CN115438870A - 一种大空间尺度水资源量预估方法 - Google Patents
一种大空间尺度水资源量预估方法 Download PDFInfo
- Publication number
- CN115438870A CN115438870A CN202211145192.6A CN202211145192A CN115438870A CN 115438870 A CN115438870 A CN 115438870A CN 202211145192 A CN202211145192 A CN 202211145192A CN 115438870 A CN115438870 A CN 115438870A
- Authority
- CN
- China
- Prior art keywords
- model
- water resource
- svr
- resource amount
- future
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000001556 precipitation Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 230000005855 radiation Effects 0.000 claims description 11
- 230000008020 evaporation Effects 0.000 claims description 7
- 238000001704 evaporation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000013524 data verification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 239000005431 greenhouse gas Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OQIGMSGDHDTSFA-UHFFFAOYSA-N 3-(2-iodacetamido)-PROXYL Chemical compound CC1(C)CC(NC(=O)CI)C(C)(C)N1[O] OQIGMSGDHDTSFA-UHFFFAOYSA-N 0.000 description 1
- 102100031184 C-Maf-inducing protein Human genes 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 101000993081 Homo sapiens C-Maf-inducing protein Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种大空间尺度水资源量预估方法,通过选取模型指标,确定输入模型指标的流域历史数据及其对应的水资源量的历史数据,采用核函数创建SVR回归模型并确定模型参数,输入相关参数,返回的第一个参数为根据多维空间映射出的预测值,第二个参数为测试集的均方误差MSE和决定系数R2,之后不断对模型进行修正,直到模型误差较小,符合要求,最终输入模型指标的变化环境未来模拟预测结果,采用训练好的SVR模型拟合,输出未来预估水资源量。本发明通过建立气候输出模式与SVR结合的水资源量预估模型,并将不同浓度路径下的气候模拟结果作为模型的输入条件,能够对大空间尺度的研究区未来的水资源量进行预测,结构简单、求解效率高、对实测资料验证的需求低。
Description
技术领域
本发明涉及一种大空间尺度水资源量预估方法。
背景技术
目前水资源预估模型主要分为两大类:一类是基于数据驱动的统计学法,一类是基于水文学及水力学物理机制的水文模型法。统计学法主要包括数理统计法、相似年法、扩展径流法等,而水文模型法主要包括分布式模型法、集总式水文模型法等。其中,基于数据驱动的统计法精度高,对资料要求也高,在预测的时候大多基于历史水资源量数据,难以考虑未来气候变化对水资源量的影响。水文模型法一般进行地表和地下径流的预测,需要河流实测径流数据进行验证,适用于单个或多个流域,但对于大区域的水资源预测适用性有限。西北内陆干旱区较多河流未设置水文监测站点,部分已有监测站点实测径流资料较短,无法为建立水文模型提供足够的实测数据支撑。
目前常规的水文模型法无法计算大空间尺度的水资源量,大空间尺度的水资源预测基本靠历史数据,即当前基于实测径流数据的水文模型进行大空间尺度水资源趋势预估均存在现实困难,考虑制定水安全战略性措施的迫切性,本发明提出了一种全新的气候模式输出与SVR结合的水资源量预估方法。
发明内容
为了克服背景技术中存在的缺陷,解决“怎样进行大空间尺度水资源趋势预估”的技术问题,本发明提供了一种大空间尺度水资源量预估方法,具体技术方案如下:
一种大空间尺度水资源量预估方法,包括以下步骤:
第1步:选取模型指标;
第2步:模型的构建,主要包括以下步骤:
第2.1步:输入模型指标的流域历史数据及对应的水资源量的历史数据,根据模型指标产生训练集和测试集;
第2.2步:采用核函数创建SVR回归模型并确定模型参数;
第2.3步:输入相关参数,返回的第一个参数为根据多维空间映射出的预测值,第二个参数为测试集中水资源量的预测值与真实值的均方误差MSE和决定系数R2;
第2.4步:利用模型返回的均方误差MSE和决定系数R2,对所建立的SVR回归模型的性能进行评价;
第2.5步:对模型参数进行修正或重新选择核函数类型,重复上述第2.2步至第2.4步,直至模型返回的均方误差MSE和决定系数R2满足要求;
第3步:输入模型指标的变化环境未来模拟预测结果,采用训练好的SVR模型拟合,输出未来预估水资源量。
优选的,在第1步中选取的模型指标主要包括降水量pre、最高气温Tmax、最低气温Tmin、风速Win、太阳辐射Rs、饱和水汽压ea和潜在蒸散发Et0七个。
优选的,创建SVR回归模型时采用径向基核函数,并采用交叉验证方法确定最佳参数,利用最佳参数训练SVR回归模型。
优选的,模型指标的变化环境未来模拟预测结果由以下方式得出:选取RCP2.6、RCP4.5、RCP6.0和RCP8.5不同典型浓度路径下,综合对比5个GCMs模型对同一模式的不同模拟试验结果,并进行等权重算术平均,然后再应用同样的方法对多模式结果进行集成,GCMs输出被缩小为分辨率为0.5°的网格,并使用趋势保持偏差校正方法进行校正。
优选的,在第1步中选取的模型指标主要包括降水量pre、最高气温Tmax、最低气温Tmin、风速Win、日照时数、相对湿度和蒸发量七个。
本发明的有益效果为:通过建立气候输出模式与SVR结合的水资源量预估模型,并将不同浓度路径下的气候模拟结果作为模型的输入条件,能够对大空间尺度的研究区未来的水资源量进行预测。该模型结构简单、求解效率高、对实测资料验证的需求低,且能应用于大空间尺度水资源预估。
附图说明
图1是本发明模型构建及水资源量预估流程图;
图2是本发明训练集与测试集预测结果对比图;
图3是本发明和田河流域自产水资源量预估结果图;
图4是本发明叶尔羌河流域自产水资源量预估结果图;
图5是本发明喀什噶尔河流域自产水资源量预估结果图;
图6是本发明阿克苏河流域自产水资源量预估结果图;
图7是本发明渭干河流域自产水资源量预估结果图;
图8是本发明开孔河流域自产水资源量预估结果图;
图9是本发明克里亚河诸小河流域自产水资源量预估结果图;
图10是本发明车尔臣河诸小河流域自产水资源量预估结果图;
图11是本发明塔里木河干流自产水资源量预估结果图;
图12是本发明塔里木河流域总自产水资源量预估结果图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
基于气候模式输出的水资源预测,通常与小流域水文模型耦合进行小空间尺度径流预测,对于大空间尺度的水资源预测应用难度大、复杂性高、可操作性不强,本发明基于智能算法,提出气候模式输出与SVR模型耦合的水资源量预估模型,该模型结构简单、求解效率高、对实测资料验证的需求低,且能应用于大空间尺度水资源预估。模型主要用来研究变化环境下气候要素与水资源量的响应关系并对研究区未来水资源量进行预测,模型构建主要包括三部分:一是气候变化下水资源影响因子识别与分析,也即模型指标的选取;二是模型的构建与检验;三是气候变化下研究区未来水资源量的预估。
SVR是由Vapnik等人在SVM(support vector machine,简称SVM)分类的基础上,引入不敏感损失函数得到的,该算法没有数据维数的限制,具有很好的性能和效果,可应用于仿真模拟,目前在很多领域有较为成功的应用。
SVM的基本思想是寻找一个最优分类曲面使得两个样本分开,而支持向量机回归算法(简称SVR)旨在多维空间寻找一个最优分类曲面,使得所有训练样本离该分类曲面的总误差最小。具体求解过程可参照史峰等对SVR案例分析的详细介绍。
在上述现有技术的基础上,如图1所示,本申请提供了一种大空间尺度水资源量预估方法,包括以下步骤:
第1步:选取模型指标;
第2步:模型的构建,主要包括以下步骤:
第2.1步:输入模型指标的流域历史数据及对应的水资源量的历史数据,根据模型指标产生训练集和测试集;
第2.2步:采用核函数创建SVR回归模型并确定模型参数;
第2.3步:输入相关参数,返回的第一个参数为根据多维空间映射出的预测值,第二个参数为测试集中水资源量的预测值与真实值的均方误差MSE和决定系数R2;
第2.4步:利用模型返回的均方误差MSE和决定系数R2,对所建立的SVR回归模型的性能进行评价;
第2.5步:对模型参数进行修正或重新选择核函数类型,重复上述第2.2步至第2.4步,直至模型返回的均方误差MSE和决定系数R2满足要求;
第3步:输入模型指标的变化环境未来模拟预测结果,采用训练好的SVR模型拟合,输出未来预估水资源量。
在第1步中,选取模型指标时需要考虑流域地形地貌因子和水文气象要素的具体情况,例如,在选取塔里木河流域为研究对象时需要考虑以下内容:
塔里木河流域水资源量主要受到地貌特征和径流补给来源影响:降雨和冰雪融化是塔里木河流域9个三级区水资源量最直接的驱动力;气温、湿度、辐射等气象要素是产流过程和冰雪融化的主要影响因素;地质情况通过影响土壤下渗能力来影响产流;而人类活动通过改变下垫面条件间接影响水资源的形成过程。基于塔里木河流域产流区为山区,人类活动对产流区下垫面的干扰可以忽略,同时流域地质条件多年内改变不大,因此本发明以塔里木河流域9个水资源三级区为例,通过对山丘区流域水资源量影响因子分析,进行指标选取以及指标体系的构建。
根据山区水资源影响因素,考虑以下流域水文气象特征参数:
降水量pre。降水量的大小反映了一个地区降水对水资源量的补给能力。塔里木河流域9个水资源三级区历史降水通过国家气象站点获得,未来降水量预测参考不同典型浓度路径(RCP2.6,RCP4.5,RCP6.0和RCP8.5四种情景)下GCM模型的预测结果。
气温T,包括最高气温Tmax和最低气温Tmin。对水文现象来说,气温的大小影响产流过程中的蒸发,同时长历时的气温波动会对降水产生影响进而影响水资源量。气温的数据获取与校正过程与降水量数据相同。
风速Win。风是由空气流动引起的一种自然现象,地球上的风与水源有关系,同时携带着水蒸气,推动水循环。在水文循环中,风速的大小亦影响水面和植被的蒸发蒸腾作用。
太阳辐射Rs。太阳辐射是地球热量的最主要来源,太阳辐射使得地表温度变高,进而影响冰川和积雪的融化,亦是产生风的主要驱动力。
饱和水汽压ea。饱和水汽压与温度有直接关系,且直接影响降水和蒸发,对水资源产生间接影响。
潜在蒸散发Et0。潜在蒸散发又称参考作物蒸散发,是水分循环的重要组成部分,与降水共同决定区域的干湿状况,是水循环的关键因子。
综上,优选的,本发明气候模式输出与SVR模型相结合的水资源预估模型选取的指标主要包括降水量pre、最高气温Tmax、最低气温Tmin、风速Win、太阳辐射Rs、饱和水汽压ea和潜在蒸散发Et0七个。
在第2步中,构建模型时可采用MATLAB软件进行编程计算,其具体为:
(1)产生训练集/测试集
产生的训练集和测试集要可以进行样本互换,即可将样本进行随机排序,并抽取前半部分作为训练集,后半部分作为测试集。具体操作时可以先将原始数据进行排序1~x,再设定一个随机序列,每运行一次从1~x中随机进行排序组成一个新的序列,记为序列n。
(2)创建/训练SVR回归模型
在进行SVR回归模型的创建时需安装libsvm软件包,软件包中的函数svmpredict可以实现模型的创建和训练。在设计时需综合考虑归一化、核函数的类型、参数的取值对回归模型的影响。核函数的选取是建立SVR模型至关重要的一步,目前新的核函数层出不穷,但被广泛认同的4个基本核函数为线性核函数、阶多项式核函数、径向基核函数和Sigmoid核函数,由于径向基核函数(radial basis kernel function,简称RBF)涉及参数少、计算简便,故优选的,本发明选用径向基核函数;模型参数的确定参考现有技术中的文献,并采用交叉验证方法寻找最佳的参数,利用最佳的参数训练模型。
(3)仿真测试
建立模型后,输入相关参数,返回的第一个参数为根据多维空间映射出的预测值,第二个参数为测试集的均方误差(mean square error,MSE)和决定系数R2。MSE的值越小,表示构建的预测模型模拟数值的精确度更佳。R2数值越接近1,相关的方程式参考价值越高;反之,值越接近0,参考价值越低。两者计算公式如下:
其中:yi——第i个样本的真实值;
(4)性能评价
利用模型返回的均方误差MSE和决定系数R2,可以对所建立的SVR回归模型的性能进行评价。若均方误差MSE过大或者决定系数R2过小,则可对模型参数进行修正或重新选择核函数类型,并重复步骤2.2至步骤2.4,直到满足要求为止。
本发明通过建立气候输出模式与SVR结合的水资源量预估模型,并将不同浓度路径下的气候模拟结果作为模型的输入条件,能够对大空间尺度的研究区未来的水资源量进行预测。该模型结构简单、求解效率高、对实测资料验证的需求低,且能应用于大空间尺度水资源预估。
本发明还具体公开了一种有关塔里木河流域的具体建模方法及大空间尺度水资源量预估方法。
根据建模需求,选取塔里木河流域1956~2018年水文气象与水资源量数据,分别对9个流域进行建模。为排除偶然性,每个流域随机选取53个样本数据为训练集,剩下10个样本数据为测试集对模型性能进行检验。为避免过拟合现象对模型精度造成的影响,模拟计算中舍弃了训练集拟合度高而测试集拟合度不高的运行结果。其中,本发明水文气象数据来自中国气象数据网(http://data.cma.cn/),主要为国家气象基准站的逐日水文气象数据,数据时间长度为1990~2018年。主要的气象因素包括:1.蒸发量mm;2.平均风速m/s;3.降水量mm;4.气温℃;5.日照时数h;6.相对湿度%。
其中,潜在蒸发量Et0基于气象要素,应用彭曼公式计算得到,根据气温得出最高气温Tmax和最低气温Tmin,用日照时数代替太阳辐射Rs,用相对湿度代替饱和水汽压ea。因此,选取的模型指标主要包括降水量pre、最高气温Tmax、最低气温Tmin、风速Win、日照时数、相对湿度和潜在蒸发量七个。
研究区水资源数据采用第三次新疆水资源调查评价结果,系列年为1956~2016年,2017年和2018年水资源数据来源于《新疆维吾尔自治区水资源公报》。水资源未来预测方面,水文气象数据选取RCP2.6、RCP4.5、RCP6.0和RCP8.5不同典型浓度路径下,综合对比5个GCMs模型(GFDL-ESM2M、HaDGem2、IPSL_CM5A_LR、MIROC-ESM-CHEM和NorESM1-M)对同一模式的不同模拟试验结果,并进行等权重算术平均,然后再应用同样的方法对多模式结果进行集成。GCMs输出被缩小为分辨率为0.5°的网格,并使用趋势保持偏差校正方法进行校正。
表1训练集与测试集均方误差和决定系数
如图2和表1所示,模型模拟分析表明,各流域运行出来的预估值与真实值均较为接近。其中,图2和表1展示了9个流域的某次运行结果,图2中的真实值来自第三次水资源调查评价和水资源公报数据。
由图2和表1可以看出,9个流域的训练集和测试集的拟合精度均较高,除了车尔臣河诸小河、喀什噶尔河、渭干河流域的训练集和叶儿羌河流域测试集以及塔里木河干流的训练集和测试集决定系数处于0.6~0.8之间,具有强拟合优度,其他流域的决定系数均处于0.8~1.0之间,具有非常强的拟合优度,且均方误差均不大于0.10。对研究区9个流域模拟的结果表明,所建立的SVR回归模型具有非常好的泛化能力,模型性能较好,仿真模拟精度高,可以应用到流域或区域进行未来水资源量的确定。
通过模型的训练与检验,在模型的可靠度以及精度达到要求的情况下,将各流域不同排放路径下未来水文气象指标代入模型,即可预估各流域未来水资源量。
在气候变化研究中,情景被定义为影响未来人为气候变化的有关因素的可能路径,可以理解为人类面对温室气体排放以及全球气候变化采取积极性程度不同政策的可能后果。IPCC报告以及气候模式第五次耦合比较计划(CMIP5)中均采用代表性浓度路径(RCP)作为可能情景。RCP是对于未来温室气体排放程度的一种预测情景,其中RCP2.6情景表示人类积极应对气候变化,努力减少温室气体排放,辐射强迫在2100年之前达到峰值(≈2.6W/m2)并已经开始下降。RCP8.5代表人类对于全球气候变化较为消极应对,温室气体持续大量排放,辐射强迫在2100年达到8.5W/m2左右的水平。RCP4.5和RCP6.0是介于RCP2.6和RCP8.5之间的两种情景,代表辐射强迫在2100年分别稳定在4.5W/m2和6.0W/m2左右。塔里木河流域在RCP2.6、RCP4.5、RCP6.0、RCP8.5四种排放路径下2030年和2050年水资源量预估结果如图3~图12所示。
由图3~图12可以看出,未来塔里木河流域整体自产水资源量波动不大,维持在360~380亿m3之间,总体低于2001~2016年平均水资源量407.5亿m3,基本与1956~2016年平均水资源量368.9亿m3持平。与以往认知不同的是塔里木河流域不同排放路径下水资源量并没有明显增加或减少趋势。各个流域自产水资源量预估情况如下:
和田河流域2030年和2050年四种排放路径下自产水资源量维持在56~58亿m3之间,总体低于2001~2016年平均水资源量63.4亿m3,基本与1956~2016年平均水资源量57.6亿m3持平。
叶尔羌河流域2030年和2050年四种排放路径下自产水资源量维持在76~80亿m3之间,总体低于2001~2016年平均水资源量83.5亿m3,基本与1956~2016年平均水资源量76.7亿m3持平。
喀什噶尔河流域2030年和2050年四种排放路径下自产水资源量维持在49~52亿m3之间,总体低于2001~2016年平均水资源量57.3亿m3,基本与1956~2016年平均水资源量51.8亿m3持平。
阿克苏河流域2030年和2050年四种排放路径下自产水资源量维持在41~45亿m3之间,除RCP4.5和RCP6.0情景下2030年自产水资源预估值分别为43.8亿m3和41.1亿m3,低于2001~2016年平均水资源量43.9亿m3,其余均处于2001~2016年均值和1956~2016年均值(45.8亿m3)之间。
渭干河流域2030年和2050年四种排放路径下自产水资源量维持在39~43亿m3之间,除RCP2.6情景下2030年自产水资源预估值为42.6亿m3,高于多年平均值,其余均低于2001~2016年平均水资源量42.2亿m3,在1956~2016年平均水资源量40.5亿m3附近波动。
开孔河流域2030年和2050年四种排放路径下自产水资源量维持在49~50亿m3之间,总体低于2001~2016年平均水资源量55.2亿m3,基本与1956~2016年平均水资源量50.7亿m3持平。
克里亚河诸小河流域2030年和2050年四种排放路径下自产水资源量维持在23~25亿m3之间,总体低于2001~2016年平均水资源量28.6亿m3,基本与1956~2016年平均水资源量23.6亿m3持平。
车尔臣河诸小河流域2030年和2050年四种排放路径下自产水资源量维持在21~34亿m3之间,整体波动较大,高值高于2001~2016年平均水资源量31.3亿m3,低值低于1956~2016年平均水资源量24.0亿m3。
塔里木河干流2030年和2050年四种排放路径下自产水资源量维持在0.09~0.28亿m3之间,整体波动较大,高值高于2001~2016年平均水资源量0.25亿m3,低值低于1956~2016年平均水资源量0.16亿m3。
水资源量波动主要与降水量有关,塔里木河流域四种排放路径下9个三级区降水量均在某一区间波动,不同排放路径对降水量的影响并不明显,进而导致水资源量并没有大幅变化。车尔臣河与塔里木河干流水资源量波动相对较大,这主要由于塔里木河干流和车尔臣河流域气温波动明显,塔里木河流域是年均日最高气温最高的流域,车尔臣河是年均日最低气温最低的流域,两个流域受温度影响较大,故较其它流域波动明显。同时,未来水资源量预测结果表明,2001~2018年水资源量丰富是暂时的,2030年和2050年水资源量有所下降,给未来供水安全带来了潜在风险。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种大空间尺度水资源量预估方法,其特征在于,包括以下步骤:
第1步:选取模型指标;
第2步:模型的构建,主要包括以下步骤:
第2.1步:输入模型指标的流域历史数据及对应的水资源量的历史数据,根据模型指标产生训练集和测试集;
第2.2步:采用核函数创建SVR回归模型并确定模型参数;
第2.3步:输入相关参数,返回的第一个参数为根据多维空间映射出的预测值,第二个参数为测试集中水资源量的预测值与真实值的均方误差MSE和决定系数R2;
第2.4步:利用模型返回的均方误差MSE和决定系数R2,对所建立的SVR回归模型的性能进行评价;
第2.5步:对模型参数进行修正或重新选择核函数类型,重复上述第2.2步至第2.4步,直至模型返回的均方误差MSE和决定系数R2满足要求;
第3步:输入模型指标的变化环境未来模拟预测结果,采用训练好的SVR模型拟合,输出未来预估水资源量。
2.如权利要求1所述的一种大空间尺度水资源量预估方法,其特征在于,在第1步中选取的模型指标主要包括降水量pre、最高气温Tmax、最低气温Tmin、风速Win、太阳辐射Rs、饱和水汽压ea和潜在蒸散发Et0七个。
3.如权利要求2所述的一种大空间尺度水资源量预估方法,其特征在于,创建SVR回归模型时采用径向基核函数,并采用交叉验证方法确定最佳参数,利用最佳参数训练SVR回归模型。
5.如权利要求4所述的一种大空间尺度水资源量预估方法,其特征在于,模型指标的变化环境未来模拟预测结果由以下方式得出:选取RCP2.6、RCP4.5、RCP6.0和RCP8.5不同典型浓度路径下,综合对比5个GCMs模型对同一模式的不同模拟试验结果,并进行等权重算术平均,然后再应用同样的方法对多模式结果进行集成,GCMs输出被缩小为分辨率为0.5°的网格,并使用趋势保持偏差校正方法进行校正。
6.如权利要求1所述的一种大空间尺度水资源量预估方法,其特征在于,在第1步中选取的模型指标主要包括降水量pre、最高气温Tmax、最低气温Tmin、风速Win、日照时数、相对湿度和蒸发量七个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211145192.6A CN115438870A (zh) | 2022-09-20 | 2022-09-20 | 一种大空间尺度水资源量预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211145192.6A CN115438870A (zh) | 2022-09-20 | 2022-09-20 | 一种大空间尺度水资源量预估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115438870A true CN115438870A (zh) | 2022-12-06 |
Family
ID=84249836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211145192.6A Pending CN115438870A (zh) | 2022-09-20 | 2022-09-20 | 一种大空间尺度水资源量预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115438870A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910041A (zh) * | 2023-06-21 | 2023-10-20 | 中国水利水电科学研究院 | 一种基于尺度分析的遥感降水产品的逐日订正方法 |
-
2022
- 2022-09-20 CN CN202211145192.6A patent/CN115438870A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910041A (zh) * | 2023-06-21 | 2023-10-20 | 中国水利水电科学研究院 | 一种基于尺度分析的遥感降水产品的逐日订正方法 |
CN116910041B (zh) * | 2023-06-21 | 2023-12-22 | 中国水利水电科学研究院 | 一种基于尺度分析的遥感降水产品的逐日订正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oo et al. | Analysis of streamflow response to changing climate conditions using SWAT model | |
Pal et al. | M5 model tree based modelling of reference evapotranspiration | |
Rathjens et al. | Development of a grid‐based version of the SWAT landscape model | |
Oo et al. | Assessment of future climate change projections using multiple global climate models | |
Teutschbein et al. | Simulating streamflow in ungauged basins under a changing climate: The importance of landscape characteristics | |
Mendicino et al. | Evaluation of parametric and statistical approaches for the regionalization of flow duration curves in intermittent regimes | |
CN114741987B (zh) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 | |
Yan et al. | Flood risk analysis of reservoirs based on full-series ARIMA model under climate change | |
Li et al. | Comparison of parameter uncertainty analysis techniques for a TOPMODEL application | |
Dong et al. | A flow-weighted ensemble strategy to assess the impacts of climate change on watershed hydrology | |
CN111027764A (zh) | 一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法 | |
Odusanya et al. | Evaluating the performance of streamflow simulated by an eco-hydrological model calibrated and validated with global land surface actual evapotranspiration from remote sensing at a catchment scale in West Africa | |
CN115438870A (zh) | 一种大空间尺度水资源量预估方法 | |
Wang et al. | Evaluation of multi‐source precipitation data in a watershed with complex topography based on distributed hydrological modeling | |
Tang et al. | The use of serially complete station data to improve the temporal continuity of gridded precipitation and temperature estimates | |
Choudhary et al. | Effect of root zone soil moisture on the SWAT model simulation of surface and subsurface hydrological fluxes | |
Chen et al. | River ecological flow early warning forecasting using baseflow separation and machine learning in the Jiaojiang River Basin, Southeast China | |
Zhao et al. | Evaluating influences of the Manwan Dam and climate variability on the hydrology of the Lancang-Mekong River, Yunnan Province, southwest China | |
Wang et al. | A composite index coupling five key elements of water cycle for drought analysis in Pearl River basin, China | |
Bajamgnigni Gbambie et al. | Added value of alternative information in interpolated precipitation datasets for hydrology | |
Stern et al. | Selecting the optimal fine-scale historical climate data for assessing current and future hydrological conditions | |
Pang et al. | Parameter uncertainty assessment of a flood forecasting model using multiple objectives | |
Mirzaei Hassanlu et al. | Daily precipitation concentration and Shannon’s entropy characteristics: spatial and temporal variability in Iran, 1966–2018 | |
Gholami et al. | Spatial–temporal analysis of various land use classifications and their long-term alteration's impact on hydrological components: using remote sensing, SAGA-GIS, and ARCSWAT model | |
Nasseri et al. | A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran |
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 |