1.一种针对多源观测数据的时间序列干旱因果分析方法，其特征在于，执行如下步骤S1‑步骤S6，获得目标区域干旱影响因素，完成目标区域的干旱因果分析：步骤S1：采集目标区域预设时间区间的遥感数据，对遥感数据进行质量控制并计算遥感指数，进一步计算预设种类的干旱指数SPEI；采集目标区域预设时间区间的气象数据，将遥感数据和气象数据转化为相同的空间分辨率，并将同一位置、同一时刻的遥感数据和气象数据相结合获得时间序列数据，构建统一空间尺度和时间尺度的多源观测时间序列数据集；

步骤S2：对多源观测时间序列数据集进行数据预处理，使用平均值插补方法进行补全，然后采用单位根检验方法对时间序列数据进行平稳性检验，如果检验结果存在单位根，则表明时间序列数据非平稳，并采用差分方法进行平稳性处理，反之没有得到单位根，则表示时间序列数据平稳，则不需进行平稳化处理；再对时间序列数据进行归一化处理；

步骤S3：针对步骤S2所获得的多源观测时间序列数据集中的时间序列数据，通过赤池信息准则计算时间序列数据的最大滞后阶数，生成历史公共数据集 ；

步骤S4：使用基于信息理论的特征选择方法，计算历史公共数据集 中每一个变量与当前时刻的干旱指数SPEI之间的初始特征得分s；

步骤S5：构建全局冗余最小化模型，以初始特征得分s为输入，通过樽海鞘优化算法对全局冗余最小化模型进行求解，并输出特征得分z，将特征得分z按由大至小的降序排列，选取前K个特征得分z，构建干旱指数的相关特征集合；

步骤S6：将步骤S5得到干旱指数的相关特征集合作为条件集送入到条件Granger模型中，对条件Granger模型参数进行估计，计算各个气象变量对干旱指数SPEI的条件回归系数，根据条件回归系数的大小，选择最相关的气象变量作为目标区域干旱影响因素，完成目标区域的干旱因果分析。

2.根据权利要求1所述的一种针对多源观测数据的时间序列干旱因果分析方法，其特征在于，步骤S1中的干旱指数SPEI包括土壤、植被、地形三方面。

3.根据权利要求1所述的一种针对多源观测数据的时间序列干旱因果分析方法，其特征在于，步骤S3中的历史公共数据集 如下式：其中， 表示当前时刻t的时间序列数据， 是

最大滞后阶数，d表示变量个数， ，n表示变量总数。

4.根据权利要求1所述的一种针对多源观测数据的时间序列干旱因果分析方法，其特征在于，步骤S4中的基于信息理论的特征选择方法具体采用最大相关最小冗余方法，定义如下式：其中， 表示初始特征得分s， 表示历史公共数据集 中包含的变量个数，Xk、Xj为历史公共数据集 中的变量，Y为干旱指数SPEI， I(Xk;Y)表示变量间的互信息，其计算公式如下：式中，H表示信息熵，H(Xk)和 分别表示Xk的信息熵和Xk基于Y的条件熵。

5.根据权利要求1所述的一种针对多源观测数据的时间序列干旱因果分析方法，其特征在于，步骤S5中的全局冗余最小化模型的目标函数如下式：式中， 表示冗余矩阵， 表示步骤S4所获得的初始特征得分s所构成的矩阵， 表示全局冗余最小化模型输出的特征得分z所构成的矩阵，d表示变量个数；

目标函数中的 ，冗余矩阵A的计算如下式：

其中，Aij表示冗余矩阵A中第i行第j列的数值，Bij为余弦相似度计算矩阵B中第i行第j列的数值， 表示表示l2‑范数， ， ， ，，n表示变量总数，fi和fj分别代表第i个和第j个中心化处理的特征，根据下式计算：

式中， 代表中心化矩阵， ，其中， 是单位矩

阵，xi和xj分别表示经过步骤S2预处理后的多源观测时间序列数据集的第i个和第j个特征；

冗余矩阵A通过 来计算，其中， 代表哈达玛积，余弦相似度计算矩阵B的矩阵表达形式如下式：

其中， ， 代表中心化处理的特征，

是对角矩阵，对角元素依次是 ，i=1,2,…,d。

6.根据权利要求5所述的一种针对多源观测数据的时间序列干旱因果分析方法，其特征在于，步骤S5中通过樽海鞘优化算法对全局冗余最小化模型的目标函数进行求解方法如下：i

随机生成初始种群 ，其中，x 是种群中第i

个个体，p是种群中个体数量，d1是待求解问题所需要的空间维度，初始化公式如下所示：其中， 和

分别代表搜索空间的上限和下限；在樽海鞘

优化算法中， ，且

代表种群中第i个个体的第j维的值；

在樽海鞘优化算法中，定义带领种群找到目标函数的最优解的个体为领导者，其他个体为追随者，领导者位置更新公式如下：其中 为更新后的领导者位置，Fj,t代表当前时刻t的最优解的第j维的值，c1、c2是控制参数，其中c2是0到1之间的随机数，c1为收敛因子，具体如下式：其中，l表示当前迭代次数，L表示最大迭代次数；

领导者位置更新后，追随者根据如下公式进行位置更新：

其中， 为更新后的第i个个体位置， 和 分别代表第i‑1个个体和第i个个体的第j维的值。

7.根据权利要求5所述的一种针对多源观测数据的时间序列干旱因果分析方法，其特征在于，步骤S6中的条件Granger模型比较两个向量自回归模型，一个只包含干旱指数SPEI的自回归模型和一个同时包含干旱指数SPEI和变量的条件自回归模型，两个向量自回归模型定义分别如下：其中，X为气象变量，Y为干旱指数SPEI，Z为条件变量，其条件集为步骤S5所构建的干旱指数的相关特征集合， 表示在t+1时刻使用条件变量Z所预测的干旱指数SPEI的误差， 表示在t+1时刻使用气象变量X以及条件变量Z所预测的干旱指数SPEI的误差，Xt‑j表示t‑j时刻的气象变量，Yt‑j表示t‑j时刻的干旱指数SPEI，Zt‑j表示t‑j时刻的条件变量，Yt+1表示t+1时刻的干旱指数SPEI，m为历史公共数据集 中的滞后期，αj、βj、bj、cj分别为模型系数；

通过两个向量自回归模型的残差系数来计算条件Granger因果指数，条件Granger因果指数定义如下：式中， 表示在条件变量Z下气象变量X与干旱指数SPEI之间的条件Granger因果指数，var表示向量自回归模型，根据上式计算每个气象变量与干旱指数SPEI的条件Granger因果指数，根据各条件Granger因果指数的大小，将数值最大的条件Granger因果指数对应的气象变量作为与干旱指数SPEI最相关的特征。