CN116522764B - 一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 - Google Patents
一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 Download PDFInfo
- Publication number
- CN116522764B CN116522764B CN202310407016.3A CN202310407016A CN116522764B CN 116522764 B CN116522764 B CN 116522764B CN 202310407016 A CN202310407016 A CN 202310407016A CN 116522764 B CN116522764 B CN 116522764B
- Authority
- CN
- China
- Prior art keywords
- flood
- data
- future
- wave
- thermal wave
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008859 change Effects 0.000 title claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 31
- 241000039077 Copula Species 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 231100000518 lethal Toxicity 0.000 claims abstract description 7
- 230000001665 lethal effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002498 deadly effect Effects 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000015654 memory Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000006424 Flood reaction Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000008642 heat stress Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 101100384033 Mus musculus Cd300ld gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical group O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑气候变化影响下的热浪‑洪水复合灾害评估方法，属于复合风险预测领域，利用双向长短期记忆网络模型联合偏差校正后的气温等变量进一步优化CLM5.0模拟产流，从而提高了模拟径流结果的可靠性；基于Copula函数构建热浪‑洪水复合灾害风险度量模型，采用Kendall重现期预估未来气候变化影响下热浪‑洪水复合灾害风险变化，考虑了极端事件非正态分布的情况，更贴近实际，可以更准确的估计复合灾害的发生；将致死热浪指标引入热浪‑洪水复合灾害的评估，该指标考虑了衡量了干球温度和湿度与全球热浪死亡率之间的关系，使得提取的热浪‑洪水复合灾害数据集更加贴合实际灾害情况。
Description
技术领域
本发明属于灾害风险预测领域，更具体地，涉及一种考虑气候变化影响下的热浪-洪水复合灾害评估方法。
背景技术
在气候变暖影响下，大气-陆面系统发生了显著的变化，极端事件的频次、历时、烈度、影响面积逐步加剧；同时，一种新的复合灾害：热浪-洪水复合灾害开始出现，并日趋频繁给人类的生命、财产、生态和社会带来了很大的威胁和挑战，需要采取有效的措施进行防范和应对。
如何获取未来高精度气温、径流数据，预估未来热浪-洪水复合灾害风险，是当前研究的热点和难点。气候模式为预估未来气候情景提供了可靠工具，但在流域尺度，气候情景输出存在较大偏差，无法直接应用；此外，模式输出中的陆面变量，涉及到大气-陆面传播过程，导致产流预估结果并不可靠，从而对未来热浪-洪水复合灾害风险的预估的准确性造成影响。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种考虑气候变化影响下的热浪-洪水复合灾害评估方法，由此解决现有的未来热浪-洪水复合灾害风险的预估方法准确性不高的技术问题。
为实现上述目的，按照本发明的第一方面，提供了一种考虑气候变化影响下的热浪-洪水复合灾害评估方法，包括：
S1，按照复合灾害评估的时间节点，将研究区域的CMIP6 GCM数据划分为历史、未来数据，并以ERA5-Land数据为基准，分别对所述历史、未来数据进行偏差校正；其中，所述CMIP6 GCM数据和ERA5-Land数据中的气象变量包括日尺度降水、气温、露点温度、相对湿度及风速；
S2，将校正后的历史、未来数据输入陆面过程模式CLM5.0中，得到所述研究区域的历史、未来产流第一模拟数据；
S3，将校正后的历史、未来数据及历史、未来产流第一模拟数据输入至Bi-LSTM模型，得到所述历史、未来产流第二模拟数据；
S4，基于游程理论从历史、未来产流第二模拟数据中提取洪水事件，并根据致死热浪指标，从校正后的历史、未来数据中提取热浪事件，以构建热浪-洪水复合灾害集；其中，所述热浪-洪水复合灾害为洪水事件与热浪事件的开始或者结束的时间间隔小于预设时间T；
S5，根据所述热浪-洪水复合灾害集，基于Copula函数构建热浪-洪水复合灾害风险度量模型，使用Kendall重现期预估未来气候变化影响下所述热浪-洪水复合灾害的风险，并对所述热浪-洪水复合灾害的重现期的不确定性进行评估。
按照本发明的第二方面，提供了一种考虑气候变化影响下的热浪-洪水复合灾害评估系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如第一方面所述的方法。
按照本发明的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行如第一方面所述的方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明提供的方法，利用双向长短期记忆网络模型(Bi-LSTM)联合偏差校正后的气温等变量进一步优化CLM5.0模拟产流，从而提高了模拟径流结果的可靠性；基于Copula函数构建热浪-洪水复合灾害风险度量模型，预估未来气候变化影响下热浪-洪水复合灾害风险变化，实现对研究区域的热浪-洪水灾害风险预测；采用Kendall重现期预估未来气候变化影响下热浪-洪水复合灾害风险变化，考虑了极端事件非正态分布的情况，更贴近实际，可以更准确的估计复合灾害的发生；将致死热浪指标“lethal heat stress”引入热浪-洪水复合灾害的评估，该指标考虑了衡量了了干球温度和湿度与全球热浪死亡率之间的关系，使得提取的热浪-洪水复合灾害数据集更加贴合实际灾害情况。
2、本发明提供的方法，通过对CMIP6气候多模式集合数据集各变量进行多元偏差校正，能够同时考虑多个变量，保留不同变量之间的关联性，且考虑了非线性关系，从而在校正过程中不会破坏数据的整体结构和分布规律。有助于提高气候模型输出数据的空间和时间一致性，且具有更高的适应性和准确性。
3、本发明提供的方法，采用了Bootstrap重抽样方法度量热浪-洪水复合灾害重现期的不确定性，能够有效减少偏差，得出不确定性范围，以便于制定更为科学合理的防灾减灾方案。
4、本发明提供的方法，将全球气候模式输出、多元偏差校正、陆面过程模式、机器学习模型、Bootstrap重抽样法与流域热浪-洪水复合灾害相结合，可为气候变化情境下流域热浪-洪水复合灾害的评估、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提供工程参考价值。
附图说明
图1为本发明实施例提供的考虑气候变化影响下的热浪-洪水复合灾害评估方法流程示意图；
图2为CLM5.0陆面过程模式示意图；
图3为双向长短期记忆网络模型结构图；
图4为Kendall重现期危险事件区域图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
传统联合气候模式输出—偏差校正方法—集总式水文模型的模拟过程可以获得区域径流，但该方法链无法有效反应流域内地表产流的空间异质性。通用陆面过程模式CLM(Community Land Model)是地球系统模式是通用地球系统模式CESM(Community EarthSystem Model))里的陆面模块，而CLM5.0是CLM陆面过程模式的最新版本，具有较为完善的水文循环机制，是目前国际上发展最为完善的陆面过程模式之一，可模拟高时空分辨率的产流。但该陆面模块包含众多过程，且参数复杂，模拟的产流精度有限。
基于此，本发明实施例提供一种考虑气候变化影响下的热浪-洪水复合灾害评估方法，如图1所示，包括：
S1，按照复合灾害评估的时间节点，将研究区域的CMIP6 GCM数据划分为历史、未来数据，并以ERA5-Land数据为基准，分别对所述历史、未来数据进行偏差校正；其中，所述CMIP6 GCM数据和ERA5-Land数据中的气象变量包括日尺度降水、气温、露点温度、相对湿度及风速。
具体地，采用CMIP6(第六次国际耦合模式比较计划)的全球气候模式(GCM)输出，包括历史和未来多排放情景中的日尺度降水、气温、露点温度、风速、相对湿度数据，构建区域的气候多模式集合；并收集ERA5-Land大气再分析数据集中的相关气象变量，作为区域/流域尺度气象数据基准。
以ERA5-Land数据为基准，使用多元偏差校正方法对空间降尺度后的CMIP6气候多模式集合数据集各变量(包括日尺度降水、气温、露点温度、风速、相对湿度)进行偏差校正，获取偏差校正后的历史、未来时期的各气候变量对应的数据。
进一步地，所述对所述历史、未来数据进行偏差校正之前，还包括：
对所述历史、未来数据进行空间降尺度处理。
具体地，采用双线性插值的方法进行空间降尺度，对研究区域的气候多模式数据变量(降水、气温、露点温度、风速、相对湿度)进行降尺度，使气候多模式集合中各变量的空间分辨率与ERA5-Land中变量的空间分辨率保持一致。
S2，将偏差校正后的历史、未来数据输入陆面过程模式CLM5.0中，得到所述研究区域的流域的历史、未来产流第一模拟数据。
具体地，将偏差校正后的历史、未来气候情景输入CLM5.0陆面过程模式中获取历史、未来流域内各栅格内产流模拟结果。
收集流域径流资料，将ERA5-Land作为气象观测资料，输入如图2所示的CLM5.0陆面过程模式，基于牛顿迭代法等数值方法，率定得到陆面模式参数。将偏差校正后的气候多模式集合GCM中的日尺度降水、气温、风速、相对湿度等变量数据输入陆面模式，获取历史、未来流域内各栅格的模拟产流Q(即历史、未来产流第一模拟数据)；
over
Qover＝FCLM5.0(CM)
式中Qover表示CLM5.0陆面模式输出的模拟产流，CM表示CLM5.的输入变量，包括偏差校正后的降水、气温、风速、相对湿度等气象数据，FCLM5.0表示CLM5.0陆面模式。
S3，将所述偏差校正后的历史、未来数据及历史、未来产流第一模拟数据输入至Bi-LSTM模型，得到所述研究区域的流域的历史、未来产流第二模拟数据。
具体地，基于流域内日均气温、降水、风速、相对湿度以及基于CLM5.0获得的输出产流，利用Bi-LSTM双向长短期记忆网络模型构建地表产流优化模型，获取历史和未来时期高精度产流预估结果，优化模拟产流。
基于校正后的流域内日均气温、降水、风速以及基于CLM5.0获得的模拟径流作为双向长短期记忆模型(Bi-LSTM)的输入，如图3所示，分别以正序和逆序输入至2个LSTM神经网络中进行特征提取，并对Bi-LSTM模型进行训练优化后，通过该模型输出优化后的历史时期和未来时期的日流量系列QBi,h、QBi,s(即历史、未来产流第二模拟数据)，Bi-LSTM的动态方程可表示为：
it＝σ(Uiht-1+WiXt+bi) (1)
ft＝σ(Ufht-1+Wfxt+bf) (2)
ot＝σ(U0ht-1+W0xt+b0) (3)
ht＝f(ω1x1+w2ht-1) (6)
ht'＝f(ω3xt+w5ht+1') (7)
ot＝g(ω4ht+ω6ht') (8)
式中it，ft和ot分别是是n维输入门，遗忘门，和t时刻的输出门。其中两个LSTM层共同连接输出层，其中包含6个共享权值ω1-ω6。
双向长短期记忆模型来优化模拟径流系列的方程可表示为：
QBi(t)＝FBiLSTM[BM(t),BM(t-1),BM(t-2),...,BM(t-N)]
式中：QBi(t)表示t时刻优化后的径流，BM(t)表示t时刻Bi-LSTM模型的输入变量，包括校正后的流域内各栅格日均气温、降水、风速以及基于CLM5.0获得的模拟径流；BM(t-1)表示t-1时刻的水文模型的径流和气象数据，N表示Bi-LSTM模型确定的滞时；FBiLSTM表示Bi-LSTM模型。
其中，采用Adam反向传播算法对Bi-LSTM模型进行训练，优化该模型的参数。
以均方根误差RMSE为目标率定拟合模型：式中，N表示样本总数；yi表示径流观测值；/>表示径流预测值。RMSE越小，代表模型预测越准确。
S4，基于游程理论分别从历史、未来产流第二模拟数据中提取洪水事件，并根据致死热浪指标，从校正后的历史、未来数据中提取热浪事件，以构建热浪-洪水复合灾害事件集；其中，所述热浪-洪水复合灾害为洪水事件与热浪事件的开始或者结束的时间间隔小于预设时间T。
具体地，基于校正后的气温，露点温度计算致命热浪热浪指标，利用游程理论从校正后的历史、未来数据中提取热浪事件；基于S3得到的优化流域产流模拟结果(即历史、未来产流第二模拟数据)，利用游程理论，提取洪水事件；基于热浪、洪水事件的时空连续性，提取热浪-洪水复合事件，构建复合灾害事件集，包括：
S41，采用致命热浪指数“lethal heat stress”Tl来表征热浪洪水复合灾害中的热浪水平，即作为衡量热浪的指数，该指数考虑了温度和湿度与全球热浪死亡率的关系：
式中，T为气温，Tdew为露点温度，Lv为蒸发潜热(2.5×106J kg-1)，Rv为水汽气体常数(461J kg-1K-1)，RH为相对湿度。
S42，采用游程理论识别洪水和热浪的极端事件。用超过90％分位数的Qc和Th来表征洪水和热浪的极端事件的阈值：以90％分位数为阈值，若日流量(或日Tl)超过该阈值，则洪水(或热浪)开始；若日流量(或日Tl)再次低于该阈值，则洪水(或热浪)结束。针对洪水事件，本发明定义最低持续时间大于或等于1天；针对热浪事件，本发明定义最低持续时间大于或等于3天。
S43，针对热浪-洪水复合事件，本发明定义洪水事件与热浪事件的开始或者结束的时间间隔在7天时间内，为热浪-洪水复合事件发生。计算历史时期，未来时期热浪-洪水复合事件的强度和持续时间,构建热浪-洪水复合事件灾害集：
|a-n|＜T or |b-m|＜T (13)
式中，Qi为洪水事件从a日起至b日的日流量，Tl,j为热浪事件从n日起至m日的致命热浪指数，Q90th和Tl 90th分别为洪水和致命热浪指数的阈值。
S5，根据所述热浪-洪水复合灾害集，基于Copula函数构建热浪-洪水复合灾害风险度量模型，使用Kendall重现期预估未来气候变化影响下所述热浪-洪水复合灾害的风险，并对所述热浪-洪水复合灾害的重现期的不确定性进行评估。
具体地，基于Copula函数构建热浪-洪水复合灾害风险度量模型，采用Kendall重现期预估未来气候变化影响下热浪-洪水复合灾害风险变化，并采用Bootstrap重抽样方法，度量热浪-洪水复合灾害重现期的不确定性。
进一步地，所述偏差校正包括：
A1，将所述ERA5-Land数据中的历史数据矩阵Xoh作为观测矩阵，分别对所述CMIP6GCM数据中的历史、未来数据矩阵Xm,h和Xm,p中的每一列气候变量采用delta分位数映射法进行偏差校正，得到和/>
具体地，根据所要评估热浪-洪水复合灾害的时间节点，区分历史时期h和未来时期p。给定ERA5-land的各变量数据矩阵Xo,h(矩阵的每列xo,h分别为日降水和气温、风速、相对湿度，露点温度的变量序列)和对应的CMIP6的GCM数据矩阵Xm,h。下标o表示观测数据即ERA5-land数据，下标m表示模拟数据即GCM数据。对Xm,h和Xm,p(下标h表示历史时期，下标p表示未来时期，变量序列与Xo,h相同),使用Xo,h作为观测数据矩阵，对于Xm,h和Xm,p矩阵内的每一列的气候变量序列采用delta分位数映射(Quantile Delta Mapping,QDM)进行偏差校正，得到校正输出和/>的初始矩阵。
A2，分别对和/>进行多元偏差校正，以更新/>和/>其中，更新后的更新后的 为将Xm,h′的协方差矩阵进行分解后得到的上三角矩阵的逆，Lo,h为将Xo,h′的协方差矩阵进行分解后得到的上三角矩阵，/> Xo,h分别为Xm,h、Xm,p、Xo,h的均值矩阵，每一列具有相同的均值。
具体地，使用Xo,h作为观测数据矩阵，对当前的和/>矩阵进行多元偏差校正，并用校正后的矩阵替换上述当前的/>和/>矩阵，完成对/>和/>的第一次更新，多元偏差校正的步骤进一步为：
分别将当前的和/>矩阵作为待处理矩阵X，即将待处理矩阵X的每一列x减去矩阵X中每一列的均值x，得到相对于待处理矩阵X中每一列平均值(x)的异常值(x′)矩阵X′，完成对待处理矩阵X的多元偏差校正，矩阵X′的计算公式表示为：
式中表示均值矩阵，每一列具有相同的均值。
通过Cholesky分解将异常值的协方差矩阵为分解为上三角矩阵Lo,h及其转置的乘积：
采用以下方法对异常值矩阵进行校正，使其具有与观测数据矩阵结果相同的协方差结构:
通过将ERA5-LAND再分析数据变量矩阵的多元均值加回去，进行偏差校正，使其与观测数据具有相同的平均值：
对于未来时期的GCM模拟气候变量序列Xm,p，偏差校正通过以下方式进行:
A3，再次将Xo,h作为观测矩阵，分别将经步骤A2更新后的和/>中的每一列气候变量采用delta分位数映射法进行偏差校正，以再次更新/>和/>并判断此时的平均绝对误差MAEcor的变化幅度是否低于预设值，若是，则将再次更新后的/>和/>作为偏差校正后的最终结果，若否，则返回A2。
具体地，使用Xo,h作为观测数据，将QDM应用到当前和/>矩阵的每一列变量，得到再次更新后的/>和/>矩阵。如果皮尔逊相关系数矩阵/>中的元素在cor(Xo,h)中元素中的规定的绝对限度内，即平均绝对误差MAEcor(式7)的变化幅度低于规定值时，则将再次更新后的/>和/>作为偏差校正后的最终结果；否则重复步骤A2。
式中，k为变量个数。
进一步地，S5中，所述基于Copula函数构建热浪-洪水复合灾害风险度量模型，包括：
分别基于Frank Copula函数和Gumbel Copula函数确定联合分布函数C(FQ,FT)，基于AIC准则，选择较优的Copula函数构建热浪-洪水复合灾害风险度量模型。
进一步地，S5中，所述使用Kendall重现期预估未来气候变化影响下所述热浪-洪水复合灾害的风险，包括：
确定历史时期的Kendall重现期Th；
获取满足目标函数z＝max w＝max[c(u,v)·fQ(q)·fT(t)]的最优点(um,vm)；根据Qd＝FQ -1(u)，Td＝FT -1(v)求得与Th对应的洪水强度设计值与热浪强度设计值的组合(Qd，Td)；其中，c(u,v)为Copula函数，u＝FQ、v＝FT分别为历史时期、未来时期的日尺度径流Q和气温T的分布函数，fQ、fT分别为Q和T的边缘密度函数；
根据(Qd，Td)，确定未来时期的Kendall重现期Tp，将其与Th进行对比，得到未来气候变化影响下所述热浪-洪水复合灾害的风险。
进一步地，S5中，所述对所述热浪-洪水复合灾害的重现期的不确定性进行评估，包括：
基于所述复合灾害集，生成多个Bootstrap样本；
获取每个Bootstrap样本对应的热浪-洪水复合灾害在未来时期的重现期T`，并对其进行统计分析，得出其不确定性范围为：T`up-T`low；其中，T`up和T`low分别是T`的上限和下限。
具体地，步骤S5进一步包括以下子步骤：
S51，本发明使用最高温度和洪峰流量分别表征热浪时间与洪水事件，首先以四个参数分布(P-III、Gamma、Normal和Weibull)为备选，基于AIC准则，优选洪水、热浪在历史/未来阶段的边缘分布。
S52，将Frank,Gumbel Copula函数作为备选，仍然采取AIC准则，确定最优Copula函数，衔接洪水和热浪事件的历史阶段和未来阶段的最佳拟合边缘分布函数，确定最佳拟合的copula联合分布函数C(FQ,FT)：
CGumbel(θ)＝exp{-[(-ln(FQ)θ)+(-ln(FT)θ)]1/θ} (22)
式中，θ为函数参数，FQ(FT)是超出给定洪水(热浪)事件分位数阈值的边缘分布函数。
S53，使用Kendall重现期来衡量洪水热浪复合事件的双变量风险，计算历史时期/未来时期的Kendall重现期Tk,h/Tk,p,步骤进一步为：
S531，设t∈[0,1]，求Kendall测度KC：
KC＝P{C(u,v)＜t} (23)
式中，u＝FQ，v＝FT分别为历史时期/未来时期的日尺度径流Q和气温T的分布函数。
S532，由求得的Kendall测度KC求解非线性方程得到的分位数td以确定热浪洪水二元联合分布临界面(临界面示意图如图4所示)：
如在S52中选择Frank Copula函数,则对于Frank Copula函数KC满足：
式中：θ为Frank Coupla参数；为生成元。
如在S52中选择Gumbel Copula函数，则对于Gumbel Copula函数KC满足：
式中：θ为G-H Coupla参数；为生成元。
S533，以年为单位，计算历史时期/未来时期的Kendall重现期Tk,h/Tk,p，计算Kendall重现期的公式如下：
式中C(u,v)为历史时期/未来时期的热浪洪水复合灾害的Copula联合分布函数。
S54，采用极大似然法计算洪水热浪复合事件的历史时期的Kendall重现期对应的热浪洪水设计值的组合(Qd,Td),使洪水热浪设计值组合(Qd,Td)满足其权重函数w最大，其目标函数为：
z＝max w＝max[c(u,v)·fQ(q)·fT(t)] (27)
式中：c(u,v)为Copula函数，fQ、fT分别为Q和T的边缘密度函数，(u,v)为热浪洪水联合分布的临界面(如图4所示)上的点，满足临界面约束：
将得到的最优点(u,v)，通过求反函数Qd＝FQ -1(u)，Td＝FT -1(v)求得在历史时期下给定的重现期T下的洪水强度设计值与热浪强度设计值。
S55，将得到的洪水热浪复合事件的历史Kendall重现期Tk,h对应的设计热浪洪水设计值的组合(Qd,Td)带入未来时期的Kendall重现期公式Tk,p(式28)，计算未来时期的重现期Tk,p,进行对比以此度量热浪洪水复合事件的风险变化，如果未来重现期降低，则意味着热浪洪水复合事件风险将加剧。
S56，采用Bootstrap方法，度量复合灾害重现期的不确定性，使用Bootstrap方法来度量洪水热浪灾害重现期的不确定性，步骤进一步为：
S561，对热浪-洪水复合灾害事件的数据集进行有放回的随机抽取，生成一组新的样本数据集，即Bootstrap样本。
S562，基于每个Bootstrap样本，计算热浪洪水复合灾害未来时期的重现期，得到未来时期重现期数据集。
S563，重复多次上述步骤，生成多个Bootstrap样本(一般生成1000个以上的Bootstrap样本)
S564，基于生成的多个Bootstrap样本，对热浪洪水复合灾害的未来时期的Kendall重现期T`k,p的数据集进行统计分析，得出不确定性范围，从而制定更为科学合理的防灾减灾方案：
L＝T`up-T`low (29)
式中L是未来时期的重现期采样不确定度的测量值，T`up和T`low分别是T`k,p的上限和下限。
本发明实施例提供一种考虑气候变化影响下的热浪-洪水复合灾害评估系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如上述任一实施例所述的方法。
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行上述任一实施例所述的方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。
Claims (6)
1.一种考虑气候变化影响下的热浪-洪水复合灾害评估方法，其特征在于，包括：
S1，按照复合灾害评估的时间节点，将研究区域的CMIP6 GCM数据划分为历史、未来数据，并以ERA5-Land数据为基准，分别对所述历史、未来数据进行偏差校正；其中，所述CMIP6GCM数据和ERA5-Land数据中的气象变量包括日尺度降水、气温、露点温度、相对湿度及风速；
S2，将校正后的历史、未来数据输入陆面过程模式CLM5.0中，得到所述研究区域的历史、未来产流第一模拟数据；
S3，将校正后的历史、未来数据及历史、未来产流第一模拟数据输入至Bi-LSTM模型，得到所述历史、未来产流第二模拟数据；
S4，基于游程理论从历史、未来产流第二模拟数据中提取洪水事件，并根据致死热浪指标，从校正后的历史、未来数据中提取热浪事件，以构建热浪-洪水复合灾害集；其中，所述热浪-洪水复合灾害为洪水事件与热浪事件的开始或者结束的时间间隔小于预设时间T；
S5，根据所述热浪-洪水复合灾害集，基于Copula函数构建热浪-洪水复合灾害风险度量模型，使用Kendall重现期预估未来气候变化影响下所述热浪-洪水复合灾害的风险，并对所述热浪-洪水复合灾害的重现期的不确定性进行评估；
所述偏差校正包括：
A1，将所述ERA5-Land数据中的历史数据矩阵Xo,h作为观测矩阵，分别对所述CMIP6 GCM数据中的历史、未来数据矩阵Xm,h和Xm,p中的每一列气候变量采用delta分位数映射法进行偏差校正，得到和/>
A2，分别对和/>进行多元偏差校正，以更新/>和/>其中，更新后的更新后的 为将Xm,h′的协方差矩阵进行分解后得到的上三角矩阵的逆，Lo,h为将Xo,h′的协方差矩阵进行分解后得到的上三角矩阵，/>
A3，再次将Xo,h作为观测矩阵，分别将经步骤A2更新后的和/>中的每一列气候变量采用delta分位数映射法进行偏差校正，以再次更新/>和/>并判断此时的平均绝对误差MAEcor的变化幅度是否低于预设值，若是，则将再次更新后的/>和/>作为偏差校正后的最终结果，若否，则返回A2；
所述复合灾害集为：其中，所述热浪-洪水复合灾害为洪水事件与热浪事件的开始或者结束的时间间隔小于预设时间T，|a-n|＜T or|b-m|＜T，Qi为洪水事件从a日起至b日的日流量，Tl,j为热浪事件从n日起至m日的致命热浪指数，Q90th和Tl 90th分别为洪水和致命热浪指数的阈值；
S5中，所述使用Kendall重现期预估未来气候变化影响下所述热浪-洪水复合灾害的风险，包括：
确定历史时期的Kendall重现期Tk,h,；
获取满足目标函数z＝maxw＝max[c(u,v)·fQ(q)·fT(t)]的最优点(um,vm)；根据Qd＝FQ-1(u)，Td＝FT-1(v)求得与Tk,h对应的洪水强度设计值与热浪强度设计值的组合(Qd，Td)；其中，c(u,v)为Copula函数，u＝FQ、v＝FT分别为历史时期、未来时期的日尺度径流Q和气温T的分布函数，fQ、fT分别为Q和T的边缘密度函数；
根据(Qd，Td)，确定未来时期的Kendall重现期Tk,p,，将其与Tk,h进行对比，得到未来气候变化影响下所述热浪-洪水复合灾害的风险。
2.如权利要求1所述的方法，其特征在于，所述对所述历史、未来数据进行偏差校正之前，还包括：
对所述历史、未来数据进行空间降尺度处理。
3.如权利要求1所述的方法，其特征在于，S5中，所述基于Copula函数构建热浪-洪水复合灾害风险度量模型，包括：
分别基于Frank Copula函数和Gumbel Copula函数确定联合分布函数C(FQ,FT)，基于AIC准则，选择较优的Copula函数构建热浪-洪水复合灾害风险度量模型。
4.如权利要求1所述的方法，其特征在于，S5中，所述对所述热浪-洪水复合灾害的重现期的不确定性进行评估，包括：
基于所述复合灾害集，生成多个Bootstrap样本；
获取每个Bootstrap样本对应的热浪-洪水复合灾害在未来时期的重现期T`k,p，并对其进行统计分析，得出其不确定性范围为：T`up-T`low；其中，T`up和T`low分别是T`k,p的上限和下限。
5.一种考虑气候变化影响下的热浪-洪水复合灾害评估系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如权利要求1-4任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310407016.3A CN116522764B (zh) | 2023-04-17 | 2023-04-17 | 一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310407016.3A CN116522764B (zh) | 2023-04-17 | 2023-04-17 | 一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116522764A CN116522764A (zh) | 2023-08-01 |
| CN116522764B true CN116522764B (zh) | 2023-12-19 |
Family
ID=87398671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310407016.3A Active CN116522764B (zh) | 2023-04-17 | 2023-04-17 | 一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116522764B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117634325B (zh) * | 2024-01-26 | 2024-04-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 资料受限河口区域极值事件识别和复合洪水灾害分析方法和系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015148887A1 (en) * | 2014-03-28 | 2015-10-01 | Northeastern University | System for multivariate climate change forecasting with uncertainty quantification |
| CN110348074A (zh) * | 2019-06-19 | 2019-10-18 | 北京理工大学 | 气候变化风险分析与评估的方法及装置 |
| CN111767517A (zh) * | 2020-05-18 | 2020-10-13 | 西安电子科技大学 | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 |
| CN112765912A (zh) * | 2021-01-26 | 2021-05-07 | 武汉大学 | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 |
| US11315046B1 (en) * | 2018-06-28 | 2022-04-26 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
| WO2022135265A1 (zh) * | 2021-01-14 | 2022-06-30 | 中国长江三峡集团有限公司 | 气候变化影响下水库调度规则的失效预警分析方法 |
| CA3154014A1 (en) * | 2021-03-30 | 2022-09-30 | Climate Check, Inc. | Climate-based risk rating |
| 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 |
| CN115859801A (zh) * | 2022-11-25 | 2023-03-28 | 武汉大学 | 一种联合有效降雨模型的滑坡时空危险性评估方法 |
| WO2023045278A1 (zh) * | 2021-09-27 | 2023-03-30 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
| CN113361665B (zh) * | 2021-08-11 | 2021-11-16 | 成都理工大学 | 一种基于强化学习的高原山地旅游安全风险预警方法 |
-
2023
- 2023-04-17 CN CN202310407016.3A patent/CN116522764B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015148887A1 (en) * | 2014-03-28 | 2015-10-01 | Northeastern University | System for multivariate climate change forecasting with uncertainty quantification |
| US11315046B1 (en) * | 2018-06-28 | 2022-04-26 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
| CN110348074A (zh) * | 2019-06-19 | 2019-10-18 | 北京理工大学 | 气候变化风险分析与评估的方法及装置 |
| CN111767517A (zh) * | 2020-05-18 | 2020-10-13 | 西安电子科技大学 | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 |
| WO2022135265A1 (zh) * | 2021-01-14 | 2022-06-30 | 中国长江三峡集团有限公司 | 气候变化影响下水库调度规则的失效预警分析方法 |
| CN112765912A (zh) * | 2021-01-26 | 2021-05-07 | 武汉大学 | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 |
| CA3154014A1 (en) * | 2021-03-30 | 2022-09-30 | Climate Check, Inc. | Climate-based risk rating |
| WO2023045278A1 (zh) * | 2021-09-27 | 2023-03-30 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
| 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 |
| CN115859801A (zh) * | 2022-11-25 | 2023-03-28 | 武汉大学 | 一种联合有效降雨模型的滑坡时空危险性评估方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于G-H copula函数的秦淮河流域洪水风险分析;高玉琴;叶柳;赖丽娟;;水资源与水工程学报(第01期);全文 * |
| 小区域热浪风险性评估方法述评;丁晓萍;刘寿东;许遐祯;;内蒙古气象(01);全文 * |
| 气候变化背景下我国城市高温热浪的风险分析与评估;宋晨阳;王锋;张韧;白成祖;刘科峰;龙强;;灾害学(01);全文 * |
| 气候变暖下太湖极端洪水的归因探讨;于革;郭娅;廖梦娜;;湖泊科学(第05期);全文 * |
| 面向复杂信息系统的多源异构数据融合技术;林瑀;陈日成;金涛;;中国测试(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116522764A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116522764B (zh) | 一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 | |
| CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
| Callaghan et al. | Statistical simulation of wave climate and extreme beach erosion | |
| Mishra et al. | Drought modeling–A review | |
| CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
| Brandimarte et al. | Uncertainty in design flood profiles derived by hydraulic modelling | |
| CN115507822A (zh) | 水文循环变异驱动下的洪水风险预测方法 | |
| Bonakdari et al. | Integrated Markov chains and uncertainty analysis techniques to more accurately forecast floods using satellite signals | |
| Yan et al. | Flood risk analysis of reservoirs based on full-series ARIMA model under climate change | |
| Saeed Far et al. | Evaluation of peaks-over-threshold method | |
| Letetrel et al. | Sea level extremes in Marseille (NW Mediterranean) during 1885–2008 | |
| CN116187203A (zh) | 一种流域水质预测方法、系统、电子设备及存储介质 | |
| Smith et al. | Forecasting flash floods using data-based mechanistic models and NORA radar rainfall forecasts | |
| CN115238947A (zh) | 气候变化下旱涝急转事件的社会经济暴露度预估方法 | |
| Yuan et al. | Research and application of an intelligent networking model for flood forecasting in the arid mountainous basins | |
| Hassan et al. | Improving artificial neural network based streamflow forecasting models through data preprocessing | |
| Tosunoğlu | Accurate estimation of T year extreme wind speeds by considering different model selection criterions and different parameter estimation methods | |
| 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 | |
| Wei | Comparing single-and two-segment statistical models with a conceptual rainfall-runoff model for river streamflow prediction during typhoons | |
| Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
| CN116186493B (zh) | 基于数值模式校正的气象预报方法、装置、设备和介质 | |
| Smith et al. | Testing probabilistic adaptive real‐time flood forecasting models | |
| Nasseri et al. | A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran | |
| CN116245018A (zh) | 一种基于双变量长短时记忆算法的海浪缺测数据预报方法 | |
| Ranjan et al. | ANN and GRNN-based coupled model for flood inundation mapping of the Punpun River Basin |
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 |