CN116795897A - 一种百年尺度复合高温-水文干旱演变的检测与归因方法 - Google Patents
一种百年尺度复合高温-水文干旱演变的检测与归因方法 Download PDFInfo
- Publication number
- CN116795897A CN116795897A CN202310428018.0A CN202310428018A CN116795897A CN 116795897 A CN116795897 A CN 116795897A CN 202310428018 A CN202310428018 A CN 202310428018A CN 116795897 A CN116795897 A CN 116795897A
- Authority
- CN
- China
- Prior art keywords
- high temperature
- event
- hydrologic drought
- temperature
- hydrologic
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 66
- 150000001875 compounds Chemical class 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 23
- 241000039077 Copula Species 0.000 claims abstract description 19
- 238000011160 research Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 230000002776 aggregation Effects 0.000 claims abstract description 5
- 238000004220 aggregation Methods 0.000 claims abstract description 5
- 238000001556 precipitation Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000005315 distribution function Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000011002 quantification Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000010355 oscillation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 16
- 230000007246 mechanism Effects 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000005192 partition Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 10
- 238000010792 warming Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 4
- 230000008635 plant growth Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 235000017399 Caesalpinia tinctoria Nutrition 0.000 description 1
- 241000388430 Tara Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种百年尺度复合高温‑水文干旱演变的检测与归因方法,方法基于copula函数定量估算复合高温‑水文干旱事件的联合发生概率和重现期,刻画复合事件百年间的时间变化趋势和空间分布特征,分析全球不同气候分区联合重现期变化趋势的差异,研究复合极端事件发生的空间集聚性,进一步厘清高温驱动、水文干旱驱动和高温‑水文干旱依赖性驱动对复合事件重现期变化的贡献,揭示复合事件时空动态过程的驱动机制。本发明从多变量的角度出发,定量评估复合高温‑水文干旱事件的发生概率及重现期,提高了极端事件的风险评估能力,适用于全球和区域的研究。有助于协助政府准确地认识和应对干‑热复合极端事件,有助于推进政府间为应对极端气候变化而开展的合作。
Description
技术领域
本发明涉及大气科学领域,尤其涉及一种百年尺度复合高温-水文干旱演变的检测与归因方法。
背景技术
复合高温-水文干旱事件对人类健康、生态系统的持续健康发展和社会经济造成了严重威胁:不仅显著提高树木死亡率,进而可能引发野火等其他灾害,同时又是对小麦生产最具破坏性的气候威胁因素,对全球粮食安全造成严重影响;它们还会危及电网的可靠性,对大量的自然生态系统和建筑工程产生不利影响。因此复合高温-水文干旱事件的社会经济影响始终是研究的热点话题之一。然而大部分的研究仅仅聚焦近60年来全球或区域尺度的干-热事件时空演变特征。仅仅把研究范围选定在近期的几十年,则无法准确衡量和评估干-热事件的时空演变过程和空间分布特征,可能会导致人们无法合理和准确应对此类事件。目前仍缺乏对全球近120年的高温-干旱复合事件时空动态过程的研究。采用更广泛的研究时期,可以对百年来复合极端事件进行全面完整有充分依据的评估。
由于复合事件的变量之间相互关系复杂,很难准确量化单个变量的贡献。因此,高温、低径流和高温-低径流两者依赖性对复合高温-水文干旱事件的单独和联合影响还没有得到较好的研究,尤其是不同研究时期情景下高温驱动、径流驱动和两者依赖性驱动三者对复合事件重现期变化的贡献机制尚未明晰。
发明内容
为了研究复合高温-水文干旱事件的时空动态演变过程和内在驱动机制,本申请提供一种百年尺度复合高温-水文干旱演变的检测与归因方法,具体包括以下步骤:
S101、数据采集:采集全球近地表气温、地表径流观测数据;
S102、全球暖季近地表气温、地表径流时空动态演变过程的分析:根据步骤S101中采集的数据,采用基于集成经验模态分解EEMD方法分析不同时间节点温度、径流的时空演变过程,估算相应时间节点的趋势瞬时变化速率,并厘清不同时间节点的纬向平均变化趋势;
S103、复合高温-水文干旱事件联合发生概率的估算:利用copula函数,估算复合高温-水文干旱事件联合发生概率,厘清联合发生概率百年间的变化特征;
S104、不同严重程度的复合高温-水文干旱事件发生次数的统计:根据步骤S103中得到的联合发生概率,利用copula函数估算每一次复合高温-水文干旱事件的联合重现期,统计在两个不同预设时间范围内T1年一遇、T2年一遇、T3年一遇的复合干-热事件次数,比较同一重现期的复合高温-水文干旱事件在前后两个时间范围内发生次数的差异;
S105、复合高温-水文干旱事件的空间连通性分析:将全球划分为多个不同的个气候分区,结合S104估算得到的复合高温-水文干旱事件的联合重现期,利用莫兰指数分析每个气候分区内T1年一遇的复合高温-水文干旱事件的集聚性,识别全球受复合高温-水文干旱极端事件影响最严重的区域;
S106、复合高温-水文干旱事件在不同分位数组合下出现概率的统计;分析高温和低径流之间的依赖性;
S107、表征高温与水文干旱之间相关性强弱的指数PMF分析:在步骤S103估算得到的联合发生概率的基础上,利用复合事件的发生概率与气温和地表径流相互独立情况下联合事件发生概率的比值来评估高温与水文干旱之间相关性强弱;
S108、高温和低降水对地表径流变化贡献的量化:基于高温和低降水情景下、仅高温情景下和仅低降水情景下地表径流距平值的差异,厘清高温、低降水和高温-低降水对复合高温-水文干旱事件的单独和联合影响;
S109、复合高温-水文干旱极端事件的归因:结合S103构建的copula函数,分析不同时期复合干热事件重现期的变化,完成复合高温-水文干旱极端事件的归因。
本发明提供的有益效果是:有助于进一步深入理解和全面认识单变量极端天气事件与复合事件形成的内在联系,进一步提升城市安全的气象服务保障能力,并为相应极端天气事件预报提供一些更有价值的参考依据和方法。
附图说明
图1是本发明方法的流程图;
图2是基于EEMD方法的全球陆地暖季平均气温、降水、地表径流的累计变化趋势图;
图3是全球陆地暖季平均气温、降水、地表径流在1940年、1960年、1980年、2000年和2019年的瞬时变化速率图;
图4是全球陆地暖季平均气温、降水、地表径流的纬向平均累计变化趋势图;
图5是1902-2019年复合高温-气象干旱和复合高温-水文干旱极端事件概率指数变化图;
图6是历史情景(1902-1051)和现实情景(1970-2019)下复合高温-水文干旱事件发生频率的变化图;
图7是1902-2019年复合高温-气象干旱事件和复合高温-水文干旱极端事件的影响面积和空间同质性分析图;
图8是复合高温-水文干旱事件在不同分位数组合下出现概率的统计图;
图9是表征高温与水文干旱之间相关性强弱的指数PMF分析图;
图10是高温和低降水对地表径流变化的量化贡献图;
图11是复合高温-水文干旱极端事件的归因分析图。
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,下面将结合附图对本发明实施方式作进一步地描述。
本发明提供了一种百年尺度复合高温-水文干旱演变的检测与归因方法,具体包括以下步骤:
S101、数据采集:采集全球近地表气温、地表径流观测数据;
需要说明的是,步骤S101中,所述全球近地表气温和地表径流数据为高时空分辨率的格点数据,其时间分辨率为月尺度,空间分辨率为0.5°×0.5°,为减少空间变异性,将数据插值为2.5°×2.5°。其中,近地表气温数据采用两套百年全球观测数据的集成平均值,来源于国际权威机构提供的公开可下载的CRU、CCR等数据,具有真实性、可靠性、科学性。本权利中,暖季定义为北半球的5月-9月以及南半球的11月-次年3月,这是因为5月-9月(11月-次年3月)是植物生长季,将研究范围限定在暖季可以更加明确地凸显复合高温-干旱事件对植物生长的影响。
S102、全球暖季近地表气温、地表径流时空动态演变过程的分析:根据步骤S101中采集的数据,采用基于集成经验模态分解EEMD方法(EEMD;Ensemble empirical modedecomposition)分析不同时间节点温度、径流的时空演变过程,估算相应时间节点的趋势瞬时变化速率,并厘清不同时间节点的纬向平均变化趋势;
需要说明的是,步骤S102中,基于集成经验模态分解方法(EEMD;Ensembleempirical mode decomposition),对近地表气温、地表径流时空动态演变过程的分析包括:不同时间节点温度、径流的时空演变过程及空间分布特征、相应时间节点的趋势瞬时变化速率、不同时间节点的纬向平均变化趋势;
步骤S102中:
对于某一格点,基于EEMD方法,其近地表气温或地表径流时间序列被分解为:
其中,Cj(t)又名本征模态函数(IMF;Intrinsic Mode Functions),是自适应的幅频调制振荡分量(adaptively amplitude-frequency modulated oscillatorycomponents)。Rn(t)是分解产生的残差,即一条单调或只包含一个极值的曲线,从中不能提取额外的振荡分量。
对于某一时间节点,自M年以来的累计变化趋势计算公式如下:
TrendEEMD(t)=Rn(t)-Rn(M)
相应时间节点的趋势瞬时变化速率计算公式如下:
其中,Rate(t)即为求得的t年的趋势瞬时变化速率,TrendEEMD(t+1)和TrendEEMD(t-1)分别是自t+1和t-1年以来的累计变化趋势。
S103、复合高温-水文干旱事件联合发生概率的估算:利用copula函数,估算复合高温-水文干旱事件联合发生概率,厘清联合发生概率百年间的变化特征;
需要说明的是,步骤S103中,复合高温-水文干旱事件联合发生概率的变化特征为研究时期内相应的复合高温-水文干旱事件联合发生概率指数的时间序列及其Mann-Kendall检验下的变化趋势。
步骤S103中:
copula函数模型是研究两个或多个变量之间相关性的统计度量,常用于计算复合事件的联合发生概率。
X、Y是连续随机变量,其分布函数表示为
F(x)=P(X≤x),G(y)=P(Y≤y)
H是二者的联合累积分布函数,满足
H(x,y)=P(X≤x,Y≤y)
假设H的边缘分布是F和G,那么存在一个copula函数满足
H(x,y)=C[F(x),G(y)]
复合高温-水文干旱事件的联合发生概率为
P(X>x and Y<y)=G(y)-C[F(x),G(y)]
其中,X表示气温,Y表示地表径流。
概率指数(Probability Index)计算公式为
S104、不同严重程度的复合高温-水文干旱事件发生次数的统计:根据步骤S103中得到的联合发生概率,利用copula函数估算每一次复合高温-水文干旱事件的联合重现期,统计在两个不同预设时间范围内T1年一遇、T2年一遇、T3年一遇的复合干-热事件次数,比较同一重现期的复合高温-水文干旱事件在前后两个时间范围内发生次数的差异;
需要说明的是,步骤S104中,统计在两个50年时间范围(1902-1951、1970-2019)内25年一遇、50年一遇、75年一遇的复合高温-水文干旱事件的发生次数,比较同一重现期的复合事件在前后两个时间范围内发生次数的差异,从而识别百年间复合高温-水文干旱事件更频发的地区。
S105、复合高温-水文干旱事件的空间连通性分析:将全球划分为多个不同的个气候分区,结合S104估算得到的复合高温-水文干旱事件的联合重现期,利用莫兰指数分析每个气候分区内T1年一遇的复合高温-水文干旱事件的集聚性,识别全球受复合高温-水文干旱极端事件影响最严重的区域;
步骤S105中,利用MoranIndex分析复合高温-水文干旱事件在一段时间内的空间自相关性。空间自相关值在-1和1之间。从正值到负值表示空间集聚性逐渐降低(1:完全聚集,-1:完全离散),零值表示缺乏空间自相关性;
S106、复合高温-水文干旱事件在不同分位数组合下出现概率的统计;分析高温和低径流之间的依赖性;
需要说明的是,步骤S106中根据纬度将全球分为4个区域(即30°N-60°N,0°-30°N,0°-30°S和30°S-60°S),在给定区域的每个网格中,计算百年间近地表气温和地表径流的第10、20、……、100百分位值,以评估高温和水文干旱事件在不同百分位上的共现概率。
S107、表征高温与水文干旱之间相关性强弱的指数PMF分析:在步骤S103估算得到的联合发生概率的基础上,利用复合事件的发生概率与气温和地表径流相互独立情况下联合事件发生概率的比值来评估高温与水文干旱之间相关性强弱;
需要说明的是,步骤S107具体为,
单变量为25年一遇情况下,复合高温-水文干旱事件的发生概率及PMF计算公式如下:
P(u>0.96 and v<0.04)=0.04-C(0.96,0.04)
单变量为50年一遇情况下,复合高温-水文干旱事件的发生概率及PMF计算公式如下:
P(u>0.98 and v<0.02)=0.02-C(0.98,0.02)
单变量为75年一遇情况下,复合高温-水文干旱事件的发生概率及PMF计算公式如下:
P(u>0.987 and v<0.013)=0.013-C(0.987,0.013)
其中,u表示近地表气温的分布函数,v表示地表径流的分布函数;
当PMF=1时,表示极端高温事件与极端干旱事件相互独立;
当PMF>1时,PMF越大,表示变量间的相关性越强,高温和水文干旱事件之间具有强依赖性。
S108、高温和低降水对地表径流变化贡献的量化:基于高温和低降水情景下、仅高温情景下和仅低降水情景下地表径流距平值的差异,厘清高温、低降水和高温-低降水对复合高温-水文干旱事件的单独和联合影响;
S109、复合高温-水文干旱极端事件的归因:结合S103构建的copula函数,分析不同时期复合干热事件重现期的变化,完成复合高温-水文干旱极端事件的归因。
作为一种实施例,步骤S109中,基于历史情景(1902-1951)和现实情景(1981-2019),进行三个实验分别定量评估高温驱动、低径流驱动和高温-低径流依赖性驱动三者对复合事件重现期变化的贡献;
不同时期复合干热事件重现期的变化计算方法如下:
其中,ΔT(%)表示复合事件在两个时期重现期变化的百分率,以联合重现期的相对变化揭示全球复合高温-水文干旱事件的驱动因子,ΔT(%)越大,表示当前驱动机制对复合高温-水文干旱事件的影响越大。Tstage1表示历史情景(1902-1951)下,高温和水文干旱单变量极端事件均为25年一遇时,复合高温-水文干旱事件的联合重现期;Tstage2表示现实情景(1970-2019)下,高温和水文干旱单变量极端事件均为25年一遇时,复合高温-水文干旱事件的联合重现期。此外,进行三个实验来定量估算每种驱动因子对联合重现期变化的贡献:
实验a(exp a):只考虑高温驱动对复合事件重现期变化的贡献,其计算方法如下:
实验b(exp b):只考虑径流驱动对复合事件重现期变化的贡献,其计算方法如下:
实验c(exp c):只考虑高温-径流依赖性驱动对复合事件重现期变化的贡献,其计算方法如下:
其中,u表示近地表气温的分布函数,v表示地表径流的分布函数,stage 1表示历史情景(1902-1951),stage 2表示现实情景(1970-2019)。
下面通过一个实际案例,对本发明方法进一步阐述。
以1902-2019年全球陆地复合高温-水文干旱事件为例,具体如下:
(1)基础数据的采集;
在本实施例中,采集了全球暖季近地表气温、地表径流观测数据,时间序列为1902-2019年,时间分辨率为月尺度,水平空间分辨率为0.5°×0.5°。为减少空间变异性,将数据插值为2.5°×2.5°。其中,近地表气温数据采用两套百年全球观测数据的集成平均值,来源于国际权威机构提供的公开可下载的CRU、CCR数据,具有真实性、可靠性、科学性。在本实施例中,暖季定义为北半球的5月-9月以及南半球的11月-次年3月,这是因为5月-9月(11月-次年3月)是植物生长季,将研究范围限定在暖季可以更加明确地凸显复合高温-干旱事件对植物生长的影响。其中,将暖季近地表气温、暖季降水、暖季地表径流分别缩写为WMT,WMP和WMR,如图2-图11所示。
英国东英吉利大学(University of East Anglia)的气候研究中心(ClimaticResearch Unit,CRU)的气温资料是当前应用十分广泛的全球格点化的陆面气温资料,以全球气象站点观测数据为基础构建,且具有时间序列长(1901年至今)、空间分辨率较高(0.5°×0.5°)等特点。特拉华大学地理学院气候研究中心(Center for Climatic ResearchDepartment of Geography University of Delaware)收集了包括GHCN2(全球历史气候网络)在内的大量气象站的数据,涵盖从1900年到2017年的月尺度气温时间序列,很好地补充了ICOADS(国际海洋大气综合数据集)数据集。
地表径流数据来源于G-RUN数据集。全球径流集成系统(global runoffENSEMBLE,G-RUN ENSEMBLE)使用机器学习算法和历史天气数据来提高数据准确度,使用来自大型流域的独立观测数据进行评估,并与1981年至2010年期间其他公开可用的径流数据集进行基准比较。该数据集的精度是根据未用于模型校准的流域的观测河流流量进行评估的,并发现与最先进的全球水文模型模拟相比,数据集的精度较好。
表1为选取的数据信息;
表1主要数据信息
(2)全球暖季近地表气温、地表径流时空动态演变过程的分析;
本实施例中,基于实施例(1)得到国际权威机构提供的公开可下载的CRU、CCR、G-RUN数据,将研究区域选定为全球陆地地区。随后,基于集成经验模态分解方法(EEMD;Ensemble empirical mode decomposition),对近地表气温、地表径流时空动态演变过程的分析包括:不同时间节点温度、径流的时空演变过程及空间分布特征、相应时间节点的趋势瞬时变化速率、不同时间节点的纬向平均变化趋势:
对于某一格点,基于EEMD方法,其近地表气温或地表径流时间序列可以被分解为:
对于某一时间节点(例如1950年),自1902年以来的累计变化趋势计算公式如下:
TrendEEMD(1950)=Rn(1950)-Rn(1902)
相应时间节点(例如1950年)的趋势瞬时变化速率计算公式如下:
不同时间节点温度、径流的时空演变过程及空间分布特征见图2,相应时间节点的趋势瞬时变化速率见图3,不同时间节点的纬向平均变化趋势见图4。如上述三图所示,纬向增温趋势呈舌状结构,明显的增温(>1℃)首先出现在北半球的中纬度地区,其次是南半球的亚热带地区。此前的研究也发现中高纬度地区变暖最快。另一方面,中高纬度地区这种最快的变暖与北极变暖的放大效应有关。与降水相比,地表径流的累积变化主要表现为下降趋势。近20年来,地表径流持续减少,这与全球气温普遍升高相一致。这些结果表明温度对降水和径流之间的关系具有调节作用。
(3)复合高温-水文干旱事件联合发生概率的估算;
本实施例中,估算得到全球陆地地区各个格点的复合高温-水文干旱事件联合发生概率,本申请采用Mann-Kendall趋势检验,从而分析复合事件联合发生概率的变化情况。本实施例中,将复合高温-水文干旱事件定义为高近地表气温和低地表径流同时发生的事件。计算复合高温-水文干旱事件的联合发生概率的公式如下:
X、Y是连续随机变量,其分布函数表示为
F(x)=P(X≤x),G(y)=P(Y≤y)
H是二者的联合累积分布函数,满足
H(x,y)=P(X≤x,Y≤y)
假设H的边缘分布是F和G,那么存在一个copula函数满足
H(x,y)=C[F(x),G(y)]
复合高温-水文干旱事件的联合发生概率为
P(X>x and Y<y)=G(y)-C[F(x),G(y)]
其中,X表示气温,Y表示地表径流。
图5中的概率指数(Probability Index)计算公式为
如图5所示,1902-2019年,复合高温-水文干旱事件发生概率在全球68.1%的区域呈上升趋势,且通过0.05的显著性检验,尤其是在非洲、南美、欧洲和美国西部。
(4)不同严重程度的复合高温-水文干旱事件发生次数的统计;
本实施例中,基于实施例(3)估算得到的复合高温-水文干旱事件的联合发生概率,统计在两个50年时间范围(1902-1951、1970-2019)内25年一遇、50年一遇、75年一遇的复合高温-水文干旱事件次数,比较严重程度一致的复合高温-水文干旱事件在前后两个时间范围内发生次数的差异,它们的计算方法如下:
复合高温-水文干旱事件的重现期为
如图6所示,两个时期的差异在非洲、南美和北亚最为明显,说明近半个世纪以来这些地区复合高温-水文干旱极端事件更为严重和频繁(图6c、f、i),这也与图5中出现概率显著增加的区域相对应。
(5)25年一遇的复合高温-水文干旱事件的空间连通性分析;
本实施例中,基于实施例(4)得到的复合事件的联合重现期,利用Moran Index分析25年一遇的复合高温-水文干旱事件在一段时间内的空间自相关性。空间自相关值在-1和1之间。从正值到负值表示空间集聚性逐渐降低(1:完全聚集,-1:完全离散),零值表示缺乏空间自相关性。如图7所示,本实施例中,全球被分为九个区域:北美、欧洲、北亚、东亚、南亚、澳大利亚、非洲和南美洲。分区首先参考了最新的政府间气候变化专门委员会第六次评估报告(IPCCAR6)的陆地参考区域。相比较于复合高温-气象干旱事件,受复合高温-水文干旱极端事件影响的区域更大,百年间受影响区域的比例变化在55%至151%之间,欧洲的数值较高(151%)。受25年一遇复合高温-气象干旱事件影响的MoranIndex线性回归斜率范围为0.04(南美)至0.19(非洲)。复合高温-水文干旱事件的空间聚集性更高,范围为0.05(南美)至0.34(欧洲)。大型空间同质复合极端天气可能对作物、造林造成巨大威胁,并迅速耗尽国家和地方的救援资源。
(6)复合高温-水文干旱事件在不同分位数组合下出现概率的统计;
本实施例中,根据纬度将全球分为4个区域(即30°N-60°N,0°-30°N,0°-30°S和30°S-60°S),在给定区域的每个网格中,计算百年间近地表气温和地表径流的第10、20、……、100百分位值,以评估高温和水文干旱事件在不同百分位上的共现概率。如图8所示,四个地区的近地表气温与地表径流均呈负相关,尤其是北半球中纬度地区(Pearson相关系数=-0.53)(图8a)。这种负相关在中纬度地区比在热带地区更为明显,在北半球比在南半球更为明显(图8a-d)。
(7)表征高温与水文干旱之间相关性强弱的指数PMF分析
本实施例中,基于实施例(3)构建的copula函数估算得到的复合事件的联合发生概率与气温和地表径流相互独立情况下联合事件发生概率的比值来评估高温与水文干旱之间相关性强弱;
单变量为二十五年一遇情况下,复合高温-水文干旱事件的发生概率及
PMF计算公式如下:
P(u>0.96 and v<0.04)=0.04-C(0.96,0.04)
单变量为五十年一遇情况下,复合高温-水文干旱事件的发生概率及
PMF计算公式如下:
P(u>0.98 and v<0.02)=0.02-C(0.98,0.02)
单变量为七十五年一遇情况下,复合高温-水文干旱事件的发生概率及PMF计算公式如下:
P(u>0.987 and v<0.013)=0.013-C(0.987,0.013)
其中,u表示近地表气温的分布函数,v表示地表径流的分布函数。
如图9所示,与单变量相互独立时相比,复合高温-水文干旱事件的联合概率大约是独立情况下的三倍,在欧洲、南美洲中东部、澳大利亚和撒哈拉沙漠南部甚至高出五倍(图9a-c)。这强调了极端高温和极端干旱不是独立的,而是紧密联系的。
(8)高温和低降水对地表径流变化贡献的量化
在本实施例中,比较基于高温和低降水情景下、仅高温情景下和仅低降水情景下地表径流距平值的差异,厘清高温、低降水和高温-低降水对复合高温-水文干旱事件的单独和联合影响。在高气温和低降水条件下(近地表气温>第90百分位数;降水<第10百分位数;图10a),在北半球中高纬度地区,如北美北部、西伯利亚和青藏高原,径流增加,这可能与气温升高导致的雪和冰川融化和融化有关。在低降水条件下(即降水<第10百分位数),高温对径流减少作用较弱(图10b)。尤其在东亚、南亚、非洲、南美和北美等全球季风区(图10c),在这些降水丰富的季风区,额外的低降水对高温引起的径流减少有较强的放大效应。
(9)复合高温-水文干旱极端事件的归因
在本实施例中,基于实施例(3)构建的copula函数,分析不同时期复合干热事件重现期的变化。基于1902-1951年历史情景和1970-2019年现实情景,评估高温驱动、径流驱动和高温-低径流依赖性驱动三者对复合事件重现期变化的贡献,揭示全球复合高温-水文干旱事件时空动态演变过程的驱动机制;
步骤S109具体为,基于历史情景(1902-1951)和现实情景(1981-2019),进行三个实验分别定量评估高温驱动、低径流驱动和高温-低径流依赖性驱动三者对复合事件重现期变化的贡献;
不同时期复合干热事件重现期的变化计算方法如下:
其中,ΔT(%)表示复合事件在两个时期重现期变化的百分率,以联合重现期的相对变化揭示全球复合高温-水文干旱事件的驱动因子,ΔT(%)越大,表示当前驱动机制对复合高温-水文干旱事件的影响越大。Tstage1表示历史情景(1902-1951)下,高温和水文干旱单变量极端事件均为25年一遇时,复合高温-水文干旱事件的联合重现期;Tstage2表示现实情景(1970-2019)下,高温和水文干旱单变量极端事件均为25年一遇时,复合高温-水文干旱事件的联合重现期。此外,进行三个实验来定量估算每种驱动因子对联合重现期变化的贡献:
实验a(exp a):只考虑高温驱动对复合事件重现期变化的贡献,其计算方法如下:
实验b(exp b):只考虑径流驱动对复合事件重现期变化的贡献,其计算方法如下:
实验c(exp c):只考虑高温-径流依赖性驱动对复合事件重现期变化的贡献,其计算方法如下:
其中,u表示近地表气温的分布函数,v表示地表径流的分布函数,stage 1表示历史情景(1902-1951),stage 2表示现实情景(1970-2019)。
如图11所示,与第一个时期(1902-1951年)相比,第二个时期(1971-2019年)25年一遇的复合高温-水文干旱事件的联合重现期显著缩短,除北美中部和东亚外,全球79.8%的地区都出现了这种现象,这表明后一个时期同等严重程度的复合极端事件更加频繁(图11a-c)。高温-低径流依赖性导致全球51.6%以上地区的联合重现期减少,尤其是在南美、非洲和澳大利亚(图11d和g)。与高温-低径流依赖性驱动(51.6%)和低径流驱动(50.6%)相比,高温驱动在联合重现期期的减少中占据主导地位(89.2%)(图11f和i)。
基于1902-2019年多个全球网格数据集,采用EEMD方法和Copula函数,发现暖季(北半球5-9月和南半球11–次年3月)平均径流的纬向平均变化量以减少为主。这种差异可能是由于暖季平均气温纬向加速变暖导致的。复合高温-水文干旱事件的发生概率增加、影响范围扩大、空间同质性(即连通性)增大。高气温和低降水均可导致径流低于气候态平均值;然而,在高气温条件下,额外的低降水可在很大程度上放大径流的负异常。地表气温与径流之间存在较强的相关性,特别是在北半球中纬度地区,归因结果表明气温的升高在全球尺度上对复合高温-水文干旱极端事件的联合重现期变化起主导作用。我们的研究结果为全球范围内复合水文干热极端事件的长期变化提供了更深入的理解。
本发明的方法具有如下效果:
(1)以往的研究多关注器测时期即近60年区域尺度的干旱和高温事件的静态变化趋势。本研究聚焦过去近120年全球陆地复合高温-水文干旱事件时空动态演变过程。在研究范围和时间上具有特色。
(2)以往的研究多基于线性回归、Mann-Kendall等方法估计干和热的静态趋势值,本研究基于EEMD方法首次量化全球高温和水文干旱事件的时空动态演变过程和不同时刻瞬态变化速率,有助于精确认识高温-水文干旱事件的动态演化过程和纬向分布性质。
(3)基于Copula函数定量评估温度和径流对复合事件时空演变过程的影响,厘清温度驱动、径流驱动和两者依赖性驱动对复合干热事件重现期变化的贡献,揭示复合高温-水文干旱事件的驱动机制。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种百年尺度复合高温-水文干旱演变的检测与归因方法,其特征在于:包括以下步骤:
S101、数据采集:采集全球近地表气温、地表径流观测数据;
S102、全球暖季近地表气温、地表径流时空动态演变过程的分析:根据步骤S101中采集的数据,采用基于集成经验模态分解EEMD方法分析不同时间节点温度、径流的时空演变过程,估算相应时间节点的趋势瞬时变化速率,并厘清不同时间节点的纬向平均变化趋势;
S103、复合高温-水文干旱事件联合发生概率的估算:利用copula函数,估算复合高温-水文干旱事件联合发生概率,厘清联合发生概率百年间的变化特征;
S104、不同严重程度的复合高温-水文干旱事件发生次数的统计:根据步骤S103中得到的联合发生概率,利用copula函数估算每一次复合高温-水文干旱事件的联合重现期,统计在两个不同预设时间范围内T1年一遇、T2年一遇、T3年一遇的复合干-热事件次数,比较同一重现期的复合高温-水文干旱事件在前后两个时间范围内发生次数的差异;
S105、复合高温-水文干旱事件的空间连通性分析:将全球划分为多个不同的个气候分区,结合S104估算得到的复合高温-水文干旱事件的联合重现期,利用莫兰指数分析每个气候分区内T1年一遇的复合高温-水文干旱事件的集聚性,识别全球受复合高温-水文干旱极端事件影响最严重的区域;
S106、复合高温-水文干旱事件在不同分位数组合下出现概率的统计;分析高温和低径流之间的依赖性;
S107、表征高温与水文干旱之间相关性强弱的指数PMF分析:在步骤S103估算得到的联合发生概率的基础上,利用复合事件的发生概率与气温和地表径流相互独立情况下联合事件发生概率的比值来评估高温与水文干旱之间相关性强弱;
S108、高温和低降水对地表径流变化贡献的量化:基于高温和低降水情景下、仅高温情景下和仅低降水情景下地表径流距平值的差异,厘清高温、低降水和高温-低降水对复合高温-水文干旱事件的单独和联合影响;
S109、复合高温-水文干旱极端事件的归因:结合S103构建的copula函数,分析不同时期复合干热事件重现期的变化,完成复合高温-水文干旱极端事件的归因。
2.如权利要求1所述的一种百年尺度复合高温-水文干旱演变的检测与归因方法,其特征在于:步骤S101中,所述全球近地表气温和地表径流数据为高时空分辨率的格点数据,其时间分辨率为月尺度,空间分辨率为0.5°×0.5°。
3.如权利要求1所述的一种百年尺度复合高温-水文干旱演变的检测与归因方法,其特征在于:步骤S102中,基于集成经验模态分解EEMD方法,对近地表气温、地表径流时空动态演变过程的分析包括:不同时间节点温度、径流的时空演变过程及空间分布特征、相应时间节点的趋势瞬时变化速率、不同时间节点的纬向平均变化趋势;
步骤S102中:
对于某一格点,基于EEMD方法,其近地表气温或地表径流时间序列被分解为:
其中,Cj(t)为本征模态函数IMF,是自适应的幅频调制振荡分量;Rn(t)是分解产生的残差;
对于某一时间节点,自M年以来的累计变化趋势计算公式如下:
TrendEEMD(t)=Rn(t)-Rn(M)
相应时间节点的趋势瞬时变化速率计算公式如下:
其中,Rate(t)为求得的t年的趋势瞬时变化速率,TrendEEMD(t+1)和TrendEEMD(t-1)分别是自t+1和t-1年以来的累计变化趋势。
4.如权利要求1所述的一种百年尺度复合高温-水文干旱演变的检测与归因方法,其特征在于:步骤S103中,复合高温-水文干旱事件联合发生概率的变化特征为研究时期内相应的复合高温-水文干旱事件联合发生概率指数的时间序列及其Mann-Kendall检验下的变化趋势;步骤S103中,copula函数是两个或多个变量之间相关性的统计度量;复合高温-水文干旱事件的联合发生概率为:
P(X>x and Y<y)=G(y)-C[F(x),G(y)]
其中,X表示近地表气温,Y表示地表径流,G(y)表示Y的随机分布函数;C[F(x),G(y)]为copula函数,F(x)表示X的随机分布函数。
5.如权利要求1所述的一种百年尺度复合高温-水文干旱演变的检测与归因方法,其特征在于:步骤S104中,复合高温-水文干旱事件的重现期为
6.如权利要求1所述的一种百年尺度复合高温-水文干旱演变的检测与归因方法,其特征在于:步骤S105中,利用莫兰指数分析复合高温-水文干旱事件在一段时间内的空间自相关性;空间自相关值在-1和1之间;从正值到负值表示空间集聚性逐渐降低,零值表示缺乏空间自相关性。
7.如权利要求1所述的一种百年尺度复合高温-水文干旱演变的检测与归因方法,其特征在于:步骤S106中根据纬度将全球分为4个区域,在给定区域的每个网格中,计算百年间近地表气温和地表径流的第10、20、……、100百分位值,评估高温和水文干旱事件在不同百分位上的共现概率。
8.如权利要求1所述的一种百年尺度复合高温-水文干旱演变的检测与归因方法,其特征在于:步骤S107具体为,
单变量为T1年一遇情况下,复合高温-水文干旱事件的发生概率及PMF计算公式如下:
P(u>0.96and v<0.04)=0.04-C(0.96,0.04)
单变量为T2年一遇情况下,复合高温-水文干旱事件的发生概率及PMF计算公式如下:
P(u>0.98and v<0.02)=0.02-C(0.98,0.02)
单变量为T3年一遇情况下,复合高温-水文干旱事件的发生概率及PMF计算公式如下:
P(u>0.987and v<0.013)=0.013-C(0.987,0.013)
其中,u表示近地表气温的分布函数,v表示地表径流的分布函数;
当PMF=1时,表示极端高温事件与极端干旱事件相互独立;
当PMF>1时,PMF越大,表示变量间的相关性越强,高温和水文干旱事件之间具有强依赖性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310428018.0A CN116795897B (zh) | 2023-04-20 | 2023-04-20 | 一种百年尺度复合高温-水文干旱演变的检测与归因方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310428018.0A CN116795897B (zh) | 2023-04-20 | 2023-04-20 | 一种百年尺度复合高温-水文干旱演变的检测与归因方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116795897A true CN116795897A (zh) | 2023-09-22 |
CN116795897B CN116795897B (zh) | 2024-05-14 |
Family
ID=88045906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310428018.0A Active CN116795897B (zh) | 2023-04-20 | 2023-04-20 | 一种百年尺度复合高温-水文干旱演变的检测与归因方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116795897B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965253A (zh) * | 2022-06-30 | 2023-04-14 | 西南交通大学 | 不同时段旱情变化的归因方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140343855A1 (en) * | 2013-05-15 | 2014-11-20 | The Regents Of The University Of California | Drought Monitoring and Prediction Tools |
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 |
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 |
CN112765808A (zh) * | 2021-01-15 | 2021-05-07 | 黄河勘测规划设计研究院有限公司 | 一种生态干旱的监测与评估方法 |
CN113887972A (zh) * | 2021-10-09 | 2022-01-04 | 水利部牧区水利科学研究所 | 一种基于水文过程的综合旱情监测与评估方法 |
CN114638526A (zh) * | 2022-03-29 | 2022-06-17 | 中国科学院新疆生态与地理研究所 | 一种定量评估干旱-热浪复合事件的方法 |
CN114676385A (zh) * | 2022-02-28 | 2022-06-28 | 河海大学 | 一种基于Copula的复合干热事件逐日识别和强度计算方法 |
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 |
-
2023
- 2023-04-20 CN CN202310428018.0A patent/CN116795897B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140343855A1 (en) * | 2013-05-15 | 2014-11-20 | The Regents Of The University Of California | Drought Monitoring and Prediction Tools |
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 |
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 |
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 |
CN112765808A (zh) * | 2021-01-15 | 2021-05-07 | 黄河勘测规划设计研究院有限公司 | 一种生态干旱的监测与评估方法 |
CN113887972A (zh) * | 2021-10-09 | 2022-01-04 | 水利部牧区水利科学研究所 | 一种基于水文过程的综合旱情监测与评估方法 |
CN114676385A (zh) * | 2022-02-28 | 2022-06-28 | 河海大学 | 一种基于Copula的复合干热事件逐日识别和强度计算方法 |
CN114638526A (zh) * | 2022-03-29 | 2022-06-17 | 中国科学院新疆生态与地理研究所 | 一种定量评估干旱-热浪复合事件的方法 |
Non-Patent Citations (3)
Title |
---|
GUO, ENLIANG等: "Assessing spatiotemporal variation of drought and its impact on maize yield in Northeast China", JOURNAL OF HYDROLOGY, 31 October 2017 (2017-10-31), pages 231 - 247 * |
孙鹏;肖名忠;张强;顾西辉;王月;刘剑宇;: "水文气象极值事件研究进展", 武汉大学学报(理学版), no. 01, 6 January 2018 (2018-01-06) * |
廖国清等: "中国近60年干旱热浪演变趋势及并发特征分析", 长江科学院院报, vol. 40, no. 2, 28 February 2023 (2023-02-28), pages 169 - 176 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965253A (zh) * | 2022-06-30 | 2023-04-14 | 西南交通大学 | 不同时段旱情变化的归因方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116795897B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zin et al. | Analysis of drought condition and risk in Peninsular Malaysia using Standardised Precipitation Index | |
Guenang et al. | Computation of the standardized precipitation index (SPI) and its use to assess drought occurrences in Cameroon over recent decades | |
He et al. | Characterizing parameter sensitivity and uncertainty for a snow model across hydroclimatic regimes | |
Tabari et al. | A perturbation approach for assessing trends in precipitation extremes across Iran | |
CN111242404B (zh) | 一种强降雨诱发洪灾事件的极端性评估方法及系统 | |
Tramblay et al. | Modelling extreme dry spells in the Mediterranean region in connection with atmospheric circulation | |
Hallack-Alegria et al. | Annual and warm season drought intensity–duration–frequency analysis for Sonora, Mexico | |
CN116795897B (zh) | 一种百年尺度复合高温-水文干旱演变的检测与归因方法 | |
Gonzalez et al. | Adjustment to the curve number (NRCS-CN) to account for the vegetation effect on hydrological processes | |
Duncan et al. | Analysing temporal trends in the Indian Summer Monsoon and its variability at a fine spatial resolution | |
Spassiani et al. | Application of Self-organizing Maps to classify the meteorological origin of wind gusts in Australia | |
Kim et al. | Intensification characteristics of hydroclimatic extremes in the Asian monsoon region under 1.5 and 2.0° C of global warming | |
Wang et al. | Bivariate copula function-based spatial–temporal characteristics analysis of drought in Anhui Province, China | |
Islam et al. | Performance evaluation of FAO Penman-Monteith and best alternative models for estimating reference evapotranspiration in Bangladesh | |
Massonnet et al. | Assessment of February 2018 sea-ice forecasts for the Southern Ocean | |
Kang et al. | Examining the Impact of Weather Factors on Yield Industry Vitalization on Big Data Foundation Technique | |
Bakanoğulları et al. | Assessment of meteorological and agricultural drought analysis in Kırklareli province | |
Shrestha et al. | Rainfall extremes under future climate change with implications for urban flood risk in Kathmandu, Nepal | |
Iyamuremye et al. | Extreme value modelling of rainfall using poisson-generalized pareto distribution: A case study tanzania | |
Kumar et al. | Evaluating the consistency of the TRMM over the rain gauge for drought monitoring in the semi-arid region of Karnataka, India, using statistical methods | |
Mirdashtvan et al. | Influence of non-stationarity and auto-correlation of climatic records on spatio-temporal trend and seasonality analysis in a region with prevailing arid and semi-arid climate, Iran | |
Khudri et al. | Characterisation of spatio-temporal trend in temperature extremes for environmental decision making in Bangladesh | |
Rana et al. | Performance evaluation of regional climate models (RCMs) in determining precipitation characteristics for Gothenburg, Sweden | |
Norrulashikin et al. | Best fitted distribution for meteorological data In kuala krai | |
CN111160608A (zh) | 极端降水天气指数的应用方法、应用系统、电子设备及存储介质 |
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 |