CN107329938A - 一种河流干旱灾害情况预测方法 - Google Patents

一种河流干旱灾害情况预测方法 Download PDF

Info

Publication number
CN107329938A
CN107329938A CN201710514498.7A CN201710514498A CN107329938A CN 107329938 A CN107329938 A CN 107329938A CN 201710514498 A CN201710514498 A CN 201710514498A CN 107329938 A CN107329938 A CN 107329938A
Authority
CN
China
Prior art keywords
mrow
msup
river
msub
drought
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710514498.7A
Other languages
English (en)
Inventor
张强
孙鹏
温庆志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Normal University
Original Assignee
Beijing Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Normal University filed Critical Beijing Normal University
Priority to CN201710514498.7A priority Critical patent/CN107329938A/zh
Publication of CN107329938A publication Critical patent/CN107329938A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种河流干旱灾害情况预测方法，该方法包括以下步骤：步骤1)采集所述河流监测站点的原始气象数据，采用标准化降水指标SPI对所述监测站点的干旱情况进行标定；步骤2)计算不同时间尺度的干旱指标，并对所述指标进行插值处理；步骤3)根据该河流域市县的面图层计算各个市县的平均干旱状态；步骤4)采用二维Copula对所述监测站点进行干旱预测。本方法可以在精细空间尺度上对淮河流域干旱灾害进行连续、动态、定量化、可视化的监测与分析研究，以图表等多种形式为用户提供多种干旱指数的分析信息，为防灾减灾提供决策支持和信息服务。

Description

一种河流干旱灾害情况预测方法
技术领域
本发明涉及气象预测技术领域，具体说是一种河流干旱灾害情况预测方法。
背景技术
目前对于干旱监测系统的开发和研究有很多，在现在气候变暖的环境下，干旱发生的频率在逐步的上升，所以对于干旱的监测和预警和干旱监测的平台已经成为了许多研究者的一个热门研究领域
目前类似技术中，比较典型的有中国科学院沈阳应用生态研究所的申请的“基于MODIS数据的农业干旱监测方法”专利号为CN200910248457.3:该专利是基于MODIS数据的农业干旱监测方法。对农田干旱进行监测，利用作物供水指数和降雨距平指数来确定农业旱情指数。在进行旱情监测时利用MODIS数据反演植被指数和地表温度，利用植被指数和地表温度计算作物供水指数。利用降水数据计算降水距平指数。最后对旱情指数进行级别划分来确定干旱严重程度。
上述方法虽然利用了遥感数据进行干旱监测，但由于其实现比较繁琐，仅仅只能确定干旱情况，由于MODIS数据精度较差对于干旱监测的精度不高。在实际应用中并不能像站点数据那样实时的对干旱监测，而其干旱监测系统并没有干旱预警的功能，并不能对干旱进行预测。
发明内容
本发明的目的是为克服上述现有技术的不足，设计一种河流干旱灾害情况预测方法，本方法可以在精细空间尺度上对淮河流域干旱灾害进行连续、动态、定量化、可视化的监测与分析研究，为防灾减灾提供决策支持和信息服务。
本发明的技术方案为提供一种河流干旱灾害情况预测方法，该方法具体包括以下步骤：
步骤1)采集所述河流监测站点的原始气象数据，采用标准化降水指标SPI对所述监测站点的干旱情况进行标定；步骤1)包括一下几个步骤:
步骤1.1：干旱监测系统自动的将数据导入到工作空间中并储存在当前的R语言工作空间，便于接下来的计算调用；Di对数据序列进行正态化，log-logistic概率分布的累积函数为：
式中α为尺度参数，β为形状参数，γ为origin参数，f(x)为概率密度函数，F(x)为概率分布函数，Di为降水与蒸散的差值；
步骤1.2，对序列进行标准化正态处理，得到相应SPI：
式中P概率分布参函数，C0、C2、C3、d1、d2、d3为经验参数。
当P≤0.5时，P＝F(x)；当P＞0.5时，P＝1-F(x)，其他参数分别为常数C0＝2.515517，C2＝0.802853，C3＝0.010328，d1＝1.432788，d2＝0.189269，d3＝0.001308。
将计算好的SPI经过R语言绘图指令ggplot()，将SPI的长时间序列绘制出来投影到屏幕上；
步骤2)计算不同时间尺度的干旱指标，并对所述指标进行插值处理；
设置窗体响应，窗体加载时自动设置年月的可选范围，气象数据加载必须进行插值叠加累月处处理。选择时间尺度，然后返回时间的可选范围，设置年的可选范围，设置月的可选范围；然后设置groupBox5是否显示输出路径和文件名，如果如果一切参数正确则成功加载窗体。radioButton save or not change然后判断是否输入文件名和路径；之后选择路径，判断，如果没有输入起始路径，则默认从我的文档进入；保存R语言输出droughtSpatial DataFrame，从设置获取时间尺度并判断是否保存文件，空间干旱分析调用R语言函数sprintf()、、droughtSpatial.SPI()。之后调用R语言的绘图程序droughtSpaial.plot()，然后保存数据，先判断文件名是否合法，为跳过文件名检查的这一个步骤使用try catch block；之后返回选择了哪个时间尺度，并保存文件信息
步骤3)根据该河流域市县的面图层计算各个市县的平均干旱状态；
首先利用、droughtSpatial.SPI()R语言指令计算各个站点的SPI，之后加载淮河流域各个县市的面状图层进入R语言，利用GridTopology()、SpatialPixelsDataFrame()、over()、which()和grid()获取淮河流域的每个县市对应SPI的ID；接下来利用fortity()函数融合图层和站点数据；利用getCenter()函数获取各个县界的中心以便对每个县界进行标注，名字超过5个字符的进行切割；接下来用droughtspatial.plot()，对淮河流域干旱情况进行绘制，先读取干旱数据，然后进行数据分级，将干旱指标导入到空间图层，对fortity后的数据进行mapdata进行排序
步骤4)采用二维Copula对所述监测站点进行干旱预测。
首先设置窗体的Resize响应，btn_pvalueSwitch.Visible()来判断是否加载数据，窗体加载时自动设置年月的可选范围，气象数据必须加载并进行插值累月叠加处理，运行之前需要加载droughtspatial所需的空间变量，如果需要重新设定栅格大小则重新运行spatidrought_need()。之后设置groupBox5是否显示显示输出路径和文件名，如果一切参数正确则成功加载窗体；如果没有输入起始路径，则默认从我的文档进入，读取了数据返回；保存R语言输出的droughtspatial dataframe，从而获取时间尺度；调用控件干旱分析R语言函数包首先利用、droughtSpatial.SPI()R语言指令计算各个站点的SPI，之后加载淮河流域各个县市的面状图层进入R语言，利用GridTopology()、SpatialPixelsDataFrame()、over()、which()和grid()获取淮河流域的每个县市对应SPI的ID；接下来利用fortity()函数融合图层和站点数据；利用getCenter()函数获取各个县界的中心以便对每个县界进行标注，名字超过5个字符的进行切割；接下来用droughtspatial.plot()，对淮河流域干旱情况进行绘制，先读取干旱数据，然后进行数据分级，将干旱指标导入到空间图层，对fortity后的数据进行mapdata进行排序利用公式进行干旱预测
其中u1、u2表示干旱预测的自变量时间和因变量干旱指数；θ为一个随机数；将历史资料计算的SPI作为u1，时间作为u2，两个参量通过Clayton的公式进行建模，得到一组随时间变化的C(u1,u2)；即就可以对未来时间的干旱情况进行预测了，并且精度比较高。
所述原始气象数据包括：所述监测站点的年、月、日、降雨、平均温度、最高温度、最低温度数据。
所述插值处理为将所述干旱指标插值成为0.1°的栅格数据。
本发明的有益效果在于：本方法可以在精细空间尺度上对淮河流域干旱灾害进行连续、动态、定量化、可视化的监测与分析研究，以图表等多种形式为用户提供多种干旱指数的分析信息，为防灾减灾提供决策支持和信息服务。
通过几个月的运行检验，证明了本系统能对淮河流域的干旱灾害进行有效地准确监测，并且运行速度快、旱情诊断准确,可以在干旱监测业务中发挥较大作用。本系统还可用于对淮河流域干旱灾害的时空分布规律进行分析研究。
附图说明
图1为本发明预测方法的系统结构图。
具体实施方式
下面结合附图和实施例对本发明进行进一步阐述，应该说明的是，下述说明是为了解释本发明，并不对其内容进行限定。
如图1所示的河流干旱灾害情况预测系统，基于Visual Studio开发平台上基于C#，结合ArcGIS二次开发进行可视化和调用R语言进行计算而开发的软件系统。经过用户的需求分析和可行性分析，设计了数据导入模块对数据的缺失进行查补等处理、单个站点的干旱监测、淮河流域面状的干旱监测和淮河流域干旱的预测等四个功能。连接VisualStudio和ArcGIS以及R语言方面主要利用了R.NET和ArcSDE与Visual Studio进行程序的连接，这两个插件解决的程序之间的接口的问题。本系统实现了淮河流域标准化降水指数(SPI)在地理数据中可视化和干旱预测可视化的关键技术，在当前主流的计算机统计分析、绘图的开源免费的语言R语言的环境进行地统计插值处理，构建淮河流域整个面状的地理环境系统，之后反馈到C#再利用ArcGIS的进行面状数据的可视化，弥补了ArcGIS二次开发的计算方面的缺陷。本系统主要分为四个功能。
本系统在安装之前要配置好环境，首先要安装.NET4.5，然后安装R3.3.3(R语言语言安装的程序包：ggplot2、reshape2、maptools、rgeos、copula、zoo、plyr，R程序包安装需要使用install.packages命令，详情请参看https://cran.r-project.org/doc/manuals/r-release/R-admin.html#Windows-packages。)。之后再安装ArcEngine Runtime。最后就安装本系统，本系统初始化阶段主要配置R语言环境、加载地图控件。
本发明预测方法具体包括以下步骤：
步骤1)采集所述河流监测站点的原始气象数据，采用标准化降水指标SPI对所述监测站点的干旱情况进行标定；
步骤2)计算不同时间尺度的干旱指标，并对所述指标进行插值处理；
步骤3)根据该河流域市县的面图层计算各个市县的平均干旱状态；
步骤4)采用二维Copula对所述监测站点进行干旱预测。
所述原始气象数据包括：所述监测站点的年、月、日、降雨、平均温度、最高温度、最低温度数据。
所述插值处理为将所述干旱指标插值成为0.1°的栅格数据。
采用标准化降水指标SPI对所述监测站点的干旱情况进行标定的具体过程为：
所述二维Copula对所述监测站点进行干旱预测的具体过程为：
下面以淮河作为案例进行具体分析：
在加载数据这个功能上，系统首先设置工作路径，系统读取数据所在的路径，然后系统会逐月的输入所在的路径，系统再录入站点信息
1)当前工作路径：当前项目所在文件夹
2)原始数据所在路径：原始气象数据所在的路径
原始数据指的是原始气象数据(包括年、月、日、降雨、平均温度、最高温度、最低温度)，每个站点的数据保存在一个csv文件，文件名为“站点编号+站点名.csv”。
气象要素特殊值标记说明：
各要素项32766 数据缺测或无观测任务
降水量32700 表示降水"微量"
32XXX XXX为纯雾露霜
31XXX XXX为雨和雪的总量
30XXX XXX为雪量(仅包括雨夹雪，雪暴)
3)逐月数据输出路径：经插值、叠加逐月处理后的数据所在的路径
4)站点信息路径：站点信息文件(至少包含：站点编号、站点名称、经纬度信息，其对应的行名必须是StationId,Name,lat,long)。
程序运行会经历以下几个阶段：读取数据、检查缺测信息、插值处理、叠加逐月。程序运行结束后会自动保存插值、叠加后的气象数据。插值叠加保存处理成功后系统会提醒数据加载成功。
如果第一个运行该系统时已经对气象数据进行了插值叠加处理，第二次打开该软件系统，设置工作路径后，软件系统会自动设置之前保存的原始数据所在路径、逐越数据输出路径、站点信息路径。
干旱指标采用国内外广泛认同与接受的标准化降水指标(StandardizedPrecipitation Index，简称SPI)。单个站点干旱监测可以选择SPI指标，同时可以计算不同时间尺度(有1、3、6、9、12、24)的干旱指标，不同干旱时间尺度的干旱指标具有不同的水文意义。
干旱等级的划分参考美国国家海洋和大气管理局(National Oceanic andAtmospheric Administration，缩写为NOAA)。该软件空间干旱监测模块首先应用输入的淮河流域区域气象站点数据计算干旱指标(可以选择SPI)，同时可以计算不同时间尺度的干旱指标(1、3、6、9、12、24月)，然后插值成为0.1°的栅格数据，根据淮河流域市县的面图层计算各个市县的平均干旱状态。如果选择保存站点干旱指标，则应输入该保存文件的路径和文件名(文件名输入需要合法，不包含“.”，“\”，“/”等)。左下角可以显示站点干旱指标和县市的平均干旱状态。界面右边可以显示淮河流域县的平均干旱状态。
在进入该模块前首先应加载数据，设置工作路径、数据路径、输出路径，站点路径。如果选择保存站点干旱指标，会经历以下几个阶段1.计算干旱指标；2进行绘图；3保存站点干旱指标。如果选择不保存站点干旱指标，则没有第三阶段。右侧生成的图片默认保存在％temp％路径。
选择SPI指标进行空间干旱预测，采用二维Copula进行干旱预测，由于预测长度越长，存在的误差越大，且计算时间较长。
具体过程如下：
1、干旱监测系统自动的将数据导入到工作空间中并储存在当前的R语言工作空间，便于接下来的计算调用；Di对数据序列进行正态化，log-logistic概率分布的累积函数为：
式中α为尺度参数，β为形状参数，γ为origin参数，f(x)为概率密度函数，F(x)为概率分布函数，Di为降水与蒸散的差值；
2、对序列进行标准化正态处理，得到相应SPI：
式中P概率分布参函数，C0、C2、C3、d1、d2、d3为经验参数。
当P≤0.5时，P＝F(x)；当P＞0.5时，P＝1-F(x)，其他参数分别为常数C0＝2.515517，C2＝0.802853，C3＝0.010328，d1＝1.432788，d2＝0.189269，d3＝0.001308。
将计算好的SPI经过R语言绘图指令ggplot()，将SPI的长时间序列绘制出来投影到屏幕上；
本实施例中所采用的二维Copula Clayton函数为：
其中u1、u2表示干旱预测的自变量时间和因变量干旱指数；θ为一个随机数；将历史资料计算的SPI作为u1，时间作为u2，两个参量通过Clayton的公式进行建模，得到一组随时间变化的C(u1,u2)；即就可以对未来时间的干旱情况进行预测了，并且精度比较高。
本软件仅提供未来三个月(即输入气象数据最终日期的后三个月)的干旱预测情况。时间尺度可以选择1、3、6、9、12、24月，不同时间尺度的干旱具有不同的水文意义。选择保存站点干旱指标后，会要求输入保存文件的路径和文件名(只需要输入文件名，不需要后缀，文件名输入要合法)。单击确定然后进行计算，计算流程如图1。
计算结束后会图片显示站点干旱预测结果、表格显示干旱预测结果对应的概率和各个县市的平均干旱情况。同时右上角会显示pvalue按钮，可以切换查看各个县市干旱等级对应的概率分布情况。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语包含技术术语和科学术语具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

Claims (7)

1.一种河流干旱灾害情况预测方法，其特征在于，该方法采用标准化降水指标SPI对所述监测站点的干旱情况进行标定结合二维CopulaClayton函数对数据采集地区进行干旱预测。
2.根据权利要求1所述的一种河流干旱灾害情况预测方法，其特征在于，该方法具体包括以下步骤：
步骤1)采集所述河流监测站点的原始气象数据，采用标准化降水指标SPI对所述监测站点的干旱情况进行标定；
步骤2)计算不同时间尺度的干旱指标，并对所述指标进行插值处理；
步骤3)根据该河流域市县的面图层计算各个市县的平均干旱状态；
步骤4)采用二维CopulaClayton函数对所述监测站点进行干旱预测。
3.根据权利要求2所述的一种河流干旱灾害情况预测方法，其特征在于，所述原始气象数据包括：所述监测站点的年、月、日、降雨数据。
4.根据权利要求2所述的一种河流干旱灾害情况预测方法，其特征在于，所述插值处理为将所述干旱指标插值成为0.1°的栅格数据。
5.根据权利要求2所述的一种河流干旱灾害情况预测方法，其特征在于，采用标准化降水指标SPI对所述监测站点的干旱情况进行标定的具体过程为：
步骤1.1，Di对数据序列进行正态化，log-logistic概率分布的累积函数为：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mi>&amp;beta;</mi> <mi>&amp;alpha;</mi> </mfrac> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>x</mi> <mo>-</mo> <mi>&amp;gamma;</mi> </mrow> <mi>&amp;alpha;</mi> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>&amp;beta;</mi> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <mrow> <mo>&amp;lsqb;</mo> <mn>1</mn> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>x</mi> <mo>-</mo> <mi>&amp;gamma;</mi> </mrow> <mi>&amp;alpha;</mi> </mfrac> <mo>)</mo> </mrow> <mi>&amp;beta;</mi> </msup> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> </mrow>
<mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mi>x</mi> </msubsup> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>t</mi> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mn>1</mn> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mi>&amp;alpha;</mi> <mrow> <mi>x</mi> <mo>-</mo> <mi>&amp;gamma;</mi> </mrow> </mfrac> <mo>)</mo> </mrow> <mi>&amp;beta;</mi> </msup> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> </mrow>
式中α为尺度参数，β为形状参数，γ为origin参数，f(x)为概率密度函数，F(x)为概率分布函数，Di为降水与蒸散的差值；
步骤1.2，对序列进行标准化正态处理，得到相应SPI：
<mrow> <mi>S</mi> <mi>P</mi> <mi>I</mi> <mo>=</mo> <mi>W</mi> <mo>-</mo> <mfrac> <mrow> <msub> <mi>C</mi> <mn>0</mn> </msub> <mo>+</mo> <msub> <mi>C</mi> <mn>2</mn> </msub> <mo>+</mo> <msub> <mi>C</mi> <mn>3</mn> </msub> <msup> <mi>W</mi> <mn>2</mn> </msup> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <msub> <mi>d</mi> <mn>1</mn> </msub> <mi>w</mi> <mo>+</mo> <msub> <mi>d</mi> <mn>2</mn> </msub> <msup> <mi>w</mi> <mn>2</mn> </msup> <mo>+</mo> <msub> <mi>d</mi> <mn>3</mn> </msub> <msup> <mi>w</mi> <mn>3</mn> </msup> </mrow> </mfrac> </mrow>
<mrow> <mi>W</mi> <mo>=</mo> <msqrt> <mrow> <mo>-</mo> <mn>2</mn> <mi>l</mi> <mi>n</mi> <mi> </mi> <mi>P</mi> </mrow> </msqrt> </mrow>
式中P概率分布参函数，C0、C2、C3、d1、d2、d3为经验参数。
6.根据权利要求5所述的一种河流干旱灾害情况预测方法，其特征在于，当P≤0.5时，P＝F(x)；当P＞0.5时，P＝1-F(x)，其他参数分别为常数C0＝2.515517，C2＝0.802853，C3＝0.010328，d1＝1.432788，d2＝0.189269，d3＝0.001308。
7.根据权利要求2所述的一种河流干旱灾害情况预测方法，其特征在于，所述二维CopulaClayton函数为：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>C</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>u</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msubsup> <mi>u</mi> <mn>1</mn> <mrow> <mo>-</mo> <mi>&amp;theta;</mi> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>u</mi> <mn>2</mn> <mrow> <mo>-</mo> <mi>&amp;theta;</mi> </mrow> </msubsup> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> <mo>/</mo> <mi>&amp;theta;</mi> </mrow> </msup> </mrow> </mtd> <mtd> <mrow> <mi>&amp;theta;</mi> <mo>&amp;Element;</mo> <mo>&amp;lsqb;</mo> <mn>0</mn> <mo>,</mo> <mo>+</mo> <mo>&amp;Proportional;</mo> <mo>)</mo> </mrow> </mtd> </mtr> </mtable> </mfenced>
其中u1、u2表示干旱预测的自变量时间和因变量干旱指数；θ为一个随机数；将历史资料计算的SPI作为u1，时间作为u2，两个参量通过Clayton的公式进行建模，得到一组随时间变化的C(u1,u2)。
CN201710514498.7A 2017-06-29 2017-06-29 一种河流干旱灾害情况预测方法 Pending CN107329938A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710514498.7A CN107329938A (zh) 2017-06-29 2017-06-29 一种河流干旱灾害情况预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710514498.7A CN107329938A (zh) 2017-06-29 2017-06-29 一种河流干旱灾害情况预测方法

Publications (1)

Publication Number Publication Date
CN107329938A true CN107329938A (zh) 2017-11-07

Family

ID=60197332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710514498.7A Pending CN107329938A (zh) 2017-06-29 2017-06-29 一种河流干旱灾害情况预测方法

Country Status (1)

Country Link
CN (1) CN107329938A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712025A (zh) * 2019-01-14 2019-05-03 三峡大学 一种基于Logistic的抗旱适宜供水量确定方法
CN110222313A (zh) * 2019-06-05 2019-09-10 中国水利水电科学研究院 反映非一致性干旱特征变量的干旱预警方法和装置
CN115166874A (zh) * 2022-07-13 2022-10-11 北京师范大学 基于机器学习的气象干旱指数spi构建方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093102A (zh) * 2013-01-23 2013-05-08 中国科学院、水利部成都山地灾害与环境研究所 基于地震和干旱监测的泥石流发育区灾害早期动态预测方法
CN104008277A (zh) * 2014-05-12 2014-08-27 河海大学 耦合分布式水文模型和联合水分亏缺指数的旱情评估方法
CN104597526A (zh) * 2014-12-30 2015-05-06 中国南方电网有限责任公司 基于电网地理信息系统的气象干旱监测预警系统及方法
CN105335603A (zh) * 2015-07-17 2016-02-17 清华大学 一种度量引水灌溉地区干旱程度的方法
CN106202857A (zh) * 2016-06-22 2016-12-07 中国水利水电科学研究院 一种地表水质对旱涝事件的响应分析方法
CN106326526A (zh) * 2016-07-29 2017-01-11 陈柏宇 一种无窄谱约束条件下海浪设计波高的推算方法
CN106372422A (zh) * 2016-04-08 2017-02-01 中国水利水电科学研究院 一种内陆河三元结构的干旱评价系统
CN106815658A (zh) * 2017-01-17 2017-06-09 云南瀚哲科技有限公司 一种农业干旱预警系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093102A (zh) * 2013-01-23 2013-05-08 中国科学院、水利部成都山地灾害与环境研究所 基于地震和干旱监测的泥石流发育区灾害早期动态预测方法
CN104008277A (zh) * 2014-05-12 2014-08-27 河海大学 耦合分布式水文模型和联合水分亏缺指数的旱情评估方法
CN104597526A (zh) * 2014-12-30 2015-05-06 中国南方电网有限责任公司 基于电网地理信息系统的气象干旱监测预警系统及方法
CN105335603A (zh) * 2015-07-17 2016-02-17 清华大学 一种度量引水灌溉地区干旱程度的方法
CN106372422A (zh) * 2016-04-08 2017-02-01 中国水利水电科学研究院 一种内陆河三元结构的干旱评价系统
CN106202857A (zh) * 2016-06-22 2016-12-07 中国水利水电科学研究院 一种地表水质对旱涝事件的响应分析方法
CN106326526A (zh) * 2016-07-29 2017-01-11 陈柏宇 一种无窄谱约束条件下海浪设计波高的推算方法
CN106815658A (zh) * 2017-01-17 2017-06-09 云南瀚哲科技有限公司 一种农业干旱预警系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘占明等: "基于Copula函数和SPEI的广东北江流域干旱频率分析", 《中山大学学报（自然科学版）》 *
熊光洁: "近50年中国西南地区不同时间尺度干旱气候变化特征及成因研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712025A (zh) * 2019-01-14 2019-05-03 三峡大学 一种基于Logistic的抗旱适宜供水量确定方法
CN109712025B (zh) * 2019-01-14 2020-01-07 三峡大学 一种基于Logistic的抗旱适宜供水量确定方法
CN110222313A (zh) * 2019-06-05 2019-09-10 中国水利水电科学研究院 反映非一致性干旱特征变量的干旱预警方法和装置
CN110222313B (zh) * 2019-06-05 2020-10-23 中国水利水电科学研究院 反映非一致性干旱特征变量的干旱预警方法和装置
CN115166874A (zh) * 2022-07-13 2022-10-11 北京师范大学 基于机器学习的气象干旱指数spi构建方法

Similar Documents

Publication Publication Date Title
US20230038850A1 (en) Flood monitoring and management system
Prudhomme et al. Hydrological Outlook UK: an operational streamflow and groundwater level forecasting system at monthly to seasonal time scales
Gocic et al. Analysis of trends in reference evapotranspiration data in a humid climate
Akçay et al. Innovative approaches to the trend assessment of streamflows in the Eastern Black Sea basin, Turkey
KR102086895B1 (ko) 메조스케일 모델링
Popescu et al. Integrated modelling for flood risk mitigation in Romania: case study of the Timis–Bega river basin
US10762588B2 (en) Flood-recovery options tool
Eder et al. A performance evaluation of the National Air Quality Forecast Capability for the summer of 2007
Ries III et al. StreamStats, version 4
CN107329938A (zh) 一种河流干旱灾害情况预测方法
Mavrogianni et al. Space heating demand and heatwave vulnerability: London domestic stock
Kim et al. An experiment on reservoir representation schemes to improve hydrologic prediction: Coupling the national water model with the HEC-ResSim
Kumar et al. Evaluating two GIS-based semi-distributed hydrological models in the Bhagirathi-Alkhnanda River catchment in India
Koga et al. Assessing impervious area ratios of grid-based land-use classifications on the example of an urban watershed
Nair et al. Spatio–temporal rainfall trend anomalies in Vidarbha region using historic and predicted data: a case study
Shastry et al. Using steady‐state backwater analysis to predict inundated area from national water model streamflow simulations
Ghaith et al. Digital twin: a city-scale flood imitation framework
Nguyen et al. Design of an automatic hydro-meteorological observation network for a real-time flood warning system: a case study of Vu Gia-Thu Bon river basin, Vietnam
KR20190078195A (ko) Mice 산업 특화형 기상 지수 서비스 제공방법
Biswas et al. A scalable open-source web-analytic framework to improve satellite-based operational water management in developing countries
Hidayah et al. Flood hazard mapping of the welang river, pasuruan, east java, indonesia
Elhassan et al. Water quality modelling in the San Antonio River Basin driven by radar rainfall data
CN117034660B (zh) 一种街区尺度空气质量预报方法
Darghiasi et al. Estimation of Road Surface Temperature Using NOAA Gridded Forecast Weather Data for Snowplow Operations Management
Zhao et al. Cost–benefit analysis and microclimate-based optimization of a RWIS network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171107

RJ01 Rejection of invention patent application after publication