CN114626475B - 严重旱涝事件的时空变化分析方法、装置和设备 - Google Patents
严重旱涝事件的时空变化分析方法、装置和设备 Download PDFInfo
- Publication number
- CN114626475B CN114626475B CN202210278799.5A CN202210278799A CN114626475B CN 114626475 B CN114626475 B CN 114626475B CN 202210278799 A CN202210278799 A CN 202210278799A CN 114626475 B CN114626475 B CN 114626475B
- Authority
- CN
- China
- Prior art keywords
- drought
- flood
- event
- waterlogging
- severe
- 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 61
- 230000008859 change Effects 0.000 title claims abstract description 18
- 238000011161 development Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000275449 Diplectrum formosum Species 0.000 description 1
- 241001676573 Minium Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010415 tidying Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种严重旱涝事件的时空变化分析方法、装置、设备和可读存储介质,首先获取预先建立目标区域在预设时间段的自校正帕默尔指数scPDSI序列;然后采用旱涝事件的国际分类对scPDSI序列进行分析,找出各个严重旱涝事件;最后计算各个严重旱涝事件的特征指标,并对特征指标进行分析,得到目标区域中严重旱涝事件的时空变化情况。本申请实施例中的严重旱涝事件的分析方法,可以快速、准确地确定出目标区域中严重旱涝事件的发展变换情况。
Description
技术领域
本申请涉及旱涝监测技术领域,具体涉及一种严重旱涝事件的时空变化分析方法、装置、设备和计算机可读存储介质。
背景技术
严重气候事件是指在特定的时段内某类气候要素量值或者统计量值显著偏离其平均态、且达到或者超出其观测或统计量值区间上下限附件特定阈值的事件。尽管这类事件在统计意义上属于较少发生的小概率事件,但由于其突发性强、不易防范,且一旦发生所造成的影响巨大,因而备受关注,是当前气候变化研究的热点领域。纵观整个人类发展的历史记载,几乎无年不灾。而且在这些严重气候事件的记录中,尤其以严重干旱和洪涝事件为主。有些严重旱涝事件甚至几百年难得一见。
干旱是以正常(或期望)降雨的累积亏缺为主要特征、持续几个月甚至数年的严重气候事件。洪涝俗称水灾,是由于降雨、融雪、冰凌、风暴潮等引起的洪流和积水所造成的另一种严重气候事件。严重旱涝事件既是两种完全对立的气候灾害的表现形式,也是影响最为严重的严重气象灾害。严重旱涝事件往往会给农业生产、居民生活、甚至社会经济发展造成严重影响。国内外都非常重视旱涝灾害的研究,涉及到水文、气象、农业、经济等多个学科的多个方面。随着严重气候事件的增多,干旱和洪涝灾害的发生也日趋频繁,并且具有明显的区域和季节变化趋势。有学者研究指出,近年来部分地区严重气候事件发生的周期变短,干旱与洪涝的情况更趋严重。
为此,严重气候事件,尤其是严重旱涝事件的研究受到了越来越多的关注。目前,绝大多数关于旱涝特征及其时空变异性、旱涝监测和预测等研究的基础都是旱涝指数。基于不同的旱涝指数,国内外学者对全球和区域的旱涝特征和时空变异规律进行了分析研究。现有的严重旱涝事件的研究主要可以分为三类:1)基于短期器测数据的分析。例如,Vicente Serrano用SPI指数、主成分分析和干旱变率等分析了埃布罗河山谷中部1910-2000年间的干旱强度和变化趋势;2)基于长期历史文献的严重旱涝事件的分析;3)基于替代数据重建的气候数据定性分析。
然而现有严重旱涝事件的研究方法大部分都是基于器测数据,而器测数据长度有限,无法了解到严重旱涝事件在更长时间尺度下的变化发展情况。
发明内容
有鉴于此,本申请实施例中提供了一种严重旱涝事件的时空变化分析方法、装置、设备和计算机可读存储介质。
第一方面,本申请实施例提供了一种严重旱涝事件的时空变化分析方法,该方法包括:
获取预先建立目标区域在预设时间段的自校正帕默尔指数scPDSI序列;
采用旱涝事件的国际分类对所述scPDSI序列进行分析,找出各个严重旱涝事件;
计算各个所述严重旱涝事件的特征指标,并对所述特征指标进行分析,得到目标区域中严重旱涝事件的时空变化情况。
第二方面,本申请实施例提供了一种严重旱涝事件的时空变化分析装置,该装置包括:
序列获取模块,用于获取预先建立目标区域在预设时间段的scPDSI序列;
旱涝事件分析模块,用于采用旱涝事件的国际分类对所述scPDSI序列进行分析,找出各个严重旱涝事件;
特征指标计算模块,用于计算各个所述严重旱涝事件的特征指标;
特征指标分析模块,用于对所述特征指标进行分析,得到目标区域中严重旱涝事件的时空变化情况。
第三方面,本申请实施例提供了一种终端设备,包括:存储器;一个或多个处理器,与所述存储器耦接;一个或多个应用程序,其中,一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个应用程序配置用于执行上述第一方面提供的严重旱涝事件的分析方法。
第四方面,本申请实施例提供了一种计算机可读取存储介质,计算机可读取存储介质中存储有程序代码,程序代码可被处理器调用执行上述第一方面提供的严重旱涝事件的分析方法。
本申请实施例提供的严重旱涝事件的时空变化分析方法、装置、设备和可读存储介质,首先获取预先建立目标区域在预设时间段的自校正帕默尔指数scPDSI序列;然后采用旱涝事件的国际分类对scPDSI序列进行分析,找出各个严重旱涝事件;最后计算各个严重旱涝事件的特征指标,并对特征指标进行分析,得到目标区域中严重旱涝事件的时空变化情况。本申请实施例中的严重旱涝事件的分析方法,可以快速、准确地确定出目标区域中严重旱涝事件的发展变换情况。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的严重旱涝事件的时空变化分析方法的应用场景示意图;
图2为本申请一个实施例提供的严重旱涝事件的时空变化分析方法的流程示意图;
图3为本申请一个实施例提供的严重旱涝事件的类型示意图;
图4为本申请一个实施例提供的DBSCAN聚类识别示意图;
图5为本申请一个实施例提供的严重旱涝事件时间分量识别示意图;
图6为本申请一个实施例提供的严重旱涝事件的时空变化分析装置的结构图;
图7为本申请一个实施例中提供的终端设备的结构示意图;
图8为本申请一个实施例中提供的计算机可读存储介质的结构示意图。
具体实施方式
下面将对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了更详细说明本申请,下面结合附图对本申请提供的一种严重旱涝事件的分析方法、装置、终端设备和计算机存储介质,进行具体地描述。
请参考图1,图1示出了本申请实施例提供的严重旱涝事件的分析方法的应用场景的示意图,该应用场景包括本申请实施例提供的终端设备100,终端设备100可以是具有显示屏的各种电子设备(如102、104、106和108的结构图),包括但不限于智能手机和计算机设备,其中计算机设备可以是台式计算机、便携式计算机、膝上型计算机、平板电脑等设备中的至少一种。用户对终端设备100进行操作,发出严重旱涝事件的分析操作指示,终端设备100执行本申请的严重旱涝事件的分析方法,具体过程请参照严重旱涝事件的分析方法实施例。
其次,终端设备100可以泛指多个终端设备中的一个,本实施例仅以终端设备100来举例说明。本领域技术人员可以知晓,上述终端设备的数量可以更多或更少。比如上述终端设备可以仅为几个,或者上述终端设备为几十个或几百个,或者更多数量,本申请实施例对终端设备的数量和类型不加以限定。终端设备100可以用来执行本申请实施例中提供的一种严重旱涝事件的分析方法。
在一种可选的实施方式中,该应用场景包括本申请实施例提供的终端设备100之外,还可以包括服务器,其中服务器与终端设备之间设置有网络。网络用于在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
应该理解,终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器可以是多个服务器组成的服务器集群等。其中,终端设备通过网络与服务器交互,以接收或发送消息等。服务器可以是提供各种服务的服务器。其中服务器可以用来执行本申请实施例中提供的一种严重旱涝事件的分析方法的步骤。此外,终端设备在执行本申请实施例中提供的一种严重旱涝事件的分析方法时,可以将一部分步骤在终端设备执行,一部分步骤在服务器执行,在这里不进行限定。
基于此,本申请实施例中提供了一种严重旱涝事件的时空变化分析方法。请参阅图2,图2示出了本申请实施例提供的一种严重旱涝事件的时空变化分析方法的流程示意图,以该方法应用于图1中的终端设备为例进行说明,包括以下步骤:
步骤S110,获取预先建立目标区域在预设时间段的自校正帕默尔指数scPDSI序列。
其中,目标区域可以是需要进行严重旱涝事件识别的区域。可选地,目标区域可以是一个国家(例如中国)区域、一个省区域、一个地区等。在本实施例中,可以中国整个区域作为目标区域。
首先,预设时间段是预先设置的时间段,用来表示需要进行严重旱涝事件分析的时间段,即在某一时间段分析严重旱涝事件。在本实施例中,预设时间段可以是从公元56年至2000年。
其次,自校正帕默尔指数scPDSI是由Wells在2004年提出的,被认为是传统PDSI的改进版本,被广泛运用于评估干旱状态。scPDSI序列是通过scPDSI数据和替代数据,然后采用随机森林回归方法建立的。
scPDSI数据是指scPDSI数据集存储的实测气候数据,其中scPDSI数据集来源于英国东英格利亚大学气候研究中心(climatic research unit,CRU)编辑的气候数据集(一共有3725个格点,空间分辨率为0.5°×0.5°)。替代数据可以是树轮数据和/或石笋数据。
进一步地,scPDSI序列的构建过程可以是:1)收集整理公元56-2000年的替代数据和1951-2000年全国范围的基于实测数据计算得来的scPDSI数据;2)分析重叠时段替代数据与scPDSI数据集之间的相关性,建立基于RF回归的重构模型,并对模型进行校准和验证,确保结果的可靠性;3)重建公元56-2000年的scPDSI数据,以得到scPDSI序列。
步骤S120,采用旱涝事件的国际分类对scPDSI序列进行分析,找出各个严重旱涝事件。
旱涝事件具有国际通用分类标准,在本实施例中,按照国际分类标注将scPDSI<-3为严重干旱事件,scPDSI>3为严重洪涝事件。然后对3725个格点逐年的重建的scPDSI序列中的数据运用阈值法识别出满足严重旱涝定义的网格点,称之为严重事件点。其中严重事件点表示严重旱涝事件,严重旱涝事件包括严重干旱事件和严重洪涝(或水涝)事件。
步骤S130,计算各个严重旱涝事件的特征指标,并对特征指标进行分析,得到目标区域中严重旱涝事件的时空变化情况。
具体地,为了更直观的展现中国近2000年严重旱涝事件的发展变化情况。在本实施例中,根据严重旱涝事件的识别结果,分别计算出每一次严重事件的特征指标,然后根据特征指标进行分析,从而得到严重旱涝事件的时空变化情况。
在一个可选的实施例中,计算各个严重旱涝事件的特征指标,包括:计算每一个严重旱涝事件的开始年份、结束年份、事件历时、强度峰值、强度峰值所在年份、累计强度值、事件发展历时、事件恢复历时和严重事件发生频率中的一个或多个特征指标。
其中,开始年份(SY):严重事件发生的第一年。结束年份(EY):严重事件发生的最后一年。事件历时(D):一次严重事件从发生到结束所经历的时长。
强度峰值(PI):根据前两步的描述可知,某一具体严重旱涝事件一定是包含多年的连续的干旱(洪涝)区的,每一年的干旱(洪涝)区又是包含多个网格点的。因此,我们对某一次具体的严重旱涝事件的,每一年的强度进行统计:
式中:Iy表示第y年干旱(洪涝)区的强度值,n表示整个干旱(洪涝)区的网格点个数(即面积),scPDSIi表示第i个网格点的干旱指数值。易知I随着网格点数以及scPDSI值得增加而增加;I>0表示洪涝的强度;I<0表示干旱的强度。强度峰值即为一次严重事件中各年的最大强度值。
严重事件强度(I):一次严重事件中各年强度的平均值。
强度峰值所在年份(PIY):一次严重事件中,最大强度值所在的年份。
严重事件烈度(S):也叫累计强度值,即为一次严重事件中所有年份强度值之和。
事件发展历时(DD):从事件发生到强度值到达强度峰值所经历的时段占事件总历时的比例。为了进一步分析不同严重事件的空间差异性,本研究根据所有严重事件的发展历时比例的不同将所有严重干旱或洪涝事件分为三种不同的发展模式。如图3所示,当严重事件的发展历时(DD)比例大于事件总历时的67%时,该事件被定义为缓慢型(即图3中的Type-I);当严重事件的发展历时(DD)比例大于事件总历时的33%且小于事件总历时的67%时,该事件被定义为中间型(即图3中的Type-Ⅱ);当严重事件的发展历时(DD)比例小于事件总历时的33%时,该事件被定义为迅速型(即图3中的Type-Ⅲ)。
事件恢复历时(RD):从强度峰值到严重事件结束所经历的时段。
严重事件发生频率(F):严重事件频率即一定时期内发生严重事件的频繁程度。
可选地,特征指标还可以包括严重旱涝区域的面积,面积是指严重旱涝区域中的网格点数量*分辨率。
在得到严重旱涝事件的特征指标之后,可以对特征指标进行分析,从而得到严重旱涝事件的时空变化情况。
本申请实施例提供的严重旱涝事件的分析方法,首先获取预先建立目标区域在预设时间段的自校正帕默尔指数scPDSI序列;然后采用旱涝事件的国际分类对scPDSI序列进行分析,找出各个严重旱涝事件;最后计算各个严重旱涝事件的特征指标,并对特征指标进行分析,得到目标区域中严重旱涝事件的发展变换情况。本申请实施例中的严重旱涝事件的分析方法,可以快速、准确地确定出目标区域中严重旱涝事件的发展变换情况。
在一个实施例中,在执行步骤S130,对特征指标进行分析,包括:对多个特征指标中的一个特征指标在时间尺度上进行单变量特征分析;和/或对多个特征指标中两两特征指标在时间尺度上进行双变量特征分析;和/或对多个特征指标中的三个特征指标在时间尺度上进行三变量特征分析。
具体而言,在得到了严重旱涝事件的特征指标后,可以对特征指标进行单变量特征分析、和/或双变量特征分析、和/或三变量特征分析。单变量特征分析主要根据严重旱涝事件的识别结果,对所有的严重干旱和洪涝事件的历时、烈度、强度和面积等单一特征指标进行统计,统计指标包括最小值、最大值、平均值、标准差、变差系数和偏态系数,从各特征指标标准差、变异系数看离散程度和。双变量特征分析为分别对严重干旱和洪涝事件的历时、面积、强度以及事件发展历时四个特征指标两两间的关系,采用Pearson线性相关系数r进行变量间的相关度的判断,识别面积-烈度、历时-烈度、发展历时-烈度、历时-面积、历时-发展历时以及发展历时-面积之间的关联。三变量特征分析为讨论多变量联合分布,绘制严重事件烈度-面积-历时(SAD)关系图。SAD关系图是以烈度为横坐标、面积为纵坐标、旱涝事件历时为不同颜色或大小的散点图,通过SAD关系图,可以明显看出事件历时一定条件下,面积与烈度之间的线性关系。根据上述的分析结果,可以确定严重旱涝事件的时空变化情况。
进一步地,给出了一种对识别出严重旱涝区域的具体实施方式,描述如下:
在一个实施例中,严重旱涝事件的分析方法还包括:对每一个严重旱涝事件进行空间分量识别,识别出严重旱涝区域。
在一个实施例中,对每一个严重旱涝事件进行空间分量识别,识别出严重旱涝区域,包括:采用DBSCAN算法对每一个严重旱涝事件进行空间聚类分析;识别出每一个严重旱涝事件的所有位置相邻点,记为严重旱涝区域。
具体地,基于密度的空间聚类算法(DBSCAN,density-based clustering fordiscovering clusters in large datasets with noise),可用于识别包含噪声和离群值的数据集中任意形状的集群。DBSCAN的基本思想来源于人类直观的聚类方法,关键的思想是对于一个集群的每个点,给定半径的邻域必须包含至少最小数量的点。DBSCAN在解决本章节的问题中有以下三点优势:1)不同于K-means、K-medoids聚类等算法,DBSCAN不需要用户直接指定生成的集群数量;2)DBSCAN可以识别出任意形状的集群,可以不是圆形;3)DBSCAN还可以识别出离群点。
DBSCAN的目标是识别出大小不一的密集区域,这些区域可以通过靠近给定点的物体数量来衡量。DBSCAN有两个重要的参数:ε(“eps”)和minimum point(“MinPts”)。如图4(a)所示,参数ε定义了围绕点x的邻域半径。参数MinPts是x的邻域半径内的最少的点数。如图4(b)所示,数据集中任意一点x的邻域内的点数大于等于MinPts,则x被称作核心点(corepoint)。数据集中的任意一点y的邻域内的点数小于MinPts,但它属于核心点x的邻域,则y被称作边界点(border point)。如果数据集中点既不是核心点也不是边界点,如图4(b)中的点z,则这类点被称为噪声点或者离群点(noise point/outlier)。
在DBSCAN算法中有三个重要的术语:1)直接密集可达(Direct densityreachable):如果点A是核心点,且点B在A邻域内,则称点A和点B是可以直接密集可达的点。2)密集可达(Density reachable):如果点A和点B之间通过很多个核心点连接,则称点A和点B是可以密集可达的点。3)密集连接(Density connected):如果A和B都分别与核心点C是密集可达的点,则A和B之间是密集连接的。
DBSCAN算法主要分为以下三个步骤:
第一步:计算每一个格点与其他格点之间的距离,查找出每一个格点在邻域半径ε内的所有相邻格点。将邻域格点数大于MinPts的格点标记为核心点。
第二步:对于每个核心点,如果它还没有被分配到一个集群,那么创建一个新的集群。递归地查找它的所有密度连接点,并将它们分配到与核心点相同的集群中。
第三步:迭代访问数据集中没有被访问的点,将不属于任何集群的格点称之为离群点或者噪声。
在一种优选的实施方式中,采用DBSCAN算法对每一个所述严重旱涝事件进行空间聚类分析的过程中,根据scPDSI网格分辨率和网格点对角线经纬度差值将DBSCAN算法中邻域半径ε取值为0.8°,MinPts取值为3,即定义单个的连续干旱(洪涝)事件的候选地区格点数必须大于等于3。
采用DBSCAN算法可以准确地识别出严重旱涝区域。
接下来,还给出了一种严重旱涝事件判断的实施方式,详细描述如下:
在一个实施例中,识别出严重旱涝区域之后,还包括:基于严重旱涝发生的年份,分别将各年份识别出的严重旱涝区域与后一年的严重旱涝区域进行比较,判断不同严重旱涝区域是否属于同一严重旱涝事件。
在一个实施例中,分别将各年份识别出的严重旱涝区域与后一年的严重旱涝区域进行比较,判断不同严重旱涝区域是否属于同一严重旱涝事件,包括:当年份相邻的两个严重旱涝区域的重叠面积与两个严重旱涝区域中小的旱涝区域面积的之比大于或等于第一预设值,且年份相邻的两个验证旱涝区域的面积之比大于或等于第二预设值时,判断不同严重旱涝区域属于同一严重旱涝事件。
具体来说,在识别出严重旱涝事件之后,还可以对严重旱涝事件时间分量识别。具体过程为:分别将各年中识别出的连续干旱(洪涝)区与后一年的连续干旱区进行比较,如果前后两个干旱(洪涝)区满足以下两个条件就将其视为同一干旱(洪涝)事件(DE/WE):(a)时间上相邻的两个干旱(洪涝)区的重叠面积至少占较小的干旱(洪涝)区面积的50%;(b)时间上相邻的两个干旱(洪涝)区的面积之比(小面积/大面积)不能低于25%。这两个判断标准是在参考具体记录的旱涝事件的文献的基础上通过不断测试运算得出的,为的是更合理更完整的识别出真实的严重旱涝事件。
图5展示了三种不同情况下的重叠干旱(洪涝)区(DA1、DA2、DA3)连续与否的判别案例。在案例1中(即图5中的Case1),两个判别条件均满足。此三个连续的干旱(洪涝)区属于同一严重旱涝事件。在案例2中(即图5中的Case2),DA2和DA3的重叠面积小于DA2的50%,不满足条件(a),可以判断DA1和DA2属于同一严重旱涝事件,DA3属于另外的严重干旱事件。在案例3中(即图5中的Case3)两个判断条件均不满足。DA1和DA2的重叠面积太小,不满足条件(a);DA3和DA2的面积之比小于25%,不满足条件(b)。可以认定,DA1和DA2分别属于两次不同的严重旱涝事件。
在本实施例中,根据上述判断标准识别出的真实的严重旱涝事件的时空分布,分别为1984-1988年发生在黄土高原地区的持续五年的严重干旱事件、1992-1995年发生在洞庭湖水系的历时4年的严重洪涝事件
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
上述本申请公开的实施例中详细描述了一种严重旱涝事件的时空变化分析方法,对于本申请公开的上述方法可采用多种形式的设备实现,因此本申请还公开了对应上述方法的严重旱涝事件的时空变化分析装置,下面给出具体的实施例进行详细说明。
请参阅图6,为本申请实施例公开的一种严重旱涝事件的时空变化分析装置,主要包括:
序列获取模块610,用于获取预先建立目标区域在预设时间段的scPDSI序列。
旱涝事件分析模块620,用于采用旱涝事件的国际分类对scPDSI序列进行分析,找出各个严重旱涝事件。
特征指标计算模块630,用于计算各个严重旱涝事件的特征指标。
特征指标分析模块640,用于对特征指标进行分析,得到目标区域中严重旱涝事件的时空变化情况。
在一个实施例中,特征指标计算模块630,用于计算每一个严重旱涝事件的开始年份、结束年份、事件历时、强度峰值、强度峰值所在年份、累计强度值、事件发展历时、事件恢复历时和严重事件发生频率中的一个或多个特征指标。
在一个实施例中,特征指标分析模块640,用于对多个特征指标中的一个特征指标进行单变量特征分析;和/或对多个特征指标中两两特征指标进行双变量特征分析;和/或对多个特征指标中的三个特征指标进行三变量特征分析。
在一个实施例中,装置还包括:
旱涝区域识别模块,用于对每一个严重旱涝事件进行聚类分析,识别出严重旱涝区域。
在一个实施例中,旱涝区域识别模块,用于采用DBSCAN算法对每一个严重旱涝事件进行空间聚类分析;识别出每一个严重旱涝事件的所有位置相邻点,记为严重旱涝区域。
在一个实施例中,装置还包括:
判断模块,用于基于严重旱涝发生的年份,分别将各年份识别出的严重旱涝区域与后一年的严重旱涝区域进行比较,判断不同严重旱涝区域是否属于同一严重旱涝事件。
在一个实施例中,判断模块,用于当年份相邻的两个严重旱涝区域的重叠面积与两个严重旱涝区域中小的旱涝区域面积的之比大于或等于第一预设值,且年份相邻的两个验证旱涝区域的面积之比大于或等于第二预设值时,判断不同严重旱涝区域属于同一严重旱涝事件。
关于严重旱涝事件的时空变化分析装置的具体限定可以参见上文中对于方法的限定,在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于终端设备中的处理器中,也可以以软件形式存储于终端设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参考图7,图7其示出了本申请实施例提供的一种终端设备的结构框图。该终端设备70可以是计算机设备。本申请中的终端设备70可以包括一个或多个如下部件:处理器72、存储器74以及一个或多个应用程序,其中一个或多个应用程序可以被存储在存储器74中并被配置为由一个或多个处理器72执行,一个或多个应用程序配置用于执行上述严重旱涝事件的分析方法实施例中所描述的方法。
处理器72可以包括一个或者多个处理核。处理器72利用各种接口和线路连接整个终端设备70内的各个部分,通过运行或执行存储在存储器74内的指令、程序、代码集或指令集,以及调用存储在存储器74内的数据,执行终端设备70的各种功能和处理数据。可选地,处理器72可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器72可集成中央处理器(Central ProcessingUnit,CPU)、埋点数据的上报验证器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器72中,单独通过一块通信芯片进行实现。
存储器74可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器74可用于存储指令、程序、代码、代码集或指令集。存储器74可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储终端设备70在使用中所创建的数据等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的终端设备的限定,具体的终端设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
综上,本申请实施例提供的终端设备用于实现前述方法实施例中相应的严重旱涝事件的分析方法,并具有相应的方法实施例的有益效果,在此不再赘述。
请参阅图8,其示出了本申请实施例提供的一种计算机可读取存储介质的结构框图。该计算机可读取存储介质80中存储有程序代码,程序代码可被处理器调用执行上述严重旱涝事件的分析方法实施例中所描述的方法。
计算机可读取存储介质80可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读取存储介质80包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读取存储介质80具有执行上述方法中的任何方法步骤的程序代码82的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码82可以例如以适当形式进行压缩。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种严重旱涝事件的时空变化分析方法,其特征在于,所述方法包括:
获取预先建立目标区域在预设时间段的自校正帕默尔指数scPDSI序列;其中,scPDSI序列是通过scPDSI数据和替代数据,采用随机森林回归方法建立的;scPDSI数据是指scPDSI数据集存储的实测气候数据,替代数据为树轮数据和/或石笋数据;
采用旱涝事件的国际分类对所述scPDSI序列进行分析,找出各个严重旱涝事件;
计算各个所述严重旱涝事件的特征指标,并对所述特征指标进行分析,得到目标区域中严重旱涝事件的时空变化情况;
所述方法还包括:对每一个所述严重旱涝事件进行空间分量识别,识别出严重旱涝区域;
所述对每一个所述严重旱涝事件进行空间分量识别,识别出严重旱涝区域,包括:采用DBSCAN算法对每一个所述严重旱涝事件进行空间聚类分析;识别出每一个所述严重旱涝事件的所有位置相邻点,记为所述严重旱涝区域。
2.根据权利要求1所述的方法,其特征在于,所述计算各个所述严重旱涝事件的特征指标,包括:
计算每一个所述严重旱涝事件的开始年份、结束年份、事件历时、强度峰值、强度峰值所在年份、累计强度值、事件发展历时、事件恢复历时和严重事件发生频率中的一个或多个特征指标。
3.根据权利要求2所述的方法,其特征在于,所述对所述特征指标进行分析,包括:
对多个所述特征指标中的一个特征指标在时间尺度上进行单变量特征分析;
和/或
对多个所述特征指标中两两特征指标在时间尺度上进行双变量特征分析;
和/或
对多个所述特征指标中的三个特征指标在时间尺度上进行三变量特征分析。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述识别出严重旱涝区域之后,还包括:
基于所述严重旱涝发生的年份,分别将各年份识别出的严重旱涝区域与后一年的严重旱涝区域进行比较,判断不同严重旱涝区域是否属于同一严重旱涝事件。
5.根据权利要求4所述的方法,其特征在于,所述分别将各年份识别出的严重旱涝区域与后一年的严重旱涝区域进行比较,判断不同严重旱涝区域是否属于同一严重旱涝事件,包括:
当年份相邻的两个严重旱涝区域的重叠面积与两个严重旱涝区域中小的旱涝区域面积的之比大于或等于第一预设值,且年份相邻的两个验证旱涝区域的面积之比大于或等于第二预设值时,判断不同严重旱涝区域属于同一严重旱涝事件。
6.一种严重旱涝事件的时空变化分析装置,其特征在于,所述装置包括:
序列获取模块,用于获取预先建立目标区域在预设时间段的scPDSI序列;其中,scPDSI序列是通过scPDSI数据和替代数据,采用随机森林回归方法建立的;scPDSI数据是指scPDSI数据集存储的实测气候数据,替代数据为树轮数据和/或石笋数据;
旱涝事件分析模块,用于采用旱涝事件的国际分类对所述scPDSI序列进行分析,找出各个严重旱涝事件;
特征指标计算模块,用于计算各个所述严重旱涝事件的特征指标;
特征指标分析模块,用于对所述特征指标进行分析,得到目标区域中严重旱涝事件的时空变化情况;
装置还包括:旱涝区域识别模块,用于对每一个严重旱涝事件进行聚类分析,识别出严重旱涝区域;具体为用于采用DBSCAN算法对每一个严重旱涝事件进行空间聚类分析;识别出每一个严重旱涝事件的所有位置相邻点,记为严重旱涝区域。
7.一种终端设备,其特征在于,包括:
存储器;一个或多个处理器,与所述存储器耦接;一个或多个应用程序,其中,一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个应用程序配置用于执行如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278799.5A CN114626475B (zh) | 2022-03-21 | 2022-03-21 | 严重旱涝事件的时空变化分析方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278799.5A CN114626475B (zh) | 2022-03-21 | 2022-03-21 | 严重旱涝事件的时空变化分析方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114626475A CN114626475A (zh) | 2022-06-14 |
CN114626475B true CN114626475B (zh) | 2022-11-11 |
Family
ID=81903922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210278799.5A Active CN114626475B (zh) | 2022-03-21 | 2022-03-21 | 严重旱涝事件的时空变化分析方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626475B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203625A (zh) * | 2022-07-29 | 2022-10-18 | 应急管理部国家减灾中心 | 一种旱涝指数数据缺失值插补方法及其插补装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222313A (zh) * | 2019-06-05 | 2019-09-10 | 中国水利水电科学研究院 | 反映非一致性干旱特征变量的干旱预警方法和装置 |
CN112507285A (zh) * | 2020-07-23 | 2021-03-16 | 安徽师范大学 | 一种干旱检测方法 |
CN112668705A (zh) * | 2021-03-17 | 2021-04-16 | 清华大学 | 基于深度学习的干旱指数监测方法及系统 |
CN112785031A (zh) * | 2020-11-30 | 2021-05-11 | 中国空间技术研究院 | 基于总水储量亏损指数原理提高干旱监测时空准确性方法 |
CN112818560A (zh) * | 2021-02-24 | 2021-05-18 | 北京师范大学 | 一种帕尔默干旱指数计算方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780050A (zh) * | 2016-12-12 | 2017-05-31 | 国信优易数据有限公司 | 受灾程度评估方法、系统及电子设备 |
CN111598999B (zh) * | 2020-05-13 | 2021-01-26 | 河海大学 | 一种基于三维干旱体结构的干旱事件识别方法 |
CN112395557A (zh) * | 2020-11-26 | 2021-02-23 | 华南理工大学 | 一种基于瞬时发展速率识别骤发干旱的方法 |
CN112347706B (zh) * | 2021-01-08 | 2021-04-09 | 清华大学 | 径流重建方法、装置、计算机设备和存储介质 |
CN115759729A (zh) * | 2021-11-12 | 2023-03-07 | 江西省国土空间调查规划研究院 | 一种基于算法的灾害风险预警管理系统以及预测方法 |
-
2022
- 2022-03-21 CN CN202210278799.5A patent/CN114626475B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222313A (zh) * | 2019-06-05 | 2019-09-10 | 中国水利水电科学研究院 | 反映非一致性干旱特征变量的干旱预警方法和装置 |
CN112507285A (zh) * | 2020-07-23 | 2021-03-16 | 安徽师范大学 | 一种干旱检测方法 |
CN112785031A (zh) * | 2020-11-30 | 2021-05-11 | 中国空间技术研究院 | 基于总水储量亏损指数原理提高干旱监测时空准确性方法 |
CN112818560A (zh) * | 2021-02-24 | 2021-05-18 | 北京师范大学 | 一种帕尔默干旱指数计算方法及系统 |
CN112668705A (zh) * | 2021-03-17 | 2021-04-16 | 清华大学 | 基于深度学习的干旱指数监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114626475A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200271476A1 (en) | Analysis of smart meter data based on frequency content | |
CN111639237B (zh) | 一种基于聚类和关联规则挖掘的电力通信网风险评估系统 | |
Bordi et al. | Drought monitoring and forecasting at large scale | |
CN102685717B (zh) | 网络业务质量参数识别方法及装置 | |
CN108573228A (zh) | 一种输电线路异物入侵监测方法及装置 | |
CN114626475B (zh) | 严重旱涝事件的时空变化分析方法、装置和设备 | |
CN107809762B (zh) | 利用大数据与设备指纹的养卡识别的安全风险控制方法 | |
CN113626502B (zh) | 基于集成学习的电网数据异常检测方法及装置 | |
KR102476663B1 (ko) | 쇠퇴지역의 재난재해를 종합진단하는 시스템 및 방법 | |
CN110728068B (zh) | 一种配网台风灾害损失评估方法及装置 | |
CN111694718A (zh) | 内网用户异常行为识别方法、装置、计算机设备及可读存储介质 | |
Kaluba et al. | Spatial mapping of drought in Zambia using regional frequency analysis | |
CN114357811B (zh) | 长历时旱涝事件的确定方法、装置和设备 | |
CN117809439A (zh) | 一种基于多种环境因素中河流流量异常预警系统 | |
CN113554360A (zh) | 一种输电线路运行状态可视化管理方法、系统及存储介质 | |
CN113141276A (zh) | 一种基于知识图谱的信息安全方法 | |
CN112816663B (zh) | 防洪工程的黄河堤坝土质含水量监测方法及装置 | |
CN112232674B (zh) | 一种气象灾害评估方法、装置和系统 | |
CN113469587A (zh) | 一种评估气候变化对区域滑坡发生时空影响方法及装置 | |
Wong et al. | Evidence for increasing frequency of extreme coastal sea levels | |
Collalti et al. | Flash flood detection via copula-based IDF curves: Evidence from Jamaica | |
CN115277132B (zh) | 网络安全态势感知方法、装置、计算机设备和存储介质 | |
Collalti et al. | Flash flood detection via copula-based intensity–duration–frequency curves: evidence from Jamaica | |
Miller et al. | Climate change impacts on regional fire weather in heterogeneous landscapes of central Europe | |
CN116264706A (zh) | 5g基站布设评估模型训练方法、设备及存储介质 |
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 | ||
OL01 | Intention to license declared |