CN110222313B - 反映非一致性干旱特征变量的干旱预警方法和装置 - Google Patents

反映非一致性干旱特征变量的干旱预警方法和装置 Download PDF

Info

Publication number
CN110222313B
CN110222313B CN201910485806.7A CN201910485806A CN110222313B CN 110222313 B CN110222313 B CN 110222313B CN 201910485806 A CN201910485806 A CN 201910485806A CN 110222313 B CN110222313 B CN 110222313B
Authority
CN
China
Prior art keywords
drought
probability distribution
distribution function
preset
sequence
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.)
Active
Application number
CN201910485806.7A
Other languages
English (en)
Other versions
CN110222313A (zh
Inventor
鲁帆
宋昕熠
肖伟华
严登华
赵勇
孙高虎
侯保灯
许怡然
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN201910485806.7A priority Critical patent/CN110222313B/zh
Publication of CN110222313A publication Critical patent/CN110222313A/zh
Application granted granted Critical
Publication of CN110222313B publication Critical patent/CN110222313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

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

Abstract

本发明实施例提供了一种反映非一致性干旱特征变量的干旱预警方法和装置，其中，方法包括：获取目标区域在预设历史时间段内的气象干旱指数；根据所述气象干旱指数，确定干旱特征变量序列，其中，所述干旱特征变量序列包括：所述预设历史时间段内每一年的干旱特征变量；根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期，其中，所述目标概率分布函数与所述干旱特征变量序列匹配；在所述干旱重现期大于或者等于预设重现期的情况下，输出干旱预警信息。本发明实施例可以提升所述目标概率分布函数计算出的干旱重现期的准确率。

Description

反映非一致性干旱特征变量的干旱预警方法和装置
技术领域
本发明涉及干旱预警技术领域，尤其涉及一种反映非一致性干旱特征变量的干旱预警方法和装置。
背景技术
在相关技术中，采用气象干旱指数和游程理论确定干旱特征变量，并根据干旱变量频率分析方法确定干旱重现期等。
其中，气象干旱指数包括降水量距平百分率、相对湿润度指数、标准化降水指数、土壤相对湿度干旱指数、帕默尔干旱指数、气象干旱指数等干旱指标值；另外，游程理论中，预先设置干旱指标阈值，若干旱指标值小于该干旱指标阈值则认为出现干旱，大于该干旱指标阈值则认为是正常或者洪涝的情况。进而根据干旱指标值与干旱指标阈值的大小关系，可以确定干旱事件及该干旱事件的干旱历时、干旱烈度、干旱强度、干旱影响面积等干旱特征变量，以便利用干旱变量频率分析方法揭示干旱的时空变化特征。
在相关技术中，各个干旱特征变量之间是独立同分布的，必须满足独立性、平稳性、一致性等要求，但是，在现实环境中，各个干旱特征变量将受到气候变化的影响而跟随时间发生非一致性的改变，例如：Z国在1961-2013年中，平均年雨日呈显著减少趋势，每10年减少3.9天。2000-2013年，Z国极端高温范围平均达626县，占Z国总面积的27.4％，是常年的2.2倍等。由此可知，相关技术中仅对一致性干旱特征变量进行干旱分析的干旱频率分析方法存在与非一致性的干旱特征变量不匹配的缺陷，从而造成该方法得出的干旱重现期不准确。
由此可知，相关技术中采用干旱频率分析方法对非一致性干旱特征变量进行干旱分析方法存在分析结果不准确的缺陷。
发明内容
本本发明实施例提供一种反映非一致性干旱特征变量的干旱预警方法和装置，以解决相关技术中的采用干旱频率分析方法对非一致性干旱特征变量进行干旱分析方法存在的分析结果不准确的问题。
为解决以上技术问题，本发明采用如下技术方案：
第一方面，本发明实施例提供了一种反映非一致性干旱特征变量的干旱预警方法，包括：
获取目标区域在预设历史时间段内的气象干旱指数；
根据所述气象干旱指数，确定干旱特征变量序列，其中，所述干旱特征变量序列包括：所述预设历史时间段内每一年的干旱特征变量；
根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期，其中，所述目标概率分布函数与所述干旱特征变量序列匹配；
在所述干旱重现期大于或者等于预设重现期的情况下，输出干旱预警信息。
可选的，所述干旱特征变量序列包括：最长干旱历时序列或者最大干旱强度绝对值序列，其中，所述最长干旱历时序列包括所述预设历史时间段内每一年的最长干旱历时，所述最大干旱强度绝对值序列包括所述预设历史时间段内每一年的最大干旱强度的绝对值。
可选的，所述最长干旱历时序列通过以下公式计算得出：
Figure BDA0002085346280000021
其中，所述
Figure BDA0002085346280000022
为所述最长干旱历时序列中第i年的最长干旱历时；
所述i为1至n中的任一整数，所述n为所述预设历史时间段包括的年度的数量；
所述k为1至Si中的任一整数，所述Si为所述第i年的干旱事件的总数；
所述
Figure BDA0002085346280000023
为所述第i年内第k次干旱事件的结束时间；
所述
Figure BDA0002085346280000024
为所述第i年内第k次干旱事件的开始时间；
所述最大干旱强度绝对值序列通过以下公式计算得出：
Figure BDA0002085346280000025
其中，所述
Figure BDA0002085346280000031
为所述最大干旱强度绝对值序列中第i年内的最大干旱强度的绝对值；
所述
Figure BDA0002085346280000032
为所述第i年内第k次干旱事件的干旱强度。
可选的，在所述根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期之前，所述方法还包括：
根据所述干旱特征变量序列，确定预设备选概率分布集中每一个备选概率分布函数的时变参数，其中，所述时变参数包括以下至少一项：位置参数、尺度参数和形状参数，且所述时变参数为时间的三次样条函数；
从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为所述目标概率分布函数。
可选的，所述根据所述干旱特征变量序列，确定预设备选概率分布集中每一个备选概率分布函数的时变参数的步骤，包括：
将所述干旱特征变量序列中的干旱特征变量分别代入所述预设备选概率分布集中的每一个备选概率分布函数对应的对数似然函数
Figure BDA0002085346280000033
并在所述
Figure BDA0002085346280000034
取最大值
Figure BDA0002085346280000035
的情况下，分别确定所述预设备选概率分布集中的每一个备选概率分布函数的时变参数值
Figure BDA0002085346280000036
其中，所述f(xtθj(t))为所述预设备选概率分布集中的第j个备选概率分布函数在第t年内的概率密度函数；
所述θj(t)为所述预设备选概率分布集中的第j个备选概率分布函数在第t年内的时变参数；
所述j为小于或者等于所述预设备选概率分布集中备选概率分布函数的数量的任一正整数；
所述xt为所述第t年内的干旱特征变量；
所述t为1至n中的任一整数；
所述n为所述预设历史时间段包括的年度的数量。
可选的，所述从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为所述目标概率分布函数的步骤，包括：
根据公式：
Figure BDA0002085346280000041
计算出所述预设备选概率分布集中每一个备选概率分布函数的评价指标，其中，所述EIj为所述预设备选概率分布集中的第j个备选概率分布函数的评价指标，所述p为预设惩罚函数，所述dfj为所述预设备选概率分布集中的第j个备选概率分布函数的整体自由度；
确定与数值最小的评价指标对应的一个备选概率分布函数为所述目标概率分布函数。
可选的，所述根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期的步骤，包括：
在所述干旱特征变量序列包括所述最长干旱历时序列的情况下，采用以下公式，计算得出所述目标区域与预估最长干旱历时对应的干旱重现期：
Figure BDA0002085346280000042
其中，所述预估干旱特征变量包括所述D，其表示所述预估最长干旱历时，所述预估最长干旱历时由预估的气象干旱指数确定；所述
Figure BDA0002085346280000043
为所述目标区域在第t年内与所述D对应的干旱重现期，所述
Figure BDA0002085346280000044
表示与所述最长干旱历时序列匹配的目标概率分布函数；
或者，
在所述干旱特征变量序列包括所述最大干旱强度绝对值序列的情况下，采用以下公式，计算得出所述目标区域与预估最大干旱强度的绝对值对应的干旱重现期：
Figure BDA0002085346280000045
其中，所述预估干旱特征变量包括所述DI，其表示所述预估最大干旱强度的绝对值，所述预估最大干旱强度的绝对值由所述预估的气象干旱指数确定；所述
Figure BDA0002085346280000046
为所述目标区域在第t年内与所述DI对应的干旱重现期，所述
Figure BDA0002085346280000047
表示与所述最大干旱强度绝对值序列匹配的目标概率分布函数。
第二方面，本发明实施例还提供一种反映非一致性干旱特征变量的干旱预警装置，包括：
获取模块，用于获取目标区域在预设历史时间段内的气象干旱指数；
第一确定模块，用于根据所述气象干旱指数，确定干旱特征变量序列，其中，所述干旱特征变量序列包括：所述预设历史时间段内每一年的干旱特征变量；
第二确定模块，用于根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期，其中，所述目标概率分布函数与所述干旱特征变量序列匹配；
输出模块，用于在所述干旱重现期大于或者等于预设重现期的情况下，输出干旱预警信息。
第三方面，本发明实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的所述反映非一致性干旱特征变量的干旱预警方法中的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的所述反映非一致性干旱特征变量的干旱预警方法中的步骤。
在本发明实施例中，获取目标区域在预设历史时间段内的气象干旱指数；根据所述气象干旱指数，确定干旱特征变量序列，其中，所述干旱特征变量序列包括：所述预设历史时间段内每一年的干旱特征变量；根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期，其中，所述目标概率分布函数与所述干旱特征变量序列匹配；在所述干旱重现期大于或者等于预设重现期的情况下，输出干旱预警信息。其中，所述干旱特征变量序列中包括随时间变化的干旱特征变量，所述目标概率分布函数与所述干旱特征变量序列匹配使所述目标概率分布函数也跟随干旱特征变量的变化趋势而发生变化，从而使得所述目标概率分布函数与非一致性的干旱特征变量适配，进而提升了所述目标概率分布函数计算出的干旱重现期的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种反映非一致性干旱特征变量的干旱预警方法的流程图；
图2是本发明实施例提供的一种反映非一致性干旱特征变量的干旱预警装置的结构图之一；
图3是本发明实施例提供的一种反映非一致性干旱特征变量的干旱预警装置的结构图之二；
图4是本发明实施例提供的一种反映非一致性干旱特征变量的干旱预警装置的结构图之三；
图5是本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供一种反映非一致性干旱特征变量的干旱预警方法，该方法可以包括以下步骤：
步骤101、获取目标区域在预设历史时间段内的气象干旱指数。
在具体实施中，所述气象干旱指数还可以称之为“综合气象干旱指数”、“复合气象干旱指数”或者气象干旱CI(Composite Index，综合)指数等。在实际应用中，所述预设历史时间段内的气象干旱指数可以包括：所述目标区域在预设历史时间段内的逐日气象干旱指数，例如：以CIi,j表示所述目标区域在预设历史时间段内的逐日气象干旱指数序列，则所述i可以是年份号，所述j可以是第i年内的第j日，例如：CI2016,200表示2016年中第200天的气象干旱指数。
在具体实施中，若所述CIi,j≤-0.6，则可以判断为目标区域在该天内出现了气象干旱旱情，若连续10天的CIi,j均小于或者等于﹣0.6，则可以判断该目标区域发生了干旱事件，另外，若在发生干旱事件之后连续10天之内所述气象干旱CI指数均大于﹣0.6，则表示所述干旱事件结束。其中，所述目标区域和所述预设历史时间段可以根据用户的需求设置，例如：获取城市A在2000年至2016年内的逐日气象干旱指数。在此并不限定所述目标区域的大小和所述预设历史时间段的具体时间。
步骤102、根据所述气象干旱指数，确定干旱特征变量序列，其中，所述干旱特征变量序列包括：所述预设历史时间段内每一年的干旱特征变量。
在具体实施中，所述干旱特征变量序列可以包括：最长干旱历时序列或者最大干旱强度绝对值序列，其中，所述最长干旱历时序列包括所述预设历史时间段内每一年内的最长干旱历时，所述最大干旱强度绝对值序列包括所述预设历史时间段内每一年内的最大干旱强度的绝对值。
需要说明的是，所述干旱特征变量还可以包括除了所述最长干旱历时和所述最大干旱强度的绝对值之外任意其他干旱特征变量，在此不作具体限定。
在具体实施中，根据所述气象干旱指数，确定年最长干旱历时序列和年最大干旱强度绝对值序列，其中，以所述年最长干旱历时序列为例，其包括所述历史时间段内按照时间顺序排列的每一年的最长干旱历时。
步骤103、根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期，其中，所述目标概率分布函数与所述干旱特征变量序列匹配。
在具体实施中，可以对目标区域在未来时间段内的气象干旱指数进行预测或者估计，以得到该目标区域的预估气象干旱指数，从而根据该预估气象干旱指数确定预估干旱特征变量。
需要说明的是，所述目标概率分布函数与所述干旱特征变量序列匹配，且所述干旱特征变量序列为跟随时间发生变化的非一致性序列，从而使得所述目标概率分布函数也跟随时间发生改变，在具体应用中，可以通过在所述目标概率分布函数中设置时变参数，以实现所述目标概率分布函数跟随时间发生改变。其中，所述目标概率分布函数的时变参数可以包括以下至少一项：形状参数、尺度参数和位置参数，且所述时变参数均为时间的三次样条函数。在具体实施中，可以将所述干旱特征变量序列依次输入至所述目标概率分布函数，并根据其输出结果与实际干旱情况的对比确定所述时变参数在各年内的取值。
另外，所述预估干旱特征变量对应的干旱重现期与所述干旱特征变量序列的种类、所述预估干旱特征变量的取值相关，且所述干旱特征变量序列的种类与所述预估干旱特征变量的种类相同，例如：所述干旱特征变量序列的种类为年最大干旱强度绝对值序列，则所述预估干旱特征变量也是一个预估年最大干旱强度的绝对值，向与所述年最大干旱强度绝对值序列匹配的目标概率分布函数输入所述预估年最大干旱强度的绝对值后计算得出的结果便为与所述预估年最大干旱强度的绝对值对应的干旱重现期。
步骤104、在所述干旱重现期大于或者等于预设重现期的情况下，输出干旱预警信息。
在具体实施中，所述预设重现期与所述干旱特征变量序列的种类、所述预估干旱特征变量的取值相关，例如：若所述干旱特征变量序列的种类为年最长干旱历时序列，所述预估干旱特征变量为年最长干旱历时等于40天，则对应的预设重现期可以设置为10年，表示将所述年最长干旱历时等于40天的预估干旱特征变量输入至所述目标概率分布函数时，若计算出的干旱重现期小于或者等于10年则输出干旱预警信息；若所述干旱特征变量序列的种类为年最长干旱历时序列，所述预估干旱特征变量为年最长干旱历时等于60天，则对应的预设重现期可以设置为15年，表示将所述年最长干旱历时等于60天的预估干旱特征变量输入至所述目标概率分布函数时，若计算出的干旱重现期小于或者等于15年则输出干旱预警信息。
当然，在实际应用中，还可以根据用户的需求、目标区域内蓄水设施的需水量、目标区域内土壤的特征等确定所述预设重现期。
在具体实施中，可以将所述目标概率分布函数对应的程序存储与计算机中，并根据输入的预估干旱特征变量计算出相应的干旱重现期，在实际应用中，所述输出干旱预警信息可以是发出声音告警信息或者输出干旱风险报告等，其中，所述声音告警信息或者干旱风险报告中可以包括所述目标地区发生预估干旱特征变量对应的干旱重现期小于预设重现期等信息。另外，还可以根据计算出的干旱重现期提供预防措施，以将所述目标区域内发生所述预估干旱特征变量对应的干旱事件的干旱重现期延长至大于所述预设重现期。
在本发明实施例中，获取目标区域在预设历史时间段内的气象干旱指数；根据所述气象干旱指数，确定干旱特征变量序列，其中，所述干旱特征变量序列包括：所述预设历史时间段内每一年的干旱特征变量；根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期，其中，所述目标概率分布函数与所述干旱特征变量序列匹配；在所述干旱重现期大于或者等于预设重现期的情况下，输出干旱预警信息。其中，所述干旱特征变量序列中包括随时间变化的干旱特征变量，所述目标概率分布函数与所述干旱特征变量序列匹配使所述目标概率分布函数也跟随干旱特征变量的变化趋势而发生变化，从而使得所述目标概率分布函数与非一致性的干旱特征变量适配，进而提升了所述目标概率分布函数计算出的干旱重现期的准确率。
作为一种可选的实施方式，所述最长干旱历时序列通过以下公式计算得出：
Figure BDA0002085346280000091
其中，所述
Figure BDA0002085346280000092
为所述最长干旱历时序列中第i年内的最长干旱历时；
所述i为1至n中的任一整数，所述n为所述预设历史时间段包括的年度的数量；
所述k为1至Si中的任一整数，所述Si为所述第i年内的干旱事件的总数；
所述
Figure BDA0002085346280000093
为所述第i年内第k次干旱事件的结束时间；
所述
Figure BDA0002085346280000094
为所述第i年内第k次干旱事件的开始时间；
所述最大干旱强度绝对值序列通过以下公式计算得出：
Figure BDA0002085346280000095
其中，所述
Figure BDA0002085346280000096
为所述最大干旱强度绝对值序列中第i年内的最大干旱强度的绝对值；
所述
Figure BDA0002085346280000097
为所述第i年内第k次干旱事件的干旱强度。
在实际应用中，可以取干旱事件发生的日期作为所述
Figure BDA0002085346280000098
并取所述干旱事件结束的日期作为所述
Figure BDA0002085346280000099
例如：所述
Figure BDA00020853462800000910
可以是第i年内第k次干旱事件的结束日期，所述
Figure BDA00020853462800000911
可以是第i年内第k次干旱事件的开始日期，例如：A省在2016年内发生了5次干旱事件，其中第1次干旱事件的开始日期为1月15日，结束日期为2月1日，则该干旱事件的历时等于(2月1日－1月15日+1)＝18天。。
在实际应用中，所述
Figure BDA0002085346280000101
为第i年第k次干旱过程的干旱强度，即第i年第k次干旱过程中CIi,j≤-0.6的所有干旱天数的气象干旱指数之和。在实际应用中，
Figure BDA0002085346280000102
值小于0，且其取值越小，则表示干旱事件的干旱程度越强。
需要说明的是，如果某一次干旱事件跨越两个连续的日历年，且其干旱历时或干旱强度较强，则依据其主要发生的时间和前后两段的干旱强度将此干旱过程的指标归入前一年或后一年中。例如：假设一次干旱事件发生在12月15日至1月5日，12月15日至12月31日期间的干旱强度为-20,1月1日至1月5日期间的干旱强度为-4，由于干旱时间主要发生在前一年且前一年的干旱过程较强，所以计算时可将此次干旱事件对应的干旱特征变量纳入前一年中考虑。
另外，在计算所述最大干旱强度绝对值序列和所述最长干旱历时序列的过程中，需要分别针对所述预设历史时间段内的每一年分别进行计算，以得出所述预设历史时间段内的每一年的最大干旱强度的绝对值或者最长干旱历时。
作为一种可选的实施方式，在所述根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期之前，所述方法还包括：
根据所述干旱特征变量序列，确定预设备选概率分布集中每一个备选概率分布函数的时变参数，其中，所述时变参数包括以下至少一项：位置参数、尺度参数和形状参数，且所述时变参数为时间的三次样条函数；
从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为所述目标概率分布函数。
在具体实施中，所述预设备选概率分布集中的备选概率分布函数可以包括韦伯分布函数、耿贝尔分布函数、弗雷歇分布函数、对数正态分布函数、伽玛分布函数等，在此并不穷举。在具体实施中，可以用Mj(j＝1,2,…,l)表示所述预设备选概率分布集，用xt(t＝1,2,…,n)表示所述干旱特征变量序列，其中，所述l为所述预设备选概率分布集中包含的备选概率分布函数的数量，所述j可以取1至l之间的任一整数，所述n表示所述干旱特征变量序列中包含的干旱特征变量的数量，即所述预设历史时间段内包含的年度的数量，且所述t可以取1至n之间的任一整数，则与所述xt(t＝1,2,…,n)和第j个备选概率分布函数对应的概率密度函数可以表示为f(xtθj(t))，所述θj(t)为所述第j个备选概率分布函数的时变参数，其可以是时间t的三次样条函数，且所述时间t的三次样条函数中的可以包括待确定的参数。
需要说明的是，本实施方式中，所述i与所述t的取值相同，且均表示所述预设历史时间段内的第i年或者第t年。
在具体实施中，所述从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为所述目标概率分布函数，可以理解为：从所述预设备选概率分布集中选取能够良好的拟合所述干旱特征变量序列的一个备选概率分布函数作为所述目标概率分布函数。
本实施方式中，可以根据干旱特征变量序列确定预设备选概率分布集中每一个备选概率分布函数的时变参数，并在确定时变参数的备选概率分布函数中选取一个准确率最高的作为所述目标概率分布函数，从而使得所述目标概率分布函数能够更加准确的描述非一致性的干旱特征变量序列，从而使计算出的结果更加准确。
进一步的，所述根据所述干旱特征变量序列，确定预设备选概率分布集中每一个备选概率分布函数的时变参数的步骤，包括：
将所述干旱特征变量序列中的干旱特征变量分别代入所述预设备选概率分布集中的每一个备选概率分布函数对应的对数似然函数
Figure BDA0002085346280000111
并在所述
Figure BDA0002085346280000112
取最大值
Figure BDA0002085346280000113
的情况下，分别确定所述预设备选概率分布集中的每一个备选概率分布函数的时变参数值
Figure BDA0002085346280000114
其中，所述f(xtθj(t))为所述预设备选概率分布集中的第j个备选概率分布函数在第t年内的概率密度函数；
所述θj(t)为所述预设备选概率分布集中的第j个备选概率分布函数在第t年内的时变参数；
所述j为小于或者等于所述预设备选概率分布集中备选概率分布函数的数量的任一正整数；
所述xt为所述第t年内的干旱特征变量；
所述t为1至n中的任一整数；
所述n为所述预设历史时间段包括的年度的数量。
在具体实施中，所述θj(t)与所述
Figure BDA0002085346280000121
同为所述预设备选概率分布集中第j个备选概率分布函数的时变参数，不同之处在于，所述θj(t)中包含待确定的参数，所述
Figure BDA0002085346280000122
中的参数均具有确定的取值。
本实施方式中，提供计算时变参数的公式，并在
Figure BDA0002085346280000123
取最大值的情况下，分别确定所述预设备选概率分布集中的每一个备选概率分布函数的时变参数值
Figure BDA0002085346280000125
可以提升计算出的时变参数值
Figure BDA0002085346280000126
的准确性。
更进一步的，所述从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为所述目标概率分布函数的步骤，包括：
根据公式：
Figure BDA0002085346280000127
计算出所述预设备选概率分布集中每一个备选概率分布函数的评价指标，其中，所述EIj为所述预设备选概率分布集中的第j个备选概率分布函数的评价指标，所述p为预设惩罚函数，所述dfj为所述预设备选概率分布集中的第j个备选概率分布函数的整体自由度；
确定与数值最小的评价指标对应的一个备选概率分布函数为所述目标概率分布函数。
在具体实施中，所述p可以根据用户的需求预设值，所述dfj与所述预设备选概率分布集中第j个备选概率分布函数关联，从而分别将所述预设备选概率分布集中各个备选概率分布函数对应的参数代入公式
Figure BDA0002085346280000128
便能够计算出所述预设备选概率分布集中每一个备选概率分布函数对应的EIj的值。
需要说明的是，在所述xt(t＝1,2,…,n)表示最大干旱强度绝对值序列的情况下，由于最大干旱强度的值小于0，在从预设备选概率分布函数中确定所述目标概率分布函数的过程中可以取所述最大干旱强度绝对值序列中的最大干旱强度的绝对值xt等于最大干旱强度的值的负值，以确保所述xt大于0。
本实施方式中，分别计算出所述预设备选概率分布集中每一个备选概率分布函数的评价指标EIj，并通过所述评价指标EIj来评价各个备选概率分布函数的误差率，从而选取评价指标EIj最小的一个备选概率分布函数作为所述目标概率分布函数，可以确保所述目标概率分布函数的准确度为所述预设备选概率分布集中最高的一个，从而提升计算出的干旱重现期的准确性。
作为一种可选的实施方式，所述根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期的步骤，包括：
在所述干旱特征变量序列包括所述最长干旱历时序列的情况下，采用以下公式，计算得出所述目标区域与预估最长干旱历时对应的干旱重现期：
Figure BDA0002085346280000131
其中，所述预估干旱特征变量包括所述D，其表示所述预估最长干旱历时，所述预估最长干旱历时由预估的气象干旱指数确定；所述
Figure BDA0002085346280000132
为所述目标区域在第t年内与所述D对应的干旱重现期，所述
Figure BDA0002085346280000133
表示与所述最长干旱历时序列匹配的目标概率分布函数；
或者，
在所述干旱特征变量序列包括所述最大干旱强度绝对值序列的情况下，采用以下公式，计算得出所述目标区域与预估最大干旱强度的绝对值对应的干旱重现期：
Figure BDA0002085346280000134
其中，所述预估干旱特征变量包括所述DI，其表示所述预估最大干旱强度的绝对值，所述预估最大干旱强度的绝对值由所述预估的气象干旱指数确定；所述
Figure BDA0002085346280000135
为所述目标区域在第t年内与所述DI对应的干旱重现期，所述
Figure BDA0002085346280000136
表示与所述最大干旱强度绝对值序列匹配的目标概率分布函数。
在具体实施中，在所述干旱特征变量序列为最大干旱强度绝对值序列的情况下，所述预设干旱重现期与预估最大干旱强度的绝对值对应，从而可以将所述预估最大干旱强度的绝对值输入与所述最大干旱强度绝对值序列匹配的目标概率分布函数时，根据输出结果确定干旱重现期，并将与预设干旱重现期对应的预设干旱重现期与该干旱重现期进行比较，已根据比较结果确定干旱重现期是否大于预设的预设干旱重现期，从而确定是否输出干旱预警信息。
在实现时，预估最长干旱历时和预估最大干旱的强度的绝对值可以通过以下过程确定：
1)根据当前干旱过程的实际日监测气象资料和未来时期的日预估气象资料，计算当前干旱过程的逐日综合气象干旱指数，其中，所述当前干旱过程的逐日综合气象干旱指数包括已经监测的时间段内的逐日综合气象干旱指数和未来时间段内预估的逐日综合气象干旱指数；
2)根据当前干旱过程的逐日综合气象干旱指数，确定当前干旱过程的开始日，并预估当前干旱过程的结束日期，计算当前干旱过程的预估持续时间和预估干旱强度；
3)将当前干旱过程的预估持续时间作为所述D，并将当前干旱过程的预估干旱强度的绝对值分别作为所述DI。
另外，在所述干旱特征变量序列为最长干旱历时序列的情况下，所述预设干旱重现期与预估最长干旱历时对应，其原理与所述干旱特征变量序列为最大干旱强度绝对值序列的情况相同，在此不再赘述。
本实施方式中，分别针对所述干旱特征变量序列为最大干旱强度绝对值序列和最长干旱历时序列两种情况，分别提供计算干旱重现期的方法，并在计算出干旱重现期之后，分别与预估最大干旱强度的绝对值和预估最长干旱历时对应的预设干旱重现期进行比较，以确定计算出的干旱重现期是否大于预设的预设干旱重现期，从而确定是否输出干旱预警信息。
请参阅图2，本发明实施例还提供一种反映非一致性干旱特征变量的干旱预警装置200，该装置200包括：
获取模块201，用于获取目标区域在预设历史时间段内的气象干旱指数。
第一确定模块202，用于根据所述气象干旱指数，确定干旱特征变量序列，其中，所述干旱特征变量序列包括：所述预设历史时间段内每一年的干旱特征变量。
第二确定模块203，用于根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期，其中，所述目标概率分布函数与所述干旱特征变量序列匹配。
输出模块204，用于在所述干旱重现期大于或者等于预设重现期的情况下，输出干旱预警信息。
可选的，所述干旱特征变量序列包括：最长干旱历时序列或者最大干旱强度绝对值序列，其中，所述最长干旱历时序列包括所述预设历史时间段内每一年内的最长干旱历时，所述最大干旱强度绝对值序列包括所述预设历史时间段内每一年内的最大干旱强度的绝对值。
可选的，所述最长干旱历时序列通过以下公式计算得出：
Figure BDA0002085346280000151
其中，所述
Figure BDA0002085346280000152
为所述最长干旱历时序列中第i年内的最长干旱历时；
所述i为1至n中的任一整数，所述n为所述预设历史时间段包括的年度的数量；
所述k为1至Si中的任一整数，所述Si为所述第i年内的干旱事件的总数；
所述
Figure BDA0002085346280000153
为所述第i年内第k次干旱事件的结束时间；
所述
Figure BDA0002085346280000154
为所述第i年内第k次干旱事件的开始时间；
所述最大干旱强度绝对值序列通过以下公式计算得出：
Figure BDA0002085346280000155
其中，所述
Figure BDA0002085346280000156
为所述最大干旱强度绝对值序列中第i年内的最大干旱强度的绝对值；
所述
Figure BDA0002085346280000157
为所述第i年内第k次干旱事件的干旱强度。
可选的，如图3所示，装置200还包括：
第三确定模块205，用于在所述根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期之前，根据所述干旱特征变量序列，确定预设备选概率分布集中每一个备选概率分布函数的时变参数，其中，所述时变参数包括以下至少一项：位置参数、尺度参数和形状参数，且所述时变参数为时间的三次样条函数；
选取模块206，用于从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为所述目标概率分布函数。
可选的，所述选取模块206具体用于：
将所述干旱特征变量序列中的干旱特征变量分别代入所述预设备选概率分布集中的每一个备选概率分布函数对应的对数似然函数
Figure BDA0002085346280000161
并在所述
Figure BDA0002085346280000162
取最大值
Figure BDA0002085346280000163
的情况下，分别确定所述预设备选概率分布集中的每一个备选概率分布函数的时变参数值
Figure BDA0002085346280000164
其中，所述f(xtθj(t))为所述预设备选概率分布集中的第j个备选概率分布函数在第t年内的概率密度函数；
所述θj(t)为所述预设备选概率分布集中的第j个备选概率分布函数在第t年内的时变参数；
所述j为小于或者等于所述预设备选概率分布集中备选概率分布函数的数量的任一正整数；
所述xt为所述第t年内的干旱特征变量；
所述t为1至n中的任一整数；
所述n为所述预设历史时间段包括的年度的数量。
可选的，如图4所示，所述选取模块206，包括：
计算单元2061，用于根据公式：
Figure BDA0002085346280000165
计算出所述预设备选概率分布集中每一个备选概率分布函数的评价指标，其中，所述EIj为所述预设备选概率分布集中的第j个备选概率分布函数的评价指标，所述p为预设惩罚函数，所述dfj为所述预设备选概率分布集中的第j个备选概率分布函数的整体自由度。
确定单元2062，用于确定与数值最小的评价指标对应的一个备选概率分布函数为所述目标概率分布函数。
可选的，所述根第二确定模块203具体用于：
在所述干旱特征变量序列包括所述最长干旱历时序列的情况下，采用以下公式，计算得出所述目标区域与预估最长干旱历时对应的干旱重现期：
Figure BDA0002085346280000171
其中，所述预估干旱特征变量包括所述D，其表示所述预估最长干旱历时，所述预估最长干旱历时由预估的气象干旱指数确定；所述
Figure BDA0002085346280000172
为所述目标区域在第t年内与所述D对应的干旱重现期，所述
Figure BDA0002085346280000173
表示与所述最长干旱历时序列匹配的目标概率分布函数；
或者，
在所述干旱特征变量序列包括所述最大干旱强度绝对值序列的情况下，采用以下公式，计算得出所述目标区域与预估最大干旱强度的绝对值对应的干旱重现期：
Figure BDA0002085346280000174
其中，所述预估干旱特征变量包括所述DI，其表示所述预估最大干旱强度的绝对值，所述预估最大干旱强度的绝对值由所述预估的气象干旱指数确定；所述
Figure BDA0002085346280000175
为所述目标区域在第t年内与所述DI对应的干旱重现期，所述
Figure BDA0002085346280000176
表示与所述最大干旱强度绝对值序列匹配的目标概率分布函数。
本发明实施例提供的反映非一致性干旱特征变量的干旱预警装置能够实现图1所示的方法实施例中反映非一致性干旱特征变量的干旱预警装置实现的各个过程，且能够取得相同的有益效果，为避免重复，这里不再赘述。
请参阅图5，本发明实施例还提供一种电子设备，包括：收发机501、处理器502、存储器503、总线接口以及存储在存储器503上并可在处理器501上运行的计算机程序。
收发机501用于获取目标区域在预设历史时间段内的气象干旱指数。
处理器402执行所述计算机程序，并根据所述气象干旱指数，确定干旱特征变量序列，其中，所述干旱特征变量序列包括：所述预设历史时间段内每一年的干旱特征变量。
处理器402还用于根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期，其中，所述目标概率分布函数与所述干旱特征变量序列匹配；并在所述干旱重现期大于或者等于预设重现期的情况下，输出干旱预警信息。
可选的，所述干旱特征变量序列包括：最长干旱历时序列或者最大干旱强度绝对值序列，其中，所述最长干旱历时序列包括所述预设历史时间段内每一年内的最长干旱历时，所述最大干旱强度绝对值序列包括所述预设历史时间段内每一年内的最大干旱强度的绝对值。
可选的，所述最长干旱历时序列通过以下公式计算得出：
Figure BDA0002085346280000181
其中，所述
Figure BDA0002085346280000182
为所述最长干旱历时序列中第i年内的最长干旱历时；
所述i为1至n中的任一整数，所述n为所述预设历史时间段包括的年度的数量；
所述k为1至Si中的任一整数，所述Si为所述第i年内的干旱事件的总数；
所述
Figure BDA0002085346280000183
为所述第i年内第k次干旱事件的结束时间；
所述
Figure BDA0002085346280000184
为所述第i年内第k次干旱事件的开始时间；
所述最大干旱强度绝对值序列通过以下公式计算得出：
Figure BDA0002085346280000185
其中，所述
Figure BDA0002085346280000186
为所述最大干旱强度绝对值序列中第i年内的最大干旱强度的绝对值；
所述
Figure BDA0002085346280000187
为所述第i年内第k次干旱事件的干旱强度。
可选的，处理器402在所述根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期之前，还用于：
根据所述干旱特征变量序列，确定预设备选概率分布集中每一个备选概率分布函数的时变参数，其中，所述时变参数包括以下至少一项：位置参数、尺度参数和形状参数，且所述时变参数为时间的三次样条函数；
从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为所述目标概率分布函数。
可选的，处理器402执行的所述根据所述干旱特征变量序列，确定预设备选概率分布集中每一个备选概率分布函数的时变参数的步骤，包括：
将所述干旱特征变量序列中的干旱特征变量分别代入所述预设备选概率分布集中的每一个备选概率分布函数对应的对数似然函数
Figure BDA0002085346280000191
并在所述
Figure BDA0002085346280000192
取最大值
Figure BDA0002085346280000193
的情况下，分别确定所述预设备选概率分布集中的每一个备选概率分布函数的时变参数值
Figure BDA0002085346280000194
其中，所述f(xtθj(t))为所述预设备选概率分布集中的第j个备选概率分布函数在第t年内的概率密度函数；
所述θj(t)为所述预设备选概率分布集中的第j个备选概率分布函数在第t年内的时变参数；
所述j为小于或者等于所述预设备选概率分布集中备选概率分布函数的数量的任一正整数；
所述xt为所述第t年内的干旱特征变量；
所述t为1至n中的任一整数；
所述n为所述预设历史时间段包括的年度的数量。
可选的，处理器402执行的所述从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为所述目标概率分布函数的步骤，包括：
根据公式：
Figure BDA0002085346280000195
计算出所述预设备选概率分布集中每一个备选概率分布函数的评价指标，其中，所述EIj为所述预设备选概率分布集中的第j个备选概率分布函数的评价指标，所述p为预设惩罚函数，所述dfj为所述预设备选概率分布集中的第j个备选概率分布函数的整体自由度；
确定与数值最小的评价指标对应的一个备选概率分布函数为所述目标概率分布函数。
可选的，处理器402所述根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期的步骤，包括：
在所述干旱特征变量序列包括所述最长干旱历时序列的情况下，采用以下公式，计算得出所述目标区域与预估最长干旱历时对应的干旱重现期：
Figure BDA0002085346280000196
其中，所述预估干旱特征变量包括所述D，其表示所述预估最长干旱历时，所述预估最长干旱历时由预估的气象干旱指数确定；所述
Figure BDA0002085346280000201
为所述目标区域在第t年内与所述D对应的干旱重现期，所述
Figure BDA0002085346280000202
表示与所述最长干旱历时序列匹配的目标概率分布函数；
或者，
在所述干旱特征变量序列包括所述最大干旱强度绝对值序列的情况下，采用以下公式，计算得出所述目标区域与预估最大干旱强度的绝对值对应的干旱重现期：
Figure BDA0002085346280000203
其中，所述预估干旱特征变量包括所述DI，其表示所述预估最大干旱强度的绝对值，所述预估最大干旱强度的绝对值由所述预估的气象干旱指数确定；所述
Figure BDA0002085346280000204
为所述目标区域在第t年内与所述DI对应的干旱重现期，所述
Figure BDA0002085346280000205
表示与所述最大干旱强度绝对值序列匹配的目标概率分布函数。
本发明实施例中，处理器执行计算机程序时，实现如上所述的反映非一致性干旱特征变量的干旱预警方法的步骤。取得与上述方法实施例中相同的有益效果，为避免重复，在此不再赘述。
本发明实施例还提供一种计算机存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的反映非一致性干旱特征变量的干旱预警方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种反映非一致性干旱特征变量的干旱预警方法，其特征在于，包括：
获取目标区域在预设历史时间段内的气象干旱指数；
根据所述气象干旱指数，确定干旱特征变量序列，其中，所述干旱特征变量序列包括：所述预设历史时间段内每一年的干旱特征变量；
根据所述干旱特征变量序列，确定预设备选概率分布集中每一个备选概率分布函数的时变参数，其中，所述时变参数包括以下至少一项：位置参数、尺度参数和形状参数，且所述时变参数为时间的三次样条函数；
从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为目标概率分布函数；
根据所述目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期，其中，所述目标概率分布函数与所述干旱特征变量序列匹配；
在所述干旱重现期大于或者等于预设重现期的情况下，输出干旱预警信息。
2.根据权利要求1所述的方法，其特征在于，所述干旱特征变量序列包括：最长干旱历时序列或者最大干旱强度绝对值序列，其中，所述最长干旱历时序列包括所述预设历史时间段内每一年的最长干旱历时，所述最大干旱强度绝对值序列包括所述预设历史时间段内每一年的最大干旱强度的绝对值。
3.根据权利要求2所述的方法，其特征在于，所述最长干旱历时序列通过以下公式计算得出：
Figure FDA0002618935050000011
其中，所述
Figure FDA0002618935050000012
为所述最长干旱历时序列中第i年的最长干旱历时；
所述i为1至n中的任一整数，所述n为所述预设历史时间段包括的年度的数量；
所述k为1至Si中的任一整数，所述Si为所述第i年内的干旱事件的总数；
所述
Figure FDA0002618935050000014
为所述第i年内第k次干旱事件的结束时间；
所述
Figure FDA0002618935050000013
为所述第i年内第k次干旱事件的开始时间；
所述最大干旱强度绝对值序列通过以下公式计算得出：
Figure FDA0002618935050000021
其中，所述
Figure FDA0002618935050000022
为所述最大干旱强度绝对值序列中第i年的最大干旱强度的绝对值；
所述
Figure FDA0002618935050000023
为所述第i年内第k次干旱事件的干旱强度。
4.根据权利要求2所述的方法，其特征在于，所述根据所述干旱特征变量序列，确定预设备选概率分布集中每一个备选概率分布函数的时变参数的步骤，包括：
将所述干旱特征变量序列中的干旱特征变量分别代入所述预设备选概率分布集中的每一个备选概率分布函数对应的对数似然函数
Figure FDA0002618935050000024
并在所述
Figure FDA0002618935050000025
取最大值
Figure FDA0002618935050000026
的情况下，分别确定所述预设备选概率分布集中的每一个备选概率分布函数的时变参数值
Figure FDA0002618935050000027
其中，所述f(xt|θj(t))为所述预设备选概率分布集中的第j个备选概率分布函数在第t年的概率密度函数；
所述θj(t)为所述预设备选概率分布集中的第j个备选概率分布函数在第t年的时变参数；
所述j为小于或者等于所述预设备选概率分布集中备选概率分布函数的数量的任一正整数；
所述xt为所述第t年的干旱特征变量；
所述t为1至n中的任一整数；
所述n为所述预设历史时间段包括的年度的数量。
5.根据权利要求4所述的方法，其特征在于，所述从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为所述目标概率分布函数的步骤，包括：
根据公式：
Figure FDA0002618935050000028
计算出所述预设备选概率分布集中每一个备选概率分布函数的评价指标，其中，所述EIj为所述预设备选概率分布集中的第j个备选概率分布函数的评价指标，所述p为预设惩罚函数，所述dfj为所述预设备选概率分布集中的第j个备选概率分布函数的整体自由度；
确定与数值最小的评价指标对应的一个备选概率分布函数为所述目标概率分布函数。
6.根据权利要求5所述的方法，其特征在于，所述根据目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期的步骤，包括：
在所述干旱特征变量序列包括所述最长干旱历时序列的情况下，采用以下公式，计算得出所述目标区域与预估最长干旱历时对应的干旱重现期：
Figure FDA0002618935050000031
其中，所述预估干旱特征变量包括所述D，其表示所述预估最长干旱历时，所述预估最长干旱历时由预估的气象干旱指数确定；所述
Figure FDA0002618935050000032
为所述目标区域在第t年内与所述D对应的干旱重现期，所述
Figure FDA0002618935050000033
表示与所述最长干旱历时序列匹配的目标概率分布函数；
或者，
在所述干旱特征变量序列包括所述最大干旱强度绝对值序列的情况下，采用以下公式，计算得出所述目标区域与预估最大干旱强度的绝对值对应的干旱重现期：
Figure FDA0002618935050000034
其中，所述预估干旱特征变量包括所述DI，其表示所述预估最大干旱强度的绝对值，所述预估最大干旱强度的绝对值由所述预估的气象干旱指数确定；所述
Figure FDA0002618935050000035
为所述目标区域在第t年内与所述DI对应的干旱重现期，所述
Figure FDA0002618935050000036
表示与所述最大干旱强度绝对值序列匹配的目标概率分布函数。
7.一种反映非一致性干旱特征变量的干旱预警装置，其特征在于，包括：
获取模块，用于获取目标区域在预设历史时间段内的气象干旱指数；
第一确定模块，用于根据所述气象干旱指数，确定干旱特征变量序列，其中，所述干旱特征变量序列包括：所述预设历史时间段内每一年的干旱特征变量；
第三确定模块，用于根据所述干旱特征变量序列，确定预设备选概率分布集中每一个备选概率分布函数的时变参数，其中，所述时变参数包括以下至少一项：位置参数、尺度参数和形状参数，且所述时变参数为时间的三次样条函数；
选取模块，用于从所述预设备选概率分布集中选取准确率最高的一个备选概率分布函数作为目标概率分布函数；
第二确定模块，用于根据所述目标概率分布函数，确定所述目标区域与预估干旱特征变量对应的干旱重现期，其中，所述目标概率分布函数与所述干旱特征变量序列匹配；
输出模块，用于在所述干旱重现期大于或者等于预设重现期的情况下，输出干旱预警信息。
8.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的反映非一致性干旱特征变量的干旱预警方法中的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的反映非一致性干旱特征变量的干旱预警方法中的步骤。
CN201910485806.7A 2019-06-05 2019-06-05 反映非一致性干旱特征变量的干旱预警方法和装置 Active CN110222313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910485806.7A CN110222313B (zh) 2019-06-05 2019-06-05 反映非一致性干旱特征变量的干旱预警方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910485806.7A CN110222313B (zh) 2019-06-05 2019-06-05 反映非一致性干旱特征变量的干旱预警方法和装置

Publications (2)

Publication Number Publication Date
CN110222313A CN110222313A (zh) 2019-09-10
CN110222313B true CN110222313B (zh) 2020-10-23

Family

ID=67819768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910485806.7A Active CN110222313B (zh) 2019-06-05 2019-06-05 反映非一致性干旱特征变量的干旱预警方法和装置

Country Status (1)

Country Link
CN (1) CN110222313B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914436B (zh) * 2020-08-20 2024-03-19 中国水利水电科学研究院 一种水文设计值区间结果输出方法、装置及电子设备
CN112084433B (zh) * 2020-09-14 2024-04-16 周盛 一种根据区域划分进行人工影响天气抗旱作业的方法
CN114626475B (zh) * 2022-03-21 2022-11-11 中山大学 严重旱涝事件的时空变化分析方法、装置和设备
CN114783164A (zh) * 2022-06-20 2022-07-22 浙江省水利河口研究院(浙江省海洋规划设计研究院) 一种全类型供水水源地旱情预警与测算更新方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004234607A (ja) * 2003-01-29 2004-08-19 Seiji Kimura 伝達所要時間合計見積もり方法
CN106600508A (zh) * 2016-12-19 2017-04-26 中国水利水电科学研究院 一种流域尺度的水文非一致性诊断方法
CN107329938A (zh) * 2017-06-29 2017-11-07 北京师范大学 一种河流干旱灾害情况预测方法
CN108732649A (zh) * 2018-05-11 2018-11-02 河海大学 一种基于气象干旱传递的水文干旱预测预警方法
CN109754186A (zh) * 2018-12-29 2019-05-14 华润电力技术研究院有限公司 概率计算方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130179121A1 (en) * 2012-01-06 2013-07-11 Advantest Corporation Calculating apparatus, measuring apparatus, electronic device, program, recording medium and calculating method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004234607A (ja) * 2003-01-29 2004-08-19 Seiji Kimura 伝達所要時間合計見積もり方法
CN106600508A (zh) * 2016-12-19 2017-04-26 中国水利水电科学研究院 一种流域尺度的水文非一致性诊断方法
CN107329938A (zh) * 2017-06-29 2017-11-07 北京师范大学 一种河流干旱灾害情况预测方法
CN108732649A (zh) * 2018-05-11 2018-11-02 河海大学 一种基于气象干旱传递的水文干旱预测预警方法
CN109754186A (zh) * 2018-12-29 2019-05-14 华润电力技术研究院有限公司 概率计算方法及装置

Also Published As

Publication number Publication date
CN110222313A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110222313B (zh) 反映非一致性干旱特征变量的干旱预警方法和装置
CN111143102B (zh) 异常数据检测方法、装置、存储介质及电子设备
CN109727446B (zh) 一种用电数据异常值的识别与处理方法
US7430494B2 (en) Dynamic data stream histograms for no loss of information
CN109933852B (zh) 预测车辆尺寸偏差的方法、装置、存储介质及电子设备
CN110264270B (zh) 一种行为预测方法、装置、设备和存储介质
CN109255517B (zh) 风控策略的生成方法、装置、服务器及可读存储介质
KR101793625B1 (ko) 기후변화를 고려한 비정상성 지역빈도해석에서의 확률강우량 산출방법 및 그 시스템
CN108648091A (zh) 保单风险评估方法、装置、设备和计算机存储介质
CN115545790A (zh) 价格数据预测方法、装置、电子设备及存储介质
CN114708043A (zh) 一种供应链牛鞭效应测度方法及系统、设备、存储介质
Adesi et al. VaR without correlations for portfolios of derivative securities
KR101927898B1 (ko) 기후변화의 불확실성을 고려하여 실물옵션분석을 기반으로 한 의사결정나무 구축 방법
CN113469587A (zh) 一种评估气候变化对区域滑坡发生时空影响方法及装置
CN109299521A (zh) 径流总量控制率的确定方法及装置
CN112686470A (zh) 电网饱和负荷预测方法、装置及终端设备
CN112365156A (zh) 一种数据处理方法、数据处理装置、终端及存储介质
CN114169590B (zh) 一种基于多情景划分的水库入库径流预报校正方法和系统
CN115860505A (zh) 对象评价方法、装置、终端设备及存储介质
CN112598228B (zh) 企业竞争力的分析方法、装置、设备及存储介质
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
CN113159224A (zh) 一种径流预报模型构建方法、装置、电子设备和介质
KR101543828B1 (ko) 공정지표 관리 장치 및 방법
CN115460098B (zh) 基于时间间隔分布特征的网络管理系统故障模型建立方法
CN117132117A (zh) 基于客流分析的经营风险识别方法、装置、设备及介质

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