CN116049340A - 考虑水位与水文连通性共存关系的湖泊最优水位确定方法 - Google Patents
考虑水位与水文连通性共存关系的湖泊最优水位确定方法 Download PDFInfo
- Publication number
- CN116049340A CN116049340A CN202310150358.1A CN202310150358A CN116049340A CN 116049340 A CN116049340 A CN 116049340A CN 202310150358 A CN202310150358 A CN 202310150358A CN 116049340 A CN116049340 A CN 116049340A
- Authority
- CN
- China
- Prior art keywords
- water level
- lake
- connectivity
- hydrologic
- distribution
- 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 300
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005315 distribution function Methods 0.000 claims abstract description 66
- 230000001502 supplementing effect Effects 0.000 claims abstract description 43
- 241000039077 Copula Species 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 81
- 230000000694 effects Effects 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 8
- 230000002349 favourable effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 239000003643 water by type Substances 0.000 claims description 2
- 230000003020 moisturizing effect Effects 0.000 claims 2
- 238000007726 management method Methods 0.000 abstract description 28
- 238000012360 testing method Methods 0.000 description 16
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 240000004160 Capsicum annuum Species 0.000 description 1
- 235000002567 Capsicum annuum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000001511 capsicum annuum Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Barrages (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水资源规划和管理领域，特别是涉及一种考虑水位与水文连通性共存关系的湖泊最优水位确定方法。所述方法包括如下步骤：对设定湖泊的遥感影像进行分析处理，获取水文连通性数据；获取设定湖泊的水位数据；计算水文连通性与水位之间的相关系数，判别水文连通性与水位系列的相关性；分别构建水文连通性与水位的边缘分布函数；利用Copula函数，得到二者的联合概率分布函数；结合湖泊补水管理要求和生态修复目标，对水文连通性与水位进行不同补水情景的设置，利用联合概率和条件概率分析，确定最优的湖泊水位。本发明考虑了水位与水文连通性之间的共存关系及其对补水管理产生的不确定性，确定了湖泊的最优水位，为湖泊的补水管理提供定量依据。
Description
技术领域
本发明涉及水资源规划和管理领域，特别是涉及一种考虑水位与水文连通性共存关系的湖泊最优水位确定方法。
背景技术
水位是决定湖泊生态水文状况的关键因素，决定着湖泊生物群落的组成特征，湖泊最优水位的合理确定是区域水资源优化配置和规划管理的重要基础。目前大多数研究关于湖泊生态水位的确定一般采用曲线相关法、水位面积法、天然水位资料法、湖泊形态分析法和生物空间最小需求法等。由于实施生态补水工程后，径流量增加，导致水位上升，以及淹没面积的扩大，进一步影响水文连通性分布。通常水位被认为是对水文连通性影响最大的水文指标，两者之间存在不可分割的共存关系，这种共存关系将反馈到补水调节过程，给补水管理带来挑战。因此，亟需揭示水文连通性与水位的共存关系，并在补水管理中考虑联合效应，为湖泊最优生态水位的确定提供定量化依据。当前的研究方法存在着明显的缺点，即它未能综合考虑水文连通性与水位之间的共存关系，未能考虑共存关系给补水管理带来的不确定性，因而不能为湖泊最优生态水位的确定提供定量化依据。
发明内容
有鉴于此，针对现有湖泊最优生态水位的确定方法未能有效刻画补水管理系统的不确定性，以及无法准确量化湖泊水文连通性与水位之间共存关系的不足，提出一种考虑水位与水文连通性共存关系的湖泊最优水位确定方法，为进一步实现水资源优化配置提供可靠的基础。
为达到上述目的，本发明主要提供如下技术方案：
一种考虑水位与水文连通性共存关系的湖泊最优水位确定方法，包括如下步骤：
步骤1：对设定湖泊的遥感影像进行地统计学分析处理，获取所述湖泊的水文连通性数据；
步骤2：获取所述湖泊的水位数据；
步骤3：分别计算水文连通性与水位之间的相关系数，判别水文连通性与水位的相关性；
步骤4：对满足相关性要求的所述水文连通性与水位数据，利用单变量的参数估计方法构建水文连通性与水位的边缘分布函数，根据拟合度检验得到其最优的边缘分布形式；
步骤5：利用Copula函数，将水文连通性与水位的边缘分布连接起来，得到联合概率分布函数；
步骤6：设立不同的水文连通性与水位的补水情景，计算不同补水情景的联合概率和条件概率，并结合补水管理要求及生态修复目标确定最优的湖泊水位。
上述的湖泊最优水位确定方法中，步骤1中，对设定湖泊的遥感影像进行地统计学分析处理，得到该湖泊任何两个目标水域沿着一定方向和距离范围的连接概率，获取该湖泊的水文连通性数据。
上述的湖泊最优水位确定方法中，步骤3中，通过Spearman系数、Pearson系数和Kendall系数检验水文连通性和水位数据序列之间的相关性，相关系数值的绝对值越大，变量间的依存性越强，其中：相关系数值小于0.2可视为极弱相关或无关，相关系数值大于0.6为强相关。
上述的湖泊最优水位确定方法中，所述单变量是指水文连通性或水位的数据序列；所述多变量是指水文连通性和水位的数据序列；所述的边缘分布函数的类型包括贝塔分布、伽马分布、威布尔分布、广义帕累托分布、广义极值分布、对数正态分布或正态分布；所述的联合分布函数的类型包括Frank、T、Gaussian、Clayton和Gumbel Copula函数。
上述的湖泊最优水位确定方法中，步骤4中，获取所述边缘分布函数的过程包括：首先利用极大似然法求解并确定单变量边缘分布函数的未知参数，通过AIC和BIC准则检验贝塔分布等备选边缘分布函数的拟合优度，当AIC和BIC值越小，说明所选的边缘函数与经验分布函数拟合的效果越好，以此选定水文连通性和水位数据最优的边缘分布类型。
上述的湖泊最优水位确定方法中，步骤5中，所述联合概率分布函数的表达式为：
H(x,y)＝C[F(x),G(y)]
式中：x为水文连通性数据，y为水位数据，F(x)为水文连通性序列的边缘分布函数，G(y)为水位序列的边缘分布函数，H(x,y)为水文连通性和水位的联合分布函数，C为联合分布函数满足的Copula函数类型。
上述的湖泊最优水位确定方法中，步骤5中，选取不同的Copula函数类型来拟合水文连通性和水位序列之间的联合概率分布，利用AIC和BIC值最小原则选定拟合效果最优的Copula函数类型。
上述的湖泊最优水位确定方法中，步骤6中，设立不同的水文连通性与水位的补水情景，计算不同补水情景的联合概率和条件概率的过程为：根据四分位数法将水文连通性与水位数据序列分别分为四个等级：(1)0～25％，(2)25％～50％，(3)50％～75％，(4)75％～100％，将不同等级的水文连通性与水位数据序列依次组合成16种情景，计算不同补水情景下的联合概率和在特定水位下水文连通性结果属于某一连通等级的条件概率结果。
上述的湖泊最优水位确定方法中，步骤6中，所述补水管理要求及生态修复目标是指满足湖泊防洪安全、最小生态流量、维持生物多样性和保护生物栖息地等要求，以保证生物的生存和繁衍。
上述的湖泊最优水位确定方法中，所述步骤6得到的条件概率分布结果中有利于低连通等级事件转向高连通等级事件的水位区间范围即为目标湖泊的最优水位。
上述的湖泊最优水位确定方法中，通过步骤6，根据联合概率分布、条件概率分布、湖泊补水管理要求及生态修复目标，计算出水文连通性和水位等级在不同情景组合的概率，以及特定水位下水文连通性结果属于某一连通等级的条件概率分布结果，得到有利于低连通等级事件转向高连通等级事件的水位区间范围，进而确定湖泊的最优水位。
借由上述技术方案，本发明湖泊最优水位的确定方法至少具有下列优点：
1)利用Copula函数可求解多变量概率问题、适于表征变量间非线性关系的优势，本发明基于Copula函数量化水文连通性与水位的共存关系，设立不同的水文连通性与水位的补水情景，计算不同补水情景的联合概率和条件概率，结合补水管理要求及生态修复目标，将有利于低连通等级事件转向高连通等级事件的水位区间范围确定为目标湖泊的最优水位；该方法有效量化了水文连通性与水位之间的相关性，提高了补水管理的科学性和合理性。
2)本发明全面考虑了由于水文连通性与水位共存时引起补水管理的不确定性，准确性高，为区域水资源优化调配提供定量化依据。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明的湖泊最优水位确定方法的流程图；
图2是本发明的实施例计算得到的水文连通性的边缘分布函数；
图3是本发明的实施例计算得到的水位的边缘分布函数；
图4为本发明的实施例计算得到的水文连通性和水位的联合分布等高线图；
图5为水文连通性和水位的联合概率分布图；
图6为水文连通性和水位的条件概率分布图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明申请的具体实施方式、结构、特征及其功效，详细说明如后。
以白洋淀的补水管理为例，对本发明的湖泊最优水位确定方法进行进一步说明。
白洋淀位于大清河流域，是华北地区最大的浅水湖泊湿地。白洋淀的生态补水水源和路径更加多元化，生态补水水量和次数也不断增加。生态补水会影响白洋淀的水文连通分布特征和水域格局，改善其生态水位；同时水文连通性与水位之间存在共存关系，这种反馈关系和不确定性会为白洋淀的补水管理带来挑战。因此，需要考虑水文连通性与水位之间的共存关系，确定湖泊最优的生态水位，为湖泊补水管理提供定量化依据。
如图1所示，本实施例所提供的一种考虑水位与水文连通性共存关系的湖泊最优水位确定方法，包括如下步骤：步骤1：对设定湖泊的遥感影像进行地统计学分析处理，获取该湖泊的水文连通性数据；步骤2：从水利部官方网站获取设定湖泊的水位数据；步骤3：分别计算水文连通性与水位之间的相关系数，判别水文连通性与水位系列的相关性；步骤4：利用单变量的参数估计方法构建其边缘分布函数，根据拟合度检验得到其最优的边缘分布形式，其横坐标为水文连通性或水位数据，纵坐标为对应的概率；步骤5：利用Copula函数，将水文连通性与水位的边缘分布连接起来，得到联合概率分布函数；步骤6：设立不同的水文连通性与水位的补水情景，计算不同补水情景的联合概率和条件概率，并结合补水管理要求及生态修复目标，根据特定水位下水文连通性结果属于某一连通等级的条件概率分布结果，将有利于低连通等级事件转向高连通等级事件的水位区间范围确定为目标湖泊的最优水位。
本实施例所提供的湖泊最优水位确定方法从分析湖泊水文连通性和水位数据序列入手，判别两个数据序列的相关性，构建边缘分布函数，进行联合概率和条件概率分布分析，以此来充分考虑水文连通性和水位之间的共存关系以及这种反馈关系带来的不确定性，为湖泊的补水管理提供更加科学合理的定量化依据。该方法有效量化了水文连通性和水位之间的相关性和依存关系，综合考虑了由于反馈关系带给补水管理的不确定性，准确性高，为区域水资源优化调配提供定量依据。
优选地，步骤3中，通过Spearman系数、Pearson系数和Kendall系数检验水文连通性和水位数据序列之间的相关性，相关系数值的绝对值越大，变量间的依存性越强，其中：相关系数值小于0.2可视为极弱相关或无关，相关系数值大于0.6为强相关。在具体实施时，相关性系数大于0.2即满足了相关性要求，即可进行后续分析。
步骤4中，获取所述边缘分布函数的过程包括：首先利用极大似然法求解并确定单变量边缘分布函数的未知参数，通过AIC和BIC准则检验贝塔分布等备选边缘分布函数的拟合优度，当AIC和BIC值越小，说明所选的边缘函数与经验分布函数拟合的效果越好，以此选定水文连通性和水位数据最优的边缘分布类型。
获取所述边缘分布函数的过程包括：首先利用极大似然法求解并确定单变量边缘分布函数的未知参数，通过AIC和BIC准则检验贝塔分布等备选边缘分布函数的拟合优度，当AIC和BIC值越小，说明所选的边缘函数与经验分布函数拟合的效果越好，以此选定水文连通性和水位数据最优的边缘分布类型。
极大似然法的原理是一个随机样本满足一定的概率分布，但具体参数未知。通过多次实验观察结果，利用这些实验观察结果估计得到参数的近似值，使所选取的样本在被选的总体中出现的可能性为最大。极大似然估计是基于一个给定的参数可以最大化该样本发生概率的思想，放弃选择其他概率较小的样本，直接将该参数作为估计的真实值。AIC(赤池信息量)准则是建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据优良性的统计方法，适用于极大似然估计得到的Copula模型的检验。BIC(贝叶斯信息)准则会增大似然函数，增加模型复杂度，不断提高模型精度，对高估的模型具有更敏感的响应。其计算公式如下：
AIC＝-2log(MSE)+2k
BIC＝-2log(MSE)+k log n
式中，x为水文连通性数据序列；y为水位数据序列；Femp(x,y)为经验分布函数，其数值为经验频率值；H(x,y)为选取的Copula分布函数(理论分布函数)，其数值为理论频率值；MSE为经验分布函数与理论分布函数之间的误差；n为统计量；k为常数。
步骤5中，所述联合概率分布的表达式为：
H(x,y)＝C[F(x),G(y)]
式中：x为水文连通性数据，y为水位数据，F(x)为水文连通性序列的边缘分布函数，G(y)为水位序列的边缘分布函数，H(x,y)为水文连通性和水位的联合分布函数，C为联合分布函数满足的Copula函数类型。所述的边缘分布函数的类型包括贝塔分布、伽马分布、威布尔分布、广义帕累托分布、广义极值分布、对数正态分布或正态分布；所述的联合分布函数的类型包括Frank、T、Gaussian、Clayton和Gumbel Copula函数。
步骤5中，选取不同的Copula函数类型来拟合水文连通性和水位序列之间的联合概率分布，利用AIC和BIC值最小原则选定拟合效果最优的Copula函数类型；所述单变量是指水文连通性或水位的数据序列；所述多变量是指水文连通性和水位的数据序列。
步骤6中，确定湖泊最优水位的步骤为：设立不同的水文连通性与水位的补水情景，计算不同补水情景的联合概率和条件概率的过程为：根据四分位数法将水文连通性与水位数据序列分别分为四个等级：(1)0～25％，(2)25％～50％，(3)50％～75％，(4)75％～100％，将不同等级的水文连通性与水位数据序列依次组合成16种情景，计算不同补水情景的联合概率和在特定水位下水文连通性结果属于某一连通等级的条件概率结果。
步骤6中，所述补水管理要求及生态修复目标是指满足湖泊防洪安全、最小生态流量、维持生物多样性和保护生物栖息地等要求，以保证生物的生存和繁衍。
步骤6中，根据联合概率分布、条件概率分布、湖泊补水管理要求及生态修复目标，计算出水文连通性和水位等级在不同情景组合的概率，以及特定水位下水文连通性结果属于某一连通等级的条件概率分布结果，得到有利于低连通等级事件转向高连通等级事件的水位区间范围，进而确定湖泊的最优水位。
本实施例中，计算得到白洋淀水文连通性与水位数据序列的Spearman系数为0.2888、Pearson系数为0.2727、Kendall系数为0.2545，说明水文连通性与水位数据之间具有一定的正相关关系。本实施例中的相关系数可以通过SPSS或者MATLAB软件，输入数据(水文连通性与水位数据)，相关分析即可得到相关系数的计算结果。
在实际应用中，得到水文连通性和水位的Copula函数后，利用Copula函数的表达式和联合分布等高线图，通过四分位数法划分不同等级，计算出水文连通性和水位等级在不同情景组合中的联合概率和条件概率，得到有利于低连通等级事件转向高连通等级事件的水位区间范围，进而确定湖泊的最优水位。
上述步骤详细说明如下：
(1)获取湖泊的水文连通性与水位数据
通过湖泊水资源调查和数据收集，结合地统计学分析方法对遥感影像的解译处理，得到湖泊任何两个目标水域沿着一定方向和距离范围的连接概率，确定湖泊的水文连通性与水位数据序列。
(2)判别水文连通性与水位数据序列的相关性
由于变量之间是否存在相关性，是判断能否采用Copula函数构造双变量联合分布模型的准则。通过Spearman系数、Pearson系数、Kendall系数等检验水文连通性与水位数据序列的相关性。
(3)构建(2)中满足相关性要求的湖泊水文连通性与水位数据序列之间的联合分布函数
利用极大似然法估计单变量的参数，并构建其边缘分布函数，根据AIC和BIC准则进行拟合度检验得到最优的边缘分布形式；根据AIC和BIC最小的原则选取适宜的Copula函数类型进行水文连通性与水位数据序列的联合分布函数构造，以此来充分考虑水文连通性和水位的共存关系带给湖泊补水管理的不确定性，结合补水管理要求及生态修复目标确定湖泊的最优水位。
拟合度检验又称适应性检验，是对已建立的预测模型进行检验，比较其预测结果与实际发生的符合性。通常情况下，多个预测模型同时进行检验，并选择较好的拟合度进行试验，可以通过比较AIC和BIC值来完成参数的拟合优度评估。拟合优度检验是通过构建可以表征拟合程度的统计量来确定测试拟合模型与样本观察数据点的拟合程度；构建的测试统计量是样本观测值。相应的函数可以计算出所有测试对象的统计值，然后选择一个与之比较的标准，得到测试结论，然后判断拟合模型的拟合程度。常用评估拟合优度的方法有K-S检验、A-D检验等。K-S检验基于累积分布函数，该函数测试分布是否满足理论分布或比较两个经验分布的显著差异。单样本K-S检验用于测试观察到的数据的经验分布是否符合已知的理论分布。双样本K-S测试对两个样本的经验分布函数的位置和形状参数的差异敏感，使其成为比较两个样本的最有用和最常用的非参数方法之一。
(4)确定目标湖泊的最优水位
按照四分位数法，将水文连通性与水位划分为四个等级，并分析不同情景组合的水文连通性与水位的联合概率和条件概率，计算在特定水位下水文连通性结果属于某一连通等级的条件概率结果，结合补水管理要求及生态修复目标，得到有利于低连通等级事件转向高连通等级事件的水位区间范围，进而确定湖泊的最优水位。
通过Copula函数，将水文连通性与水位的边缘分布函数进行连接，得到它们的联合分布函数，即水文连通性与水位最终会满足一定表达式的Copula函数，如：
基于研究湖泊的水文连通性与水位数据序列，分别构建它们的边缘分布函数(F(x)和F(y))，它们各自服从贝塔分布和广义帕累托分布类型；再构建它们的联合分布函数(Frank Copula)，2.00是参数估计结果，结合水文连通性与水位在不同情景组合下的联合概率和条件概率分析结果，得到有利于低连通等级事件转向高连通等级事件的水位区间范围，进而确定湖泊的最优水位。
通过上述湖泊最优水位确定方法计算的结果如下：
1)相关性判别
通过前期的数据收集和遥感影像解译，获得的数据包括：白洋淀水文连通性数据序列(1990-2020)以及白洋淀水位数据序列(1990-2020)。计算白洋淀水文连通性与水位数据两两间的秩相关系数(见下表1)。结果显示，白洋淀水文连通性与水位数据序列的Spearman系数为0.2888、Pearson系数为0.2727、Kendall系数为0.2545，说明水文连通性与水位数据间具有一定的正相关关系，可以用Copula函数进行联合概率和条件概率的分布。
表1.白洋淀水文连通性与水位数据序列的相关性判别结果
*表示通过5％的显著性检验。
2)单变量边缘分布函数的构造
选取贝塔分布、伽马分布、威布尔分布、广义帕累托分布、广义极值分布、对数正态分布或正态类型，分别模拟白洋淀水文连通性与水位数据序列的分布特征，AIC和BIC的统计结果如表2所示。其中，对于水文连通性数据序列，贝塔分布的AIC和BIC结果最小且通过K-S检验；对于水位数据序列，广义帕累托分布的AIC和BIC统计结果最小且通过K-S检验；因而分别选取贝塔分布和广义帕累托分布作为水文连通性与水位的边缘分布函数(见图2和图3)。
表2.单变量的边缘分布函数的AIC和BIC统计结果
3)水文连通性-水位联合分布函数
选择Frank、T、Gaussian、Clayton和Gumbel Copula函数对水文连通性与水位的联合分布进行拟合，并结合AIC和BIC准则确定最优Copula类型为Frank Copula函数，AIC和BIC的统计结果如表3所示。利用Matlab软件绘制参数为2.00的Frank Copula函数，获得水文连通性与水位的联合分布等高线如图4所示。
表3.多变量的联合分布函数的AIC和BIC统计结果
4)水文连通性-水位联合概率分析
按照四分位数法将水文连通性与水位数据序列分别分为四个等级：(1)0～25％，(2)25％～50％，(3)50％～75％，(4)75％～100％，将不同等级的水文连通性与水位数据序列依次组合成16种情景，计算不同补水情景的联合概率，并利用origin绘图软件绘制16种补水情景的联合概率计算结果(见图5)。结果表明，最高的联合概率(0.10)出现在优水位和良好水文连通性的事件中，而低水位和良好水文连通性事件的联合概率最低(0.03)。随着水文连通性的提高，导致同一低、中、高、优水位事件的联合概率变化规律有所不同。此外，水文连通性和水位的同步组合(低-低、中-中、好-高和优-优)的联合概率为0.31，表明白洋淀水文连通性与水位之间存在很强的同步关系。因此，考虑到联合概率结果，建议湖泊管理者应当根据联合事件是否有益于生态环境，采取措施调节水位并改善水文连通性。
5)水文连通性-水位条件概率分析
计算不同补水情景的条件概率，分析特定水位下水文连通性结果属于某一连通等级的条件概率，并利用origin绘图软件绘制条件概率的计算结果(见图6)。结果表明，随着水位的增加，发生低水文连通性事件的概率降低，而发生中等、良好和优水文连通性事件的概率增加。当水位低于7m时，发生低水文连通性事件的概率最高，其次是中等和良好水文连通性事件，发生优水文连通性事件的概率最低。然而，当水位超过8米时，结果完全相反。当水位为7–7.5m时，中等水文连通性事件的发生概率超过低水文连通性事件，表明中等水文连通事件的发生概率在7–7.5m时最大。因此，7–8m是白洋淀水文连通性状态过渡的关键水位范围。当水位超过7m时，白洋淀的水文连通性逐渐改善，当水位超过8m时，改善得更多，这与前人的研究结果一致。
管理者应建立多水源补水机制，对包括流域内和跨流域河流、水库水和再生水在内的生态水资源进行总体规划，通过有效的补水管理，将白洋淀的年生态补水量应确保在3亿m3以上，水位应保持在7m以上，以保持良好的水文连通性，恢复生态环境。
由于水文连通性与水位之间存在共存关系，会为湖泊补水管理带来挑战。以往研究忽略了水文连通性与水位之间的反馈关系，因而湖泊补水管理不够科学合理，湖泊水位也不能有效地实现从低连通等级事件转向高连通等级事件。本发明克服了这一局限，能有效量化水文连通性与水位的共存关系，客观反映水文连通性与水位反馈关系带来的不确定性，通过计算不同补水情景的联合概率和条件概率，确定最优生态水位，准确性高，为水资源优化配置和供水调度规划决策提供可靠的基础数据支持，从而提高了湖泊补水管理的科学性和有效性。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (10)
1.一种考虑水位与水文连通性共存关系的湖泊最优水位确定方法，其特征在于，包括如下步骤：
步骤1：对设定湖泊的遥感影像进行地统计学分析处理，获取所述湖泊的水文连通性数据；
步骤2：获取所述湖泊的水位数据；
步骤3：分别计算水文连通性与水位之间的相关系数，判别水文连通性与水位的相关性；
步骤4：对满足相关性要求的所述水文连通性与水位数据，利用单变量的参数估计方法构建水文连通性与水位的边缘分布函数，根据拟合度检验得到其最优的边缘分布形式；
步骤5：利用Copula函数，将水文连通性与水位的边缘分布连接起来，得到联合概率分布函数；
步骤6：设立不同的水文连通性与水位的补水情景，计算不同补水情景的联合概率和条件概率，并结合补水管理要求及生态修复目标确定最优的湖泊水位。
2.根据权利要求1所述的湖泊最优水位确定方法，其特征在于，
步骤1中，对设定湖泊的遥感影像进行地统计学分析处理，得到所述湖泊的任何两个目标水域沿着一定方向和距离范围的连接概率，获取该湖泊的水文连通性数据。
3.根据权利要求1所述的湖泊最优水位确定方法，其特征在于，
步骤3中，通过Spearman系数、Pearson系数和Kendall系数检验水文连通性和水位数据序列之间的相关性，相关系数值的绝对值越大，变量间的依存性越强，其中：相关系数值小于0.2可视为极弱相关或无关，相关系数值大于0.6为强相关。
4.根据权利要求1所述的湖泊最优水位确定方法，其特征在于，
所述单变量是指水文连通性或水位的数据序列；所述多变量是指水文连通性和水位的数据序列；所述的边缘分布函数的类型包括贝塔分布、伽马分布、威布尔分布、广义帕累托分布、广义极值分布、对数正态分布或正态分布；所述的联合分布函数的类型包括Frank、T、Gaussian、Clayton和Gumbel Copula函数。
5.根据权利要求1所述的湖泊最优水位确定方法，其特征在于，
步骤4中，获取所述边缘分布函数的过程包括：首先利用极大似然法求解并确定单变量边缘分布函数的未知参数，通过AIC和BIC准则检验贝塔分布等备选边缘分布函数的拟合优度，当AIC和BIC值越小，说明所选的边缘函数与经验分布函数拟合的效果越好，以此选定水文连通性和水位数据最优的边缘分布类型。
6.根据权利要求1所述的湖泊最优水位确定方法，其特征在于，
步骤5中，所述联合概率分布函数的表达式为：
H(x,y)＝C[F(x),G(y)]
式中：x为水文连通性数据，y为水位数据，F(x)为水文连通性序列的边缘分布函数，G(y)为水位序列的边缘分布函数，H(x,y)为水文连通性和水位的联合分布函数，C为联合分布函数满足的Copula函数类型。
7.根据权利要求1所述的湖泊最优水位确定方法，其特征在于，
步骤5中，选取不同的Copula函数类型来拟合水文连通性和水位序列之间的联合概率分布，利用AIC和BIC值最小原则选定拟合效果最优的Copula函数类型。
8.根据权利要求1所述的湖泊最优水位确定方法，其特征在于，
步骤6中，设立不同的水文连通性与水位的补水情景，计算不同补水情景的联合概率和条件概率的过程为：根据四分位数法将水文连通性与水位数据序列分别分为四个等级：(1)0～25％，(2)25％～50％，(3)50％～75％，(4)75％～100％，将不同等级的水文连通性与水位数据序列依次组合成16种情景，计算不同补水情景的联合概率和条件概率，以及在特定水位下水文连通性结果属于某一连通等级的条件概率。
9.根据权利要求1所述的湖泊最优水位确定方法，其特征在于，
步骤6中，所述补水管理要求及生态修复目标是指满足湖泊防洪安全、最小生态流量、维持生物多样性和保护生物栖息地的要求，以保证生物的生存和繁衍。
10.根据权利要求1所述的湖泊最优水位确定方法，其特征在于，
所述步骤6得到的条件概率分布结果中有利于低连通等级事件转向高连通等级事件的水位区间范围即为目标湖泊的最优水位。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310150358.1A CN116049340A (zh) | 2023-02-22 | 2023-02-22 | 考虑水位与水文连通性共存关系的湖泊最优水位确定方法 |
| ZA2023/10313A ZA202310313B (en) | 2023-02-22 | 2023-11-06 | A method for determining the optimal water level of lakeswith considering the coexistence relationships between water level and hydrological connectivity |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310150358.1A CN116049340A (zh) | 2023-02-22 | 2023-02-22 | 考虑水位与水文连通性共存关系的湖泊最优水位确定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116049340A true CN116049340A (zh) | 2023-05-02 |
Family
ID=86133235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310150358.1A Pending CN116049340A (zh) | 2023-02-22 | 2023-02-22 | 考虑水位与水文连通性共存关系的湖泊最优水位确定方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116049340A (zh) |
| ZA (1) | ZA202310313B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117116382A (zh) * | 2023-10-18 | 2023-11-24 | 水利部交通运输部国家能源局南京水利科学研究院 | 引水工程影响下受水湖泊水质时空预测方法和系统 |
| CN117575297A (zh) * | 2024-01-16 | 2024-02-20 | 水利部水利水电规划设计总院 | 区域水网系统调水受水区供水水源组成的识别方法及系统 |
| CN118095659A (zh) * | 2024-04-24 | 2024-05-28 | 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) | 一种融合Copula函数和深度学习的湖泊水位共形预测方法 |
-
2023
- 2023-02-22 CN CN202310150358.1A patent/CN116049340A/zh active Pending
- 2023-11-06 ZA ZA2023/10313A patent/ZA202310313B/en unknown
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117116382A (zh) * | 2023-10-18 | 2023-11-24 | 水利部交通运输部国家能源局南京水利科学研究院 | 引水工程影响下受水湖泊水质时空预测方法和系统 |
| CN117116382B (zh) * | 2023-10-18 | 2023-12-26 | 水利部交通运输部国家能源局南京水利科学研究院 | 引水工程影响下受水湖泊水质时空预测方法和系统 |
| CN117575297A (zh) * | 2024-01-16 | 2024-02-20 | 水利部水利水电规划设计总院 | 区域水网系统调水受水区供水水源组成的识别方法及系统 |
| CN117575297B (zh) * | 2024-01-16 | 2024-04-23 | 水利部水利水电规划设计总院 | 区域水网系统调水受水区供水水源组成的识别方法及系统 |
| CN118095659A (zh) * | 2024-04-24 | 2024-05-28 | 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) | 一种融合Copula函数和深度学习的湖泊水位共形预测方法 |
| CN118095659B (zh) * | 2024-04-24 | 2024-07-26 | 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) | 一种融合Copula函数和深度学习的湖泊水位共形预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202310313B (en) | 2024-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116049340A (zh) | 考虑水位与水文连通性共存关系的湖泊最优水位确定方法 | |
| CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
| Hinton et al. | Methods for standardizing CPUE and how to select among them | |
| CN113033014B (zh) | 一种考虑多水源联合概率分布的区域可供水量估算方法 | |
| Leonardsson et al. | Theoretical and practical aspects on benthic quality assessment according to the EU-Water Framework Directive–examples from Swedish waters | |
| Wagener et al. | Towards reduced uncertainty in conceptual rainfall‐runoff modelling: Dynamic identifiability analysis | |
| Haas | Lognormal and moving window methods of estimating acid deposition | |
| CN117116382B (zh) | 引水工程影响下受水湖泊水质时空预测方法和系统 | |
| CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| CN104820873A (zh) | 一种基于金属定量构效关系的淡水急性基准预测方法 | |
| CN106872658A (zh) | 一种基于向量时间序列模型的污水cod负荷预测的方法 | |
| Schiffelbein et al. | Direct assessment of stable isotope variability in planktonic foraminifera populations | |
| Deviney Jr et al. | Evaluation of Bayesian Estimation of a Hidden Continuous-Time Markov Chain Model with Application to Threshold Violation in Water-Quality Indicators. | |
| CN116861306A (zh) | 一种基于用电趋势量化网络的异常用电检测方法 | |
| CN111090831A (zh) | 一种湖泊面积变化关键驱动因子识别方法 | |
| CN117078077A (zh) | 一种高速公路路域的生态脆弱性评价方法 | |
| Johnson | Development of a prediction system for lake stony-bottom littoral macroinvertebrate communities | |
| Tian et al. | Statistical modeling and dependence analysis for tide level via multivariate extreme value distribution method | |
| Smith et al. | Multiple variable indicator kriging: a procedure for integrating soil quality indicators | |
| Sánchez et al. | A software system for the microbial source tracking problem | |
| Reeve | Estimation of extreme Indian monsoon rainfall | |
| CN115034635A (zh) | 一种变化环境下双变量水文序列的非一致频率分析方法 | |
| Zhang et al. | Quantification of statistical uncertainties in performing the peak over threshold method | |
| Voit et al. | Random Number Generation from Right‐Skewed, Symmetric, and Left‐Skewed Distributions | |
| Morales Oreamuno et al. | Information‐theoretic scores for Bayesian model selection and similarity analysis: concept and application to a groundwater problem |
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 |