CN115034548B - 基于偏微分方程的洪水季节性驱动机制识别与归因方法 - Google Patents
基于偏微分方程的洪水季节性驱动机制识别与归因方法 Download PDFInfo
- Publication number
- CN115034548B CN115034548B CN202210414460.3A CN202210414460A CN115034548B CN 115034548 B CN115034548 B CN 115034548B CN 202210414460 A CN202210414460 A CN 202210414460A CN 115034548 B CN115034548 B CN 115034548B
- Authority
- CN
- China
- Prior art keywords
- flood
- driving
- seasonal
- snow
- day
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000001932 seasonal effect Effects 0.000 title claims abstract description 55
- 238000001556 precipitation Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 238000002844 melting Methods 0.000 claims description 23
- 230000008018 melting Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000002689 soil Substances 0.000 claims description 18
- 230000035945 sensitivity Effects 0.000 claims description 12
- 230000008020 evaporation Effects 0.000 claims description 10
- 238000001704 evaporation Methods 0.000 claims description 10
- 229920006395 saturated elastomer Polymers 0.000 claims description 7
- 108010074864 Factor XI Proteins 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000006424 Flood reaction Methods 0.000 description 16
- 102100040678 Programmed cell death protein 1 Human genes 0.000 description 9
- 230000003111 delayed effect Effects 0.000 description 7
- 239000005413 snowmelt Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 101710089372 Programmed cell death protein 1 Proteins 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010309 melting process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了基于偏微分方程的洪水季节性驱动机制识别与归因方法。本发明以观测的径流、降水和温度数据为基础，在假定的洪水发生机制基础上，通过计算洪水及不同驱动因子的发生时间和季节性特征，建立洪水发生时间和驱动因子发生时间的线性方程，进而确定不同机制在洪水季节性变化过程中的具体贡献。本发明方法提供了对洪水季节性变化进行定量归因的方法，为全球洪水风险精细化评价和管理提供了可能，而且方法适用于不同地区不同的洪水生成机制，充分考虑了洪水季节性特征的空间异质性，据此评估的洪水季节性变化主导驱动机制也更加科学、合理。
Description
技术领域
本发明涉及大气科学领域，尤其涉及基于偏微分方程的洪水季节性驱动机制识别与归因方法。
背景技术
洪水季节性是气象过程如何与不同流域包括地形地貌相互作用的有用指标,推进对洪水季节性和洪水生成机制的科学认识，对提高大规模洪水的预测能力具有重要作用。受人类活动和气候条件变化的影响，河流的调蓄能力发生明显改变，洪涝灾害的季节性特征和洪水量级都有了明显变化。而随着气候变化导致全球水循环加速，水循环过程改变，暴雨、洪水和飓风等极端水文气象事件的发生愈发频繁。随着降水的对气候变化及其引发的一系列水文气象情势变化及对防洪措施的设计和洪水风险划分定级的需求变化越来越受到人们关注，尤其是在全球变暖背景下，洪水影响因素众多，响应规律区域差异明显，未来洪涝灾害发生时间将如何变化更是关注的焦点。
在这样的背景下，为了应对洪水季节性变化给洪涝灾害防治带来的困难，越来越多研究开始关注洪水季节性特征背后的洪水发生机制。然而，目前的研究多关注于洪水季节性特征在世界各地的不同分布情况及不同地区洪水发生机制的差异，对洪水季节性特征变化的驱动机制确定以及定量分析仍存在研究空白。
发明内容
本方法的目的在于，针对现有研究技术的空缺，提出基于偏微分方程的洪水季节性驱动机制识别与归因方法，具体包括以下步骤：
S101：观测数据收集及站点筛选；采集实测全球逐日气象数据和水文数据，按要求进行站点筛选；
S102：洪水发生机制及驱动因子确定；根据重点考虑气象因素驱动洪水发生的过程而非下垫面产汇流过程的条件下，确定引发洪水的机制；考虑每个机制中由单一事件或系列事件引发洪水确定洪水发生的驱动因子；
S103：驱动因子时间序列计算；根据所收集的径流、降水、温度数据，根据步骤S102确定的洪水生成机制和洪水发生驱动因子代表的含义计算得到各驱动因子的时间序列；
S104：洪水及驱动因子季节性特征计算；将步骤S103中得到的各驱动因子时间序列与年最大径流量时间序列进行季节性特征计算，分别计算洪水发生的平均日期和集中程度；
S105：洪水发生潜在主导机制和主导机制识别；依据步骤S103中得到各驱动因子的时间序列，计算各驱动因子与洪水的相关性，选择在洪水发生前S天内或者显著性相关的驱动因子作为洪水发生的潜在主导机制；在潜在生成机制中Spearman相关系数值最大的作为洪水发生的主导机制；
S106：利用偏最小二乘法确定洪水发生时间和驱动因子发生时间之间的线性方程；根据洪水和各潜在机制的驱动因子的时间序列通过偏最小二乘法建立线性方程；
S107：利用偏微分方程法对洪水季节性变化定量归因；依据步骤S106所得到的线性方程，定量计算各驱动因子对洪水季节性变化的灵敏度、单独贡献和各机制的相对贡献，以相对贡献值最大为标准，确定洪水季节性变化的主要驱动机制。
进一步地，步骤S101中，所述实测全球气象数据包括全球格点的日均气温、降水、蒸发量和太阳辐射，通过面积加权平均计算得到站点数据；所述水文数据包括日均降水、蒸发量和径流量。
进一步地，步骤S102中，所述引发洪水的机制包括：极端降水Ep、超渗雨Pe、前期土壤含水量Am和融雪Sn；
所述洪水发生的驱动因子包括：年最大N日降水量日期PDN、年最大M日超渗雨日期PEM、年最大O日融雪速率日期SDO和连续U天地表温度低于0℃后第1个地表温度高于0℃的连续U天中的第1天的日期TD；其中M、N、O、U为预设值。
进一步地，超渗雨Pe的计算公式如下：
Pe(t)＝max(0,Pre(t)-(Su,max-Su(t)))
Su(t)＝Su(t-1)+Pre(t)-Pe(t)-min(0.75×PET(t),Su(t))
式中：Pe(t)为t日的超渗雨量，Pre(t)为t日的观测降水量，Su(t)为t日存储在不饱和区的水量，Su,max为土壤饱和含水量，PET(t)为t日的潜在蒸散发量。
进一步地，融雪速率的计算公式如下：
Psnow(t)＝min(fdd×max(T(t)-Tcrit,0),Ssnow(t))+Pre(T(t)>Tcrit)
Ssnow(t)＝Ssnow(t-1)+Pre(T(t)>Tcrit)-Psnow(t)
式中：Psnow(t)为t日的融雪速率，fdd为融化速率常数，Tcrit为温度阈值，Ssnow(t)为t日的雪存储量；T(t)为t日的温度。
进一步地，各驱动因子的时间序列由逐日降水、温度及由Penman-Monteith公式计算的潜在蒸散发数据计算得到；其中根据Penman-Monteith公式如下：
式中，ET0为参考蒸散量，mm/day；Rn为作物表面上的净辐射，MJ/(m2day)；G为土壤热通量，MJ/(m2 day)；T为2米高处日平均气温，℃；u2为2米高处的风速，m/s；es为饱合水汽压，kPa；ea为实际水汽压，kPa；es-ea为饱和水汽压差，kPa；Δ为饱和水汽压曲线的斜率；r为湿度计常数，kPa/℃。
进一步地，步骤S107中偏微分方程具体如下：
QD＝f(PD1,PD7,PE1,PE7,PD30,SD1,SD7,TD)
上式中，PD1、PD7、PD30为PDN中，N分别取1、7、30；PE1、PE7为PEM中M分别取1、7；SD1、SD7为SDO中O分别取1、7；QD为洪水发生时间；R为残差项。
进一步地，驱动因子的灵敏度计算如下：
εxi为驱动因子xi的灵敏度。
进一步地，驱动因子的单独贡献计算如下：
Individual contributionxi为驱动因子xi的单独贡献。
各机制的相对贡献计算公式如下：
其中k代表4个驱动机制：极端降水Ep、超渗雨Pe、前期土壤含水量Am和融雪Sn中的任意一个。
与现有技术相比，本发明的有益效果包括：
(1)选择偏最小二乘方法而非传统多元线性回归模型，消除了自变量之间高度自相关的影响，计算得到的系数更为准确可靠，效果更好。
(2)耦合偏微分方程法，对各机制在不同地区洪水季节性变化的过程中所起的作用进行定量归因分析，从而以相对贡献值最大为标准，确定洪水季节性变化的主要驱动机制，为洪水发生时间对洪水风险进行全面综合评估，提高洪水风险评估的准确性和可靠性，期望对制定防灾减灾政策和措施以及灾害风险管理提供参考。
附图说明
图1是本发明方法的流程图；
图2是全球洪水季节性特征；
图3是驱动因子的平均发生日期；
图4是驱动因子的集中程度；
图5是洪水发生潜在机制分布图；
图6是洪水发生主导机制分布；.
图7各驱动因子灵敏度分布；
图8各驱动因子对洪水季节性变化的单独贡献；
图9各机制对洪水季节性变化的相对贡献。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参考图1，图1是本发明方法的流程图；方法具体包括以下步骤：
S101：观测数据收集及站点筛选；采集实测全球逐日气象数据和水文数据，按要求进行站点筛选；
需要说明的是，步骤S101中，所述实测全球气象数据包括全球格点的日均气温、降水、蒸发量和太阳辐射，通过面积加权平均计算得到站点数据；所述水文数据包括日均降水、蒸发量和径流量。
S102：洪水发生机制及驱动因子确定；根据重点考虑气象因素驱动洪水发生的过程而非下垫面产汇流过程的条件下，确定引发洪水的机制；考虑每个机制中由单一事件或系列事件引发洪水确定洪水发生的驱动因子；
需要说明的是，步骤S102中，所述引发洪水的机制包括：极端降水Ep、超渗雨Pe、前期土壤含水量Am和融雪Sn；
所述洪水发生的驱动因子包括：年最大N日降水量日期PDN、年最大M日超渗雨日期PEM、年最大O日融雪速率日期SDO和连续U天地表温度低于0℃后第1个地表温度高于0℃的连续U天中的第1天的日期TD；其中M、N、O、U为预设值。
在本发明实施例中，N分别取1，7，30；M分别取1，7；O分别取1，7；P取7；也即驱动因子共8个，分别为：年最大1日降水量日期(PD1)、年最大7日降水量日期(PD7)、年最大30日降水量日期(PD30)、年最大1日超渗雨日期(PE1)、年最大7日超渗雨日期(PE7)、年最大1日融雪速率日期(SD1)、年最大7日融雪速率日期(SD7)和连续7天地表温度低于0℃后第1个地表温度高于0℃的连续7天中的第1天的日期(TD)；
S103：驱动因子时间序列计算；根据所收集的径流、降水、温度数据，根据步骤S102确定的洪水生成机制和洪水发生驱动因子代表的含义计算得到各驱动因子的时间序列；
需要说明的是，超渗雨Pe的计算公式如下：
Pe(t)＝max(0,Pre(t)-(Su,max-Su(t)))
Su(t)＝Su(t-1)+Pre(t)-Pe(t)-min(0.75×PEF(t),Su(t))
式中：Pe(t)为t日的超渗雨量，Pre(t)为t日的观测降水量，Su(t)为t日存储在不饱和区的水量，Su,max为土壤饱和含水量，一般取125mm，PET(t)为t日的潜在蒸散发量；
融雪速率的计算公式如下：
Psnow(t)＝min(fdd×max(T(t)-Tcrit,0),Ssnow(t))+Pre(T(t)>Tcrit)
Ssnow(t)＝Ssnow(t-1)+Pre(T(t)>Tcrit)-Psnow(t)
式中：Psnow(t)为t日的融雪速率，fdd为融化速率常数，通常取2.0(mm/d/K)，Tcrit为温度阈值，一般取1℃，Ssnow(t)为t日的雪存储量；T(t)为t日的温度。
各驱动因子的时间序列由逐日降水、温度及由Penman-Monteith公式计算的潜在蒸散发数据计算得到；其中根据Penman-Monteith公式如下：
式中，ET0为参考蒸散量，mm/day；Rn为作物表面上的净辐射，MJ/(m2day)；G为土壤热通量，MJ/(m2 day)；T为2米高处日平均气温，℃；u2为2米高处的风速，m/s；es为饱合水汽压，kPa；ea为实际水汽压，kPa；es-ea为饱和水汽压差，kPa；Δ为饱和水汽压曲线的斜率；r为湿度计常数，kPa/℃。
S104：洪水及驱动因子季节性特征计算；将步骤S103中得到的各驱动因子时间序列与年最大径流量时间序列进行季节性特征计算，分别计算洪水发生的平均日期和集中程度；
S105：洪水发生潜在主导机制和主导机制识别；依据步骤S103中得到各驱动因子的时间序列，计算各驱动因子与洪水的相关性，选择在洪水发生前S天内或者显著性相关的驱动因子(本实施例中取显著性值小于0.1的因子)作为洪水发生的潜在主导机制；在潜在生成机制中Spearman相关系数值最大的作为洪水发生的主导机制；本发明实施例中，S取30；
S106：利用偏最小二乘法确定洪水发生时间和驱动因子发生时间之间的线性方程；根据洪水和各潜在机制的驱动因子的时间序列通过偏最小二乘法建立线性方程；其中，偏最小二乘法是得到合理线性方程的保证，偏最小二乘法对非正交，有高度自相关性的变量仍有较好的模拟效果；
S107：利用偏微分方程法对洪水季节性变化定量归因；依据步骤S106所得到的线性方程，定量计算各驱动因子对洪水季节性变化的灵敏度、单独贡献和各机制的相对贡献，以相对贡献值最大为标准，确定洪水季节性变化的主要驱动机制。
步骤S107中偏微分方程具体如下：
QD＝f(PD1,PD7,PE1,PE7,PD30,SD1,SD7,TD)
上式中，PD1、PD7、PD30为PDN中，N分别取1、7、30；PE1、PE7为PEM中M分别取1、7；SD1、SD7为SDO中O分别取1、7；QD为洪水发生时间；R为残差项。
驱动因子的灵敏度计算如下：
εxi为驱动因子xi的灵敏度。
驱动因子的单独贡献计算如下：
Individual contributionxi为驱动因子xi的单独贡献。
各机制的相对贡献计算公式如下：
其中k代表4个驱动机制：极端降水Ep、超渗雨Pe、前期土壤含水量Am和融雪Sn中的任意一个。
其中对contributionk的解释说明如下：contributionk表示某个机制的贡献度，以极端降水Ep为例，contributionEp＝|Individual contributionPD1+IndividualcontributionPD7|。其它三种类型的机制，同上计算。
作为实施例，本发明以全球1961-2016年为例进行解释说明。
(1)基础数据的收集：首先在本实施例中，从不同国家收集了遍布全球的9192个站点河流流量日观测数据，时间分辨率为日观测数据，时间序列为1961-2016年。
表1为所选取观测数据来源
表2为站点筛选标准
(2)洪水发生机制及驱动因子确定；
本实施案例中重点考虑气象因素驱动洪水发生的过程而非下垫面产汇流过程的条件下，确定引发洪水的机制有以下4种：
单一或系列极端降水事件(the largest precipitation event(s)，Ep)：年最大日径流量由单一或系列降水过程导致；
单一或系列超渗雨事件(the largest precipitation excess event(s)，Pe)：年最大日径流量由单一或系列超渗过程导致，超渗雨的计算公式如下：
Pe(t)＝max(0,Pre(t)-(Su,max-Su(t)))
Su(t)＝Su(t-1)+Pre(t)-Pe(t)-min(0.75×PET(t),Su(t))
式中Pe(t)为t日的超渗雨量，Pre(t)为t日的观测降水量，Su(t)为t日储存在不饱和区的水量，Su,max为土壤饱和含水量，一般取125mm，PET(t)为t日潜在蒸散发量。
前期土壤含水量(the antecedent moisture conditions，Am)：年最大日径流量由流域前期土壤含水量较高导致；
单一或系列融雪事件(the largest snowmelt or rain-on-snow event(s)，Sn)：年最大的日径流量由单一或系列融雪过程导致，常发生在高纬高海拔地区，融雪速率计算公式如下：
Psnow(t)＝min(fdd×max(T(t)-Tcrit,0),Ssnow(t))+Pre(T(t)>Tcrit)
Ssnow(t)＝Ssnow(t-1)+Pre(T(t)>Tcrit)-Psnow(t)
式中Psnow(t)为t日的融雪速率，fdd为融化速率常数，通常取2.0(mm/d/K)，Tcrit为温度阈值，一般取1℃，Ssnow(t)为t日的雪存储量。
选择年最大1日降水量日期(PD1)、年最大7日降水量日期(PD7)代表极端降水机制，年最大30日降水量日期(PD30)代表前期土壤含水量机制，年最大1日超渗雨日期(PE1)、年最大7日超渗雨日期(PE7)代表超渗雨机制，年最大1日融雪速率日期(SD1)，年最大7日融雪速率日期(SD7)和连续7天地表温度低于0℃后第1个地表温度高于0℃的连续7天中的第1天的日期(TD)代表融雪机制为洪水发生的驱动因子，并计算其季节性。需要注意的是，对TD来说当在选定研究时段里超过70％无法识别时，视为此驱动因子在该站不存在；而对SD1和SD7来说，在降雪量不足全年降水量10％的地区不考虑这两个驱动因子。
(3)驱动因子时间序列计算；
根据所收集的径流、降水、温度数据，先计算得到超渗雨量和融雪速率序列，再根据所确定的洪水发生驱动因子计算得到各驱动因子的时间序列。
(4)洪水及驱动因子季节性特征计算；
根据收集、计算得到的洪水发生时间和各驱动因子发生时间的序列，通过循环统计法计算其季节性特征，即平均发生日期和集中程度。
如图2所示，全球不同地区，洪水平均发生时间和集中程度有明显的区域性差异。北美洲、亚洲和欧州东北部等高纬地区的洪水一般发生在5月(春季)且非常集中；美国西部高海拔地区有着类似的结果；阿尔卑斯山周围及亚洲中低纬地区洪水主要发生在7-9月(夏季)；南半球洪水的发生时间随纬度变化而变化。如图3、4所示，驱动因子的平均发生时间和集中程度同样有明显的区域性差异，对于同一机制下有单一事件和系列事件驱动的情况下，系列事件的集中程度更高。
(5)洪水发生潜在主导机制和主导机制识别；
根据得到的时间序列，计算各驱动因子与洪水的相关性，选择在洪水发生前30天内或者P<0.1的因子作为洪水发生的潜在主导机制；在潜在生成机制中Spearman相关系数值最大的作为洪水发生的主导机制。如图5、6所示，根据IPCC所得的22个分区中，有40％左右的区域中近半数站点的极端降水并非洪水的产生机制，而有68％左右的区域中超过半数站点都可能受前期土壤含水量和超渗雨影响而产生洪水。此外，全球仅有约25％的站点主要由极端降水驱动洪水生成，这说明了为什么洪水发生与极端降水增加并不同步。
(6)偏最小二乘法确定洪水发生时间和驱动因子发生时间之间的线性方程；
根据洪水发生时间序列和所确定的潜在生成机制包含的驱动因子时间序列生成各站的线性方程，根据方程系数可以初步评估不同驱动因子对洪水发生时间变化的影响。
(7)偏微分方程法对洪水季节性变化定量归因；
使用偏微分方程法根据偏最小二乘法所得到的线性方程计算不同驱动因子对洪水季节性变化的灵敏度、单独贡献和相对贡献。
QD＝f(PD1,PD7,PE1,PE7,PD30,SD1,SD7,TD)
如图7所示，对于洪水发生时间，多流域平均εPD1、εPD7、εPE1、εPE7、εPD30、εSD1、εSD7和εTD分别为-0.051、-0.053、-0.052、-0.055、-0.051、-0.023、-0.019和0.0038。这意味着全球PD1(或PD7、PE1、PE7、SD1、SD7和TD)提前1％，洪水发生延后0.051％(洪水发生延后0.053％，洪水发生延后0.052％，洪水发生延后0.055％，洪水发生延后0.051％，洪水发生延后0.023％，洪水发生延后0.019％，洪水发生提前0.0038％)。
如图8所示，全球大多数地区驱动因子的单独贡献在(-0.0005，0.0005)之间，且对于同一机制下有单一事件和系列事件驱动的情况下，多数情况下二者有相同的正负号，但要注意，不管是灵敏度还是单独贡献，都是针对单个驱动因子进行的，驱动因子之间的相关性会对真实贡献产生干扰，某个因子的高值中可能包含其他因子的贡献。
如图9所示，中低纬度地区极端降水和超渗雨对洪水季节性变化起主要作用(≥30％)，西欧和南美洲赤道附近地区前期土壤含水量的贡献显著(>40％)，高纬地区的洪水时间变化主要受融雪影响(＞40％)，某区域洪水季节性变化的主要驱动机制往往和该区域的洪水发生主导机制相一致。以上未涉及之处，适用于现有技术。
本发明针对洪水季节性变化的归因分析目前存在的问题，以观测的水文数据和气象数据序列为基础，在只考虑气象要素驱动洪水发生的过程的情况下，通过不同驱动因子与洪水发生时间的相关性，识别洪水的潜在发生机制和主导发生机制，并在此基础上通过偏最小二乘法建立洪水发生时间和驱动因子发生时间的线性方程，以偏微分方程法求得各机制在洪水季节性变化中的贡献。相比传统的方法，本发明不但提供了对洪水季节性变化进行定量归因的方法，为全球洪水风险精细化评价和管理提供了可能，而且方法适用于不同地区不同的洪水生成机制，充分考虑了洪水季节性特征的空间异质性，据此评估的洪水季节性变化主导驱动机制也更加科学、合理。
本发明的方法具有如下效果：
(1)选择偏最小二乘方法而非传统多元线性回归模型，消除了自变量之间高度自相关的影响，计算得到的系数更为准确可靠，效果更好。
(2)耦合偏微分方程法，对各机制在不同地区洪水季节性变化的过程中所起的作用进行定量归因分析，从而以相对贡献值最大为标准，确定洪水季节性变化的主要驱动机制，为洪水发生时间对洪水风险进行全面综合评估，提高洪水风险评估的准确性和可靠性，期望对制定防灾减灾政策和措施以及灾害风险管理提供参考。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
以上本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
Claims (5)
1.基于偏微分方程的洪水季节性驱动机制识别与归因方法，其特征在于：包括以下步骤：
S101：观测数据收集及站点筛选；采集实测全球逐日气象数据和水文数据，按要求进行站点筛选；
S102：洪水发生机制及驱动因子确定；根据重点考虑气象因素驱动洪水发生的过程而非下垫面产汇流过程的条件下，确定引发洪水的机制；考虑每个机制中由单一事件或系列事件引发洪水确定洪水发生的驱动因子；
S103：驱动因子时间序列计算；根据所收集的径流、降水、温度数据，根据步骤S102确定的洪水生成机制和洪水发生驱动因子代表的含义计算得到各驱动因子的时间序列；
S104：洪水及驱动因子季节性特征计算；将步骤S103中得到的各驱动因子时间序列与年最大径流量时间序列进行季节性特征计算，分别计算洪水发生的平均日期和集中程度；
S105：洪水发生潜在主导机制和主导机制识别；依据步骤S103中得到各驱动因子的时间序列，计算各驱动因子与洪水的相关性，选择在洪水发生前S天内或者显著性相关的驱动因子作为洪水发生的潜在主导机制；在潜在生成机制中Spearman相关系数值最大的作为洪水发生的主导机制；
S106：利用偏最小二乘法确定洪水发生时间和驱动因子发生时间之间的线性方程；根据洪水和各潜在机制的驱动因子的时间序列通过偏最小二乘法建立线性方程；
S107：利用偏微分方程法对洪水季节性变化定量归因；依据步骤S106所得到的线性方程，定量计算各驱动因子对洪水季节性变化的灵敏度、单独贡献和各机制的相对贡献，以相对贡献值最大为标准，确定洪水季节性变化的主要驱动机制；
各驱动因子的时间序列由逐日降水、温度及由Penman-Monteith公式计算的潜在蒸散发数据计算得到；其中根据Penman-Monteith公式如下：
式中，ET0为参考蒸散量，mm/day；Rn为作物表面上的净辐射，MJ/(m2day)；G为土壤热通量，MJ/(m2 day)；T为2米高处日平均气温，℃；u2为2米高处的风速，m/s；es为饱合水汽压，kPa；ea为实际水汽压，kPa；es-ea为饱和水汽压差，kPa；Δ为饱和水汽压曲线的斜率；r为湿度计常数，
步骤S107中偏微分方程求解具体如下：
QD＝f(PD1,PD7,PE1,PE7,PD30,SD1,SD7,TD)
上式中，PD1、PD7、PD30为PDN中，N分别取1、7、30；PE1、PE7为PEM中M分别取1、7；SD1、SD7为SDO中O分别取1、7；QD为洪水发生时间；R为残差项；
驱动因子的灵敏度计算如下：
εxi为驱动因子xi的灵敏度；
驱动因子的单独贡献计算如下：
Individual contributionxi为驱动因子xi的单独贡献；
各机制的相对贡献计算公式如下：
其中k代表4个驱动机制：极端降水Ep、超渗雨Pe、前期土壤含水量Am和融雪Sn中的任意一个。
2.如权利要求1所述的基于偏微分方程的洪水季节性驱动机制识别与归因方法，其特征在于：步骤S101中，所述实测全球逐日气象数据包括全球格点的日均气温、降水、蒸发量和太阳辐射，通过面积加权平均计算得到站点数据；所述水文数据包括日均降水、蒸发量和径流量。
3.如权利要求1所述的基于偏微分方程的洪水季节性驱动机制识别与归因方法，其特征在于：步骤S102中，所述引发洪水的机制包括：极端降水Ep、超渗雨Pe、前期土壤含水量Am和融雪Sn；
所述洪水发生的驱动因子包括：年最大N日降水量日期PDN、年最大M日超渗雨日期PEM、年最大O日融雪速率日期SDO和连续U天地表温度低于0℃后第1个地表温度高于0℃的连续U天中的第1天的日期TD；其中M、N、O、U为预设值。
4.如权利要求3所述的基于偏微分方程的洪水季节性驱动机制识别与归因方法，其特征在于：超渗雨Pe的计算公式如下：
Pe(t)＝max(0,Pre(t)-(Su,max-Su(t)))
Su(t)＝Su(t-1)+Pre(t)-Pe(t)-min(0.75×PET(t),Su(t))
式中：Pe(t)为t日的超渗雨量，Pre(t)为t日的观测降水量，Su(t)为t日存储在不饱和区的水量，Su,max为土壤饱和含水量，PET(t)为t日的潜在蒸散发量。
5.如权利要求4所述的基于偏微分方程的洪水季节性驱动机制识别与归因方法，其特征在于：融雪速率的计算公式如下：
Psnow(t)＝min(fdd×max(T(t)-Tcrit,0),Ssnow(t))+Pre(T(t)>Tcrit)
Ssnow(t)＝Ssnow(t-1)+Pre(T(t)>Tcrit)-Psnow(t)
式中：Psnow(t)为t日的融雪速率，fdd为融化速率常数，Tcrit为温度阈值，Ssnow(t)为t日的雪存储量；T(t)为t日的温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210414460.3A CN115034548B (zh) | 2022-04-20 | 2022-04-20 | 基于偏微分方程的洪水季节性驱动机制识别与归因方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210414460.3A CN115034548B (zh) | 2022-04-20 | 2022-04-20 | 基于偏微分方程的洪水季节性驱动机制识别与归因方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115034548A CN115034548A (zh) | 2022-09-09 |
| CN115034548B true CN115034548B (zh) | 2024-05-17 |
Family
ID=83119128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210414460.3A Active CN115034548B (zh) | 2022-04-20 | 2022-04-20 | 基于偏微分方程的洪水季节性驱动机制识别与归因方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034548B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1662876A (zh) * | 2000-11-09 | 2005-08-31 | Spss公司 | 构建时间序列模型的系统与方法 |
| KR101695802B1 (ko) * | 2015-07-16 | 2017-01-13 | 한국외국어대학교 연구산학협력단 | 실시간 토양수분량을 이용한 돌발홍수 모니터링 방법. |
| CN107818238A (zh) * | 2017-09-28 | 2018-03-20 | 河海大学 | 一种确定蒸散发变化主因及判别因素间耦合作用的方法 |
| CN111027175A (zh) * | 2019-11-06 | 2020-04-17 | 中国地质大学（武汉） | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 |
| CN112785035A (zh) * | 2020-12-29 | 2021-05-11 | 国电电力发展股份有限公司和禹水电开发公司 | 融合多元信息的中短期水文预报方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170103172A1 (en) * | 2015-10-07 | 2017-04-13 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | System And Method To Geospatially And Temporally Predict A Propagation Event |
-
2022
- 2022-04-20 CN CN202210414460.3A patent/CN115034548B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1662876A (zh) * | 2000-11-09 | 2005-08-31 | Spss公司 | 构建时间序列模型的系统与方法 |
| KR101695802B1 (ko) * | 2015-07-16 | 2017-01-13 | 한국외국어대학교 연구산학협력단 | 실시간 토양수분량을 이용한 돌발홍수 모니터링 방법. |
| CN107818238A (zh) * | 2017-09-28 | 2018-03-20 | 河海大学 | 一种确定蒸散发变化主因及判别因素间耦合作用的方法 |
| CN111027175A (zh) * | 2019-11-06 | 2020-04-17 | 中国地质大学（武汉） | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 |
| CN112785035A (zh) * | 2020-12-29 | 2021-05-11 | 国电电力发展股份有限公司和禹水电开发公司 | 融合多元信息的中短期水文预报方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 全球暴雨洪水灾害风险评估与制图;方建;李梦婕;王静爱;史培军;;自然灾害学报;20150215(01);全文 * |
| 方乐润 ; 施鑫源 ; 陈绍玉 ; .应用时间序列分析法模拟地下水资源系统.河海大学学报(自然科学版).(06),全文. * |
| 长江源区水文周期特征及其对气候变化的响应;钱开铸;《中国博士学位论文全文数据库基础科学辑》;20131031;A012-5 * |
| 顾西辉 ; 张强 ; 孔冬冬 ; 刘剑宇 ; 范科科.中国年和季节极端降水时空特征及极值分布函数上尾部性质.《地理科学》.2017,第929-937页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115034548A (zh) | 2022-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Rainfall simulation associated with Typhoon Herb (1996) near Taiwan. Part I: The topographic effect | |
| Schulz et al. | Snowmelt and sublimation: field experiments and modelling in the High Atlas Mountains of Morocco | |
| Vernon et al. | Surface mass balance model intercomparison for the Greenland ice sheet | |
| Zappa et al. | Seasonal water balance of an Alpine catchment as evaluated by different methods for spatially distributed snowmelt modelling | |
| Habets et al. | On the utility of operational precipitation forecasts to served as input for streamflow forecasting | |
| Reeves et al. | Synoptic-scale flow and valley cold pool evolution in the western United States | |
| CN106971013A (zh) | 山洪灾害小流域设计暴雨洪水计算方法 | |
| Zhang et al. | Simulation of spring discharge from a limestone aquifer in Iowa, USA | |
| Feng et al. | Temporal and Spatial Variation Characteristics of NDVI and Its Relationship with Environmental Factors in Huangshui River Basin from 2000 to 2018. | |
| Dasari et al. | Simulation of Indian monsoon extreme rainfall events during the decadal period of 2000–2009 using a high resolution mesoscale model | |
| Firozjaei et al. | Seasonal and daily effects of the sea on the surface urban heat island intensity: A case study of cities in the Caspian Sea Plain | |
| CN115034548B (zh) | 基于偏微分方程的洪水季节性驱动机制识别与归因方法 | |
| Kelaiya et al. | Assessment of water balance components of bhadar river basin using SWAT model | |
| Xu et al. | An assessment of sulfur deposition pathways in Asia | |
| Kim | Precipitation and snow budget over the southwestern United States during the 1994–1995 winter season in a mesoscale model simulation | |
| Neff et al. | The meteorology and chemistry of high nitrogen oxide concentrations in the stable boundary layer at the South Pole | |
| Sohrabi et al. | Role of temporal resolution of meteorological inputs for process‐based snow modelling | |
| Barlage et al. | Human Impacts on Land Surface‐Atmosphere Interactions | |
| Sabale et al. | Comparative study between water yield and consumptive use: a case study of khatav taluka | |
| Aikawa et al. | Change of atmospheric condition in an urbanized area of Japan from the viewpoint of rainfall intensity | |
| Zhang et al. | Monitoring and analysis of snow cover change in an alpine mountainous area in the Tianshan Mountains, China | |
| Haleakala | Hydrological underpinnings of mountain snowpack responses to warming storms | |
| Zhan et al. | Modified Blaney-Criddle method—an empirical approach to estimate potential evaporation using air temperature | |
| Hauptfleisch | Intra-Storm Attributes and Climatology of Extreme Erosive Events on Mauritius 2004-2008 | |
| Garstka | Factors Affecting Snowmelt and Streamflow: A Report on the 1946-53 Cooperative Snow Investigations at the Fraser Experimental Forest, Fraser, Colo |
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 |