CN110490384A - 一种区域气候模式动力降尺度要素误差订正方法 - Google Patents
一种区域气候模式动力降尺度要素误差订正方法 Download PDFInfo
- Publication number
- CN110490384A CN110490384A CN201910776405.7A CN201910776405A CN110490384A CN 110490384 A CN110490384 A CN 110490384A CN 201910776405 A CN201910776405 A CN 201910776405A CN 110490384 A CN110490384 A CN 110490384A
- Authority
- CN
- China
- Prior art keywords
- sequence
- emissions reduction
- reduction element
- parameter
- error revising
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001556 precipitation Methods 0.000 claims abstract description 28
- 238000005315 distribution function Methods 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000001028 reflection method Methods 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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xRCM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 τobs、σobs和去无效降水事件模拟序列参数 τmod、σmod的取值范围,使得
S4、根据参数τobs、σobs、 τmod、σmod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τobs、σobs、 τmod、σmod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xRCM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xth,将序列xRCM中数值小于阈值xth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yi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xRCM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xRCM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xth,将序列xRCM中数值小于阈值xth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 τobs、σobs和去无效降水事件模拟序列参数 τmod、σmod的取值范围,使得
S4、根据参数τobs、σobs、 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τobs、σobs、 τmod、σmod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yi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xRCM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 τobs、σobs和去无效降水事件模拟序列参数 τmod、σmod的取值范围,使得
S4、根据参数τobs、σobs、 τmod、σmod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τobs、σobs、 τmod、σmod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xRCM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xth,将序列xRCM中数值小于阈值xth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yi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:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910776405.7A CN110490384A (zh) | 2019-08-22 | 2019-08-22 | 一种区域气候模式动力降尺度要素误差订正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910776405.7A CN110490384A (zh) | 2019-08-22 | 2019-08-22 | 一种区域气候模式动力降尺度要素误差订正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490384A true CN110490384A (zh) | 2019-11-22 |
Family
ID=68552769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910776405.7A Pending CN110490384A (zh) | 2019-08-22 | 2019-08-22 | 一种区域气候模式动力降尺度要素误差订正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490384A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508437A (zh) * | 2020-12-16 | 2021-03-16 | 国网安徽省电力有限公司 | 一种微气候环境下风速预报的时序相似误差订正方法 |
CN113554183A (zh) * | 2021-08-03 | 2021-10-26 | 同济大学 | 一种基于无监督机器学习算法的极值预测方法 |
CN114970222A (zh) * | 2022-08-02 | 2022-08-30 | 中国科学院地理科学与资源研究所 | 基于hasm的区域气候模式日平均气温偏差订正方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820754A (zh) * | 2015-05-13 | 2015-08-05 | 南京信息工程大学 | 一种基于地理差异分析法的空间统计降尺度降水估算方法 |
CN106650239A (zh) * | 2016-11-17 | 2017-05-10 | 清华大学 | 基于气候区的台站降水观测误差修订方法及系统 |
CN108846501A (zh) * | 2018-04-26 | 2018-11-20 | 北京建筑大学 | 一种雨水低影响开发设施建设规模确定方法 |
-
2019
- 2019-08-22 CN CN201910776405.7A patent/CN110490384A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820754A (zh) * | 2015-05-13 | 2015-08-05 | 南京信息工程大学 | 一种基于地理差异分析法的空间统计降尺度降水估算方法 |
CN106650239A (zh) * | 2016-11-17 | 2017-05-10 | 清华大学 | 基于气候区的台站降水观测误差修订方法及系统 |
CN108846501A (zh) * | 2018-04-26 | 2018-11-20 | 北京建筑大学 | 一种雨水低影响开发设施建设规模确定方法 |
Non-Patent Citations (1)
Title |
---|
JU-YOUNG SHIN: "Bias correction of RCM outputs using mixture distributions under multiple extreme weather influences", 《THEORETICAL AND APPLIED CLIMATOLOGY VOLUME》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508437A (zh) * | 2020-12-16 | 2021-03-16 | 国网安徽省电力有限公司 | 一种微气候环境下风速预报的时序相似误差订正方法 |
CN113554183A (zh) * | 2021-08-03 | 2021-10-26 | 同济大学 | 一种基于无监督机器学习算法的极值预测方法 |
CN113554183B (zh) * | 2021-08-03 | 2022-05-13 | 同济大学 | 一种基于无监督机器学习算法的极值预测方法 |
CN114970222A (zh) * | 2022-08-02 | 2022-08-30 | 中国科学院地理科学与资源研究所 | 基于hasm的区域气候模式日平均气温偏差订正方法和系统 |
CN114970222B (zh) * | 2022-08-02 | 2022-11-11 | 中国科学院地理科学与资源研究所 | 基于hasm的区域气候模式日平均气温偏差订正方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490384A (zh) | 一种区域气候模式动力降尺度要素误差订正方法 | |
CN110008551B (zh) | 电阻模型及其提取方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN104766175A (zh) | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 | |
CN105678046A (zh) | 修补时空序列数据中的缺失数据的方法及装置 | |
CN108920427B (zh) | 一种月尺度水文模型时变参数的动态估计方法 | |
CN111122199A (zh) | 一种锅炉故障诊断方法及装置 | |
CN112651543A (zh) | 一种基于vmd分解与lstm网络的日用电量预测方法 | |
CN112686971A (zh) | 建筑系统关系拓扑无向图有向化方法和系统 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN109685334A (zh) | 一种新的基于多尺度理论的水文模型模拟评估方法 | |
CN106909798A (zh) | 一种基于累积概率曲线的逐日降水多模式集合方法 | |
Gokpinar et al. | Generalization of inclusion probabilities in ranked set sampling | |
CN107204616B (zh) | 基于自适应稀疏伪谱法的电力系统随机状态估计方法 | |
CN116843119B (zh) | 一种考虑维修耗时的电子单元备件设计方法及系统 | |
CN107590346B (zh) | 基于空间多重相关解集算法的降尺度校正模型 | |
CN112446550B (zh) | 一种短期建筑负荷概率密度预测方法 | |
CN106709221B (zh) | 一种基于概率统计的新能源出力离散概率序列生成方法 | |
CN114169590A (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 | |
CN114417653A (zh) | 基于不确定性的卫星组件电路板热可靠性分析方法 | |
CN112632785A (zh) | 一种改进非参数核密度估计光伏出力建模方法 | |
CN112614006A (zh) | 负荷预测方法、装置、计算机可读存储介质以及处理器 | |
CN110929849A (zh) | 一种神经网络模型的压缩方法和装置 | |
CN114266103B (zh) | 一种飞行器参数和噪声特性在线估计方法及存储介质 | |
CN115392507B (zh) | 多部件产品二维质保期内的预防性维护策略优化方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |