CN110490384A - 一种区域气候模式动力降尺度要素误差订正方法 - Google Patents

Abstract

本发明公开了一种区域气候模式动力降尺度要素误差订正方法，用Gamma分布和GEV分布构建了混合分布函数，设定多参数因子，解决了现有的QM分位数映射法无法兼顾区域气候模式动力降尺度要素中的普通类型日降水以及极端降水事件的订正能力问题，且由遗传算法在95％置信空间内进行参数寻优，可得到相对误差指标MRE、相关系数CORR和Nash效率系数NSE均优良的误差订正指标。

Description

一种区域气候模式动力降尺度要素误差订正方法

技术领域

本发明涉及水文气象领域，具体涉及一种区域气候模式动力降尺度要素误差订正方法。

背景技术

通常情况下，区域气候模式中气候要素(例如降水和气温)的动力降尺度运算结果与观测值相比普遍存在误差，这破坏了其在水文模型中的直接应用。因此，区域气候模式的气候预测结果在应用于水文过程模拟之前通常需要进行误差订正。

近年来，常用的区域气候模式动力降尺度要素误差订正法由Delta法、多元线性回归法、相似法、局部强度缩放法、QM分位数映射法等，虽然大多数误差订正方法对于均值的校正具有良好的效果，但对于均方根误差等其他统计特性的订正能力存在明显差异。2011年，学者Themeβl通过试验测得以上方法中QM分位数映射法的整体表现最佳，然而现有的QM分位数映射法通常基于单一随机过程分布函数，具有不容忽视的局限性。如基于Weibull分布的QM分位数映射法对极端降水事件订正效果较好，却不适用于普通类型的日降水订正；而基于Exponential分布的QM分位数映射法对普通类型降水订正具有良好的性能，但却对于未来极端降水事件的订正效果欠佳。

发明内容

针对现有技术中的上述不足，本发明提供的一种区域气候模式动力降尺度要素误差订正方法解决了现有的QM分位数映射法无法兼顾区域气候模式动力降尺度要素中的普通类型日降水以及极端降水事件的订正能力问题。

为了达到上述发明目的，本发明采用的技术方案为：一种区域气候模式动力降尺度要素误差订正方法，包括以下步骤：

S1、以气候动力降尺度要素实际观测数据序列y为基准，对区域气候模式模拟得到的气候要素的动力降尺度结果序列x_RCM进行阈值订正，得到去无效降水事件模拟序列x；

S2、基于随机过程Gamma分布和GEV分布，构建混合分布的累计概率分布函数CDF(x；α₁，β₁，α₂，β₂，τ，σ)，其中σ为分布组分权重参数，α₁为第一形状参数，β₁为第一尺度参数，α₂为第二形状参数，β₂为第二尺度参数，τ为时延参数；

S3、采用最大似然估计法MLE寻找95％置信区间对应的观测序列参数 τ^obs、σ^obs和去无效降水事件模拟序列参数 τ^mod、σ^mod的取值范围，使得

S4、根据参数τ^obs、σ^obs、 τ^mod、σ^mod构建传递函数TF(x)，并由去无效降水事件模拟序列x得到误差订正拟合序列

S5、用遗传算法GA在τ^obs、σ^obs、 τ^mod、σ^mod参数取值范围内进行参数迭代，求解得到使得误差订正拟合序列和气候动力降尺度要素实际观测数据序列y的相对误差指标MRE最小、相关系数CORR和Nash效率系数NSE趋近于1的各参数值，以此优化误差订正拟合序列

进一步地：步骤S1包括以下步骤：

S11、测算气候动力降尺度要素实际观测数据序列y中数值为零值的变量数目以及模拟序列x_RCM中数值为零值的变量数目

S12、通过概率关系，由实际观测数据零值数目运算得到实际观测数据零值的概率并由模拟序列零值数目运算得到模拟序列零值概率

S13、设定合适的阈值x_th，将序列x_RCM中数值小于阈值x_th的变量均赋值为0，使得得到的新序列即为去无效降水事件模拟序列x。

进一步地：步骤S12中概率关系遵循如下等式：

其中n₀表示序列中零值的数目，N为序列长度。

进一步地：步骤S2中构建的混合分布的累计概率分布函数CDF为：

进一步地：步骤S4中传递函数TF(x)为：

进一步地：步骤S4中误差订正拟合序列和去无效降水事件模拟序列x的关系为：

进一步地：步骤S5中相对误差系数指标MRE为：

其中，和分别为误差订正拟合序列和气候动力降尺度要素实际观测数据序列y的平均值。

进一步地：步骤S5中相关系数CORR为：

其中，和y_i分别为误差订正拟合序列和气候动力降尺度要素实际观测数据序列y的元素。

进一步地：步骤S5中Nash效率系数NSE为：

本发明的有益效果为：用Gamma分布和GEV分布构建了混合分布函数，设定多参数因子，使得本发明既适用于极端降水事件订正也适用于普通类型的日降水订正，且由遗传算法在95％置信空间内进行参数寻优，可得到相对误差指标MRE、相关系数CORR和Nash效率系数NSE均优良的误差订正指标。

附图说明

图1为一种区域气候模式动力降尺度要素误差订正方法流程示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种区域气候模式动力降尺度要素误差订正方法，包括以下步骤：

S1、以气候动力降尺度要素实际观测数据序列y为基准，对区域气候模式模拟得到的气候要素的动力降尺度结果序列x_RCM进行阈值订正，得到去无效降水事件模拟序列x；

其中，所述步骤S1包括以下步骤：

S11、测算气候动力降尺度要素实际观测数据序列y中数值为零值的变量数目以及模拟序列x_RCM中数值为零值的变量数目

S12、通过概率关系，由实际观测数据零值数目运算得到实际观测数据零值的概率并由模拟序列零值数目运算得到模拟序列零值概率

所述步骤S12中概率关系遵循如下等式：

其中n₀表示序列中零值的数目，N为序列长度。

S13、设定合适的阈值x_th，将序列x_RCM中数值小于阈值x_th的变量均赋值为0，使得此时得到的新序列即为去无效降水事件模拟序列x。

S2、基于随机过程Gamma分布和GEV分布，构建混合分布的累计概率分布函数CDF(x；α₁，β₁，α₂，β₂，τ，σ)，其中σ为分布组分权重参数，α₁为第一形状参数，β₁为第一尺度参数，α₂为第二形状参数，β₂为第二尺度参数，τ为时延参数；

所述步骤S2中构建的混合分布的累计概率分布函数CDF为：

S3、用最大似然估计法MLE寻找95％置信区间对应的观测序列参数 τ^obs、σ^obs和去无效降水事件模拟序列参数 τ^mod、σ^mod的取值范围，使得

S4、根据参数τ^obs、σ^obs、 构建传递函数TF(x)，并由去无效降水事件模拟序列x得到误差订正拟合序列

步骤S4中传递函数TF(x)为：

步骤S4误差订正拟合序列和去无效降水事件模拟序列x的关系为：

S5、用遗传算法GA在τ^obs、σ^obs、 τ^mod、σ^mod参数取值范围内进行参数迭代，求解出使得误差订正拟合序列和气候动力降尺度要素实际观测数据序列y的相对误差指标MRE最小、相关系数CORR和Nash效率系数NSE趋近于1的各参数值，以此优化误差订正拟合序列

所述步骤S5中相对误差系数指标MRE为：

其中，和分别为误差订正拟合序列和气候动力降尺度要素实际观测数据序列y的平均值。

所述步骤S5中相关系数CORR为：

其中，和y_i分别为误差订正拟合序列和气候动力降尺度要素实际观测数据序列y的元素。

所述步骤S5中Nash效率系数NSE为：

本发明用Gamma分布和GEV分布构建了混合分布函数，设定多参数因子，使得本发明既适用于极端降水事件订正也适用于普通类型的日降水订正，且由遗传算法在95％置信空间内进行参数寻优，可得到相对误差指标MRE、相关系数CORR和Nash效率系数NSE均优良的误差订正指标。

Claims (9)

1.一种区域气候模式动力降尺度要素误差订正方法，其特征在于，包括以下步骤：

S1、以气候动力降尺度要素实际观测数据序列y为基准，对区域气候模式模拟得到的气候要素的动力降尺度结果序列x_RCM进行阈值订正，得到去无效降水事件模拟序列x；

S2、基于随机过程Gamma分布和GEV分布，构建混合分布的累计概率分布函数CDF(x；α₁，β₁，α₂，β₂，τ，σ)，其中σ为分布组分权重参数，α₁为第一形状参数，β₁为第一尺度参数，α₂为第二形状参数，β₂为第二尺度参数，τ为时延参数；

S3、采用最大似然估计法MLE寻找95％置信区间对应的观测序列参数 τ^obs、σ^obs和去无效降水事件模拟序列参数 τ^mod、σ^mod的取值范围，使得

S4、根据参数τ^obs、σ^obs、 τ^mod、σ^mod构建传递函数TF(x)，并由去无效降水事件模拟序列x得到误差订正拟合序列

S5、用遗传算法GA在τ^obs、σ^obs、 τ^mod、σ^mod参数取值范围内进行参数迭代，求解得到使得误差订正拟合序列和气候动力降尺度要素实际观测数据序列y的相对误差指标MRE最小、相关系数CORR和Nash效率系数NSE趋近于1的各参数值，以此优化误差订正拟合序列

2.根据权利要求1所述的区域气候模式动力降尺度要素误差订正方法，其特征在于，所述步骤S1包括以下步骤：

S11、测算气候动力降尺度要素实际观测数据序列y中数值为零值的变量数目以及模拟序列x_RCM中数值为零值的变量数目

S12、通过概率关系，由实际观测数据零值数目运算得到实际观测数据零值的概率并由模拟序列零值数目运算得到模拟序列零值概率

S13、设定合适的阈值x_th，将序列x_RCM中数值小于阈值x_th的变量均赋值为0，使得得到的新序列即为去无效降水事件模拟序列x。

3.根据权利要求2所述的区域气候模式动力降尺度要素误差订正方法，其特征在于，所述步骤S12中概率关系遵循如下等式：

其中n₀表示序列中零值的数目，N为序列长度。

4.根据权利要求1所述的区域气候模式动力降尺度要素误差订正方法，其特征在于，所述步骤S2中构建的混合分布的累计概率分布函数CDF为：

5.根据权利要求1所述的区域气候模式动力降尺度要素误差订正方法，其特征在于，所述步骤S4中传递函数TF(x)为：

6.根据权利要求1所述的区域气候模式动力降尺度要素误差订正方法，其特征在于，所述步骤S4中误差订正拟合序列和去无效降水事件模拟序列x的关系为：

7.根据权利要求1所述的区域气候模式动力降尺度要素误差订正方法，其特征在于，所述步骤S5中相对误差系数指标MRE为：

其中，和分别为误差订正拟合序列和气候动力降尺度要素实际观测数据序列y的平均值。

8.根据权利要求7所述的区域气候模式动力降尺度要素误差订正方法，其特征在于，所述步骤S5中相关系数CORR为：

其中，和y_i分别为误差订正拟合序列和气候动力降尺度要素实际观测数据序列y的元素。

9.根据权利要求8所述的区域气候模式动力降尺度要素误差订正方法，其特征在于，所述步骤S5中Nash效率系数NSE为：