CN115329610A - 一种基于土壤水分的旱涝急转事件识别方法、装置及设备 - Google Patents
一种基于土壤水分的旱涝急转事件识别方法、装置及设备 Download PDFInfo
- Publication number
- CN115329610A CN115329610A CN202211264216.XA CN202211264216A CN115329610A CN 115329610 A CN115329610 A CN 115329610A CN 202211264216 A CN202211264216 A CN 202211264216A CN 115329610 A CN115329610 A CN 115329610A
- Authority
- CN
- China
- Prior art keywords
- drought
- soil moisture
- day
- flood
- waterlogging
- 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
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
- 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)
- 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
本发明涉及自然灾害风险评估技术领域,公开了一种基于土壤水分的旱涝急转事件识别方法、装置及设备。本发明采用日尺度土壤水数据计算其实际分布的概率密度与均匀分布概率密度曲线,并基于该两曲线计算对应日的土壤水分集中指数;根据目标时间段的土壤水分集中指数序列确定可能发生旱涝急转的时间点,并结合土壤水分距平百分率,确定可能发生旱涝急转的时间点对应时间窗口内各日的旱涝状态,若偏旱状态与偏涝状态切换的时间间隔不大于第一天数阈值、切换前的旱涝状态持续时间大于第二天数阈值且切换后的旱涝状态持续时间大于第三天数阈值,判定对应时间点发生旱涝急转事件。本发明有效提高了旱涝急转事件识别的精度,应用效果更好。
Description
技术领域
本发明涉及自然灾害风险评估技术领域,尤其涉及一种基于土壤水分的旱涝急转事件识别方法、装置及设备。
背景技术
在全球气候变暖和人类活动等因素的影响下,干旱、洪涝灾害等极端水文事件并存,且其发生的频率和强度呈增加趋势。旱涝异常现象主要包括旱涝急转事件,以及不同尺度的旱涝急转形成的旱涝并存。一般认为旱涝急转是在较短时间内旱和涝两个事件并存或者交替出现,即前一个状态快速改变的过程,存在旱转涝事件和涝转旱事件。准确识别旱涝急转事件,并探究该事件的时空变化特征,有利于准确估算粮食产量,合理解决水资源供需矛盾,助力防汛抗旱工作开展。
现有旱涝急转事件识别方法大多使用地面气象站点观测的降水数据,在站点分布不均匀、站点数量不足以及站点代表性不足 (如下垫面性质复杂) 等情况下,所获得的降雨数据具有很大的不确定性,并不能完全表征大范围区域内的降水情况,使得该方法对旱涝急转事件发生的区域和时间的识别精度较低。
此外,现有旱涝急转指数的计算通常基于某一时间尺度(如1-2个月)的标准化降水或径流系列,例如长周期旱涝急转指数(LDFAI)和短周期旱涝急转指数(SDFAI)。其中,长周期旱涝急转指数定义旱期和涝期分别两个月,该指数较高时对应着旱转涝事件,低值对应涝转旱事件。短周期旱涝急转指数计算标准化10天滑动平均降水量,再对降雨序列计算夏季标准差,SDFAI值大于1的为高值,值越大则夏季旱涝急转越显著,反之越不显著。这类指数尺度较粗糙,易在粗分辨率尺度下平滑旱涝情况,发生旱涝急转事件检测的遗漏,并且该指数无法给出旱涝急转的具体发生时间,也无法描述急转事件具体的发生过程。
相关技术中提出采用日尺度旱涝急转指数(DWAAI)来评价旱涝急转事件,以改进上述旱涝急转指数的局限性。该方法利用日尺度降雨数据,构建对应的判别指数,同时考虑前/后期旱涝程度与急转快慢程度,定义当DWAAI值大于15 时发生旱涝急转事件,且DWAAI值越大,表征事件越严重。然而,该指数仅考虑了旱转涝类型的事件,并不能对涝转旱事件进行识别。
发明内容
本发明提供了一种基于土壤水分的旱涝急转事件识别方法、装置及设备,解决了现有旱涝急转事件识别方法存在识别精度低和识别局限性强的缺陷的技术问题。
本发明第一方面提供一种基于土壤水分的旱涝急转事件识别方法,包括:
获取目标时间段内各日在对应第一时间窗口内的土壤水分序列,对各土壤水分序列进行离差标准化处理,得到目标时间段内各日对应的标准化土壤水分序列;
根据所述标准化土壤水分序列绘制对应日的实际累积土壤水分值与累积时间的第一概率密度曲线,以及绘制对应日的累积平均土壤水分值与累积时间的第二概率密度曲线,计算对应日的第一概率密度曲线和第二概率密度曲线在对应第一时间窗口内的积分之差,将所述积分之差除以相应第二概率密度曲线在对应第一时间窗口内的积分,得到对应日的土壤水分集中指数;
将所述目标时间段内每日的土壤水分集中指数与预置的指数正常阈值范围进行比较,从超出所述指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点;
以所述可能发生旱涝急转的时间点为时间窗口中心,计算对应第二时间窗口内各日的土壤水分距平百分率,根据计算得到的土壤水分距平百分率序列确定对应第二时间窗口内各日的旱涝状态,若对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔不大于第一天数阈值、切换前的旱涝状态持续时间大于第二天数阈值且切换后的旱涝状态持续时间大于第三天数阈值,判定在对应的可能发生旱涝急转的时间点发生旱涝急转事件。
根据本发明第一方面的一种能够实现的方式,所述获取目标时间段内各日在对应第一时间窗口内的土壤水分序列,包括:
获取目标区域的SMAP土壤水分产品数据,以目标时间段的第i日作为第一时间窗口的中心,利用所述第一时间窗口对所述SMAP土壤水分产品数据进行采样,得到所述第i日在对应第一时间窗口内的土壤水分序列。
根据本发明第一方面的一种能够实现的方式,所述以所述可能发生旱涝急转的时间点为时间窗口中心,计算对应第二时间窗口内各日的土壤水分距平百分率,包括:
对目标区域在预置年份范围内的SMAP土壤水分产品数据序列进行滑动平均处理,以所述可能发生旱涝急转的时间点对应第二时间窗口内的各日作为目标日,从处理后的SMAP土壤水分产品数据序列提取每年在目标日的土壤水分值进行平均值求取,得到对应目标日在预置年份范围内的土壤水分平均值;
根据目标日在预置年份范围内的土壤水分平均值计算得到对应的土壤水分距平百分率。
根据本发明第一方面的一种能够实现的方式,所述从超出所述指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点,包括:
从大于所述指数正常阈值范围的上限值的土壤水分集中指数序列中选取极大值点的对应日作为可能发生旱涝急转的时间点;
从小于所述指数正常阈值范围的下限值的土壤水分集中指数序列中选取极小值点的对应日作为可能发生旱涝急转的时间点。
根据本发明第一方面的一种能够实现的方式,所述根据计算得到的土壤水分距平百分率序列确定对应第二时间窗口内各日的旱涝状态,包括:
若土壤水分距平百分率小于-5%,确定对应日处于偏旱状态;
若土壤水分距平百分率大于5%,确定对应日处于偏涝状态。
根据本发明第一方面的一种能够实现的方式,所述方法还包括:
根据旱涝急转事件对应时间点的土壤水分集中指数及对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔,评估对应旱涝急转事件的类型、急转幅度和/或急转强度。
根据本发明第一方面的一种能够实现的方式,所述根据旱涝急转事件对应时间点的土壤水分集中指数及对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔,评估对应旱涝急转事件的类型、急转幅度和/或急转强度,包括:
根据旱涝急转事件对应时间点的土壤水分集中指数评估对应旱涝急转事件的类型,若旱涝急转事件对应时间点的土壤水分集中指数为负值,判定对应旱涝急转事件为旱转涝类型,否则为涝转旱类型;
计算所述第一天数阈值与对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔的差值,以得到的差值作为对应旱涝急转事件的急转幅度;
计算旱涝急转事件对应时间点的土壤水分集中指数的绝对值与对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔的差值的比值,以得到的计算结果作为对应旱涝急转事件的急转强度。
本发明第二方面提供一种基于土壤水分的旱涝急转事件识别装置,包括:
数据获取模块,用于获取目标时间段内各日在对应第一时间窗口内的土壤水分序列,对各土壤水分序列进行离差标准化处理,得到目标时间段内各日对应的标准化土壤水分序列;
指数计算模块,用于根据所述标准化土壤水分序列绘制对应日的实际累积土壤水分值与累积时间的第一概率密度曲线,以及绘制对应日的累积平均土壤水分值与累积时间的第二概率密度曲线,计算对应日的第一概率密度曲线和第二概率密度曲线在对应第一时间窗口内的积分之差,将所述积分之差除以相应第二概率密度曲线在对应第一时间窗口内的积分,得到对应日的土壤水分集中指数;
时间点确定模块,用于将所述目标时间段内每日的土壤水分集中指数与预置的指数正常阈值范围进行比较,从超出所述指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点;
旱涝急转判断模块,用于以所述可能发生旱涝急转的时间点为时间窗口中心,计算对应第二时间窗口内各日的土壤水分距平百分率,根据计算得到的土壤水分距平百分率序列确定对应第二时间窗口内各日的旱涝状态,若对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔不大于第一天数阈值、切换前的旱涝状态持续时间大于第二天数阈值且切换后的旱涝状态持续时间大于第三天数阈值,判定在对应的可能发生旱涝急转的时间点发生旱涝急转事件。
根据本发明第二方面的一种能够实现的方式,所述数据获取模块包括:
数据获取单元,用于获取目标区域的SMAP土壤水分产品数据,以目标时间段的第i日作为第一时间窗口的中心,利用所述第一时间窗口对所述SMAP土壤水分产品数据进行采样,得到所述第i日在对应第一时间窗口内的土壤水分序列。
根据本发明第二方面的一种能够实现的方式,所述旱涝急转判断模块包括:
数据预处理单元,用于对目标区域在预置年份范围内的SMAP土壤水分产品数据序列进行滑动平均处理,以所述可能发生旱涝急转的时间点对应第二时间窗口内的各日作为目标日,从处理后的SMAP土壤水分产品数据序列提取每年在目标日的土壤水分值进行平均值求取,得到对应目标日在预置年份范围内的土壤水分平均值;
计算单元,用于根据目标日在预置年份范围内的土壤水分平均值计算得到对应的土壤水分距平百分率。
根据本发明第二方面的一种能够实现的方式,所述时间点确定模块包括:
第一时间点确定单元,用于从大于所述指数正常阈值范围的上限值的土壤水分集中指数序列中选取极大值点的对应日作为可能发生旱涝急转的时间点;
第二时间点确定单元,用于从小于所述指数正常阈值范围的下限值的土壤水分集中指数序列中选取极小值点的对应日作为可能发生旱涝急转的时间点。
根据本发明第二方面的一种能够实现的方式,所述旱涝急转判断模块包括:
第一判断单元,用于若土壤水分距平百分率小于-5%,确定对应日处于偏旱状态;
第二判断单元,用于若土壤水分距平百分率大于5%,确定对应日处于偏涝状态。
根据本发明第二方面的一种能够实现的方式,所述装置还包括:
事件评估模块,用于根据旱涝急转事件对应时间点的土壤水分集中指数及对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔,评估对应旱涝急转事件的类型、急转幅度和/或急转强度。
根据本发明第二方面的一种能够实现的方式,所述事件评估模块包括:
第一评估单元,用于根据旱涝急转事件对应时间点的土壤水分集中指数评估对应旱涝急转事件的类型,若旱涝急转事件对应时间点的土壤水分集中指数为负值,判定对应旱涝急转事件为旱转涝类型,否则为涝转旱类型;
第二评估单元,用于计算所述第一天数阈值与对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔的差值,以得到的差值作为对应旱涝急转事件的急转幅度;
第三评估单元,用于计算旱涝急转事件对应时间点的土壤水分集中指数的绝对值与对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔的差值的比值,以得到的计算结果作为对应旱涝急转事件的急转强度。
本发明第三方面提供了一种基于土壤水分的旱涝急转事件识别设备,包括:
存储器,用于存储指令;其中,所述指令用于实现如上任意一项能够实现的方式所述的基于土壤水分的旱涝急转事件识别方法;
处理器,用于执行所述存储器中的指令。
本发明第四方面一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任意一项能够实现的方式所述的基于土壤水分的旱涝急转事件识别方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明基于土壤水分序列的标准化值绘制对应日的实际累积土壤水分值与累积时间的概率密度曲线以及对应日的累积平均土壤水分值与累积时间的概率密度曲线,进而基于两曲线计算对应日的土壤水分集中指数;从超出指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点;以可能发生旱涝急转的时间点为时间窗口中心,计算对应第二时间窗口内各日的土壤水分距平百分率,以确定对应第二时间窗口内各日的旱涝状态,若对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔不大于第一天数阈值、切换前的旱涝状态持续时间大于第二天数阈值且切换后的旱涝状态持续时间大于第三天数阈值,判定在对应的可能发生旱涝急转的时间点发生旱涝急转事件;本发明采用相对于降水数据更能直接表征陆地生态系统旱涝情况的土壤水分数据进行分析,并采用日尺度土壤水数据计算土壤水分集中指数,以确定可能发生旱涝急转的时间点,再结合土壤水分距平百分率对旱涝急转事件进行识别,能够在日尺度上筛选旱涝急转事件,有效提高了旱涝急转事件识别的精度,应用效果更好。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一个可选实施例提供的一种基于土壤水分的旱涝急转事件识别方法的流程图;
图2为本发明一个可选实施例提供的一种基于土壤水分的旱涝急转事件识别方法的原理示意图;
图3为本发明另一个可选实施例提供的一种基于土壤水分的旱涝急转事件识别方法的流程图;
图4为本发明一个可选实施例提供的目标区域内某像元土壤水分集中指数SMCI变化趋势示意图;
图5为本发明一个可选实施例提供的可能发生旱涝急转的时间点P1的土壤水分距平百分率序列示意图;
图6为本发明一个可选实施例提供的可能发生旱涝急转的时间点P2的土壤水分距平百分率序列示意图;
图7为本发明一个可选实施例提供的一种基于土壤水分的旱涝急转事件识别装置的结构连接框图;
图8为本发明另一个可选实施例提供的一种基于土壤水分的旱涝急转事件识别装置的结构连接框图。
附图标记:
1-数据获取模块;2-指数计算模块;3-时间点确定模块;4-旱涝急转判断模块;5-事件评估模块。
具体实施方式
本发明实施例提供了一种基于土壤水分的旱涝急转事件识别方法、装置及设备,用于解决现有旱涝急转事件识别方法存在识别精度低和识别局限性强的缺陷的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
本发明提供了一种基于土壤水分的旱涝急转事件识别方法。
请参阅图1,图1示出了本发明实施例提供的一种基于土壤水分的旱涝急转事件识别方法的流程图。
本发明实施例提供的一种基于土壤水分的旱涝急转事件识别方法,包括:
步骤S1,获取目标时间段内各日在对应第一时间窗口内的土壤水分序列,对各土壤水分序列进行离差标准化处理,得到目标时间段内各日对应的标准化土壤水分序列。
现有的旱涝急转事件识别方法大多使用气象要素中的降水数据,在识别农作物水分亏缺时的直接性和有效性均有所欠缺,而土壤水分是陆地生态系统旱涝情况的更直接表征变量,故本实施例中,利用目标区域的土壤水分数据进行旱涝急转事件识别。
在一种能够实现的方式中,所述获取目标时间段内各日在对应第一时间窗口内的土壤水分序列,包括:
获取目标区域的SMAP土壤水分产品数据,以目标时间段的第i日作为第一时间窗口的中心,利用所述第一时间窗口对所述SMAP土壤水分产品数据进行采样,得到所述第i日在对应第一时间窗口内的土壤水分序列。
本实施例中,以SMAP土壤水分产品数据构建土壤水分序列。相较于站点实测数据,卫星遥感数据具有大尺度和高时空分辨率的优势,为土壤水分研究带来有力的数据支撑。
作为具体的实施方式,该SMAP土壤水分产品为SMAP L4(即SMAP Level 4)土壤水分产品,如图2所示。
SMAP卫星于2015年1月31日发射升空,搭载的L波段辐射计能提供目前全球范围内高精度的土壤水分观测数据,其中L4产品通过将SMAP亮度温度的观测同化到NASA集水区地表模型 (Catchment Land Surface Model,CLSM)中,以9 km空间分辨率对表层和根区土壤水分进行3小时估计。由于表层土壤水分(0-5cm)对雨量响应敏感,本实施例中,具体地,选用表层土壤水分数据,将每3小时的数据进行平均,生成基于日尺度的SMAP L4土壤水分数据,以提高识别旱涝急转事件的时空分辨率。
需要说明的是,可以根据旱涝事件识别的敏感程度需求选择其他值作为该第一时间窗口的时间长度。
其中,对各土壤水分序列进行离差标准化处理,可以实现对原始数据的线性变换,使结果值映射到0~1之间。
作为具体的实施方式,按照下列公式对土壤水分序列进行离差标准化处理:
步骤S2,根据所述标准化土壤水分序列绘制对应日的实际累积土壤水分值与累积时间的第一概率密度曲线,以及绘制对应日的累积平均土壤水分值与累积时间的第二概率密度曲线,计算对应日的第一概率密度曲线和第二概率密度曲线在对应第一时间窗口内的积分之差,将所述积分之差除以相应第二概率密度曲线在对应第一时间窗口内的积分,得到对应日的土壤水分集中指数。本实施例中,定义了一个土壤水分集中指数,用来衡量固定时间窗口内土壤水分的分布情况。
在计算第二概率密度曲线时,假设土壤水分值在时间窗口内均匀分布,将对应的总土壤水分值除以对应的时间窗口天数即得到平均土壤水分值,基于此绘制累积平均土壤水分值与累积时间的曲线。具体地,绘制第一概率密度曲线和第二概率密度曲线时,分别根据所述标准化土壤水分序列计算累积土壤水分序列和累积平均土壤水分序列,进而根据累积土壤水分序列绘制得到第一概率密度曲线,根据累积平均土壤水分序列绘制得到第二概率密度曲线。
以第一时间窗口的时间长度为23天作为示例,第i日的标准化土壤水分序列则为,则在该序列中第j(1≤j≤23)日的累积土壤水分值为,此处k为下界,j为上界。根据该公式可以求取该序列中各日的累积土壤水分值。例如在该序列中第3日的累积土壤水分值为。
在该序列中第i日的累积平均土壤水分值为,计算时间段内各日的累积土壤水分值得到相应的累积土壤水分序列,计算时间段内各日的累积平均土壤水分值得到累积平均土壤水分序列,以第一时间窗口中的各日作为横坐标的值,以累积土壤水分序列中的累积土壤水分值作为纵坐标的值,绘制得到第一概率密度曲线,以第一时间窗口中的各日作为横坐标的值,以累积平均土壤水分序列中的累积平均土壤水分值作为纵坐标的值,绘制第二概率密度曲线。
作为具体的实施方式,计算对应日的第一概率密度曲线在对应第一时间窗口内的积分,以及计算第二概率密度曲线在对应第一时间窗口内的积分时,皆以对应日作为第一时间窗口的中心,进而根据积分结果计算对应日的土壤水分集中指数。第一时间窗口的时间长度可以根据实际情况进行设置。如图2所示,以固定时间窗口T作为第一时间窗口。
以第一时间窗口的时间长度为23天作为示例,以对应日作为时间窗口中心,则取对应日前后11天进行土壤水分集中指数计算,该土壤水分集中指数的计算公式如下:
需要说明的是,在其他具体的实施方式中,也可不以对应日作为第一时间窗口的中心,例如,将对应日的前一天或后一天作为第一时间窗口的中心。为保障土壤水分集中指数的计算精度,在对应日的前两天到对应日后两天这段时间范围内选择某一日作为第一时间窗口的中心。
步骤S3,将所述目标时间段内每日的土壤水分集中指数与预置的指数正常阈值范围进行比较,从超出所述指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点。
土壤水分集中指数反映了对应时段窗口内土壤水分的分布情况,若土壤水分集中指数趋近0值,表明两条曲线的趋势几乎一致,即土壤水分的实际分布情况趋向于均匀分布,发生旱涝急转事件的可能性越小。同理,若土壤水分集中指数越远离0值,则土壤水分分布越集中,即发生旱涝急转事件的可能性越高。
可以通过统计SMAP卫星在资料累积的多年(例如7年)的SMCI值,取所有正值升序排列的90百分位数所对应的SMCI(土壤水分集中指数)值作为涝转旱事件的阈值Th1,同时取所有负值升序排列的10百分位数所对应的SMCI值作为旱转涝事件的阈值Th2。从而,基于阈值Th1和阈值Th2构建所述指数正常阈值范围,其中阈值Th1作为所述指数正常阈值范围的上限值,阈值Th2作为所述指数正常阈值范围的下限值。
需要说明的是,本实施例中,90和10百分位数是由敏感性分析确定,可以根据实际情况进行阈值Th1和阈值Th2的调整。
在一种能够实现的方式中,所述从超出所述指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点,包括:
从大于所述指数正常阈值范围的上限值的土壤水分集中指数序列中选取极大值点的对应日作为可能发生旱涝急转的时间点;
从小于所述指数正常阈值范围的下限值的土壤水分集中指数序列中选取极小值点的对应日作为可能发生旱涝急转的时间点。
已知SMCI值越远离0值,土壤水分分布越不均匀,本实施例中,在每一段超出阈值的序列中选择极值点,涝转旱事件选择极大值点,旱转涝事件选择极小值点,作为最有可能发生旱涝急转事件的时间点。
值得注意的是,在一次洪涝事件中,土壤水分已经处于偏湿状态,若此时有强降雨在短时间内发生,土壤水分会继续迅速增加,也会导致土壤水分在时间上分布不均匀,由此得到较大的SMCI绝对值,从而导致旱涝急转事件的误判。因此,SMCI超出阈值的时间点仅能被认为是旱涝急转的可能发生时间,还需联合其他条件进一步筛查。本发明上述实施例中,仅是从超出所述指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点,能够有效降低旱涝急转事件的误判率。
步骤S4,以所述可能发生旱涝急转的时间点为时间窗口中心,计算对应第二时间窗口内各日的土壤水分距平百分率,根据计算得到的土壤水分距平百分率序列确定对应第二时间窗口内各日的旱涝状态,若对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔不大于第一天数阈值、切换前的旱涝状态持续时间大于第二天数阈值且切换后的旱涝状态持续时间大于第三天数阈值,判定在对应的可能发生旱涝急转的时间点发生旱涝急转事件。
在一种能够实现的方式中,所述以所述可能发生旱涝急转的时间点为时间窗口中心,计算对应第二时间窗口内各日的土壤水分距平百分率,包括:
对目标区域在预置年份范围内的SMAP土壤水分产品数据序列进行滑动平均处理,以所述可能发生旱涝急转的时间点对应第二时间窗口内的各日作为目标日,从处理后的SMAP土壤水分产品数据序列提取每年在目标日的土壤水分值进行平均值求取,得到对应目标日在预置年份范围内的土壤水分平均值;
根据目标日在预置年份范围内的土壤水分平均值计算得到对应的土壤水分距平百分率。
若直接使用原始土壤水分数据序列,噪声过大,即序列波动性较大,不易提取出数据规律。以天为时间尺度的旱涝急转事件是一种低频变化,因此对序列进行滑动平均处理。滑动平均的本质是一种低通滤波,目的是过滤掉时间序列中的高频扰动,保留有用的低频趋势。
作为一种具体的实施方式,对SMAP土壤水分产品数据序列直接求均值,以得到滑动平均处理后的SMAP土壤水分产品数据序列。以5天作为滑动平均窗口的时间长度为示例,按照如下计算公式对SMAP土壤水分产品数据序列进行滑动平均处理:
作为具体的实施方式,该预置年份范围为7年。计算对应的土壤水分距平百分率时,对近7年的SMAP土壤水分产品数据序列进行滑动平均处理,进而从处理后的SMAP土壤水分产品数据序列提取每年在目标日的土壤水分值。例如,目标日为5月1号时,则从处理后的SMAP土壤水分产品数据序列提取每年该5月1号的土壤水分值,进而求取均值,得到5月1号在近7年内的土壤水分平均值,以用于计算土壤水分距平百分率。距平(Anomaly)指某一数据序列中的某一个数值与平均值的差,即数量统计学中的“离差”,若低于平均值为负距平,若高于平均值为正距平。距平百分率(Percentage of Anomalies)是对距平进行标准化处理。作为一种具体的实施方式,按照下列计算公式计算对应第二时间窗口内各日的土壤水分距平百分率:
在一种能够实现的方式中,如图2所示,所述根据计算得到的土壤水分距平百分率序列确定对应第二时间窗口内各日的旱涝状态,包括:
若土壤水分距平百分率小于-5%,确定对应日处于偏旱状态;
若土壤水分距平百分率大于5%,确定对应日处于偏涝状态。
本实施例中,根据已有研究及敏感性分析设定-5%作为判断土壤水分距平百分率对应日是否处于偏旱状态的具体阈值,设定5%作为判断土壤水分距平百分率对应日是否处于偏涝状态的具体阈值。需要说明的是,可以根据实际情况对该两个具体阈值进行适当调整。
作为一种具体的实施方式,设置第一天数阈值、第二天数阈值和第三天数阈值皆为5天,则在可能发生旱涝急转事件的时间点P的固定时间窗口内,前期连续偏旱(涝)5天以上,并且在C天内转为偏涝(旱)状态,且持续5天以上,即可判定为发生了一次旱涝急转事件,如图2所示。
在一种能够实现的方式中,如图3所示,在图1所示方法的基础上,所述方法还包括:
步骤S5,根据旱涝急转事件对应时间点的土壤水分集中指数及对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔,评估对应旱涝急转事件的类型、急转幅度和/或急转强度。
作为一种具体的实施方式,根据旱涝急转事件对应时间点的土壤水分集中指数评估对应旱涝急转事件的类型,若旱涝急转事件对应时间点的土壤水分集中指数为负值,判定对应旱涝急转事件为旱转涝类型,否则为涝转旱类型。
作为一种具体的实施方式,计算所述第一天数阈值与对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔的差值,以得到的差值作为对应旱涝急转事件的急转幅度。如图2所示,以第一天数阈值为5天作为示例,该急转幅度的计算式为5-C,C表示对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔。C越小,表示干旱、洪涝状态切换的时间间隔越短,对应的急转幅度越大。
作为一种具体的实施方式,计算旱涝急转事件对应时间点的土壤水分集中指数的绝对值与对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔的差值的比值,以得到的计算结果作为对应旱涝急转事件的急转强度。即越大,则土壤水在该段时间内分布越不均匀,旱涝急转事件的急转强度越大。
下面以具体实例阐述本方法的流程。
(1)计算目标区域内某像元在研究时间段内的SMCI值,图4为该像元2015年5月至8月初的SMCI序列,点横线标记的是该像元两类旱涝急转事件的阈值,分别是涝转旱事件阈值Th1 = 0.316,旱转涝事件阈值Th2 = -0.292。由图4可知,有两段子序列超出阈值:一段为5月中旬,另一段为7月底至8月初。
已知SMCI值越远离0值,土壤水分分布越不均匀,则在这两段子序列中选择极小值、极大值点作为最有可能发生旱涝急转事件的时间点P。第一段子序列中选择极小值点P1为5月14日,对应的SMCI值为-0.297;第二段选择极大值点P2,对应日期为8月1日,SMCI值为0.324。
(2)通过计算SMCI值筛选出多个可能发生旱涝急转的时间点P,为了降低全旱、全涝事件的比例,结合距平百分率进一步判断是否有旱涝急转发生。SMCI反映了固定窗口内的土壤水分集中程度,取该时间点对应的滑动窗口 (即该点前后各11天)的土壤水分距平百分率序列 ,如图5和图6所示。
(3)如图5、图6所示,P1处SMCI值小于阈值Th2,可能发生旱转涝事件,对照土壤水分距平百分率序列发现,在该段时间内前期有13天处于偏干旱状态,4天之后迅速转为持续5天以上的偏涝状态,符合旱转涝事件定义,因此判定在点P1处发生旱涝急转。点P2处的土壤水分距平百分率序列虽然正负不断变化,但整体处于正常值区间,尚未发生干旱、洪涝状态的切换,未发生旱涝急转。
(4) 已知P1对应SMCI值小于0,则该时间发生旱转涝事件;由图5可得间隔天数C为4天,则本次事件急转幅度为1(急转幅度最大值为4) ;急转强度为点P1对应的SMCI绝对值0.297除以间隔天数4,即急转强度为0.074。
下面从几个验证角度验证本申请方法对旱涝事件的检测效果。
(1)基于历史文献记载的干旱事件和洪涝事件,通过计算事件中对应地区的土壤水分距平百分率,对本发明中的旱涝判定标准进行验证。计算结果表明,所有文献记载的旱涝事件均能通过本方法筛选出来,且文献记载的事件均包含在本方法筛选得到的事件区间内。
(2)为了验证土壤水分数据在识别旱涝急转事件的可行性和准确性,利用CMIP6土壤水模拟数据分别计算本研究所提出的SMCI指数,并与SMAP L4数据计算得到的SMCI结果进行对比分析。
CMIP6土壤水模拟数据:基于政府间气候变化专门委员会 (IPCC)CMIP6的全球气候模型(Global Climate Models,GCMs)提供了土壤水分长期的历史和未来模拟,将气候系统和地表过程耦合起来,用于评估气候对土壤水分的影响以及土壤水分对大气的反馈作用。本发明使用SSP245情景实验中的EC-Earth3模型数据进行旱涝急转事件的识别,同样选取表层10 cm的每日土壤水分模拟结果。
根据得到的分析结果可以看出:SMAP L4的空间分辨率优于CMIP6土壤水模拟数据,可以在更精细尺度上进行旱涝急转事件识别,且更能体现出旱涝急转事件在空间上的分布特征;在频数上,本技术方法基于两种数据源识别出的涝转旱事件的频数均高于旱转涝事件,且SMAP L4数据识别出的旱涝急转事件更多;在空间分布上,SMAP L4识别出的结果呈现越靠近海岸线的区域发生旱涝急转的可能性越高。
(3)为了更直接体现基于SMCI指数的识别方法和已有的旱涝急转指数对旱涝急转事件的识别效果,计算长周期旱涝急转指数LDFAI进行对比验证。此处将LDFAI指数的时间尺度设定为3个月,4-6月为前期,7-9月为后期。对两种不同的数据源分别用两种方法进行旱涝急转事件识别,并绘制目标区域在目标时间段的逐像元旱涝急转事件频数分布图。
由逐像元旱涝急转事件频数分布图可以得到,基于SMCI指数的方法识别出了更多的旱涝急转事件,且呈现出的空间分布特征与实际情况更符合。
本发明还提供了一种基于土壤水分的旱涝急转事件识别装置。
请参阅图7,图7示出了本发明实施例提供的一种基于土壤水分的旱涝急转事件识别装置的结构连接框图。
本发明实施例提供的一种基于土壤水分的旱涝急转事件识别装置,包括:
数据获取模块1,用于获取目标时间段内各日在对应第一时间窗口内的土壤水分序列,对各土壤水分序列进行离差标准化处理,得到目标时间段内各日对应的标准化土壤水分序列;
指数计算模块2,用于根据所述标准化土壤水分序列绘制对应日的实际累积土壤水分值与累积时间的第一概率密度曲线,以及绘制对应日的累积平均土壤水分值与累积时间的第二概率密度曲线,计算对应日的第一概率密度曲线和第二概率密度曲线在对应第一时间窗口内的积分之差,将所述积分之差除以相应第二概率密度曲线在对应第一时间窗口内的积分,得到对应日的土壤水分集中指数;
时间点确定模块3,用于将所述目标时间段内每日的土壤水分集中指数与预置的指数正常阈值范围进行比较,从超出所述指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点;
旱涝急转判断模块4,用于以所述可能发生旱涝急转的时间点为时间窗口中心,计算对应第二时间窗口内各日的土壤水分距平百分率,根据计算得到的土壤水分距平百分率序列确定对应第二时间窗口内各日的旱涝状态,若对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔不大于第一天数阈值、切换前的旱涝状态持续时间大于第二天数阈值且切换后的旱涝状态持续时间大于第三天数阈值,判定在对应的可能发生旱涝急转的时间点发生旱涝急转事件。
在一种能够实现的方式中,所述数据获取模块1包括:
数据获取单元,用于获取目标区域的SMAP土壤水分产品数据,以目标时间段的第i日作为第一时间窗口的中心,利用所述第一时间窗口对所述SMAP土壤水分产品数据进行采样,得到所述第i日在对应第一时间窗口内的土壤水分序列。
在一种能够实现的方式中,所述旱涝急转判断模块4包括:
数据预处理单元,用于对目标区域在预置年份范围内的SMAP土壤水分产品数据序列进行滑动平均处理,以所述可能发生旱涝急转的时间点对应第二时间窗口内的各日作为目标日,从处理后的SMAP土壤水分产品数据序列提取每年在目标日的土壤水分值进行平均值求取,得到对应目标日在预置年份范围内的土壤水分平均值;
计算单元,用于根据目标日在预置年份范围内的土壤水分平均值计算得到对应的土壤水分距平百分率。
在一种能够实现的方式中,所述时间点确定模块3包括:
第一时间点确定单元,用于从大于所述指数正常阈值范围的上限值的土壤水分集中指数序列中选取极大值点的对应日作为可能发生旱涝急转的时间点;
第二时间点确定单元,用于从小于所述指数正常阈值范围的下限值的土壤水分集中指数序列中选取极小值点的对应日作为可能发生旱涝急转的时间点。
在一种能够实现的方式中,所述旱涝急转判断模块4包括:
第一判断单元,用于若土壤水分距平百分率小于-5%,确定对应日处于偏旱状态;
第二判断单元,用于若土壤水分距平百分率大于5%,确定对应日处于偏涝状态。
在一种能够实现的方式中,如图8所示,在图7所示装置的基础上,所述装置还包括:
事件评估模块5,用于根据旱涝急转事件对应时间点的土壤水分集中指数及对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔,评估对应旱涝急转事件的类型、急转幅度和/或急转强度。
在一种能够实现的方式中,所述事件评估模块5包括:
第一评估单元,用于根据旱涝急转事件对应时间点的土壤水分集中指数评估对应旱涝急转事件的类型,若旱涝急转事件对应时间点的土壤水分集中指数为负值,判定对应旱涝急转事件为旱转涝类型,否则为涝转旱类型;
第二评估单元,用于计算所述第一天数阈值与对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔的差值,以得到的差值作为对应旱涝急转事件的急转幅度;
第三评估单元,用于计算旱涝急转事件对应时间点的土壤水分集中指数的绝对值与对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔的差值的比值,以得到的计算结果作为对应旱涝急转事件的急转强度。
本发明还提供了一种基于土壤水分的旱涝急转事件识别设备,包括:
存储器,用于存储指令;其中,所述指令用于实现如上任意一项实施例所述的基于土壤水分的旱涝急转事件识别方法;
处理器,用于执行所述存储器中的指令。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任意一项实施例所述的基于土壤水分的旱涝急转事件识别方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置、设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程,上述描述的装置、设备和模块的具体有益效果,可以参考前述方法实施例中的对应有益效果,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于土壤水分的旱涝急转事件识别方法,其特征在于,包括:
获取目标时间段内各日在对应第一时间窗口内的土壤水分序列,对各土壤水分序列进行离差标准化处理,得到目标时间段内各日对应的标准化土壤水分序列;
根据所述标准化土壤水分序列绘制对应日的实际累积土壤水分值与累积时间的第一概率密度曲线,以及绘制对应日的累积平均土壤水分值与累积时间的第二概率密度曲线,计算对应日的第一概率密度曲线和第二概率密度曲线在对应第一时间窗口内的积分之差,将所述积分之差除以相应第二概率密度曲线在对应第一时间窗口内的积分,得到对应日的土壤水分集中指数;
将所述目标时间段内每日的土壤水分集中指数与预置的指数正常阈值范围进行比较,从超出所述指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点;
以所述可能发生旱涝急转的时间点为时间窗口中心,计算对应第二时间窗口内各日的土壤水分距平百分率,根据计算得到的土壤水分距平百分率序列确定对应第二时间窗口内各日的旱涝状态,若对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔不大于第一天数阈值、切换前的旱涝状态持续时间大于第二天数阈值且切换后的旱涝状态持续时间大于第三天数阈值,判定在对应的可能发生旱涝急转的时间点发生旱涝急转事件。
2.根据权利要求1所述的基于土壤水分的旱涝急转事件识别方法,其特征在于,所述获取目标时间段内各日在对应第一时间窗口内的土壤水分序列,包括:
获取目标区域的SMAP土壤水分产品数据,以目标时间段的第i日作为第一时间窗口的中心,利用所述第一时间窗口对所述SMAP土壤水分产品数据进行采样,得到所述第i日在对应第一时间窗口内的土壤水分序列。
3.根据权利要求2所述的基于土壤水分的旱涝急转事件识别方法,其特征在于,所述以所述可能发生旱涝急转的时间点为时间窗口中心,计算对应第二时间窗口内各日的土壤水分距平百分率,包括:
对目标区域在预置年份范围内的SMAP土壤水分产品数据序列进行滑动平均处理,以所述可能发生旱涝急转的时间点对应第二时间窗口内的各日作为目标日,从处理后的SMAP土壤水分产品数据序列提取每年在目标日的土壤水分值进行平均值求取,得到对应目标日在预置年份范围内的土壤水分平均值;
根据目标日在预置年份范围内的土壤水分平均值计算得到对应的土壤水分距平百分率。
4.根据权利要求1所述的基于土壤水分的旱涝急转事件识别方法,其特征在于,所述从超出所述指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点,包括:
从大于所述指数正常阈值范围的上限值的土壤水分集中指数序列中选取极大值点的对应日作为可能发生旱涝急转的时间点;
从小于所述指数正常阈值范围的下限值的土壤水分集中指数序列中选取极小值点的对应日作为可能发生旱涝急转的时间点。
5.根据权利要求1所述的基于土壤水分的旱涝急转事件识别方法,其特征在于,所述根据计算得到的土壤水分距平百分率序列确定对应第二时间窗口内各日的旱涝状态,包括:
若土壤水分距平百分率小于-5%,确定对应日处于偏旱状态;
若土壤水分距平百分率大于5%,确定对应日处于偏涝状态。
6.根据权利要求1所述的基于土壤水分的旱涝急转事件识别方法,其特征在于,所述方法还包括:
根据旱涝急转事件对应时间点的土壤水分集中指数及对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔,评估对应旱涝急转事件的类型、急转幅度和/或急转强度。
7.根据权利要求6所述的基于土壤水分的旱涝急转事件识别方法,其特征在于,所述根据旱涝急转事件对应时间点的土壤水分集中指数及对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔,评估对应旱涝急转事件的类型、急转幅度和/或急转强度,包括:
根据旱涝急转事件对应时间点的土壤水分集中指数评估对应旱涝急转事件的类型,若旱涝急转事件对应时间点的土壤水分集中指数为负值,判定对应旱涝急转事件为旱转涝类型,否则为涝转旱类型;
计算所述第一天数阈值与对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔的差值,以得到的差值作为对应旱涝急转事件的急转幅度;
计算旱涝急转事件对应时间点的土壤水分集中指数的绝对值与对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔的差值的比值,以得到的计算结果作为对应旱涝急转事件的急转强度。
8.一种基于土壤水分的旱涝急转事件识别装置,其特征在于,包括:
数据获取模块,用于获取目标时间段内各日在对应第一时间窗口内的土壤水分序列,对各土壤水分序列进行离差标准化处理,得到目标时间段内各日对应的标准化土壤水分序列;
指数计算模块,用于根据所述标准化土壤水分序列绘制对应日的实际累积土壤水分值与累积时间的第一概率密度曲线,以及绘制对应日的累积平均土壤水分值与累积时间的第二概率密度曲线,计算对应日的第一概率密度曲线和第二概率密度曲线在对应第一时间窗口内的积分之差,将所述积分之差除以相应第二概率密度曲线在对应第一时间窗口内的积分,得到对应日的土壤水分集中指数;
时间点确定模块,用于将所述目标时间段内每日的土壤水分集中指数与预置的指数正常阈值范围进行比较,从超出所述指数正常阈值范围的土壤水分集中指数序列中选取极值点的对应日作为可能发生旱涝急转的时间点;
旱涝急转判断模块,用于以所述可能发生旱涝急转的时间点为时间窗口中心,计算对应第二时间窗口内各日的土壤水分距平百分率,根据计算得到的土壤水分距平百分率序列确定对应第二时间窗口内各日的旱涝状态,若对应第二时间窗口内偏旱状态与偏涝状态切换的时间间隔不大于第一天数阈值、切换前的旱涝状态持续时间大于第二天数阈值且切换后的旱涝状态持续时间大于第三天数阈值,判定在对应的可能发生旱涝急转的时间点发生旱涝急转事件。
9.一种基于土壤水分的旱涝急转事件识别设备,其特征在于,包括:
存储器,用于存储指令;其中,所述指令用于实现如权利要求1-7任意一项所述的基于土壤水分的旱涝急转事件识别方法;
处理器,用于执行所述存储器中的指令。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述的基于土壤水分的旱涝急转事件识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211264216.XA CN115329610B (zh) | 2022-10-17 | 2022-10-17 | 一种基于土壤水分的旱涝急转事件识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211264216.XA CN115329610B (zh) | 2022-10-17 | 2022-10-17 | 一种基于土壤水分的旱涝急转事件识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115329610A true CN115329610A (zh) | 2022-11-11 |
CN115329610B CN115329610B (zh) | 2023-03-24 |
Family
ID=83915468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211264216.XA Active CN115329610B (zh) | 2022-10-17 | 2022-10-17 | 一种基于土壤水分的旱涝急转事件识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115329610B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227683A (zh) * | 2023-01-09 | 2023-06-06 | 武汉大学 | 易旱易涝区旱涝急转交互效应评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555553A (zh) * | 2019-08-26 | 2019-12-10 | 武汉大学 | 多因素骤旱综合识别方法 |
CN111598999A (zh) * | 2020-05-13 | 2020-08-28 | 河海大学 | 一种基于三维干旱体结构的干旱事件识别方法 |
CN111680912A (zh) * | 2020-06-08 | 2020-09-18 | 中山大学 | 一种旱涝急转风险评估方法 |
CN113361742A (zh) * | 2020-12-28 | 2021-09-07 | 中国长江三峡集团有限公司 | 一种基于水文模拟的区域综合干旱识别方法 |
CN115168808A (zh) * | 2022-07-11 | 2022-10-11 | 中山大学 | 一种分析旱涝急转事件特征量的方法 |
-
2022
- 2022-10-17 CN CN202211264216.XA patent/CN115329610B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555553A (zh) * | 2019-08-26 | 2019-12-10 | 武汉大学 | 多因素骤旱综合识别方法 |
CN111598999A (zh) * | 2020-05-13 | 2020-08-28 | 河海大学 | 一种基于三维干旱体结构的干旱事件识别方法 |
CN111680912A (zh) * | 2020-06-08 | 2020-09-18 | 中山大学 | 一种旱涝急转风险评估方法 |
CN113361742A (zh) * | 2020-12-28 | 2021-09-07 | 中国长江三峡集团有限公司 | 一种基于水文模拟的区域综合干旱识别方法 |
CN115168808A (zh) * | 2022-07-11 | 2022-10-11 | 中山大学 | 一种分析旱涝急转事件特征量的方法 |
Non-Patent Citations (3)
Title |
---|
吴泽棉 等: "基于土壤水分的农业干旱监测研究进展", 《地理科学进展》 * |
杨家伟 等: "基于气象旱涝指数的旱涝急转事件识别方法", 《地理学报》 * |
涂新军 等: "传统旱涝急转评估指数的局限和改进", 《水科学进展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227683A (zh) * | 2023-01-09 | 2023-06-06 | 武汉大学 | 易旱易涝区旱涝急转交互效应评估方法 |
CN116227683B (zh) * | 2023-01-09 | 2023-11-17 | 武汉大学 | 易旱易涝区旱涝急转交互效应评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115329610B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242404B (zh) | 一种强降雨诱发洪灾事件的极端性评估方法及系统 | |
CN112785031B (zh) | 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 | |
CN115329610B (zh) | 一种基于土壤水分的旱涝急转事件识别方法、装置及设备 | |
CN114266796B (zh) | 基于激光点云数据与平均大潮高潮面的自然岸线自动获取方法、设备、介质 | |
CN107944219B (zh) | 一种表征不同时段旱涝致灾特征的方法和装置 | |
Pandya et al. | Development of drought severity–duration–frequency curves for identifying drought proneness in semi-arid regions | |
CN112903606A (zh) | 一种基于无人机高光谱的红树林生态恢复力评估方法 | |
CN117725406A (zh) | 一种旱涝急转事件的识别方法、装置、设备及存储介质 | |
CN114357737B (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
CN116882625A (zh) | 一种岩溶山地乡村聚落用地空间脆弱性识别方法 | |
CN115310796A (zh) | 一种不同类型干旱间传播关系的确定方法及系统 | |
Mathew et al. | Flood prioritization of basins based on geomorphometric properties using morphometric analysis and principal component analysis: a case study of the Maner River Basin | |
CN114996943A (zh) | 一种用于水库蓄水气候效应评估的中尺度数值模拟方法 | |
CN117251520B (zh) | 生物多样性关键区域识别方法、装置和电子设备 | |
CN114266392A (zh) | 一种基于时间衰减降水算法的森林火灾预警模型构建方法 | |
Iyamuremye et al. | Extreme value modelling of rainfall using poisson-generalized pareto distribution: A case study tanzania | |
Heydarzadeh et al. | Monitoring meteorological drought with SPI and RDI drought indices and forecasting class transitions using Markov chains in southern Iran | |
CN114117352B (zh) | 一种确定草原干旱等级的方法、装置、电子设备及介质 | |
CN116089832A (zh) | 重力卫星地下水储量的降尺度方法、装置和计算机设备 | |
Rezaiy et al. | Using the ARIMA/SARIMA Model for Afghanistan's Drought Forecasting Based on Standardized Precipitation Index | |
Cárdenas et al. | Seasonal Trend Indicators and Return Periods of Meteorological Drought in the Northern States of Mexico. | |
Seebocus et al. | Analysis of extreme rainfall and drought events using statistical and fractal methods: A case study of Mauritius | |
CN110751398A (zh) | 一种区域生态质量评价方法及装置 | |
Kumar et al. | Assessment of Drought Characteristics over Vindhyan Region through Different Drought Indices | |
Umukiza et al. | Characterization of landuse and landcover dynamics and their impact on runoff generation patterns in dam catchments of Northern Ghana |
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 |