả ngược lại cho thấy rằng các mô
hình máy học hoạt động tốt hơn ở khu vực khô hạn so với khu vực ẩm ướt ở
Hoa Kỳ. Trong nghiên cứu của họ, lượng mưa trung bình hàng năm của
vùng khô hạn là 323mm, trong khi lượng mưa hàng năm của vùng ẩm ướt là
1105mm. Trong nghiên cứu của chúng tôi, hai giá trị này là 419mm và
638mm (Bảng 4), tương ứng.
P. Feng, et al.
Hình 11.So sánh năng suất lúa mì giảm theo xu hướng và giá trị SPEI giảm theo mùa (từ cả BRF và SILO) cho 39 khu vực SA2 từ năm 2001 đến năm 2014. Độ dốc hồi quy
tuyến tính và hệ số tương quan của Pearson được đưa ra trong hình.
Tuy nhiên, hiệu suất của mô hình không chỉ đơn giản dựa trên các điều kiện
lượng mưa. Trong nghiên cứu của chúng tôi, chúng tôi cũng nhận thấy rằng
các giá trị SPEI có hệ số tương quan cao hơn với các chỉ số thực vật ở cụm 2
so với cụm 1 (Hình 3). Hơn nữa, các chỉ số thực vật có mức độ quan trọng cao
hơn trong cụm 2 so với cụm 1 (Hình 6). Nói cách khác, điều kiện thực vật ở
cụm 2 nhạy cảm hơn với hạn hán kéo dài 3 tháng. Kết quả được báo cáo bởi
Công viên và cộng sự. (2016)có thể so sánh với của chúng tôi và họ đã chứng
minh rằng các chỉ số thực vật có thứ hạng quan trọng cao hơn trong khu vực
nơi các mô hình học máy hoạt động tốt hơn. Nói chung, có một mối quan hệ
trễ thời gian giữa hạn hán và phản ứng của thực vật (Gessner và cộng sự,
2013;Piao et al., 2003). Phản ứng chậm trễ của thảm thực vật đối với hạn hán
chủ yếu phụ thuộc vào đặc điểm của khu vực (Gessner và cộng sự, 2013). Rất
có khả năng thảm thực vật ở cụm 2 và ở khu vực nghiên cứu khô hạn của
Công viên và cộng sự. (2016)phản ứng với tình trạng thiếu nước và thích
nghi với nguồn nước hạn chế nhanh hơn trong các đợt hạn hán ngắn hạn (ví
dụ: 3 tháng). Do đó, giám sát hạn hán được cảm nhận từ xa dựa trên máy
học phù hợp hơn với môi trường bán khô hạn và nhạy cảm với thảm thực
vật.
Vì mục đích chính của nghiên cứu này là ước tính SPEI quy mô 3
tháng bằng cách sử dụng các mô hình máy học và dữ liệu cảm biến từ
xa, nên một phép so sánh được thực hiện giữa SPEI trên mặt đất và các
ước tính thu được từ các mô hình máy học. Có sự thống nhất tốt giữa
các ước tính SPEI của cả hai phương pháp về cả kiểu mẫu và cường độ (
quả sung. 7-9). Do đó, các mô hình hợp nhất dựa trên học máy đã cải
thiện độ chính xác của các ước tính hạn hán được cảm nhận từ xa.
Trương và cộng sự. (2017)so sánh ba chỉ số hạn hán trên mặt đất khác
nhau và sáu yếu tố hạn hán viễn thám khác nhau để chứng minh
314
Hệ thống nông nghiệp 173 (2019) 303–316
rằng các yếu tố hạn hán được cảm nhận từ xa và các chỉ số hạn hán trên mặt đất
thường không đồng nhất về mặt không gian, nhưng ngay cả một phương pháp
kết hợp đơn giản cũng có thể cải thiện mối tương quan với các chỉ số trên mặt đất.
Do đó, việc kết hợp các yếu tố hạn hán được cảm nhận từ xa khác nhau là cần thiết
trong việc theo dõi hạn hán để giải thích đầy đủ tính phức tạp và đa dạng của các
sự kiện hạn hán (Mizzell, 2008;Wardlow và cộng sự, 2012). Trong nghiên cứu này,
chúng tôi đã dự đoán chính xác chỉ số hạn hán trên mặt đất, SPEI, cho các khu vực
không được đo lường dựa trên các yếu tố hạn hán được cảm nhận từ xa và mô
hình BRF. Phương pháp này có thể được coi là một sản phẩm giám sát hạn hán có
thể mở rộng ra nhiều khu vực khác. Sản phẩm này có một số lợi thế. Đầu tiên, các
yếu tố hạn hán được sử dụng trong nghiên cứu hiện tại dựa trên dữ liệu viễn thám
toàn cầu (ví dụ: TRMM và MODIS) bao phủ từ 50°S đến 50°N, vì vậy phương pháp
đề xuất có thể được áp dụng cho bất kỳ khu vực có thảm thực vật nào trên thế
giới. Thứ hai, sản phẩm này có thể tạo ra kết quả tương đương với cơ sở dữ liệu
trên mặt đất. Thứ ba, sản phẩm này miễn phí vì dữ liệu được cảm nhận từ xa có
thể dễ dàng truy cập qua internet.
Giám sát hạn hán được đề xuất trong nghiên cứu này cũng rất hữu ích cho
việc hướng dẫn thực hành nông nghiệp. Ở các vùng đất trồng trọt nhờ nước trời
trên khắp thế giới, hạn hán được coi là mối đe dọa chính gây ra thiệt hại về năng
suất. Các hệ thống cảnh báo hạn hán kịp thời có thể giúp nông dân phát triển các
chiến lược tối ưu để cuối cùng giảm thiệt hại do hạn hán. Trong nghiên cứu của
chúng tôi, các hệ số tương quan cao đã được tìm thấy giữa sản lượng lúa mì quan
sát được và SPEI theo mùa dự đoán theo mô hình (mùa xuân, 0,81; mùa đông,
0,61; và mùa hè, 0,47). Do đó, SPEI hợp nhất, được cảm biến từ xa có thể là một
công cụ tốt để dự đoán năng suất lúa mì dựa trên SPEI ước tính, cuối cùng cung
cấp thông tin vô giá cho ước tính giá ngũ cốc. Ngoài ra, các biện pháp ứng phó với
hạn hán thích hợp có thể được thực hiện trong
P. Feng, et al.
nâng cao. Ví dụ: nếu SPEI_Summer đạt đến mức thấp, một giống lúa mì chịu hạn
có thể được áp dụng trong vành đai lúa mì của tiểu bang NSW để giảm thiểu thiệt
hại về năng suất hoặc có thể khuyến nghị một mùa bỏ hoang để hạn chế chi phí
sản xuất trong một năm mà năng suất được dự đoán là rất thấp do hạn hán
nghiêm trọng.
5. Kết Luận
Nghiên cứu này đã kiểm tra ba phương pháp học máy tiên tiến (cụ thể là
BRF, SVM và MLP) để ước tính chỉ số hạn hán nông nghiệp (SPEI thang thời
gian 3 tháng) bằng cách sử dụng các yếu tố hạn hán được cảm nhận từ xa
khác nhau từ các cảm biến vệ tinh MODIS và TRMM cho vành đai lúa mì
NSWheat ở phía nam- miền đông Australia. Bộ dữ liệu khí hậu dựa trên trạm
(SILO) và dữ liệu năng suất cây trồng được sử dụng làm dữ liệu tham khảo
để đánh giá hiệu suất của SPEI dự đoán theo mô hình trong việc phản ánh
hạn hán nông nghiệp. Kết quả chỉ ra rằng mô hình RF hiệu chỉnh sai lệch là
công cụ hứa hẹn nhất để theo dõi hạn hán nông nghiệp. Mô hình RF được
điều chỉnh sai lệch đã tạo thành công các bản đồ SPEI nông nghiệp phù hợp
với các bản đồ hạn hán của SEI được lấy từ bộ dữ liệu dựa trên trạm. Kết quả
cho thấy rằng giám sát hạn hán được cảm nhận từ xa dựa trên máy học phù
hợp hơn với môi trường bán khô hạn và nhạy cảm với thảm thực vật. Tuy
nhiên, mô hình BRF vẫn có thể mang lại kết quả khả quan trong các loại môi
trường khác. Do đó, phương pháp được đề xuất trong nghiên cứu này có thể
được mở rộng cho bất kỳ khu vực thực vật nào có sẵn dữ liệu viễn thám,
ngay cả ở những khu vực có sẵn dữ liệu tại chỗ hạn chế, để cung cấp thông
tin không gian chi tiết về mức độ hạn hán và mức độ nghiêm trọng.
Chúng tôi thừa nhận rằng độ phân giải không gian 500m được sử dụng trong
nghiên cứu hiện tại là hơi thô. Ước tính hạn hán có thể được cải thiện bằng cách
sử dụng dữ liệu cảm biến từ xa có độ phân giải không gian tốt hơn (ví dụ: 30m).
Hơn nữa, mô hình BRF vẫn còn một số hạn chế trong việc dự đoán các điều kiện
hạn hán khắc nghiệt. Nghiên cứu trong tương lai nên được tiến hành bằng cách sử
dụng các mô hình tổng hợp tiên tiến hơn và nhiều yếu tố liên quan đến hạn hán
hơn từ các nguồn dữ liệu chi tiết hơn để đạt được hiệu quả cải thiện trong ước tính
hạn hán.
Sự nhìn nhận
Nghiên cứu này được hỗ trợ chung bởi Hội đồng Học bổng Trung
Quốc (CSC), Chương trình Đối tác Quốc tế của Viện Hàn lâm Khoa học
Trung Quốc (161461KYSB20170013) và Chương trình “Ánh sáng của Tây
Trung Quốc” của Viện Khoa học Trung Quốc. Cơ sở vật chất để thực
hiện nghiên cứu này được cung cấp bởi Bộ Công nghiệp Cơ bản New
South Wales và Đại học Công nghệ Sydney. Cảm ơn Tiến sĩ Mingxi
Zhang của Đại học Công nghệ Sydney đã giúp tải xuống dữ liệu viễn
thám.
Phụ lục A. Dữ liệu bổ sung
Dữ liệu bổ sung cho bài viết này có thể được tìm thấy trực tuyến tại
https:// doi.org/10.1016/j.agsy.2019.03.015.
Người giới thiệu
Alizadeh, MR, Nikoo, MR, 2018. Một phương pháp dựa trên sự hợp nhất cho khí tượng
ước tính hạn hán bằng cách sử dụng dữ liệu viễn thám. Viễn thám.Môi trường. 211, 229–247.
Bayarjargal, Y., Karnieli, A., Bayasgalan, M., Khudulmur, S., Gandush, C., Tucker, CJ,
2006. Một nghiên cứu so sánh về các chỉ số hạn hán bắt nguồn từ NOAA–AVHRR sử dụng
phân tích vectơ thay đổi. Viễn thám.Môi trường. 105 (1), 9–22.
Belayneh, A., Adamowski, J., Khalil, B., Ozga-Zielinski, B., 2014. Hạn hán SPI dài hạn
dự báo trong Lưu vực sông Awash ở Ethiopia bằng cách sử dụng mạng nơ ron wavelet và
mô hình hồi quy véc tơ hỗ trợ wavelet. J. Hydrol. 508, 418–429. Breiman, L., 2001. Rừng ngẫu
nhiên. máy móc. Học hỏi. 45, 5–32.
Cortes, C., Vapnik, V., 1995. Mạng vectơ hỗ trợ. máy móc. Học hỏi. 20 (3), 273–297. Cutler,
DR, Edwards, TC, Beard, KH, Cutler, A., Hess, KT, 2007. Rừng ngẫu nhiên cho
phân loại trong sinh thái học. Sinh thái học 88 (11), 2783–2792.
Cybenko, G., 1989. Xấp xỉ bằng cách chồng hàm của một hàm sigmoidal. Môn Toán.
Hệ thống tín hiệu điều khiển 2 (4), 303–314.
Dai, A., 2011. Erratum: hạn hán dưới sự nóng lên toàn cầu: đánh giá. Wiley Interdis. Mục sư
315
Hệ thống nông nghiệp 173 (2019) 303–316
Biến đổi khí hậu 2 (1), 45–65.
Feng, P., Liu, DL, Wang, B., Waters, C., Zhang, M., Yu, Q., 2019. Những thay đổi dự kiến trong
hạn hán trên vành đai lúa mì ở đông nam Australia bằng cách sử dụng một quần thể khí hậu
hạ cấp. quốc tế J. Khí hậu. 39 (2), 1041–1053.
Gao, BC, 1996. NDWI—Chỉ số nước chênh lệch được chuẩn hóa cho viễn thám
lấy nước lỏng từ không gian. Viễn thám.Môi trường. 58 (3), 257–266.
Gao, X., Zhao, Q., Zhao, X., Wu, P., Pan, W., Gao, X., Sun, M., 2017. Thời gian và không gian
sự phát triển của chỉ số thoát hơi nước từ lượng mưa được tiêu chuẩn hóa (SPEI) ở Cao nguyên Hoàng thổ dưới
tác động của biến đổi khí hậu từ năm 2001 đến năm 2050. Sci. Tổng số Môi trường. 595, 191–200.
Genuer, R., Poggi, JM, Tuleau-Malot, C., 2015. VSURF: gói R cho biến se-
phần sử dụng rừng ngẫu nhiên. R J. 7 (2), 19–33.
Gessner, U., Naeimi, V., Klein, I., Kuenzer, C., Klein, D., Dech, S., 2013. Mối quan hệ
giữa sự bất thường của lượng mưa và hoạt động thực vật có nguồn gốc từ vệ tinh ở Trung Á. quả địa
cầu. Hành tinh. Chang. 110, 74–87.
Gu, Y., Brown, JF, Verdin, JP, Wardlow, B., 2007. Phân tích 5 năm về MODIS NDVI
và NDWI để đánh giá hạn hán đồng cỏ trên Great Plains trung tâm của Hoa Kỳ.
địa vật lý. độ phân giải Hãy để. 34 (6).
Guzmán, SM, Paz, JO, Tagert, MLM, Mercer, AE, Pote, JW, 2018. Tích hợp
SVR và mô hình cây trồng để ước tính tác động của việc tưới tiêu đối với mực nước ngầm hàng ngày. nông
nghiệp. hệ thống. 159, 248–259.
Hartigan, JA, Wong, MA, 1979. Thuật toán AS 136: thuật toán phân cụm k-mean.
Tạp chí của Hiệp hội Thống kê Hoàng gia. Series C (Thống kê ứng dụng) 28 (1), 100–108.
Hastie, T., Tibshirani, R., Friedman, J., 2009. The Elements of Statistical Learning New
York. Mùa xuân, New York.
Hazaymeh, K., Hassan, QK, 2016. Viễn thám Giám sát Hạn hán Nông nghiệp: A
Nhà nước của nghệ thuật đánh giá.
He, B., Wu, J., Lü, A., Cui, X., Zhou, L., Liu, M., Zhao, L., 2013. Đánh giá định lượng
và phân tích đặc điểm không gian của rủi ro hạn hán nông nghiệp ở Trung Quốc. tự nhiên Nguy hiểm
66 (2), 155–166.
Huete, A., Didan, K., Miura, T., Rodriguez, EP, Gao, X., Ferreira, LG, 2002. Tổng quan về
hiệu suất phóng xạ và lý sinh của các chỉ số thực vật MODIS. Viễn thám.Môi
trường. 83 (1–2), 195–213.
Jeffrey, SJ, Carter, JO, Moodie, KB, Beswick, AR, 2001. Sử dụng phép nội suy không gian để
xây dựng một kho lưu trữ toàn diện về dữ liệu khí hậu của Úc. môi trường. Kiểu mẫu. mềmw.
16 (4), 309–330.
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.
Lai, C., Zhong, R., Wang, Z., Wu, X., Chen, X., Wang, P., Lian, Y., 2019. Giám sát
hạn thủy văn sử dụng dữ liệu lượng mưa dài hạn dựa trên vệ tinh. Khoa học. Tổng số Môi
trường. 649, 1198–1208.
Lymburner, L., Tan, P., Mueller, N., Thackway, R., Lewis, A., Thankappan, M., Randall, L.,
Islam, A., Senarath, U., 2010. Bộ dữ liệu che phủ đất động 250 mét của Australia.
Khoa học địa chất Úc, Canberra.
McKee, TB, Doesken, NJ, Kleist, J., 1993, tháng Giêng. Mối quan hệ của hạn hán
tần suất và thời lượng theo thang thời gian. Trong: Kỷ yếu hội nghị khoa học ứng
dụng lần thứ 8. tập 17. Hiệp hội Khí tượng Hoa Kỳ, Boston, MA, trang 179–183.
Melgani, F., Bruzzone, L., 2004. Phân loại ảnh viễn thám siêu phổ
với các máy vector hỗ trợ. IEEE Trans. khoa học địa chất. Viễn Thám 42 (8), 1778–1790.
Mishra, AK, Singh, VP, 2010. Đánh giá về các khái niệm hạn hán. J. Hydrol. 391 (1–2),
202–216.
Mizzell, EHP, 2008. Cải thiện khả năng phát hiện hạn hán ở Carolinas: Đánh giá địa phương,
Các Chỉ số Hạn hán của Tiểu bang và Liên bang. Đại học Nam Carolina. Morid, S.,
Smakhtin, V., Bagherzadeh, K., 2007. Dự báo hạn hán bằng nhân tạo
mạng lưới thần kinh và chuỗi thời gian của các chỉ số hạn hán. quốc tế J. Khí hậu. 27 (15),
2103–2111.
Mottaleb, KA, Gumma, MK, Mishra, AK, Mohanty, S., 2015. Định lượng sản xuất
thiệt hại do hạn hán và ngập úng đối với lúa nhờ nước trời ở cấp độ hộ gia đình sử dụng dữ
liệu MODIS viễn thám. nông nghiệp. hệ thống. 137, 227–235.
Mountrakis, G., Im, J., Ogole, C., 2011. Máy vectơ hỗ trợ trong viễn thám: a
ôn tập. ISPRS J. Photogramm. Viễn thám 66 (3), 247–259.
Nicholls, N., 1997. Năng suất lúa mì Úc tăng lên do các xu hướng khí hậu gần đây. Tự nhiên
387 (6632), 484–485.
Niemeyer, S., 2008. Các chỉ số hạn hán mới. Tùy chọn Méditerraneennes. Serie A 80,
267–274.
Palmer, WC, 1965. Khí tượng Hạn hán. Bộ Thương mại Hoa Kỳ, Washington,
DC, trang 59.
Park, S., Im, J., Jang, E., Rhee, J., 2016. Đánh giá và giám sát hạn hán thông qua
pha trộn các chỉ số đa cảm biến bằng cách sử dụng phương pháp học máy cho các vùng khí hậu
khác nhau. nông nghiệp. Khí tượng rừng. 216, 157–169.
Park, S., Im, J., Park, S., Rhee, J., 2017. Giám sát hạn hán bằng cách sử dụng đất có độ phân giải cao
độ ẩm thông qua phản ứng tổng hợp dữ liệu vệ tinh đa cảm biến trên bán đảo Triều Tiên. nông
nghiệp. Vì. khí tượng. 237, 257–269.
Piao, S., Fang, J., Zhou, L., Guo, Q., Henderson, M., Ji, W., Li, Y., Tao, S., 2003.
Các biến thể hàng năm của chỉ số thực vật khác biệt chuẩn hóa hàng tháng và theo mùa (NDVI) ở
Trung Quốc từ năm 1982 đến năm 1999. J. Geophys. độ phân giải 108 (D14).
Piao, S., Ciais, P., Huang, Y., Shen, Z., Peng, S., Li, J., Zhou, L., Liu, H., Ma, Y., Ding, Y.,
Friedlingstein, P., 2010. Tác động của biến đổi khí hậu đối với tài nguyên nước và nông
nghiệp ở Trung Quốc. Thiên nhiên 467 (7311), 43.
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.
Quiring, SM, Papakryiakou, TN, 2003. Đánh giá các chỉ số hạn hán nông nghiệp cho
thảo nguyên Canada. nông nghiệp. Vì. khí tượng. 118 (1–2), 49–62.
Rhee, J., Im, J., Carbone, GJ, 2010. Theo dõi hạn hán nông nghiệp đối với khô hạn và ẩm ướt
vùng sử dụng dữ liệu viễn thám đa cảm biến. Viễn thám.Môi trường. 114 (12),
P. Feng, et al.
2875–2887.
Rouse Jr., JW, Haas, R., Schell, J., Deering, D., 1974. Giám sát Hệ thống Thực vật trong
Great Plains với ERTS.
Song, J., 2015. Hiệu chỉnh sai lệch cho Rừng ngẫu nhiên trong hồi quy sử dụng phép quay dư. J.
Thống kê Hàn Quốc Sóc. 44 (2), 321–326.
Swain, S., Wardlow, BD, Narumalani, S., Tadesse, T., Callahan, K., 2011. Đánh giá về
phản ứng của thảm thực vật đối với hạn hán ở Nebraska bằng cách sử dụng nhiệt độ bề mặt
đất của Terra-MODIS và chỉ số thực vật khác biệt được chuẩn hóa. Viễn thám GIScience 48
(3), 432–455.
Thornthwaite, CW, 1948. Một cách tiếp cận hướng tới phân loại khí hậu hợp lý. Geogr.
Khải huyền 38 (1), 55–94.
Touma, D., Ashfaq, M., Nayak, MA, Kao, SC, Diffenbaugh, NS, 2015. Một mô hình đa dạng
và đánh giá đa chỉ số về đặc điểm hạn hán trong thế kỷ 21. J. Hydrol. 526, 196–207.
Vicente-Serrano, SM, Beguería, S., López-Moreno, JI, 2010. Hạn hán đa hướng
chỉ số nhạy cảm với sự nóng lên toàn cầu: Chỉ số bốc hơi lượng
mưa chuẩn hóa - SPEI. J. Clim. 23 (7), 1696–1718.
Wang, L., Qu, JJ, 2007. NMDI: chỉ số hạn hán đa dải được chuẩn hóa để theo dõi
độ ẩm của đất và thực vật với viễn thám vệ tinh. địa vật lý. độ phân giải Hãy để.
34 (20).
Wang, Q., Shi, P., Lei, T., Geng, G., Liu, J., Mo, X., Li, X., Zhou, H., Wu, J., 2015. The
giảm bớt xu hướng 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, Z., Li, J., Lai, C., Wang, RY, Chen, X., Lian, Y., 2018a. Xu hướng làm khô dom-
mở rộng khu vực sản xuất ngũ cốc toàn cầu. An ninh lương thực toàn cầu 16, 138–149.
Wang, B., Waters, C., Orgill, S., Cowie, A., Clark, A., Li Liu, D., Simpson, M., McGowen, I.,
Bên, T., 2018b. Ước tính trữ lượng carbon hữu cơ của đất bằng các kỹ thuật mô hình hóa
khác nhau ở vùng đất bán khô cằn ở miền đông Australia. sinh thái. chỉ số. 88, 425–438.
316
Hệ thống nông nghiệp 173 (2019) 303–316
Wardlow, BD, Anderson, MC, Verdin, JP, 2012. Viễn thám hạn hán:
Phương pháp giám sát sáng tạo. Báo chí CRC.
Were, K., Bui, DT, Dick, OB, Singh, BR, 2015. Đánh giá so sánh về hỗ trợ
hồi quy vectơ, mạng lưới thần kinh nhân tạo và rừng ngẫu nhiên để dự đoán và lập bản đồ
trữ lượng carbon hữu cơ của đất trên toàn cảnh Afromontane. sinh thái. chỉ số. 52, 394–403.
Wilhite, DA, 2005. Hạn hán và khủng hoảng nước: Khoa học, Công nghệ và Quản lý
Vấn đề. Báo chí CRC.
Wong, G., Lambert, M., Leonard, M., Metcalfe, A., 2009. Phân tích hạn hán bằng phương pháp ba biến
copulas có điều kiện về trạng thái khí hậu. J. Hydrol. Tiếng Anh 15 (2), 129–141.
Wu, X., Wang, P., Huo, Z., Wu, D., Yang, J., 2018. Chỉ số xác định hạn hán cây trồng cho
lúa mì mùa đông dựa trên sự thoát hơi nước ở đồng bằng Hoàng Hoài Hải, Trung Quốc. nông nghiệp. hệ sinh
thái. môi trường. 263, 18–30.
Yagci, AL, Di, L., Deng, M., 2015. Ảnh hưởng của luân canh ngô-đậu tương đối với NDVI
chỉ số hạn hán: một nghiên cứu trường hợp ở Iowa, Hoa Kỳ, sử dụng chỉ số điều kiện
thực vật. Viễn thám GIScience 52 (3), 290–314.
Zarch, MAA, Sivakumar, B., Sharma, A., 2015. Hạn hán trong khí hậu nóng lên: toàn cầu
đánh giá chỉ số Lượng mưa chuẩn hóa (SPI) và Chỉ số trinh sát hạn hán (RDI). J.
Hydrol. 526, 183–195.
Zell, A., Mache, N., Huebner, R., Mamier, G., Vogt, M., Schmalzl, M., Herrmann, KU,
1994. SNNS (Trình mô phỏng mạng thần kinh Stuttgart), Môi trường mô phỏng mạng
thần kinh. Springer, trang 165–186.
Zhang, A., Jia, G., 2013. Theo dõi hạn hán khí tượng ở các vùng bán khô hạn bằng cách sử dụng
dữ liệu viễn thám vi sóng đa cảm biến. Viễn thám.Môi trường. 134, 12–23. Zhang, G., Lu, Y.,
2012. Rừng ngẫu nhiên hiệu chỉnh sai lệch trong hồi quy. J. Ứng dụng. thống kê. 39 (1),
151–160.
Zhang, X., Chen, N., Li, J., Chen, Z., Niyogi, D., 2017. Khung tích hợp đa cảm biến
và chỉ số giám sát hạn hán nông nghiệp. Viễn thám.Môi trường. 188, 141–163.