【目的/意义】 农业干旱对中国农业生产发展具有消极影响,甚至威胁到粮食安全。为了降低灾害损失,保障中国的作物产量,根据标准化土壤湿度指数(Standardized Soil Moisture Index, SSMI)对农业干旱进行准确预测和等级分类具有重要意义。 【方法】 基于遥感数据,采用深度学习相关模型实现了农业干旱预测。首先,考虑了农业干旱的空间特点,提出了一种结合图神经网络、双向门控循环单元(Bi-Directional Gated Recurrent Unit, BiGRU)和多头自注意力机制的农业干旱预测模型GCN-BiGRU-STMHSA(Graph Convolutional Networks-Bidirectional Gated Recurrent Unit-Spatio-Temporal Multi-Head Self-Attention)。其次,使用日尺度的SSMI作为农业干旱指标。最后,根据搭建的GCN-BiGRU-STMHSA模型实现对SSMI的精准预测和分类。采用全球陆地数据同化系统2.1(Global Land Data Assimilation System-2.1, GLDAS-2.1)为数据集,在该数据集上训练GCN-BiGRU-STMHSA模型,以预测SSMI值并进行农业干旱等级分类。并与经典深度学习模型进行了比较。 【结果和讨论】 实验结果表明,GCN-BiGRU-STMHSA模型结果优于其他模型。在5个研究地点中,固始县数据集上误差最小,预测10天后的SSMI时,其平均绝对误差(Mean Absolute Error, MAE)为0.053、均方根误差(Root Mean Square Error, RMSE)为0.071、决定系数(Coefficient of Determination, R2)为0.880,准确率(Accuracy, ACC)为0.925,调和平均值( F1)为0.924。预测步长越短,预测的效果越好,当预测步长为28天时,模型预测干旱分类表现依然良好。 【结论】 该模型在农业干旱预测和分类任务中具有更高的精度和更好的泛化能力。