CN115630337A - 基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统 - Google Patents
基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统 Download PDFInfo
- Publication number
- CN115630337A CN115630337A CN202211284108.9A CN202211284108A CN115630337A CN 115630337 A CN115630337 A CN 115630337A CN 202211284108 A CN202211284108 A CN 202211284108A CN 115630337 A CN115630337 A CN 115630337A
- Authority
- CN
- China
- Prior art keywords
- period
- climate
- rainfall
- extreme rainfall
- sequence
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统,方法包括:步骤1、将研究期分为基准期和现代期;步骤2、将极端降雨序列前0~12个月的气候因子都分别与极端降雨序列做相关性分析,得到初步筛选的气候因子;步骤3、采用逐步回归进一步筛选出气候因子,纳入回归模型的最优解释变量集;步骤4、利用多元线性回归,基于最优解释变量集构建出描述基准期极端降雨序列的回归模型;步骤5、利用回归模型,带入现代期的气候因子重构模拟出极端降雨序列;步骤6、通过频率分析得出该次极端降雨事件的频率,进而得出重现期;步骤7、对比现代期的模拟序列和观测序列得出气候因子和人类活动对某次具体极端降雨事件的贡献率。
Description
技术领域
本发明属于水库调度运行技术领域,具体涉及基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统。
背景技术
近几十年来,全球的极端降水事件在不断增加。作为水文循环中最活跃的因子,降水的极端变化会严重影响水文循环过程进而对土壤植被、河流、人类的各项生产生活等产生一系列影响。此外,极端降水事件通常会引起极端洪水、极端干旱等其他极端水文事件以及城市内涝等重大风险事件,因此,近年来极端降水在世界范围内受到越来越多的关注。许多研究已经表明,大规模气候模式与区域极端水文现象之间存在联系。此外,城市化加剧和全球变暖也是造成极端降雨事件频发的一个重要因素,广袤区域易受热带印度洋海温变化的影响而诱发极端降雨。综上原因,从大尺度大气环流和海气相互作用等多方面研究产生极端降雨的主导因素并量化其影响是有必要的。
在现有的很多研究中普遍存在如下问题:(1)考虑的气候指标较少且多在已知的对某一区域极端降雨可能产生显著影响的几个气候因子中挑选出认为最合适的气候因子来解释极端降雨,这会导致忽略掉其他未知显著的气候因子且使得结果稍显主观性;(2)由于考虑的指标较少而导致预测模型中的解释变量较少,不能最佳的描述极端降雨序列;(3)对气候控制对极端降雨的影响分析都处在现代期相对于基准期气候变化的角度,这虽然可以量化整个现代期由于气候的变化而引起的极端降水,但是却是以一整段时期为研究对象,从而不能得到对具体某一次的极端降水的贡献率;因而,现有研究不能准确揭示极端降雨的成因,无法实现对极端降雨的科学研究、预测及有效防控。
发明内容
本发明是为了解决上述问题而进行的,目的是提供一种基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统,能够充分考虑气候因子时滞性,并具体量化每一次的极端降雨事件。
本发明为了实现上述目的,采用了以下方案:
<方法>
如图1所示,本发明提供基于大尺度气候遥相关的极端降雨归因的定量评估方法,其特征在于,包括以下步骤:
步骤1、对研究区域尽可能长且连续的降雨观测资料进行抽样以得出年一日最大值序列和年连续三日最大值序列作为研究序列;利用非参数变点检测方法在整个研究期内寻找存在的变化点;以变化点为依据,将研究期内处在变化点之前的时期定义为基准期,将研究期内处在变化点之后的时期定义为现代期;
步骤2、在基准期用尽可能多的大尺度气候指标与极端降雨序列进行相关性分析:认为抽样所得的极端降雨都发生在研究区域降水集中的月份,为充分考虑气候因子对极端降雨的时滞作用,如图2所示,将极端降雨序列前0~12个月的气候因子(C)都分别与极端降雨序列做相关性分析,进入后续步骤的气候因子应当满足强相关性、高显著性水平、连续且满足研究需求的序列长度这些要求,得到初步筛选的多个气候因子;
步骤3、一般情况下,通过步骤2的气候因子数量较多,都纳入模型作为解释变量就会使模型非常复杂;且当可选择的自变量数目较多时,一些自变量不可避免的会出现以下问题:(1)相对于其他自变量并不显著;(2)与其他自变量存在多重共线性;(3)本身存在较大的测量误差;因此,在初步筛选的基础上采用逐步回归进一步筛选出气候因子,得到既能保证其显著性、消除多重共线性、又能最优的描述被解释变量的气候因子作为最优解释变量,纳入回归模型的最优解释变量集;通过步骤2和3,在众多气候因子中得出用来描述极端降雨的最佳解释变量集;
步骤4、利用多元线性回归,以步骤3得出的气候因子为解释变量构建出描述基准期极端降雨序列的回归模型;
步骤5、利用回归模型,带入现代期的气候因子重构模拟出极端降雨序列(现代期的模拟序列);
步骤6、通过频率分析得出该次极端降雨事件的频率,进而得出重现期;
步骤7、基于bootstrap方法和皮尔逊Ⅲ型分布,得到现代期模拟序列和观测序列对应于此次极端降雨事件的频率的降雨设计值,对比现代期的模拟序列和观测序列的设计值得到气候因子和人类活动对某次具体极端降雨事件的贡献率。
优选地,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估方法,还可以具有这样的特征:在步骤1中,采用至少两种非参数变点检测方法分别在整个研究期内寻找存在的变化点,在整个研究期内寻找存在的变化点;若各种非参数变点检测方法的结果都满足各自的显著性要求,则选择共同的结果作为突变点;没有共同结果时,则根据满足显著性要求的点按研究期实际情况选择(比如可以参照拟确定变化点的前后年的城市化数据:如城市面积增长、第三产业增加值占GDP比重等等);若存在不满足显著性的情况,则应在满足显著性要求的变化点中按实际情况选择。另外,对年一日最大值和年连续三日最大值突变点识别的结果很可能是不一样的,需要对年一日最大值和年连续三日最大值按不同的变化点分别讨论。
例如,利用Mann–Kendall突变点检验和Pettitt突变点检验相互印证以确定存在的变化点,对于Mann–Kendall突变点检验取显著性水平α=0.05,则统计量临界值为±1.96。Pettitt突变点检验需满足P≤0.5:
优选地,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估方法,还可以具有这样的特征:在步骤2中,被选择的气候因子应满足皮尔逊相关系数|rxy|≥0.3、显著性水平p≤0.05、序列足够长以与长系列降水资料相适应且无较多缺测。
优选地,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估方法,还可以具有这样的特征:在步骤6中,将现代期观测数据和模拟数据之间的差值作为人类活动的影响;气候因素和人类活动对极端降雨的贡献率通过其贡献值占绝对值之和的百分比得到:
pt=|pc|+|ph|,
式中,rc和rh分别表示气候因素和人类活动对极端降雨的贡献率;pc和ph分别表示气候因素和人类活动对极端降雨的贡献值;pt表示二者贡献值的绝对值之和。
优选地,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估方法,还可以具有这样的特征:在步骤7中,采用Bootstrap方法对整个研究期、基准期、现代期都分布进行N次取样,N≥10000,每种情况下的N组新序列都使用皮尔逊Ⅲ曲线进行适线,主要得到概率为10%,1%,0.1%、0.01%的降雨,对应于十年一遇、百年一遇、千年一遇和万年一遇的极端降雨,并作出区间估计;贡献率通过由bootstrap和皮尔逊Ⅲ分布得出的对应概率下极端降雨的设计值计算得到,这样结果更加准确合理。
<系统>
进一步,本发明还提供了基于大尺度气候遥相关的极端降雨归因的定量评估系统,其特征在于,包括:
划分部,对研究区域尽可能长且连续的降雨观测资料进行抽样以得出年一日最大值序列和年连续三日最大值序列作为研究序列;利用非参数变点检测方法在整个研究期内寻找存在的变化点;以变化点为依据,将研究期内处在变化点之前的时期定义为基准期,将研究期内处在变化点之后的时期定义为现代期;
初步筛选部,在基准期用尽可能多的大尺度气候指标与极端降雨序列进行相关性分析:为充分考虑气候因子对极端降雨的时滞作用,极端降雨序列前0~12个月的气候因子都分别与极端降雨序列做相关性分析,进入后续步骤的气候因子应当满足强相关性、高显著性水平、连续且满足研究需求的序列长度,得到初步筛选的气候因子;
最优因子筛选部,采用逐步回归进一步筛选出气候因子,得到既能保证其显著性、又能最优的描述被解释变量的气候因子作为最优解释变量,纳入回归模型的最优解释变量集;
模型构建部,利用多元线性回归,以最优因子筛选部得出的气候因子为解释变量构建出描述基准期极端降雨序列的回归模型;
重构部,利用回归模型,带入现代期的气候因子重构模拟出极端降雨序列;
重现期获取部,通过频率分析得出该次极端降雨事件的频率,进而得出重现期;
贡献率计算部,基于bootstrap方法和皮尔逊Ⅲ型分布,得到现代期模拟序列和观测序列对应于此次极端降雨事件的频率的降雨设计值,对比现代期的模拟序列和观测序列的设计值得到气候因子和人类活动对某次具体极端降雨事件的贡献率;
控制部,与划分部、初步筛选部、最优因子筛选部、模型构建部、重构部、贡献率计算部、重现期获取部均通信相连,控制它们的运行。
优选地,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估系统,还可以包括:输入显示部,与划分部、初步筛选部、最优因子筛选部、模型构建部、重构部、贡献率计算部、重现期获取部、控制部均通信相连,用于让操作员输入控制指令,并进行相应的显示。
优选地,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估系统,还可以包括:预警部,与所述控制部和所述输入显示部均通信相连,根据所述贡献率计算部和所述重现期获取部的结果,针对重现期可能引发的危险,生成相应的预警图文信息或发出相应的预警信号以进行险情提示。
优选地,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估系统,还可以包括:极端降雨预测部,获取未来降雨和气候因子的预报信息,将该信息作为未来的降雨观测资料和气候因子采用所述划分部、所述初步筛选部、所述最优因子筛选部、所述模型构建部、所述重构部、所述重现期获取部、所述贡献率计算部计算得到未来气候因子和人类活动所导致的未来降雨情况和贡献率,根据此预测未来极端降雨事件及成因。
优选地,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估系统,还可以具有这样的特征:在划分部中,采用至少两种非参数变点检测方法分别在整个研究期内寻找存在的变化点,若各种非参数变点检测方法的结果都满足各自的显著性要求,则选择共同的结果作为突变点;没有共同结果时,则根据满足显著性要求的点按研究期实际情况选择;若存在不满足显著性的情况,则应在满足显著性要求的变化点中按实际情况选择。
优选地,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估系统,还可以具有这样的特征:在初步筛选部中,被选择的气候因子应满足皮尔逊相关系数|rxy|≥0.3、显著性水平p≤0.05、序列足够长以与长系列降水资料相适应且无较多缺测。
优选地,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估系统,还可以具有这样的特征:在贡献率计算部中,将现代期观测数据和模拟数据之间的差值作为人类活动的影响;气候因素和人类活动对极端降雨的贡献率通过其贡献值占绝对值之和的百分比得到:
pt=|pc|+|ph|,
式中,rc和rh分别表示气候因素和人类活动对极端降雨的贡献率;pc和ph分别表示气候因素和人类活动对极端降雨的贡献值;pt表示二者贡献值的绝对值之和。
发明的作用与效果
本发明所提供的基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统,使用了尽可能长的实测降雨资料通过抽样得出极端降雨序列,其发生时间按照研究区域降水集中月份进行处理,将研究序列划分为仅受气候因素影响的基准期序列和受气候因素以及人类活动二者共同作用的现代期序列,考虑尽可能多的气候指标对极端降雨的影响,并通过统计学方法进行优选,使用两步优选后的多种气候指标,获得最具有显著性和统计学意义的气候因子,通过多元线性回归得出模型进而构建出现代期模拟序列,由多个气候指标的最优组合共同来预测或估计模拟雨量,最大限度的利用好各项气候指标进而得出气候变化下极端降雨的预测或估计值,不是从气候变化的角度量化归因,而是在充分考虑气候因子时滞性的前提下,具体量化到了某一次的极端降雨事件,最终提高了气候因素对极端降雨的解释水平,减小了主观性,使得结果更加客观精确。
另外,本发明先计算得出二者对某次极端降雨贡献值的绝对值之和,再借助贡献值占绝对值之和的百分比的形式来快速量化贡献率,这既能够可靠量化归因,又提高了本发明的计算处理效率。
综上,本发明提供的基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统,构建了研究气候控制和人类活动对某次具体极端降雨事件的主导归因和贡献的方法体系,能够简单有效地分析出气候因子和人类活动何者是具体到某一次极端降雨的主导因素,并且最大尺度的考虑到了气候指标及其时滞性对极端降雨的实际影响,有利于科学有效地对极端降雨进行研究、风险预警和防控。
附图说明
图1为本发明涉及的基于大尺度气候遥相关的极端降雨归因的定量评估方法的流程图;
图2为本发明涉及的考虑气候因子时滞性的示意图;
图3为本发明实施例涉及的郑州站71年极端降雨序列的突变点检验情况示意图。
具体实施方式
以下结合附图对本发明涉及的基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统的具体实施方案进行详细地说明。
<实施例>
如图1所示,本实施例所提供的基于大尺度气候遥相关的极端降雨归因的定量评估方法包括以下步骤:
步骤1.获取尽可能长且连续的研究区降雨序列,对其抽样以获得年一日最大值序列和年连续三日最大值序列为研究数据。通过Mann–Kendall突变点检验和Pettitt突变点检验确定变化点,对于Mann–Kendall突变点检验:
式中,n为样本容量;x为极端降雨序列;E(sk)和var(sk)分别是统计量sk的均值和方差:
将序列x逆序处理,重复以上计算并将结果定义为:
UBk=-UFk,k=n,n-1,...,1
取显著性水平a=0.05,则临界值为±1.96,将UFk、UBk和代表显著性水平的临界值共同绘制在一幅图中,若在显著性水平以内UFk和UBk相交,那么可以认为交点就是研究期内的变化点。对于Pettitt突变点检验,ri被分为三种情况讨论:
式中,若在t0时刻统计量sk达到绝对值的最大值,且它对应的P≤0.5,则认为t0时刻存在变化期内的突变点:
得到研究期内的突变点后,定义研究期内处在变化点之前的时期为“基准期”,变化点之后的时期为“现代期”。
步骤2.在基准期,将基准期极端降雨序列与尽可能多的各种气候指标(包括上百项气候因子,例如,北大西洋涛动指数、厄尔尼诺温度指数、太阳黑子指数等等)进行相关性分析:
式中,rxy为两变量间的皮尔逊相关系数,当|rxy|<0.1时认为两变量间不存在相关性,当0.1≤|rxy|<0.3时认为两变量见有弱相关性,当0.3≤|rxy|<0.5时认为两变量间具有中相关性,当|rxy|≥0.5时认为两变量间相关性很强;σx和σy分别是x和y的样本标准差;Cov(x,y)表示样本协方差:
挑选中等相关性以上的气候因子,验证其显著性,只有满足p<0.05的因子才被选择。满足相关性和显著性要求的因子,序列缺测较多的也应舍弃。
步骤3.通过逐步回归进一步优选气候指标,进而得出描述极端降雨序列的最佳解释变量集:
(1)先分别建立所有解释变量和被解释变量的简单线性回归并做F检验,从中找出F值最大的解释变量并引入模型;
(2)逐个引入其他解释变量。分别计算模型外所有自变量的偏回归平方和并从中挑选出最大值进行既定水平下的显著性检验。若满足显著性要求,则将该自变量引入模型;
(3)当模型中有一个新的自变量引入后,需要再次计算模型内所有自变量的偏回归平方和并从中挑选出最小值进行既定水平下的显著性检验。若显著,则保留模型中全部自变量。若不显著,则剔除该自变量并再次验证,直到模型内全部自变量均满足显著性要求后才能继续引入下一个新的自变量;
(4)一直持续(3)和(4)直到模型中没有变量可以剔除,也没有新的变量可以引入,得出最终的解释变量集;
其中,偏回归平方和是指多元回归模型中取消一个自变量后,整个模型回归平方和减少的部分:
步骤4.使用筛选出的最优解释变量集构建解释极端降雨的多元线性回归模型:
yi=β0+β1xi1+β2xi2+…+βmxim+ei,
E(y)=β0+β1x1+β2x2+…+βmxm,
式中,E(y)为多元线性回归的理论回归方程。
步骤5.利用回归模型重构出现代期的极端降雨模拟序列。基准期极端降雨仅受气候因素的影响,而现代期的极端降雨是气候因素和人类活动共同作用下的结果。那么模拟序列便反映了现代期气候因素对极端降雨的影响。
步骤6.通过频率分析得出具体某次极端降雨的频率,进而得出重现期。选择在中国水文频率分析中有着广泛应用的皮尔逊Ⅲ形分布:
式中,Γ(α)表示α的伽马函数;α为形状参数;β为尺度参数;a0为位置参数;α>0,β>0。
对于暴雨事件,重现期定义为:
式中,T表示重现期,以年为单位。
步骤7.将现代期观测序列和模拟序列分别通过bootstrap方法重复抽样10000次,分别得到10000组新序列。再通过皮尔逊Ⅲ型分布对新序列适线以得到不同频率下降雨的设计值及其区间估计。并对比现代期的模拟序列和观测序列间的设计值差异得出气候变化和人类活动对某次具体极端降雨事件的贡献率。
现代期极端降雨序列由气候控制下的降雨和人类活动控制下的降雨两部分组合而成:
p=pc+ph,
式中,p表示极端降雨观测值;ph表示人类活动(例如,城市面积、大型水利工程数量、人口数量、农田面积等这些人类参与下可能或已经对水文循环产生影响的活动)对极端降雨的贡献值;pc表示气候控制下的极端降雨值。
贡献率可按下列方法计算:
pt=|pc|+|ph|,
式中,rc和rh分别表示气候因素和人类活动对极端降雨的贡献率。
本实施例中,以郑州市7.20特大暴雨为例,将本发明方法和现有技术算法并进行对比。
采用本发明方法对郑州站1951-2021年的历史长系列降雨日值资料进行抽样,得出年最大一日降雨序列和年连续三日平均最大降雨序列,如图3所示,使用两种突变点检测方法得出年最大一日降雨序列的突变点发生在2004年,而年连续三日平均最大降雨序列的突变点发生在2002年。根据突变点,将整个研究期分基准期和现代期。在基准期,根据步骤2将130项气候因子与极端降雨序列进行相关性分析并进行初步选取,然后根据步骤3进行解释变量集的构建。通过频率分析,确定此次极端降雨的频率为1%。根据步骤7,利用bootstrap方法在基准期、现代期和整个研究期对年最大一日降雨序列和年连续三日平均最大降雨序列分别进行10000次重复抽样,在每种情况下得到10000组新的极端降雨序列;通过皮尔逊Ⅲ型分布,对各个新序列进行适线以得出对应于10%,1%,0.1%,0.01%的降雨设计值及其区间估计。如表1所示,计算得出气候控制下对应于1%频率的年最大一日降雨的设计值为141.40±45.97mm,年最大三日降雨的设计值为46.65±7.93mm;气候因素对此次极端降雨的贡献值分别为79.79%和60.85%。
若采用现有技术方法,通过线性方法模拟得出此次极端降雨量分别为61.99mm和20.15mm,人类活动对于此次降雨的贡献值高达93.41%和94.97%,这显然是不合理的,导致这一问题的原因是在气候因子没有明显突变的情况下,模拟值相对于观测值不足的部分都被归因于了人类活动。显然的,现有技术方法对比与本发明方法对于极端降雨的归因分析存在着很大的不确定性和不合理性,根据现有技术这样的结果不能够科学、合理地对极端降雨进行研究、风险预警和防控。
表1本发明方法和现有技术方法就人类活动对郑州市7.20极端降雨贡献的对比
进一步,上述方法可以通过基于大尺度气候遥相关的极端降雨归因的定量评估系统来自动控制实现,该系统包括划分部、初步筛选部、最优因子筛选部、模型构建部、重构部、重现期获取部、贡献率计算部、预警部、输入显示部以及控制部。
划分部执行上文步骤1所描述的内容,对研究区域尽可能长且连续的降雨观测资料进行抽样以得出年一日最大值序列和年连续三日最大值序列作为研究序列;利用非参数变点检测方法在整个研究期内寻找存在的变化点;以变化点为依据,将研究期内处在变化点之前的时期定义为基准期,将研究期内处在变化点之后的时期定义为现代期。
初步筛选部执行上文步骤2所描述的内容,在基准期用尽可能多的大尺度气候指标与极端降雨序列进行相关性分析:为充分考虑气候因子对极端降雨的时滞作用,将极端降雨序列前0~12个月的气候因子都分别与极端降雨序列做相关性分析,进入后续步骤的气候因子应当满足强相关性、高显著性水平、连续且满足研究需求的序列长度,得到初步筛选的气候因子。
最优因子筛选部执行上文步骤3所描述的内容,采用逐步回归进一步筛选出气候因子,得到既能保证其显著性、又能最优的描述极端降雨的气候因子作为最优解释变量,纳入回归模型的最优解释变量集。
模型构建部执行上文步骤4所描述的内容,利用多元线性回归,以最优因子筛选部得出的气候因子为解释变量构建出描述基准期极端降雨序列的回归模型。
重构部利用回归模型执行上文步骤5所描述的内容,带入现代期的气候因子重构模拟出极端降雨序列。
重现期获取部执行上文步骤6所描述的内容,通过频率分析得出该次极端降雨事件的频率,进而得出重现期。
贡献率计算部执行上文步骤7所描述的内容,对比现代期的模拟序列和观测序列得出气候变化和人类活动对某次具体极端降雨事件的贡献率。
极端降雨预测部获取未来降雨和气候因子的预报信息,将该信息作为未来的降雨观测资料和气候因子,采用所述划分部、所述初步筛选部、所述最优因子筛选部、所述模型构建部、所述重构部、所述重现期获取部、所述贡献率计算部计算得到未来气候因子和人类活动所导致的未来降雨情况和贡献率,根据此预测未来极端降雨事件及成因。
预警部根据贡献率计算部和重现期获取部和极端降雨预测部的结果,针对未来可能引发的危险,生成相应的预警图文信息或发出相应的预警信号以进行险情提示;进一步,预警部还能够根据未来极端降雨事件或未来可能引发的危险显示或提示操作员确定建筑物或者工程需要达到的安全系数或等级。
输入显示部用于让操作员输入控制指令,并进行相应的显示。
控制部与划分部、初步筛选部、最优因子筛选部、模型构建部、重构部、贡献率计算部、重现期获取部、极端降雨预测部、预警部、输入显示部均通信相连,控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统并不仅仅限定于在以上实施例中所描述的内容,而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换,都在本发明的权利要求所要求保护的范围内。
Claims (10)
1.基于大尺度气候遥相关的极端降雨归因的定量评估方法,其特征在于,包括以下步骤:
步骤1、对研究区域尽可能长且连续的降雨观测资料进行抽样以得出年一日最大值序列和年连续三日最大值序列作为研究序列;利用非参数变点检测方法在整个研究期内寻找存在的变化点;以变化点为依据,将研究期内处在变化点之前的时期定义为基准期,将研究期内处在变化点之后的时期定义为现代期;
步骤2、在基准期用尽可能多的大尺度气候指标与极端降雨序列进行相关性分析:为充分考虑气候因子对极端降雨的时滞作用,将极端降雨序列前0~12个月的气候因子都分别与极端降雨序列做相关性分析,进入后续步骤的气候因子应当满足强相关性、高显著性水平、连续且满足研究需求的序列长度,得到初步筛选的气候因子;
步骤3、采用逐步回归进一步筛选出气候因子,得到既能保证其显著性、又能最优的描述极端降雨的气候因子作为最优解释变量,纳入回归模型的最优解释变量集;
步骤4、利用多元线性回归,以步骤3得出的气候因子为解释变量构建出描述基准期极端降雨序列的回归模型;
步骤5、利用回归模型,带入现代期的气候因子重构模拟出极端降雨序列;
步骤6、通过频率分析得出该次极端降雨事件的频率,进而得出重现期;
步骤7、基于bootstrap方法和皮尔逊Ⅲ型分布,得到现代期模拟序列和观测序列对应于此次极端降雨事件的频率的降雨设计值,对比现代期的模拟序列和观测序列的设计值得到气候因子和人类活动对某次具体极端降雨事件的贡献率。
2.根据权利要求1所述的基于大尺度气候遥相关的极端降雨归因的定量评估方法,其特征在于:
其中,在步骤1中,采用至少两种非参数变点检测方法分别在整个研究期内寻找存在的变化点,若各种非参数变点检测方法的结果都满足各自的显著性要求,则选择共同的结果作为突变点;没有共同结果时,则根据满足显著性要求的点按研究期实际情况选择;若存在不满足显著性的情况,则应在满足显著性要求的变化点中按实际情况选择。
3.根据权利要求1所述的基于大尺度气候遥相关的极端降雨归因的定量评估方法,其特征在于:
其中,在步骤2中,被选择的气候因子应满足皮尔逊相关系数|rxy|≥0.3、显著性水平p≤0.05、序列足够长以与长系列降水资料相适应且无较多缺测。
5.根据权利要求1所述的基于大尺度气候遥相关的极端降雨归因的定量评估方法,其特征在于:
其中,在步骤7中,采用Bootstrap方法对整个研究期、基准期、现代期都分布进行N次取样,N≥10000,每种情况下的N组新序列都使用皮尔逊Ⅲ曲线进行适线,主要得到概率为10%,1%,0.1%、0.01%的降雨,对应于十年一遇、百年一遇、千年一遇和万年一遇的极端降雨,并作出区间估计;贡献率通过由bootstrap和皮尔逊Ⅲ分布得出的对应概率下极端降雨的设计值计算得到。
6.基于大尺度气候遥相关的极端降雨归因的定量评估系统,其特征在于,包括:
划分部,对研究区域尽可能长且连续的降雨观测资料进行抽样以得出年一日最大值序列和年连续三日最大值序列作为研究序列;利用非参数变点检测方法在整个研究期内寻找存在的变化点;以变化点为依据,将研究期内处在变化点之前的时期定义为基准期,将研究期内处在变化点之后的时期定义为现代期;
初步筛选部,在基准期用尽可能多的大尺度气候指标与极端降雨序列进行相关性分析:为充分考虑气候因子对极端降雨的时滞作用,将极端降雨序列前0~12个月的气候因子都分别与极端降雨序列做相关性分析,进入后续步骤的气候因子应当满足强相关性、高显著性水平、连续且满足研究需求的序列长度,得到初步筛选的气候因子;
最优因子筛选部,采用逐步回归进一步筛选出气候因子,得到既能保证其显著性、又能最优的描述极端降雨的气候因子作为最优解释变量,纳入回归模型的最优解释变量集;
模型构建部,利用多元线性回归,以所述最优因子筛选部得出的气候因子为解释变量构建出描述基准期极端降雨序列的回归模型;
重构部,利用回归模型,带入现代期的气候因子重构模拟出极端降雨序列;
重现期获取部,通过频率分析得出该次极端降雨事件的频率,进而得出重现期;
贡献率计算部,基于bootstrap方法和皮尔逊Ⅲ型分布,得到现代期模拟序列和观测序列对应于此次极端降雨事件的频率的降雨设计值,对比现代期的模拟序列和观测序列的设计值得到气候因子和人类活动对某次具体极端降雨事件的贡献率;
控制部,与所述划分部、所述初步筛选部、所述最优因子筛选部、所述模型构建部、所述重构部、所述重现期获取部、所述贡献率计算部均通信相连,控制它们的运行。
7.根据权利要求6所述的基于大尺度气候遥相关的极端降雨归因的定量评估系统,其特征在于,还包括:
输入显示部,与所述划分部、所述初步筛选部、所述最优因子筛选部、所述模型构建部、所述重构部、所述重现期获取部、所述贡献率计算部、所述控制部均通信相连,用于让操作员输入控制指令,并进行相应的显示。
8.根据权利要求6所述的基于大尺度气候遥相关的极端降雨归因的定量评估系统,其特征在于,还包括:
预警部,与所述控制部和所述输入显示部均通信相连,根据所述贡献率计算部和所述重现期获取部的结果,针对重现期可能引发的危险,生成相应的预警图文信息或发出相应的预警信号以进行险情提示。
9.根据权利要求6所述的基于大尺度气候遥相关的极端降雨归因的定量评估系统,其特征在于,还包括:
极端降雨预测部,获取未来降雨和气候因子的预报信息,将该信息作为未来的降雨观测资料和气候因子采用所述划分部、所述初步筛选部、所述最优因子筛选部、所述模型构建部、所述重构部、所述重现期获取部、所述贡献率计算部计算得到未来气候因子和人类活动所导致的未来降雨情况和贡献率,根据此预测未来极端降雨事件。
10.根据权利要求6所述的基于大尺度气候遥相关的极端降雨归因的定量评估系统,其特征在于:
其中,在所述划分部中,采用至少两种非参数变点检测方法分别在整个研究期内寻找存在的变化点,若各种非参数变点检测方法的结果都满足各自的显著性要求,则选择共同的结果作为突变点;没有共同结果时,则根据满足显著性要求的点按研究期实际情况选择;若存在不满足显著性的情况,则应在满足显著性要求的变化点中按实际情况选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211284108.9A CN115630337A (zh) | 2022-10-20 | 2022-10-20 | 基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211284108.9A CN115630337A (zh) | 2022-10-20 | 2022-10-20 | 基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115630337A true CN115630337A (zh) | 2023-01-20 |
Family
ID=84907184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211284108.9A Pending CN115630337A (zh) | 2022-10-20 | 2022-10-20 | 基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630337A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611588A (zh) * | 2023-07-19 | 2023-08-18 | 水利部水利水电规划设计总院 | 降水多驱动因子分段率定优化预报方法及系统 |
CN117669793A (zh) * | 2023-10-20 | 2024-03-08 | 广东省气象台(南海海洋气象预报中心、珠江流域气象台) | 联合卫星与站点资料的降雨频率估计方法及装置 |
CN117669793B (zh) * | 2023-10-20 | 2024-06-04 | 广东省气象台(南海海洋气象预报中心、珠江流域气象台) | 联合卫星与站点资料的降雨频率估计方法及装置 |
-
2022
- 2022-10-20 CN CN202211284108.9A patent/CN115630337A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611588A (zh) * | 2023-07-19 | 2023-08-18 | 水利部水利水电规划设计总院 | 降水多驱动因子分段率定优化预报方法及系统 |
CN116611588B (zh) * | 2023-07-19 | 2023-09-22 | 水利部水利水电规划设计总院 | 降水多驱动因子分段率定优化预报方法及系统 |
CN117669793A (zh) * | 2023-10-20 | 2024-03-08 | 广东省气象台(南海海洋气象预报中心、珠江流域气象台) | 联合卫星与站点资料的降雨频率估计方法及装置 |
CN117669793B (zh) * | 2023-10-20 | 2024-06-04 | 广东省气象台(南海海洋气象预报中心、珠江流域气象台) | 联合卫星与站点资料的降雨频率估计方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651211B (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
Mwangi et al. | Forecasting droughts in East Africa | |
CN112765808B (zh) | 一种生态干旱的监测与评估方法 | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
Wang et al. | Socioeconomic drought analysis by standardized water supply and demand index under changing environment | |
CN112116149B (zh) | 一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法 | |
CN109815627B (zh) | 一种径流变异影响因子确定方法及系统 | |
CN111191193A (zh) | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 | |
CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
CN113779760B (zh) | 基于可预测气候模态的动力-统计结合季节气候预测方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
CN115630337A (zh) | 基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统 | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
Sha et al. | Development of a key-variable-based parallel HVAC energy predictive model | |
Wei et al. | Data mining methods for hydroclimatic forecasting | |
CN109784720B (zh) | 一种台风灾害下基于时空网格关联的配电网风险评估方法 | |
CN110196456A (zh) | 一种基于相似年灰色关联分析的中长期降雨径流预报方法 | |
CN112233381B (zh) | 一种基于机理和机器学习耦合的泥石流预警方法与系统 | |
CN112907113A (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
CN107944466A (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
CN116739619A (zh) | 一种能源电力碳排放监测分析建模方法及装置 |
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 |