CN116028767A - 一种复合高温干旱极端事件归因方法 - Google Patents
一种复合高温干旱极端事件归因方法 Download PDFInfo
- Publication number
- CN116028767A CN116028767A CN202211581647.9A CN202211581647A CN116028767A CN 116028767 A CN116028767 A CN 116028767A CN 202211581647 A CN202211581647 A CN 202211581647A CN 116028767 A CN116028767 A CN 116028767A
- Authority
- CN
- China
- Prior art keywords
- observed
- data
- precipitation
- period
- air temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000002131 composite material Substances 0.000 title claims description 90
- 238000001556 precipitation Methods 0.000 claims abstract description 181
- 230000008859 change Effects 0.000 claims abstract description 118
- 150000001875 compounds Chemical class 0.000 claims abstract description 30
- 238000005520 cutting process Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 23
- 230000014509 gene expression Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000036961 partial effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000036962 time dependent Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 9
- 230000009467 reduction Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000007619 statistical method Methods 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 description 6
- 241000039077 Copula Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明提出了一种复合高温干旱极端事件归因方法,涉及气候变化、灾害预防及统计分析的技术领域,获取时空尺度相同的观测降水数据和观测气温数据,根据数据对应的时间段和空间范围,确定需要进行复合高温干旱极端事件变化归因分析的时空区域,按选定的空间区域经纬度裁剪观测降水数据和观测气温数据对应的空间经度和纬度,按选定的时间范围裁剪观测降水数据和观测气温数据对应的时间维度,将观测降水数据和观测气温数据的裁剪结果根据时间维度对齐,量化降水变化、气温变化以及降水相关关系变化这三种驱动因子在复合高温干旱事件变化中的贡献,实现复合灾害重现期变化的不同来源清晰化,有助于防灾减灾,降低气候变化的影响。
Description
技术领域
本发明涉及气候变化、灾害预防及统计分析的技术领域,更具体地,涉及一种基于多元泰勒展开的复合高温干旱极端事件归因方法。
背景技术
随着气候变暖的持续,近几十年来,全球许多陆地地区的严重干旱事件和热浪事件均有所增加。干旱和热浪是影响人类生产生活的两种主要自然灾害,两者有时会相伴发生,一般将这种事件称之为复合高温干旱极端事件。复合高温干旱极端事件可能对生态系统和人类社会造成比单个事件更加严重的影响。因此,准确评估复合干热事件变化及其驱动因素对,提高人们对干热事件的理解并减少其影响至关重要。
干热复合事件的发生不仅与单独发生的干旱和热浪事件有关,还与降水气温间的相关关系有关,这是由联合事件的多变量性质决定的。因此,干旱事件、热浪事件和降水气温关系的变化可以作为驱动干热复合事件变化的三个主要因素。由于变量间的依赖性是表征复合极端事件的关键因素,基于多元变量联合分布的模型,比如copula和meta-gaussian模型等,常常被用来模拟联合事件的发生。这些联合分布模型不仅能满足描述变量关联性质的需要,而且允许在建模时采用灵活的边际分布形式,以适应不同的气象水文变量。
如现有技术中公开了一种基于气象预报的气象型骤旱概率预报方法,首先收集基础数据,包括降水和平均气温的实测数据,然后定义骤旱,并采用广义贝叶斯模型对候降水和候气温进行概率预报,最后建立基于copula函数的骤旱概率预警模型,提高了区域对水文极端事件的预防,但对降水和气温的统计变化缺乏量化手段,而且整体变化分析不全面,直观性不高,减灾防灾的效果不佳。
发明内容
为解决现有面向复合高温干旱极端事件预防处理的方法中,对降水和气温的统计变化缺乏量化手段,且变化分析不全面,直观性差的问题,本发明提出了一种基于多元泰勒展开的复合高温干旱极端事件归因方法,根据降水和气温的统计特征变化将对复合灾害重现期的来源进行量化,清晰化复合灾害重现期变化的不同来源,有助于防灾减灾,降低气候变化的影响。
为了达到上述技术效果,本发明的技术方案如下:
一种复合高温干旱极端事件归因方法,所述方法包括以下步骤:
S1.将时空尺度相同的观测降水数据和观测气温数据作为输入数据;
S2.根据输入数据中观测降水数据和观测气温数据分别对应的时间段和空间范围,确定需要进行复合高温干旱极端事件变化归因分析的时空区域;
S3.按选定的空间区域经纬度裁剪观测降水数据和观测气温数据对应的空间经度和纬度,按选定的时间范围裁剪观测降水数据和观测气温数据对应的时间维度;
S4.确定裁剪得到的需要进行复合高温干旱极端事件重现期的数据所对应的空间分布的集合,筛选出集合内的降水数据;确定选定的时间范围和需要进行复合高温干旱变化判断的时间范围的并集,裁剪需要进行复合高温干旱变化判断的降水数据;
S5.将观测降水数据和观测气温数据的裁剪结果根据时间维度对齐;
S6.提取对齐后的观测降水数据和观测气温数据,基于空间位置相同的降水数据和气温数据,判别复合高温干旱极端事件驱动因子的变化,进行量化归因分析。
优选地,输入数据中包含时空尺度相同的观测降水部分和观测气温部分,观测降水部分包括观测降水数据及其对应的时空维度,观测气温部分包括观测气温数据及其对应的时空维度;根据以字符串形式输入的“年-月-日”~“年-月-日”的时间维度和[“经度范围”,“纬度范围”]的空间范围,确定需要进行复合事件变化归因分析的时空区域。
优选地,在步骤S3中,按选定的空间区域经纬度裁剪观测降水数据和观测气温数据对应的空间经度时,读取观测降水数据和观测气温数据中全部的经度信息,设观测降水数据和观测气温数据中任意一个的经度向量用矢量表示,表示为:
优选地,确定需要进行复合高温干旱极端事件重现期的数据所对应的空间分布的集合的方式为:取向量所包含元素的集合X,Y,计算集合X,Y的笛卡尔积S:=A×B={(x,y)|x∈X,y∈Y},得到需要进行复合事件重现期的数据所对应的空间分布的集合。
优选地,在步骤S6中,利用Sen斜率估计复合高温干旱极端事件驱动因子的变化趋势,并使用Mann-Kendall趋势检验方法判断此趋势是否显著。
优选地,复合高温干旱极端事件归因分析的过程为:
极端事件重现期方程表示为:
其中,rx,ry,rxy分别为干旱事件、热浪事件和复合高温干旱事件的重现期;θx和θy则是干旱和热浪事件对应的标准化指数的阈值;Φ(θx)和Φ2(θx,θy;ρ)分别表示标准正态分布的累积分布函数和相关系数为ρ的二元正态分布的累积分布函数;
S64.将标准化降水指数SPI、标准化气温指数STI的时间序列划分为时长相等的时间段1和时间段2,时间段1的时间表示为时间段2的时间表示为其中,时间段1中的降水时间序列和温度时间序列分别为和时间段2中的降水时间序列和温度时间序列分别为和
S65.将时段1中的和带入极端事件重现期计算方程,得到时段1中的干旱重现期热浪重现期降水气温相关系数ρ(1)和联合事件的发生重现期将时段2中的和带入极端事件重现期计算方程,得到时段2中的干旱重现期热浪重现期降水气温相关系数ρ(2)和联合事件的发生重现期
S66.计算时段1和时段2两个时期间联合事件重现期变化、干旱重现期变化、热浪重现期变化及降水温度相关关系变化;
在此,根据降水和气温的统计特征变化将对复合灾害重现期的来源进行量化,清晰了复合灾害重现期变化的不同来源,有助于防灾减灾,降低气候变化的影响。
降水温度相关关系变化的计算表达式为:Δρ=ρ(1)-ρ(2)。
计算相对贡献ηx,ηy,ηρ的表达式分别为:
其中,ηx,ηy,ηρ分别代表降水变化、温度变化和降水温度相关关系变化对干热复合灾害重现期变化的相对贡献。
优选地,所述方法还包括:根据归因分析的结果,将整个空间的降水降水类型进行可视化,并绘制复合高温干旱极端事件流域诊断图。
在此,在可视化的过程中,能够自动将相同的观测时间和降水时间对应起来,避免了繁杂的手动调整过程。
优选地,所述的复合高温干旱极端事件流域诊断图包括:驱动因子变化趋势空间图、复合事件重现期变化空间图、复合事件贡献空间图及复合事件流域诊断图;
复合高温干旱极端事件流域诊断图表示时间段1和时间段2内的联合分布、整个时间序列内此流域发生干旱、高温和复合高温干旱事件随时间的变化、复合事件重现期及其各因子贡献随时间的变化。
复合高温干旱极端事件流域诊断图可以在流域尺度上形象的将联合分布,极端事件和因子贡献联系起来。既能对从联合分布角度对流域整体变化进行分析,也能具体分析某个时间段内极端事件变化和导致这些变化的原因。
与现有技术相比,本发明技术方案的有益效果是:
本申请提出一种复合高温干旱极端事件归因方法,首先获取时空尺度相同的观测降水数据和观测气温数据,根据观测降水数据和观测气温数据对应的时间段和空间范围,确定需要进行复合高温干旱极端事件变化归因分析的时空区域,然后按选定的空间区域经纬度裁剪观测降水数据和观测气温数据对应的空间经度和纬度,按选定的时间范围裁剪观测降水数据和观测气温数据对应的时间维度,将观测降水数据和观测气温数据的裁剪结果根据时间维度对齐,量化降水变化、气温变化以及降水相关关系变化这三种驱动因子在复合高温干旱事件变化中的贡献,实现复合灾害重现期变化的不同来源清晰化,有助于防灾减灾,降低气候变化的影响。
附图说明
图1表示本发明实施例1中提出的复合高温干旱极端事件归因方法的整体流程示意图;
图2表示本发明实施例2中提出的复合高温干旱极端事件归因的具体框图;
图3表示本发明实施例2中提出的标准化降水指数SPI、标准化气温指数STI及独立情况下驱动因子变化趋势图;
图4表示本发明实施例2中提出的自时间段1至时段2的复合高温干旱事件变化情况示意图;
图5表示本发明实施例2中提出的标准化降水指数SPI、标准化气温指数STI及独立情况下归因结果示意图;
图6表示本发明实施例3中提出的复合高温干旱极端事件流域诊断图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
附图中描述位置关系的仅用于示例性说明,不能理解为对本专利的限制;
实施例1
本实施例提出了一种复合高温干旱极端事件归因方法,所述方法的整体流程图如图1所示,包括以下步骤:
S1.将时空尺度相同的观测降水数据和观测气温数据作为输入数据;
S2.根据输入数据中观测降水数据和观测气温数据分别对应的时间段和空间范围,确定需要进行复合高温干旱极端事件变化归因分析的时空区域;
S3.按选定的空间区域经纬度裁剪观测降水数据和观测气温数据对应的空间经度和纬度,按选定的时间范围裁剪观测降水数据和观测气温数据对应的时间维度;
S4.确定裁剪得到的需要进行复合高温干旱极端事件重现期的数据所对应的空间分布的集合,筛选出集合内的降水数据;确定选定的时间范围和需要进行复合高温干旱变化判断的时间范围的并集,裁剪需要进行复合高温干旱变化判断的降水数据;
S5.将观测降水数据和观测气温数据的裁剪结果根据时间维度对齐;
S6.提取对齐后的观测降水数据和观测气温数据,基于空间位置相同的降水数据和气温数据,判别复合高温干旱极端事件驱动因子的变化,进行量化归因分析。
输入数据中包含时空尺度相同的观测降水部分和观测气温部分,在本实施例中,观测降水部分和观测气温部分均为NC文件,观测降水部分NC文件中包括观测降水数据及其对应的时空维度,观测气温部分NC文件中包括观测气温数据及其对应的时空维度,利用python第三方库xarray的load_dataset读取单个输入的.nc文件,提取对应的降水测数据和时空维度(时间,经纬度)等信息。根据以字符串形式输入的“年-月-日”~“年-月-日”的时间维度和[“经度范围”,“纬度范围”]的空间范围,确定需要进行复合事件变化归因分析的时空区域。
在步骤S3中,按选定的空间区域经纬度裁剪观测降水数据和观测气温数据对应的空间经度时,读取观测降水数据和观测气温数据中全部的经度信息,设观测降水数据和观测气温数据中任意一个的经度向量用矢量表示,表示为:
确定需要进行复合高温干旱极端事件重现期的数据所对应的空间分布的集合的方式为:取向量所包含元素的集合X,Y,计算集合X,Y的笛卡尔积S:S=A×B={(x,y)|x∈X,y∈Y},得到需要进行复合事件重现期的数据所对应的空间分布的集合,然后,使用xarray中numpy函数的广播接口,通过.sel方法筛选出在集合S内的降水数据,使用xarray中numpy函数的广播接口,通过.sel方法筛选出在集合S内的降水数据,将以上两种裁剪应用在目标数据上,并将裁剪结果根据时间维度对齐。
在步骤S6中,利用Sen斜率估计复合高温干旱极端事件驱动因子的变化趋势,并使用Mann-Kendall趋势检验方法判断此趋势是否显著。主要包括:计算降水变化的趋势,并判断降水变化是否显著;计算气温变化的趋势,并气温降水变化是否显著;使用长度为30年的滑动窗口,计算不同时间段滑动窗口内的降水-气温相关系数,并根据Sen斜率和Mann-Kendall趋势检验判断降水气温相关系数的变化趋势以及显著性情况。
实施例2
在本实施例中,取裁剪后的降水数据和气温数据,根据空间位置相同的降水数据和气温数据,判别复合干旱热浪事件的变化,并对其进行归因,图2表示复合高温干旱极端事件归因的具体框图。复合高温干旱极端事件归因分析的过程为:
标准化降水指数(SPI)和标准化气温指数(STI)是常用的描述降水和温度极端事件严重程度的评价指标。通常使用正态分位数变换(NQT)的方法从原始数据得到标准化指数:
其中,X和Y分别代表原始降水和温度数据;和分别代表通过威布尔绘图位置估计的降水和温度的经验累积分布函数;和分别代表标准化降水指数和标准化气温指数时间序列;表示标准正态分布的累积分布函数的反函数。图3表示标准化降水指数SPI、标准化气温指数STI及独立情况下驱动因子变化趋势图。
其中,二维meta-Gaussian模型常被用来描述两个分布间的关系:
其中,μx,σx分别为某一特定时期的SPI的均值和方差;μy,σy分别为某一特定时期的STI的均值和方差;ρ则表示SPI和STI之间的相关系数。
根据meta-Gaussian模型,干旱事件概率px,热浪事件概率py和干热复合事件的概率pxy可以分别表示为:
其中,Φ(x)表示标准正态分布的累积分布函数;Φ2(x,y;ρ)表示相关系数为ρ的二元正态分布的累积分布函数(BNCDF);θx和θy则是确定干旱和热浪事件的阈值。
干热事件概率pxy可以被干旱事件概率px,热浪事件概率pxy和降水气温相关关系ρ共同决定,此过程可以用形如pxy=fp(px,py,ρ)的方程表示:
pxy=fp(px,py,ρ)=px-Φ2(Φ-1(px),Φ-1(1-py);ρ)
极端事件重现期计算方程分别表示为:
其中,rx,ry,rxy分别为干旱事件、热浪事件和复合高温干旱事件的重现期;θx和θy则是干旱和热浪事件对应的标准化指数的阈值;Φ(θx)和Φ2(θx,θy;ρ)分别表示标准正态分布的累积分布函数和相关系数为ρ的二元正态分布的累积分布函数;
其中,联合事件重现期对各个驱动因素的偏导数为:
在此,在meta-gaussian模型中,二元联合正态分布的累积概率函数(BNCDF)Φ2(x,y,ρ)被用来描述复合事件发生概率和重现期,其对三个控制变量的偏导数存在解析解,具体推导如下:
其中,φ(x)和φ2(x,y;ρ)分别表示标准正态分布的概率密度函数和相关系数为ρ的二元正态分布的概率密度函数。
(2)BNCDF对y的偏导数可以表示为:
(3)BNCDF对ρ的偏导数可以表示为:
S64.将标准化降水指数SPI、标准化气温指数STI的时间序列划分为时长相等的时间段1和时间段2,时间段1的时间表示为时间段2的时间表示为其中,时间段1中的降水时间序列和温度时间序列分别为和时间段2中的降水时间序列和温度时间序列分别为和
S65.将时段1中的和带入极端事件重现期计算方程,得到时段1中的干旱重现期热浪重现期降水气温相关系数ρ(1)和联合事件的发生重现期将时段2中的和带入极端事件重现期计算方程,得到时段2中的干旱重现期热浪重现期降水气温相关系数ρ(2)和联合事件的发生重现期
S66.计算时段1和时段2两个时期间联合事件重现期变化、干旱重现期变化、热浪重现期变化及降水温度相关关系变化;
降水温度相关关系变化的计算表达式为:Δρ=ρ(1)-ρ(2)。其中,图4表示自时间段1至时间段2的复合高温干旱事件变化情况示意图;
在本实施例中,通过多元泰勒展开量化三个驱动因子对联合事件重现期变化Δrxy的贡献大小:
计算相对贡献ηx,ηy,ηρ的表达式分别为:
其中,ηx,ηy,ηρ分别代表降水变化、温度变化和降水温度相关关系变化对干热复合灾害重现期变化的相对贡献,在本实施例中,标准化降水指数SPI、标准化气温指数STI及独立情况下归因结果示意图如图5所示。
在此,根据降水和气温的统计特征变化将对复合灾害重现期的来源进行量化,清晰了复合灾害重现期变化的不同来源,有助于防灾减灾,降低气候变化的影响。
实施例3
在本实施例中,所述方法还包括:根据归因分析的结果,将整个空间的降水降水类型进行可视化,并绘制复合高温干旱极端事件流域诊断图。在可视化的过程中,能够自动将相同的观测时间和降水时间对应起来,避免了繁杂的手动调整过程。复合高温干旱极端事件流域诊断图包括:驱动因子变化趋势空间图、复合事件重现期变化空间图、复合事件贡献空间图及复合事件流域诊断图;
在复合高温干旱极端事件流域诊断图中,从上而下分别为时间段1和时间段2内的联合分布、整个时间序列内此流域发生干旱、高温和复合高温干旱事件随时间的变化、复合事件重现期及其各因子贡献随时间的变化。
复合高温干旱极端事件流域诊断图可以在流域尺度上形象的将联合分布,极端事件和因子贡献联系起来。既能对从联合分布角度对流域整体变化进行分析,也能具体分析某个时间段内极端事件变化和导致这些变化的原因。
实施例3
本实施例主要针对本发明所提出的方法,面向实际的平台进行操作说明,包括如下操作:
S1.文件输入:利用python开源的第三方库netcdf的Dataset函数以及xarray的load_mfdataset读取.nc文件中的降水数据和气温数据提取对应的降水测数据和时空维度(时间,经纬度)等信息。根据以字符串形式输入的“年-月-日”~“年-月-日”时间段和[“经度范围”,“纬度范围”]的空间范围确定需要进行复合高温干旱重现变化归因的时空区域。
S2.数据处理:(1)采用Python第三方库xarray和dask进行时空分析,主要内容如下:提取到的降水和气温的维度信息,根据选定的空间区域经纬度裁剪降水和气温的数据的空间维度;按照输入的时间范围裁剪降水和气温的数据的时间维度;将降水和气温数据对齐。(2)利用python的numpy和scipy库,使用统计方法将同一地点上的干旱热浪复合事件进行归因分析。
S3.降水数据可视化:该步骤主要是利用Python第三方库geopandas和cartopy对归因结果数据进行可视化。在绘制空间图时,利用Matplotlib中的plt.subplots函数设置适子画布大小;使用cartopy中的ccrs.PlateCarree()函数调用matplotlib的geoaxes对象,控制其投影类型;使用ax.pcolormesh方法绘制空间图。使用ax.gridlines方法绘制经纬度网格线,用fig.add_axes方法添加控制colorbar位置的子图,通过fig.colorbar方法设置颜色条的位置,使用cbar.set_ticks方法设置刻度位置,使用刻度标签显示内容。最后通过matplotlib.figure.Figure的savefig方法,将绘制的空间图保存到指定路径。在绘制流域诊断图时,需要额外使用第三方库seaborn。
针对于可视化,利用1901年~2000年中国夏季复合高温干旱可视化分类可视化步骤解析如下:
S1.将流域地图绘制所需要的降水观测数据(NetCDF文件),气温观测数据(NetCDF文件)存储在选定的文件夹中,并分别定义变量path_precipitation、path_temperature并存储对应的路径,通过xarray.open_mfdataset和geopandas.read_file函数读取并合并这些文件;手动输入时空范围。
S2.通过Python第三方库xarray和numpy进行时空范围裁切,利用python的numpy和scipy库对降水和气温数据进行复合高温干旱归因:
(1)使用xarray.dataset提取降水数据的和观测数据使用xarray中numpy函数的广播接口,通过.sel方法筛选出在集合S内的降水数据;
(2)根据输入降水的时间范围和需要进行复合高温干旱变化判断的时间范围的并集,使用.isel方法裁剪降水数据;
(3)提取裁剪后的气温数据和降水数据,并对其进行复合高温干旱事件变化归因分析。首先使用numpy.cov,scipymultivariate_normal构建降水气温联合分布,其次计算两个时间段之间统计参数(重现期,相关系数)的差异,之后根据构建的联合分布使用math库和numpy库计算偏导数结果,根据以上两个的结果,计算出相对;
(4)利用xarray中的apply_func广播方法和python中的for循环对不同空间位置的数据分别重复上述过程,获得用于可视化的数据;
S3.利用Python第三方库Mpl_toolkits和Matplotlib绘制空间图和诊断图:
(1)通过cartopy的cartopy.crs.ccrs方法设置地图的投影方式为等经纬度投影(PlateCarree);
(2)使用第三方可视化库Matplotlib中plt.subplots函数设置需要绘图的画布大小,通过cartopy.set_extent方法设置需要绘制的经纬度空间区域;
(3)ax.pcolormesh方法绘制分类对应的空间图,如果变化趋势显著,则在显著变化的区域使用绘制plt.scatter绘制标识点;
(4)通过geoaxes中的gridlines方法和第三方库cartopy中的cticker.LongitudeFormatter()方法制作经纬度标签;
(5)使用fig.add_axes方法添加控制colorbar位置的子图,使用cbar.set_ticks方法设置刻度位置,使用刻度标签显示内容;
(6)通过matplotlib.figure.Figure的savefig方法,将绘制的降水数据可视化图保存到指定路径;
(7)在流域尺度,以数个流域作为可视化案例,通过seabornjointgrid绘制联合分布图。通过matplotlib中plot方法和fill_between绘制复合事件变化。最后通过matplotlib.figure.Figure的savefig方法,将绘制的诊断图保存到指定路径。
如图6所示,在诊断图中,自左向右分别为时间段1和时间段2内的联合分布;整个时间序列内此流域发生干旱、高温和复合高温干旱事件随时间的变化;复合事件重现期及其各因子贡献随时间的变化。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种复合高温干旱极端事件归因方法,其特征在于,所述方法包括以下步骤:
S1.将时空尺度相同的观测降水数据和观测气温数据作为输入数据;
S2.根据输入数据中观测降水数据和观测气温数据分别对应的时间段和空间范围,确定需要进行复合高温干旱极端事件变化归因分析的时空区域;
S3.按选定的空间区域经纬度裁剪观测降水数据和观测气温数据对应的空间经度和纬度,按选定的时间范围裁剪观测降水数据和观测气温数据对应的时间维度;
S4.确定裁剪得到的需要进行复合高温干旱极端事件重现期的数据所对应的空间分布的集合,筛选出集合内的降水数据;确定选定的时间范围和需要进行复合高温干旱变化判断的时间范围的并集,裁剪需要进行复合高温干旱变化判断的降水数据;
S5.将观测降水数据和观测气温数据的裁剪结果根据时间维度对齐;
S6.提取对齐后的观测降水数据和观测气温数据,基于空间位置相同的降水数据和气温数据,判别复合高温干旱极端事件驱动因子的变化,进行量化归因分析。
2.根据权利要求1所述的复合高温干旱极端事件归因方法,其特征在于,输入数据中包含时空尺度相同的观测降水部分和观测气温部分,观测降水部分包括观测降水数据及其对应的时空维度,观测气温部分包括观测气温数据及其对应的时空维度;根据以字符串形式输入的“年-月-日”~“年-月-日”的时间维度和[“经度范围”,“纬度范围”]的空间范围,确定需要进行复合事件变化归因分析的时空区域。
3.根据权利要求2所述的复合高温干旱极端事件归因方法,其特征在于,在步骤S3中,按选定的空间区域经纬度裁剪观测降水数据和观测气温数据对应的空间经度时,读取观测降水数据和观测气温数据中全部的经度信息,设观测降水数据和观测气温数据中任意一个的经度向量用矢量表示,表示为:
5.根据权利要求1所述的复合高温干旱极端事件归因方法,其特征在于,在步骤S6中,利用Sen斜率估计复合高温干旱极端事件驱动因子的变化趋势,并使用Mann-Kendall趋势检验方法判断此趋势是否显著。
6.根据权利要求1所述的复合高温干旱极端事件归因方法,其特征在于,复合高温干旱极端事件归因分析的过程为:
极端事件重现期方程表示为:
其中,rx,ry,rxy分别为干旱事件、热浪事件和复合高温干旱事件的重现期;θx和θy则是干旱和热浪事件对应的标准化指数的阈值;Φ(θx)和Φ2(θx,θy;ρ)分别表示标准正态分布的累积分布函数和相关系数为ρ的二元正态分布的累积分布函数;
S64.将标准化降水指数SPI、标准化气温指数STI的时间序列划分为时长相等的时间段1和时间段2,时间段1的时间表示为时间段2的时间表示为其中,时间段1中的降水时间序列和温度时间序列分别为和时间段2中的降水时间序列和温度时间序列分别为和
S65.将时段1中的和带入极端事件重现期计算方程,得到时段1中的干旱重现期热浪重现期降水气温相关系数ρ(1)和联合事件的发生重现期将时段2中的和带入极端事件重现期计算方程,得到时段2中的干旱重现期热浪重现期降水气温相关系数ρ(2)和联合事件的发生重现期
S66.计算时段1和时段2两个时期间联合事件重现期变化、干旱重现期变化、热浪重现期变化及降水温度相关关系变化;
9.根据权利要求7所述的复合高温干旱极端事件归因方法,其特征在于,所述方法还包括:根据归因分析的结果,将整个空间的降水降水类型进行可视化,并绘制复合高温干旱极端事件流域诊断图。
10.根据权利要求9所述的复合高温干旱极端事件归因方法,其特征在于,所述的复合高温干旱极端事件流域诊断图包括:驱动因子变化趋势空间图、复合事件重现期变化空间图、复合事件贡献空间图及复合事件流域诊断图;复合高温干旱极端事件流域诊断图表示时间段1和时间段2内的联合分布、整个时间序列内此流域发生干旱、高温和复合高温干旱事件随时间的变化、复合事件重现期及其各因子贡献随时间的变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211581647.9A CN116028767A (zh) | 2022-12-09 | 2022-12-09 | 一种复合高温干旱极端事件归因方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211581647.9A CN116028767A (zh) | 2022-12-09 | 2022-12-09 | 一种复合高温干旱极端事件归因方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116028767A true CN116028767A (zh) | 2023-04-28 |
Family
ID=86076740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211581647.9A Pending CN116028767A (zh) | 2022-12-09 | 2022-12-09 | 一种复合高温干旱极端事件归因方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116028767A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965253A (zh) * | 2022-06-30 | 2023-04-14 | 西南交通大学 | 不同时段旱情变化的归因方法 |
-
2022
- 2022-12-09 CN CN202211581647.9A patent/CN116028767A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965253A (zh) * | 2022-06-30 | 2023-04-14 | 西南交通大学 | 不同时段旱情变化的归因方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Comparison of four nonstationary hydrologic design methods for changing environment | |
Hao et al. | A theoretical drought classification method for the multivariate drought index based on distribution properties of standardized drought indices | |
Wagener et al. | Numerical and visual evaluation of hydrological and environmental models using the Monte Carlo analysis toolbox | |
Yee et al. | Vector generalized linear and additive extreme value models | |
Hassan et al. | Using Markov Chain Monte Carlo to quantify parameter uncertainty and its effect on predictions of a groundwater flow model | |
Birks et al. | Pollen-based reconstructions of late-Quaternary climate in Europe–progress, problems, and pitfalls | |
CN109917777B (zh) | 基于混合多采样率概率主成分分析模型的故障检测方法 | |
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN116028767A (zh) | 一种复合高温干旱极端事件归因方法 | |
Winter et al. | Modelling the effect of the El Nino-Southern Oscillation on extreme spatial temperature events over Australia | |
Armstrong et al. | Comparing instrumental, palaeoclimate, and projected rainfall data: Implications for water resources management and hydrological modelling | |
CN115935139A (zh) | 一种海洋观测数据的空间场插补方法 | |
Jahani et al. | Stochastic prognostics under multiple time-varying environmental factors | |
Zhang et al. | A weighted ensemble of regional climate projections for exploring the spatiotemporal evolution of multidimensional drought risks in a changing climate | |
Diodato et al. | Mapping soil erodibility from composed data set in Sele River Basin, Italy | |
Zuniga et al. | A generalized linear model for multivariate events | |
Pang et al. | RUL prediction for bivariate degradation process considering individual differences | |
AU2010262748B2 (en) | A method of characterising a resource | |
Vidrio-Sahagún et al. | Nonstationary hydrological frequency analysis using the Metastatistical extreme value distribution | |
CN113032458A (zh) | 航天器的异常确定方法及装置 | |
Taboada et al. | Assessing the viability of underground slate mining by combining an expert system with a GIS | |
Kuhnert et al. | Reliability measures for local nodes assessment in classification trees | |
Monteiro et al. | Modelling irregularly spaced time series under preferential sampling | |
Johannesson et al. | Approximate Bayesian inference for spatial flood frequency analysis |
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 |