CN112394424B - 一种区域极端降水事件的监测方法 - Google Patents
一种区域极端降水事件的监测方法 Download PDFInfo
- Publication number
- CN112394424B CN112394424B CN202011037757.XA CN202011037757A CN112394424B CN 112394424 B CN112394424 B CN 112394424B CN 202011037757 A CN202011037757 A CN 202011037757A CN 112394424 B CN112394424 B CN 112394424B
- Authority
- CN
- China
- Prior art keywords
- precipitation
- event
- extreme
- events
- regional
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Environmental Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域极端降水事件的监测方法,包括:步骤1:获取区域降水数据,得到区域降水格点数据集;步骤2:对格点降水属性:经度、纬度、时间进行聚类,得到区域降水事件和代表降水事件的时空中心,即聚类中心;步骤3:对聚类得到的代表降水事件的聚类中心应用REID方法,得到极端事件的持续时间,影响区域以及强度。本专利的区域极端降水事件监测方法未主观设定阈值和空间范围,基于综合降水事件的强度和面积的降水强度指数,能够自动地客观地识别任选区域或季节发生的区域极端降水事件,实现对极端天气事件更好地监测和预警等。此外,其强度指数可以将不同的区域极端降水事件的可能致灾性进行量化。
Description
技术领域
本发明属于降水监测的技术领域,具体涉及一种区域极端降水事件的监测方法。
背景技术
近年来,全球变暖增强(IPCC,2013),大气系统水汽含量增加,区域水循环加快,极端降水,特别是区域性极端降水呈现增多、趋强的特征(Zhai et al,2005;钱维宏等,2007),伴随的洪涝及次生灾害发生更为频繁,对人们的生活和经济发展带来深远影响。区域性极端降水的研究已成为中国区域灾害与环境风险定量评估的重要内容,日益受到学者及业务工作的关注。极端降水事件的客观识别成为首要解决的科学问题(Zhai et al,2005)。
基于单站极端降水事件研究已有很多结果给出(如Karl and Knight,1998;Kleinand Konnen,2003;Zhai et al,2005;Alexander et al,2006;Klein et al,2006)。大多应用相对阈值(百分位数值)或绝对阈值(如日降水50mm)进行事件筛选。如钱永甫(2009)将某站连续n天降水量大于气候基准期95%分位数值定义为一次持续n天的极端降水事件,Chenand Zhai(2013)提出在单点日降水连续至少3天大于绝对阈值50mm/day的基础上允许其最多间断一天,则为一次单点极端降水事件。50mm是日降水达到暴雨的标准,接近50mm,如49.9mm就可能未计算在内,这是绝对阈值遇到的第一个问题。另外,全国使用统一的标准存在一定的不合理性,有些区域,如果连续几天降水都在50mm以下,也可能引发泥石流、滑坡等灾害现象,对于华北以及东北地区,其出现50mm的机会并不多。
区域极端降水事件作为中国区域灾害与环境风险定量评估的重要内容,从所造成的灾害讲,极端降水频发所造成的洪涝灾害,其造成的经济损失是气象灾害总经济损失的37.2%,死亡的人数占总灾害人数的11.7%。区域极端降水事件的监测与预报与人民的生产生活密切相关。区域极端降水事件(REP)除了单站及单位时间的降水量之外,在持续时间以及影响面积方面也区别于一般的普通降水事件。目前有很多区域极端降水事件的识别方法(Gao et al,2002;Zhang et al,2006;江志红等,2009),这些识别方法大体可分为两类,一类以单点极端降水事件为基础,再分别通过连续面积上超过阈值的降水比例以及时间上的连续性来考虑“区域性”以及“持续性”,进而识别区域持续极端降水事件。(如业务法;Zhai et al,2015;Tu et al,2010;Ren et al,2014;景丞等,2017);另一类就是最近由Luet al(2017)提出的区域极端强度-持续时间综合(Region-Extreme-Intensity-Duration,REID)指数法,在对有降水格点聚类的基础上,找出降水区域的核心,计算涵盖区域降水强度和面积的综合指数,称为相对强度,对比该相对强度,定义区域极端降水事件。
这两类不同的极端降水事件识别方法鉴别出的极端降水事件特征有怎样的差异。REID方法使用的是格点资料,在对数值模式产品的极端降水事件识别有一定的优势,其能否推广应用于业务中与现有业务方法,做到相互补充。基于上述问题,在气候及统计上,气候变化趋势以及个例等方面系统对比REID法和业务法的识别结果,分析两种方法各自的优劣如下:
1、统计特征
1979-2015年的37年间,中国95E以东东部大陆区域(包括海南岛),两种方法共监测到561次区域极端降水事件,这是两种方法进行对比的背景,得到REID方法的极端降水事件强度指数阈值为103.4mm。在中国大陆东部地区两类方法的监测结果如表1所示,可见,3天以上(包括3天,下同)的持续性极端降水事件,业务法为36次,REID方法为72次,是前者的两倍,业务法监测的极端降水事件最长的时段是5天,而REID法能监测出26天的持续性降水事件,表明业务法难于监测出的持续性极端降水事件,可以被REID法监测出来,特别是5天以上的区域极端降水事件。
表1关于业务法与REID种方法所监测的区域极端降水事件的对比
对比两种方法在中国大陆东部五个分区域(图5)的监测结果显示(表1),华南地区,两种方法监测的总频次很接近(142:144),3天以上的持续性极端降水事件,业务法只监测出5次,REID方法监测出22次,是业务法的4.4倍。长江流域地区,业务法与REID方法监测出的REP总频次分别是219和186次,3天以上的持续性极端降水事件分别是22和32次。REID法的降水事件最长持续时间也远长于业务法(表1),这与REID法在相对强度最大的基础上容许降水事件中间歇期的存在有关。注意到,东北地区,REID监测的极端降水事件总频数66次明显多于业务法的43次。这与REID法没有设定日降水50mm的阈值有关,因为东北地区日降水出现50mm以上的机会不多(图4),注,本发明获取的数值中缺失台湾地区的数据,因此本发明使用数据不包含台湾地区数据。
图6通过对两种方法下REP的相对强度、影响面积、持续时间三个指标进行对比分析,概率分布可以很明显描述出强度大的极端降水事件出现概率逐渐降低这一规律(图6a)。REID与业务法影响面积在20万平方公里内概率最大(图6b),这也是极端降水事件最为可能的影响范围,随着影响范围的增加频率逐渐减少,表现出一定的长尾特征。两种方法差异最大的是降水事件频数随降水时间长度的概率分布(图6c),业务法所识别的1-2天降水事件概率达到92%,3天以上的降水事件发生的概率是8%左右。REID方法所识别的1-2天降水事件发生的概率为70%左右,3天以上的持续性极端降水事件为30%。
2、季节变化特征
中国东部地区,极端降水事件全年的月份都有可能发生(图7)。业务法识别的REP季节性变化大于REID(图7a),其表现出夏季的REP多于REID,冬季的REP小于后者,这与夏季业务法会将一次持续性极端降水事件,判别为几次极端降水事件有关;冬季超过50mm的日降水发生机会很少有关。平均强度指数的季节性差异相反,是REID大于业务法(图7b)。
上述东部地区两种方法识别的夏季月份REP频数的差异主要发生在华南和长江流域地区,因为6月和7月是长江-淮河流域和长江以南地区发生REP的最频繁时期,6月份是华南前汛期,7月份是长江流域梅雨期(Ding and Chen,2005),容易发生持续性极端降水事件,与表1的REID方法识别的3天以上持续性极端降水事件发生频次多于业务法是一致的。
3、空间分布
将区域极端降水事件发生的频次,分配到事件降水影响区域的各个格点,两种方法识别的REP在1979到2015年平均频次的空间分布显示(图8a,b),极端降水事件发生最频繁的地区位于长江流域和华南地区,平均每年发生超过2次;华北东部和东北南部,平均每年出现1次。REID监测的REP频次与业务法的差场显示(图8c),REID法在华南、长江流域地区识别的频次较业务法少,这与其识别的3天以上持续性区域极端降水事件偏多,而业务法会将一次持续性事件割裂为几个事件有关(图8f)。东北地区,REID法识别的REP频次多于业务法(图8c),说明日降水50mm的阈值在该区域偏大(图4)。海南岛也表现出同样的特征,这与其区域范围小,难于满足业务法识别REP的空间尺度标准有关。华南地区的许多REP事件都与台风有关,特别是地形迎风坡易诱发和增强REP,造成洪涝及其次生灾害(Chien andKuo,2011)。长江流域,REP主要发生在梅雨期准静止锋天气背景下(Tu et al,2011)。
业务法与REID识别的1979到2015年3d以上的持续性REP频次的空间分布显示(图5),持续性极端降水事件主要发生在华南以及长江流域地区。表1给出的REID识别的3d以上持续性极端降水事件多于业务法主要发生在华南北部和长江流域中部(图8f)。业务法识别的平均影响面积较REID方法大,平均发生1次事件会分配到更多的格点上,导致两区域西部边界的负值。
4、气候变化
探究两种方法下中国长江中下游地区长期的区域降水事件三个指标的变化(图9),图6为两种方法下中国长江流域地区REP三个指标的时间序列,从整体上看,两方法的变化特征近似,REP频次(图9a)、影响面积(图9b)相关系数都为0.3,通过了90%信度检验,强度指数(图9b)、持续时间(图9d)相关系数分别为0.4、0.6,通过了95%信度检验。REID法的强度指数在21世纪有较大的振荡,识别的REP影响区域小于业务法,持续时间远大于业务法。因此,REID方法监测的区域极端降水事件的影响区域小于业务法,而REID事件持续时间较长,两者共同导致了两种方法强度指数的差异。
5、三例极端天气事件
持续时间是极端降水事件影响环境的重要因素。如1991年江淮流域有显著的环流异常出现,该环流异常一直持续到七月,导致长江流域出现了三次持续性强降水事件(Luet al,1997;陆尔和丁一汇,1996;Mao et al,2006)。图10给出了REID识别出的一次1991年7月1日至7月11日极端降水事件的日降水量的空间分布,图10中7月1日(a),7月3日(c)、7月5-6日(e、f),7月9日(i)为业务法识别出的该时间段内的4次极端降水事件。整个事件降水的影响是持续的,非间断的(图11)。可见,REID法容许事件中降水间歇期的存在,易于识别持续性极端降水事件,而业务法将本该一次的极端降水事件分裂为4次事件。
图12为REID法识别的发生于1998年5月1日东北的一次极端降水事件。区域内日降水量大于35mm,但小于50mm。该事件降水的相对强度为158.5mm,远超极端降水事件104mm阈值。该个例证实了表1的结果,REID法在东北地区识别的REP次数大于业务法,表明,业务法难于识别发生在东北地区的极端降水事件。
图13为REID法识别的2011年9月29日由台风“纳沙”造成的极端降水事件,是2011年以来登陆中国强度最强的台风(以强台风级别登陆海南),也是其6年来登陆海南的最强台风,造成直接经济损失58.1371亿元。而业务法未予识别。该次事件影响面积为0.28×105km2。业务法有主观设置的降水站点比例,对于空间较小尺度极端降水事件的客观自动化方面存在不足,亦可解释图5中海南岛存在正偏差。
图14(a-c)为业务法识别的一次1984年8月9日-11日的极端降水事件,业务法在达到阈值比例的“区域极端”的基础上,进而考虑事件的“持续性”。本次事件由黄淮、华北边界,至横贯华北东北,最后移动至东北,存在3个降水中心(图14a-c,黑色*即几何中心),因此有利于识别降水中心移动较快的极端降水事件。
REID方法通过遍历时空,识别8月10日(图14b)为极端降水事件。表2中给出所有起止时间组合所确定的时间内的相对强度值,可见,相对强度最大449.9mm发生在8月10日REID只能定义这次极端降水事件发生在这一天。这与REID方法的一次事件是以一个聚类降水中心估算事件的相对强度有关(图10d-f)。
表2相对强度查询表
业务法识别的绝对极端区域(日降水50mm包围的区域,图14a-c黑色曲线),相较于REID识别的相对极端区域(日降水105mm包围的区域,图14b白色曲线)的范围较大,与表1中REID方法事件平均影响面积小于业务法也是一致的。业务法关注点为50mm阈值包围区域上,不会遗漏任何可能受影响的区域。而REID关注最极端区域,即预警等级最高的区域。在极端降水预警和预防工作中,两种方法相互协作,取长补短,可达到防灾减灾的最佳效果。
通过与国家气候中心业务方法比较说明了该种方法在区域极端降水事件的监测方面具有更好的表现。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种区域极端降水事件的监测方法,利用REID方法在对数值模式产品的极端降水事件监测的优势,监测区域极端降水事件,将其应用于业务预报及实时监测等方面,为现有的业务法监测区域事件提供依据和思路。
为实现上述技术目的,本发明采取的技术方案为:
一种区域极端降水事件的监测方法,其特征在于,包括:
步骤1:获取区域降水数据,得到区域降水格点数据集;
步骤2:对格点降水属性:经度、纬度、时间和降水份额进行聚类,得到区域降水事件和代表降水事件的时空中心,即聚类中心;
步骤3:对聚类得到的代表降水事件的聚类中心应用REID方法,得到极端事件的持续时间,影响区域以及强度。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤1所述获取区域降水数据,得到区域降水格点数据集,具体为:
获取中国地面高密度台站的降水资料,利用ANUSPLIN软件的薄盘样条法进行空间插值,得到的中国区域地面降水X°×Y°格点数据集。
上述的步骤2所述对格点降水属性:经度、纬度、时间和降水份额进行聚类,得到的代表降水事件的聚类中心,具体为:
将降水格点数据划分为以0.1mm为基础的微元降水样本;
以时间、经度、纬度和降水份额作为属性,对时空中的每一个点计算其降水格点密度参数以及降水事件区分度参数,进而得到每个点上的聚类中心强度指数;
聚类中心强度指数反应该降水格点作为降水的凝结核强弱。
聚类中心强度指数Qi=ρi·δi ε,用于量化聚类中心的强弱。
式中,ρi为降水密度参数,δi称为降水事件区分度参数,dij表示空间中降水格点i与j的距离,dc为截断距离,根据关注的区域大小确定。当dij-dc小于等于0时,χ取1,否则χ取0。
上述的步骤3所述对聚类得到的代表降水事件的聚类中心应用REID方法,得到极端事件的持续时间,影响区域以及强度,具体为:
针对每一个降水事件,通过将聚类中心的经纬度以及时间扩大范围,对扩大后时空区域内,不断变化起止时间T以及该时间段内影响区域范围S,计算降水事件强度指数R;
遍寻整个时空区域,强度指数R最大时的时间段T以及区域面积S,即降水事件中最极端部分的起止时间以及影响范围。
上述的降水事件强度指数R计算公式为:
R(n,m,k)=na-1Skb-1∫∫(∑Pdn)dSk
式中,R为降水事件强度指数,单位是mm,是n,m和k的函数;
Sk为等值线k所包围的区域面积;
参数a,b为平衡降水事件平均强度与事件累积降水量两个评判标准;
m为变动的起始日,依次以降水中心所在日期的扩大时间段中每一天作为起始日,结束日为起始日m后到扩大时间段最后一日的任意一天,n表示起始日m到结束日的天数,k为m与n确定后的时间段内平均日降水量的从外0.1mm向降水中心的第k个等值线,其最小精度为0.1mm;
∑Pdn表示格点数据集各个格点在从m到m+n-1的随时间累积的降水量;
∫∫(∑Pdn)dSk表示m与n确定的时间段内,由等值线k所包围的区域里所有格点累积的降水。
上述的参数a=0.4,b=0.25,用于描述降水事件的持续时间和影响面积对其强度的反向影响。
本发明具有以下有益效果:
本专利的区域极端降水事件监测方法未主观设定阈值和空间范围,基于综合降水事件的强度和面积的降水强度指数,能够自动地客观地识别任选区域或季节发生的区域极端降水事件,实现对极端天气事件更好地监测和预警等。此外,其强度指数可以将不同的区域极端降水事件的可能致灾性进行量化。
附图说明
图1是本发明的流程示意图;
图2是降水聚类中心确定的流程图;
图3是REID区域极端降水事件确定流程图;
图4是1979-2015年中国格点日降水大于等于50mm频次的空间分布(单位:频次/年);
图5是子区域具体的分区范围,分别包括中国华南,长江流域,黄淮,华北以及东北地区;
图6是业务法与REID法所监测的区域极端降水事件关于相对强度(a)、影响面积(b)以及持续时间(c)的概率密度分布(%),实线为REID方法,虚线为operationa(国家气候中心业务方法),R为区域极端降水事件强度指数,S为区域极端降水事件影响面积,N为区域极端降水事件持续时间;
图7是业务法与REID方法监测的REP总频数(a)、平均相对强度指数(b)(mm)的季节变化;黑色柱体表示REID方法监测的区域极端降水事件的季节变化,灰色柱体表示国家气候中心业务方法监测的区域极端降水事件的季节变化;
图8是REID法(a)与业务法(b)识别的REP年平均频数及其差值(c,REID-业务法)(单位:次/年),(d-f)类似于(a-c),但为3天以上的持续性REP对应结果,黑色方框为上述华南、长江中下游、黄淮、以及东北区域;
图9是业务法和REID方法中国长江中下游地区年平均区域极端降水事件频次(a)强度指数(b)、影响区域面积(c)和持续时间(d)的时间序列。黑色实线代表业务法长江流域,黑色虚线代表REID方法长江流域,a中物理量为国家气候中心业务方法以及REID方法的年频次,R为区域极端降水事件的强度指数,c中affected area为区域极端降水事件的影响区域面积,d中duration为区域极端降水事件的持续时间;
图10是REID方法所识别的一次持续11天(1991年7月1-11日)的区域极端降水事件的日降水量分布(单位:mm day-1),(a)中黑色曲线为识别的本次事件影响区域;
图11是1991年6月1日至8月1日的区域极端降水事件逐日的影响区域内平均降水量演变(mm),影响区域为图11所监测的区域。实心线表示所监测的区域极端降水事件的时间段;
图12是REID方法识别东北地区1998年5月1日一次强度为158.54mm的区域极端降水事件日降水量分布(黑色曲线包围的为所识别的极端区域)(单位:mm day-1);
图13是REID方法识别的一次海南岛2011年9月29日持续1d的区域极端降水事件降水量分布(单位:mm day-1);
图14(a-c)业务法所识别的1984年8月9日-8月11日区域极端降水事件的降水分布(阴影,单位:mm day-1)、极端区域(黑色曲线)、降水中心(黑色星号*),图b为REID方法识别的极端事件及其极端区域(白色曲线,对应表2中识别的8月10日k)、降水中心(黑色星号*)。(a-f)REID方法识别事件前后不同时间组合下的平均降水量分布(阴影,单位:mm day-1)、极端区域(a-c:白色曲线;d-f:黑色曲线,表2中对应时间段所识别的k)、降水中心(黑色星号*);
图15是1998年6月13日至6月25日长江中下游地区平均降水量,32cm等值线所包围的区域为所识别出来的最极端事件的影响区域;
图16是相对强度R随等值线K的变化,最极端事件内6月13至6月25日内上图中不同等值线k所对应的的相对强度值,图中只显示了使相对强度达到最大值附近的K,即32mm附近的值;
图17长江中下游地区在图15所识别影响区域内的逐日的区域平均降水量。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图1,本发明的一种区域极端降水事件的监测方法,包括:
步骤1:获取区域降水数据,得到区域降水格点数据集;
步骤2:对格点降水属性:经度、纬度、时间进行聚类,得到区域降水事件和代表降水事件的时空中心,即聚类中心;
步骤3:对聚类得到的代表降水事件的聚类中心应用REID方法,得到极端事件的持续时间,影响区域以及强度。
实施例中,步骤1所述获取区域降水数据,得到区域降水格点数据集,具体为:
获取国家气象信息中心基础资料专项最新整编的中国地面高密度台站(2472个国家级气象观测站)的降水资料,利用ANUSPLIN软件的薄盘样条法(TPS,Thin Plate Spline)进行空间插值,得到的中国区域地面降水0.5°×0.5°格点数据集,该资料采用的站点密度高,同时在事件中考虑了地形的影响,所以对大地形附近的降水描述有好的表现(赵煜飞和朱江,2015)。同时网格点资料使得计算或者估计降水事件比站点资料更加的简单快捷。
数据集时间跨度为1979-2015年,纬向范围72E至136E,经向范围18N至54N。
参见图2,实施例中,使用Alex Rodriguez和Alessandro Laio于2014年提出的聚类分析方法,寻找降水事件(图2)。值得一提的是,聚类分析是一种根据数据中发现的描述对象及其关系的信息,将数据对象分组进行非监督式的机器学习算法,对于任何聚类事件,通常都是希望达到以下目标:在类内要素差异要小,两类之间差异尽量大。
步骤2所述对格点降水属性:经度、纬度、时间和降水份额进行聚类,得到的代表降水事件的聚类中心,具体为:
将降水格点数据划分为以0.1mm为基础的微元降水样本;
以时间、经度、纬度作为属性,对时空中的每一个点计算其降水格点密度参数以及降水事件区分度参数,进而得到每个点上的聚类中心强度指数;
聚类中心强度指数反应该降水格点作为降水的凝结核强弱。
聚类中心强度指数Qi=ρi·δi ε,用于量化聚类中心的强弱。
实施例中,步骤3所述对聚类得到的代表降水事件的聚类中心应用REID方法,得到极端事件的持续时间,影响区域以及强度,具体为:
针对每一个降水事件,通过将聚类中心的经纬度以及时间扩大范围,对扩大后时空区域内,不断变化起止时间T以及该时间段内影响区域范围S,计算降水事件强度指数R;
遍寻整个时空区域,强度指数R最大时的时间段T以及区域面积S,即降水事件中最极端部分的起止时间以及影响范围。
即对聚类得到的代表降水事件的聚类中心应用REID方法(图3),即通过该种方法得到极端事件的持续时间,影响区域以及强度。将上述聚类中心,取其前后各15天,东西各15度,南北各10度,扩大所有降水中心的时空区域,找到所有的降水中心扩大后的时空区域,在降水中心扩大后的时空区域内,计算降水事件强度指数R;
该R综合考虑了累积强度与平均强度两个概念:
R(n,m,k)=na-1Sk b-1∫∫(∑Pdn)dSk
式中,R为降水事件强度指数,单位是mm,是n,m和k的函数;
m为变动的起始日,依次以降水中心所在日期的扩大时间段中每一天作为起始日,结束日为起始日m后到扩大时间段最后一日的任意一天,n表示起始日m到结束日的天数,k为m与n确定后的时间段内平均日降水量的从外0.1mm向降水中心的第k个等值线,其最小精度为0.1mm。
Sk为等值线k所包围的区域面积;
参数a,b为平衡降水事件平均强度与事件累积降水量两个评判标准;
参数a=0.4,b=0.25,用于描述降水事件的持续时间和影响面积对其强度的反向影响。
∑Pdn表示格点数据集各个格点在从m到m+n-1的随时间累积的降水量;
∫∫(∑Pdn)dSk表示m与n确定的时间段内,由等值线k所包围的区域里所有格点累积的降水。
遍寻整个时空区域,得到整个降水事件的最大相对强度,即对应该降水中心的降水事件强度指数,记录此时相对强度处的n、m、k,得到每个事件极端部分的初始时间,持续时间和影响区域,通过该种方法与目前国家气候中心业务法来进行对比说明该种方法的可靠性。
实施例1:
本专利利用REID方法旨在更加合理客观化监测区域极端降水事件。
首先将降水资料数据进行密度聚类分析,监测其降水事件的时空中心,得到中国区域的降水事件。在进行业务应用时,对研究时段内降水进行密度聚类,将降水格点数据划分为以0.1mm为基础的微元降水样本,以时间、经度、纬度和降水份额作为属性,对时空中的每一个点计算其降水格点密度参数以及降水事件区分度参数,进而得到每个点上的聚类中心强度指数,可以得到排名前的聚类中心,即在整个时空显著的降水事件。
然后对排名显著的聚类中心进行REID,针对于每一个聚类中心,即针对于每一个降水事件,监测其最极端的部分,通过将聚类中心的经纬度以及时间扩大范围,对扩大后时空区域内,不断变化起止时间T以及该时间段内影响区域范围S,来计算极端降水事件的强度指数R,当强度指数R最大时的时间段T以及区域面积S,即事件中最极端部分的起止时间以及影响范围。在进行业务应用时,对每一年的聚类中心导入该算法,分别得到极端事件,对于每一个事件存在4个参数,起止时间、影响面积、强度指数。按照强度指数进行排序,便可以得到其强度最强的事件,即为该年的排名第一的区域极端降水事件。在分析事件中,影响区域以及起止日期都是自由变换的,三者构成了求最大相对强度的求解,所以其中并没有人为结论来影响最后结果,整个事件完全是客观自动化的,下文的结论也与前人的工作吻合,符合主观认知。
利用REID方法应用于一个降水聚类得到的独立事件类中,对1998特大暴雨进行分析。对1998年5月至8月的网格化降水资料进行分析,来寻找其降水事件中的极端降水事件,来说明REID方法在实例分析中的可行性以及合理性,表2为该种方法所识别的结果。
表1为1998年雨季范围长江中下游地区内不断变化起止时间T其极端降水事件的强度指数,表中的每一个数字为在该时间段内,不断变化影响区域范围S使强度指数达到最大的R值,通过逐日的遍历,我们得到最极端的事件是在开始日期为6月13日,结束日为6月25日的降水过程,整个过程相对强度指数达到355.89,也就是说该次过程持续了13天,相当于持续13天近400mm的总降水量,相对强度指数最大在表格中用加粗标出,在最大值附近,比如6月13开始6月26结束时,相对强度指数也是足够大(R=355.54),因此我们将结束时间更改为6月26日,也是可以接受的,在误差允许范围内,足以说明该种方法的稳健性。
图15给出了从6月13日至6月25日降水过程的平均日降水量的等值线。图中32mm等值线所圈出的区域即为本次极端事件的影响区域(表2识别结果中边界等值线)。如图所示,这个区域影响范围覆盖了长江中下游流域大片的带状区域。
图16显示了6月13日至6月25日时间段内图15中不同等值线k所对应的相对强度值,图中只显示了相对强度最大的等值线附近的值,除了32mm区域每天对应的最大相对强度,31mm区域每天的额范围也具有较大的相对强度,但类似最大的强度只在32mm附近出现,超出[31mm,32.5mm]范围内,强度就迅速减弱,因此在误差允许范围内,结论是稳健的。
图17显示了最极端事件的区域内(图15中32mm等值线包围区域)逐日平均的降水量,发生时间段以黑色填色显示,主观来看,该时间段内每天的雨都很大,结论符合人们的主观认知,能更好的反映规模效应,说明REID方法的合理性。
表1极值查询表
表2 REID法所识别结果
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (4)
1.一种区域极端降水事件的监测方法,其特征在于,包括:
步骤1:获取区域降水数据,得到区域降水格点数据集;
步骤2:对格点降水属性:经度、纬度、时间进行聚类,得到区域降水事件和代表降水事件的时空中心,即聚类中心;
步骤3:对聚类得到的代表降水事件的聚类中心应用REID方法,得到极端事件的持续时间,影响区域以及强度;
步骤3所述对聚类得到的代表降水事件的聚类中心应用REID方法,得到极端事件的持续时间,影响区域以及强度,具体为:
针对每一个降水事件,通过将聚类中心的经纬度以及时间扩大范围,对扩大后时空区域内,不断变化起止时间T以及该时间段内影响区域范围S,计算降水事件强度指数R;
遍寻整个时空区域,强度指数R最大时的时间段T以及区域面积S,即降水事件中最极端部分的起止时间以及影响范围;
降水事件强度指数R计算公式为:
R(n,m,k)=na-1Sk b-1∫∫(∑Pdn)dSk
式中,R为降水事件强度指数,单位是mm,是n,m和k的函数;
Sk为等值线k所包围的区域面积;
参数a,b为平衡降水事件平均强度与事件累积降水量两个评判标准;
m为变动的起始日,依次以降水中心所在日期的扩大时间段中每一天作为起始日,结束日为起始日m后到扩大时间段最后一日的任意一天,n表示起始日m到结束日的天数,k为m与n确定后的时间段内平均日降水量的从外0.1mm向降水中心的第k个等值线,其最小精度为0.1mm;
∑Pdn表示格点数据集各个格点在从m到m+n-1的随时间累积的降水量;
∫∫(∑Pdn)dSk表示m与n确定的时间段内,由等值线k所包围的区域里所有格点累积的降水;
参数a=0.4,b=0.25,用于描述降水事件的持续时间和影响面积对其强度的反向影响。
2.根据权利要求1所述的一种区域极端降水事件的监测方法,其特征在于,步骤1所述获取区域降水数据,得到区域降水格点数据集,具体为:
获取中国地面高密度台站的降水资料,利用ANUSPLIN软件的薄盘样条法进行空间插值,得到的中国区域地面降水X°×Y°格点数据集。
3.根据权利要求1所述的一种区域极端降水事件的监测方法,其特征在于,步骤2所述对格点降水属性:经度、纬度、时间进行聚类,得到的代表降水事件的聚类中心,具体为:
将降水格点数据划分为以0.1mm为基础的微元降水样本;
以降水出现的时间、经度及纬度空间位置和降水份额作为属性,对时空中的每一个点计算其降水格点密度参数以及降水事件区分度参数,进而得到每个点上的降水聚类中心,即降水凝结核,强度指数;
聚类中心强度指数反应该降水格点作为降水的凝结核强弱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011037757.XA CN112394424B (zh) | 2020-09-28 | 2020-09-28 | 一种区域极端降水事件的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011037757.XA CN112394424B (zh) | 2020-09-28 | 2020-09-28 | 一种区域极端降水事件的监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112394424A CN112394424A (zh) | 2021-02-23 |
CN112394424B true CN112394424B (zh) | 2022-04-26 |
Family
ID=74595512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011037757.XA Active CN112394424B (zh) | 2020-09-28 | 2020-09-28 | 一种区域极端降水事件的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112394424B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361766B (zh) * | 2021-06-03 | 2024-04-09 | 南京信息工程大学 | 一种集成机器学习的多模式降水预估方法 |
CN114154288B (zh) * | 2021-08-17 | 2024-01-19 | 中国科学院新疆生态与地理研究所 | 一种基于栅格数据的快速识别极端降水事件方法 |
CN113761721B (zh) * | 2021-08-17 | 2024-04-19 | 中国科学院新疆生态与地理研究所 | 一种基于栅格数据快速识别极端高/低温事件的方法 |
CN113688539B (zh) * | 2021-10-19 | 2023-05-16 | 南京信息工程大学 | 一种复合型极端气候事件识别方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306248A (zh) * | 2011-08-26 | 2012-01-04 | 任福民 | 区域性极端事件的“糖葫芦串”客观识别方法 |
CN108595814A (zh) * | 2018-04-18 | 2018-09-28 | 北京大学 | 一种基于天时间尺度的降水发生器 |
CN111242404A (zh) * | 2019-11-12 | 2020-06-05 | 中国水利水电科学研究院 | 一种强降雨诱发洪灾事件的极端性评估方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7219015B2 (en) * | 2004-02-26 | 2007-05-15 | Swiss Reinsurance Company | Methods for generating data set |
US10989838B2 (en) * | 2015-04-14 | 2021-04-27 | Utopus Insights, Inc. | Weather-driven multi-category infrastructure impact forecasting |
CN109856702B (zh) * | 2019-01-29 | 2021-04-27 | 南京泛在地理信息产业研究院有限公司 | 一种基于聚类的降水日变化类型划分与空间分布提取方法 |
-
2020
- 2020-09-28 CN CN202011037757.XA patent/CN112394424B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306248A (zh) * | 2011-08-26 | 2012-01-04 | 任福民 | 区域性极端事件的“糖葫芦串”客观识别方法 |
CN108595814A (zh) * | 2018-04-18 | 2018-09-28 | 北京大学 | 一种基于天时间尺度的降水发生器 |
CN111242404A (zh) * | 2019-11-12 | 2020-06-05 | 中国水利水电科学研究院 | 一种强降雨诱发洪灾事件的极端性评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112394424A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112394424B (zh) | 一种区域极端降水事件的监测方法 | |
CN108760643B (zh) | 一种适宜于高海拔地区的干旱遥感监测方法 | |
Rusticucci et al. | Cold and warm events over Argentina and their relationship with the ENSO phases: risk evaluation analysis | |
CN112800634A (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
CN103033856A (zh) | 基于水文气象一致性地区分析的雨量频率估计方法 | |
Fragoso et al. | Classification of daily abundant rainfall patterns and associated large-scale atmospheric circulation types in Southern Portugal | |
CN110263412B (zh) | 副热带急流或极锋急流强度和径向位置协同变化的表征方法 | |
CN112347652B (zh) | 基于水文气象地区线性矩频率分析的暴雨高风险区划方法 | |
CN115114873B (zh) | 海洋环境重现期设计标准推算方法与系统 | |
CN113961880B (zh) | 一种水文干旱历时和烈度相依结构变异的诊断方法 | |
CN114325874B (zh) | 一种强对流天气个例库系统的建立方法 | |
Choi et al. | Possible linkage between East Asian summer drought and North Pacific oscillation | |
CN115575601A (zh) | 基于水汽通量散度的植被旱灾指数评估方法和系统 | |
CN115630337A (zh) | 基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统 | |
CN116842435A (zh) | 基于swap的场次干旱三维度量及时空演变可视化方法 | |
CN116384591A (zh) | 一种基于大数据的旱情预测方法、系统和介质 | |
Capozzi et al. | Synoptic control over winter snowfall variability observed in a remote site of Apennine Mountains (Italy), 1884–2015 | |
Berkovic | Wind regimes and their relation to synoptic variables using self-organizing maps | |
Bettolli et al. | Synoptic weather types in the south of South America and their relationship to daily rainfall in the core crop-producing region in Argentina | |
CN117031584A (zh) | 一种霜冻预测预报方法及系统 | |
Barrucand et al. | Dry conditions over Argentina and the related monthly circulation patterns | |
CN110263300B (zh) | 副热带急流和极锋急流强度协同变化的表征方法 | |
CN110208876B (zh) | 副热带急流和极锋急流径向位置协同变化的表征方法 | |
CN110555554A (zh) | 一种基于客观定量化的智能气候预测技术 | |
Tayib et al. | Forecasting on the crude palm oil production in Malaysia using SARIMA Model |
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 |