CN112651108A - 一种解耦气象要素和植被动态对水文要素影响的方法 - Google Patents
一种解耦气象要素和植被动态对水文要素影响的方法 Download PDFInfo
- Publication number
- CN112651108A CN112651108A CN202011418401.0A CN202011418401A CN112651108A CN 112651108 A CN112651108 A CN 112651108A CN 202011418401 A CN202011418401 A CN 202011418401A CN 112651108 A CN112651108 A CN 112651108A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- model
- data
- hydrological
- elements
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 19
- 230000008878 coupling Effects 0.000 claims abstract description 12
- 238000010168 coupling process Methods 0.000 claims abstract description 12
- 238000005859 coupling reaction Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000008020 evaporation Effects 0.000 claims description 43
- 238000001704 evaporation Methods 0.000 claims description 43
- 239000002689 soil Substances 0.000 claims description 30
- 238000004088 simulation Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000005068 transpiration Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 230000000704 physical effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000004457 water analysis Methods 0.000 description 1
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
-
- 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)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种解耦气象要素和植被动态对水文要素影响的方法，包括S1、收集并处理分布式水文模型的输入数据；S2、将植被动态数据集成到分布式水文模型中对其进行改进；S3、对改进的分布式水文模型进行率定和验证；S4、基于气象要素数据、植被动态数据和分布式水文模型输出的数据，建立偏最小二乘法结构方程模型，并输出各潜在变量之间的耦合关系。本发明改进了分布式水文模型，让动态的植被指数数据参与计算，使模型充分考虑植被的时空动态变化，利用偏最小二乘法结构方程模型解耦气象要素、植被动态、水文要素之间的影响，对理解复杂水文循环过程具有重要意义，且对管理部门应对未来的气候变化而制定合理的用水分配方案提供科学支撑。
Description
技术领域
本发明属于水文分析技术领域，具体涉及一种解耦气象要素和植被动态对水文要素影响的方法，通过利用一种改进分布式水文模型，利用偏最小二乘法结构方程模型(Partial Least Squares-Structural Equation Modeling,PLS-SEM)分解气象要素、植被动态、水文要素之间直接或者间接影响的评价方法。
背景技术
气象要素和植被影响是影响水文要素(蒸散发和径流)变化的重要因素，降雨为蒸散发和产流提供水分，温度、相对湿度、日照和风速等气象要素驱动着散发，从而对径流也产生影响。植被动态的变化，将直接影响蒸散发量，并且其改变了流域下垫面条件，影响产汇流过程。很多学者对以上的相互影响关系进行了定性和定量的描述，然而气象要素与植被动态之间存在着较为复杂的耦合关系，比如有研究认为温度升高延长了生长季节，将促进植被生长，然而也有研究表明温度和太阳辐射与植被动态成负相关关系，这些研究成果表明植被对气象要素的影响机制复杂，不同地区可能有相反的效应。这些要素之间的复杂关系，增加了深入量化剖析流域内引起水文要素变化的因素的难度。
PLE-SEM模型可以处理复杂系统中的多变量之间的相互关系，与传统的多元统计方法如多元回归、主成分分析和聚类分析相比，PLS-SEM可以同时指示出每个关系的强度。该模型只需要少量的样本，并且不要求观测数据服从正态分布，对总体或测量尺度没有假设。近年来，在计量经济学、社会科学、生态学和水文学等科学领域的应用日益广泛。
当前观测数据中极少有对流域尺度上所有水文要素的详细观测资料，然而每一种要素都是水文循环的重要组成部分，分布式水文模型能够模拟具有复杂土地覆盖的水文要素的空间变化过程，并可以输出各项水文要素数据。但模型一般采用固定的植被动态指数，而植被动态的变化对水文要素影响较大，因此现有的分布式水文模型模拟的水文要素数据可能不能反应植被动态的时空变化对水文循环过程造成的影响。
发明内容
针对现有技术中的上述不足，本发明提供的一种解耦气象要素和植被动态对水文要素影响的方法，其解决的技术问题是输出能反应气象要素和植被动态时空变化的详细的水文要素数据，以弥补部分水文要素数据因难以观测而造成数据缺失，量化气象要素、植被动态、水文要素之间的直接和间接影响，考虑了气象要素和植被动态之间的复杂耦合机制，分解出气象要素通过影响植被动态间接对水文要素产生的影响，为流域尺度上量化各驱动因子与水文要素间复杂关系提供了评价方法。
为了达到上述发明目的，本发明采用的技术方案为：一种解耦气象要素和植被动态对水文要素影响的方法，包括以下步骤：
S1、收集并处理分布式水文模型所需的输入数据；
S2、将植被动态数据集成到分布式水文模型中，并结合输入数据对分布式水文模型进行改进；
S3、基于对改进的分布式水文模型进行率定和验证，完成对改进的分布式水文模型的调试；
S4、基于气象要素数据、植被动态数据和调试后改进的分布式水文模型输出的水文要素数据，建立偏最小二乘法结构方程模型，并输出各潜在变量之间的耦合关系，实现气象要素和植被动态对水文要素影响的解耦。
进一步地，所述步骤S1中，收集的输入数据包括气候数据、土壤类型、土壤物理性质、土壤利用类型、植被类型、地形数据和植被动态数据；
所述步骤S1中，将收集的输入数据处理成分布式水文模型所需的输入格式。
进一步地，所述步骤S2中的植被动态数据包括对中分辨率成像光谱仪采集的数据进行处理得到的增强型植被指数和叶面积指数；
所述步骤S2中的分布式水文模型包括SHE模型、TOMPODEL模型、SWAT模型和WEP模型。
进一步地，当所述步骤S2中的分布式水文模型为WEP模型时，对分布式水文模型进行改进的方法具体为：
A1、基于ArcGIS的三次样条插值方法，利用16天间隔的增强型植被指数数据插值得到日增强型植被指数数据，利用4天间隔的叶面积指数数据插值得到日增强型植被指数数据；
A2、利用ArcGIS的Conversion工具将插值后得到的日增强型植被指数数据和日增强型植被指数数据的栅格数转换为对于ASCII数据集；
A3、修改WEP模型，使其能够加载ASCII数据集并计算植被蒸腾和冠层截留蒸发，进而实现分布式水文模型的改进。
进一步地，所述步骤S3具体为：
S31、选定率定期和验证期，以有实际观测数据的水文要素为对象，将基于分布式水文模型输出得到的模拟值和实际观测数据进行对比；
S32、将对比结果中的纳什效率系数、相对误差和相关系数等特征值作为分布式水文模型模拟效果的评价指标；
S33、当在选定的率定器和验证期内，评价指标均达到最优值时，完成对改进的分布式水文模型的调试。
进一步地，当分布式模型为WEP模型时，所述步骤S31中的水文要素包括径流和蒸散发，以水文站月平均天然径流量和MODIS MOD16数据的月蒸散发量为观测数据，将基于改进的WEP模型模拟输出得到的月平均径流量和月蒸散发量为模拟值；
所述步骤S33中，纳什效率系数的最优值为0.7，相对误差的最优值为绝对值小于10％，相关系数的最优值为1。
进一步地，当所述分布式模型为WEP模型时，所述步骤S4中，改进的WEP模型的输入包括“.dat”格式的气候数据和土壤物理性质数据、ASCII格式土壤类型、土地利用类型、植被类型、地形数据、日增强型植被指数、日叶面积指数和气候数据；
改进的WEP输出的水文要素数据包括月尺度的河川径流量和总蒸散发量，其中，河川径流量包括地表径流量、壤中流量和地下径流量，总蒸散发量包括蒸腾量、冠层截留蒸发量、土壤蒸发量、水面蒸发量和不透水域蒸发量；
所述气象要素数据包括降雨、气温、相对湿度、日照时长和风速；
所述植被动态数据包括增强型植被指数和叶面积指数；
所述潜在变量包括河川径流量、总蒸散发量、气象要素和植被动态数据。
进一步地，所述步骤S4中的偏最小二乘法结构方法模型的输入包括河川径流量、总蒸散发量、气象要素和植被动态；
所述偏最小二乘法结构方法模型的输出包括观测变量对潜在变量的载荷、各潜在变量之间的路径系数和各潜在变量的变化被其他潜在变量变化解释的量。
进一步地，所述步骤S4中的偏最小二乘法结构方法模型中，各潜在变量之间存在以下耦合关系：
(1)气象要素通过改变降雨量、土壤含水量、冠层截留蒸发量、水气压差和辐射直接影响植被动态、总蒸散发量、河川径流，通过植被动态间接影响总蒸散发量及河川径流量或通过影响植被动态、总蒸散发量间接影响河川径流量；
(2)植被动态通过增加叶片表面积，改变冠层截留蒸发量和蒸发量直接影响总蒸散发量和河川径流量，或通过影响总蒸散发量间接影响河川径流量；
(3)蒸散发通过减少产流量直接影响河川径流量。
本发明的有益效果为：
(1)本发明对分布式水文模型进行了改进，将动态的植被动态数据(MODISEVI和LAI)集成到模型中，参与计算，使得模型模拟的结果能够体现植被动态的时空变化对水文要素的影响，模拟结果更能体现水文循环的物理机理。
(2)本发明利用改进的分布式水文模型输出了详细的水文要素数据，能够弥补部分水文要素数据因难以观测而造成的数据缺失；
(3)本发明将PLS-SEM模型用于解耦气象要素、植被动态、蒸散发、径流之间的耦合关系，为流域尺度上驱动因子与水文要素的复杂关系提供了评估方法。
附图说明
图1为本发明提供的解耦气候变化和植被动态对水文要素影响的方法流程图。
图2为本发明提供的基于WEP模型并利用偏最小二乘法结构方程模型解耦气候变化和植被动态对水文要素影响的计算方法流程图。
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，一种解耦气象要素和植被动态对水文要素影响的方法，包括以下步骤：
S1、收集并处理分布式水文模型所需的输入数据；
S2、将植被动态数据集成到分布式水文模型中，并结合输入数据对分布式水文模型进行改进；
S3、基于对改进的分布式水文模型进行率定和验证，完成对改进的分布式水文模型的调试；
S4、基于气象要素数据、植被动态数据和调试后改进的分布式水文模型输出的水文要素数据，建立偏最小二乘法结构方程模型，并输出各潜在变量之间的耦合关系，实现气象要素和植被动态对水文要素影响的解耦。
本实施例的步骤S1中，收集的输入数据包括气候数据、土壤类型、土壤物理性质、土壤利用类型、植被类型、地形数据和植被动态数据；
步骤S1中，将收集的输入数据处理成分布式水文模型所需的输入格式；
具体地，当分布式水文模型为WEP(The Water and Energy Transfer ProcessesModel)模型时，气象数据包括降雨、温度、相对湿度、日照时长和风速，利用Matlab处理成WEP模型输入所需的“.dat”格式，土壤类型、土地利用类型、植被类型、地形数据和植被动态数据利用MRT(MODIS Reprojection Tool)和ArcGIS处理成WEP模型输入所需的ASCII格式。其中，土壤类型、土地利用类型、植被类型为矢量格式的数据，需利用ArcGIS处理成ASCII格式数据；地形数据包含数字高程模型数据(Digital Elevation Model,DEM)、坡度、汇流累积量、汇流计算顺序、流向、河网、流域范围和子流域编码数据，均是利用ArcGIS对DEM处理得到的；植被动态数据需要先利用MRT软件从原始数据中提取所需图层，并保存为栅格数据格式，然后利用ArcGIS将植被动态数据(EVI和LAI栅格数据)转为ASCII格式数据。
在本实施例的步骤S2中，将植被动态数据集成到分布式水文模型中，对分布式水文模型进行改进，其中分布式水文模型是指使用直接与流域物理特征相联系的参数，如地形、土壤、植被、地质等，并考虑物理特征和气象条件的地理变化，研究产汇流、土壤水运动、地下水运动及蒸发等水文循环过程的模型。代表性的分布式水文模型有SHE(SystemeHydrologique Europeen)、TOPMODEL(Topgraphy Based Hydrological Model)、SWAT(Soiland Water Assessment Tool)、WEP(The Water and Energy Transfer Processes Model)等，现有的分布式水文模型中植被动态数据一般采用固定值，然而植被动态的时空变化对水文循环的影响较大，为了使分布式水文模型模拟的水文循环过程更加符合实际情况，选择将动态的植被动态数据集成到分布式水文模型中参与计算。植被动态数据采用由中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)采集的数据处理得到的增强型植被指数(Enhance Vegetation Index,EVI)和叶面积指数(Leaf AreaIndex,LAI)数据。
具体地，WEP模型为分布式水文模型的一种，是水和能量转移过程模型(The Waterand Energy Transfer Processes Model,WEP)，该分布式水文模型能够模拟具有复杂土地覆盖流域的水和能量的空间变化过程，并可以单独输出河川径流量、地表径流量、壤中流量、地下径流量、总蒸散发量、蒸腾量、冠层截留蒸发量、土壤蒸发量、水面蒸发量、不透水域蒸发量等水文要素数据。原WEP模型中植被动态数据每个月采用固定值，改进的WEP模型中将动态的植被动态数据输入模型中参与计算，因此，对分布式水文模型进行改进的方法具体为：
A1、基于ArcGIS的三次样条插值方法，利用16天间隔的增强型植被指数数据插值得到日增强型植被指数数据，利用4天间隔的叶面积指数数据插值得到日增强型植被指数数据；
A2、利用ArcGIS的Conversion工具将插值后得到的日增强型植被指数数据和日增强型植被指数数据的栅格数转换为对于ASCII数据集；
A3、修改WEP模型，使其能够加载ASCII数据集并计算植被蒸腾和冠层截留蒸发，进而实现分布式水文模型的改进。
本实施例中的步骤S3具体为：
S31、选定率定期和验证期，以有实际观测数据的水文要素为对象，将基于分布式水文模型输出得到的模拟值和实际观测数据进行对比；
S32、将对比结果中的纳什效率系数、相对误差和相关系数等特征值作为分布式水文模型模拟效果的评价指标；
S33、当在选定的率定器和验证期内，评价指标均达到最优值时，完成对改进的分布式水文模型的调试，可用于后续的模拟分析。
具体地，当分布式模型为WEP模型时，步骤S31中的水文要素包括径流和蒸散发，以水文站月平均天然径流量和MODIS MOD16(The MODIS Evapotranspiration Project)数据的月蒸散发量为观测数据，将基于改进的WEP模型模拟输出得到的月平均径流量和月蒸散发量为模拟值；
在步骤S33中，纳什效率系数的最优值为0.7，相对误差的最优值为绝对值小于10％，相关系数的最优值为1。
在本发明实施例的步骤S4中，利用气象要素数据、植被动态数据、改进的分布式水文模型输出的水文要素数据作为输入数据，建立偏最小二乘法结构方程模型(PartialLeast Squares-Structural Equation Modeling,PLS-SEM)，输出各潜在变量(气象要素、植被动态及水文要素)之间的耦合关系。其中PLS-SEM模型可以处理复杂系统中的多变量之间的相互依赖关系，并清楚地指示出每个关系的强度。该模型只需要少量的样本，并且不要求观测数据服从正态分布，对总体或测量尺度没有假设。近年来，在计量经济学、社会科学、生态学、水文学等科学领域的应用日益广泛。
当分布式模型为WEP模型时，如图2所示的计算流程中，改进的WEP模型的输入包括“.dat”格式的气候数据和土壤物理性质数据、ASCII格式土壤类型、土地利用类型、植被类型、地形数据、日增强型植被指数、日叶面积指数和气候数据；
改进的WEP输出的水文要素数据包括月尺度的河川径流量和总蒸散发量，其中，河川径流量包括地表径流量、壤中流量和地下径流量，总蒸散发量包括蒸腾量、冠层截留蒸发量、土壤蒸发量、水面蒸发量和不透水域蒸发量；
气象要素数据包括降雨、气温、相对湿度、日照时长和风速；
植被动态数据包括增强型植被指数和叶面积指数；
潜在变量包括河川径流量、总蒸散发量、气象要素和植被动态数据。
具体地，偏最小二乘法结构方法模型的输入包括河川径流量、总蒸散发量、气象要素和植被动态；
偏最小二乘法结构方法模型的输出包括观测变量对潜在变量的载荷、各潜在变量之间的路径系数和各潜在变量的变化被其他潜在变量变化解释的量；
改进的WEP模型输出了河川径流量、地表径流量、壤中流量、地下径流量、总蒸散发量、蒸腾量、冠层截留蒸发量、土壤蒸发量、水面蒸发量、不透水域蒸发量。地表径流量、壤中流量、地下径流量为河川径流量的观测变量；蒸腾量、冠层截留蒸发量、土壤蒸发量、水面蒸发量、不透水域蒸发量为总蒸散发量的观测变量；气象要素数据包含降雨、气温、相对湿度、日照时长、风速数据，这5种数据为气象要素的观测变量；植被动态数据包含EVI和LAI数据，这2种数据为植被动态的观测变量；载荷(c1-c5、v1-v2、r1-r3、e1-e5)表征观测变量对潜在变量的权重；路径系数(β1-β6)表征一个潜在变量对另外一个潜在变量的直接影响；解释力(R2)用来表征某一个潜在变量的变化被其他潜在变量变化的解释力；
步骤S4中构建的偏最小二乘法结构方法模型中，各潜在变量之间存在以下耦合关系：
(1)气象要素通过改变降雨量、土壤含水量、冠层截留蒸发量、水气压差和辐射直接影响植被动态、总蒸散发量、河川径流，通过植被动态间接影响总蒸散发量及河川径流量或通过影响植被动态、总蒸散发量间接影响河川径流量；
(2)植被动态通过增加叶片表面积，改变冠层截留蒸发量和蒸发量直接影响总蒸散发量和河川径流量，或通过影响总蒸散发量间接影响河川径流量；
(3)蒸散发通过减少产流量直接影响河川径流量。
本发明提供一种解耦气象要素和植被动态对水文要素影响的方法，该方法对分布式水文模型进行了改进，让动态的植被动态数据参与计算，使得模型充分考虑植被的时空动态变化，输出了分项的水文要素数据，补充了难以观测的部分水文要素数据集，模拟结果更能体现水文循环的物理机理；利用PLS-SEM模型解耦了气象要素、植被动态、水文要素之间的耦合关系，为流域尺度上驱动因子与水文要素的复杂关系提供了评估方法。这对于理解复杂的水文循环过程具有一定的意义，且对管理部门应对未来的气候变化而制定合理的用水分配方案提供科学支撑。
Claims (9)
1.一种解耦气象要素和植被动态对水文要素影响的方法，其特征在于，包括以下步骤：
S1、收集并处理分布式水文模型所需的输入数据；
S2、将植被动态数据集成到分布式水文模型中，并结合输入数据对分布式水文模型进行改进；
S3、基于对改进的分布式水文模型进行率定和验证，完成对改进的分布式水文模型的调试；
S4、基于气象要素数据、植被动态数据和调试后改进的分布式水文模型输出的水文要素数据，建立偏最小二乘法结构方程模型，并输出各潜在变量之间的耦合关系，实现气象要素和植被动态对水文要素影响的解耦。
2.根据权利要求1所述的解耦气象要素和植被动态对水文要素影响的方法，其特征在于，所述步骤S1中，收集的输入数据包括气候数据、土壤类型、土壤物理性质、土壤利用类型、植被类型、地形数据和植被动态数据；
所述步骤S1中，将收集的输入数据处理成分布式水文模型所需的输入格式。
3.根据权利要求2所述的解耦气象要素和植被动态对水文要素影响的方法，其特征在于，所述步骤S2中的植被动态数据包括对中分辨率成像光谱仪采集的数据进行处理得到的增强型植被指数和叶面积指数；
所述步骤S2中的分布式水文模型包括SHE模型、TOMPODEL模型、SWAT模型和WEP模型。
4.根据权利要求3所述的解耦气象要素和植被动态对水文要素影响的方法，其特征在于，当所述步骤S2中的分布式水文模型为WEP模型时，对分布式水文模型进行改进的方法具体为：
A1、基于ArcGIS的三次样条插值方法，利用16天间隔的增强型植被指数数据插值得到日增强型植被指数数据，利用4天间隔的叶面积指数数据插值得到日增强型植被指数数据；
A2、利用ArcGIS的Conversion工具将插值后得到的日增强型植被指数数据和日增强型植被指数数据的栅格数转换为对于ASCII数据集；
A3、修改WEP模型，使其能够加载ASCII数据集并计算植被蒸腾和冠层截留蒸发，进而实现分布式水文模型的改进。
5.根据权利要求3所述的解耦气象要素和植被动态对水文要素影响的方法，其特征在于，所述步骤S3具体为：
S31、选定率定期和验证期，以有实际观测数据的水文要素为对象，将基于分布式水文模型输出得到的模拟值和实际观测数据进行对比；
S32、将对比结果中的纳什效率系数、相对误差和相关系数等特征值作为分布式水文模型模拟效果的评价指标；
S33、当在选定的率定器和验证期内，评价指标均达到最优值时，完成对改进的分布式水文模型的调试。
6.根据权利要求5所述的解耦气象要素和植被动态对水文要素影响的方法，其特征在于，当分布式模型为WEP模型时，所述步骤S31中的水文要素包括径流和蒸散发，以水文站月平均天然径流量和MODIS MOD16数据的月蒸散发量为观测数据，将基于改进的WEP模型模拟输出得到的月平均径流量和月蒸散发量为模拟值；
所述步骤S33中，纳什效率系数的最优值为0.7，相对误差的最优值为绝对值小于10％，相关系数的最优值为1。
7.根据权利要求6所述的解耦气象要素和植被动态对水文要素影响的方法，其特征在于，当所述分布式模型为WEP模型时，所述步骤S4中，改进的WEP模型的输入包括“.dat”格式的气候数据和土壤物理性质数据、ASCII格式土壤类型、土地利用类型、植被类型、地形数据、日增强型植被指数、日叶面积指数和气候数据；
改进的WEP输出的水文要素数据包括月尺度的河川径流量和总蒸散发量，其中，河川径流量包括地表径流量、壤中流量和地下径流量，总蒸散发量包括蒸腾量、冠层截留蒸发量、土壤蒸发量、水面蒸发量和不透水域蒸发量；
所述气象要素数据包括降雨、气温、相对湿度、日照时长和风速；
所述植被动态数据包括增强型植被指数和叶面积指数；
所述潜在变量包括河川径流量、总蒸散发量、气象要素和植被动态数据。
8.根据权利要求7所述的解耦气象要素和植被动态对水文要素影响的方法，其特征在于，所述步骤S4中的偏最小二乘法结构方法模型的输入包括河川径流量、总蒸散发量、气象要素和植被动态；
所述偏最小二乘法结构方法模型的输出包括观测变量对潜在变量的载荷、各潜在变量之间的路径系数和各潜在变量的变化被其他潜在变量变化解释的量。
9.根据权利要求7所述的解耦气象要素和植被动态对水文要素影响的方法，其特征在于，所述步骤S4中的偏最小二乘法结构方法模型中，各潜在变量之间存在以下耦合关系：
(1)气象要素通过改变降雨量、土壤含水量、冠层截留蒸发量、水气压差和辐射直接影响植被动态、总蒸散发量、河川径流，通过植被动态间接影响总蒸散发量及河川径流量或通过影响植被动态、总蒸散发量间接影响河川径流量；
(2)植被动态通过增加叶片表面积，改变冠层截留蒸发量和蒸发量直接影响总蒸散发量和河川径流量，或通过影响总蒸散发量间接影响河川径流量；
(3)蒸散发通过减少产流量直接影响河川径流量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011418401.0A CN112651108B (zh) | 2020-12-07 | 2020-12-07 | 一种解耦气象要素和植被动态对水文要素影响的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011418401.0A CN112651108B (zh) | 2020-12-07 | 2020-12-07 | 一种解耦气象要素和植被动态对水文要素影响的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112651108A true CN112651108A (zh) | 2021-04-13 |
| CN112651108B CN112651108B (zh) | 2024-04-19 |
Family
ID=75350321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011418401.0A Active CN112651108B (zh) | 2020-12-07 | 2020-12-07 | 一种解耦气象要素和植被动态对水文要素影响的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651108B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114186507A (zh) * | 2021-11-19 | 2022-03-15 | 中国水利水电科学研究院 | 一种基于wep分布式水文模型的河川基流分析方法 |
| CN114707101A (zh) * | 2022-04-21 | 2022-07-05 | 北京市水科学技术研究院 | 一种蒸散发估算方法、装置和电子设备 |
| CN116776611A (zh) * | 2023-06-25 | 2023-09-19 | 成都信息工程大学 | 一种基于结构方程模型的植被变化预估方法 |
| CN117894158A (zh) * | 2024-03-15 | 2024-04-16 | 江苏省气象台 | 一种基于智能网格气温预报的寒潮灾害危险性预评估方法 |
| CN118332971A (zh) * | 2024-06-13 | 2024-07-12 | 长江水利委员会长江科学院 | 分布式水文模型的优化、水文数据的确定方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109411030A (zh) * | 2018-11-02 | 2019-03-01 | 大连理工大学 | 纳米金属氧化物能隙值的预测方法 |
| CN109523175A (zh) * | 2018-11-21 | 2019-03-26 | 兰州大学 | 一种考虑积融雪过程的多时间尺度旱情评估方法 |
| CN110197020A (zh) * | 2019-05-21 | 2019-09-03 | 河海大学 | 一种环境变化对水文干旱影响的分析方法 |
| CN111508569A (zh) * | 2020-03-19 | 2020-08-07 | 中国科学院南京土壤研究所 | 一种基于土壤传递函数的目标土壤性质含量预测方法 |
-
2020
- 2020-12-07 CN CN202011418401.0A patent/CN112651108B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109411030A (zh) * | 2018-11-02 | 2019-03-01 | 大连理工大学 | 纳米金属氧化物能隙值的预测方法 |
| CN109523175A (zh) * | 2018-11-21 | 2019-03-26 | 兰州大学 | 一种考虑积融雪过程的多时间尺度旱情评估方法 |
| CN110197020A (zh) * | 2019-05-21 | 2019-09-03 | 河海大学 | 一种环境变化对水文干旱影响的分析方法 |
| CN111508569A (zh) * | 2020-03-19 | 2020-08-07 | 中国科学院南京土壤研究所 | 一种基于土壤传递函数的目标土壤性质含量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孙瑜: "变化环境下流域水文模型参数动态规律研究", 《中国博士学位论文全文数据库 基础科学辑》, 15 July 2016 (2016-07-15), pages 012 - 6 * |
| 杜军凯: "考虑垂直地带性的山区分布式水文模拟与应用", 《中国博士学位论文全文数据库 基础科学辑》, 15 August 2019 (2019-08-15), pages 012 - 7 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114186507A (zh) * | 2021-11-19 | 2022-03-15 | 中国水利水电科学研究院 | 一种基于wep分布式水文模型的河川基流分析方法 |
| CN114186507B (zh) * | 2021-11-19 | 2023-01-13 | 中国水利水电科学研究院 | 一种基于wep分布式水文模型的河川基流分析方法 |
| CN114707101A (zh) * | 2022-04-21 | 2022-07-05 | 北京市水科学技术研究院 | 一种蒸散发估算方法、装置和电子设备 |
| CN116776611A (zh) * | 2023-06-25 | 2023-09-19 | 成都信息工程大学 | 一种基于结构方程模型的植被变化预估方法 |
| CN116776611B (zh) * | 2023-06-25 | 2024-03-08 | 成都信息工程大学 | 一种基于结构方程模型的植被变化预估方法 |
| CN117894158A (zh) * | 2024-03-15 | 2024-04-16 | 江苏省气象台 | 一种基于智能网格气温预报的寒潮灾害危险性预评估方法 |
| CN118332971A (zh) * | 2024-06-13 | 2024-07-12 | 长江水利委员会长江科学院 | 分布式水文模型的优化、水文数据的确定方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651108B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112651108A (zh) | 一种解耦气象要素和植被动态对水文要素影响的方法 | |
| CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
| Li et al. | Estimation of water consumption and crop water productivity of winter wheat in North China Plain using remote sensing technology | |
| CN110309985B (zh) | 一种农作物产量预测方法及系统 | |
| Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
| CN105912836B (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
| CN109359411B (zh) | 一种气候变化影响下沼泽湿地植被覆盖度估算方法 | |
| 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 | |
| CN105184445A (zh) | 一种玉米干旱气象灾害多年平均损失率的计算方法 | |
| Yang et al. | Impacts of diffuse radiation fraction on light use efficiency and gross primary production of winter wheat in the North China Plain | |
| CN104143043B (zh) | 一种多功能气候数据获取方法 | |
| Jiang et al. | Interpretation of the modified soil-adjusted vegetation index isolines in red-NIR reflectance space | |
| CN106483147A (zh) | 基于modis和实测数据协同的长时间序列被动微波土壤水分精度改进研究 | |
| CN112580982A (zh) | 一种基于多时相遥感和casa模型的生态保护红线实施评估 | |
| CN117648863B (zh) | 一种基于水系连通的特旱条件下区域供水能力获取方法 | |
| Zhang et al. | Developing a process-based and remote sensing driven crop yield model for maize (PRYM–Maize) and its validation over the Northeast China Plain | |
| CN113657781A (zh) | 一种适用于极端气候条件下的小麦估产方法及系统 | |
| CN116108956A (zh) | 一种基于物理-数据双驱动的流域水风光资源一体化预报方法 | |
| CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
| CN117875563A (zh) | 一种小流域生态系统水源涵养人工智能遥感估算方法 | |
| Wang et al. | Monitoring the effects of land use and cover changes on net primary production: A case study in China's Yongding River basin | |
| CN108491562A (zh) | 一种利用参数自适应光响应积分模型估测天尺度总初级生产力的方法 | |
| CN117556695B (zh) | 一种基于深度学习的作物根层土壤含水量模拟方法 | |
| CN117543567A (zh) | 用于风电场无功优化的风电功率预测方法及装置 | |
| CN117010546A (zh) | 一种云南省次季节尺度温度异常的预测方法和装置 |
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 |