CN107423544A - 一种流域水文极值的非平稳性影响指标的确定方法及装置 - Google Patents
一种流域水文极值的非平稳性影响指标的确定方法及装置 Download PDFInfo
- Publication number
- CN107423544A CN107423544A CN201710252704.1A CN201710252704A CN107423544A CN 107423544 A CN107423544 A CN 107423544A CN 201710252704 A CN201710252704 A CN 201710252704A CN 107423544 A CN107423544 A CN 107423544A
- Authority
- CN
- China
- Prior art keywords
- extreme value
- stationary
- model
- detected
- hydrology
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种流域水文极值的非平稳性影响指标的确定方法及装置,该流域水文极值的非平稳性影响指标的确定方法包括:获取在预设时间段内的流域的水文极值,并建立多个待检测非平稳极值模型;确定待检测低频气候指标;确定可用非平稳极值模型;对可用非平稳极值模型进行似然比检验,确定出最优非平稳极值模型;将待检测低频气候指标作为协变量集添加至最优非平稳极值模型的时变参数中,获得进行时变参数添加后的第一非平稳极值模型;根据最优非平稳极值模型和第一非平稳极值模型,确定待检测低频气候指标是否为水文极值的非平稳性影响指标。实现了对流域水文极值的非平稳性影响指标的确定。
Description
技术领域
本发明涉及水文领域,具体是一种流域水文极值的非平稳性影响指标的确定方法及装置。
背景技术
一些气象因子具有10~90天的准周期变化规律,这种振荡常在30~60天具有较大的振幅,通常将大气中一些气象因子具有的10~20天和30~60天准周期性变化称为大气低频振荡。七十年代初,Madden-Julian发现热带岛屿上的风场和地面气压场存在40~50天的准周期性变化,最早提出热带大气低频振荡的现象。此后,由于厄尔尼诺现象和海气相互作用的深入研究,大气低频振荡和厄尔尼诺事件的关系受到重视;又由于计算机数值模拟手段的发展,大气低频振荡的研究从八十年代开始有了很大的进展。到了20世纪90年代,已经发现大气低频振荡不仅存在于热带地区,而且也存在于中高纬度地区。大气低频振荡是一种全球大气变化的普遍规律,在季节内短期气候变化的研究中,大气低频振荡对季风活动的影响和厄尔尼诺事件的相互作用都有了许多重大发现。我国已有工作利用大气低频振荡与厄尔尼诺的相互影响及遥相关的理论进行东北地区夏季冷害、西太平洋和我国南海台风活动、华北地区汛期降雨及江淮流域降雨量等季节内短期气候预测,所得结果表明大气低频振荡理论是一种有很大应用前景的短期气候预测手段。
自然气候变化可能引起水文系列的非平稳性,特别是厄尔尼诺(ENSO)、太平洋十年尺度振荡(PDO)、北大西洋长周期年代际振荡(AMO)等低频气候变化成分。有时,一个水文气象序列的极值行为可能和另一个变量,即所谓的协变量有关。例如:在南方涛动指数的平均值比较大的年份某些地区的年最高海平面也比较高。如何定量描述低频气候指标或其他指标变化对水文气象时间序列极值的影响,引起了水文气象界的关注。
发明内容
本发明实施例要解决的技术问题是提供一种流域水文极值的非平稳性影响指标的确定方法及装置,用以实现对流域水文极值的非平稳性影响指标的确定。
为解决上述技术问题,本发明实施例提供的流域水文极值的非平稳性影响指标的确定方法,包括:
获取在预设时间段内的流域的水文极值,并对所述水文极值建立多个待检测非平稳极值模型;
确定待检测低频气候指标;
对多个所述待检测非平稳极值模型的时变参数分别进行参数值估计,并对进行参数值估计后的待检测非平稳极值模型进行拟合检测,确定多个所述待检测非平稳极值模型中能够作为对所述水文极值的非平稳性指标进行确定的可用非平稳极值模型;
对所述可用非平稳极值模型进行似然比检验,确定出对所述水文极值的非平稳性影响指标进行确定的最优非平稳极值模型;
将所述待检测低频气候指标作为协变量集添加至所述最优非平稳极值模型的时变参数中,获得进行时变参数添加后的第一非平稳极值模型;
根据所述最优非平稳极值模型和所述第一非平稳极值模型,确定所述待检测低频气候指标是否为所述水文极值的非平稳性影响指标。
优选地,对多个待检测非平稳极值模型的时变参数分别进行参数值估计的步骤,包括:
采用极大似然法对多个待检测非平稳极值模型的时变参数分别进行参数值估计。
优选地,对进行参数值估计后的待检测非平稳极值模型进行拟合检测,确定多个所述待检测非平稳极值模型中能够作为对所述水文极值的非平稳性指标进行确定的可用非平稳极值模型的步骤,包括:
对进行参数估计后的待检测非平稳极值模型进行数据标准变换处理;
获得进行数据标准变换处理后的待检测非平稳极值模型的水文极值的次序统计量;
根据获得的水文极值的次序统计量,获得待检测非平稳极值模型的概率图和分位数图;
在所述分位数图的曲线与理想曲线之间的差值小于预设数值时,确定所述待检测非平稳极值模型为可用非平稳极值模型。
优选地,对所述可用非平稳极值模型进行似然比检验,确定出对所述水文极值的非平稳性进行确定的最优非平稳极值模型的步骤,包括:
以时变参数的复杂等级对所述可用非平稳极值模型进行排序,确定出时变参数的复杂等级为最低等级的第一可用非平稳极值模型;
获得所述第一可用非平稳极值模型的对数似然函数的第一最大值和剩余的可用非平稳极值模型的对数似然函数的第二最大值;
根据所述第一最大值和所述第二最大值之间的差值,确定出所述最优非平稳极值模型。
优选地,根据所述最优非平稳极值模型和所述第一非平稳极值模型,确定所述待检测低频气候指标是否为所述水文极值的非平稳性影响指标的步骤,包括:
获得所述最优非平稳极值模型的对数似然函数的第三最大值,以及所述第一非平稳极值模型的对数似然函数的第四最大值;
通过所述第三最大值与所述第四最大值的差值,获得偏差度的数值;
在所述偏差度的数值大于第一预设值时,确定所述待检测低频气候指标为所述水文极值的非平稳性影响指标;
在所述偏差度的数值小于所述第一预设值时,确定所述待检测低频气候指标不为所述水文极值的非平稳性影响指标。
优选地,所述流域水文极值的非平稳性影响指标的确定方法还包括:
将已确定为所述水文极值的非平稳性影响指标的待检测低频气候指标对应的第一非平稳极值模型记为第二非平稳极值模型,并确定所述第二非平稳极值模型中带有的待检测低频气候指标数量最少的第三非平稳极值模型;
根据所述第三非平稳极值模型和剩余的所述第二非平稳极值模型,确定出对所述水文极值的非平稳性影响最大的待检测低频气候指标。
根据本发明实施例的另一方面,本发明实施例还提供了一种流域水文极值的非平稳性影响指标的确定装置,包括:
获取模块,用于获取在预设时间段内的流域的水文极值,并对所述水文极值建立多个待检测非平稳极值模型;
第一确定模块,用于确定待检测低频气候指标;
第二确定模块,用于对多个所述待检测非平稳极值模型的时变参数分别进行参数值估计,并对进行参数值估计后的待检测非平稳极值模型进行拟合检测,确定多个所述待检测非平稳极值模型中能够作为对所述水文极值的非平稳性指标进行确定的可用非平稳极值模型;
第三确定模块,用于对所述可用非平稳极值模型进行似然比检验,确定出对所述水文极值的非平稳性影响指标进行确定的最优非平稳极值模型;
获得模块,用于将所述待检测低频气候指标作为协变量集添加至所述最优非平稳极值模型的时变参数中,获得进行时变参数添加后的第一非平稳极值模型;
第四确定模块,用于根据所述最优非平稳极值模型和所述第一非平稳极值模型,确定所述待检测低频气候指标是否为所述水文极值的非平稳性影响指标。
优选地,所述第二确定模块包括:
第一确定单元,用于采用极大似然法对多个待检测非平稳极值模型的时变参数分别进行参数值估计。
优选地,所述第二确定模块还包括:
第一处理单元,用于对进行参数估计后的待检测非平稳极值模型进行数据标准变换处理;
第一获得单元,用于获得进行数据标准变换处理后的待检测非平稳极值模型的水文极值的次序统计量;
第二获得单元,用于根据获得的水文极值的次序统计量,获得待检测非平稳极值模型的概率图和分位数图;
第一确定单元,用于在所述分位数图的曲线与理想曲线之间的差值小于预设数值时,确定所述待检测非平稳极值模型为可用非平稳极值模型。
优选地,所述第三确定模块包括:
第二确定单元,用于以时变参数的复杂等级对所述可用非平稳极值模型进行排序,确定出时变参数的复杂等级为最低等级的第一可用非平稳极值模型;
第三获得单元,用于获得所述第一可用非平稳极值模型的对数似然函数的第一最大值和剩余的可用非平稳极值模型的对数似然函数的第二最大值;
第三确定单元,用于根据所述第一最大值和所述第二最大值之间的差值,确定出所述最优非平稳极值模型。
优选地,所述第四确定模块包括:
第四获得单元,用于获得所述最优非平稳极值模型的对数似然函数的第三最大值,以及所述第一非平稳极值模型的对数似然函数的第四最大值;
第五获得单元,用于通过所述第三最大值与所述第四最大值的差值,获得偏差度的数值;
第四确定单元,用于在所述偏差度的数值大于第一预设值时,确定所述待检测低频气候指标为所述水文极值的非平稳性影响指标;
第五确定单元,用于在所述偏差度的数值小于所述第一预设值时,确定所述待检测低频气候指标不为所述水文极值的非平稳性影响指标。
优选地,所述流域水文极值的非平稳性影响指标的确定装置还包括:
第五确定模块,用于将已确定为所述水文极值的非平稳性影响指标的待检测低频气候指标对应的第一非平稳极值模型记为第二非平稳极值模型,并确定所述第二非平稳极值模型中带有的待检测低频气候指标数量最少的第三非平稳极值模型;
第六确定模块,用于根据所述第三非平稳极值模型和剩余的所述第二非平稳极值模型,确定出对所述水文极值的非平稳性影响最大的待检测低频气候指标。
与现有技术相比,本发明实施例提供的流域水文极值的非平稳性影响指标的确定方法及装置,至少具有以下有益效果:
首先对建立的多个待检测非平稳极值模型进行参数估计和模拟拟合检验,确定出能够用于对水文极值的非平稳性指标进行确认的可用非平稳极值模型,最后通过似然比检验方法确定出对流域水文极值的非平稳性指标进行确定的最优非平稳极值模型,确定出的最优非平稳极值模型能够提高对后续的非平稳性指标进行检测的精度。在确定出该最优非平稳极值模型后,将待检测低频气候指标作为协变量集代入至该最优非平稳极值模型中并获得第一非平稳极值模型,通过对最优非平稳极值模型和第一非平稳极值模型进行似然比检验,能够实现确定待检测低频气候指标是否为该流域水文极值的非平稳性指标。通过确定出的流域水文极值的非平稳性指标,便于对流域极端雨洪事件的风险分析与变化趋势进行预测。
附图说明
图1为本发明实施例所述的流域水文极值的非平稳性影响指标的确定方法的流程示意图之一;
图2为本发明实施例所述的流域水文极值的非平稳性影响指标的确定方法的流程示意图之二;
图3为本发明实施例所述的流域水文极值的非平稳性影响指标的确定装置的流程示意图之一;
图4为本发明实施例所述的流域水文极值的非平稳性影响指标的确定装置的流程示意图之二。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
参照图1,本发明实施例提供的流域水文极值的非平稳性影响指标的确定方法,包括:
步骤101,获取在预设时间段内的流域的水文极值,并对所述水文极值建立多个待检测非平稳极值模型。
步骤102,确定待检测低频气候指标。
步骤103,对多个所述待检测非平稳极值模型的时变参数分别进行参数值估计,并对进行参数值估计后的待检测非平稳极值模型进行拟合检测,确定多个所述待检测非平稳极值模型中能够作为对所述水文极值的非平稳性指标进行确定的可用非平稳极值模型。
步骤104,对所述可用非平稳极值模型进行似然比检验,确定出对所述水文极值的非平稳性影响指标进行确定的最优非平稳极值模型。
步骤105,将所述待检测低频气候指标作为协变量集添加至所述最优非平稳极值模型的时变参数中,获得进行时变参数添加后的第一非平稳极值模型。
步骤106,根据所述最优非平稳极值模型和所述第一非平稳极值模型,确定所述待检测低频气候指标是否为所述水文极值的非平稳性影响指标。
在本发明实施例中,流域的水文极值包括流域暴雨极值和流域洪水极值。
流域洪水极值包括洪水峰值和最大T日洪量这两个最重要的指标,对洪水峰值和最大T日洪量的获取是通过包括以下步骤:首先确定要检测流域在哪一时间周期内的洪水极值,例如时间周期为2006年1月1日起至2016年12月31日之间的洪水极值;其次,对流域内的水库在上述时间周期内的防洪调度过程进行分析,计算获得每一场次的洪水的削峰比例和拦蓄比例,对洪峰洪量的实测数据进行还原,得到进行还原后的洪水峰值和最大T日洪量。
流域暴雨极值的获取是基于集水网格单元进行分析计算的。以流域洪水的集水面积为研究区域,根据区域内暴雨中心的分布和流域内雨量站分布情况,选取若干个雨量站作为流域降水的代表站。根据流域的数字高程模型(DEM)、各雨量站的经纬度及逐日降水量资料,采用距离倒数平方法计算研究流域每个集水网格的点雨量,然后统计得到研究流域的逐日降水量。
在步骤101中,建立的多个待检测非平稳极值模型是预先通过多次试验进行确定的,不同的待检测非平稳极值模型的不同体现在其时变参数的不同。并且,在本发明实施例中,不同待检测非平稳极值模型的形状参数的表达式均相同,仅是尺度参数和位置参数的不同。在本发明实施例中,流域洪水极值建立的是非平稳GEV(广义极值)分布模型,流域暴雨极值建立的是非平稳GPD(广义帕累托)分布模型。
非平稳GEV分布模型的函数式为:
其中,μ(t)为位置参数、σ(t)为尺度参数、ξ(t)为形状参数,并满足μ(t)∈R,σ(t)>0,ξ(t)∈R以及1+ξ(t)(x-μ(t))/σ(t)>0。
非平稳GPD分布模型的函数式为:
其中,μ(t)为位置参数、σ(t)为尺度参数、ξ(t)为形状参数。
在步骤102中,待检测低频气候指标为操作人员通过历史数据总结确定出。
在步骤103中,时变参数包括:形状参数、位置参数和尺度参数。通过步骤101建立的待检测非平稳极值模型中的时变参数中的多个参数是未知参数,需要对上述三个时变参数中的参数值进行确定后,才能进行后续的检测。在本发明实施例中,对时变参数中参数值的确定是通过采用极大似然法估计获得的。通过将每一种待检测非平稳极值模型的似然函数的最大值所对应的参数值作为时变参数中的参数数值。
以非平稳GEV分布模型为例,假设前序步骤101中建立的待检测非平稳GEV分布模型的数量为5个。第一待检测非平稳GEV分布模型与第二待检测非平稳GEV分布模型的时变参数的不同体现在位置参数的表达式不同,形状参数和尺度参数均为相同的表达式,第一待检测非平稳GEV分布模型的位置参数为时间t的线性函数,其表达式为:
μ(t)=β0+β1t
第二待检测非平稳GEV分布模型的位置参数是时间t的二次函数,其表达式为:
μ(t)=β0+β1t+β2t2
第三待检测非平稳GEV分布模型与第四待检测非平稳GEV分布模型的时变参数的不同体现在尺度参数的不同,形状参数和位置参数均为相同的表达式,第三待检测非平稳GEV分布模型的尺度参数是时间t的线性函数,其表达式为:
σ(t)=β3+β4t
第四待检测非平稳GEV分布模型的尺度参数是时间t的指数函数,其表达式为:
σ(t)=exp{β3+β4t}
第五待检测非平稳GEV分布模型的位置参数和尺度参数均是时间t的线性函数,其中,位置参数的表达式为:
μ(t)=β0+β1t
尺度参数的表达式为:
σ(t)=β3+β4t
并且,第五待检测非平稳GEV分布模型的形状参数的表达式与上述第一待检测非平稳GEV分布模型至第四待检测非平稳GEV分布模型的形状参数的表达式均相同。
通过本发明实施例提供的流域水文极值的非平稳性影响指标的确定方法,能够确定出对流域水文极值的非平稳性有影响的非平稳性指标,便于了对流域的极端雨洪事件的风险分析与变化趋势预测。
优选地,在本发明实施例中,步骤103包括:
步骤1031,采用极大似然法对多个待检测非平稳极值模型的时变参数分别进行参数值估计。
优选地,在本发明实施例中,步骤103还包括:
步骤1032,对进行参数估计后的待检测非平稳极值模型进行数据标准变换处理。
步骤1033,获得进行数据标准变换处理后的待检测非平稳极值模型的水文极值的次序统计量。
步骤1034,根据获得的水文极值的次序统计量,获得待检测非平稳极值模型的概率图和分位数图;
步骤1035,在所述分位数图的曲线与理想曲线之间的差值小于预设数值时,确定所述待检测非平稳极值模型为可用非平稳极值模型。
在步骤1032中,对于进行参数估计后的待检测非平稳极值模型进行数据标准化变换处理的原因在于,非平稳时间序列的分布可能随时间而变化,所以针对独立同分布数据的模型诊断方法不能直接用于非平稳时间序列,必须进行修正。
步骤1031至步骤1035记载的内容能够确定出多个待检测非平稳极值模型中哪些模型能够用于对流域水文极值的非平稳性指标进行确定的模型。
针对于非平稳GEV分布模型来说,是非平稳序列的参数估计值,满足通过标准变换处理后的标准化变量为:
上述进行标准变换处理后的标准化变量具有标准Gumbel(耿贝尔)分布,其概率分布函数为H1(x)。所以经此标准变换处理后得到的是标准Gumbel分布的一个样本,且相应的次序统计量为:
根据获得的次序统计量可以获得概率图的表达式:
以及分位数图的表达式:
若进行参数值估计后的待检测非平稳GEV分布模型正确,那么分位数图的曲线应接近于直线,此处的直线即为上述步骤1035中的理想曲线。对分位数图的曲线与该理想曲线进行拟合,若两曲线能够基本拟合,也即步骤1035中记载的分位数图的曲线与理想曲线之间的差值小于预设数值时,即表明上述的待检测非平稳GEV分布模型能够作为可用非平稳GEV分布模型。
当拟合的模型为非平稳GPD分布时,其标准化变量是标准指数分布的一个样本。根据计算的标准化变量得到相应的次序统计量,即可以绘制概率图和分位数图。再根据其分位数图的曲线进行拟合比较确定出哪些待检测非平稳GPD分布模型能够作为可用非平稳GPD分布模型。
优选地,在本发明实施例中,步骤104包括:
步骤1041,以时变参数的复杂等级对所述可用非平稳极值模型进行排序,确定出时变参数的复杂等级为最低等级的第一可用非平稳极值模型。
步骤1042,获得所述第一可用非平稳极值模型的对数似然函数的第一最大值和剩余的可用非平稳极值模型的对数似然函数的第二最大值。
步骤1043,根据所述第一最大值和所述第二最大值之间的差值,确定出所述最优非平稳极值模型。
时变参数中包含的参数越多,则认为该时变参数的复杂等级为高复杂等级。当时变参数种包含的参数越多时,模型的输出结果的精度会更差。因此,应当优先选择包含参数较少的模型。步骤1041至步骤1043记载的内容是用于确定是否有必要将时变参数所包含的参数较多的模型作为最优非平稳极值模型。
假设上述确定的可用非平稳极值模型为5个,通过步骤1041进行排序后,记为模型M1、模型M2、模型M3、模型M4和模型M5,第一可用非平稳极值模型即为模型M1,将模型M1对应的似然函数的最大值依次与模型M2至M5四个模型的似然函数的最大值进行差值计算,若模型M1与模型M2至模型M5的对应的似然函数的最大值的差值均小于预设值,则确定模型M1为最优可用非平稳极值模型,也即,确定第一可用非平稳极值模型为最优可用非平稳极值模型;当模型M1与模型M2对应的似然函数的最大值的差值大于预设值,则排除模型M1,并将模型M2对应的似然函数的最大值作为第一最大值,与模型M3至模型M5的似然函数的最大值依次进行差值计算,若模型M2与模型M3至模型M5的对应的似然函数的最大值的差值均小于预设值,则确定模型M2为最优可用非平稳极值模型;若模型M1与模型M3的最大值的差值大于预设值,并且模型M1与模型M2的最大值的差值小于预设值时,则排除模型M1和模型M2,并将模型M3对应的似然函数的最大值作为第一最大值,与模型M4和模型M5,重复进行上述步骤,直至确定出最优可用非平稳极值模型。若最后只有两个模型,且两个模型的差值大于预设值,则将时变参数复杂等级较高的模型确定为最优可用非平稳极值模型,例如:经过上述比较,剩下模型M4和模型M5,若模型M4和模型M5的似然函数的最大值的差值大于预设值,则将模型M5确定为最优可用非平稳极值模型。
在上述举例中,预设值是自由度为k的卡方分布χk 2的1-α的分位点,α是指显著性水平,置信度1-α的数值通常为95%,k是进行比较时的两个可用非平稳极值模型的维数差。
通过上述步骤获得的最优非平稳极值模型,可以作为对流域水文极值的非平稳性指标确认的最优模型,为了确定哪些待检测低频气候变化指标对流域水文极值的非平稳性有影响,需要通过步骤105记载的内容将待检测低频气候指标添加至确定的最优非平稳极值模型的时变参数中。
步骤105中的添加是指将待检测低频气候指标的数值以加法的形式加入至时变参数的表达式中。例如:在通过步骤104中确定的最优非平稳极值模型的位置参数的表达式为μ(t)=f(t),待检测低频气候指标为m个,在对协变量添加后的位置参数的表达式变换为:
μ(t)=f(t)+β1ID1(t)+β2ID2(t)+…+βmIDm(t)
ID1(t)、ID2(t)、ID3(t)、…、IDm(t)为前述的m个协变量。待检测低频气候指标既可以叠加至位置参数的表达式中,同时也可以叠加至尺度参数的表达式中,因此,在进行协变量叠加后,可以得到22m-1个第一非平稳极值模型。
优选地,在本发明实施例中,步骤106包括:
步骤1061,获得所述最优非平稳极值模型的对数似然函数的第三最大值,以及所述第一非平稳极值模型的对数似然函数的第四最大值。
步骤1062,通过所述第三最大值与所述第四最大值的差值,获得偏差度的数值。
步骤1063,在所述偏差度的数值大于第一预设值时,确定所述待检测低频气候指标为所述水文极值的非平稳性影响指标。
步骤1064,在所述偏差度的数值小于所述第一预设值时,确定所述待检测低频气候指标不为所述水文极值的非平稳性影响指标。
通过上述步骤1061至步骤1064记载的内容,便可以确定出哪些待检测低频气候变化指标对流域水文极值的非平稳性具有影响。
若第三最大值与第四最大值的差值大于第一预设值时,说明在添加协变量后的第一非平稳极值模型对流域水文极值的非平稳性影响较大,因此,确定第一非平稳极值模型中添加的待检测低频气候指标为对流域水文极值的非平稳性影响指标。
在上述步骤1063和步骤1064中,第一预设值是自由度为k的卡方分布χk 2的1-α的分位点,α是指显著性水平,置信度1-α的数值通常为95%,k是进行比较时的最优非平稳极值模型与第一非平稳极值模型的维数差。参照图2,优选地,在本发明实施例中,所述流域水文极值的非平稳性影响指标的确定方法还包括:
步骤107,将已确定为所述水文极值的非平稳性影响指标的待检测低频气候指标对应的第一非平稳极值模型记为第二非平稳极值模型,并确定所述第二非平稳极值模型中带有的待检测低频气候指标数量最少的第三非平稳极值模型。
步骤108,根据所述第三非平稳极值模型和剩余的所述第二非平稳极值模型,确定出对所述水文极值的非平稳性影响最大的待检测低频气候指标。
假设对于前述步骤105中假设的m个待检测低频气候变化指标组成的22m-1个第一非平稳极值模型中确定出有m0个第一非平稳极值模型的对数似然函数的最大值均大于最优非平稳极值模型的对数似然函数的最大值,此时,为了更加精确的确定出对流域水文极值的非平稳性影响最大的低频气候指标。在该m0个第一非平稳极值模型中确定出低频气候变化指标数量最小的最少第一非平稳极值模型,将剩余的m0-1个第一非平稳性极值模型与该最少第一非平稳极值模型再次通过上述步骤1061至步骤1064记载的原理进一步确定出哪些低频气候变化指标对流域水文极值的非平稳性影响最大。
通过本发明实施例提供的流域水文极值的非平稳性影响指标的确定方法,能够确定出哪些低频气候变化指标对流域水文极值的非平稳性有影响,便于对流域极端雨洪事件的风险分析与变化趋势进行预测。
根据本发明实施例的另一方面,参照图2,本发明实施例还提供了一种流域水文极值的非平稳性影响指标的确定装置,包括:
获取模块1,用于获取在预设时间段内的流域的水文极值,并对所述水文极值建立多个待检测非平稳极值模型;
第一确定模块2,用于确定待检测低频气候指标;
第二确定模块3,用于对多个所述待检测非平稳极值模型的时变参数分别进行参数值估计,并对进行参数值估计后的待检测非平稳极值模型进行拟合检测,确定多个所述待检测非平稳极值模型中能够作为对所述水文极值的非平稳性指标进行确定的可用非平稳极值模型;
第三确定模块4,用于对所述可用非平稳极值模型进行似然比检验,确定出对所述水文极值的非平稳性影响指标进行确定的最优非平稳极值模型;
获得模块5,用于将所述待检测低频气候指标作为协变量集添加至所述最优非平稳极值模型的时变参数中,获得进行时变参数添加后的第一非平稳极值模型;
第四确定模块6,用于根据所述最优非平稳极值模型和所述第一非平稳极值模型,确定所述待检测低频气候指标是否为所述水文极值的非平稳性影响指标。
优选地,所述第二确定模块包括:
第一确定单元,用于采用极大似然法对多个待检测非平稳极值模型的时变参数分别进行参数值估计。
优选地,所述第二确定模块还包括:
第一处理单元,用于对进行参数估计后的待检测非平稳极值模型进行数据标准变换处理;
第一获得单元,用于获得进行数据标准变换处理后的待检测非平稳极值模型的水文极值的次序统计量;
第二获得单元,用于根据获得的水文极值的次序统计量,获得待检测非平稳极值模型的概率图和分位数图;
第一确定单元,用于在所述分位数图的曲线与理想曲线之间的差值小于预设数值时,确定所述待检测非平稳极值模型为可用非平稳极值模型。
优选地,所述第三确定模块包括:
第二确定单元,用于以时变参数的复杂等级对所述可用非平稳极值模型进行排序,确定出时变参数的复杂等级为最低等级的第一可用非平稳极值模型;
第三获得单元,用于获得所述第一可用非平稳极值模型的对数似然函数的第一最大值和剩余的可用非平稳极值模型的对数似然函数的第二最大值;
第三确定单元,用于根据所述第一最大值和所述第二最大值之间的差值,确定出所述最优非平稳极值模型。
优选地,所述第四确定模块包括:
第四获得单元,用于获得所述最优非平稳极值模型的对数似然函数的第三最大值,以及所述第一非平稳极值模型的对数似然函数的第四最大值;
第五获得单元,用于通过所述第三最大值与所述第四最大值的差值,获得偏差度的数值;
第四确定单元,用于在所述偏差度的数值大于第一预设值时,确定所述待检测低频气候指标为所述水文极值的非平稳性影响指标;
第五确定单元,用于在所述偏差度的数值小于所述第一预设值时,确定所述待检测低频气候指标不为所述水文极值的非平稳性影响指标。
参照图4,优选地,在本发明第二实施例的基础上,所述流域水文极值的非平稳性影响指标的确定装置还包括:
第五确定模块7,用于将已确定为所述水文极值的非平稳性影响指标的待检测低频气候指标对应的第一非平稳极值模型记为第二非平稳极值模型,并确定所述第二非平稳极值模型中带有的待检测低频气候指标数量最少的第三非平稳极值模型;
第六确定模块8,用于根据所述第三非平稳极值模型和剩余的所述第二非平稳极值模型,确定出对所述水文极值的非平稳性影响最大的待检测低频气候指标。
本发明实施例所述的数据传输装置,是与上述方法对应的装置,上述方法中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。能够确定出哪些低频气候变化指标对流域水文极值的非平稳性有影响,便于对流域极端雨洪事件的风险分析与变化趋势进行预测。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种流域水文极值的非平稳性影响指标的确定方法,其特征在于,包括:
获取在预设时间段内的流域的水文极值,并对所述水文极值建立多个待检测非平稳极值模型;
确定待检测低频气候指标;
对多个所述待检测非平稳极值模型的时变参数分别进行参数值估计,并对进行参数值估计后的待检测非平稳极值模型进行拟合检测,确定多个所述待检测非平稳极值模型中能够作为对所述水文极值的非平稳性指标进行确定的可用非平稳极值模型;
对所述可用非平稳极值模型进行似然比检验,确定出对所述水文极值的非平稳性影响指标进行确定的最优非平稳极值模型;
将所述待检测低频气候指标作为协变量集添加至所述最优非平稳极值模型的时变参数中,获得进行时变参数添加后的第一非平稳极值模型;
根据所述最优非平稳极值模型和所述第一非平稳极值模型,确定所述待检测低频气候指标是否为所述水文极值的非平稳性影响指标。
2.根据权利要求1所述的流域水文极值的非平稳性影响指标的确定方法,其特征在于,对多个待检测非平稳极值模型的时变参数分别进行参数值估计的步骤,包括:
采用极大似然法对多个待检测非平稳极值模型的时变参数分别进行参数值估计。
3.根据权利要求2所述的流域水文极值的非平稳性影响指标的确定方法,其特征在于,对进行参数值估计后的待检测非平稳极值模型进行拟合检测,确定多个所述待检测非平稳极值模型中能够作为对所述水文极值的非平稳性指标进行确定的可用非平稳极值模型的步骤,包括:
对进行参数估计后的待检测非平稳极值模型进行数据标准变换处理;
获得进行数据标准变换处理后的待检测非平稳极值模型的水文极值的次序统计量;
根据获得的水文极值的次序统计量,获得待检测非平稳极值模型的概率图和分位数图;
在所述分位数图的曲线与理想曲线之间的差值小于预设数值时,确定所述待检测非平稳极值模型为可用非平稳极值模型。
4.根据权利要求1所述的流域水文极值的非平稳性影响指标的确定方法,其特征在于,对所述可用非平稳极值模型进行似然比检验,确定出对所述水文极值的非平稳性进行确定的最优非平稳极值模型的步骤,包括:
以时变参数的复杂等级对所述可用非平稳极值模型进行排序,确定出时变参数的复杂等级为最低等级的第一可用非平稳极值模型;
获得所述第一可用非平稳极值模型的对数似然函数的第一最大值和剩余的可用非平稳极值模型的对数似然函数的第二最大值;
根据所述第一最大值和所述第二最大值之间的差值,确定出所述最优非平稳极值模型。
5.根据权利要求1所述的流域水文极值的非平稳性影响指标的确定方法,其特征在于,根据所述最优非平稳极值模型和所述第一非平稳极值模型,确定所述待检测低频气候指标是否为所述水文极值的非平稳性影响指标的步骤,包括:
获得所述最优非平稳极值模型的对数似然函数的第三最大值,以及所述第一非平稳极值模型的对数似然函数的第四最大值;
通过所述第三最大值与所述第四最大值的差值,获得偏差度的数值;
在所述偏差度的数值大于第一预设值时,确定所述待检测低频气候指标为所述水文极值的非平稳性影响指标;
在所述偏差度的数值小于所述第一预设值时,确定所述待检测低频气候指标不为所述水文极值的非平稳性影响指标。
6.根据权利要求1所述的流域水文极值的非平稳性影响指标的确定方法,其特征在于,所述流域水文极值的非平稳性影响指标的确定方法还包括:
将已确定为所述水文极值的非平稳性影响指标的待检测低频气候指标对应的第一非平稳极值模型记为第二非平稳极值模型,并确定所述第二非平稳极值模型中带有的待检测低频气候指标数量最少的第三非平稳极值模型;
根据所述第三非平稳极值模型和剩余的所述第二非平稳极值模型,确定出对所述水文极值的非平稳性影响最大的待检测低频气候指标。
7.一种流域水文极值的非平稳性影响指标的确定装置,其特征在于,包括:
获取模块,用于获取在预设时间段内的流域的水文极值,并对所述水文极值建立多个待检测非平稳极值模型;
第一确定模块,用于确定待检测低频气候指标;
第二确定模块,用于对多个所述待检测非平稳极值模型的时变参数分别进行参数值估计,并对进行参数值估计后的待检测非平稳极值模型进行拟合检测,确定多个所述待检测非平稳极值模型中能够作为对所述水文极值的非平稳性指标进行确定的可用非平稳极值模型;
第三确定模块,用于对所述可用非平稳极值模型进行似然比检验,确定出对所述水文极值的非平稳性影响指标进行确定的最优非平稳极值模型;
获得模块,用于将所述待检测低频气候指标作为协变量集添加至所述最优非平稳极值模型的时变参数中,获得进行时变参数添加后的第一非平稳极值模型;
第四确定模块,用于根据所述最优非平稳极值模型和所述第一非平稳极值模型,确定所述待检测低频气候指标是否为所述水文极值的非平稳性影响指标。
8.根据权利要求7所述的流域水文极值的非平稳性影响指标的确定装置,其特征在于,所述第二确定模块包括:
第一确定单元,用于采用极大似然法对多个待检测非平稳极值模型的时变参数分别进行参数值估计。
9.根据权利要求8所述的流域水文极值的非平稳性影响指标的确定装置,其特征在于,所述第二确定模块还包括:
第一处理单元,用于对进行参数估计后的待检测非平稳极值模型进行数据标准变换处理;
第一获得单元,用于获得进行数据标准变换处理后的待检测非平稳极值模型的水文极值的次序统计量;
第二获得单元,用于根据获得的水文极值的次序统计量,获得待检测非平稳极值模型的概率图和分位数图;
第一确定单元,用于在所述分位数图的曲线与理想曲线之间的差值小于预设数值时,确定所述待检测非平稳极值模型为可用非平稳极值模型。
10.根据权利要求7所述的流域水文极值的非平稳性影响指标的确定装置,其特征在于,所述第三确定模块包括:
第二确定单元,用于以时变参数的复杂等级对所述可用非平稳极值模型进行排序,确定出时变参数的复杂等级为最低等级的第一可用非平稳极值模型;
第三获得单元,用于获得所述第一可用非平稳极值模型的对数似然函数的第一最大值和剩余的可用非平稳极值模型的对数似然函数的第二最大值;
第三确定单元,用于根据所述第一最大值和所述第二最大值之间的差值,确定出所述最优非平稳极值模型。
11.根据权利要求7所述的流域水文极值的非平稳性影响指标的确定装置,其特征在于,所述第四确定模块包括:
第四获得单元,用于获得所述最优非平稳极值模型的对数似然函数的第三最大值,以及所述第一非平稳极值模型的对数似然函数的第四最大值;
第五获得单元,用于通过所述第三最大值与所述第四最大值的差值,获得偏差度的数值;
第四确定单元,用于在所述偏差度的数值大于第一预设值时,确定所述待检测低频气候指标为所述水文极值的非平稳性影响指标;
第五确定单元,用于在所述偏差度的数值小于所述第一预设值时,确定所述待检测低频气候指标不为所述水文极值的非平稳性影响指标。
12.根据权利要求7所述的流域水文极值的非平稳性影响指标的确定装置,其特征在于,所述流域水文极值的非平稳性影响指标的确定装置还包括:
第五确定模块,用于将已确定为所述水文极值的非平稳性影响指标的待检测低频气候指标对应的第一非平稳极值模型记为第二非平稳极值模型,并确定所述第二非平稳极值模型中带有的待检测低频气候指标数量最少的第三非平稳极值模型;
第六确定模块,用于根据所述第三非平稳极值模型和剩余的所述第二非平稳极值模型,确定出对所述水文极值的非平稳性影响最大的待检测低频气候指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710252704.1A CN107423544B (zh) | 2017-04-18 | 2017-04-18 | 一种流域水文极值的非平稳性影响指标的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710252704.1A CN107423544B (zh) | 2017-04-18 | 2017-04-18 | 一种流域水文极值的非平稳性影响指标的确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107423544A true CN107423544A (zh) | 2017-12-01 |
CN107423544B CN107423544B (zh) | 2020-05-19 |
Family
ID=60423591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710252704.1A Active CN107423544B (zh) | 2017-04-18 | 2017-04-18 | 一种流域水文极值的非平稳性影响指标的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423544B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753633A (zh) * | 2018-12-05 | 2019-05-14 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于非平稳gev分布模型的结构抗风失效风险评估方法 |
CN109870146A (zh) * | 2019-02-13 | 2019-06-11 | 中国水利水电科学研究院 | 一种气候变化情景下的洪水频率计算方法和装置 |
CN110135114A (zh) * | 2019-06-06 | 2019-08-16 | 中国水利水电科学研究院 | 河流设计最低通航水位的确定方法和装置 |
CN110232477A (zh) * | 2019-06-05 | 2019-09-13 | 中国水利水电科学研究院 | 一种反应下垫面变化影响的洪水预警方法和装置 |
CN113268710A (zh) * | 2021-05-17 | 2021-08-17 | 中国水利水电科学研究院 | 一种干旱极值信息输出方法、装置、电子设备和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205217A (zh) * | 2015-08-25 | 2015-12-30 | 中国科学院地理科学与资源研究所 | 一种判别水文时间序列非平稳性的方法 |
-
2017
- 2017-04-18 CN CN201710252704.1A patent/CN107423544B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205217A (zh) * | 2015-08-25 | 2015-12-30 | 中国科学院地理科学与资源研究所 | 一种判别水文时间序列非平稳性的方法 |
Non-Patent Citations (1)
Title |
---|
鲁帆等: "非平稳时间序列极值统计模型及其在气候-水文变化研究中的应用综述", 《水利学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753633A (zh) * | 2018-12-05 | 2019-05-14 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于非平稳gev分布模型的结构抗风失效风险评估方法 |
CN109870146A (zh) * | 2019-02-13 | 2019-06-11 | 中国水利水电科学研究院 | 一种气候变化情景下的洪水频率计算方法和装置 |
CN110232477A (zh) * | 2019-06-05 | 2019-09-13 | 中国水利水电科学研究院 | 一种反应下垫面变化影响的洪水预警方法和装置 |
CN110135114A (zh) * | 2019-06-06 | 2019-08-16 | 中国水利水电科学研究院 | 河流设计最低通航水位的确定方法和装置 |
CN110135114B (zh) * | 2019-06-06 | 2020-10-20 | 中国水利水电科学研究院 | 河流设计最低通航水位的确定方法和装置 |
CN113268710A (zh) * | 2021-05-17 | 2021-08-17 | 中国水利水电科学研究院 | 一种干旱极值信息输出方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107423544B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423544A (zh) | 一种流域水文极值的非平稳性影响指标的确定方法及装置 | |
Xu et al. | Uncertainty analysis in statistical modeling of extreme hydrological events | |
CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN107316095A (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
CN110598290A (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
CN103177301A (zh) | 一种台风灾害风险预估方法 | |
CN104182594A (zh) | 一种电力系统风区图的绘制方法 | |
CN113128758B (zh) | 基于近海浮标海浪观测数据构建的最大浪高预报系统 | |
Lu et al. | Application of profile likelihood function to the uncertainty analysis of hydrometeorological extreme inference | |
CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
CN104281776A (zh) | 一种人类活动对河川径流过程显著影响期的判断方法 | |
CN114819322B (zh) | 湖泊入湖流量的预报方法 | |
CN111260159A (zh) | 一种气象水文耦合洪水测报法 | |
CN112052559A (zh) | 一种基于月水量平衡的三参数水文模型及其构建方法 | |
CN109190845B (zh) | 一种两阶段动态优化短期风电功率预测方法 | |
CN103353295A (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN103886177A (zh) | 一种基于空间网格预测雷击火日发生概率的方法 | |
CN110847112B (zh) | 一种基于水力学模拟的河道泄洪预警方法 | |
Fischer et al. | Seasonal cycle in German daily precipitation extremes | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
CN115453664A (zh) | 一种适用于无资料地区的降雨径流预报方法 | |
CN106557614B (zh) | 一种基于Halphen IB分布的洪水频率分析方法 | |
CN114781749A (zh) | 一种小水电厂发电流量数据的预测方法及系统 | |
CN111101477B (zh) | 一种无资料设计流域补充实测时枯水流量的确定方法 | |
CN113435630A (zh) | 一种产流模式自适应的流域水文预报方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |