CN113792480B - 一种极端气候与复合极端气候综合预警系统的预警方法 - Google Patents
一种极端气候与复合极端气候综合预警系统的预警方法 Download PDFInfo
- Publication number
- CN113792480B CN113792480B CN202110986720.XA CN202110986720A CN113792480B CN 113792480 B CN113792480 B CN 113792480B CN 202110986720 A CN202110986720 A CN 202110986720A CN 113792480 B CN113792480 B CN 113792480B
- Authority
- CN
- China
- Prior art keywords
- climate
- model
- extreme
- extreme climate
- downscaling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002131 composite material Substances 0.000 title claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000008878 coupling Effects 0.000 claims abstract description 6
- 238000010168 coupling process Methods 0.000 claims abstract description 6
- 238000005859 coupling reaction Methods 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims description 24
- 238000005315 distribution function Methods 0.000 claims description 18
- 241000039077 Copula Species 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 abstract description 26
- 230000008859 change Effects 0.000 abstract description 6
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 238000001556 precipitation Methods 0.000 description 9
- 230000010485 coping Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000001134 F-test Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了属于气候预测技术领域的一种极端气候与复合极端气候综合预警系统的预警方法。系统包括数据预处理系统、全球气候模型优选系统、区域气候模型动力降尺度及参数化方案优选系统、统计降尺度系统、集合预测系统、极端气候指标和复合极端气候指标系统、关系建立系统和分类系统。通过全球气候模型优选、RCM区域气候模型动力降尺度及参数化方案优选,结合耦合动力‑统计降尺度方式以及集合预测方式,获取尽可能多的未来气候变化情景;通过计算不同情景下的极端气候指标和复合极端气候指标,基于多元统计方法或相关性分析方法建立这些指标与农业活动之间的关系。本发明为农业应对未来极端和复合极端气候变化提供有利支撑。
Description
技术领域
本发明涉及气候预测技术领域,尤其涉及一种极端气候与复合极端气候综合预警系统的预警方法。
背景技术
在当前气候异常的情况下,特别是在没有准备应对方案的情况下,自然、社会、人类活动等极其容易遭受极端天气的困扰。而且许多地方也未曾经历过极端气候和复合极端气候。另外,极端气候和复合极端气候对世界各地,特别是农业方面,造成了巨大影响。
目前,这方面的研究主要涉及以下问题及挑战:(1)针对区域气候模型参数化方案优选的适应性研究大多只针对一个或两个单独的参数化方案,鲜有考虑不同参数化方案之间的相互作用;(2)受不同气候模型和不同降尺度方法的影响,未来气候的模拟与预测存在不确定性,会导致极端气候指标和复合极端气候指标的计算结果不准确,进而为农业保护政策的制定和设施建设安全带来隐患;(3)类似的预警系统一般针对单个极端气候指标进行预测,难以同时考虑多个极端气候指标,更没有考虑复合极端气候的模拟与预测;(4)当前的预警系统没有通过多元分析方法对极端气候和复合极端气候与农业活动建立关系。
为解决上述问题及挑战,有必要建立极端气候和复合极端气候综合预警系统,以辅助未来极端气候和复合极端气候变化条件下农业活动的应对发展方案与策略规划,从而实现未来农业的可持续发展,即在极端气候和复合极端气候时期农业生产活动适应性强、受影响低。
发明内容
本发明的目的是提出一种极端气候与复合极端气候综合预警系统的预警方法。
极端气候与复合极端气候综合预警系统包括数据预处理系统、耦合动力-统计降尺度系统、集合预测系统、极端气候指标和复合极端气候指标系统、关系建立系统和分类系统;耦合动力-统计降尺度系统包括全球气候模型优选系统、区域气候模型动力降尺度及参数化方案优选系统和统计降尺度系统;其特征在于,所述预警方法包括以下步骤:
步骤1:利用数据预处理系统对全球气候模型数据进行下载、提取和可视化;
步骤2:基于全球气候模型模拟值与站点观测数据和再分析数据的对比验证,利用全球气候模型优选系统和决定系数R2选出适用于全球农业活动地区及各子区域的全球气候模型数据集;
步骤3:将步骤2中选出的全球气候模型数据集输入到区域气候模型中,并针对不同子区域设计区域气候模型不同参数化方案组合,利用区域气候模型动力降尺度及参数化方案优选系统选出适用于不同子区域最优的参数化方案组合;
步骤4:利用统计降尺度系统对步骤3中最优的参数化方案下所得区域气候模拟的结果开展统计降尺度计算;
步骤5:利用集合预测系统对步骤4中的区域气候模拟的结果进行集合预测;
步骤6:根据步骤5集合预测的结果,利用极端气候指标和复合极端气候指标系统获取单个极端气候和复合极端气候指标的预测结果;
步骤7:利用关系建立系统建立历史单个极端气候和复合极端气候与农业活动地区之间的统计关系,并分析关系特征;
步骤8:根据步骤7的统计关系,基于K均值聚类算法对农业活动地区进行分类。
所述步骤4中统计降尺度的方法包括Stepwise Cluster Analysis、CopulaFunction和Quantile Mapping。
所述Stepwise Cluster Analysis具体如下:
切割和合并标准基于Wilks的Λ统计量:
其中E和H分别代表组内和组之间的平方和和交叉乘积矩阵。假设两组变量a和b包含na和nb个样本,每个单独样本可表示为ai=(a1i,a2i,…,adi),i=1,2,…,na,bj=(b1j,b2j,…,bdj),j=1,2,…,nb,d是a和b的维数;因此,
其中,是a的样本均值,/>是b的样本均值;
两组因变量的Wilk’sΛ统计量转换为F统计量如下:
零假设H0:μe=μf,备择假设为H1:μe≠μf,其中μe和μf是a和b的总体均值;显著性水平为α;F≥Fα时,两组之间差异显著,为切割标准;F<Fα时,两组之间差异不显著,则为合并标准。
所述Copula Function具体如下:
Cθ(u,v)=φ-1[φ(u)+φ[v]]
其中u和v代表U=FX(x)和V=FY(y),FX(x)为观测温度的累积分布函数,FY(y)为模型模拟数据的累积分布函数;θ为隐藏在生成函数φ(·)中的参数。
所述Quantile Mapping基于观测温度的概率分布,具体如下:
其中,i代表每个格点或站点,t代表以天或者月为单位的时间,为观测温度的累积分布函数的反函数,Fmod为区域气候模型输出的温度,/>为降尺度后的温度,Ti,t为区域气候模型输出的温度。
所述Copula Function中输出温度降尺度模拟结果的分布函数如下:
其中V=v,V是全球气候模型模温度的向量;v是全球气候模型模拟温度;c(u,v)是已获得的二元Copula函数;U是基于Copula方法统计降尺度后的温度的分布函数。
本发明的有益效果在于:
本发明提供了一种不同情景、不同地区未来短、中、长期以及多时段、各季节的极端气候和复合极端气候预测结果,并划分农业敏感或脆弱区域予以警示,为农业应对未来极端和复合极端气候变化提供有利支撑;本发明综合预警系统考虑不确定性,准确度较高,针对全球范围,并且预测的气候因素、预测方式以及极端气候指标的算法均可进一步改善和增加。
附图说明
图1为本发明极端气候与复合极端气候综合预警系统的架构图。
具体实施方式
本发明提出一种极端气候与复合极端气候综合预警系统的预警方法,下面结合附图和具体实施例对本发明做进一步说明。
一种极端气候与复合极端气候综合预警系统,即通过全球气候模型优选、区域气候模型动力降尺度及参数化方案优选,结合耦合动力-统计降尺度方式以及集合预测方式,获取尽可能多的未来气候变化情景,以避免单个预测结果出现偏差的现象;通过计算不同情景下的极端气候指标和复合极端气候指标,基于多元统计方法或相关性分析方法建立这些指标与农业活动之间的关系;在此基础上,得到不同情景、不同地区未来一百年短、中、长期以及多时段、各季节的极端气候和复合极端气候预测结果,划分农业敏感或脆弱区域,针对不同敏感或脆弱区提出可能的应对策略和建设意见,为农业应对未来极端和复合极端气候变化提供有利支撑。
图1为本发明极端气候与复合极端气候综合预警系统的架构图。如图1所示,该极端气候与复合极端气候综合预警系统包括数据预处理系统、CMIP6(Coupled ModelIntercomparison Project–Phase 6)全球气候模型优选系统、RCM(Regional ClimateModel)区域气候模型动力降尺度及参数化方案优选系统、耦合动力-统计降尺度系统、集合预测系统、极端气候指标和复合极端气候指标系统、关系建立系统、分类系统;其中,数据预处理系统用于下载、提取、处理和可视化CMIP6多个全球气候模型数据、TRMM(TropicalRainfall Measuring Mission)降水数据、ERA5(European Centre for Medium-RangeWeather Forecasts Reanalysis v5)再分析数据、FAOSTAT(Food and AgricultureOrganization Statistics)作物产量数据;用于所有系统模拟和预测所需数据的批量运行。CMIP6全球气候模型优选系统,用于通过与站点观测数据、再分析数据的对比验证,选出适用于全球,特别是农业地区的CMIP6全球气候模型数据集。RCM区域气候模型动力降尺度及参数化方案优选系统,用于将优选出的CMIP6数据集输入到RCM区域气候模型,并设计RCM区域气候模型不同参数化方案组合,从而选出针对全球,特别是农业地区,最优的RCM参数化方案组合。耦合动力-统计降尺度系统,用于根据上述优选参数化方案下所得区域气候模拟的结果,并对此结果进一步开展统计降尺度的计算,以提高数据精度。集合预测系统,用于对多模型结果进行集合预测的计算;集合方法为常见的集合平均方法。极端气候指标和复合极端气候指标系统,用于基于集合降尺度后的温度、降水气象要素、根据不同极端气候指标和复合极端气候指标的定义和计算方法,获取单个极端气候(例如干旱、热浪)和复合极端气候(例如干旱-热浪)指标的预测结果。关系建立系统,用于建立单个极端气候或复合极端气候指标对农业活动的统计关系,揭示单个极端气候和复合极端气候的变化对农业活动的影响。分类系统,用于根据上述统计关系,对农业用地进行敏感性或脆弱性的分类。
一种极端气候与复合极端气候综合预警系统的预警方法,包括以下步骤:
步骤一:数据预处理系统,用于下载、提取、处理和可视化多个全球气候模型数据(例如CanESM-The Canadian Earth System Model version 5、MPI-ESM1-2-HR-MaxPlanck Institute Earth System Model、MIROC6-Model for InterdisciplinaryResearch on Climate version 6、GFDL-ESM2M-Geophysical Fluid DynamicsLaboratory Earth System Model)、TRMM降水数据、ERA5再分析数据(包括温度、降水等气候数据)、FAOSTAT作物产量数据;用于所有系统模拟和预测所需数据的批量运行。
步骤二:全球气候模型优选系统,用于通过与站点观测数据、再分析数据的对比验证,选出适用于全球不同子区域,特别是农业地区的全球气候模型数据集。全球气候模型优选系统基于模型模拟值与站点观测数据、再分析数据的对比验证,并通过R2(决定系数)选出适用于全球,特别是农业地区的全球气候模型数据集。R2是模型研究最广泛使用的统计标准(R2=1为完美拟合)。R2越高,说明模型模拟数据与站点观测数据接近,即优选出的模型。
步骤三:区域气候模型动力降尺度及参数化方案优选系统,基于划分子区域,将上述优选出的全球气候数据集输入到区域气候模型,并针对不同子区域设计区域气候模型不同参数化方案组合,从而选出适用于不同子区域最优的参数化方案组合。区域气候模型,即动力降尺度模型,为RegCM(Reginal Climate Model system)和WRF(Weather Researchand Forecasting Model),因其参数化方案有多种选择,因此,需通过因子分析设计其不同参数化方案组合,并针对不同研究区域并行运转区域气候模型,所得输出数据与实际观测数据进行对比验证,选出与实际观测数据较为吻合的、通过最优参数化方案组合得出来的区域气候模型输出数据。例如,按照地理位置将中国划分为多个子区域(A,B,C,D,E),根据参数化方案优选结果,A,B,C,D,E各有一套属于自身的最佳参数化方案(a,b,c,d,e),所得结果合并到一起即代表整个中国的预测结果。
因子分析可用于研究多参数化方案在不同水平的主效应及交互效应,以寻求优化方案。例如,当陆面过程A和微物理过程B的参数化方案分别有a和b个水平,n次重复试验(共abn个组合)时,基于观测数据与任意组合下的模拟输出并通过计算目标函数值和F检验,可揭示参数化方案在不同水平下的主效应与交互效应。其统计显著性可表示为FA=(SSA/(a-1))/(SSE/(ab(n-1))),FB=(SSB/(b-1))/SSE/((ab(n-1))),FAB=(SSAB/((a-1)(b-1)))/SSE/(ab(n-1))),即不确定性来源A,B或AB交互影响是否显著。引入贡献水平β,若SSA/SST<β或SSAB/SST<β,则不确定性来源A或AB交互的贡献被视为系统自误差。其中SST为总平方和,SSA和SSB为单个不确定性来源的平方和,SSAB为多个不确定性来源之间交互的平方和,SSE为因子随机误差E的平方和(SSE=SST-SSX-SSY-SSXY)。如下所示,
其中,yi..表示陆面过程A的第i个方案下所有温度的总和,y.j表示微物理过程B的第j个方案下所有温度的总和,yij表示第ij个方案下所有温度的总和,y...表示所有温度的总和。将定义为相应的行、列、单元格和总平均值。
步骤四:耦合动力-统计降尺度系统,用于根据上述优选参数化方案下所得区域气候模拟的结果,并对此结果进一步开展统计降尺度的计算,以提高数据精度;统计降尺度方法为,Stepwise Cluster Analysis,Copula Function,Quantile Mapping等统计降尺度方法。
以温度为例,所用到的统计降尺度方法为:
Quantile Mapping基于观测温度的概率分布,用于校正模型模拟温度的概率分布,具体方法如下:
其中,i代表每个格点或站点,t代表以天或者月为单位的时间,为观测温度的累积分布函数的反函数,Fmod为区域气候模型输出的温度,/>为降尺度后的温度,Ti,t为区域气候模型输出的温度。
Stepwise Cluster Analysis基于切割和合并操作将包含许多相关和独立变量的样本集划分为不可分割的子样本,它可以表达大尺度气候变量与地表温度之间的关系。具体方法如下:
切割和合并标准基于Wilks的Λ统计量,如下:
其中E和H分别代表组内和组之间的平方和和交叉乘积矩阵。假设两组变量a和b包含na和nb个样本,每个单独样本可表示为ai=(a1i,a2i,…,adi),i=1,2,…,na,bj=(b1j,b2j,…,bdj),j=1,2,…,nb,d是a和b的维数。因此,
其中,是a的样本均值,/>是b的样本均值。
根据Rao的F近似理论,上述两组因变量的Wilk’sΛ统计量可转换为F统计量,并用于比较两组因变量均值是否有显著差异。如下所示:
零假设H0:μe=μf,备择假设为H1:μe≠μf,其中μe和μf是a和b的总体均值。显著性水平为α。F≥Fα时,两组之间差异显著,为切割标准;F<Fα时,两组之间差异不显著,则为合并标准。
Copula Function用以描述变量间的相关性,将联合分布函数与各变量的边际分布函数连接在一起。这里用到了最常见的二元阿基米德Copula。如下所示:
Cθ(u,v)=φ-1[φ(u)+φ[v]]
其中u和v代表U=FX(x)和V=FY(y),FX(x)为观测温度的累积分布函数,FY(y)为模型模拟数据的累积分布函数。θ为隐藏在生成函数φ(·)中的参数。为了准确地确定两个变量间相关性度量参数,需要对每个站点的历史观测数据和模型模拟数据拟合适当的边际分布。
本发明首次采用了高斯混合模型(Gaussian Mixture Model,GMM)对Copula所需变量进行边际分布的拟合。GMM可以看作是由K个高斯分布作为子分布组成的混合模型,每个高斯子分布具有不同的权重,可以表示为:
其中,αk表示选择样本集中的第k个高斯子分布的概率,并且φ(x|θk)表示第k个高斯子分布。
在给定的V=v条件下,U的条件分布函数可表示为:
其中V是模型模温度的向量;v是模型模拟温度;C(u,v)是已获得的二元Copula函数;U则是基于Copula方法统计降尺度后的温度的分布函数,通过该分布函数即可输出最终的温度降尺度模拟结果。
步骤五:集合预测系统,用于对多模型结果进行集合预测的计算;集合方法为集合平均方法。具体为:
其中,n代表模型数量,W代表模型结果(例如温度和降水)。
步骤六:极端气候指标和复合极端气候指标系统,用于基于集合降尺度后的温度、降水气象要素、根据极端气候指标和复合极端气候指标的定义和计算方法,获取单个极端气候(例如干旱、热浪)和复合极端气候(例如干旱-热浪)指标的预测结果;干旱指标的计算方法主要为标准化降水指数(SPI);干旱-热浪复合极端气候指标指代干旱和热浪同时发生;每种极端气候和复合极端气候指标在各农业地区进行计算,并用于决策制定的参考。
SPI干旱指标的计算如下:
站点在给定月份和时间尺度内观测到的降水事件的累积概率为:
其中p表示概率为零,和/>分别表示通过最大似然解获得的形状参数和尺度参数,即
累积概率M(x)之后被转换为均值为0且方差为1的标准正态随机变量Z,即SPI的值。
热浪指标的计算,如下所示:
本发明将热浪定义为连续2天每日高温(低温)高于历史阈值,即高于历史高温(低温)的90th,95th,99th百分位数。这三种分位数分别对应中等、严重、极端三种热浪等级。针对上述三种热浪等级,分别计算热的天数、热浪数量、热浪频率等特征。热的天数为每日最小和最大温度都超出阈值的天数的总和。热浪数量为连续2天每日最大和最小温度超出阈值的次数的总和。热浪频率为每年发生热浪次数的总和。
复合干旱-热浪的计算指标如下:复合干旱-热浪事件是通过整合热浪和干旱信息来计算的。具体来说,基于上述干旱和热浪的结果,通过干旱和热浪重合的时间段,估算复合干旱-热浪事件。
步骤七:关系建立系统,用于建立单个极端气候或复合极端气候指标对农业活动的线性关系,揭示单个极端气候和复合极端气候的变化对农业活动的影响;农业活动数据来自联合国粮食及农业组织的FAOSTAT数据库;统计方法基于线性回归方法,建立历史单个极端气候和复合极端气候与农业活动之间的统计关系,分析其关系特征。
步骤八:分类系统,用于根据上述统计关系,对农业用地进行分类;分类方法基于K均值聚类算法(K-means);对上述统计关系特征进行分类;假设关系在未来不发生变化的情况下,对未来农业区域(或农业活动)进行分类,并量化未来短、中、长期的年度和季度单个极端气候变化和复合极端气候变化对各研究区域农业活动带来的影响程度。
本实施例预测的气候因素为温度和降水,但本发明根据不同极端气候指标需求,可添加更多的气候因素作为预测对象。此外,本发明还包括将极端气候指标进一步分为不同等级的系统(例如可接受的低档热浪、中档热浪、难以接受的高档热浪)。
本预警系统对未来短、中、长期以及多时段、各季节的温度、降水以及与农业生产相关的单个极端气候指标和复合极端气候指标进行不确定性分析,并基于此,划分农业敏感或脆弱区域,针对不同敏感或脆弱区域提出可能的应对策略和建设意见,为农业应对未来极端和复合极端气候变化提供有利支撑。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉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 (3)
1.一种极端气候与复合极端气候综合预警系统的预警方法,所述极端气候与复合极端气候综合预警系统包括数据预处理系统、耦合动力-统计降尺度系统、集合预测系统、极端气候指标和复合极端气候指标系统、关系建立系统和分类系统;所述耦合动力-统计降尺度系统包括全球气候模型优选系统、区域气候模型动力降尺度及参数化方案优选系统和统计降尺度系统;其特征在于,所述预警方法包括以下步骤:
步骤1:利用数据预处理系统对全球气候模型数据进行下载、提取和可视化;
步骤2:基于全球气候模型模拟值与站点观测数据和再分析数据的对比验证,利用全球气候模型优选系统和决定系数R2选出适用于全球农业活动地区及各子区域的全球气候模型数据集;
步骤3:将步骤2中选出的全球气候模型数据集输入到区域气候模型中,并针对不同子区域设计区域气候模型不同参数化方案组合,利用区域气候模型动力降尺度及参数化方案优选系统选出适用于不同子区域最优的参数化方案组合;
步骤4:利用统计降尺度系统对步骤3中最优的参数化方案下所得区域气候模拟的结果开展统计降尺度计算;
所述步骤4中统计降尺度的方法包括Stepwise Cluster Analysis、Copula Function和Quantile Mapping;
所述Copula Function具体如下:
Cθ(u,v)=φ-1[φ(u)+φ[v]]
其中u和v代表U=FX(x)和V=FY(y),FX(x)为观测温度的累积分布函数,FY(y)为模型模拟数据的累积分布函数;θ为隐藏在生成函数φ(·)中的参数;
采用高斯混合模型对Copula所需变量进行边际分布的拟合,GMM看作是由K个高斯分布作为子分布组成的混合模型,每个高斯子分布具有不同的权重,表示为:
其中,αk表示选择样本集中的第k个高斯子分布的概率,并且φ(x|θk)表示第k个高斯子分布;
所述Copula Function中输出温度降尺度模拟结果的分布函数如下:
其中V=v,V是全球气候模型模温度的向量;v是全球气候模型模拟温度;c(u,v)是已获得的二元Copula函数;U是基于Copula方法统计降尺度后的温度的分布函数;
步骤5:利用集合预测系统对步骤4中的区域气候模拟的结果进行集合预测;集合方法为集合平均方法,具体为:
其中,n代表模型数量,W代表模型结果;
步骤6:根据步骤5集合预测的结果,利用极端气候指标和复合极端气候指标系统获取单个极端气候和复合极端气候指标的预测结果;
步骤7:利用关系建立系统建立历史单个极端气候和复合极端气候与农业活动地区之间的统计关系,并分析关系特征;
步骤8:根据步骤7的统计关系,基于K均值聚类算法对农业活动地区进行分类。
2.根据权利要求1所述极端气候与复合极端气候综合预警系统的预警方法,其特征在于,所述Stepwise Cluster Analysis具体如下:
切割和合并标准基于Wilks的Λ统计量:
其中E和H分别代表组内和组之间的平方和和交叉乘积矩阵,假设两组变量a和b包含na和nb个样本,每个单独样本可表示为ai=(a1i,a2i,…,adi),i=1,2,…,na,bj=(b1j,b2j,…,bdj),j=1,2,…,nb,d是a和b的维数;因此,
其中,是a的样本均值,/>是b的样本均值;
两组因变量的Wilk’sΛ统计量转换为F统计量如下:
零假设H0:μe=μf,备择假设为H1:μe≠μf,其中μe和μf是a和b的总体均值;显著性水平为α;F≥Fα时,两组之间差异显著,为切割标准;F<Fα时,两组之间差异不显著,则为合并标准。
3.根据权利要求1所述极端气候与复合极端气候综合预警系统的预警方法,其特征在于,所述Quantile Mapping基于观测温度的概率分布,具体如下:
其中,i代表每个格点或站点,t代表以天或者月为单位的时间,为观测温度的累积分布函数的反函数,Fmod为区域气候模型输出的温度,/>为降尺度后的温度,Ti,t为区域气候模型输出的温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110986720.XA CN113792480B (zh) | 2021-08-26 | 2021-08-26 | 一种极端气候与复合极端气候综合预警系统的预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110986720.XA CN113792480B (zh) | 2021-08-26 | 2021-08-26 | 一种极端气候与复合极端气候综合预警系统的预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792480A CN113792480A (zh) | 2021-12-14 |
CN113792480B true CN113792480B (zh) | 2023-10-20 |
Family
ID=78876422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110986720.XA Active CN113792480B (zh) | 2021-08-26 | 2021-08-26 | 一种极端气候与复合极端气候综合预警系统的预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792480B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638526A (zh) * | 2022-03-29 | 2022-06-17 | 中国科学院新疆生态与地理研究所 | 一种定量评估干旱-热浪复合事件的方法 |
CN115204059B (zh) * | 2022-08-03 | 2023-04-14 | 中国环境科学研究院 | 一种基于深度学习气象场模拟仿真器 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797129A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11875232B2 (en) * | 2019-12-02 | 2024-01-16 | Fair Isaac Corporation | Attributing reasons to predictive model scores |
-
2021
- 2021-08-26 CN CN202110986720.XA patent/CN113792480B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797129A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
Non-Patent Citations (7)
Title |
---|
基于WRF模式的云南省干旱发生风险的预测分析;邓祥征;赵春红;袁永卫;;中国人口.资源与环境(第10期);97-103 * |
基于中尺度气候模式的降水对水力发电的影响;李薇;包哲;李霁恒;郭军红;陈卓;侯保灯;;太阳能学报(第03期);190-197 * |
基于分段Copula函数和高斯混合模型的多段线性化概率潮流计算;江雪辰;袁越;吴涵;徐蕴岱;黄阮明;王跃峰;;电力建设(第09期);128-136 * |
基于统计降尺度方法的长江中下游气温的模拟与预估;沈成;束炯;;安徽农业大学学报(第01期);71-80 * |
气候变化下极端水文事件的研究进展;张利平;杜鸿;夏军;徐霞;;地理科学进展(第11期);44-53 * |
统计降尺度方法的研究进展与挑战;陈杰;许崇育;郭生练;陈华;;水资源研究(第04期);5-19 * |
降尺度方法在东亚气候预测中的应用;孙建奇;马洁华;陈活泼;汪君;于恩涛;田宝强;;大气科学(第04期);103-119 * |
Also Published As
Publication number | Publication date |
---|---|
CN113792480A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Levers et al. | Archetypical patterns and trajectories of land systems in Europe | |
Waongo et al. | Adaptation to climate change: The impacts of optimized planting dates on attainable maize yields under rainfed conditions in Burkina Faso | |
Pedro et al. | Assessment of forecasting techniques for solar power production with no exogenous inputs | |
Charoen-Ung et al. | Sugarcane yield grade prediction using random forest with forward feature selection and hyper-parameter tuning | |
CN113792480B (zh) | 一种极端气候与复合极端气候综合预警系统的预警方法 | |
CN109165693B (zh) | 一种适用于露、霜和结冰的天气现象的自动判识方法 | |
CN111260111A (zh) | 基于气象大数据的径流预报改进方法 | |
CN117935081B (zh) | 一种基于遥感卫星数据的耕地变化监测方法及系统 | |
Nhita | A rainfall forecasting using fuzzy system based on genetic algorithm | |
Elhami et al. | Application of ANFIS and linear regression models to analyze the energy and economics of lentil and chickpea production in Iran | |
Suchithra et al. | Data mining based geospatial clustering for suitable recommendation system | |
Li et al. | Ensemble learning prediction of soybean yields in China based on meteorological data | |
Mugiyo et al. | Mapping the spatial distribution of underutilised crop species under climate change using the MaxEnt model: A case of KwaZulu-Natal, South Africa | |
Sumathi et al. | Improved Soil Quality Prediction Model Using Deep Learning for Smart Agriculture Systems. | |
Romanovska et al. | Wheat yields in Kazakhstan can successfully be forecasted using a statistical crop model | |
Pavlova et al. | Assessment approach of the spatial wheat cultivation risk for the main cereal cropping regions of Russia | |
Karn et al. | Prediction of Crops Based on a Machine Learning Algorithm | |
Kumar et al. | Wheat yield forecasting in Haryana: A time series approach | |
Xu et al. | [Retracted] Digital Technology Empowers Grain Supply Chain Optimization Simulation | |
Kumratova et al. | Hybrid approach of fractal and linguistic forecasting of winter wheat yields in Southern Rússia | |
Gyamerah et al. | Crop yield probability density forecasting via quantile random forest and Epanechnikov Kernel function | |
Gupta et al. | Markov Chain Model Used in Agricultural Yield Predictions Utilizing on Indian Agriculture | |
Park et al. | Using Data from Uniform Rate Applications for Site-Specific Nitrogen Recommendations | |
Yang et al. | Seasonal prediction of crop yields in Ethiopia using an analog approach | |
Sharma et al. | Prediction of wheat yield using ordinal logistic regression based on weather parameters. |
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 |