CN115507822A - 水文循环变异驱动下的洪水风险预测方法 - Google Patents
水文循环变异驱动下的洪水风险预测方法 Download PDFInfo
- Publication number
- CN115507822A CN115507822A CN202210650913.2A CN202210650913A CN115507822A CN 115507822 A CN115507822 A CN 115507822A CN 202210650913 A CN202210650913 A CN 202210650913A CN 115507822 A CN115507822 A CN 115507822A
- Authority
- CN
- China
- Prior art keywords
- flood
- duration
- future
- hydrological
- daily
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 10
- 238000005315 distribution function Methods 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 18
- 230000008878 coupling Effects 0.000 claims abstract description 12
- 238000010168 coupling process Methods 0.000 claims abstract description 12
- 238000005859 coupling reaction Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 28
- 230000005855 radiation Effects 0.000 claims description 16
- 238000001556 precipitation Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 241000039077 Copula Species 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 238000012950 reanalysis Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- YZCKVEUIGOORGS-IGMARMGPSA-N Protium Chemical compound [1H] YZCKVEUIGOORGS-IGMARMGPSA-N 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 claims description 2
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 claims description 2
- 230000004907 flux Effects 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102100031184 C-Maf-inducing protein Human genes 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 101000993081 Homo sapiens C-Maf-inducing protein Proteins 0.000 description 1
- CPLXHLVBOLITMK-UHFFFAOYSA-N Magnesium oxide Chemical compound [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 1
- 101100257820 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) ssp-1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Environmental Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Hydrology & Water Resources (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种水文循环变异驱动下的洪水风险预测方法，包括：采集流域的基础气象水文数据；率定流域水文模型和机器学习模型；获得M组气候变化情景下的气象模拟系列，并驱动流域水文模型和机器学习模型，模拟未来情景下的流域水文过程；建立流域水热耦合平衡方程，获取流域年均下垫面特征参数；提取洪水历时和洪量特征值并采用特征参数为协变量，建立联合概率分布函数；基于最可能组合情景，求取历时和洪量的联合重现期；基于共享社会经济路径数据集，推求未来洪水风险增加的社会经济暴露度。本发明能够有效表征水循环变异驱动下未来洪水的变化特征，可为变化环境下流域洪水风险评估、预警提供参考依据。
Description
技术领域
本发明属于水文灾害评估的技术领域，具体涉及一种水文循环变异驱动下的洪水风险预测方法。
背景技术
全球气候变化改变了陆地-大气系统的能量收支与水循环过程，暴雨、洪水等极端气候灾害频发，给社会经济系统和生态环境的可持续发展带来巨大挑战。我国是受洪涝灾害影响最严重的地区之一，气候增温速率远高于全球平均水平，到本世纪末气温或将上升4℃，严重威胁我国的防洪安全、供水安全、粮食安全、能源安全和生态环境安全。深入理解气候变化情景下洪水演变及其社会经济影响，对未来极端气候灾害风险预测、防灾减灾和适应管理具有重要意义。
近年来国内外学者结合全球气候模式集合和流域水文模型，研究了未来洪水的演变规律，取得了一定的应用效果。但是，大坝、水库、农业灌溉、引水和跨流域调水等工程措施往往会破坏下垫面的一致性，造成流域水文模型存在较大误差。现有文献未能考虑人类活动干扰对径流模拟造成的误差，往往造成较大的模拟误差。同时，现阶段我国工程实践中主要采用单变量同频率法来量化洪水风险，该法假设洪峰和不同时段的洪量完全相关，不符合洪水事件的客观规律。
由于全球气候变化和人类活动的影响，水文循环过程发生显著变异，洪水情势加剧，传统频率分析中的一致性假设受到挑战。全球气候模式是评估未来气候变化对水循环影响的有效工具，学者们提出通过它模拟未来气象水文情势分析干旱事件的非一致性演化特征，如何选取合适的物理因子作为解释变量成为研究难点。水热平衡方程Budyko公式考虑了区域的水量平衡和能量收支平衡，能够较好地反映人类活动对下垫面条件和产汇流特征的影响，但是现有文献未能采用该方法考虑未来气候变化与下垫面综合驱动下的两变量洪水特征，制约了科学预测水文循环变异驱动下的两变量洪水事件。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种水文循环变异驱动下的洪水风险预测方法，该方法充分考虑了气候变化与人类下垫面活动影响下的水文系列的非一致性特征，能够有效表征水循环变异驱动下未来洪水的变化特征，可为变化环境下流域洪水风险评估、预警提供重要且可操作性强的参考依据。
为解决上述技术问题，本发明采用如下技术方案：
一种水文循环变异驱动下的洪水风险预测方法，包括如下步骤：
步骤1，采集流域的基础气象水文数据，其中，基础气象水文数据包括M 个全球气候模式GCMs数据和共享社会经济路径数据；
步骤2，基于步骤1采集的数据推求相对湿度和比湿，并基于观测的气象水文数据，率定流域水文模型和机器学习模型；
步骤3，基于步骤1采集的全球气候模式集合GCMs数据和分位数偏差校正方法，获得M组气候变化情景下的气象模拟系列，并以该气象模拟系列驱动步骤2率定后的流域水文模型和机器学习模型，模拟未来情景下的流域水文过程；
步骤4，基于步骤3模拟的气象水文系列建立流域水热耦合平衡方程，获取流域年均下垫面特征参数；
步骤5，基于步骤3模拟的流域水文过程和年最大取样方法，提取洪水历时和洪量特征值，并以步骤4中获得的流域年均下垫面特征参数为协变量，建立非一致性条件下洪水历时和洪量的联合概率分布函数；
步骤6，基于步骤5建立的联合概率分布函数以及历史期洪水历时和洪量的最可能组合情景，求取非一致性条件下未来每年洪水历时和洪量的联合重现期，评估气候变化与下垫面人类活动对流域未来洪水情势的影响；
步骤7，基于步骤6求取的联合重现期和步骤1采集的共享社会经济路径数据集，推求未来洪水风险增加的社会经济暴露度。
进一步地，步骤1中采集的气象水文数据还包括流域控制水文站的日流量系列、ERA5再分析产品的气象数据。
进一步地，步骤2具体还包括如下子步骤：
步骤2.1、基于ERA5再分析产品的气象数据推求相对湿度和比湿；
步骤2.2基于水文站观测的日径流数据和ERA5再分析产品的日降水、日最高气温和日最低气温系列，以KGE效率系数最高为目标函数，率定GR4J水文模型，得到初步模拟径流；
步骤2.3对步骤2.2初步模拟的日径流过程、实测的日径流过程进行统计分析，确定影响日实测径流的滞时；
步骤2.4根据步骤2.1推求的相对湿度和比湿以及步骤2.3确定的滞时，采用长短期记忆神经网络LSTM模型，对步骤2.2模拟的日径流过程进行校正以减小人类活动造成的水文模型误差。
进一步地，步骤2.2中，以KGE效率系数最高的目标函数为：
式中：r表征模拟序列与实测序列的皮尔逊线性相关系数；α表征模拟序列与实测序列的方差之比；β表征模拟序列与实测序列的均值之比；KGE效率系数的范围为(-∞，1)，其中，当KGE＝1时，代表模拟序列与实测序列完美吻合。
进一步地，M个全球气候模式GCMs中选用的情景包括历史期和未来时期的三个情景：SSP126、SSP245、SSP585，选用的气象变量为日降水、日均气温、日最高气温、日最低气温、比湿、相对湿度、风速、短波辐射和长波辐射数据，同时获取GCMs在三个SSP情景下输出的年尺度的潜在蒸散发数据。
进一步地，步骤3中采用分位数偏差校正方法校正GCMs的输出获取未来气象序列具体方法为：计算GCMs输出变量与观测气象变量在各个分位数上的差异，并将该差异在GCMs输出未来情景的各分位数上去掉，得到未来修正后的GCMs气候预测。
进一步地，步骤4具体包括：
步骤4.1、基于步骤3中模拟的气象水文系列和水量平衡方程计算气候情景下年尺度的实际蒸散发，采用的公式为ET＝Py-Ry，式中ET为实际蒸散发， Py为年降水量，Ry为年径流量；
步骤4.2、选取时间窗口，根据步骤4.1得到的实际蒸散发ET通过最小二乘法，率定水热耦合平衡方程特征参数，记为w，所述年均水热耦合平衡方程为：
式中：P为全球气候模式GCMs输出的降水数据，PET为全球气候模式 GCMs输出的潜在蒸散发数据。
进一步地，步骤5具体包括如下步骤：
步骤5.1、依据步骤3模拟得到的流域水文过程，以日流量最高为判别准则识别年最大洪水过程，然后计算洪水过程的历时D和洪量S；
步骤5.2、根据步骤5.1计算得到的历时D和洪量S，采用伽马分布函数作为洪水历时和洪量的边缘分布函数，建立一致性条件下伽马分布函数的边缘分布函数；
步骤5.3、根据步骤5.2得到的边缘分布函数、并以步骤4中获得的流域年均下垫面特征参数为协变量，构建非一致性条件下基于Copula的洪水历时和洪量的联合概率分布函数。
进一步地，步骤6求取未来每年洪水历时和洪量的联合重现期的方法为：
给定联合重现期Tor，根据步骤5建立的洪水历时和洪量的联合概率分布函数计算在Tor条件下各年的洪水历时和洪量的最可能组合，其中，洪水历时和洪量的最可能组合模式是指在联合重现期Tor等值线上联合概率密度函数最大的组合，再分别对历时和洪量取算术平均值，得到历史期的洪水历时和洪量特征值；
将得到的历史期洪水历时和洪量特征值，代入到未来时期的最可能组合模型中，得到每年的新联合重现期。
进一步地，步骤7具体为：
基于步骤6得到未来时期每一年的新的联合重现期Tf(k)，将给定的历史期重现期记为Th；若Tf(k)＜Th则表明第k年的洪水风险增加，反之下降；通过下式度量未来时期的社会经济暴露度：
式中：Epop和EGDP分别对应表征受洪水风险增加影响的人口和GDP暴露度， POPk和GDPk分别对应为第k年的人口和GDP，由步骤1获得；I(·)为指示函数， Th-Tf(k)＞0时记为1，反之取0；N1和N2分别表征研究时段的起、止年份。
与现有技术相比，本发明的有益效果为：
1、科学合理、贴近工程实际；
本发明充分考虑气候变化与人类下垫面活动影响下的水文系列的非一致性特征，采用傅抱璞公式的特征参数作为协变量，考虑水文系列的非一致性构建时变Copula模型，具有较强的物理意义与统计基础，能够有效表征水循环变异驱动下未来洪水的变化特征；
2、可为应对未来气候灾害、科学制定减排战略提供工程参考价值；
本发明将气候多模式集合、水文模型、水热平衡方程、最可能组合情景法与流域旱情相结合，可为变化环境下流域洪水风险评估、预警提供重要且可操作性强的参考依据，为应对未来气候灾害、科学制定减排战略提供工程参考价值。
附图说明
图1为本发明实施例洪水风险预测方法的具体流程图；
图2为本发明实施例中日实测径流与不同滞时下模拟径流相关性系数变化的示意图；
图3为本发明实施例中Budyko水热平衡方程的示意图。
具体实施方式
下面将结合本发明实施例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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。
如图1所示，本发明实施例提供一种水文循环变异驱动下的洪水风险预测方法，包括以下步骤：
步骤1，采集流域的基础气象水文数据；其中，基础气象水文数据主要包括流域控制水文站的日流量系列、M个全球气候模式(GCMs)的输出数据、 ERA5再分析产品的气象数据以及共享社会经济路径数据；具体地，该步骤包括以下子步骤：
步骤1.1、采集流域控制水文站的日流量系列，并从ERA5再分析数据集获取降水、2m气温、2m露点温度、风速、气压、短波辐射、长波辐射等气象数据；
本发明以流域为研究单元，首先采集流域控制水文站的日流量系列，然后采集ERA5的逐时数据。ERA5是欧洲中期天气预报中心的第五代大气再分析数据集，具有0.25°的空间分辨率，提供自1979年以来覆盖全球的逐时气象数据。本实施例获取研究区域在1985-2014年期间ERA5数据集的逐时降水、2m 气温、2m露点温度、风速、气压、短波辐射、长波辐射数据，通过时间尺度转换后得到逐日系列，最后通过泰森多边形方法获得流域平均的日尺度气象系列；
步骤1.2、采集M个全球气候模式(GCMs)输出的日气象数据
为预估未来气候情景，采用国际耦合模式比较计划第六阶段(Coupled ModelInter-comparison Project Phase6，CMIP6)最新发布的M个全球气候模式 (GlobalClimate Models，GCMs)。CMIP6使用共享社会经济路径(Shared Socioeconomic Pathway，SSP)和代表性浓度路径(Representative Concentration Pathway，RCP)的矩阵框架。本发明选用的情景包括历史期和未来时期3个情景(SSP126，SSP245和SSP585)，选用的气象变量为日降水、日均气温、日最高气温、日最低气温、比湿、相对湿度、风速、短波辐射和长波辐射数据；同时获取GCMs在三个SSP情景下输出的年尺度的潜在蒸散发数据；设定历史期为1985-2014年，未来时期为2015-2100年；
步骤1.3采集研究流域的共享社会经济路径数据集提供的人口和GDP数据；
为了评估洪水事件可能造成的社会经济风险，考虑可持续发展(SSP1)、中度发展(SSP2)和常规发展(SSP5)这3种共享社会经济路径的人口和GDP 数据，与相应的温室气体排放情景RCP组合，共采用SSP126、SSP245和SSP585 三种矩阵框架的输出数据。国际上有多个机构提供共享社会经济路径的人口和 GDP模拟数据，本发明使用中国南京信息工程大学开源发布的“全面二孩”政策下预估数据集，该产品考虑了我国历次人口和经济普查结果及逐年统计年鉴，基于Cobb-Douglas模型和人口-发展-环境分析模型，预估了中国2010～2100年社会经济指数。该数据集是当今最贴近我国国情的数据集之一，被广泛应用于极端水文事件的社会经济风险评估；
本实施例获取得到栅格尺度的人口和GDP数据后，采用泰森多边形方法推求未来气候变化情景下的流域平均人口和GDP系列。
步骤2，根据步骤1采集的气象数据推求相对湿度和比湿，并基于观测的气象水文数据，率定流域水文模型和机器学习模型；
其中，步骤2具体包括以下子步骤：
步骤2.1基于ERA5数据集的气象数据推求相对湿度和比湿，具体为下：
克劳修斯-克拉珀龙热力学方程可定量描述饱和水汽压esat与气温T的非线性关系：
式中：T0和es0为积分常数，分别对应取273.16K和611Pa；Lv为汽化潜热，取2.5×106J kg-1；Rv为水汽气体常数，取461Jkg-1K-1；
露点温度表征空气在水汽含量和气压不变条件下，冷却到水汽饱和时的温度，代入克劳修斯-克拉珀龙方程可度量实际水汽压，将ERA5中2m气温(T2m) 和露点温度(Tdew)分别代入式(1)，推求近地相对湿度RH＝esat(Tdew)/esat(T2m)，式中，esat表示饱和水汽压。
比湿q为水汽质量与空气团总质量的比值，采用ERA5近地气压p和露点温度(Tdew)推求，公式如下：
步骤2.2、基于水文站观测的日径流数据和ERA5数据集的日降水、日最高气温和日最低气温系列，以KGE效率系数最高为目标函数，率定GR4J水文模型，得到初步模拟径流；具体地，
GR4J水文模型是一种仅有4个参数的集总式概念性水文模型，该模型具备结构简单、参数较少、精度高等特点，已经被广泛使用，该模型主要由两个非线性水库构成，分别为产流水库和汇流水库，属于本领域常规技术。
以KGE系数最高为目标函数：
式中：r表征模拟序列与实测序列的皮尔逊线性相关系数；α表征模拟序列与实测序列的方差之比；β表征模拟序列与实测序列的均值之比。KGE效率系数的范围为(-∞，1)，其中，当KGE＝1时，代表模拟序列与实测序列完美吻合。率定GR4J水文模型为本领域常规技术，不予赘述。
步骤2.3对步骤2.2初步模拟的日径流过程、实测的日径流过程进行统计分析，确定影响日实测径流的滞时；
如图2所示，给出了日实测径流与不同滞时下模拟径流相关性系数变化的示意图；模拟径流与实测径流的相关系数，一般随着滞时的延长，而逐渐下降；进一步地，选取合适的相关性阈值，来确定与实测径流建立机器学习模型的模拟径流时长；例如，滞时可取0.5。
步骤2.4根据步骤2.1推求的相对湿度和比湿以及步骤2.3确定的滞时，采用长短期记忆神经网络(LSTM)模型，对步骤2.2模拟的日径流过程进行校正，减小人类活动造成的水文模型误差；
本实施例构建具有三层神经网络架构的长短期记忆神经网络(LSTM)模型，用于概化大坝、水库或调水工程对流域的调蓄作用，提高水文模拟精度；本实施例使用神经网络区间模拟均值法，独立运行多次神经网络模型，取平均值作为最终模拟结果，以减少不确定性。
为解决非线性自回归外因输入模式(NARX)动态神经网络在深度学习过程(隐含层数≥2层)中引发的梯度爆炸和梯度消失问题，LSTM长短期记忆神经网络通过在NARX神经网络的隐藏层中引入存储单元，即输入门、忘记门、内部回馈连结和输出门来选择记忆当前信息或遗忘过去记忆信息(如降雨-径流映射关系)，以增强NARX神经网络的长期记忆能力。简而言之，LSTM长短期记忆神经网络是将NARX动态神经网络中的每个隐藏层换成了具有记忆功能的存储单元，简称LSTM单元，而其输入层和输出层与NARX动态神经网络相同。
以通过ERA5产品得到的日降水、日均气温、日最高气温、日最低气温、比湿、相对湿度、风速、短波辐射和长波辐射数据等气象数据、模拟径流系列和实测径流系列作为输入，率定LSTM模型后，通过该模型来校正模拟径流系列的方程可表示为：
Rcor(t)＝FLSTM[QM(t)，QM(t-1)，QM(t-2)，…，QM(t-N)]]； (4)
式中：Rcor(t)表示t时刻校正后的径流，QM(t)表示率定LSTM模型的输入变量，包括GR4J模型模拟的日径流系列、ERA5推求的流域面平均的气象数据； QM(t-1)表示t-1时刻的模拟径流和气象系列，QM(t-N)表示t-N时刻的模拟径流和气象系列，N表示LSTM模型确定的滞时；FLSTM表示LSTM模型；
进一步地，采用本领域的常规技术最小批量梯度下降法对LSTM模型进行训练，优化该模型的参数。
步骤3，基于步骤1采集的全球气候模式集合GCMs数据和分位数偏差校正方法，获得M组气候变化情景下的气象模拟系列，并以该气象模拟系列驱动步骤2率定后的流域水文模型和机器学习模型，模拟未来情景下的流域水文过程；具体地，该步骤包括以下子步骤：
步骤3.1基于全球气候模式集合和分位数偏差校正方法，获得M组气候变化情景下的气象模拟系列；
采用分位数偏差校正方法校正GCMs输出，获取未来气象序列；具体为计算GCMs输出变量与观测气象变量在各个分位数(0.01-0.99)上的差异，并将该差异在GCMs输出未来情景的各分位数上去掉，得到未来修正后的GCMs气候预测。对气温(以及比湿、相对湿度、风速、短波辐射和长波辐射)校正如下：
Tadj，d＝TGCM，d+(Tobs，Q-TGCM，ref，Q)； (5)
对于降水的校正如下：
Padj，d＝PGCM，d×(Pobs，Q/PGCM，ref，Q)； (6)
式中，T和P分别对应代表气温(比湿、相对湿度、风速、短波辐射和长波辐射)和降水，adj代表校正后的序列，obs代表观测数据，ref和fut分别代表历史参考期和未来预测期，d代表日数据，Q代表各分位数；
步骤3.2采用校正后的气象模拟系列驱动流域水文模型和机器学习模型，模拟未来情景下的流域水文过程；该步骤具体为：
将步骤3.1校正后的气候变化情景下的气象数据，输入到步骤2中率定的 GR4J模型和机器学习模型，模拟得到未来气候变化情景下的日径流系列。
步骤4，基于步骤3中模拟的气象水文系列建立流域水热耦合平衡方程，获取流域年均下垫面特征参数；
在本实施例中，如图3所示，给出了Budyko水热平衡方程的示意图；该步骤包括的子步骤有：
步骤4.1、基于步骤3模拟的气象水文系列中的数据和水量平衡方程计算气候变化情景下年尺度的实际蒸散发，采用的公式为ET＝Py-Ry，式中ET为实际蒸散发，Py为年降水量、Ry为年径流量；
步骤4.2、选取一定的时间窗口(根据实际需要选取)，根据步骤4.1中得到的实际蒸散发ET通过最小二乘法，率定水热耦合平衡方程特征参数，记为w；所述年均水热耦合平衡方程为：
式中：P为全球气候模式输出的降水数据，PET为全球气候模式输出的潜在蒸散发数据。
特别地，本实施例选取的时间窗口为11年。
步骤5，基于步骤3模拟的流域水文过程和年最大取样方法，提取洪水历时和洪量特征值，再采用步骤4中的水热耦合平衡方程中特征参数w为协变量，建立非一致性条件下基于Copula的联合概率分布函数。
步骤5.1基于步骤3模拟的水文过程和年最大取样方法，提取洪水历时和洪量特征值；
依据步骤3.2得到的气候变化情景下的日径流系列，以日流量最高为判别准则识别年最大洪水过程；然后计算该场洪水过程的历时和洪量；
步骤5.2、根据步骤5.1计算得到的历时D和洪量S，采用伽马分布函数作为洪水历时和洪量的边缘分布函数，建立一致性条件下伽马分布函数的边缘分布函数；
令X表示洪水特征量(历时D和洪量S)，采用伽马分布函数作为洪水历时和洪量的边缘分布函数，一致性条件下伽马分布函数的概率密度函数为：
其中，α、β分别表示形状、尺度参数；Γ(α)表示α的伽马函数。在时变参数模型中，α、β不再为定值，随协变量逐时段变化。针对该边缘分布函数在时刻t对应的时变矩，假定尺度参数αt、形状参数βt此处均通过解释变量wt的单调函数来表示，即：
式中：g(·)表示单调连接函数，具体形式通过统计参数θX的定义域来确定；当θX∈R，g(θX)＝θX(R表征实数集)，当θX＞0时，则g(θX)＝ln(θX)；wt表示协变量在时间t状态下的值，αi(i＝1，2；10，20)表示模型的参数。那么非一致性条件下伽马分布的概率密度函数为：
步骤5.3、根据步骤5.2得到的边缘分布函数、并以步骤4中获得的流域年均下垫面特征参数为协变量，构建非一致性条件下基于Copula的洪水历时和洪量的联合概率分布函数；
对于流域M组气候情景下的任一情景，选取G-H Copula函数为干旱历时和干旱洪量的联合概率分布函数，将Copula函数的参数θ替换为时变参数
其中，
为Copula联合分布函数，
范围为(1，∞)；ut，vt分别为历时D、洪量S边缘分布函数，
基于Copula函数的定义，非一致性两变量Copula函数可表示为：
式中：Ft(dt，st)表示D和S的时变联合分布函数；
分别对应表示D和S变量的时变边缘分布函数，
分别表示D和S变量的时变参数。进一步地，将时变Copula函数的参数用协变量w表示为：
式中：gc(·)表示copula函数的联结函数；当
时(对于G-H Copula)，
b0，b1分别为模型的参数。
步骤6，基于历史期洪水历时和洪量的最可能组合情景，求取非一致性条件下未来每年洪水历时和洪量的联合重现期，评估气候变化与下垫面人类活动对流域未来洪水情势的影响；
在本实施例中，该步骤包括：
步骤6.1求历史期洪水历时和洪量的最可能组合情景；
采用OR重现期为洪水的度量指标，其定义为：
式中，
为时变OR联合重现期，以年为单位，其他符号与上同；
洪水历时和洪量的最可能组合模式是指在重现期等值线上联合概率密度函数最大的组合(d*(t)，s*(t))，通过构建以下方程求解：
式中：ft(dt，st)表示历时D和洪量S时变联合分布函数的密度函数；
进一步地，通过拉格朗日乘数法求解最可能组合问题，构造以下求解方程：
式中：λt表示时间状态t对应的拉格朗日乘子；欲使概率密度函数ft(dt，st) 取最大值，需令导数为0，获得最可能组合的非线性方程：
式中，
f′Dt(d)和f′St(s)分别为
和
的导数；该式(17)可通过数值方法(如牛顿法)求解。
给定联合重现期Tor，采用上述方法得到历史期(1985-2014年)在Tor条件下各年的洪水历时和洪量的最可能组合后，分别对历时和洪量取算术平均值，得到历史期的洪水历时和洪量特征值。
步骤6.2评估水文循环变异驱动下洪水风险变化；
将步骤6.1得到的历史期洪水历时和洪量特征值，代入到未来时期的最可能组合模型中，得到每年的新联合重现期；当某一年的新联合重现期大于历史期给定的重现期时，则洪水风险下降；反之，洪水风险增加；最后统计未来时期联合重现期的均值，评估未来长系列的洪水风险变化。
步骤7，基于共享社会经济路径数据集，推求未来洪水风险增加的社会经济暴露度。
基于步骤6得到未来时期每一年的新的重现期Tf(k)，将给定的历史期重现期记为Th；若Tf(k)＜Th则表明第k年的洪水风险增加，反之下降；通过下式度量未来时期的社会经济暴露度：
式中：Epop和EGDP分别表征受洪水风险增加影响的人口和GDP暴露度，POPk和GDPk分别为第k年的人口和GDP，由步骤1获得；I(·)为指示函数，Th-Tf(k)＞0 时记为1，反之取0；N1和N2分别表征研究时段的起、止年份。
以往研究通常直接构建历史、未来时期的联合分布，通过对比两个时段联合重现期变化，将未来时期的社会经济暴露度定义为0或100％，该方法不能捕捉洪水风险的年际变化特征和社会经济指数的动态属性，存在一定的不合理性。本发明不仅可考虑未来气候变化可能造成的非一致性，还能挖掘风险变化的年际特征，并充分利用共享社会经济路径的动态数据。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (10)
1.一种水文循环变异驱动下的洪水风险预测方法，其特征在于，包括如下步骤：
步骤1，采集流域的基础气象水文数据，其中，基础气象水文数据包括M个全球气候模式GCMs数据和共享社会经济路径数据；
步骤2，基于步骤1采集的数据推求相对湿度和比湿，并基于观测的气象水文数据，率定流域水文模型和机器学习模型；
步骤3，基于步骤1采集的全球气候模式集合GCMs数据和分位数偏差校正方法，获得M组气候变化情景下的气象模拟系列，并以该气象模拟系列驱动步骤2率定后的流域水文模型和机器学习模型，模拟未来情景下的流域水文过程；
步骤4，基于步骤3中模拟的气象水文系列建立流域水热耦合平衡方程，获取流域年均下垫面特征参数；
步骤5，基于步骤3模拟的流域水文过程和年最大取样方法，提取洪水历时和洪量特征值，并以步骤4中获得的流域年均下垫面特征参数为协变量，建立非一致性条件下洪水历时和洪量的联合概率分布函数；
步骤6，基于步骤5建立的联合概率分布函数以及历史期洪水历时和洪量的最可能组合情景，求取非一致性条件下未来每年洪水历时和洪量的联合重现期，评估气候变化与下垫面人类活动对流域未来洪水情势的影响；
步骤7，基于步骤6求取的联合重现期和步骤1采集的共享社会经济路径数据集，推求未来洪水风险增加的社会经济暴露度。
2.根据权利要求1所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤1中采集的气象水文数据还包括流域控制水文站的日流量系列、ERA5再分析产品的气象数据。
3.根据权利要求2所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤2具体还包括如下子步骤：
步骤2.1、基于ERA5再分析产品的气象数据推求相对湿度和比湿；
步骤2.2基于水文站观测的日径流数据和ERA5再分析产品的日降水、日最高气温和日最低气温系列，以KGE效率系数最高为目标函数，率定GR4J水文模型，得到初步模拟径流；
步骤2.3对步骤2.2初步模拟的日径流过程、实测的日径流过程进行统计分析，确定影响日实测径流的滞时；
步骤2.4根据步骤2.1推求的相对湿度和比湿以及步骤2.3确定的滞时，采用长短期记忆神经网络LSTM模型，对步骤2.2模拟的日径流过程进行校正以减小人类活动造成的水文模型误差。
4.根据权利要求3所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤2.2中，以KGE效率系数最高的目标函数为：
式中：r表征模拟序列与实测序列的皮尔逊线性相关系数；α表征模拟序列与实测序列的方差之比；β表征模拟序列与实测序列的均值之比；KGE效率系数的范围为(-∞,1)，其中，当KGE＝1时，代表模拟序列与实测序列完美吻合。
5.根据权利要求1所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，M个全球气候模式GCMs中选用的情景包括历史期和未来时期的三个情景：SSP126、SSP245、SSP585，选用的气象变量包括日降水、日均气温、日最高气温、日最低气温、比湿、相对湿度、风速、短波辐射和长波辐射数据，同时获取GCMs在三个SSP情景下输出的年尺度的潜在蒸散发数据。
6.根据权利要求1所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤3中采用分位数偏差校正方法校正GCMs的输出获取未来气象序列具体方法为：计算GCMs输出变量与观测气象变量在各个分位数上的差异，并将该差异在GCMs输出未来情景的各分位数上去掉，得到未来修正后的GCMs气候预测。
7.根据权利要求1所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤4具体包括：
步骤4.1、基于步骤3模拟的气象水文系列和水量平衡方程计算气候情景下年尺度的实际蒸散发，采用的公式为ET＝Py-Ry，式中ET为实际蒸散发，Py为年降水量，Ry为年径流量；
步骤4.2、选取时间窗口，根据步骤4.1得到的实际蒸散发ET通过最小二乘法，率定水热耦合平衡方程特征参数，记为w，所述年均水热耦合平衡方程为：
式中：P为全球气候模式GCMs输出的降水数据，PET为全球气候模式GCMs输出的潜在蒸散发数据。
8.根据权利要求1所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤5具体包括如下步骤：
步骤5.1、依据步骤3模拟得到的流域水文过程，以日流量最高为判别准则识别年最大洪水过程，然后计算洪水过程的历时D和洪量S；
步骤5.2、根据步骤5.1计算得到的历时D和洪量S，采用伽马分布函数作为洪水历时和洪量的边缘分布函数，建立一致性条件下伽马分布函数的边缘分布函数；
步骤5.3、根据步骤5.2得到的边缘分布函数、并以步骤4中获得的流域年均下垫面特征参数为协变量，构建非一致性条件下基于Copula的洪水历时和洪量的联合概率分布函数。
9.根据权利要求1所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤6求取未来每年洪水历时和洪量的联合重现期的方法为：
给定联合重现期Tor，根据步骤5建立的洪水历时和洪量的联合概率分布函数计算在Tor条件下各年的洪水历时和洪量的最可能组合，其中，洪水历时和洪量的最可能组合模式为在联合重现期Tor等值线上联合概率密度函数最大的组合，再分别对历时和洪量取算术平均值，得到历史期的洪水历时和洪量特征值；
将得到的历史期洪水历时和洪量特征值代入到未来时期的最可能组合模型中，得到每年的新联合重现期。
10.根据权利要求1所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤7具体为：
基于步骤6得到未来时期每一年的新的联合重现期Tf(k)，将给定的历史期重现期记为Th；若Tf(k)<Th则表明第k年的洪水风险增加，反之下降；通过下式度量未来时期的社会经济暴露度：
式中：Epop和EGDP分别对应表征受洪水风险增加影响的人口和GDP暴露度，POPk和GDPk分别对应为第k年的人口和GDP，由步骤1获得；I(·)为指示函数，Th-Tf(k)>0时记为1，反之取0；N1和N2分别表征研究时段的起、止年份。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210650913.2A CN115507822B (zh) | 2022-06-09 | 2022-06-09 | 水文循环变异驱动下的洪水风险预测方法 |
| US17/948,211 US20230400603A1 (en) | 2022-06-09 | 2022-09-19 | Method of projecting future flood risks under changing hydrological cycles |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210650913.2A CN115507822B (zh) | 2022-06-09 | 2022-06-09 | 水文循环变异驱动下的洪水风险预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115507822A true CN115507822A (zh) | 2022-12-23 |
| CN115507822B CN115507822B (zh) | 2024-07-02 |
Family
ID=84500703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210650913.2A Active CN115507822B (zh) | 2022-06-09 | 2022-06-09 | 水文循环变异驱动下的洪水风险预测方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230400603A1 (zh) |
| CN (1) | CN115507822B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362541A (zh) * | 2023-03-23 | 2023-06-30 | 中国水利水电科学研究院 | 一种基于标准网格的洪水影响人口与gdp风险评估方法 |
| CN116451879A (zh) * | 2023-06-16 | 2023-07-18 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
| CN116522764A (zh) * | 2023-04-17 | 2023-08-01 | 华中科技大学 | 一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 |
| CN117057490A (zh) * | 2023-10-12 | 2023-11-14 | 武汉大学 | 湿胁迫热浪-洪水复合灾害的预测方法、系统及电子设备 |
| CN118095973A (zh) * | 2024-04-29 | 2024-05-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种耦合降维理论的水文丰枯遭遇概率计算方法 |
| CN118504994A (zh) * | 2024-07-19 | 2024-08-16 | 武汉大学 | 基于热浪洪水复合灾害的经济风险预测方法、系统及设备 |
| CN118643957A (zh) * | 2024-08-16 | 2024-09-13 | 山东安澜工程建设有限公司 | 一种基于机器学习的洪水灾害预警方法及系统 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436619B (zh) * | 2023-12-20 | 2024-03-15 | 长江水利委员会水文局 | 一种基于等效防洪作用的梯级水库防洪库容联合预留方法 |
| CN117933127B (zh) * | 2024-01-16 | 2024-08-13 | 中山大学 | 一种山洪小流域水文水动力模型快速建模系统及方法 |
| CN117744501B (zh) * | 2024-01-19 | 2024-05-28 | 水利部水利水电规划设计总院 | 考虑生态流量的水网系统调蓄节点优化调度与决策方法 |
| CN118194235B (zh) * | 2024-04-10 | 2024-08-30 | 长江水利委员会水文局 | 一种多模式融合的降水干湿时序变化重构方法及系统 |
| CN118036481B (zh) * | 2024-04-15 | 2024-06-18 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种预测河道洪水流量的方法 |
| CN118050828B (zh) * | 2024-04-15 | 2024-06-25 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种流域防洪智能优化预报方法 |
| CN118396405A (zh) * | 2024-04-16 | 2024-07-26 | 河海大学 | 基于月尺度生态水文模拟的绿洲生态输水过程优化方法 |
| CN118332935B (zh) * | 2024-06-12 | 2024-08-23 | 长江三峡集团实业发展(北京)有限公司 | 一种降水径流模拟方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190227194A1 (en) * | 2015-12-15 | 2019-07-25 | Wuhan University | System and method for forecasting floods |
| CN112765912A (zh) * | 2021-01-26 | 2021-05-07 | 武汉大学 | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 |
| CN113158542A (zh) * | 2021-01-29 | 2021-07-23 | 武汉大学 | 适用于缺资料地区的多变量设计洪水估计方法 |
| CN113191644A (zh) * | 2021-05-06 | 2021-07-30 | 天津大学 | 一种基于自发-引发风险评价模型城市内涝风险评价方法 |
-
2022
- 2022-06-09 CN CN202210650913.2A patent/CN115507822B/zh active Active
- 2022-09-19 US US17/948,211 patent/US20230400603A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190227194A1 (en) * | 2015-12-15 | 2019-07-25 | Wuhan University | System and method for forecasting floods |
| CN112765912A (zh) * | 2021-01-26 | 2021-05-07 | 武汉大学 | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 |
| CN113158542A (zh) * | 2021-01-29 | 2021-07-23 | 武汉大学 | 适用于缺资料地区的多变量设计洪水估计方法 |
| CN113191644A (zh) * | 2021-05-06 | 2021-07-30 | 天津大学 | 一种基于自发-引发风险评价模型城市内涝风险评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| DAN LI; SHENGLIAN GUO; JIABO YIN: "Big data analysis based on POT method for design flood prediction", 《2016 IEEE INTERNATIONAL CONFERENCE ON BIG DATA ANALYSIS (ICBDA)》, 14 July 2016 (2016-07-14) * |
| 尹家波;郭生练;杨妍;陈杰;顾磊;王俊;何绍坤;吴泊洋;熊景华: "基于陆地水储量异常预估中国干旱及其社会经济暴露度", 《中国科学:地球科学》, 31 October 2022 (2022-10-31) * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116362541A (zh) * | 2023-03-23 | 2023-06-30 | 中国水利水电科学研究院 | 一种基于标准网格的洪水影响人口与gdp风险评估方法 |
| CN116362541B (zh) * | 2023-03-23 | 2023-09-22 | 中国水利水电科学研究院 | 一种基于标准网格的洪水影响人口与gdp风险评估方法 |
| CN116522764A (zh) * | 2023-04-17 | 2023-08-01 | 华中科技大学 | 一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 |
| CN116522764B (zh) * | 2023-04-17 | 2023-12-19 | 华中科技大学 | 一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 |
| CN116451879A (zh) * | 2023-06-16 | 2023-07-18 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
| CN116451879B (zh) * | 2023-06-16 | 2023-08-25 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
| CN117057490A (zh) * | 2023-10-12 | 2023-11-14 | 武汉大学 | 湿胁迫热浪-洪水复合灾害的预测方法、系统及电子设备 |
| CN118095973A (zh) * | 2024-04-29 | 2024-05-28 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种耦合降维理论的水文丰枯遭遇概率计算方法 |
| CN118095973B (zh) * | 2024-04-29 | 2024-08-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种耦合降维理论的水文丰枯遭遇概率计算方法 |
| CN118504994A (zh) * | 2024-07-19 | 2024-08-16 | 武汉大学 | 基于热浪洪水复合灾害的经济风险预测方法、系统及设备 |
| CN118643957A (zh) * | 2024-08-16 | 2024-09-13 | 山东安澜工程建设有限公司 | 一种基于机器学习的洪水灾害预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115507822B (zh) | 2024-07-02 |
| US20230400603A1 (en) | 2023-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115507822B (zh) | 水文循环变异驱动下的洪水风险预测方法 | |
| CN111898258B (zh) | 一种水文循环变异驱动下二维干旱灾害评估方法 | |
| CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
| CN110442937B (zh) | 一种融合卫星遥感和机器学习技术的流域水文模拟方法 | |
| CN111027175B (zh) | 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 | |
| CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
| Dehghan et al. | Prediction of meteorological drought in arid and semi-arid regions using PDSI and SDSM: a case study in Fars Province, Iran | |
| CN110598290B (zh) | 考虑气候变化的流域未来水电发电能力预测方法和系统 | |
| Al-Ansari et al. | Long term effect of climate change on rainfall in northwest Iraq | |
| CN113158542B (zh) | 适用于缺资料地区的多变量设计洪水估计方法 | |
| CN112700068B (zh) | 基于机器学习融合多源遥感数据的水库调度规则优化方法 | |
| CN108830419B (zh) | 一种基于ecc后处理的梯级水库群入库流量联合预报方法 | |
| CN112686426B (zh) | 一种基于水电站流域关键点的来水量预警方法及系统 | |
| CN116663719A (zh) | 一种洪水风险预测方法、系统及电子设备 | |
| CN111898660A (zh) | 一种基于贝叶斯模式平均融合多源数据的水文模拟方法 | |
| CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
| CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
| 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 | |
| CN118312576A (zh) | 一种高温热浪-干旱复合灾害的预测方法、系统及电子设备 | |
| CN114970377A (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 | |
| CN114741655A (zh) | 一种二维干旱风险估计方法及其系统 | |
| CN117057490A (zh) | 湿胁迫热浪-洪水复合灾害的预测方法、系统及电子设备 | |
| CN115238947A (zh) | 气候变化下旱涝急转事件的社会经济暴露度预估方法 | |
| CN117909888B (zh) | 智慧人工智能气候预测方法 | |
| US20240256746A1 (en) | Scheduling method and system for operation of reservoirs to recharge freshwater for repelling saltwater intrusion under changing conditions |
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 |