CN107563554A - 一种统计降尺度模型预报因子的筛选方法 - Google Patents
一种统计降尺度模型预报因子的筛选方法 Download PDFInfo
- Publication number
- CN107563554A CN107563554A CN201710764997.1A CN201710764997A CN107563554A CN 107563554 A CN107563554 A CN 107563554A CN 201710764997 A CN201710764997 A CN 201710764997A CN 107563554 A CN107563554 A CN 107563554A
- Authority
- CN
- China
- Prior art keywords
- mrow
- factor
- msub
- precipitation
- yardstick
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种统计降尺度模型预报因子的筛选方法,包括以下步骤:步骤1,建立流域气象站点与栅格的位置关系图;步骤2,推求各个站点实测降水、气温等预报量与再分析数据大气环流因子之间的相关关系,包括与气象站点所在栅格的相关关系以及与周围栅格的相关关系,根据设定的相关系数阈值挑选出适合的因子;步骤3,分析在月尺度、季节尺度、年尺度三个尺度下,率定期的判定标准确定性系数的变化;步骤4,根据步骤3不同尺度和不同的挑选因子方式,对模型进行分析检验。
Description
技术领域
本发明涉及一种预报因子的筛选方法,特别涉及一种统计降尺度模型预报因子的筛选方法。
背景技术
受全球气候变化的影响,世界各地的气候水文过程在过去的半个多世纪中都发生了明显的变化,导致诸多区域(或流域)降水、气温等的极值事件增加,洪水频发、湖泊水体萎缩等现象加剧。在这种背景下研究气候的量变以及预测未来气候变化工作刻不容缓。,一般依赖于全球气候模式(Global Climate Model, GCM)提供的气候变量,即将全球气候模式输出的气候变量与环境响应模型(如:水文模型)相结合,评估环境要素(如:径流)对气候变化的响应。全球气候模式输出可以较好地模拟大尺度和季节性的平均气候特征,然而其较低的空间分辨率 (100~300km)使其难以直接与响应模型相结合,估算气候变化对局地或站点尺度环境要素的影响。因此,在开展影响评估之前,需要通过一定的技术手段将大网格尺度的气候变量转化为局地或站点尺度气候变化情景。同时,由于对气候系统理解的局限性,与同一网格尺度观测气象要素相比,全球气候模式模拟数据具有较大的偏差。为了解决气候模式输出与响应模型输入之间尺度不匹配以及全球气候模式输出数据存在偏差等问题,降尺度方法得以开发。降尺度是指将大尺度 (低时空分辨率)的全球气候模式输出结果通过动力学或统计学方法转化到小尺度(高时空分辨率)局地或站点气候变化情景的过程。常用的降尺度方法可以分为 3大类:动力降尺度、统计降尺度以及动力和统计相结合的降尺度方法。其中,统计降尺度方法使用比较灵活而且计算量小,所以经常被用在对于气候的评价中。统计降尺度方法是指通过建立大尺度气候模式输出变量与小尺度气象要素之间的统计关系,产生站点或流域尺度气候变化情景的过程。由于气候模式的多格网和多预报因子组成了一个多维的大尺度预报因子数据集,如果不进行降维处理和特征因子的选择,将会导致计算过程中的维数灾,这对气候变化研究是极其不利的。
基于统计降尺度方法研究气候变化的原理是在历史阶段建立栅格尺度多个大气环流因子(预报因子,如相对湿度和风速等)和站点或区域观测气象要素(预报变量,如降水和气温)之间的线性或非线性关系,然后将这种确定好的关系应用于未来时段的栅格尺度大气环流因子,从而获得站点或者区域的未来气候变化情景和未来的降水、气温等数据。该方法一般基于以下三个假设:①GCMs能够很好的模拟网格尺度的大气环流因子;②大气环流因子与区域或站点尺度气象要素之间具有显著的统计关系;③基于历史阶段数据所建立的函数关系可用于未来气候变化时段。预报因子筛选是统计降尺度模型建立的第一步,很大程度上决定了未来气候情景的特征,对研究气候变化下的水文响应效果具有决定性的作用。选择预报因子一般要求其具有丰富的预报信息和预报能力,选取的预报因子必须具备以下特点:对大尺度气候变化足够敏感;易于获取、连续且能被准确模拟;与水文气象变量有良好的相关性;与降尺度参数保持显著的相关性,而且所选择的预报因子之间应该是弱相关或无关。常常通过预报因子与预报变量之间的相关性予以确定。传统的因子挑选仅仅只考虑了站点所在栅格的因子对于预报的影响,而没有考虑临近栅格对其挑选的影响,这没有对有用信息进行充分地挖掘,且在一定程度上影响了预测的准确性。
发明内容
本发明所要解决的技术问题是,提供一种统计降尺度模型预报因子的筛选方法及切削方法。
为了解决上述技术问题,本发明提出以下技术方案:一种统计降尺度模型预报因子的筛选方法,其特征在于,包括以下步骤:
步骤1,建立流域气象站点与栅格的位置关系图;
步骤2,推求各个站点实测降水、气温等预报量与再分析数据大气环流因子之间的相关关系,包括与气象站点所在栅格的相关关系以及与周围栅格的相关关系,根据设定的相关系数阈值挑选出适合的因子;
步骤3,分析在月尺度、季节尺度、年尺度三个尺度下,率定期的判定标准确定性系数的变化;
步骤4,根据步骤3不同尺度和不同的挑选因子方式,对模型进行分析检验。
所述步骤1中详细步骤为,首先将站点所在的栅格进行四象限划分,并进一步确定站点所在象限以及与站点邻近的周围三个栅格,本发明需要GCMs数据和再分析数据,该数据可从Canadian Climate Data and Scenarios(CCDS) (http://www.cccsn.ec.gc.ca/)等网站下载,本说明书中使用的GCMs数据和再分析栅格数据即来自此网站,共选择了5个站点,1、3、4和5站点是为了检验本发明中筛选预报因子方法的普适性,而1和2站点位于同一象限是为了重复验证;如站点1位于网格(i,j)第二象限,与其相邻的网格为(i,j+1),(i-1,j+1), (i-1,j)。
所述步骤2中详细步骤为:
2.1 本发明筛选因子方法是利用统计降尺度模型中的多元回归、岭回归分析等方法,通过建立预报量(如降水和气温等)与气候因子之间的相关关系,以及通过设定阈值进行识别而实现的;
2.2 统计降尺度模型(如SDSM)在对降水模型时,首先利用大尺度气候因子模拟降水在某天的发生概率,然后再模拟降水日的降水量,具体表达式如下:
式(1)中,wt是在第t天降水是否发生的条件概率;是标准化后的第j个预报因子;αj是用线性最小二乘法估计的回归系数;ωt-1和αt-1分别是考虑了迟滞一天(lag-1)的降水发生概率和对应的回归系数,该项是可选项,视地区和预报量特点而定;
2.3 为了确定t日是否发生降水,设定一个均匀分布的随机数γt(0≤γt≤1),当ωt≤γt时,t日将发生降水;
在降水日,降水可由分布z-score表示:
式(2)中,Zt是第t天的Z-score,βj是估计的回归系数;βt-1和Zt-1是对应于αt-1和ωt-1的自相关参数以及前一天的Z-score;
2.4 由式(1)和式(2)可得t日的降水量yt:
式(3)中,yt是第t天的降雨量,φ是正态累计分布函数,F是日降水量yt的经验分布函数;
2.5 本发明涉及每个栅格中的26个大气环流因子,包括常用的气候预报因子,例如不同位势高度(850和500hPa)的相对湿度、绝对湿度、经向风速、纬向风速和涡度等;
2.6 根据确定性系数来筛选因子,传统的方法筛选的时候只会考虑站点所在栅格的气候因子,而不会考虑其临近栅格因子的影响;本发明所述方法,不仅考虑了站点所在栅格中气候因子的影响,而且通过相关关系的验证,筛选出了临近栅格中,对站点的多元回归关系影响比较大的因子;
2.7 以(i)X_(j)Y栅格(传统方法)为例(临近栅格筛选方法类似):首先,求出相关关系值,主要是表示实测的降水或温度等其他预报量与26个因子之间相关性的大小,进而筛选相关性强的因子;筛选方法如下图3所示,选择相关关系值绝对值大于某一阈值(如0.2)代表的因子;本发明筛选方法,则是将所有气候因子与实测资料的相关关系先求出来,然后只挑选相关关系强的预报因子,同时保证挑选出来的因子其相互间的相关性较低;
所述步骤3中详细步骤为:
3.1 统计降尺度方法是在大尺度气候因子和局地变量之间建立一种函数关系,即
Y=F(X) (4)
式中Y代表局地预报量;X(x1,x2,···,xn)代表n个大尺度气候预报因子; F(X)即时建立的定量的统计关系;
3.2 从月尺度、季节尺度和年尺度来分别确定使用本发明筛选方法和传统筛选方法在各个尺度上确定性系数,monthly探讨月变化,即每个月的参数互不影响相互独立;seasonal关注季节变化,即春、夏、秋、冬各季节的参数相同,对于某些流域,可以考虑将参数的季节变化与河流的蓄水期、泄水期变化联系起来; annual主要是考虑年际变化,每个月的参数值相同;
3.3 通过比较两种方法在月尺度、季节尺度和年尺度上,确定性系数的变化程度,确定本发明所述的方法确实对因子筛选和模型精度的提高;
3.4 率定模型的时候,会输出气候因子前面的参数值,以及解释方差R2等值,其中表示模拟的建立效果,该值越大表示模型性能越优。根据该参数变化可以确定率定期模型建立的准确度,也能清楚反应传统因子筛选方法和本发明方法的差别;
3.5 以站点1最高气温数据月尺度的变化为例,见图4站点1传统方法(本方法)栅格最高气温模拟对比,从图中可以看到,本发明方法对气温的模拟比传统的要好,尤其对于较高的气温的模拟;
3.6 栅格中5个站点的降水、最高气温、最低气温的变化率分别见图5、图6 和图7,对比图5、图6和图7,可以看到降水的变化率确实与气温的变化率的情况不同,但是站点5却是个例外,站点5使用改进后的方法在各个尺度上都有很大的提高,虽然某些站点提高幅度较小,但是整体上还是有比较大的提高的,特别是对于气温的改进情况整体较好,而且对于1站点和2站点其气温变化程度基本一致,更加能够证明本研究所述的降尺度模型的筛选方法的更有利于模型的率定;
所述步骤4中详细步骤为:
4.1 大尺度预报因子挑选出来后被用做局地天气发生器的参数,以条件化降水是否发生,并反映湿天降水量大小的随机变化,具体公式如下:
式(5)中wi是在第i日降水发生的概率,是标准化后的大尺度环流因子,aj是线性趋势系数;
4.2 如果第i日的降水概率大于日降水概率,则可通过下式对降水量进行模拟。
Zi=φ-1[F(yi)] (6)
式(6)中Zi是模拟的降水量,φ为累计分布函数,F为经验分布函数,y为日降水量;
4.3 根据步骤3率定好的模型参数,验证模型的适用性,通过比较验证期在月尺度、季节尺度和年尺度上的确定性系数的变化程度,确定本发明方法的影响程度。
本发明有如下有益效果:
1、科学合理、贴近实际
在诸多的水文现象和水文过程当中,不可避免地要考虑周围环境的影响,本发明方法通过同时分析比较站点所在栅格和其临近栅格的大气环流因子对统计降尺度模型的影响,建立确定性系数更高的模型,该方法具有较强的实际和统计的基础,能够客观考虑周围的影响因素,并充分考虑了大气环流因子内部之间的相关性。
2、可以为提高统计降尺度方法精度,提供较强的参考依据
统计降尺度方法的依据是建立预报因子与预报变量之间的函数关系,而不论是线性方法还是非线性方法都需要考虑周围环境对站点预报函数关系的影响。有研究指出气候模式和降尺度方法是降尺度模型最大的不确定性来源,那么改进降尺度方法在一定程度上缩小了不确定性。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明的方法流程图。
图2为某流域气象站点位置分布。
图3为站点1最高气温的因子筛选。
图4为站点1传统方法(本方法)栅格最高气温模拟对比。
图5为图4中站点1传统方法(本方法)栅格最高气温模拟对比的局部放大图。
图6为5个站点的降水变化率。
图7为5个站点的最高气温变化率。
图8为5个站点的最低气温变化率。
具体实施方式
下面结合附图对本发明的实施方式做进一步的说明。
如图1,一种统计降尺度模型预报因子的筛选方法,包括以下步骤:
步骤1,建立流域气象站点与栅格的位置关系图;
步骤2,推求各个站点实测降水、气温等预报量与再分析数据大气环流因子之间的相关关系,包括与气象站点所在栅格的相关关系以及与周围栅格的相关关系,根据设定的相关系数阈值挑选出适合的因子;
步骤3,分析在月、季、年三个尺度下,率定期的判定标准确定性系数的变化;
步骤4,根据步骤3不同尺度和不同的挑选因子方式,对模型进行分析检验。
所述步骤1中详细步骤为,首先将站点所在的网格进行四象限划分,并进一步确定站点所在象限以及与站点邻近的周围三个栅格。本发明需要GCMs数据和再分析数据,该数据可从Canadian Climate Data and Scenarios(CCDS) (http://www.cccsn.ec.gc.ca/)等网站下载,本说明书中使用的GCMs数据和再分析栅格数据即来自此网站,共选择了5个站点,1、3、4和5站点是为了检验本发明中筛选预报因子方法的普适性,而1和2站点位于同一象限是为了重复验证;如站点1位于网格(i,j)第二象限,与其相邻的网格为(i,j+1),(i-1,j+1), (i-1,j)。
所述步骤2中详细步骤为:
2.1 本发明筛选因子方法是利用统计降尺度方法中的多元回归分析,通过分别建立降水和气温与气候因子之间的相关关系;
2.2 统计降尺度模型(如SDSM)在对降水模型时,首先利用大尺度气候因子模拟降水在某天的发生概率,然后再模拟降水日的降水量,具体表达式如下:
式(1)中,wt是在第t天降水是否发生的条件概率;是标准化后的第j个预报因子;αj是用线性最小二乘法估计的回归系数;ωt-1和αt-1分别是考虑了迟滞一天(lag-1)的降水发生概率和对应的回归系数,该项是可选项,视地区和预报量特点而定。
2.3 为了确定t日是否发生降水,设定一个均匀分布的随机数γt(0≤γt≤1),当ωt≤γt时,t日将发生降水;
在降水日,降水可由分布z-score表示:
式(2)中,Zt是第t天的Z-score,βj是估计的回归系数;βt-1和Zt-1是对应于αt-1和ωt-1的自相关参数以及前一天的Z-score。
2.4 由式(1)和式(2)可得t日的降水量yt:
yt=F-1[φ(Zt)] (9)
式(3)中,yt是第t天的降雨量,φ是正态累计分布函数,F是日降水量yt的经验分布函数。
2.5 本发明涉及每个栅格中的26个大气环流因子,包括常用的气候预报因子,例如不同位势高度(850和500hPa)的相对湿度、绝对湿度、经向风速、纬向风速和涡度等;
2.6 根据确定性系数来筛选因子,传统的方法筛选的时候只会考虑站点所在栅格的气候因子,而不会考虑其临近栅格因子的影响;本发明所述方法,不仅考虑了站点所在栅格中气候因子的影响,而且通过相关关系的验证,筛选出了临近栅格中,对站点的多元回归关系影响比较大的因子;
2.7 以(i)X_(j)Y栅格(传统方法)为例(临近栅格筛选方法类似):首先,求出相关关系值,主要是表示实测的降水或温度等其他预报量与26个因子之间相关性的大小,进而筛选相关性强的因子。筛选方法如下图3所示,选择相关关系值绝对值大于某一阈值(如0.2)代表的因子;本发明筛选方法,则是将所有气候因子与实测资料的相关关系先求出来,然后只挑选相关关系强的预报因子,同时保证挑选出来的因子其相互间的相关性较低。
所述步骤3中详细步骤为:
3.1 统计降尺度方法是在大尺度气候因子和局地变量之间建立一种函数关系,即
Y=F(X) (10)
式中Y代表局地预报量;X(x1,x2,···,xn)代表n个大尺度气候预报因子; F(X)即时建立的定量的统计关系;
3.2 从月尺度、季节尺度和年尺度来分别确定使用本发明筛选方法和传统筛选方法在各个尺度上确定性系数,monthly探讨月变化,即每个月的参数互不影响相互独立;seasonal关注季节变化,即春、夏、秋、冬各季节的参数相同,对于某些流域,可以考虑将参数的季节变化与河流的蓄水期、泄水期变化联系起来; annual主要是考虑年际变化,每个月的参数值相同;
3.3 通过比较两种方法在月尺度、季节尺度和年尺度上,确定性系数的变化程度,确定本发明所述的方法确实对因子筛选和模型精度的提高;
3.4 率定模型的时候,会输出气候因子前面的参数值,以及解释方差R2等值,其中解释方差表示模拟的建立效果,该值越大表示模型性能越优。根据该参数变化可以确定率定期模型建立的准确度,也能清楚反应传统因子筛选方法和本发明方法的差别;
3.5 以站点1最高气温数据月尺度的变化为例,见图4站点1传统方法(本方法)栅格最高气温模拟对比,从图中可以看到,本发明方法对气温的模拟比传统的要好,尤其对于较高的气温的模拟;
3.6 栅格中5个站点的降水、最高气温、最低气温的变化率分别见图5、图6 和图7,对比图5、图6和图7,可以看到降水的变化率与气温的变化率的情况不同,但是站点5却是个例外,站点5使用改进后的方法在各个尺度上都有很大的提高,虽然某些站点提高幅度较小,但是整体上还是有比较大的提高的,特别是对于气温的改进情况整体较好,而且对于1站点和2站点其气温变化程度基本一致,更加能够证明本研究所述的降尺度模型的筛选方法的更有利于模型的率定。
所述步骤4中详细步骤为:
4.1 大尺度预报因子挑选出来后被用做局地天气发生器的参数,以条件化降水是否发生,并反映湿天降水量大小的随机变化,具体公式如下:
式(5)中wi是在第i日降水发生的概率,是标准化后的大尺度环流因子,aj是线性趋势系数。
4.2 如果第i日的降水概率大于日降水概率,则可通过下式对降水量进行模拟。
Zi=φ-1[F(yi)] (12)
式(6)中Zi是模拟的降水量,φ为累计分布函数,F为经验分布函数,y为日降水量。
4.3 根据步骤3率定好的模型参数,验证模型的适用性,通过比较验证期在月尺度、季节尺度和年尺度上的确定性系数的变化程度,确定本发明方法的影响程度。
通过上述的说明内容,本领域技术人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改都在本发明的保护范围之内。本发明的未尽事宜,属于本领域技术人员的公知常识。
Claims (5)
1.一种统计降尺度模型预报因子的筛选方法,其特征在于,包括以下步骤:
步骤1,建立流域气象站点与栅格的位置关系图;
步骤2,推求各个站点实测降水、气温等预报量与再分析数据大气环流因子之间的相关关系,包括与气象站点所在栅格的相关关系以及与周围栅格的相关关系,根据设定的相关系数阈值挑选出适合的因子;
步骤3,分析在月尺度、季节尺度、年尺度三个尺度下,率定期的判定标准确定性系数的变化;
步骤4,根据步骤3不同尺度和不同的挑选因子方式,对模型进行分析检验。
2.采用权利要求1所述的一种统计降尺度模型预报因子的筛选方法,其特征在于,所述步骤1中详细步骤为,首先将站点所在的栅格进行四象限划分,并进一步确定站点所在象限以及与站点邻近的周围三个栅格,采集所需要的GCMs数据和再分析数据,共选择了5个站点,1、3、4和5站点是为了检验本发明中筛选预报因子方法的普适性,而1和2站点位于同一象限是为了重复验证;如站点1位于网格(i,j)第二象限,与其相邻的网格为(i,j+1),(i-1,j+1),(i-1,j)。
3.采用权利要求1所述的一种统计降尺度模型预报因子的筛选方法,其特征在于,所述步骤2中详细步骤为:
2.1筛选因子方法是利用统计降尺度模型中的多元回归、岭回归分析等方法,通过建立预报量与气候因子之间的相关关系,以及通过设定阈值进行识别;
2.2统计降尺度模型在对降水模型时,首先利用大尺度气候因子模拟降水在某天的发生概率,然后再模拟降水日的降水量,具体表达式如下:
<mrow>
<msub>
<mi>&omega;</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&alpha;</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<msubsup>
<mover>
<mi>u</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,wt是在第t天降水是否发生的条件概率;是标准化后的第j个预报因子;αj是用线性最小二乘法估计的回归系数;ωt-1和αt-1分别是考虑了迟滞一天(lag-1)的降水发生概率和对应的回归系数,该项是可选项,视地区和预报量特点而定;
2.3为了确定t日是否发生降水,设定一个均匀分布的随机数γt(0≤γt≤1),当ωt≤γt时,t日将发生降水;
在降水日,降水可由分布z-score表示:
<mrow>
<msub>
<mi>Z</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
<msubsup>
<mover>
<mi>u</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>Z</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>&epsiv;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中,Zt是第t天的Z-score,βj是估计的回归系数;βt-1和Zt-1是对应于αt-1和ωt-1的自相关参数以及前一天的Z-score;
2.4由式(1)和式(2)可得t日的降水量yt:
式(3)中,yt是第t天的降雨量,φ是正态累计分布函数,F是日降水量yt的经验分布函数;
2.5每个栅格中的26个大气环流因子,包括常用的气候预报因子;
2.6根据确定性系数来筛选因子,传统的方法筛选的时候只会考虑站点所在栅格的气候因子,而不会考虑其临近栅格因子的影响;本发明所述方法,不仅考虑了站点所在栅格中气候因子的影响,而且通过相关关系的验证,筛选出了临近栅格中,对站点的多元回归关系影响比较大的因子;
2.7以(i)X_(j)Y栅格为例:首先,求出相关关系值,主要是表示实测的降水或温度等其他预报量与26个因子之间相关性的大小,进而筛选相关性强的因子;本发明筛选方法,则是将所有气候因子与实测资料的相关关系先求出来,然后只挑选相关关系强的预报因子,同时保证挑选出来的因子其相互间的相关性较低。
4.采用权利要求1所述的一种统计降尺度模型预报因子的筛选方法,其特征在于,所述步骤3中详细步骤为:
3.1统计降尺度方法是在大尺度气候因子和局地变量之间建立一种函数关系,即
Y=F(X) (4)
式中Y代表局地预报量;X(x1,x2,···,xn)代表n个大尺度气候预报因子;F(X)即时建立的定量的统计关系;
3.2从月尺度、季节尺度和年尺度来分别确定使用本发明筛选方法和传统筛选方法在各个尺度上确定性系数,monthly探讨月变化,即每个月的参数互不影响相互独立;seasonal关注季节变化,即春、夏、秋、冬各季节的参数相同,对于某些流域,可以考虑将参数的季节变化与河流的蓄水期、泄水期变化联系起来;annual主要是考虑年际变化,每个月的参数值相同;
3.3通过比较两种方法在月尺度、季节尺度和年尺度上,确定性系数的变化程度,确定本发明所述的方法确实对因子筛选和模型精度的提高;
3.4拟定模型的时候,会输出气候因子前面的参数值,以及解释方差R2等值,其中表示模拟的建立效果,该值越大表示模型性能越优,根据该参数变化可以确定率定期模型建立的准确度,也能清楚反应传统因子筛选方法和本发明方法的差别。
5.采用权利要求1所述的一种统计降尺度模型预报因子的筛选方法,其特征在于,所述步骤4中详细步骤为:
4.1大尺度预报因子挑选出来后被用做局地天气发生器的参数,以条件化降水是否发生,并反映湿天降水量大小的随机变化,具体公式如下:
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<msup>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式(5)中wi是在第i日降水发生的概率,是标准化后的大尺度环流因子,aj是线性趋势系数;
4.2如果第i日的降水概率大于日降水概率,则可通过下式对降水量进行模拟。
Zi=φ-1[F(yi)] (6)
式(6)中Zi是模拟的降水量,φ为累计分布函数,F为经验分布函数,y为日降水量;
4.3根据步骤3率定好的模型参数,验证模型的适用性,通过比较验证期在月尺度、季节尺度和年尺度上的确定性系数的变化程度,确定本发明方法的影响程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710764997.1A CN107563554B (zh) | 2017-08-30 | 2017-08-30 | 一种统计降尺度模型预报因子的筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710764997.1A CN107563554B (zh) | 2017-08-30 | 2017-08-30 | 一种统计降尺度模型预报因子的筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563554A true CN107563554A (zh) | 2018-01-09 |
CN107563554B CN107563554B (zh) | 2022-01-18 |
Family
ID=60978308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710764997.1A Active CN107563554B (zh) | 2017-08-30 | 2017-08-30 | 一种统计降尺度模型预报因子的筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563554B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058329A (zh) * | 2019-04-22 | 2019-07-26 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
WO2020107520A1 (zh) * | 2018-11-29 | 2020-06-04 | 中国科学院深圳先进技术研究院 | 计算气温与气候因子遥相关关系的方法及装置 |
CN111639803A (zh) * | 2020-05-29 | 2020-09-08 | 福州市规划设计研究院 | 一种应用于气候变化情景下区域未来植被指数的预估方法 |
CN112016588A (zh) * | 2020-07-16 | 2020-12-01 | 中山大学 | 一种面向遥相关模式的空间自相关聚类方法 |
CN112330080A (zh) * | 2021-01-07 | 2021-02-05 | 平安科技(深圳)有限公司 | 基于连通图的因子筛选方法、装置、设备及介质 |
CN112558186A (zh) * | 2020-12-10 | 2021-03-26 | 山东省气象科学研究所 | 一种数值模式地面2米气温预报产品时间降尺度方法 |
CN112749510A (zh) * | 2021-01-15 | 2021-05-04 | 河海大学 | 一种结合支持向量机和交互式因子选取的降水降尺度方法 |
CN112905561A (zh) * | 2021-02-03 | 2021-06-04 | 中国科学院地理科学与资源研究所 | 一种基于深度双模态的气象参数精细尺度转化方法 |
CN113610302A (zh) * | 2021-08-09 | 2021-11-05 | 华北电力大学 | 一种基于逐步聚类与循环神经网络的地表温度降尺度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810376A (zh) * | 2014-01-17 | 2014-05-21 | 浙江大学 | 基于卫星遥感与回归克里格的地面日降雨量预测方法 |
CN103838979A (zh) * | 2014-03-26 | 2014-06-04 | 武汉大学 | 一种基于支持向量机算法的统计降尺度方法 |
CN104143043A (zh) * | 2014-06-27 | 2014-11-12 | 南京林业大学 | 一种多功能气候数据模型及其应用 |
CN106815467A (zh) * | 2016-12-12 | 2017-06-09 | 河海大学 | 一种基于大数据统计相似分析的流域水文区划方法 |
-
2017
- 2017-08-30 CN CN201710764997.1A patent/CN107563554B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810376A (zh) * | 2014-01-17 | 2014-05-21 | 浙江大学 | 基于卫星遥感与回归克里格的地面日降雨量预测方法 |
CN103838979A (zh) * | 2014-03-26 | 2014-06-04 | 武汉大学 | 一种基于支持向量机算法的统计降尺度方法 |
CN104143043A (zh) * | 2014-06-27 | 2014-11-12 | 南京林业大学 | 一种多功能气候数据模型及其应用 |
CN106815467A (zh) * | 2016-12-12 | 2017-06-09 | 河海大学 | 一种基于大数据统计相似分析的流域水文区划方法 |
Non-Patent Citations (3)
Title |
---|
JING GUO 等: "Prediction of variability of precipitation in the Yangtze River Basin under the climate change conditions based on automated statistical downscaling", 《STOCHASTIC ENVIRONMENTAL RESEARCH AND RISK ASSESSMENT》 * |
XINGJUN HONG 等: "Projected Changes of Extreme Precipitation Characteristics for the Poyang Lake Basin Based on Statistical Downscaling Model", 《JOURNAL OF WATER RESOURCES RESEARCH》 * |
杨涛 等: "基于统计降尺度方法和降雨径流模型预估水文极端事件的研究进展", 《中国工程院2010流域水安全与重大工程安全高层论坛》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020107520A1 (zh) * | 2018-11-29 | 2020-06-04 | 中国科学院深圳先进技术研究院 | 计算气温与气候因子遥相关关系的方法及装置 |
CN110058329B (zh) * | 2019-04-22 | 2020-12-22 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
CN110058329A (zh) * | 2019-04-22 | 2019-07-26 | 山东省气象科学研究所 | 一种气象要素智能网格预报产品空间降尺度方法 |
CN111639803A (zh) * | 2020-05-29 | 2020-09-08 | 福州市规划设计研究院 | 一种应用于气候变化情景下区域未来植被指数的预估方法 |
WO2022011728A1 (zh) * | 2020-07-16 | 2022-01-20 | 中山大学 | 一种面向遥相关模式的空间自相关聚类方法 |
CN112016588A (zh) * | 2020-07-16 | 2020-12-01 | 中山大学 | 一种面向遥相关模式的空间自相关聚类方法 |
US12013900B2 (en) | 2020-07-16 | 2024-06-18 | Sun Yat-Sen University | Teleconnection pattern-oriented spatial association clustering method |
CN112016588B (zh) * | 2020-07-16 | 2024-04-12 | 中山大学 | 一种面向遥相关模式的空间自相关聚类方法 |
CN112558186A (zh) * | 2020-12-10 | 2021-03-26 | 山东省气象科学研究所 | 一种数值模式地面2米气温预报产品时间降尺度方法 |
CN112330080A (zh) * | 2021-01-07 | 2021-02-05 | 平安科技(深圳)有限公司 | 基于连通图的因子筛选方法、装置、设备及介质 |
CN112749510A (zh) * | 2021-01-15 | 2021-05-04 | 河海大学 | 一种结合支持向量机和交互式因子选取的降水降尺度方法 |
CN112905561B (zh) * | 2021-02-03 | 2021-09-07 | 中国科学院地理科学与资源研究所 | 一种基于深度双模态的气象参数精细尺度转化方法 |
CN112905561A (zh) * | 2021-02-03 | 2021-06-04 | 中国科学院地理科学与资源研究所 | 一种基于深度双模态的气象参数精细尺度转化方法 |
CN113610302A (zh) * | 2021-08-09 | 2021-11-05 | 华北电力大学 | 一种基于逐步聚类与循环神经网络的地表温度降尺度方法 |
CN113610302B (zh) * | 2021-08-09 | 2024-02-23 | 华北电力大学 | 一种基于逐步聚类与循环神经网络的地表温度降尺度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107563554B (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563554A (zh) | 一种统计降尺度模型预报因子的筛选方法 | |
CN107423546B (zh) | 基于Copula函数的多变量水文不确定性处理方法 | |
CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
Focken et al. | Short-term prediction of the aggregated power output of wind farms—a statistical analysis of the reduction of the prediction error by spatial smoothing effects | |
CN103268366B (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
Hudson et al. | Bridging the gap between weather and seasonal forecasting: intraseasonal forecasting for Australia | |
CN110555561A (zh) | 一种中长期径流集合预报方法 | |
Das et al. | Downscaling monsoon rainfall over river Godavari Basin under different climate-change scenarios | |
CN106803128B (zh) | 光伏发电的预测方法和装置 | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
KR20170005553A (ko) | 지능형 정보제공을 위한 홍수, 가뭄정보의 평가 및 예측 기법 개발 | |
Terink et al. | Bias correction of temperature and precipitation data for regional climate model application to the Rhine basin | |
CN108846501A (zh) | 一种雨水低影响开发设施建设规模确定方法 | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN112686426A (zh) | 一种基于水电站流域关键点的来水量预警方法及系统 | |
WO2023245399A1 (zh) | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 | |
CN115983511A (zh) | 基于改进统计降尺度方法的降水预估方法和系统 | |
Martín et al. | Analysis of wind power productions by means of an analog model | |
Kreuwel et al. | Forecasting day-ahead 1-minute irradiance variability from numerical weather predictions | |
CN107944466B (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
George et al. | A Multi-stage stochastic approach for statistical downscaling of rainfall | |
Lee et al. | 24-Hour photovoltaic generation forecasting using combined very-short-term and short-term multivariate time series model | |
Sun et al. | Evaluating the credibility of downscaling: Integrating scale, trend, extreme, and climate event into a diagnostic framework | |
CN115657163B (zh) | 基于人工智能模型的延伸期气象要素预报方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211025 Address after: 443000 No. 8, University Road, Yichang, Hubei Applicant after: CHINA THREE GORGES University Applicant after: Jiangxi Academy of water resources Address before: 443002 No. 8, University Road, Yichang, Hubei Applicant before: CHINA THREE GORGES University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |