CN112115179B - 一种基于m-k趋势检验的长径流序列内部趋势分析方法 - Google Patents
一种基于m-k趋势检验的长径流序列内部趋势分析方法 Download PDFInfo
- Publication number
- CN112115179B CN112115179B CN202010855437.9A CN202010855437A CN112115179B CN 112115179 B CN112115179 B CN 112115179B CN 202010855437 A CN202010855437 A CN 202010855437A CN 112115179 B CN112115179 B CN 112115179B
- Authority
- CN
- China
- Prior art keywords
- trend
- runoff
- time
- period
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000035772 mutation Effects 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 238000010998 test method Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于M‑K趋势检验的长径流序列内部趋势分析方法，包括步骤一、获取待分析河流域长径流序列数据；步骤二、将长径流序列划分为多个短径流序列，从而获取待分析河流域年、月长径流序列的内部分段；步骤三、构建步骤二中划分的短时间序列的M‑K趋势检验统计量Sp和标准的正态系统变量Zp，对各个内部分段进行M‑K趋势检验；步骤四、对同一径流序列内的分段趋势结果进行合并和处理。本发明通过变化分段的起点和终点寻找长时间序列内部的显著变化时段，提升了长时间序列趋势变化分析结果的可靠性，在一定程度上避免了更新时间序列长度而产生的趋势分析结果的变化。
Description
技术领域
本发明涉及径流趋势分析领域，具体是一种基于M-K趋势检验的长径流序列内部趋势分析方法。
背景技术
径流序列趋势分析能探明径流变化规律对合理可持续的开发利用水资源，预防洪涝灾害具有重要意义。传统M-K趋势检验法应用在长径流序列的趋势分析时不能反应时间序列内部变化特征。由于人类活动对生态环境的影响方式和速度随时间不断变化和加快，不能反应长径流序列内部趋势变化的M-K趋势检验方法往往会得到错误的趋势变化信息，进而影响我们对当前水文状态的认知和对水资源开发利用相关的决策。
发明内容
本发明目的在于提供一种基于M-K趋势检验方法的可以反应长径流序列内部趋势变化的趋势分析方法，通过引入分段分析的概念，划分固定步长、不固定步长的不交叉或者可交叉时段，而后通过M-K趋势检验方法进行统计分析，获得长径流序列的内部变化趋势。
本发明提出的基于M-K趋势分析的长径流序列内部趋势分析方法，在全径流序列趋势分析的基础上，依据不同的分段方式将长径流序列划分为多个交叉或者不交叉的短径流序列，再分别对短径流序列进行趋势分析，通过变化短序列的起终点来找出全径流序列内部的趋势变化，具体包括如下步骤：
步骤一、获取待分析河流域的长径流序列数据；
步骤二、将长径流序列划分为多个短径流序列，从而获取待待分析河流域年、月长径流序列的内部分段；
步骤三、构建步骤二中划分的短时间序列的M-K趋势检验统计量Sp和标准的正态系统变量Zp，对各个内部分段进行M-K趋势检验；
步骤四、对同一径流序列内的分段趋势结果进行合并和处理。
进一步的，步骤二中将长径流序列划分为多个短径流序列同时使用以下三种划分方法，将长径流序列划分为多个短径流序列：
(1)固定步长的连续不交叉时段划分：根据需要选择合适的步长r，在前一个时段完全结束后进入到下一个时段；
(2)固定步长的交叉时段划分：根据需要选择合适的步长r，在前一个时段结束之前进入到下一个时段，下一时段与前一时段开始时刻有固定的间隔d，如第i个时段的起始时间为ti，步长为r，其终止时间为ti+r-1，则i+1时段的起始时间为ti+d，终止时间为ti+d+r-1；
(3)不固定步长的交叉时段划分：对时间序列进行M-K突变检验选出突变点，建立突变点与首尾时刻及突变点之间的不等步长的时段。
进一步的，固定步长的连续不交叉时段划分采用正向和反向双向划分的方法。
进一步的，所述步骤三具体包括：
对于每个长时间序列内部的m段较短的时间序列，其中第p段的步长为rp,对p段内的序列元素依次重新标号为其中rp≥10，p＝1,2,3……，m，构建序列Sp和Zp：
取显著性水平为α，Zp>0时，tp为增长趋势时段，Zp<0时，tp为下降趋势时段，且当|ZP|>Z1-α/2时趋势显著；当Zp的最大值Zmix>0时，最大值Zmax对应的时段tmax为时间序列增长趋势最显著的时段；当Zmin<0时，Zp的最小值Zmin对应的时段tmin为时间序列降低趋势最显著的时段。
进一步的，所述步骤四具体包括：筛选计算得到的显著变化时段，依照同向合并、逆向取强原则，如果这些时段出现连续同向并列，则合并；如果出现包含关系，取较长的时段；如果出现交叉，以变化显著性强的时段为主，同时变化显著性弱的时段的端点重新分析，最后确定的显著变化时段具有不交叉性。
本发明提出分段式M-K趋势检验的方法，为长时间序列内部趋势分析提供了一种方法，通过三种划分方法变化趋势检验的起点和终点寻找长时间序列内部的显著变化时段，提升了长时间序列趋势变化分析结果的可靠性，在一定程度上避免了更新时间序列长度而产生的趋势分析结果的变化。本发明可以适用于长度较长的时间序列，包括但不限于径流、降雨、气温等等，在总时间序列长度起点或者终点产生轻微变化时可以保持分析结果的一致性。
附图说明
图1为本发明基于M-K趋势检验的长时间序列内部趋势分析方法其中一个实施例的流程图；
图2为本发明实施例抚河流域李家渡断面年径流M-K突变分析图；
图3为本发明实施例抚河流域李家渡断面年径流10年、20年、30年固定步长交叉分段下M-K趋势分析统计量序列Zp图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
请参阅图1，本发明以抚河流域多年年平均和月平均径流量为实施例，以验证本发明的效果，具体包括如下步骤：
步骤一、获取抚河流域李家渡断面1957-2015年径流时间的长径流序列；
径流时间序列一般是由水文站监测的断面实测日流量整理计算获得。本发明主要是对计算得到的长径流序列进行分段M-K趋势分析以获得序列的内部趋势，首先应获得被分析的径流序列。本发明用于分析的抚河李家渡断面1957-2015年逐年径流量和逐月径流量序列是由李家渡水文站提供的断面实测的日流量数据，经过筛选和运算处理获得的，获得包含年径流和月径流在内的共13个长径流序列。
步骤二、将长径流序列划分为多个短径流序列，从而获取抚河流域李家渡断面年、月长径流序列的内部分段。本发明实施例同时使用以下三种划分方法：
(1)固定步长的连续不交叉时段划分：以1957年为起始点，依次不交叉连续选取步长为10年的时间段,共可取得n＝[59/10]＝5段，并剩余9年的数据，为了使得残余数据可以得到充分的利用，将所有序列逆序排列再次进行分段步骤取得5段。至此，已有的数据已经得到充分的考虑，共在总时长为59的时间序列中取得10个时间段。同样的分别以20年和30年为时段步长，对年径流序列进行不交叉分段。
(2)固定步长的交叉时段划分：以1957年为起点，依次取起点间隔为1，步长为10年(如1957-1966为第一段，1958-1967为第二段……)、20年和30年的固定步长交叉分段。
(3)不固定步长的交叉时段划分：采用M-K突变检验法，绘制李家渡断面年径流序列M-K趋势变化分析图(见图2)。UFk和UBk曲线在1957—2015年有9个交点，其中3个未能达到突变程度。将9个突变点和起始、结尾点共11个点结合起来，可以构成53个步长大于10的时段。
步骤三、对各个内部分段进行M-K趋势检验
对于每个长径流序列内部的m段较短的时间序列，其中第p段的步长为rp,rp>10，p＝1,2,3……，m，构建序列Sp和Zp：
取显著性水平为α。Zp>0时,tp为增长趋势时段，Zp<0时,tp为下降趋势时段。且当|ZP|>Z1-α/2时趋势显著。当Zmax>0时，最大值Zmax对应的时段tmax为时间序列增长趋势最显著的时段。当Zmin<0时，最小值Zmin对应的时段tmin为时间序列降低趋势最显著的时段。
实施例年径流序列10年、20年和30年固定步长交叉分段下的M-K趋势检验的统计变量Zp序列如图3所示。
步骤四、对同一径流序列内的分段趋势结果进行合并和处理；
筛选计算得到的显著变化时段，按照同向合并、逆向取强原则，如果这些时段出现了连续同向并列，则应合并；如果出现包含关系，取较长的时段；如果出现交叉，以变化显著性强的时段为主，同时变化显著性弱的时段的端点重新分析。最后确定的显著变化时段应当具有不交叉性。
步骤五、结果分析与对比。
(1)对实施例原始长径流序列全序列进行M-K趋势检验，检验结果为:抚河流域年径流整体呈现不显著上升趋势；1月、8月、12月的月径流呈现显著的上升趋势，其他月份趋势不显著。
(2)分段M-K趋势检验的结果为：抚河流域李家渡断面年径流在1963-1985年间有显著的增加趋势，在1997-2015年间显示出不显著的下降趋势。月径流1月在1979-1998年间呈现了显著的增加趋势；2月径流量不存在显著变化趋势；3月径流量在1963-1992年间存在显著的增加趋势；4月径流在1963-1982年呈现显著的增加趋势，在1990-2009年间呈现显著的降低趋势，5月径流在1963-1980年呈现显著的增加趋势，在1982-2009年间呈现显著的降低趋势。6月径流量在1973-1992年间呈现显著的降低趋势；7月径流量在1978-1997年间呈现显著上升趋势；8月在1977-2008年间呈现显著增加趋势；9月在1962-2002年间呈现显著增加，10月、11月不存在显著变化趋势，12月在1983-2002年间呈现显著增加。
(3)分段M-K趋势分析的结果比整体分析结果更为详细且反应内部趋势变化，其主要变点1963年对应上游洪门水库开始蓄水的时间，反应了水库蓄水对径流的影响。结果对比显示本发明分段M-K趋势分析的结果更为稳定可靠。
本发明提出分段式M-K趋势检验方法，在原M-K趋势检验方法中添加了将长径流序列划分为多个短径流序列的步骤并提出3种分段方法，将M-K趋势检验统计量Z值引申为统计量序列Zp和添加步骤四对分段结果进行整合，通过三种划分方法变化趋势检验的起终点，寻找长径流序列内部的显著趋势时段，提升了长时间序列趋势变化分析结果的可靠性，克服了长径流序列内部不同方向的显著趋势在总径流序列趋势分析时相互消减的情况和更新时间序列长度而产生的趋势分析结果的变化，使得时间序列趋势分析结果更为稳定可靠，不受起终点变化而发生较大转变。
以上所述，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，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，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该以权利要求的保护范围为准。
Claims (2)
1.一种基于M-K趋势检验的长径流序列内部趋势分析方法，其特征在于：包括
步骤一、获取待分析河流域的长径流序列数据；
步骤二、将长径流序列划分为多个短径流序列，从而获取待分析河流域年、月长径流序列的内部分段；
步骤三、构建步骤二中划分的短时间序列的M-K趋势检验统计量Sp和标准的正态系统变量Zp，对各个内部分段进行M-K趋势检验；
步骤四、对同一径流序列内的分段趋势结果进行合并和处理；
步骤二中将长径流序列划分为多个短径流序列同时使用以下三种划分方法，将长径流序列划分为多个短径流序列：
(1)固定步长的连续不交叉时段划分：根据需要选择合适的步长r，在前一个时段完全结束后进入到下一个时段；
(2)固定步长的交叉时段划分：根据需要选择合适的步长r，在前一个时段结束之前进入到下一个时段，下一时段与前一时段开始时刻有固定的间隔d，如第i个时段的起始时间为ti，步长为r，其终止时间为ti+r-1，则i+1时段的起始时间为ti+d，终止时间为ti+d+r-1；
(3)不固定步长的交叉时段划分：对时间序列进行M-K突变检验选出突变点，建立突变点与首尾时刻及突变点之间的不等步长的时段；
所述步骤三具体包括：
对于每个长时间序列内部的m段较短的时间序列，其中第p段的步长为rp,对p段内的序列元素依次重新标号为xp,1,xp,2,…，其中rp≥10，p＝1,2,3……，m，构建序列Sp和Zp：
取显著性水平为α，Zp>0时，tp为增长趋势时段，Zp<0时，tp为下降趋势时段，且当|ZP|>Z1-α/2时趋势显著；当Zp的最大值Zmix>0时，最大值Zmax对应的时段tmax为时间序列增长趋势最显著的时段；当Zmin<0时，Zp的最小值Zmin对应的时段tmin为时间序列降低趋势最显著的时段；
所述步骤四具体包括：筛选计算得到的显著变化时段，按照同向合并、逆向取强原则，如果这些时段出现连续同向并列，则合并；如果出现包含关系，取较长的时段；如果出现交叉，以变化显著性强的时段为主，同时变化显著性弱的时段的端点重新分析，最后确定的显著变化时段具有不交叉性。
2.如权利要求1所述的基于M-K趋势检验的长径流序列内部趋势分析方法，其特征在于：固定步长的连续不交叉时段划分采用正向和反向双向划分的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010855437.9A CN112115179B (zh) | 2020-08-24 | 2020-08-24 | 一种基于m-k趋势检验的长径流序列内部趋势分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010855437.9A CN112115179B (zh) | 2020-08-24 | 2020-08-24 | 一种基于m-k趋势检验的长径流序列内部趋势分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112115179A CN112115179A (zh) | 2020-12-22 |
| CN112115179B true CN112115179B (zh) | 2024-08-23 |
Family
ID=73805345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010855437.9A Active CN112115179B (zh) | 2020-08-24 | 2020-08-24 | 一种基于m-k趋势检验的长径流序列内部趋势分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112115179B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109408848A (zh) * | 2018-08-24 | 2019-03-01 | 河海大学 | 一种考虑径流演变时空异质性的分布式归因方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170228743A1 (en) * | 2016-02-05 | 2017-08-10 | Weather Analytics, LLC | Crop forecasting with incremental feature selection and spectrum constrained scenario generation |
| US11790244B2 (en) * | 2017-12-28 | 2023-10-17 | Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College | Predictive analytical system and method |
| AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
| US10755367B2 (en) * | 2018-05-10 | 2020-08-25 | The Climate Corporation | Analysis and presentation of agricultural data |
| CN109388847B (zh) * | 2018-08-24 | 2022-09-23 | 河海大学 | 一种径流变化归因技术综合选择方法 |
| CN110400049B (zh) * | 2019-06-24 | 2023-01-20 | 水利部农村电气化研究所 | 农村水电站的生态流量的核定方法及核定装置 |
| CN111177211B (zh) * | 2019-12-11 | 2023-05-05 | 华北电力大学 | 一种基于极点对称模态分解的径流序列变化特征分析方法 |
-
2020
- 2020-08-24 CN CN202010855437.9A patent/CN112115179B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109408848A (zh) * | 2018-08-24 | 2019-03-01 | 河海大学 | 一种考虑径流演变时空异质性的分布式归因方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112115179A (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108051035B (zh) | 基于门控循环单元的神经网络模型的管网漏损识别方法 | |
| Koziuk et al. | Stringency of environmental regulations vs global competitiveness: Empirical analysis. | |
| Zarghami et al. | Integrating entropy theory and cospanning tree technique for redundancy analysis of water distribution networks | |
| WO2011082616A1 (zh) | 处理数据的方法和装置 | |
| CN104282038A (zh) | 基于局部子邻域划分的点云特征点提取方法 | |
| CN106327340A (zh) | 一种金融网络的异常节点集合侦测方法及装置 | |
| CN118135213B (zh) | 基于时序遥感迭代的实时外推去云方法和系统 | |
| CN108520347A (zh) | 全景可视化电网电压质量展示方法、系统和计算机设备 | |
| CN112115179B (zh) | 一种基于m-k趋势检验的长径流序列内部趋势分析方法 | |
| CN110196456A (zh) | 一种基于相似年灰色关联分析的中长期降雨径流预报方法 | |
| CN114493243B (zh) | 一种基于岭模型树算法的山洪灾害易发性评估方法 | |
| CN108830506A (zh) | 城网供电能力的评估方法、装置和实现装置 | |
| CN116311462A (zh) | 一种结合上下文信息和vgg19的人脸图像修复识别方法 | |
| Sengupta et al. | Testing for the proportionality of hazards in two samples against the increasing cumulative hazard ratio alternative | |
| CN113516303A (zh) | 一种提取多模式最优信息进行降水集合预测的方法、装置和介质 | |
| CN107464272A (zh) | 基于关键点的中心扩散式气象传真图等值线的插值方法 | |
| CN113364699B (zh) | 基于多尺度自相似特性的云数据流量管控方法和系统 | |
| CN111350638A (zh) | 计算风力发电机组的发电量损失的方法及其装置 | |
| CN107239656A (zh) | 汛期分期风险定量评价方法 | |
| CN112052549B (zh) | 一种小网眼聚集区道路选取方法 | |
| CN107644422A (zh) | 基于双重空间数据组织的海量点云Delaunay三角网构建方法 | |
| Luo et al. | Edge-Guided Feature Dense Fusion Network for Remote Sensing Image Change Detection | |
| CN104730509B (zh) | 一种基于知识辅助置换检验的雷达检测方法 | |
| CN108959638B (zh) | 一种面向城市燃气专业管线与综合管线的空间数据匹配方法 | |
| CN109298999B (zh) | 一种基于数据分布特征的核心化软件测试方法和装置 |
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 |