CN110161591A - 群发性极端温度和极端降水耦合事件的识别方法 - Google Patents
群发性极端温度和极端降水耦合事件的识别方法 Download PDFInfo
- Publication number
- CN110161591A CN110161591A CN201910514258.6A CN201910514258A CN110161591A CN 110161591 A CN110161591 A CN 110161591A CN 201910514258 A CN201910514258 A CN 201910514258A CN 110161591 A CN110161591 A CN 110161591A
- Authority
- CN
- China
- Prior art keywords
- event
- extreme
- month
- precipitation
- day
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 56
- 230000008878 coupling Effects 0.000 title claims abstract description 47
- 238000010168 coupling process Methods 0.000 title claims abstract description 47
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000001186 cumulative effect Effects 0.000 claims abstract description 14
- 238000010792 warming Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims description 2
- 210000004209 hair Anatomy 0.000 claims 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 239000004176 azorubin Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003694 hair properties Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
- G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Environmental Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Ecology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了群发性极端温度和极端降水耦合事件的识别方法，包括如下步骤：选取区域范围内多年的日有效气温和有效降水数据，采用累积频率方法确定极端温度和极端降水的月高低阈值，基于极端温度和极端降水的月高低阈值，确定四类极端耦合事件，判断四类极端耦合事件的频发季节，确定在频发季节中的四类耦合事件的群发性特征，选取同日在特定区域内同时发生某类极端耦合事件的站点数作为该年的耦合事件的区域性指标。本发明的群发性极端温度和极端降水耦合事件的识别方法可以客观地描述并综合考虑极端温度和极端降水耦合事件的变化，并进一步揭示出群发性极端耦合事件的特征，为进一步分析耦合事件特征及其气候效应提供了必要的定义和手段。
Description
技术领域
本发明涉及一种极端温度和极端降水耦合事件的识别方法，尤其涉及群发性极端温度和极端降水耦合事件的识别方法，属于大气科学中综合性极端气候事件的客观识别方法领域。
背景技术
近几十年，尤其是在全球增暖背景下，极端天气和气候事件频繁发生，对国民经济和生态环境造成了严重的灾害，引起了人们越来越多的关注。IPCC评估报告把与天气和气候相关的极端事件分为四类，其中位居前两位的就是极端温度和极端降水事件。目前对极端温度和极端降水事件的定义多采用百分位方法、累积频率方法、绝对阈值法，重现期方法或极端事件分布拟合法等。但是，较少地研究极端温度和极端降水事件同时发生的情况，也缺乏对这类耦合极端事件的定义方法。然而，当一个地区受到极端温度和极端降水的双重袭击，带来的灾害是远远大于单一极端事件的。因此，有必要从极端耦合事件的角度分析特征及其气候效应。此外，以往对极端气候事件的识别大多针对单一的站点，而对极端气候事件空间上的群发性考虑的不够，然而，大量事实都表明，极端气候事件呈现出大面积的群发性特征，即在某个区域范围内较为集中地或同时发生同类的极端气候事件。而此类群发性极端气候事件的发生往往导致更为严重的气象灾害并造成巨大的生命财产损失。因此，群发性的耦合极端事件更具研究意义。
发明内容
本发明所要解决的技术问题是提供一种针对极端温度和极端降水耦合事件的角度分析气候效应的方法。
为了解决上述技术问题，本发明的群发性极端温度和极端降水耦合事件的识别方法，包含如下步骤：
1.选取全球范围或某个区域内任一站点至少5年的逐月各日的有效温度资料和有效降水资料。
2.采用累积频率的方法对上述逐月各日的有效温度资料和有效降水资料进行处理，选取累积频率为75％时概率分布对应的温度作为逐月的高温阈值，选取累积频率为75％时概率分布对应的降水作为逐月的强降水阈值，选取累积频率为25％时概率分布对应的温度作为逐月的低温阈值，选取累积频率为25％时概率分布对应的降水作为逐月的少降水阈值。
3对该站点每日的极端耦合事件进行判定，判定方法如下：
当日温度大于等于同月高温阈值且日降水量也大于等于同月强降水阈值，则判定为一次暖湿事件；
当日温度大于等于同月高温阈值且日降水量小于等于同月少降水阈值，则判定为一次暖干事件；
当日温度小于等于同月低温阈值且日降水量大于等于同月强降水阈值，则判定为一次冷湿事件；
当日温度小于等于同月低温阈值且日降水量也小于等于同月少降水阈值，则判定为一次冷干事件。
4.获取需要判定区域内所有站点所有日的极端耦合事件信息，分别计算四类极端耦合事件在春、夏、秋、冬四季的发生频数，统计并找出区域内所有站点任一极端耦合事件发生次数最多的季节；计算区域内所有站点频发季节的比例，取比重最大的季节来确定该区域暖湿事件、暖干事件、冷湿事件和冷干事件分别对应的季节。
5.统计暖湿事件对应季节单日同时发生暖湿事件的站点个数，将某年的最大站点数判定为该年区域群发性暖湿事件指数；统计暖干事件对应季节单日同时发生暖干事件的站点个数，将某年的最大站点数判定为该年区域群发性暖干事件指数；统计冷湿事件对应季节单日同时发生冷湿事件的站点个数，将某年的最大站点数判定为该年区域群发性冷湿事件指数；将冷干事件对应季节单日同时发生冷干事件的站点个数，选取某年的最大站点数判定为该年区域群发性冷干事件指数。在确定的区域暖湿、暖干、冷湿、冷干事件的频发季节中，将所有统计年份中任意一年中任意一日发生暖湿事件或暖干事件或冷湿事件或冷干事件最大站点数判定为该年区域群发性暖湿事件或区域群发性暖干事件或区域群发性冷湿事件或区域群发性冷干事件指数。
本发明的群发性极端温度和极端降水耦合事件的识别方法可以客观地描述并综合考虑极端温度和极端降水耦合事件的变化，并进一步揭示出群发性极端耦合事件的特征，为进一步分析耦合事件特征及其气候效应提供了必要的定义和手段。
附图说明
图1是本发明的流程图；
图2基于1961-2014年逐日数据挑选出我国四季典型代表月份的月极端温度事件的高阈值分布；
图3基于1961-2014年逐日数据挑选出我国四季典型代表月份的月极端温度事件的低阈值分布；
图4基于1961-2014年逐日数据挑选出我国四季典型代表月份的月极端降水事件的高阈值分布；
图5基于1961-2014年逐日数据挑选出我国四季典型代表月份的月极端降水事件的低阈值分布；
图6 1961-2014年平均的全国四类耦合极端事件的频数分布，(a)暖湿事件 (b)暖干事件 (c)冷湿事件 (d)冷干事件；
图7我国东部地区四类耦合极端事件的频发季节；
图8 1961-2014年东北、华北、江淮和华南地区四类耦合极端事件的群发性指数的逐年演变。
具体实施方式
采用本发明的群发性极端温度和极端降水耦合事件的识别方法以1961-2014年期间我国月极端温度事件和月极端降水事件为对象进行具体分析说明，参见图1。
1.对极端事件研究对象时间尺度的确定，为了避免以往各类极端事件的定义中，极端降水和极端高温几乎只出现在夏季的问题。本发明对温度和降水高低阈值的选取都采用月阈值的选取方式，以保证每月都有发生强降水、少降水、高温和低温极端事件的可能性。具体的选取方法为，将我国多年的逐月各日的有效温度资料作为极端温度事件的研究对象。将我国多年的逐月各日的有效降水资料作为极端降水事件的研究对象。
2.对极端事件高低阈值的判定，以往在定义极值事件的时候，高低阈值多选用90％和10％的百分位。但是，本发明旨在挑选出极端温度和极端降水的耦合事件，即当日既满足极端降水事件的判定标准，同时也满足极端温度时间的判定标准。因此，本发明适当降低了极端事件的百分比标准，通过实验数据分析，选取75％和25％的百分位为标准比较合理，将75％的百分位为标准作为逐月的高温和强降水的阈值，将25％的百分位为标准作为逐月的低温和少降水的阈值。具体做法为，针对我国1961-2014年期间的逐月各日的有效温度或降水资料，采用累积频率的方法，分别选取75％和25％的百分位为标准，作为我国1961-2014年期间逐月的高温(或强降水)和低温(或少降水)的阈值。参见图2至图5。
累积频率方法，即变量小于某一上限值的出现次数与总次数之比。可表示为：
其中，n为在变量取值范围内(即介于最小值与最大值之间的取值范围)划分的数值等级数。Fi表示在第i个数值等级内变量发生的频数，fi指变量在不大于该数值等级内的频数，即变量小于等于某上限值的发生频数。
3.确定极端温度和极端降水耦合事件的表征方法，即根据逐日的温度和降水量不同高低阈值定义如下四类耦合事件：参见图6，1961-2014年平均的全国四类耦合极端事件的频数分布。
a)暖湿事件：某站某日温度大于等于同月高阈值且日降水量也大于等于同月高阈值，则判定为一次暖湿事件，记为warm and wet，WW。
b)暖干事件：某站某日温度大于等于同月高阈值且日降水量小于等于同月低阈值，则判定为一次暖干事件，记为warm and dry，WD。
c)冷湿事件：某站某日温度小于等于同月低阈值且日降水量大于等于同月高阈值，则判定为一次冷湿事件，记为cold and wet，CW。
d)冷干事件：某站某日温度小于等于同月低阈值且日降水量也小于等于同月低阈值，则判定为一次冷干事件，记为cold and dry，CD。
4.基于我国东部不同子区域的群发性耦合极端事件的检测，为了进一步比较不同区域的耦合极端事件的特征和差异。参见图7和图8，本发明将该方法应用于我国不同区域的耦合极端事件的检测上，并且根据各区域的差异，进一步提出了群发性极端耦合事件的表征方式，具体步骤如下：
a)将我国东部地区划分为四个子区域，分别是I，东北地区(NEC，42° N-52° N，110° E-135° E)；II，华北地区(NC，34° N-42° N，110° E-122° E)；III，长江淮河流域(YHRB，28° N-34° N，110° E-122° E)；IV，华南地区(SC，20° N-28° N，110° E-122° E)。
b)分别计算四类极端耦合事件在春、夏、秋、冬四季的发生频数，统计并找出各个区域多年发生次数最多的季节。
c)针对不同的区域，不同的极端耦合事件，将研究时段锁定在发生频次最多的季节，分别统计单日同时发生某类极端耦合事件的站点个数。如以华南地区的暖湿事件为例，统计春季(3-5月)每日同时发生在华南地区暖湿事件的站点个数，并将其定义为华南地区群发性暖湿事件指数。站点个数多则表明群发性的极端耦合事件的影响范围较大，反之则反。
参见图8发现其中南方地区的冷湿事件的群发性指数呈现显著的下降趋势，同时，东北地区的冷干事件的群发性指数也呈现出显著的下降趋势。
下表为我国东部不同区域的四类群发性耦合极端事件的趋势、均值和标准差
表中*标注为通过95％信度检验的线性趋势
根据表中数据显示，从线性趋势来看，东北地区的冷干事件和华南地区的冷湿事件呈现出显著的下降趋势。从气候平均值来看，暖湿事件对应大、小值分别在华南、华北区域，暖干事件的最大均值在长江流域，最小均值在华北地区，冷湿事件的最大均值在长江流域，最小均值在东北地区，冷干事件对应的大、小值分别在华南、华北地区。标准差表征了指标的年际变率，即逐年的演变幅度，可以发现对应暖干、暖湿、冷湿和冷干事件，年际变率较大的区域分别为华南、东北、华南和华北。
Claims (1)
1.群发性极端温度和极端降水耦合事件的识别方法，其特征在于：包含如下步骤，
(1)选取全球范围或某个区域内任一站点至少5年的逐月各日的有效温度资料和有效降水资料；
(2)采用累积频率的方法对上述逐月各日的有效温度资料和有效降水资料进行处理，选取累积频率为75％时概率分布对应的温度作为逐月的高温阈值，选取累积频率为75％时概率分布对应的降水作为逐月的强降水阈值，选取累积频率为25％时概率分布对应的温度作为逐月的低温阈值，选取累积频率为25％时概率分布对应的降水作为逐月的少降水阈值；
(3)对该站点每日的极端耦合事件进行判定，判定方法如下：
当日温度大于等于同月高温阈值且日降水量也大于等于同月强降水阈值，则判定为一次暖湿事件；
当日温度大于等于同月高温阈值且日降水量小于等于同月少降水阈值，则判定为一次暖干事件；
当日温度小于等于同月低温阈值且日降水量大于等于同月强降水阈值，则判定为一次冷湿事件；
当日温度小于等于同月低温阈值且日降水量也小于等于同月少降水阈值，则判定为一次冷干事件；
(4)获取需要判定区域内所有站点所有日的极端耦合事件信息，分别计算四类极端耦合事件在春、夏、秋、冬四季的发生频数，统计并找出区域内所有站点任一极端耦合事件发生次数最多的季节；计算区域内所有站点频发季节的比例，取比重最大的季节来确定该区域暖湿事件、暖干事件、冷湿事件和冷干事件分别对应的季节；
(5)统计暖湿事件对应季节单日同时发生暖湿事件的站点个数，将某年的最大站点数判定为该年区域群发性暖湿事件指数；统计暖干事件对应季节单日同时发生暖干事件的站点个数，将某年的最大站点数判定为该年区域群发性暖干事件指数；统计冷湿事件对应季节单日同时发生冷湿事件的站点个数，将某年的最大站点数判定为该年区域群发性冷湿事件指数；将冷干事件对应季节单日同时发生冷干事件的站点个数，选取某年的最大站点数判定为该年区域群发性冷干事件指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910514258.6A CN110161591B (zh) | 2019-06-04 | 2019-06-04 | 群发性极端温度和极端降水耦合事件的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910514258.6A CN110161591B (zh) | 2019-06-04 | 2019-06-04 | 群发性极端温度和极端降水耦合事件的识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110161591A true CN110161591A (zh) | 2019-08-23 |
| CN110161591B CN110161591B (zh) | 2021-03-26 |
Family
ID=67628979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910514258.6A Active CN110161591B (zh) | 2019-06-04 | 2019-06-04 | 群发性极端温度和极端降水耦合事件的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110161591B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113761721A (zh) * | 2021-08-17 | 2021-12-07 | 中国科学院新疆生态与地理研究所 | —种基于栅格数据快速识别极端高/低温事件的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909798A (zh) * | 2017-03-14 | 2017-06-30 | 河海大学 | 一种基于累积概率曲线的逐日降水多模式集合方法 |
| KR101894495B1 (ko) * | 2017-08-17 | 2018-09-04 | 서울대학교산학협력단 | 토석류 재해 예보 시스템 및 방법 |
-
2019
- 2019-06-04 CN CN201910514258.6A patent/CN110161591B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909798A (zh) * | 2017-03-14 | 2017-06-30 | 河海大学 | 一种基于累积概率曲线的逐日降水多模式集合方法 |
| KR101894495B1 (ko) * | 2017-08-17 | 2018-09-04 | 서울대학교산학협력단 | 토석류 재해 예보 시스템 및 방법 |
Non-Patent Citations (2)
| Title |
|---|
| WANG AI-HUI, ETC: "Changes in Daily Climate Extremes of Observed Temperature and Precipitation in China", 《ATMOSPHERIC AND OCEANIC SCIENCE LETTERS》 * |
| 黄丹青等: "暖季极端降水与温度的关系研究——以安徽省为例", 《气候与环境研究》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113761721A (zh) * | 2021-08-17 | 2021-12-07 | 中国科学院新疆生态与地理研究所 | —种基于栅格数据快速识别极端高/低温事件的方法 |
| CN113761721B (zh) * | 2021-08-17 | 2024-04-19 | 中国科学院新疆生态与地理研究所 | 一种基于栅格数据快速识别极端高/低温事件的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110161591B (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Morel et al. | A climatology of mesoscale convective systems over Europe using satellite infrared imagery. I: Methodology | |
| Daly et al. | Physiographically sensitive mapping of climatological temperature and precipitation across the conterminous United States | |
| Jacques et al. | Methodology for the assessment of PV capacity over a city region using low-resolution LiDAR data and application to the City of Leeds (UK) | |
| Matthiasa | Tracking mesoscale convective systems in the Sahel: Relation between cloud parameters and precipitation | |
| Tallaksen et al. | Regional analysis of extreme streamflow drought duration and deficit volume | |
| Wang et al. | Informing the planning of rotating power outages in heat waves through data analytics of connected smart thermostats for residential buildings | |
| Rusticucci et al. | Cold and warm events over Argentina and their relationship with the ENSO phases: risk evaluation analysis | |
| Lee et al. | Application of bivariate frequency analysis to the derivation of rainfall–frequency curves | |
| Petrović et al. | Historical torrential flood events in the Kolubara river basin | |
| CN110161591A (zh) | 群发性极端温度和极端降水耦合事件的识别方法 | |
| Browning et al. | Large-scale drivers of Australian east coast cyclones since 1851 | |
| Ciulla et al. | Degree days and building energy demand | |
| Bhatnagar et al. | Development of a method for selection of representative city in a climate zone | |
| Perera et al. | Projected urban development, changing ‘Local Climate Zones’ and relative warming effects in Colombo, Sri Lanka | |
| Phumkokrux et al. | Investigation of mean monthly maximum temperature of Thailand using mapping analysis method: A case study of summer 1987 to 2019 | |
| Ghanem | Case study: trends and early prediction of rainfall in Jordan | |
| Li et al. | Heat island effect on outdoor meteorological parameters for building energy-saving design in a large city in Northern China | |
| CN113780769A (zh) | 一种基于电力大数据的人口流动指数计算方法 | |
| Cho et al. | An Analysis of the Effect of Cool Pavement on the Urban Thermal Environment | |
| Akhtari et al. | Assessment of spatial analysis of SPI and EDI drought indices in Tehran province | |
| Jusoff | Construction of New Forest Roads in Malaysia Using a GIS-Based Decision Support System. | |
| Asakereh et al. | The relationship between precipitation status and daily temperature status in Iran | |
| Djamila | Passive strategies of naturally ventilated residential houses in the equatorial humid tropics | |
| Hassan et al. | Choosing the best Fit distribution for rainfall event characteristics based on 6h-ietd within Peninsular Malaysia | |
| Vanzo et al. | Consequences of global warming on the energy performance of CFS with seasonal thermal control |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |