CN110555553A - 多因素骤旱综合识别方法 - Google Patents

多因素骤旱综合识别方法 Download PDF

Info

Publication number
CN110555553A
CN110555553A CN201910789269.5A CN201910789269A CN110555553A CN 110555553 A CN110555553 A CN 110555553A CN 201910789269 A CN201910789269 A CN 201910789269A CN 110555553 A CN110555553 A CN 110555553A
Authority
CN
China
Prior art keywords
drought
sequence
lmi
sudden
index
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
Application number
CN201910789269.5A
Other languages
English (en)
Other versions
CN110555553B (zh
Inventor
佘敦先
胡辰
赵林
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910789269.5A priority Critical patent/CN110555553B/zh
Publication of CN110555553A publication Critical patent/CN110555553A/zh
Application granted granted Critical
Publication of CN110555553B publication Critical patent/CN110555553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种多因素骤旱综合识别方法，包括以下步骤：1)基础数据集准备，包括降水、气温等气象资料和土壤含水量数据；2)潜在蒸散发(PET)计算，通过PET计算公式，计算降雨数据对应的PET序列；3)干旱指标计算，根据降水、PET与土壤湿度数据，构建五日或周时间尺度下的SPEI序列和SSI序列；4)综合骤旱指标计算，根据综合骤旱指标(LMI)的计算公式，基于3)中得到的序列，构建对应时间尺度下的LMI序列；5)骤旱事件识别，根据5)中得到的LMI序列，设定骤旱发生的阈值，综合LMI序列进行骤旱事件的识别。本方法能准确识别骤旱的发生、持续时间及灾害程度，对于骤旱风险评估及防范有重大意义。

Description

多因素骤旱综合识别方法
技术领域
本发明涉及骤旱识别与评估领域，具体是指一种多因素骤旱综合识别方法。
背景技术
中国是世界上自然灾害频繁而严重的发展中国家。在各种自然灾害中，旱灾是我国发生较频繁、影响范围较大、持续时间较长、对社会经济影响最为深远的自然灾害之一。常规干旱事件通常具备持续时间长、干旱程度由小到大逐渐增加的特点。但是近些年来，在全球的一些区域内发生了一系列持续时间短、干旱强度高、影响范围大的干旱事件，这一类干旱事件被定义为骤旱事件(flash drought)。据相关研究表明，骤旱事件通常在北半球农作物生长期间，即每年的三月到十月期间，发生较为频繁，且会对农作物的产量造成严重的灾害。例如，在2003年的夏季，发生于江西省的骤旱事件对该省造成了近1亿人民币的农业损失。2012年发生于美国中部地区的骤旱事件对美国的农业造成了数亿美元的经济损失。此外，受全球气候变化的影响，全球具有代表性和典型性的下垫面的能量和水分循环特征发生了很大变化，引起区域乃至全球范围内水资源时空分布不均，未来骤旱事件发生的频次和强度可能会进一步增加。而准确识别骤旱及其开始时间、持续时间、发生强度和覆盖范围等特征是骤旱评估和抗旱管理中一个非常重要的环节，对于减轻骤旱的影响和防灾减灾意义重大。
虽然绝大多数学者均认为骤旱的发生与气温、降水、土壤湿度等因素相关，但是关于骤旱的识别方法，目前在学术界并无统一的定论。一些学者认为应根据骤旱发生干旱强度大的特点识别骤旱，而另一派学者则认为需根据骤旱持续时间短的特点识别骤旱。因此，关于骤旱的识别方法，目前主要有两类，第一类则是通过构建相关的干旱指标，通过干旱指标识别骤旱迅速增加的干旱强度。如Otkin等人通过卫星气象数据构建的蒸散发压迫指数(Evaporative Stress Index,ESI)来检测美国骤旱的发生时间，以及对2012年美国中部地区的骤旱事件中土壤湿度和植被覆盖条件的变化过程进行研究。Ford等人通过实时土壤含水量监测数据来识别和提前预警骤旱。这些干旱指标虽然在骤旱的识别上非常有效，但是构建指标所需的监测数据在我国大多数区域较难直接获得，因此不太适合用于我国骤旱事件的识别。另一类方法则是基于骤旱事件持续时间短的特点，通过监测气象和土壤湿度等变量距平的变化来识别骤旱事件。这一类方法中最为著名的方法是由Mo和Lettenmaier提出的距平法。距平法通过设立气温、蒸散发、土壤湿度和降水的变化阈值来识别骤旱。在Mo和Lettenmaier提出的距平法中，他们将骤旱分为了两类，一类是热浪骤旱，另一类则是缺水骤旱。其中，热浪骤旱是由急剧升高的高温引起的，由于高温带来蒸散发量的增加和土壤湿度的减小。而缺水骤旱则是由于降水量缺少、气温的升高和蒸散发量的减小导致骤旱的发生。相较于前一类方法，距平法的应用更为广泛，Mo和Lettenmaier将其应用于了美国中部1961-2013年骤旱事件的识别研究中，Zhang等人将其应用于赣江流域1961-2013年骤旱分析研究中。王林英和袁星将距平法应用于1979-2010年中国骤旱事件识别以及骤旱与季节性干旱事件研究中。然而，尽管距平法在我国有一定程度的应用，但距平法最大的缺点在于其无法识别骤旱事件发生的强度，且由于其与概率分布无相关联系而无法用于骤旱事件的预测模拟中。此外，常见的一些干旱指标，如标准化降水指数、标准化蒸散发指数、地表湿润指数、Z指数，标准化土壤湿度指数等，由于只考虑了气象要素或土壤湿度要素等一类指标，在识别骤旱这种由多种气象土壤因素共同驱动的干旱事件时，无法全面地反映骤旱的特征，因此无法用于骤旱的识别。
根据以上论述可知，国内外研究者在骤旱的识别与分析监测等方面开展了相关的研究工作，但尚存在以下问题亟待进一步解决：科学准确的评估和识别骤旱的开始、结束和发展过程；准确刻画骤旱持续时间短、干旱强度迅速增加的特点；综合反映降雨、气温和土壤湿度等要素对骤旱事件发生的影响。因此，有必要建立能同时考虑降雨、气温和土壤湿度等要素的骤旱综合识别方法，用于准确监测和识别区域骤旱事件的发生发展变化情况，并能同时反映骤旱的强度与持续时间等特点。
发明内容
针对现有技术的不足，本发明针对骤旱识别和监测发展过程的难点问题，提出一种综合考虑降雨、气温和土壤湿度的骤旱识别方法。为解决上述技术问题，本发明采用如下技术方案。
针对现有技术的不足，本发明提供的多因素骤旱综合识别方法，其特征在于：能全面、准确地识别骤旱发生的时刻、持续时间和干旱程度，且能综合反映降雨、气温和土壤湿度变化对骤旱持续时间、干旱程度的影响，并可以描述和刻画骤旱的演变进程和发展关系，包括以下步骤：
1)基础数据集准备：主要包括气象观测数据和土壤含水量日观测数据；所述气象观测数据包括降水、平均气温、风速、相对湿度、日照时数和气压；
2)潜在蒸散发计算，根据气象日观测数据，选择Thornthwaite潜在蒸散发计算公式，计算与降雨数据对应的日潜在蒸散发PET序列；计算公式如式1所示：
PET＝16K(10T/I)m (1)；
其中，T是平均气温，I是由气温计算得到的热指数，m是与I相关的系数，K是由日照时数计算得到的相关系数；
3)干旱指标计算，根据日降水序列、日PET序列与日土壤含水量序列，选择五日或七日为时间尺度，根据标准化降雨蒸散发指标SPEI和标准化土壤湿度指标SSI的计算需求，分别得到五日或七日的累计降雨量序列、累计PET序列和平均土壤湿度序列；再由上述三组序列，计算对应的SPEI序列和SSI序列；其中，SPEI序列的计算包括以下几步：
(3.1)计算降雨序列和PET序列的差值序列D；
(3.2)采用三参数Log-logistic概率分布，对D序列进行正态化处理，计算对应的累计分布序列F和超过概率序列P，累计分布序列和超出概率序列的计算公式如式2所示；
其中，α、β、γ分别为Log-logistic概率分布的三个参数；
(3.3)由P序列进行概率转化得到SPEI序列：所述SPEI序列由P序列按照公式(3)计算得到：
所述SSI序列的计算与标准化降雨指标SPI的计算方式一样，通过gamma分布对土壤湿度序列进行标准化处理，得到累计概率F序列，再通过正态标准化求得SSI值；
4)综合骤旱指标计算：基于步骤3)中计算得到的同一时间尺度下的SPEI和SSI序列，采用郝增超等人提出的线性综合干旱指标，构建对应时间尺度下的综合骤旱指标LMI序列；计算公式如式4所示：
LMI＝α1SDI1+α2SDI2+K+αnSDIn (4)；
其中，SDI代表不同的标准化干旱指标；α1,K,αn代表赋予各个标准化干旱指标的权重，可以根据自动率定算法或经验给定；
5)根据步骤4)中得到的LMI序列，依据计算时间尺度划分为第一周至第n周的LMI序列；随后依据不同周的LMI序列，计算各周对应的LMI序列的均值和方差，并设定5％的分位数为该周骤旱发生的阈值；随后，通过正态分布概率累积计算式计算各周LMI序列5％分位数，作为该周骤旱判别的阈值；若区域内存在多个计算格点或站点，则取各个格点各周LMI序列5％分位数的平均值作为整个区域各周的骤旱判别阈值；根据设定的骤旱判别阈值，认定各个格点LMI值低于该阈值的期间内即发生了骤旱事件，首个低于骤旱判别阈值的时间为骤旱发生的时间，由此即可完成骤旱开始时间和持续时间的识别。
作为优选的，所述步骤4)中构建的骤旱综合识别指标满足正态分布，可用于回归期分析和预测；所述LMI序列符合正态分布，其均值为
uLMI＝α1u1+α2u2+K+αnun (5)；
其中，u1,K,un代表各个SDI指标序列的均值。方差为的计算式为αTΣLMIα，其中，αT代表矩阵[α1,α2,K,αn]，ΣLMI代表协方差矩阵，为
进一步地，所述步骤5)中对应骤旱事件的干旱强度通过LMI值进行计算，具体如式(7)所示：
其中，骤旱的干旱强度S为骤旱持续时间内LMI值的累计。
本发明的优点及有益效果如下：
本发明可以全面、准确地识别骤旱发生的时刻、持续时间和干旱程度，对科学有效识别骤旱的演变进程、准确进行骤旱风险评估以及减弱骤旱对农业和社会经济发展的影响等意义重大：
(1)本发明基于多个干旱变量之间的综合统计模型，、采用标准化处理技术，构建的能够反映降雨、气温和土壤湿度的骤旱综合识别指标，克服了单一干旱指标无法综合反映多个气象土壤要素对骤旱的影响以及无法准确识别骤旱事件的缺点；
(2)本发明构建的综合骤旱识别方法，可以准确地识别骤旱开始、结束时间以及骤旱的干旱强度，可用于骤旱事件的监测与预测中；
(3)本发明方法包括气象、水文、数学等领域，涉及多学科交叉融合，计算简单、易于操作且具有水循环物理机制，便于在实际中推广应用。由于本发明构建的综合骤旱识别指标同时考虑了降雨、气温和土壤含水量等要素，输入数据获取相关较易，可以同时为国家气象、农业及水利等相关部门所采用，能够为多部门同时提供更加科学合理的技术和决策支持。
附图说明
图1为本发明骤旱综合识别方法计算流程图。
具体实施方式
以下通过附图和具体实施例对本发明做进一步地详细说明。
如附图1所示的综合考虑降雨、气温和土壤湿度的骤旱识别方法，包括以下步骤：
步骤1)，数据集准备。准备的数据有：气象观测数据(包括降水、气温、风速、相对湿度、日照时数、气压等)；土壤表层含水量数据。
步骤2)，潜在蒸散发计算，根据气象日观测数据，选择潜在蒸散发计算公式(如选择Thornthwaite公式，Thornthwaite公式如式1所示)，计算与降雨数据对应的日潜在蒸散发(PET)序列；
PET＝16K(10T/I)m (1)；
(其中，T是平均气温，I是由气温计算得到的热指数，m是与I相关的系数，K是由日照时数计算得到的相关系数。)
步骤3)，干旱指标计算，根据日降水序列、日PET序列与日土壤含水量序列，选择一较短的时间尺度(五日或七日)，根据标准化降雨蒸散发指标(SPEI)和标准化土壤湿度指标(SSI)的计算需求，分别得到五日(或七日)的五日累计降雨量序列、累计PET序列和平均土壤湿度序列。再由上述三组序列，计算对应的SPEI序列和SSI序列。其中，SPEI序列的计算包括以下几步：(3.1)计算降雨序列和PET序列的差值序列(D)；(3.2)采用三参数Log-logistic概率分布，对D序列进行正态化处理，计算对应的累计分布序列F和超过概率序列(P)，累计分布序列和超出概率序列的计算公式如式2所示。
其中，α、β、γ分别为Log-logistic概率分布的三个参数；(3.3)由P序列按照公式(3)计算得到SPEI序列。
而SSI序列的计算与标准化降雨指标(SPI)的计算方式一样，通过gamma分布对土壤湿度序列进行标准化处理，得到累计概率F序列，再通过正态标准化求得SSI值。
步骤4)，综合骤旱指标计算，根据综合骤旱指标LMI的计算公式(4)，基于步骤3)中计算得到的同一时间尺度下的SPEI和SSI序列，采用郝增超等人提出的线性综合干旱指标，构建对应时间尺度下的LMI序列；
LMI＝α1SDI1+α2SDI2+K+αnSDIn (4)；
其中，SDI代表不同的标准化干旱指标，如SPEI、SSI等。α1,K,αn代表赋予各个标准化干旱指标的权重，可以根据自动率定算法或经验给定。且根据多元正态分布理论，LMI符合正态分布，其均值为
uLMI＝α1u1+α2u2+K+αnun (5)；
其中，u1,K,un代表各个SDI指标序列的均值。方差为的计算式为αTΣLMIα，其中，αT代表矩阵[α1,α2,K,αn]，ΣLMI代表协方差矩阵，为
步骤5)，根据步骤4)中得到的LMI序列，可以依据计算时间尺度划分为第一周、第二周、……、第n周的LMI序列(时间尺度以周为例)。随后依据不同周的LMI序列，计算各周对应的LMI序列的均值和方差，并设定5％的分位数为该周骤旱发生的阈值。随后，通过正态分布概率累积计算式计算各周LMI序列5％分位数，作为该周骤旱判别的阈值。若区域内存在多个计算格点或站点，则取各个格点各周LMI序列5％分位数的平均值作为整个区域各周的骤旱判别阈值。根据设定的骤旱判别阈值，认为各个格点LMI值低于该阈值的期间内即发生了骤旱事件，首个低于骤旱判别阈值的时间为骤旱发生的时间，由此即可完成骤旱开始时间和持续时间的识别。同时，对应骤旱事件的干旱强度可以通过LMI值进行计算，具体如下。
骤旱的干旱强度S为骤旱持续时间内LMI值的累计。
综上所述，本发明提出了一种易于操作且能够反映骤旱发生发展过程的骤旱识别方法，即通过综合骤旱指标和对应的干旱指标，构建综合考虑降雨、气温和土壤湿度的骤旱综合识别指标，可以准确识别骤旱事件及其发生时间、持续时间及干旱强度等特征。

Claims (3)

1.一种多因素骤旱综合识别方法，其特征在于：能全面、准确地识别骤旱发生的时刻、持续时间和干旱程度，且能综合反映降雨、气温和土壤湿度变化对骤旱持续时间、干旱程度的影响，并可以描述和刻画骤旱的演变进程和发展关系，包括以下步骤：
1)基础数据集准备：主要包括气象观测数据和土壤含水量日观测数据；所述气象观测数据包括降水、平均气温、风速、相对湿度、日照时数和气压；
2)潜在蒸散发计算，根据气象日观测数据，选择Thornthwaite潜在蒸散发计算公式，计算与降雨数据对应的日潜在蒸散发PET序列；计算公式如式1所示：
PET＝16K(10T/I)m (1)；
其中，T是平均气温，I是由气温计算得到的热指数，m是与I相关的系数，K是由日照时数计算得到的相关系数；
3)干旱指标计算，根据日降水序列、日PET序列与日土壤含水量序列，选择五日或七日为时间尺度，根据标准化降雨蒸散发指标SPEI和标准化土壤湿度指标SSI的计算需求，分别得到五日或七日的累计降雨量序列、累计PET序列和平均土壤湿度序列；再由上述三组序列，计算对应的SPEI序列和SSI序列；其中，SPEI序列的计算包括以下几步：
(3.1)计算降雨序列和PET序列的差值序列D；
(3.2)采用三参数Log-logistic概率分布，对D序列进行正态化处理，计算对应的累计分布序列F和超过概率序列P，累计分布序列和超出概率序列的计算公式如式2所示；
其中，α、β、γ分别为Log-logistic概率分布的三个参数；
(3.3)由P序列进行概率转化得到SPEI序列：所述SPEI序列由P序列按照公式(3)计算得到：
c0＝2.515517,c1＝0.802853,c2＝0.010328,d1＝1.432788,d2＝0.189269,d3＝0.001308
所述SSI序列的计算与标准化降雨指标SPI的计算方式一样，通过gamma分布对土壤湿度序列进行标准化处理，得到累计概率F序列，再通过正态标准化求得SSI值；
4)综合骤旱指标计算：基于步骤3)中计算得到的同一时间尺度下的SPEI和SSI序列，构建对应时间尺度下的综合骤旱指标LMI序列；计算公式如式4所示：
LMI＝α1SDI1+α2SDI2+K+αnSDIn (4)；
其中，SDI代表不同的标准化干旱指标；α1,K,αn代表赋予各个标准化干旱指标的权重，可以根据自动率定算法或经验给定；
5)根据步骤4)中得到的LMI序列，依据计算时间尺度划分为第一周至第n周的LMI序列；随后依据不同周的LMI序列，计算各周对应的LMI序列的均值和方差，并设定5％的分位数为该周骤旱发生的阈值；随后，通过正态分布概率累积计算式计算各周LMI序列5％分位数，作为该周骤旱判别的阈值；若区域内存在多个计算格点或站点，则取各个格点各周LMI序列5％分位数的平均值作为整个区域各周的骤旱判别阈值；根据设定的骤旱判别阈值，认定各个格点LMI值低于该阈值的期间内即发生了骤旱事件，首个低于骤旱判别阈值的时间为骤旱发生的时间，由此即可完成骤旱开始时间和持续时间的识别。
2.根据权利要求1所述的多因素骤旱综合识别方法，其特征在于：所述步骤4)中构建的骤旱综合识别指标满足正态分布，可用于回归期分析和预测；所述LMI序列符合正态分布，其均值为
uLMI＝α1u1+α2u2+K+αnun (5)；
其中，u1,K,un代表各个SDI指标序列的均值。方差为的计算式为αTΣLMIα，其中，αT代表矩阵[α1,α2,K,αn]，ΣLMI代表协方差矩阵，为
3.根据权利要求1或2所述的多因素骤旱综合识别方法，其特征在于：所述步骤5)中对应骤旱事件的干旱强度通过LMI值进行计算，具体如式(7)所示：
其中，骤旱的干旱强度S为骤旱持续时间内LMI值的累计。
CN201910789269.5A 2019-08-26 2019-08-26 多因素骤旱综合识别方法 Active CN110555553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910789269.5A CN110555553B (zh) 2019-08-26 2019-08-26 多因素骤旱综合识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910789269.5A CN110555553B (zh) 2019-08-26 2019-08-26 多因素骤旱综合识别方法

Publications (2)

Publication Number Publication Date
CN110555553A true CN110555553A (zh) 2019-12-10
CN110555553B CN110555553B (zh) 2022-04-01

Family

ID=68738360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910789269.5A Active CN110555553B (zh) 2019-08-26 2019-08-26 多因素骤旱综合识别方法

Country Status (1)

Country Link
CN (1) CN110555553B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507285A (zh) * 2020-07-23 2021-03-16 安徽师范大学 一种干旱检测方法
CN115329610A (zh) * 2022-10-17 2022-11-11 中山大学 一种基于土壤水分的旱涝急转事件识别方法、装置及设备
CN115564172A (zh) * 2022-08-26 2023-01-03 郑州大学 一种多尺度综合干旱指数计算方法
CN115965253A (zh) * 2022-06-30 2023-04-14 西南交通大学 不同时段旱情变化的归因方法
CN115564172B (zh) * 2022-08-26 2024-07-09 郑州大学 一种多尺度综合干旱指数计算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140343855A1 (en) * 2013-05-15 2014-11-20 The Regents Of The University Of California Drought Monitoring and Prediction Tools
CN105760814A (zh) * 2016-01-25 2016-07-13 中国水利水电科学研究院 一种基于数据挖掘的干旱监测方法
CN107977729A (zh) * 2017-08-28 2018-05-01 北京师范大学 多变量标准化干旱指数设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140343855A1 (en) * 2013-05-15 2014-11-20 The Regents Of The University Of California Drought Monitoring and Prediction Tools
CN105760814A (zh) * 2016-01-25 2016-07-13 中国水利水电科学研究院 一种基于数据挖掘的干旱监测方法
CN107977729A (zh) * 2017-08-28 2018-05-01 北京师范大学 多变量标准化干旱指数设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张余庆: "气候变化背景下赣江流域骤发干旱研究", 《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》 *
王玺圳 等: "综合干旱指数的构建及其在泾惠渠灌区的应用", 《干旱地区农业研究》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507285A (zh) * 2020-07-23 2021-03-16 安徽师范大学 一种干旱检测方法
CN112507285B (zh) * 2020-07-23 2023-03-21 安徽师范大学 一种干旱检测方法
CN115965253A (zh) * 2022-06-30 2023-04-14 西南交通大学 不同时段旱情变化的归因方法
CN115564172A (zh) * 2022-08-26 2023-01-03 郑州大学 一种多尺度综合干旱指数计算方法
CN115564172B (zh) * 2022-08-26 2024-07-09 郑州大学 一种多尺度综合干旱指数计算方法
CN115329610A (zh) * 2022-10-17 2022-11-11 中山大学 一种基于土壤水分的旱涝急转事件识别方法、装置及设备

Also Published As

Publication number Publication date
CN110555553B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN110555553B (zh) 多因素骤旱综合识别方法
CN102183621B (zh) 水产养殖溶解氧浓度在线预测方法及系统
CN105184445A (zh) 一种玉米干旱气象灾害多年平均损失率的计算方法
CN107341577A (zh) 一种农作物产量预测方法及系统
CN111783987A (zh) 基于改进bp神经网络的农田参考作物蒸散量预测方法
Lei et al. Extreme meteorological disaster effects on grain production in Jilin Province, China
CN112215716A (zh) 农作物生长干预方法、装置、设备及存储介质
CN115099453B (zh) 一种多变量栅格化卫星遥感综合干旱风险评估方法
CN109165693A (zh) 一种适用于露、霜和结冰的天气现象的自动判识方法
CN105389739A (zh) 设施葡萄低温灾害天气指数保险纯费率的确定方法
CN116128141B (zh) 风暴潮预测方法、装置、存储介质及电子设备
CN110069032A (zh) 一种基于小波神经网络的茄子温室环境智能检测系统
YAO et al. Effects of different agricultural treatments on narrowing winter wheat yield gap and nitrogen use efficiency in China
CN116451823A (zh) 一种基于气象主控因子的苹果产量预测方法
Zhang et al. Climate factors during key periods affect the comprehensive crop losses due to drought in Southern China
CN115600760A (zh) 一种甘蔗区域单产预测方法及系统
CN114936765A (zh) 一种考虑空间异质性的农业干旱指数构建方法
Łabędzki et al. Indicator-based monitoring and forecasting water deficit and surplus in agriculture in Poland
Yang et al. Seasonal prediction of crop yields in Ethiopia using an analog approach
CN117436710B (zh) 一种基于作物模型的干旱评估方法
TWI807611B (zh) 農業操作動態調整系統
Yoshida et al. Applicability of meteorological ensemble forecasting to predict summer cold damage in rice growth
CN116777081B (zh) 一种春玉米产量预测模型获得方法及其产量预测方法
CN113762768B (zh) 基于天气发生器和作物模型的农业旱灾动态风险评估方法
CN108920430B (zh) 水稻空壳率评估方法

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