CN116502891A - 一种雪旱动态风险的确定方法 - Google Patents
一种雪旱动态风险的确定方法 Download PDFInfo
- Publication number
- CN116502891A CN116502891A CN202310483207.8A CN202310483207A CN116502891A CN 116502891 A CN116502891 A CN 116502891A CN 202310483207 A CN202310483207 A CN 202310483207A CN 116502891 A CN116502891 A CN 116502891A
- Authority
- CN
- China
- Prior art keywords
- snow
- drought
- fair
- threat score
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 52
- 238000005315 distribution function Methods 0.000 claims abstract description 45
- 230000003068 static effect Effects 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims description 18
- 238000010998 test method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000001556 precipitation Methods 0.000 description 7
- 241000039077 Copula Species 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000005068 transpiration Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种雪旱动态风险的确定方法,包括:构建非参数标准化雪水当量指数;根据非参数标准化雪水当量指数获取雪旱事件中的雪旱历时和雪旱烈度;根据雪旱历时和雪旱烈度建立联合分布函数;根据联合分布函数计算静态雪旱重现期;根据静态雪旱重现期确定雪旱动态风险。本发明构建了非参数标准化雪水当量指数,并以非参数标准化雪水当量指数表征雪旱,进而计算雪旱历时和雪旱烈度两个变量的联合分布函数,又进一步计算雪旱静态重现期并确定雪旱动态风险。本发明构建了对雪旱表征能力更优越的非参数标准化雪水当量指数来表征雪旱,并以多变量重现期为特征,来量化雪旱动态风险,故采用本方法确定的雪旱动态风险准确度更高。
Description
技术领域
本发明公开了一种雪旱动态风险的确定方法,属于雪旱研究技术领域。
背景技术
雪旱,通常定义为一段时间内低于正常降水和/或高于正常温度引起的异常低积雪现象。随着气候的持续变化,雪旱逐渐受到国内外学者的广泛关注。
近年来,世界各地的雪旱事件激发了国内外学者对雪旱事件演变过程的研究。研究项目包括雪旱过程的开始、持续、终止以及将单变量重现期作为特征量来评估雪旱静态风险。
然而,目前关于雪旱事件演变过程的研究主要集中于雪旱的静态风险,而缺少对雪旱动态演变特征的研究。变化环境下雪旱事件的动态演变特征可以清楚地显示雪旱风险如何随环境变化而变化,这将为未来风险的预防和控制提供参考。
发明内容
为解决上述问题,本发明公开了一种雪旱动态风险的确定方法。
本发明公开了一种雪旱动态风险的确定方法,包括以下步骤:
构建非参数标准化雪水当量指数;
根据所述非参数标准化雪水当量指数获取雪旱事件中的雪旱历时和雪旱烈度;
根据所述雪旱历时和所述雪旱烈度建立联合分布函数;
根据所述联合分布函数计算静态雪旱重现期;
根据所述静态雪旱重现期确定雪旱动态风险。
优选地,根据所述雪旱历时和所述雪旱烈度建立联合分布函数,具体为:
分别确定所述雪旱历时的第一边缘分布函数和所述雪旱烈度的第二边缘分布函数;
根据所述第一边缘分布函数和所述第二边缘分布函数建立所述联合分布函数。
优选地,根据所述静态雪旱重现期确定雪旱动态风险,具体为:
根据所述静态雪旱重现期,结合滑动窗口和非参数趋势检验法确定雪旱动态风险。
优选地,在构建非参数标准化雪水当量指数后,还包括:
构建暖季水文干旱基准模型和分别基于不同雪旱指数的多个暖季水文干旱预测模型;
所述雪旱指数包括非参数标准化雪水当量指数、标准化雪水当量指数和标准化SWE指数;
分别获取所述基准模型和每个所述预测模型的公平威胁分数;
根据所述基准模型和每个所述预测模型的公平威胁分数,验证所述非参数标准化雪水当量指数符合预设条件。
优选地,根据所述基准模型和每个所述预测模型的公平威胁分数,验证所述非参数标准化雪水当量指数符合预设条件,具体包括:
根据所述基准模型和每个所述预测模型的公平威胁分数,确定每个所述预测模型相对于所述基准模型的公平威胁分数变化率;
根据所述公平威胁分数变化率,验证所述非参数标准化雪水当量指数符合预设条件。
优选地,所述公平威胁分数变化率为所述基准模型的公平威胁分数和所述预测模型的公平威胁分数的绝对差值相对于所述基准模型的公平威胁分数的比率。
优选地,获取所述基准模型的公平威胁分数,具体为:
根据基准模型的正确预测次数、没有预测到的暖季水文干旱发生的次数、预测的暖季水文干旱但实际却未发生的次数、暖季水文干旱指数序列的总长度以及基准模型随机正确预测的概率,获取所述基准模型的公平威胁分数。
优选地,获取所述预测模型的公平威胁分数,具体为:
根据预测模型的正确预测次数、没有预测到的暖季水文干旱发生的次数、预测的暖季水文干旱但实际却未发生的次数、暖季水文干旱指数序列的总长度以及预测模型随机正确预测的概率,获取所述预测模型的公平威胁分数。
相较于现有技术,本发明具有如下有益效果:
(1)本发明构建了非参数标准化雪水当量指数,并以非参数标准化雪水当量指数表征雪旱,进而计算雪旱历时和雪旱烈度两个变量的联合分布函数,又进一步计算雪旱静态重现期并确定雪旱动态风险,本发明构建了对雪旱表征能力更优越的非参数标准化雪水当量指数来表征雪旱,并以多变量重现期为特征,来量化雪旱动态风险,故采用本方法确定的雪旱动态风险准确度更高;
(2)本发明在通过雪旱指数获取干旱历时和干旱烈度之前,基于随机森林模型验证了非参数标准化雪水当量指数的有效性,进而采用非参数标准化雪水当量指数来识别雪旱事件,故本发明识别的干旱事件历时和烈度更为精准,进一步使得本发明的雪旱动态风险确定方法具有更高的准确度;
(3)本发明基于网格点计算并筛选边缘分布函数和联合分布函数,故本发明的雪旱动态风险确定方法具有更高的分辨率。
附图说明
图1是本发明的雪旱动态风险确定方法的流程图;
图2是本发明一个实施例的步骤示意图;
图3是本发明一个实施例中获取的不同情景下雪旱历时阈值和雪旱烈度阈值的分布图;
图4是本发明一个实施例中等、严重和极端雪旱情景下静态重现期(同现期和联合期)的空间分布;
图5是本发明一个实施例不同情景(中度雪旱、重度雪旱和极端雪旱)动态重现期的非参数趋势检验图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
如图1所示,本发明公开了一种雪旱动态风险的确定方法,包括以下步骤:
S1、构建非参数标准化雪水当量指数,
非参数标准化雪水当量指数(NSWEI)根据第一公式确定:
NSWEI=φ-1(F(x))
式中:NSWEI表示非参数标准化雪水当量指数;φ是标准正态分布函数;F(x)为累积概率分布函数;
x表示雪水当量数据;n是x的长度;h是带宽;K是核密度函数;σ是x的标准偏差;e为常数;/>
优选地,如图2所示,在S1和S2之间,还包括:S11、验证非参数标准化雪水当量指数(NSWEI)符合预设条件。
可选地,S11具体包括:
S111、构建暖季水文干旱基准模型和分别基于不同雪旱指数的多个预测模型;
雪旱指数包括非参数标准化雪水当量指数、标准化雪水当量指数和标准化SWE指数;
本实施例中,标准化雪水当量指数(SWEI)和标准化SWE指数(SSWEI)的计算方法分别如下:
标准化雪水当量指数(SWEI)通过计算经验Gringgorten非参数分布方法而不是拟合特定分布函数,被确定为与数据相关的概率。然后,将拟合的分布中离散时间步长对应的概率映射到标准正态分布。
标准化SWE当量指数(SSWEI)的计算类似于标准化降水指数(SPI),其中使用参数估计法将雪季每个月的伽马分布函数拟合到雪水当量(SWE)数据。
标准化雪水当量指数(SWEI)、标准化SWE当量指数(SSWEI)和非参数标准化雪水当量指数(NSWEI)分别计算得出后,本申请根据随机森林模型来构建暖季水文干旱基准模型、基于标准化雪水当量指数(SWEI)的暖季水文干旱预测模型、基于标准化SWE当量指数(SSWEI)的暖季水文干旱预测模型和基于非参数标准化雪水当量指数(NSWEI)的暖季水文干旱预测模型。雪旱事件仅发生在冷季,本步骤研究雪旱事件对下一年度的暖季水文干旱的影响,并将雪旱对暖季水文干旱的影响作为验证非参数标准化雪水当量指数(NSWEI)满足预设条件的依据。
随机森林(RF)模型是Breiman(2001)提出的一种机器学习算法,它集成了几个相对简单的评估器(决策树)以形成累积效应,具有防止过度拟合、强大的模型稳定性和易于用非线性回归处理的优点。
基于随机森林模型建立的基准模型,具有基准暖季水文干旱预测技能。预测模型是在基准模型的基础上添加了雪旱指数作为附加自变量因子。本申请通过加入不同的雪旱指数构建不同的预测模型,结合基准模型,对比公平威胁得分(ETS)的变化率,以验证非参数标准化雪水当量指数(NSWEI)满足预设条件。
在其他实施例中,还使用Nash-Sutcliffe效率(NSE)、均方根误差(RSME)和决定系数(R2)作为验证非参数标准化雪水当量指数(NSWEI)满足预设条件的依据。
本发明以塔里木河托什干河子流域暖季水文干旱情况研究过程为例,构建暖季水文干旱模型的过程如下:
本实施例研究该子流域的暖季水文干旱情况,该子流域由降雨和冰川融雪综合补给。暖季水文干旱的发生受到前期(冷季)或同期(暖季)气象要素(P、T、ET)和下垫面要素(SM)的影响,故本实施例设计了两套模型构建方案。
其中方案|为冷季季节(10月至3月)的P、T、PET和SM的综合影响,方案||为暖季(4月至9月)的P、T、PET和SM的综合影响。在本实施例的暖季水文干旱模型中,水文干旱(SR|)是因变量,基准模型的自变量为降水量(P)、温度(T)、潜在蒸散量(PET)和土壤湿度(SM),预测模型自变量包括在基准模型自变量基础上添加雪旱指数作为预测因子。
方案一:
基准模型I:
其中是暖季水文干旱指数(4月至9月);/>分别是降水、温度、潜在蒸散和土壤湿度(10月至3月)的冷季矢量。
预测模型I:
其中是暖季水文干旱指数(4月至9月);/>分别是降水、温度、潜在蒸散和土壤湿度(10月至3月)的冷季矢量;/>表示冷季季节(10月至3月)的雪旱指数(SSWEI、SWEI或NSWEI)。
方案二:
基准模型II:
其中,是暖季水文干旱指数(4月至9月),/>分别是降水量、温度、潜在蒸散量和土壤湿度(4月至9月)的暖季矢量。
预测模型II:
其中是暖季水文干旱指数(4月至9月);/>分别是降水量、温度、潜在蒸散量和土壤湿度(4月至9月)的暖季矢量。/>表示冷季季节(10月至3月)的雪旱指数(SSWEI、SWEI或NSWEI)。
构建好上述模型后,以方案一为例,本实施例获取了基准模型和预测模型的暖季水文干旱指数预测值,分别为SRIsim-null1(t)、SRIsim-SD1(t),结合基于实测径流计算的暖季水文干旱指数实测值(SRIobs1),根据模拟值和预测值对暖季水文干旱进行识别,识别方法为二进制分类法。
其中,binary(*)为二进制算法;threshold为阈值,取-0.5;SRIsim-null1(t)表示基准模型输出的暖季水文干旱指数,即基准模型新编码前的暖季水文干旱指数预测值;SRIsim-null2(t)表示基准模型新编码后的暖季水文干旱指数预测值;SRIobs1(t)、SRIobs2(t)分别表示新编码前、新编码后的暖季水文干旱指数实测值。
S112、分别获取基准模型和每一个预测模型的公平威胁分数;
优选地,获取基准模型的公平威胁分数,具体为:
根据基准模型的正确预测的次数、没有预测到的暖季水文干旱发生的次数、预测的暖季水文干旱但实际却未发生的次数、暖季水文干旱指数序列的总长度以及基准模型随机正确预测的概率,计算基准模型的公平威胁分数。
本实施例中,基准模型的公平威胁分数的计算公式具体如下:
式中:ETSnull是基准模型的公平威胁分数;hits1是基准模型正确预测的暖季水文干旱的次数;misses1是在基准模型没有预测到的情况下发生的暖季水文干旱事件的次数;falsealarms1是预测的暖季水文干旱但实际却未发生的次数;total是暖季水文干旱指数序列的总长度;E1是基准模型随机正确预测的概率,由以下公式确定:
其中,hits1、misses1和falsealarms1的计算方式如下:
if{SRIsim-null2(t)=1&SRIobs2(t)=1}=hits1
if{SRIsim-null2(t)=1&SRIobs2(t)=0}=misses1
if{SRIsim-null2(t)=0&SRIobs2(t)=1}=falsealarms1
优选地,获取预测模型的公平威胁分数,具体为:
根据预测模型的正确预测次数、没有预测到的暖季水文干旱事件发生的次数、预测的暖季水文干旱但实际却未发生的次数、暖季水文干旱指数序列的总长度以及预测模型随机正确预测的概率,计算预测模型的公平威胁分数。
本实施例中,预测模型的公平威胁分数的计算公式具体如下:
式中:ETSSD是预测模型的公平威胁分数;hits2是预测模型正确预测的暖季水文干旱事件的次数;misses2是在预测模型没有预测到的情况下发生的暖季水文干旱事件的次数;falsealarms2是预测的暖季水文干旱但实际却未发生的次数;total是暖季水文干旱指数序列的总长度;E2是预测模型随机正确预测的概率,由以下公式确定:
其中,hits2、misses2和falsealarms2的计算方式如下:
if{SRIsim-SD2(t)=1&SRIobs2(t)=1}=hits2
if{SRIsim-SD2(t)=1&SRIobs2(t)=0}=misses2
if{SRIsim-SD2(t)=0&SRIobs2(t)=1}=falsealarms2
按照S112的步骤分别获取基于标准化雪水当量指数(SWEI)、标准化SWE当量指数(SSWEI)和非参数标准化雪水当量指数(NSWEI)的三个预测模型各自对应的公平威胁分数。
S113、根据基准模型和每个预测模型的威胁分数确定每个预测模型相对于基准模型的公平威胁分数变化率;
进一步地,公平威胁分数变化率为基准模型的公平威胁分数和预测模型的公平威胁分数的绝对差值相对于基准模型的公平威胁分数的比率。公式如下所示;
式中:是公平威胁分数变化率;ETSnull是基准模型的公平威胁分数,ETSSD是预测模型的公平威胁分数。
S114、根据公平威胁分数变化率验证非参数标准化雪水当量指数符合预设条件。
具体地,预设条件为:非参数标准化雪水当量指数对应的公平威胁分数变化率的值最大。
本实施例构建暖季水文干旱基准模型,并且基于不同的雪旱指数构建多个预测模型,计算每个预测模型对应的公平威胁分数变化率。如表1、表2所示,经比较得出:非参数标准化雪水当量指数对应的公平威胁分数变化率最大,这表明,相较于现有的雪旱指数(SWEI)和(SSWEI),本发明构建的新雪旱指数(NSWEI)对暖季水文干旱的预测能力更强,即其表征雪旱更为优越,故本发明构建的非参数标准化雪水当量指数符合预设条件,可用于表征雪旱,并进一步应用于下述步骤中,确定雪旱动态风险。
S2、根据非参数标准化雪水当量指数获取雪旱历时和雪旱烈度;
S2具体为:根据非参数标准化雪水当量指数和游程理论获取雪旱事件的雪旱历时和雪旱烈度;
S3、根据雪旱历时和雪旱烈度建立联合分布函数;
优选地,S3具体为:
S31、分别确定雪旱历时的第一边缘分布函数和雪旱烈度的第二边缘分布函数;
在本实施例中,对研究流域的每一个网格点均选取了指数分布(EXP)、伽马分布(Gamma)、广义帕累托分布(GP)、广义极值分布(GEV)和Weibull(WBL)分布一共五种常用的边缘分布函数进行了比较,然后,基于Kolmogorov-Smirnov(K-S)检验从上述五种边缘分布函数中确定了每一个网格点的雪旱历时和雪旱烈度序列分别的最优边缘分布函数。
S32、根据第一边缘分布函数和第二边缘分布函数建立联合分布函数。
S32具体为:
S321、使用5个copula函数建立雪旱历时和烈度的联合分布,即Clayton、Frank、Gumbel、Gaussian和Student-t copula函数。
S322、采用最大似然法估计copula函数的参数,然后使用平方欧式距离(SED)确定最能捕捉雪旱历时和烈度之间相关性结构的copula函数。
本实施例中构建的联合分布函数公式如下:
FDS(d,s)=C(FD(d),FS(s))
式中:C(FD(d),FS(s))为联合分布函数,FD(d)为雪旱历时d的第一边缘分布函数;FS(s)为雪旱烈度S的第二边缘分布函数。
S4、根据联合分布函数计算静态雪旱重现期;
重现期被定义为具有一定严重性或更大严重性的事件发生间隔的平均周期。双变量重现期有两种情况,包括同现重现期和联合重现期。当雪旱事件的历时和烈度同时超过某个值(D≥D和S≥S)时,称为同现重现期。当雪旱历时超过特定值或雪旱烈度超过另一个特定值(D≥D或S≥S),称为联合重现期。
根据雪旱历时和烈度的单变量累积概率,本实施例选择中度、重度和雪旱情景三种典型情况来分析雪旱的联合和同现重现期。优选地,单变量边缘分布函数累积概率值0.50、0.75和0.90分别表示中度、重度和雪旱情景。具体公式如下:
其中Tand and Tor分别是同现和联合重现期;C表示copula函数;C(FD(d),FS(s))代表雪旱历时和烈度的联合分布,由copula函数组合而成;FD(d)和FS(s)分别是雪旱历时和烈度的第一边缘分布函数和第二边缘分布函数;N是数据序列的长度;n是雪旱事件的数量。
S5、根据静态雪旱重现期确定雪旱动态风险。
优选地,S5具体为:
根据静态雪旱重现期,结合滑动窗口和非参数趋势检验法确定雪旱动态风险。
在一个实施例中,为了探索在不断变化的环境中雪旱风险的演变,采用了1960年10月至2013年3月期间每月非参数标准化处理后的雪水当量指数(NSWEI)序列的25年滑动窗口。具体来说,第一窗口(即第一子系列)是从1960年10月到1984年3月,第二个窗口也是第二子系列,是从1961年10月至1985年3月等,获得了29个子系列,从而计算每个子系列具有不同等级的雪旱事件的重现期。最后,通过非参数趋势检验法(MK)检验,确定雪旱动态重现期的变化趋势。进一步地,雪旱动态重现期表征雪旱动态风险,其值越小,雪旱风险就越高。
以下为利用本申请的雪旱动态风险确定方法筛选最优雪旱指数、获取雪旱历时和雪旱烈度、计算静态雪旱重现期和确定雪旱动态风险的实施例:
实施例1:验证非参数标准化雪水当量指数(NSWEI)符合预设条件
1960-2013年塔里木河源流区典型子流域托什干河中,本框架在雪旱指数对暖季水文雪旱的预测能力方面,NSWEI比其他两个雪旱指数表现出最大的公平威胁分数变化率(ETS值最大),故NSWEI符合预设条件,可用于表征雪旱事件。
表1方案一中不同雪旱指数对应的ETS和ETS值
表2方案二中不同雪旱指数对应的ETS和ETS值
实施例2:提取雪旱历时和雪旱烈度
本实施例基于游程理论在塔里木河源流区中捕捉了1960-2013年的雪旱事件(包括雪旱历时和烈度)。通过最佳拟合雪旱历时和烈度的边缘分布函数,选取累积概率为0.5、0.75、0.90对应的雪旱历时和烈度作为不同雪旱事件情景(即中度、重度和极端雪旱)的阈值,结果如图3所示,(a)为雪旱历时阈值和(b)为雪旱烈度阈值。例如,假设历时≥2个月,且(或)烈度≥6.80,可视为中度雪旱事件。
实施例3:计算静态雪旱重现期
如图4所示,本实施例计算的中等、严重和极端雪旱情景下静态重现期(同现期(a)和联合期(b))的空间分布表明,最可能发生的雪旱(小于50年的重现期)属于中度雪旱,南部雪旱风险高于北部山区,也就是说塔里木河源流区南部地区(叶尔羌河和和田河子流域III-V)是雪旱风险的热点地区,喀喇昆仑山和昆仑山的阻塞使西风环流和西南阿拉伯海气流难以到达南部山区;这可能导致南方水汽条件不足,因此南方山区更容易发生雪旱。
实施例4:确定雪旱动态风险
不同情景(中度雪旱、重度雪旱和极端雪旱)动态重现期的MK检验,如图5所示;图5中,(a)为同现重现期;(b)为联合重现期。雪旱的动态风险演变结果表明,近几十年来,不同情景下的重现期具有空间异质性,阿克苏河流域(子流域I-II)呈现上升趋势,叶尔羌河(子流域III)呈现稳定状态或略有下降趋势,和田河(分流域IV-V)呈现显著下降趋势。也就是说,研究区南部雪旱风险呈现增加的趋势,尤其是和田河(IV-V子流域)风险加剧明显。综上所述,南部山区的动态风险呈增加趋势。因此,应更加重视其在南部山区的风险管理。
相较于现有技术,本发明具有如下有益效果:
(1)本发明构建了非参数标准化雪水当量指数,并以非参数标准化雪水当量指数表征雪旱,进而计算雪旱历时和雪旱烈度两个变量的联合分布函数,又进一步计算雪旱静态重现期并确定雪旱动态风险,本发明构建了对雪旱表征能力更优越的非参数标准化雪水当量指数来表征雪旱,并以多变量重现期为特征,来量化雪旱动态风险,故采用本方法确定的雪旱动态风险准确度更高;
(2)本发明在通过雪旱指数获取干旱历时和干旱烈度之前,基于随机森林模型验证了非参数标准化雪水当量指数的有效性,进而采用非参数标准化雪水当量指数来识别雪旱事件,故本发明识别的干旱事件历时和烈度更为精准,进一步使得本发明的雪旱动态风险确定方法具有更高的准确度;
(3)本发明基于网格点计算并筛选边缘分布函数和联合分布函数,故本发明的雪旱动态风险确定方法具有更高的分辨率。
以上所述,仅是本申请的几个实施例,并非对本申请做任何形式的限制,虽然本申请以较佳实施例揭示如上,然而并非用以限制本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案的范围内,利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例,均属于技术方案范围内。
Claims (8)
1.一种雪旱动态风险的确定方法,其特征在于,包括以下步骤:
构建非参数标准化雪水当量指数;
根据所述非参数标准化雪水当量指数获取雪旱事件中的雪旱历时和雪旱烈度;
根据所述雪旱历时和所述雪旱烈度建立联合分布函数;
根据所述联合分布函数计算静态雪旱重现期;
根据所述静态雪旱重现期确定雪旱动态风险。
2.根据权利要求1所述的雪旱动态风险的确定方法,其特征在于,根据所述雪旱历时和所述雪旱烈度建立联合分布函数,具体为:
分别确定所述雪旱历时的第一边缘分布函数和所述雪旱烈度的第二边缘分布函数;
根据所述第一边缘分布函数和所述第二边缘分布函数建立所述联合分布函数。
3.根据权利要求1所述的雪旱动态风险的确定方法,其特征在于,根据所述静态雪旱重现期确定雪旱动态风险,具体为:
根据所述静态雪旱重现期,结合滑动窗口和非参数趋势检验法确定雪旱动态风险。
4.根据权利要求1所述的雪旱动态风险的确定方法,其特征在于,在构建非参数标准化雪水当量指数后,还包括:
构建暖季水文干旱基准模型和分别基于不同雪旱指数的多个暖季水文干旱预测模型;
所述雪旱指数包括非参数标准化雪水当量指数、标准化雪水当量指数和标准化SWE指数;
分别获取所述基准模型和每个所述预测模型的公平威胁分数;
根据所述基准模型和每个所述预测模型的公平威胁分数,验证所述非参数标准化雪水当量指数符合预设条件。
5.根据权利要求4所述的雪旱动态风险的确定方法,其特征在于,根据所述基准模型和每个所述预测模型的公平威胁分数,验证所述非参数标准化雪水当量指数符合预设条件,具体包括:
根据所述基准模型和每个所述预测模型的公平威胁分数,确定每个所述预测模型相对于所述基准模型的公平威胁分数变化率;
根据所述公平威胁分数变化率,验证所述非参数标准化雪水当量指数符合预设条件。
6.根据权利要求5所述的雪旱动态风险的确定方法,其特征在于,所述公平威胁分数变化率为所述基准模型的公平威胁分数和所述预测模型的公平威胁分数的绝对差值相对于所述基准模型的公平威胁分数的比率。
7.根据权利要求4所述的雪旱动态风险的确定方法,其特征在于,获取所述基准模型的公平威胁分数,具体为:
根据基准模型的正确预测次数、没有预测到的暖季水文干旱发生的次数、预测的暖季水文干旱但实际却未发生的次数、暖季水文干旱指数序列的总长度以及基准模型随机正确预测的概率,获取所述基准模型的公平威胁分数。
8.根据权利要求4所述的雪旱动态风险的确定方法,其特征在于,获取所述预测模型的公平威胁分数,具体为:
根据预测模型的正确预测次数、没有预测到的暖季水文干旱发生的次数、预测的暖季水文干旱但实际却未发生的次数、暖季水文干旱指数序列的总长度以及预测模型随机正确预测的概率,获取所述预测模型的公平威胁分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483207.8A CN116502891B (zh) | 2023-04-28 | 2023-04-28 | 一种雪旱动态风险的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483207.8A CN116502891B (zh) | 2023-04-28 | 2023-04-28 | 一种雪旱动态风险的确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502891A true CN116502891A (zh) | 2023-07-28 |
CN116502891B CN116502891B (zh) | 2024-03-29 |
Family
ID=87326178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483207.8A Active CN116502891B (zh) | 2023-04-28 | 2023-04-28 | 一种雪旱动态风险的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502891B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101440932B1 (ko) * | 2014-01-16 | 2014-09-25 | 세종대학교산학협력단 | 실시간 앙상블 가뭄전망정보 관리방법 |
CN111291945A (zh) * | 2019-04-16 | 2020-06-16 | 中国水利水电科学研究院 | 一种牧业旱灾损失动态评估方法 |
CN111797129A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
CN112819312A (zh) * | 2021-01-25 | 2021-05-18 | 华中科技大学 | 气候变化情景下干旱社会经济暴露度评估方法和系统 |
CN114004437A (zh) * | 2021-06-28 | 2022-02-01 | 成都信息工程大学 | 干旱风险评估模型及建立方法和系统、干旱风险评估方法 |
CN114462802A (zh) * | 2022-01-04 | 2022-05-10 | 三峡大学 | 基于气候指数和改进水库指数的非平稳干旱指数构建方法 |
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 |
CN114862272A (zh) * | 2022-06-08 | 2022-08-05 | 西安理工大学 | 一种生态清洁小流域的建设与评价方法 |
CA3154014A1 (en) * | 2021-03-30 | 2022-09-30 | Climate Check, Inc. | Climate-based risk rating |
CN115168808A (zh) * | 2022-07-11 | 2022-10-11 | 中山大学 | 一种分析旱涝急转事件特征量的方法 |
CN115310796A (zh) * | 2022-07-29 | 2022-11-08 | 西安理工大学 | 一种不同类型干旱间传播关系的确定方法及系统 |
US20230025848A1 (en) * | 2021-07-22 | 2023-01-26 | International Business Machines Corporation | Simulating weather scenarios and predictions of extreme weather |
CN115907286A (zh) * | 2022-10-25 | 2023-04-04 | 中山大学 | 一种社会经济干旱评估方法 |
-
2023
- 2023-04-28 CN CN202310483207.8A patent/CN116502891B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101440932B1 (ko) * | 2014-01-16 | 2014-09-25 | 세종대학교산학협력단 | 실시간 앙상블 가뭄전망정보 관리방법 |
CN111291945A (zh) * | 2019-04-16 | 2020-06-16 | 中国水利水电科学研究院 | 一种牧业旱灾损失动态评估方法 |
CN111797129A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
CN112819312A (zh) * | 2021-01-25 | 2021-05-18 | 华中科技大学 | 气候变化情景下干旱社会经济暴露度评估方法和系统 |
CA3154014A1 (en) * | 2021-03-30 | 2022-09-30 | Climate Check, Inc. | Climate-based risk rating |
CN114004437A (zh) * | 2021-06-28 | 2022-02-01 | 成都信息工程大学 | 干旱风险评估模型及建立方法和系统、干旱风险评估方法 |
US20230025848A1 (en) * | 2021-07-22 | 2023-01-26 | International Business Machines Corporation | Simulating weather scenarios and predictions of extreme weather |
CN114462802A (zh) * | 2022-01-04 | 2022-05-10 | 三峡大学 | 基于气候指数和改进水库指数的非平稳干旱指数构建方法 |
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 |
CN114862272A (zh) * | 2022-06-08 | 2022-08-05 | 西安理工大学 | 一种生态清洁小流域的建设与评价方法 |
CN115168808A (zh) * | 2022-07-11 | 2022-10-11 | 中山大学 | 一种分析旱涝急转事件特征量的方法 |
CN115310796A (zh) * | 2022-07-29 | 2022-11-08 | 西安理工大学 | 一种不同类型干旱间传播关系的确定方法及系统 |
CN115907286A (zh) * | 2022-10-25 | 2023-04-04 | 中山大学 | 一种社会经济干旱评估方法 |
Non-Patent Citations (1)
Title |
---|
王芝兰,王静,王劲松: "基于风险价值方法的甘肃省农业旱灾风险评估", 中国农业气象, vol. 36, no. 3, 31 March 2015 (2015-03-31), pages 331 - 337 * |
Also Published As
Publication number | Publication date |
---|---|
CN116502891B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moreira et al. | SPI-based drought category prediction using loglinear models | |
Alfieri et al. | A European precipitation index for extreme rain‐storm and flash flood early warning | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN109299812B (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
Sperati et al. | Gridded probabilistic weather forecasts with an analog ensemble | |
Boudrissa et al. | Modelling maximum daily yearly rainfall in northern Algeria using generalized extreme value distributions from 1936 to 2009 | |
Seckin et al. | Comparison of probability weighted moments and maximum likelihood methods used in flood frequency analysis for Ceyhan River Basin | |
De Michele et al. | A multi-level approach to flood frequency regionalisation | |
CN116611542A (zh) | 一种基于缺水阈值的水文干旱分级预警方法 | |
CN106845080A (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
Chin et al. | Relationship between minimum inter‐event time and the number of rainfall events in Peninsular Malaysia | |
Zemzami et al. | Design flood estimation in ungauged catchments and statistical characterization using principal components analysis: application of Gradex method in Upper Moulouya | |
Pirooz et al. | New Zealand design wind speeds, directional and lee-zone multipliers proposed for AS/NZS 1170.2: 2021 | |
Parchure et al. | Probability distribution analysis of extreme rainfall events in a flood-prone region of Mumbai, India | |
Li et al. | [Retracted] Drought Assessment Based on Data Fusion and Deep Learning | |
Li et al. | A variable-correlation model to characterize asymmetric dependence for postprocessing short-term precipitation forecasts | |
CN116502891B (zh) | 一种雪旱动态风险的确定方法 | |
CN117348108A (zh) | 基于气象大数据的流域气象预报方法及系统 | |
Chang et al. | Multistep‐ahead flood forecasts by neuro‐fuzzy networks with effective rainfall–run‐off patterns | |
Seo et al. | Improvement in long-range streamflow forecasting accuracy using the Bayes' theorem | |
Liu et al. | Parameter optimization and uncertainty assessment for rainfall frequency modeling using an adaptive Metropolis–Hastings algorithm | |
Bárdossy et al. | Circulation patterns identified by spatial rainfall and ocean wave fields in Southern Africa | |
Debbarma et al. | Uncertainty analysis of regional rainfall frequency estimates in Northeast India | |
Chun et al. | An extreme analysis for the 2010 precipitation event at the South of Saskatchewan Prairie | |
Hoes et al. | Continuous simulation or event-based modelling to estimate flood probabilities? |
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 |