CN112597698B - 一种人类活动对流域蒸散发影响的不确定性评估方法 - Google Patents

一种人类活动对流域蒸散发影响的不确定性评估方法 Download PDF

Info

Publication number
CN112597698B
CN112597698B CN202011468265.6A CN202011468265A CN112597698B CN 112597698 B CN112597698 B CN 112597698B CN 202011468265 A CN202011468265 A CN 202011468265A CN 112597698 B CN112597698 B CN 112597698B
Authority
CN
China
Prior art keywords
evapotranspiration
water
data
natural
runoff
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
Application number
CN202011468265.6A
Other languages
English (en)
Other versions
CN112597698A (zh
Inventor
段凯
韦林
唐嘉琪
王小辣
陈晓宏
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202011468265.6A priority Critical patent/CN112597698B/zh
Publication of CN112597698A publication Critical patent/CN112597698A/zh
Application granted granted Critical
Publication of CN112597698B publication Critical patent/CN112597698B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的一种人类活动对流域蒸散发影响的不确定性评估方法，通过贝叶斯模型平均方法集成多种陆面水文模型对天然条件下流域蒸散发的模拟结果，利用GRACE重力卫星提供的陆地水储量数据与流域实测径流序列推算实际发生的流域蒸散发，既而使用“天然蒸散发”与“实际蒸散发”的差值，评估水库调蓄、消耗性用水、跨流域调水等人类活动所导致的流域蒸散发变化及其不确定性区间。该方法可有效集成多种陆面水文模型的优势，减小陆面水文模型蒸散发数据同化中的不确定性，并以概率性结果合理衡量人类活动对流域蒸散发的影响程度。

Description

一种人类活动对流域蒸散发影响的不确定性评估方法
技术领域
本发明涉及水利工程技术领域，更具体的，涉及一种人类活动对流域蒸散发影响的不确定性评估方法。
背景技术
蒸散发是地表水分循环的重要组成部分，同时也是地表能量平衡的一个重要通量成分。从全球陆面平均来看，约58％～65％的降水通过蒸散发重返大气，消耗的能量约占净辐射的51％～58％。蒸散发不仅受气候变化的影响，还受水库调控、灌溉、土地利用和土地覆盖变化等人为干预的影响。随着人口的迅速增长和经济的发展，水的需求和消耗都在增加。人类活动对下垫面的改造，如水利建设、土地利用方式改变以及生产生活等，对水资源时空分布规律的影响逐步增大。人类活动引起的蒸散发变化通过改变水量与热量平衡，影响地表温度、径流、大气环流以及降水。因此，弄清人类对蒸散发的影响对于理解水文循环的变化至关重要，是实现变化环境下水资源管理、水资源优化配置的重要科学支撑。
由于陆面水文模型数据的适用性有限，以及自然与人为因素之间复杂的相互作用的影响，在模型中对人为因素诱发的蒸散变化进行参数化一直以来都是一个挑战。重力恢复和气候实验卫星(GRACE)可以监测大尺度陆地水储量变化，结合水量平衡法可以估算出实际蒸散发。将实际蒸散发与不考虑人类活动影响的陆面水文模型模拟的天然蒸散发进行比较，两者的残差可视为人类活动引起的蒸散发变化。公开号为CN108614948A的中国专利申请于2018年10月2日公开了一种大尺度区域实际蒸散发量的估算方法，针对传统技术无法科学合理估算大尺度区域(土层深厚)实际蒸散发量的技术问题，基于水分平衡原理，采用GRACE重力卫星数据计算区域水量收支变化量，进而反演具有深厚土壤地区(黄土高原)的实际蒸散发量；通过分析实际蒸散发过程和区域水量输入输出平衡特征的时空变化规律，进而评价研究地区(黄土高原)退耕还林还草工程实施前后的水分收支特征，进而评价植被建设用水的可持续性，为保障黄土高原生态安全和水安全提供理论支撑。然而，该方法尚未考虑到模型模拟的天然蒸散发中的不确定性会如何影响对人类活动影响的检测，从而导致无法合理评估人类活动引起的流域蒸散发变化。
发明内容
本发明为克服现有技术中尚未考虑到模型模拟的天然蒸散发中的不确定性会如何影响对人类活动影响的检测，存在无法合理评估人类活动引起的流域蒸散发变化的技术缺陷，提供一种人类活动对流域蒸散发影响的不确定性评估方法。
为解决上述技术问题，本发明的技术方案如下：
一种人类活动对流域蒸散发影响的不确定性评估方法，包括以下步骤：
S1：利用GRACE重力卫星提供的逐月陆地水存量数据，计算各个网格内的陆地水储量逐月变化，并计算流域内的平均陆地水储量变化；
S2：采集研究流域实测降水、径流数据序列数据，结合平均陆地水储量变化情况，利用流域水量平衡方法，估算流域内的“实际蒸散发”序列；
S3：统计分析流域内的水库调蓄、取水、耗水、跨流域调水等因素，通过还原计算将实测径流序列还原为逐月天然径流序列；
S4：搜集整理多种陆面水文模型的再分析数据产品，结合逐月天然径流序列进行模型的验证与比较，优选出若干个在研究区域应用效果最佳的水文模型作为待选模型；
S5：使用贝叶斯模型平均法，以选出的待选模型的蒸散发模拟序列为输入，计算各个待选模型的最优权重；
S6：根据各个模型的最优权重结果，集成各模型所模拟的蒸散发序列，得到天然蒸散发序列；
S7：计算“实际蒸散发”序列与“天然蒸散发”序列之间的差值，评估人类活动对流域蒸散发的影响；
S8：分析人类活动影响评估结果的不确定性。
上述方案中，通过贝叶斯模型平均方法集成多种陆面水文模型对天然条件下流域蒸散发的模拟结果，利用GRACE重力卫星提供的陆地水储量数据与流域实测径流序列推算实际发生的流域蒸散发，既而使用“天然蒸散发”与“实际蒸散发”的差值，评估水库调蓄、消耗性用水、跨流域调水等人类活动所导致的流域蒸散发变化及其不确定性区间。该方法可有效集成多种陆面水文模型的优势，减小陆面水文模型蒸散发数据同化中的不确定性，并以概率性结果更为合理地衡量人类活动对流域蒸散发的影响。
其中，在所述步骤S1中，所述平均陆地水储量变化的计算公式具体为：
TWSC(i)＝TWSA(i)-TWSA(i-1) (1)
其中，TWSC(i)是i月的平均陆地水储量变化值，单位为mm/month；TWSA(i)是i月的平均陆地水储量，单位为mm/month。
其中，在所述步骤S2中，通过流域水量平衡方法估算实际蒸散发序列，计算过程具体为：
ETobs＝P-R-TWSC (2)
其中，ETobs是流域面平均实际蒸散发序列，单位为mm/month；P是流域面平均降水，单位为mm/month；R是流域平均径流深，单位为mm/month。
其中，在所述步骤S3中，统计分析流域内的水库调蓄、取水、耗水、跨水域调水等情况，通过还原计算将实测径流序列还原为逐月天然径流序列，具体计算过程为：
W天然＝W实测+W农耗+W工业+W生活+W库蒸发+W库渗+W蓄变±W引水±W分洪 (3)
其中，W天然为流域天然径流；W实测为流域实测径流；W工业为底表水工业耗损量；W生活为地表水城镇生活耗损量；W库蒸发为水库、闸坝库区水面蒸发与陆面蒸发差值；W库渗为水库、闸坝渗漏量；W蓄变为计算时段始末的水库、闸坝蓄量变，增加为正，减少为负；±W引水为跨流域引水，引入为负，引出为正；±W分洪为河道分洪决口水量，分出为正，分入为负。
其中，所述步骤S4具体包括以下步骤：
S41：下载陆面水文模型的再分析数据产品；
S42：提取模拟的降水、径流、蒸散发数据，并对数据进行处理；
S43：用再分析降水数据与实测降水数据的比值校正模型模拟径流、蒸散发数据；
S44：计算模拟径流与天然径流的纳什效率系数，即NSE系数，选择NSE值较大的若干模型作为待选模型。
其中，在所述步骤S42中，所述数据处理过程包括：nc数据提取变量、转换为栅格数据，裁剪，单位换算和提取流域面平均值；
在所述步骤S44中，所述NSE系数的计算公式具体为：
Figure GDA0003506544730000041
其中，
Figure GDA0003506544730000042
表示月份i的实测数据；
Figure GDA0003506544730000043
表示月份i的模拟数据；
Figure GDA0003506544730000044
表示在T时段内实测数据的平均值。
其中，在所述步骤S5中，所述最优权重的计算过程具体为：
Figure GDA0003506544730000045
其中，fk是第k个模型径流数据，D是天然径流，n为模型个数。
其中，所述步骤S6具体为：
S61：应用得到的模型的最优权重加权模型模拟的天然蒸散发序列，即得到集成的天然蒸散发序列，公式具体为：
Figure GDA0003506544730000046
其中，wi为模型权重；ETi为模型模拟的天然蒸散发；n为模型个数；天然蒸散发的不确定性区间由贝叶斯模型平均方法计算，公式如下：
Figure GDA0003506544730000047
其中，p(fk|D)为模型权重；pk(y|fk,D)是在给定模型预测数据fk和实测数据D的条件下预报变量y的后验分布。
其中，在所述步骤S7中，所述实际蒸散发序列与天然蒸散发序列之间的差值用如下公式进行量化：
ΔET＝ETobs-ETnat (8)
其中，ETobs表示实际蒸散发量；ETnat表示天然蒸散发量。
其中，在所述步骤S8中，利用覆盖率CR和平均相对带宽RB对指标ΔET的不确定性进行评估，具体为：
Figure GDA0003506544730000048
其中，n表示数据位于不确定性区间内的个数；T表示总的月份数量；CR的值越大表示不确定性区间的精确度越高；
Figure GDA0003506544730000051
其中，
Figure GDA0003506544730000052
和
Figure GDA0003506544730000053
是月份i的不确定性区间的上下界限，在指定的置信水平下和有较高的CR情况下，RB的值越小，表示不确定性区间越窄，估算效果越好。
上述方案中，本发明针对流域蒸散发模拟与评估中复杂的不确定性问题，综合使用遥感、地面站点观测、区域统计、数学模型等多种方法与多源数据，创新性地将贝叶斯模型平均方法运用在人类活动对流域蒸散发影响的评估中，为科学分割流域“天然蒸散发”与“实际蒸散发”、量化评估人类活动的影响程度及其不确定性范围提供了一种合理有效的解决方法。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的一种人类活动对流域蒸散发影响的不确定性评估方法，有效集成多种陆面水文模型的优势，减小陆面水文模型蒸散发数据同化中的不确定性，并以概率性结果更为合理地衡量人类活动对流域蒸散发的影响。
附图说明
图1为本发明所述方法流程图；
图2为一实施例中北江流域2003-2010年TWSC时间分布图；
图3为一实施例中北江流域2003-2010年降水、径流、实际蒸散发；
图4为一实施例中北江流域2003-2010年实测径流、天然径流；
图5为一实施例中北江流域2003-2010年校正后模型径流与天然径流；
图6为一实施例中北江流域2003-2010年集成的天然蒸散发序列及其不确定性区间；
图7为一实施例中北江流域2003-2010年人类活动引起的蒸散发变化及其不确定性区间。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种人类活动对流域蒸散发影响的不确定性评估方法，包括以下步骤：
S1：利用GRACE重力卫星提供的逐月陆地水存量数据，计算各个网格内的陆地水储量逐月变化，并计算流域内的平均陆地水储量变化；
S2：采集研究流域实测降水、径流数据序列数据，结合平均陆地水储量变化情况，利用流域水量平衡方法，估算流域内的“实际蒸散发”序列；
S3：统计分析流域内的水库调蓄、取水、耗水、跨流域调水等因素，通过还原计算将实测径流序列还原为逐月天然径流序列；
S4：搜集整理多种陆面水文模型的再分析数据产品，结合逐月天然径流序列进行模型的验证与比较，优选出若干个在研究区域应用效果最佳的水文模型作为待选模型；
S5：使用贝叶斯模型平均法，以选出的待选模型的蒸散发模拟序列为输入，计算各个待选模型的最优权重；
S6：根据各个模型的最优权重结果，集成各模型所模拟的蒸散发序列，得到天然蒸散发序列；
S7：计算“实际蒸散发”序列与“天然蒸散发”序列之间的差值，评估人类活动对流域蒸散发的影响；
S8：分析人类活动影响评估结果的不确定性。
在具体实施过程中，通过贝叶斯模型平均方法集成多种陆面水文模型对天然条件下流域蒸散发的模拟结果，利用GRACE重力卫星提供的陆地水储量数据与流域实测径流序列推算实际发生的流域蒸散发，既而使用“天然蒸散发”与“实际蒸散发”的差值，评估水库调蓄、消耗性用水、跨流域调水等人类活动所导致的流域蒸散发变化及其不确定性区间。该方法可有效集成多种陆面水文模型的优势，减小陆面水文模型蒸散发数据同化中的不确定性，并以概率性结果更为合理地衡量人类活动对流域蒸散发的影响。
更具体的，如图2所示的北江流域2003-2010年TWSC时间分布图所示，在所述步骤S1中，所述平均陆地水储量变化的计算公式具体为：
TWSC(i)＝TWSA(i)-TWSA(i-1) (1)
其中，TWSC(i)是i月的平均陆地水储量变化值，单位为mm/month；TWSA(i)是i月的平均陆地水储量，单位为mm/month。
更具体的，在所述步骤S2中，采集研究流域降水、径流数据，本实施例选用的降水数据为中国区域地面气象要素驱动数据集，径流数据为广东省水文局提供的石角站实测径流数据。通过流域水量平衡方法估算实际蒸散发序列，计算过程具体为：
ETobs＝P-R-TWSC (2)
其中，ETobs是流域面平均实际蒸散发序列，单位为mm/month；P是流域面平均降水，单位为mm/month；R是流域平均径流深，单位为mm/month。图3为为北江流域2003-2010年降水、径流、实际蒸散发。
更具体的，在所述步骤S3中，统计分析流域内的水库调蓄、取水、耗水、跨水域调水情况，通过还原计算将实测径流序列还原为逐月天然径流序列，具体计算过程为：
W天然＝W实测+W农耗+W工业+W生活+W库蒸发+W库渗+W蓄变±W引水±W分洪 (3)
其中，W天然为流域天然径流；W实测为流域实测径流；W工业为底表水工业耗损量；W生活为地表水城镇生活耗损量；W库蒸发为水库、闸坝库区水面蒸发与陆面蒸发差值；W库渗为水库、闸坝渗漏量；W蓄变为计算时段始末的水库、闸坝蓄量变，增加为正，减少为负；±W引水为跨流域引水，引入为负，引出为正；±W分洪为河道分洪决口水量，分出为正，分入为负。图4为北江流域2003-2010年实测径流、天然径流。
更具体的，所述步骤S4具体包括以下步骤：
S41：下载陆面水文模型的再分析数据产品，如ERA-interim、ERA-interim/land、GLDAS LSM(Noah、VIC、CLSM)；
S42：提取模拟的降水、径流、蒸散发数据，并对数据进行处理，得到再分析降水数据；
S43：用再分析降水数据与实测降水数据的比值校正模型模拟径流、蒸散发数据；
S44：计算模拟径流与天然径流的纳什效率系数，即NSE系数，选择NSE值较大的若干模型作为待选模型。
更具体的，在所述步骤S42中，所述数据处理过程包括：nc数据提取变量、转换为栅格数据，裁剪，单位换算和提取流域面平均值；
在所述步骤S44中，所述NSE系数的计算公式具体为：
Figure GDA0003506544730000081
其中，
Figure GDA0003506544730000082
表示月份i的实测数据；
Figure GDA0003506544730000083
表示月份i的模拟数据；
Figure GDA0003506544730000084
表示在T时段内实测数据的平均值。
在具体实施过程中，图5为北江流域2003-2010年校正后的模拟径流与基于地面观测的天然径流。其中，模拟径流与天然径流的NSE值排名前三的模型分别是VIC2.1(0.86)，VIC2.0(0.81)，Noah2.1(0.77)。
更具体的，在所述步骤S5中，所述最优权重的计算过程具体为：
Figure GDA0003506544730000085
其中，fk是第k个模型径流数据，D是天然径流，n为模型个数。
更具体的，所述步骤S6具体为：
S61：应用得到的模型的最优权重加权模型模拟的天然蒸散发序列，即得到集成的天然蒸散发序列，公式具体为：
Figure GDA0003506544730000086
其中，wi为模型权重；ETi为模型模拟的天然蒸散发；n为模型个数。天然蒸散发的不确定性区间由贝叶斯模型平均方法计算，公式如下：
Figure GDA0003506544730000087
其中，p(fk|D)为模型权重；pk(y|fk,D)是在给定模型预测数据fk和实测数据D的条件下预报变量y的后验分布。图6为北江流域2003-2010年集成的天然蒸散发序列及其不确定性区间。
更具体的，在所述步骤S7中，所述实际蒸散发序列与天然蒸散发序列之间的差值用如下公式进行量化：
ΔET＝ETobs-ETnat (8)
其中，ETobs表示实际蒸散发量；ETnat表示天然蒸散发量，图7为北江流域2003-2010年人类活动引起的蒸散发变化及其不确定性区间示意图。
更具体的，在所述步骤S8中，利用覆盖率(Containing Ratio，CR)和平均相对带宽(Average Relative Band-width，RB)对指标ΔET的不确定性进行评估，具体为：
Figure GDA0003506544730000091
其中，n表示数据位于不确定性区间内的个数；T表示总的月份数量；CR的值越大表示不确定区间的精确度越高；
Figure GDA0003506544730000092
其中，
Figure GDA0003506544730000093
和
Figure GDA0003506544730000094
是月份i的不确定性区间的上下界限，在指定的置信水平下和有较高的CR情况下，RB的值越小，表示不确定性区间越窄，估算效果越好；本实例的置信水平为90％。其中：
在具体实施过程中，本发明针对流域蒸散发模拟与评估中复杂的不确定性问题，综合使用遥感、地面站点观测、区域统计、数学模型等多种方法与多源数据，创新性地将贝叶斯模型平均方法运用在人类活动对流域蒸散发影响的评估中，为科学分割流域“天然蒸散发”与“实际蒸散发”、量化评估人类活动的影响程度及其不确定性范围提供了一种合理有效的解决方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种人类活动对流域蒸散发影响的不确定性评估方法，其特征在于，包括以下步骤：
S1：利用GRACE重力卫星提供的逐月陆地水存量数据，计算各个网格内的陆地水储量逐月变化，并计算流域内的平均陆地水储量变化；
S2：采集研究流域实测降水、径流数据序列数据，结合平均陆地水储量变化情况，利用流域水量平衡方法，估算流域内的实际蒸散发序列；
S3：统计分析流域内的水库调蓄、取水、耗水、跨流域调水因素，通过还原计算将实测径流序列还原为逐月天然径流序列；
S4：搜集整理多种陆面水文模型的再分析数据产品，结合逐月天然径流序列进行模型的验证与比较，选出若干个在研究区域应用效果最佳的水文模型作为待选模型；
S5：使用贝叶斯模型平均法，以选出的待选模型的蒸散发模拟序列为输入，计算各个待选模型的最优权重；
S6：根据各个模型的最优权重结果，集成各模型所模拟的蒸散发序列，得到天然蒸散发序列；
S7：计算实际蒸散发序列与天然蒸散发序列之间的差值，评估人类活动对流域蒸散发的影响；
S8：分析人类活动影响评估结果的不确定性。
2.根据权利要求1所述的一种人类活动对流域蒸散发影响的不确定性评估方法，其特征在于，在所述步骤S1中，所述平均陆地水储量变化的计算公式具体为：
TWSC(i)＝TWSA(i)-TWSA(i-1) (1)
其中，TWSC(i)是i月的平均陆地水储量变化值，单位为mm/month；TWSA(i)是i月的平均陆地水储量，单位为mm/month。
3.根据权利要求2所述的一种人类活动对流域蒸散发影响的不确定性评估方法，其特征在于，在所述步骤S2中，通过流域水量平衡方法估算实际蒸散发序列，计算过程具体为：
ETobs＝P-R-TWSC (2)
其中，ETobs是流域面平均实际蒸散发序列，单位为mm/month；P是流域面平均降水，单位为mm/month；R是流域平均径流深，单位为mm/month。
4.根据权利要求3所述的一种人类活动对流域蒸散发影响的不确定性评估方法，其特征在于，在所述步骤S3中，统计分析流域内的水库调蓄、取水、耗水、跨水域调水情况，通过还原计算将实测径流序列还原为逐月天然径流序列，具体计算过程为：
W天然＝W实测+W农耗+W工业+W生活+W库蒸发+W库渗+W蓄变±W引水±W分洪 (3)
其中，W天然为流域天然径流；W实测为流域实测径流；W工业为底表水工业耗损量；W生活为地表水城镇生活耗损量；W库蒸发为水库、闸坝库区水面蒸发与陆面蒸发差值；W库渗为水库、闸坝渗漏量；W蓄变为计算时段始末的水库、闸坝蓄量变，增加为正，减少为负；±W引水为跨流域引水，引入为负，引出为正；±W分洪为河道分洪决口水量，分出为正，分入为负。
5.根据权利要求4所述的一种人类活动对流域蒸散发影响的不确定性评估方法，其特征在于，所述步骤S4具体包括以下步骤：
S41：下载陆面水文模型的再分析数据产品；
S42：提取模拟的降水、径流、蒸散发数据，并对数据进行处理；
S43：用再分析降水数据与实测降水数据的比值校正模型模拟径流、蒸散发数据；
S44：计算模拟径流与天然径流的纳什效率系数，即NSE系数，选择NSE值较大的若干模型作为待选模型。
6.根据权利要求5所述的一种人类活动对流域蒸散发影响的不确定性评估方法，其特征在于，在所述步骤S42中，所述数据处理过程包括：nc数据提取变量、转换为栅格数据，裁剪，单位换算和提取流域面平均值；
在所述步骤S44中，所述NSE系数的计算公式具体为：
Figure FDA0003525572830000021
其中，
Figure FDA0003525572830000022
表示月份i的实测数据；
Figure FDA0003525572830000023
表示月份i的模拟数据；
Figure FDA0003525572830000024
表示在T时段内实测数据的平均值。
7.根据权利要求6所述的一种人类活动对流域蒸散发影响的不确定性评估方法，其特征在于，在所述步骤S5中，所述最优权重的计算过程具体为：
Figure FDA0003525572830000031
其中，fk是第k个模型径流数据，D是天然径流，n为模型个数。
8.根据权利要求7所述的一种人类活动对流域蒸散发影响的不确定性评估方法，其特征在于，所述步骤S6具体为：
S61：应用得到的模型的最优权重加权模型模拟的天然蒸散发序列，即得到集成的天然蒸散发序列，公式具体为：
Figure FDA0003525572830000032
其中，wi为模型权重；ETi为模型模拟的天然蒸散发；n为模型个数；天然蒸散发的不确定性区间由贝叶斯模型平均方法计算，公式如下：
Figure FDA0003525572830000033
其中，p(fk|D)为模型权重；pk(y|fk,D)是在给定模型预测数据fk和实测数据D的条件下预报变量y的后验分布。
9.根据权利要求8所述的一种人类活动对流域蒸散发影响的不确定性评估方法，其特征在于，在所述步骤S7中，所述实际蒸散发序列与天然蒸散发序列之间的差值用如下公式进行量化：
ΔET＝ETobs-ETnat (8)
其中，ETobs表示实际蒸散发量；ETnat表示天然蒸散发量。
10.根据权利要求9所述的一种人类活动对流域蒸散发影响的不确定性评估方法，其特征在于，在所述步骤S8中，利用覆盖率CR和平均相对带宽RB对指标ΔET的不确定性进行评估，具体为：
Figure FDA0003525572830000034
其中，n表示数据位于不确定性区间内的个数；T表示总的月份数量；CR的值越大表示不确定区间性的精确度越高；
Figure FDA0003525572830000041
其中，
Figure FDA0003525572830000042
和
Figure FDA0003525572830000043
是月份i的不确定性区间的上下界限，在指定的置信水平下和有较高的CR情况下，RB的值越小，表示不确定性区间越窄，估算效果越好。
CN202011468265.6A 2020-12-14 2020-12-14 一种人类活动对流域蒸散发影响的不确定性评估方法 Active CN112597698B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011468265.6A CN112597698B (zh) 2020-12-14 2020-12-14 一种人类活动对流域蒸散发影响的不确定性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011468265.6A CN112597698B (zh) 2020-12-14 2020-12-14 一种人类活动对流域蒸散发影响的不确定性评估方法

Publications (2)

Publication Number Publication Date
CN112597698A CN112597698A (zh) 2021-04-02
CN112597698B true CN112597698B (zh) 2022-04-26

Family

ID=75195091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011468265.6A Active CN112597698B (zh) 2020-12-14 2020-12-14 一种人类活动对流域蒸散发影响的不确定性评估方法

Country Status (1)

Country Link
CN (1) CN112597698B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281776B (zh) * 2014-09-23 2016-03-23 水利部交通运输部国家能源局南京水利科学研究院 一种人类活动对河川径流过程显著影响期的判断方法
CN104318077B (zh) * 2014-10-09 2016-03-02 水利部交通运输部国家能源局南京水利科学研究院 气候变化和人类活动对河川径流变化定量分析方法
CN106294932B (zh) * 2016-07-27 2018-05-18 太原理工大学 不同变化条件对流域径流不确定性影响的分析方法
CN108133310A (zh) * 2017-12-11 2018-06-08 中国水利水电科学研究院 一种人类活动和气候变化对河川径流影响的综合评估方法
CN109035105B (zh) * 2018-06-15 2021-02-02 河海大学 一种月尺度蒸散发量的定量估算方法
CN109472004B (zh) * 2018-10-31 2021-05-11 河海大学 气候变化和人类活动对水文干旱影响的综合评估方法、装置及系统

Also Published As

Publication number Publication date
CN112597698A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
Oo et al. Analysis of streamflow response to changing climate conditions using SWAT model
Koutroulis et al. Impact of climate change on water resources status: A case study for Crete Island, Greece
Rocha et al. Assessing the impacts of sustainable agricultural practices for water quality improvements in the Vouga catchment (Portugal) using the SWAT model
Piani et al. Statistical bias correction of global simulated daily precipitation and temperature for the application of hydrological models
Oeurng et al. Assessment of hydrology, sediment and particulate organic carbon yield in a large agricultural catchment using the SWAT model
Shen et al. A comparison of WEPP and SWAT for modeling soil erosion of the Zhangjiachong Watershed in the Three Gorges Reservoir Area
Shrestha et al. Impact of climate change on sediment yield in the Mekong River basin: a case study of the Nam Ou basin, Lao PDR
Zhang et al. Calibration and uncertainty analysis of the SWAT model using Genetic Algorithms and Bayesian Model Averaging
Ahmad et al. Sustainable use of groundwater for irrigation: a numerical analysis of the subsoil water fluxes
CN109523175B (zh) 一种考虑积融雪过程的多时间尺度旱情评估方法
Lee et al. Analysis of the effect of climate change on the Nakdong river stream flow using indicators of hydrological alteration
Wu et al. Simulation of soil loss processes based on rainfall runoff and the time factor of governance in the Jialing River Watershed, China
Nie et al. Hydrological impacts of mesquite encroachment in the upper San Pedro watershed
Suárez-Almiñana et al. Linking Pan-European data to the local scale for decision making for global change and water scarcity within water resources planning and management
Lecina et al. Irrigation evaluation based on performance analysis and water accounting at the Bear River Irrigation Project (USA)
Yeste et al. Integrated sensitivity analysis of a macroscale hydrologic model in the north of the Iberian Peninsula
Liu et al. Impacts of land use/cover change on water balance by using the SWAT model in a typical loess hilly watershed of China
Chen et al. Development of a waterlogging analysis system for paddy fields in irrigation districts
Abbas et al. Uncertainty analysis of runoff and sedimentation in a forested watershed using sequential uncertainty fitting method
Yin et al. Induced soil degradation risks and plant responses by salinity and sodicity in intensive irrigated agro-ecosystems of seasonally-frozen arid regions
CN113515841A (zh) 一种基于改进Budyko公式的径流变化定量分解方法
Negewo et al. Spatial and temporal variability evaluation of sediment yield and sub-basins/hydrologic response units prioritization on Genale Basin, Ethiopia
Wang et al. Identifying the driving factors of sediment delivery ratio on individual flood events in a long-term monitoring headwater basin
BoSCo et al. Soil erosion in the Alpine area: risk assessment and climate change
CN112597698B (zh) 一种人类活动对流域蒸散发影响的不确定性评估方法

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