CN116451879B - 一种干旱风险预测方法、系统及电子设备 - Google Patents
一种干旱风险预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN116451879B CN116451879B CN202310713113.5A CN202310713113A CN116451879B CN 116451879 B CN116451879 B CN 116451879B CN 202310713113 A CN202310713113 A CN 202310713113A CN 116451879 B CN116451879 B CN 116451879B
- Authority
- CN
- China
- Prior art keywords
- drought
- runoff
- hydrologic
- future
- function
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 167
- 238000010801 machine learning Methods 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 38
- 241000039077 Copula Species 0.000 claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 73
- 230000006870 function Effects 0.000 claims description 71
- 238000005315 distribution function Methods 0.000 claims description 37
- 230000008878 coupling Effects 0.000 claims description 30
- 238000010168 coupling process Methods 0.000 claims description 30
- 238000005859 coupling reaction Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 230000005855 radiation Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 238000001556 precipitation Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000009834 vaporization Methods 0.000 claims description 3
- 230000008016 vaporization Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000005243 fluidization Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000007787 long-term memory Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 102100031184 C-Maf-inducing protein Human genes 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 101000993081 Homo sapiens C-Maf-inducing protein Proteins 0.000 description 2
- CPLXHLVBOLITMK-UHFFFAOYSA-N Magnesium oxide Chemical compound [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 101100257820 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) ssp-1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 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
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010025 steaming Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明提供一种干旱风险预测方法、系统及电子设备,属于数据预测处理领域,包括:基于全球气候模式集合,获得地球系统模式输出数据及人口GDP数据,采用分位数偏差校正气候变化情景下的气象模拟系列,驱动水文模型和机器学习模型模拟径流系列;采用多模型加权平均法计算各组合情景权重参数;采用Budyko方程考虑流域水循环水热收支平衡,以特征参数为协变量,表征下垫面人类活动对干旱影响;考虑水文系列非一致性构建时变Copula模型,基于干旱历时和干旱烈度最可能组合模式与多模型加权平均法,评估旱灾风险增高区域人口和GDP暴露度。本发明采用多种方法与流域旱情相结合,为流域干旱风险预测提供重要且操作性强的参考依据。
Description
技术领域
本发明涉及数据预测处理技术领域,尤其涉及一种干旱风险预测方法、系统及电子设备。
背景技术
干旱是一个复杂的现象,受多个水文气象变量的影响。预测表明,在下个世纪,气候变暖将增加两个半球大部分亚热带和中纬度地区的干旱风险和严重程度。因此,预测未来干旱风险的变化对于保障生态安全和维护经济稳定具有重要意义。
目前,对未来气候变化的研究主要依赖于全球气候模式。全球气候模式容许模拟地球气候系统(包括大气、海洋、陆面过程、冰冻圈和生物圈)各个组分变化的物理过程和相互作用。由于全球气候系统的复杂性,每个气候模式仿真这些组分变化时都做出不同程度的假设或者近似。近年来,国内外学者采用第六次国际耦合模式比较计划(CMIP6)下的全球气候模式集合与流域水文模型和机器学习模型相结合,研究了未来干旱的演变规律,取得了一定的应用效果,例如以陆地水储量为度量,考虑干旱事件的二维属性,公开了非一致性条件下二维干旱的社会经济暴露度评估方法。但是,最新研究显示,由于CMIP6个别的改进可能提高了模式对变暖过程的敏感度,导致约1/5的CMIP6模式显示大气二氧化碳浓度翻倍的情况下,全球平均地表气温至少增温5℃,约1/4的CMIP6模式增幅高于4.7℃,而CMIP5所有模式模拟的增幅均低于4.7℃。当前研究中,通常采用全球气候模式集合的算术平均值表证模拟结果,没有考虑全球气候模式集合本身的不确定性对模拟结果造成的影响。
发明内容
本发明提供一种干旱风险预测方法、系统及电子设备,用以解决现有技术中针对二维干旱预测没有考虑全球气候模式集合本身的不确定性对预测结果造成影响的缺陷。
第一方面,本发明提供一种干旱风险预测方法,包括:
采集气象水文数据集合;
采用克劳修斯-克拉珀龙热力学方程确定相对湿度和比湿,基于所述气象水文数据集合训练多个流域水文模型和机器学习模型,建立考虑水文过程的机器学习模型;
基于分位数偏差校正方法,获得气候变化情境下的全球气候模式集合气象模拟数据,采用校正后的所述全球气候模式集合气象模拟数据训练所述考虑水文过程的机器学习模型,得到未来情景下的流域水文过程;
将全球气候模式集合与所述考虑水文过程的机器学习模型进行组合,确定多模型加权平均法中各组合情景权重参数;
基于所述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;
通过所述未来情景下的流域水文过程计算得到未来气候变化情景下的标准化径流指数,基于游程理论确定所述标准化径流指数对应的干旱事件,得到干旱历时和干旱烈度;
采用所述流域水热耦合平衡方程中预设特征参数为协变量,建立非一致性条件下基于Copula函数的联合概率分布函数,基于所述多模型加权平均法中各组合情景权重参数预测未来干旱风险增加造成的社会经济暴露度。
第二方面,本发明还提供一种干旱风险预测系统,包括:
采集模块,用于采集气象水文数据集合;
训练模块,用于采用克劳修斯-克拉珀龙热力学方程确定相对湿度和比湿,基于所述气象水文数据集合训练多个流域水文模型和机器学习模型,建立考虑水文过程的机器学习模型;
校正模块,用于基于分位数偏差校正方法,获得气候变化情境下的全球气候模式集合气象模拟数据,采用校正后的所述全球气候模式集合气象模拟数据训练所述考虑水文过程的机器学习模型,得到未来情景下的流域水文过程;
组合模块,用于将全球气候模式集合与所述考虑水文过程的机器学习模型进行组合,确定多模型加权平均法中各组合情景权重参数;
建立模块,用于基于所述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;
计算模块,用于通过所述未来情景下的流域水文过程计算得到未来气候变化情景下的标准化径流指数,基于游程理论确定所述标准化径流指数对应的干旱事件,得到干旱历时和干旱烈度;
预测模块,用于采用所述流域水热耦合平衡方程中预设特征参数为协变量,建立非一致性条件下基于Copula函数的联合概率分布函数,基于所述多模型加权平均法中各组合情景权重参数预测未来干旱风险增加造成的社会经济暴露度。
第三发明,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述干旱风险预测方法。
本发明提供的干旱风险预测方法、系统及电子设备,通过将地球系统模式、水热平衡方程、流域水文模型、机器学习模型、最可能组合情景法、多模型加权平均法与流域旱情相结合,为气候变化情境下流域干旱风险评估、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
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的干旱风险预测方法的流程示意图之一;
图2是本发明提供的干旱风险预测方法的流程示意图之二;
图3是本发明提供的日实测径流与不同滞时下模拟径流相关性系数变化示意图;
图4是本发明提供的长短期记忆神经网络模型记忆单元的示意图;
图5是本发明提供的Budyko水热平衡方程的示意图;
图6是本发明提供的游程理论的示意图;
图7是本发明提供的干旱风险预测系统的结构示意图;
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
针对现有的干旱预测技术中普遍存在没有综合考虑全球气候模式本身的不确定性,以及没有考虑异常敏感度的全球气候模式对预测结果影响等缺陷,本发明提出一种通过多模式集合驱动的干旱风险预测方法。
图1是本发明提供的干旱风险预测方法的流程示意图之一,如图1所示,包括:
步骤100:采集气象水文数据集合;
步骤200:采用克劳修斯-克拉珀龙热力学方程确定相对湿度和比湿,基于所述气象水文数据集合训练多个流域水文模型和机器学习模型,建立考虑水文过程的机器学习模型;
步骤300:基于分位数偏差校正方法,获得气候变化情境下的全球气候模式集合气象模拟数据,采用校正后的所述全球气候模式集合气象模拟数据训练所述考虑水文过程的机器学习模型,得到未来情景下的流域水文过程;
步骤400:将全球气候模式集合与所述考虑水文过程的机器学习模型进行组合,确定多模型加权平均法中各组合情景权重参数;
步骤500:基于所述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;
步骤600:通过所述未来情景下的流域水文过程计算得到未来气候变化情景下的标准化径流指数,基于游程理论确定所述标准化径流指数对应的干旱事件,得到干旱历时和干旱烈度;
步骤700:采用所述流域水热耦合平衡方程中预设特征参数为协变量,建立非一致性条件下基于Copula函数的联合概率分布函数,基于所述多模型加权平均法中各组合情景权重参数预测未来干旱风险增加造成的社会经济暴露度。
具体地,首先采集气象水文数据集,包括欧洲中期天气预报中心的第五代大气再分析数据集(ERA5)再分析数据集的气象数据、三个共享社会经济路径下的地球系统模式气象数据、共享社会经济路径数据集的动态人口和GDP数据以及流域控制水文站的日流量系列。
然后推求相对湿度和比湿,采用ERA5再分析数据集驱动五个流域水文模型和机器学习模型,从而建立考虑水文过程的机器学习模型。基于分位数偏差校正方法,获得气候变化情景下的全球气候模式集合气象模拟系列,采用校正后的模拟系列驱动考虑水文过程的机器学习模型,得到未来情景下的流域水文过程。
进一步地,基于全球气候模式集合与考虑水文过程的机器学习模型的组合情景,推求多模型加权平均法中各组合情景的权重参数;基于模拟的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。
通过模拟水文系列计算得到标准化径流指数(Standardized Runoff Index,SRI)系列;采用游程理论识别干旱事件,得到干旱历时和干旱烈度系列。最后采用水热耦合平衡方程中参数为协变量,建立非一致性条件下基于Copula的联合概率分布函数,并采用多模型加权平均的结果来评估未来干旱风险增加造成的社会经济暴露度。
参见图2所示,以采集气象水文数据集、推求相对湿度和比湿为输入,得出水文模型模拟和机器学习模型校正,采用分位数偏差校正,获取模拟气象系列,并筛选最优拟合模型,获得未来水文模拟系列;进一步地,通过推求组合情景权重建立水热耦合平衡方程,获取下垫面特征参数,通过未来水文模拟系列计算标准化径流指数,并通过游程理论提取干旱历时和干旱烈度,验证相关性后作为输入,构建时变Copula联合分布函数,推求出最可能组合情景,评估得到未来干旱风险。
本发明通过将地球系统模式、水热平衡方程、流域水文模型、机器学习模型、最可能组合情景法、多模型加权平均法与流域旱情相结合,为气候变化情境下流域干旱风险评估、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。
基于上述实施例,步骤100包括:
采集流域控制水文站的日流量系列,获取欧洲中期天气预报中心第五代大气再分析数据集ERA5的气象数据;
采集国际耦合模式比较计划第六阶段中五个预设全球气候模式的气象数据;
获取共享社会经济路径数据集的人口数据和国内生产总值数据。
具体地,采集流域控制水文站的日流量系列,并从ERA5再分析数据集中获取降水、气压、2m气温、2m露点温度、短波辐射、长波辐射等气象数据。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。本发明实施例获取研究区域在1985-2014年期间ERA5数据集的逐时降水、气压、2m气温、2m露点温度、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。
采集三个SSP下五个GCMs的气象数据: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(CMIP6)最新发布的5个全球气候模式。CMIP6使用共享社会经济路径的矩阵框架。为了评估干旱事件可能造成的社会经济风险,考虑可持续发展(SSP1)、竞争发展(SSP3)和常规发展(SSP5)这3种共享社会经济路径的人口数据和GDP数据,与相应的温室气体排放情景RCP组合,共采用SSP126、SSP370和SSP585三种矩阵框架的输出数据。本发明实施例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、短波辐射和长波辐射数据。设定历史期为1985-2014年,未来时期为2015-2100年。
获取共享社会经济路径数据集的人口和GDP数据,采用SSP126、SSP370和SSP585三种矩阵框架的输出数据。本发明实施例使用某大学地理学院气象灾害预报与评估协同创新中心所发布的某人口政策下预估数据集。该数据集考虑了国内历次人口和经济普查的结果,以及逐年的统计年鉴。经济数据是通过使用Cobb-Douglas模型和人口-环境-发展(PED)模型预估了国内2010~2100年社会经济指数,该数据集已被广泛用于评估极端水文事件的社会经济影响。
基于上述实施例,步骤200包括:
确定所述克劳修斯-克拉珀龙热力学方程中的汽化潜热常数、水汽气体常数、第一积分常数和第二积分常数,得到饱和水汽压与气温非线性函数;
将ERA5中的地表2m气温和露点温度分别代入所述饱和水汽压与气温非线性函数,得到所述相对湿度;
将所述露点温度代入所述饱和水汽压与气温非线性函数,和ERA5中的近地气压,得到所述比湿;
基于流域控制水文站的日流量系列和ERA5中的降水、气压、地表2m气温、露点温度、地表下行短波辐射和地表下行长波辐射,训练所述多个流域水文模型,得到初步模拟日径流;
对所述初步模拟日径流和日实测径流进行统计分析,确定日实测径流滞时;
采用长短期记忆神经网络模型对所述初步模拟日径流进行校正,基于克林-古普塔效率系数建立目标函数,得到所述考虑水文过程的机器学习模型。
具体地,本发明实施例在采集气象水文数据集合的基础上,通过克劳修斯-克拉珀龙热力学方程推求相对湿度和比湿;采用ERA5再分析数据驱动五个水文模型和机器学习模型,从而建立考虑水文过程的机器学习模型,具体包括:
第一步是基于ERA5数据集的气象数据推求相对湿度和比湿;
克劳修斯-克拉珀龙热力学方程可定量描述饱和水汽压与气温T的非线性关系:
(1)
其中,和/>为第一积分常数和第二积分常数,分别取273.16 K 和 611 Pa;/>为汽化潜热常数,取2.5×106J kg-1;/>为水汽气体常数,取461 J kg-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 2m气温()和露点温度(/>)分别代入公式(1),推求近地相对湿度/>。
比湿为水汽质量与空气团总质量的比值,采用ERA5近地气压/>和露点温度推求,公式如下:
(2)
第二步是基于水文站观测的日径流数据和ERA5再分析数据集的降水()、气压()、地表2m气温(/>)、露点温度(/>)、地表下行短波辐射(/>)和地表下行长波辐射()系列,驱动五个水文模型(包括GR4J、HBV、HMETS、XAJ、SIMHYD),得到初步模拟径流。
第三步是对第二步中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,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如图3所示,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,例如取为0.5。
第四步采用长短期记忆神经网络(Long Short-Term Memory,LSTM)模型,对第二步得到的模拟日径流过程进行校正,以克林-古普塔效率系数(Kling-Gupta efficiencycoefficient,KGE)最高为目标函数,率定拟合模型,从而建立考虑水文过程的机器学习模型。
通过构建具有三层神经网络架构的长短期记忆神经网络模型,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。本发明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。
长短期记忆神经网络通过在非线性自回归外因输入模式(Nonlinear Auto-Regressivemodelwith Exogenous Inputs,NARX)动态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),来解决NARX神经网络在深度学习过程中引发的梯度爆炸和梯度消失问题,以增强 NARX 神经网络的长期记忆能力。其输入层和输出层与 NARX 动态神经网络相同。
本发明实施例采用的长短期记忆神经网络模型记忆单元示意图如图4所示,表示t时刻上一时刻记忆的LSTM单元状态(Memory),/>表示t时刻LSTM单元状态,/>表示隐状态(Hidden state)t时刻上一时刻输出,/>表示隐状态(Hidden state)t时刻输出,/>表示输入,/>分别表示LSTM单元内部输入门(Input gate)、遗忘门(Forget gate)、输出门(Output gate)的输出,/>表示全连接层的激活函数(FC layer with activationfuction),/>表示 t时刻LSTM单元候选状态(Candidate memory),图中圆圈表示多种元素运算符(Elementwise operator),上分支箭头表示复制操作(Copy),下分支箭头表示连接操作(Concatenate)。
通过ERA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:
(3)
其中,表示/>时刻校正后的径流,/>表示率定LSTM模型的输入变量,包括水文模型模拟的日径流系列、ERA5推求的流域面平均的气象数据;/>表示/>时刻的水文模型的模拟径流和实测气象系列,/>表示LSTM模型确定的滞时;/>表示LSTM模型。
进一步采用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,以KGE系数最高为目标率定拟合模型:
(4)
其中,表示模拟系列与实测系列的皮尔逊线性相关系数;/>表示模拟系列与实测系列的方差之比;/>表示模拟系列与实测系列的均值之比。KGE效率系数的范围为(-∞,1),当KGE=1时,代表模拟系列与实测系列完全吻合。
综上所述,本发明实施例通过耦合水文模型和机器学习模型,建立了考虑水文过程的机器学习模型,记为TM模型。
基于上述实施例,步骤300包括:
计算所述全球气候模式集合气象模拟数据中输出变量与观测气象变量在各个分位数上的差异值,在所述全球气候模式集合气象模拟数据的输出未来情景中去掉所述差异值,得到所述校正后的所述全球气候模式集合气象模拟数据;
由所述校正后的所述全球气候模式集合气象模拟数据驱动所述考虑水文过程的机器学习模型,输出所述未来情景下的流域水文过程。
具体地,本发明实施例基于全球气候模式集合和分位数偏差校正方法,获得气候变化情景下的气象模拟系列,并驱动考虑水文过程的机器学习模型,模拟未来情景下的流域水文过程。具体包括:
第一步基于全球气候模式集合和分位数偏差校正方法,获得气候变化情景下的气象模拟系列;
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:
(5)
对降水的校正如下:
(6)
其中,和/>分别代表气温(比湿、相对湿度、风速、短波辐射和长波辐射)和降水,代表校正后的系列,/>代表观测数据,/>和/>分别代表历史参考期和未来预测期,代表日数据,/>代表各分位数。
第二步采用校正后的模拟气象数据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。将第一步校正后的气候变化情景下的气象数据,输入到率定的流域水文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。
基于上述实施例,步骤400包括:
基于多种组合情景总数和任一组合情景权重参数确定所述各组合情景权重参数之和为1;
由不同组合情景的欧几里得差值和相似度半径确定任一组合情景与其他组合情景之间相似度,基于所述任一组合情景与其他组合情景之间相似度得到独立性权重参数;
获取任一组合情景相对实际观测误差和模型质量半径,基于所述任一组合情景相对实际观测误差和所述模型质量半径得到技能性权重参数。
具体地,本发明实施例采用基于个全球气候模式与考虑水文过程的机器学习模型的组合情景(GCM-TM),推求多模型加权平均法的权重参数。具体包括:
第一步使组合情景的权重参数由归一化计算组合情景下的独立性权重参数和技能性权重参数得到。组合情景的权重参数满足:
(7)
其中,表示组合情景,/>表示该组合情景的权重参数,/>表示全球气候模式数量。
第二步分别计算组合情景下的独立性权重参数和技能性权重参数。组合情景的独立性权重参数可表示为:
(8)
其中,表示当前组合情景与其他组合情景之间的相似度,取值范围为/>,计算公式如下:
(9)
其中,表示不同组合情景的欧几里得差值,通过组合情景/>和/>下模拟径流的平均差值标准化得到;/>表示相似度半径,通过迭代计算最优组合情景下模拟径流与实测径流的差值得到。
组合情景的技能性权重参数可表示为:
(10)
其中,表示组合情景i相对实际观测的误差,通过模拟径流相对实测径流的均方根误差标准化后得到;/>表示模型质量半径,通过计算最优组合情景下模拟径流与实测径流的差值得到;当/>接近0时,只有最优组合情景具有较高的技能性权重。
基于上述实施例,步骤500包括:
基于水量平衡方程计算年降水量和年径流量,得到气候情景下年尺度的实际蒸散发数据;
确定预设时间窗口,采用最小二乘法确定所述预设特征参数,由全球气候模式输出的潜在蒸散发数据、所述预设特征参数和所述实际蒸散发数据,构建所述流域水热耦合平衡方程。
具体地,本发明实施例基于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。具体包括以下步骤:
第一步采用基于Budyko水热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,式中/>为实际蒸散发,/>为年降水量、/>为年径流量,如图5所示。
第二步选取时间一定的时间窗口,通过最小二乘法,选定水热耦合平衡方程特征参数,年均水热耦合平衡方程为:
(11)
其中,为全球气候模式输出的潜在蒸散发数据。
基于上述实施例,步骤600包括:
确定一致性条件下伽马分布函数的概率密度函数,所述概率密度函数包括径流系列变量以及均大于0的形状参数和尺度参数;
基于单调连接函数,将预设特征参数与时间相关变量、形状参数与时间相关变量和尺度参数与时间相关变量代入所述一致性条件下伽马分布函数的概率密度函数,获得非一致性条件下伽马分布函数的概率密度函数;
基于所述径流系列变量对所述非一致性条件下伽马分布函数概率密度函数进行积分,得到径流量累计概率;
根据预设气象干旱等级划分标准,对多个径流量累计概率进行正态标准化,得到所述标准化径流指数;
采用所述游程理论,确定所述标准化径流指数小于预设干旱阈值时分别提取历史时期和未来时期的干旱历时和干旱烈度。
具体地,本发明实施例采用模拟得到的未来气候变化情景下的日径流系列,计算未来气候变化情景下标准化径流指数,并通过游程理论提取干旱历时和干旱烈度。具体包括以下步骤:
第一步中SRI采用伽马分布概率来描述径流的变化,对呈偏态概率分布的进行正态标准化处理,具体计算公式如下:
一致性条件下伽马分布函数的概率密度函数为:
(12)
其中,、/>分别表示形状参数和尺度参数,并且满足:/>、/>;/>为径流系列。在时变参数模型中,/>、/>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/>对应的时变矩,假定尺度参数随时间变量/>、形状参数随时间变量/>此处均通过解释变量/>的单调函数来表示,即:
(13)
其中,表示单调连接函数,具体形式通过统计参数/>的定义域来确定;当(R表征实数集),当/>时,则/>;/>表示协变量在时间t状态下的值,/>表示模型的参数。
则非一致性条件下伽马分布的概率密度函数为:
(14)
一定时间尺度的径流量x累计概率为:
(15)
对各项的累计频率进行正态标准化即得到相应的SRI:
当时,令/>,则:
(16)
当时,令/>,则:
(17)
其中,=2.516;/>=0.803;/>=0.010;/>=1.433;/>=0.189;/>=0.001。
本发明实施例中的干旱等级参照GB/T 20481-2006《气象干旱等级》规定的干旱等级标准对计算结果进行分级,如表1所示。
表1
第二步基于游程理论提取气候变化下的干旱历时和干旱烈度,对每一个SSP下的地球系统模式数据,均首先推求气候变化下的SRI指数,然后以游程理论为基础,取SRI指数小于-0.5(预设干旱阈值)为阈值分别提取历史期与未来时段的干旱历时与干旱烈度。如图6所示的游程理论示意图,游程理论通常用于识别灾害事件,当灾害指数低于某一阈值时,且持续时间超过一定长度时则认为灾害事件发生。其中灾害事件的持续时间就是灾害事件持续时间,灾害事件持续时间内灾害指数之和就是灾害事件的严重性,灾害严重性除以灾害持续时间就是灾害强度。
本发明采用标准化径流指数度量干旱特征,考虑了气候变化和人类下垫面活动影响下的水文系列的非一致性特征,并且对全球气候模式集合组合情景采用加权平均的方法减小误差,能够有效表征气候变化下未来旱情的变化特征。
基于上述实施例,步骤700包括:
基于所述Copula函数构建所述旱历时和所述干旱烈度的联合概率分布函数,由所述联合概率分布函数的最大原则确定干旱属性组合情景,根据所述干旱属性组合情景构建最大可能权函数;
基于所述最大可能权函数,采用拉格朗日乘数法求解非一致性条件下干旱历时和干旱烈度的联合重现期;
采用牛顿迭代法求取所述联合重现期中每一种组合情景重现期,根据所述多模型加权平均法中各组合情景权重参数对每一种组合情景重现期进行加权平均,得到所述未来干旱风险增加造成的社会经济暴露度。
具体地,本发明实施例采用水热耦合平衡方程中参数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;基于全球气候模式输出与拟合模型组合情景的权重参数,采用多模型加权平均法评估未来干旱风险增加造成的社会经济暴露度。具体包括以下步骤:
第一步基于Copula函数构建干旱历时和干旱烈度的联合概率分布函数;基于联合概率密度函数最大原则优选二维干旱属性的组合情景,构建最大可能权函数。
对于气候情景下的任一情景,选取Gumbel Copula函数为干旱历时和干旱烈度的联合概率分布函数,将Copula函数的参数替换为时变参数/>:
(18)
其中,为Copula联合分布函数,/>范围为/>;/>,/>分别为干旱历时D、干旱烈度S边缘分布的概率密度函数。
基于Copula函数的定义,非一致性两变量Copula函数可表示为:
(19)
其中,表示D和S的时变联合分布函数;/>,/>和/>,/>分别表示D和S变量的时变边缘分布函数和时变参数。进一步地,将时变Copula函数的参数用协变量w表示为:
(20)
其中,表示copula函数的联结函数,当/>时(对于G-H Copula),;/>分别为模型的参数。
则最大可能权函数为:
(21)
其中,表示某一联合重现期/>下干旱历时/>、干旱烈度/>的最可能组合情景;/>为干旱事件的平均间隔时间。
第二步基于最可能组合情景,求取非一致性条件下干旱历时和干旱烈度的联合重现期;
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:
(22)
其中,表示时间状态/>对应的拉格朗日乘子。欲使概率密度函数/>取最大值,需令导数为0,获得最可能组合的非线性方程:
(23)
其中,式中,,/>;/>和/>分别为/>和/>的导数。
第三步基于多模型加权平均的结果,推求未来气候变化下干旱风险增加造成的社会经济暴露度;
采用牛顿迭代法求解公式(23),得到历史期(1985~2014年)某一重现期()对应的干旱历时和烈度(/>,/>);进一步,以30年为滑动窗口(与历史期长度一致),构建未来时期(2015~2100年)的时变边缘分布及Copula函数,将(/>,/>)依次代入未来时段第/>个滑动窗口的时变分布函数,计算得到新的重现期/>。
分别得到每一种组合情景下的重现期之后,采用加权平均法得到个组合情景下第/>个滑动窗口的平均重现期/>:
(24)/>
其中,表示组合情景;/>表示组合情景的权重参数;/>表示组合情景/>下第k个滑动窗口的重现期。
若则表明第k个窗口的二维干旱风险增加,反之下降。对于第/>个时间窗口,采用该中心点前、后各15年数据推求边缘分布和联合分布的参数。通过下式度量未来时期的社会经济暴露度:
(25)
(26)
其中,和/>分别表征受二维干旱风险增加影响的人口和GDP暴露度,/>和/>分别为第/>年的人口和GDP;/>为指示函数,/>时记为1,反之取0;/>和/>分别表征研究时段的起、止年份。
可以看出,现有的方法通常直接采用组合情景集合的算术平均值或中位数代入未来时期用以评估干旱风险,没有考虑不同组合情景对整体拟合结果的贡献,存在一定的不合理性。本发明不仅考虑了未来气候变化和下垫面因素造成的非一致性,还考虑了组合情景本身存在的不确定性,量化了组合情景在整体拟合结果中所占的权重,可以减少对未来风险评估的误差。
下面对本发明提供的干旱风险预测系统进行描述,下文描述的干旱风险预测系统与上文描述的干旱风险预测方法可相互对应参照。
图7是本发明实施例提供的干旱风险预测系统的结构示意图,如图7所示,包括:采集模块71、训练模块72、校正模块73、组合模块74、建立模块75、计算模块76和预测模块77,其中:
采集模块71用于采集气象水文数据集合;训练模块72用于采用克劳修斯-克拉珀龙热力学方程确定相对湿度和比湿,基于所述气象水文数据集合训练多个流域水文模型和机器学习模型,建立考虑水文过程的机器学习模型;校正模块73用于基于分位数偏差校正方法,获得气候变化情境下的全球气候模式集合气象模拟数据,采用校正后的所述全球气候模式集合气象模拟数据训练所述考虑水文过程的机器学习模型,得到未来情景下的流域水文过程;组合模块74用于将全球气候模式集合与所述考虑水文过程的机器学习模型进行组合,确定多模型加权平均法中各组合情景权重参数;建立模块75用于基于所述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;计算模块76用于通过所述未来情景下的流域水文过程计算得到未来气候变化情景下的标准化径流指数,基于游程理论确定所述标准化径流指数对应的干旱事件,得到干旱历时和干旱烈度;预测模块77用于采用所述流域水热耦合平衡方程中预设特征参数为协变量,建立非一致性条件下基于Copula函数的联合概率分布函数,基于所述多模型加权平均法中各组合情景权重参数预测未来干旱风险增加造成的社会经济暴露度。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行干旱风险预测方法,该方法包括:采集气象水文数据集合;采用克劳修斯-克拉珀龙热力学方程确定相对湿度和比湿,基于所述气象水文数据集合训练多个流域水文模型和机器学习模型,建立考虑水文过程的机器学习模型;基于分位数偏差校正方法,获得气候变化情境下的全球气候模式集合气象模拟数据,采用校正后的所述全球气候模式集合气象模拟数据训练所述考虑水文过程的机器学习模型,得到未来情景下的流域水文过程;将全球气候模式集合与所述考虑水文过程的机器学习模型进行组合,确定多模型加权平均法中各组合情景权重参数;基于所述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;通过所述未来情景下的流域水文过程计算得到未来气候变化情景下的标准化径流指数,基于游程理论确定所述标准化径流指数对应的干旱事件,得到干旱历时和干旱烈度;采用所述流域水热耦合平衡方程中预设特征参数为协变量,建立非一致性条件下基于Copula函数的联合概率分布函数,基于所述多模型加权平均法中各组合情景权重参数预测未来干旱风险增加造成的社会经济暴露度。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种干旱风险预测方法,其特征在于,包括:
采集气象水文数据集合;
采用克劳修斯-克拉珀龙热力学方程确定相对湿度和比湿,基于所述气象水文数据集合训练多个流域水文模型和机器学习模型,建立考虑水文过程的机器学习模型;
基于分位数偏差校正方法,获得气候变化情境下的全球气候模式集合气象模拟数据,采用校正后的所述全球气候模式集合气象模拟数据训练所述考虑水文过程的机器学习模型,得到未来情景下的流域水文过程;
将全球气候模式集合与所述考虑水文过程的机器学习模型进行组合,确定多模型加权平均法中各组合情景权重参数;
基于所述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;
通过所述未来情景下的流域水文过程计算得到未来气候变化情景下的标准化径流指数,基于游程理论确定所述标准化径流指数对应的干旱事件,得到干旱历时和干旱烈度;
采用所述流域水热耦合平衡方程中预设特征参数为协变量,建立非一致性条件下基于Copula函数的联合概率分布函数,基于所述多模型加权平均法中各组合情景权重参数预测未来干旱风险增加造成的社会经济暴露度;
所述通过所述未来情景下的流域水文过程计算得到未来气候变化情景下的标准化径流指数,基于游程理论确定所述标准化径流指数对应的干旱事件,得到干旱历时和干旱烈度,包括:
确定一致性条件下伽马分布函数的概率密度函数,所述概率密度函数包括径流系列变量以及均大于0的形状参数和尺度参数;
基于单调连接函数,将预设特征参数与时间相关变量、形状参数与时间相关变量和尺度参数与时间相关变量代入所述一致性条件下伽马分布函数的概率密度函数,获得非一致性条件下伽马分布函数的概率密度函数;
基于所述径流系列变量对所述非一致性条件下伽马分布函数概率密度函数进行积分,得到径流量累计概率:
其中,表示径流量累计概率,/>表示尺度参数随时间变量/>通过解释变量/>的单调函数,/>表示形状参数随时间变量/>通过解释变量/>的单调函数,x表示一定时间尺度径流量;
根据预设气象干旱等级划分标准,对多个径流量累计概率进行正态标准化,得到所述标准化径流指数;
采用所述游程理论,确定所述标准化径流指数小于预设干旱阈值时分别提取历史时期和未来时期的干旱历时和干旱烈度;
当时,令/>,则:
当时,令/>,则:
其中,=2.516;/>=0.803;/>=0.010;/>=1.433;/>=0.189;/>=0.001,SRI表示标准径流化指数;
所述采用所述流域水热耦合平衡方程中预设特征参数为协变量,建立非一致性条件下基于Copula函数的联合概率分布函数,基于所述多模型加权平均法中各组合情景权重参数预测未来干旱风险增加造成的社会经济暴露度,包括:
基于所述Copula函数构建所述旱历时和所述干旱烈度的联合概率分布函数,由所述联合概率分布函数的最大原则确定干旱属性组合情景,根据所述干旱属性组合情景构建最大可能权函数;
基于所述最大可能权函数,采用拉格朗日乘数法求解非一致性条件下干旱历时和干旱烈度的联合重现期;
采用牛顿迭代法求取所述联合重现期中每一种组合情景重现期,根据所述多模型加权平均法中各组合情景权重参数对每一种组合情景重现期进行加权平均,得到所述未来干旱风险增加造成的社会经济暴露度;
其中得到每一种组合情景下的重现期之后,采用加权平均法得到个组合情景下第/>个滑动窗口的平均重现期/>:
其中,表示组合情景;/>表示组合情景的权重参数;/>表示组合情景/>下第k个滑动窗口的重现期。
2.根据权利要求1所述的干旱风险预测方法,其特征在于,所述采集气象水文数据集合,包括:
采集流域控制水文站的日流量系列,获取欧洲中期天气预报中心第五代大气再分析数据集ERA5的气象数据;
采集国际耦合模式比较计划第六阶段中五个预设全球气候模式的气象数据;
获取共享社会经济路径数据集的人口数据和国内生产总值数据。
3.根据权利要求1所述的干旱风险预测方法,其特征在于,所述采用克劳修斯-克拉珀龙热力学方程确定相对湿度和比湿,基于所述气象水文数据集合训练多个流域水文模型和机器学习模型,建立考虑水文过程的机器学习模型,包括:
确定所述克劳修斯-克拉珀龙热力学方程中的汽化潜热常数、水汽气体常数、第一积分常数和第二积分常数,得到饱和水汽压与气温非线性函数;
将ERA5中的地表2m气温和露点温度分别代入所述饱和水汽压与气温非线性函数,得到所述相对湿度;
将所述露点温度代入所述饱和水汽压与气温非线性函数,和ERA5中的近地气压,得到所述比湿;
基于流域控制水文站的日流量系列和ERA5中的降水、气压、地表2m气温、露点温度、地表下行短波辐射和地表下行长波辐射,训练所述多个流域水文模型,得到初步模拟日径流;
对所述初步模拟日径流和日实测径流进行统计分析,确定日实测径流滞时;
采用长短期记忆神经网络模型对所述初步模拟日径流进行校正,基于克林-古普塔效率系数建立目标函数,得到所述考虑水文过程的机器学习模型。
4.根据权利要求1所述的干旱风险预测方法,其特征在于,所述基于分位数偏差校正方法,获得气候变化情境下的全球气候模式集合气象模拟数据,采用校正后的所述全球气候模式集合气象模拟数据训练所述考虑水文过程的机器学习模型,得到未来情景下的流域水文过程,包括:
计算所述全球气候模式集合气象模拟数据中输出变量与观测气象变量在各个分位数上的差异值,在所述全球气候模式集合气象模拟数据的输出未来情景中去掉所述差异值,得到所述校正后的所述全球气候模式集合气象模拟数据;
由所述校正后的所述全球气候模式集合气象模拟数据驱动所述考虑水文过程的机器学习模型,输出所述未来情景下的流域水文过程。
5.根据权利要求1所述的干旱风险预测方法,其特征在于,所述将全球气候模式集合与所述考虑水文过程的机器学习模型进行组合,确定多模型加权平均法中各组合情景权重参数,包括:
基于多种组合情景总数和任一组合情景权重参数确定所述各组合情景权重参数之和为1;
由不同组合情景的欧几里得差值和相似度半径确定任一组合情景与其他组合情景之间相似度,基于所述任一组合情景与其他组合情景之间相似度得到独立性权重参数;
获取任一组合情景相对实际观测误差和模型质量半径,基于所述任一组合情景相对实际观测误差和所述模型质量半径得到技能性权重参数。
6.根据权利要求1所述的干旱风险预测方法,其特征在于,所述基于所述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,包括:
基于水量平衡方程计算年降水量和年径流量,得到气候情景下年尺度的实际蒸散发数据;
确定预设时间窗口,采用最小二乘法确定所述预设特征参数,由全球气候模式输出的潜在蒸散发数据、所述预设特征参数和所述实际蒸散发数据,构建所述流域水热耦合平衡方程。
7.一种干旱风险预测系统,其特征在于,包括:
采集模块,用于采集气象水文数据集合;
训练模块,用于采用克劳修斯-克拉珀龙热力学方程确定相对湿度和比湿,基于所述气象水文数据集合训练多个流域水文模型和机器学习模型,建立考虑水文过程的机器学习模型;
校正模块,用于基于分位数偏差校正方法,获得气候变化情境下的全球气候模式集合气象模拟数据,采用校正后的所述全球气候模式集合气象模拟数据训练所述考虑水文过程的机器学习模型,得到未来情景下的流域水文过程;
组合模块,用于将全球气候模式集合与所述考虑水文过程的机器学习模型进行组合,确定多模型加权平均法中各组合情景权重参数;
建立模块,用于基于所述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;
计算模块,用于通过所述未来情景下的流域水文过程计算得到未来气候变化情景下的标准化径流指数,基于游程理论确定所述标准化径流指数对应的干旱事件,得到干旱历时和干旱烈度;
预测模块,用于采用所述流域水热耦合平衡方程中预设特征参数为协变量,建立非一致性条件下基于Copula函数的联合概率分布函数,基于所述多模型加权平均法中各组合情景权重参数预测未来干旱风险增加造成的社会经济暴露度;
所述计算模块具体用于:
所述通过所述未来情景下的流域水文过程计算得到未来气候变化情景下的标准化径流指数,基于游程理论确定所述标准化径流指数对应的干旱事件,得到干旱历时和干旱烈度,包括:
确定一致性条件下伽马分布函数的概率密度函数,所述概率密度函数包括径流系列变量以及均大于0的形状参数和尺度参数;
基于单调连接函数,将预设特征参数与时间相关变量、形状参数与时间相关变量和尺度参数与时间相关变量代入所述一致性条件下伽马分布函数的概率密度函数,获得非一致性条件下伽马分布函数的概率密度函数;
基于所述径流系列变量对所述非一致性条件下伽马分布函数概率密度函数进行积分,得到径流量累计概率:
其中,表示径流量累计概率,/>表示尺度参数随时间变量/>通过解释变量/>的单调函数,/>表示形状参数随时间变量/>通过解释变量/>的单调函数,x表示一定时间尺度径流量;
根据预设气象干旱等级划分标准,对多个径流量累计概率进行正态标准化,得到所述标准化径流指数;
采用所述游程理论,确定所述标准化径流指数小于预设干旱阈值时分别提取历史时期和未来时期的干旱历时和干旱烈度;
当时,令/>,则:
当时,令/>,则:
其中,=2.516;/>=0.803;/>=0.010;/>=1.433;/>=0.189;/>=0.001,SRI表示标准径流化指数;
所述预测模块具体用于:
基于所述Copula函数构建所述旱历时和所述干旱烈度的联合概率分布函数,由所述联合概率分布函数的最大原则确定干旱属性组合情景,根据所述干旱属性组合情景构建最大可能权函数;
基于所述最大可能权函数,采用拉格朗日乘数法求解非一致性条件下干旱历时和干旱烈度的联合重现期;
采用牛顿迭代法求取所述联合重现期中每一种组合情景重现期,根据所述多模型加权平均法中各组合情景权重参数对每一种组合情景重现期进行加权平均,得到所述未来干旱风险增加造成的社会经济暴露度;
其中得到每一种组合情景下的重现期之后,采用加权平均法得到个组合情景下第/>个滑动窗口的平均重现期/>:
其中,表示组合情景;/>表示组合情景的权重参数;/>表示组合情景/>下第k个滑动窗口的重现期。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述干旱风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713113.5A CN116451879B (zh) | 2023-06-16 | 2023-06-16 | 一种干旱风险预测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713113.5A CN116451879B (zh) | 2023-06-16 | 2023-06-16 | 一种干旱风险预测方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116451879A CN116451879A (zh) | 2023-07-18 |
CN116451879B true CN116451879B (zh) | 2023-08-25 |
Family
ID=87125951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310713113.5A Active CN116451879B (zh) | 2023-06-16 | 2023-06-16 | 一种干旱风险预测方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451879B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113808B (zh) * | 2023-07-20 | 2024-05-10 | 武汉大学 | 一种全球气候模式耦合水文模型模拟的处理方法及系统 |
CN116822658B (zh) * | 2023-08-28 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 一种风光资源的预警方法、装置、计算机设备及存储介质 |
CN117421629B (zh) * | 2023-10-12 | 2024-04-09 | 中国地质大学(武汉) | 干湿区陆地水循环的增强机制分析和变暖信号识别方法 |
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 |
CN117408172B (zh) * | 2023-12-15 | 2024-03-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种考虑半干旱区水文特征的数据驱动降水-径流模拟方法 |
CN117421601B (zh) * | 2023-12-19 | 2024-03-01 | 山东省科学院海洋仪器仪表研究所 | 一种海面蒸发波导临近期快速预报方法 |
CN117592663B (zh) * | 2024-01-18 | 2024-04-05 | 安徽大学 | 一种面向变化气候的干旱风险预测方法及其系统 |
CN117610434B (zh) * | 2024-01-19 | 2024-04-16 | 武汉大学 | 一种融合人工智能的干旱指数重构方法及计算机可读介质 |
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 |
CN118153968A (zh) * | 2024-05-10 | 2024-06-07 | 湖北大学 | 区域干旱风险的识别方法、装置、计算机设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898258A (zh) * | 2020-07-17 | 2020-11-06 | 武汉大学 | 一种水文循环变异驱动下二维干旱灾害评估方法 |
CN112036683A (zh) * | 2020-07-14 | 2020-12-04 | 中国电建集团华东勘测设计研究院有限公司 | 一种适用于未来气候变化情景下的水库防洪风险预估方法 |
KR20210019310A (ko) * | 2019-08-12 | 2021-02-22 | 한국수자원공사 | 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치 |
CN114676882A (zh) * | 2022-03-01 | 2022-06-28 | 河海大学 | 一种水文多模型时变权重组合预报方法 |
CN114741655A (zh) * | 2022-03-30 | 2022-07-12 | 华中科技大学 | 一种二维干旱风险估计方法及其系统 |
CN114881345A (zh) * | 2022-05-20 | 2022-08-09 | 武汉大学 | 气候变化下暴雨疾风复合灾害的社会经济暴露度预估方法 |
CN115166874A (zh) * | 2022-07-13 | 2022-10-11 | 北京师范大学 | 基于机器学习的气象干旱指数spi构建方法 |
CN115507822A (zh) * | 2022-06-09 | 2022-12-23 | 武汉大学 | 水文循环变异驱动下的洪水风险预测方法 |
CN115759445A (zh) * | 2022-11-24 | 2023-03-07 | 浙江大学 | 一种基于机器学习和云模型的分类洪水随机预报方法 |
CN115907286A (zh) * | 2022-10-25 | 2023-04-04 | 中山大学 | 一种社会经济干旱评估方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10488556B2 (en) * | 2014-03-28 | 2019-11-26 | Northeastern University | System for multivariate climate change forecasting with uncertainty quantification |
US11694269B2 (en) * | 2017-08-22 | 2023-07-04 | Entelligent Inc. | Climate data processing and impact prediction systems |
AR109623A1 (es) * | 2018-02-16 | 2019-01-09 | Pescarmona Enrique Menotti | Proceso y sistema de análisis y gestión hidrológica para cuencas |
-
2023
- 2023-06-16 CN CN202310713113.5A patent/CN116451879B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210019310A (ko) * | 2019-08-12 | 2021-02-22 | 한국수자원공사 | 확률분포에 기반한 가뭄 예측 방법 및 이를 위한 장치 |
CN112036683A (zh) * | 2020-07-14 | 2020-12-04 | 中国电建集团华东勘测设计研究院有限公司 | 一种适用于未来气候变化情景下的水库防洪风险预估方法 |
CN111898258A (zh) * | 2020-07-17 | 2020-11-06 | 武汉大学 | 一种水文循环变异驱动下二维干旱灾害评估方法 |
CN114676882A (zh) * | 2022-03-01 | 2022-06-28 | 河海大学 | 一种水文多模型时变权重组合预报方法 |
CN114741655A (zh) * | 2022-03-30 | 2022-07-12 | 华中科技大学 | 一种二维干旱风险估计方法及其系统 |
CN114881345A (zh) * | 2022-05-20 | 2022-08-09 | 武汉大学 | 气候变化下暴雨疾风复合灾害的社会经济暴露度预估方法 |
CN115507822A (zh) * | 2022-06-09 | 2022-12-23 | 武汉大学 | 水文循环变异驱动下的洪水风险预测方法 |
CN115166874A (zh) * | 2022-07-13 | 2022-10-11 | 北京师范大学 | 基于机器学习的气象干旱指数spi构建方法 |
CN115907286A (zh) * | 2022-10-25 | 2023-04-04 | 中山大学 | 一种社会经济干旱评估方法 |
CN115759445A (zh) * | 2022-11-24 | 2023-03-07 | 浙江大学 | 一种基于机器学习和云模型的分类洪水随机预报方法 |
Non-Patent Citations (1)
Title |
---|
A climate model projection weighting scheme accounting for performance and interdependence;R. Knutti 等;《Geophys. Res. Lett.》;第1909-1918页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116451879A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
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 | |
Wan et al. | Optimal prediction intervals of wind power generation | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
CN114676822B (zh) | 一种基于深度学习的多属性融合空气质量预报方法 | |
CN116663719A (zh) | 一种洪水风险预测方法、系统及电子设备 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN111831966B (zh) | 一种基于高维概率分布函数的组合河道水位预报方法 | |
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 | |
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
CN117408171B (zh) | 一种Copula多模型条件处理器的水文集合预报方法 | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
WO2023245399A1 (zh) | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 | |
Dars et al. | Assessing the impacts of climate change on future precipitation trends based on downscaled CMIP5 simulations data | |
Fan et al. | Explainable machine learning model for multi-step forecasting of reservoir inflow with uncertainty quantification | |
アンナススワルディ et al. | Neuro-fuzzy approaches for modeling the wet season tropical rainfall | |
Darvishi Salookolaei et al. | Application of grey system theory in rainfall estimation | |
CN116611588B (zh) | 降水多驱动因子分段率定优化预报方法及系统 | |
Wang et al. | Prediction of aboveground biomass applied artificial neural network over three-rivers headwater regions, Qinghai, China | |
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 | |
Abdullahia et al. | Linear and non-linear ensemble concepts for pan evaporation modeling |
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 | ||
GR01 | Patent grant |