CN108009398B - 一种考虑逐日数据波动特征的gcm校正方法 - Google Patents
一种考虑逐日数据波动特征的gcm校正方法 Download PDFInfo
- Publication number
- CN108009398B CN108009398B CN201711317476.8A CN201711317476A CN108009398B CN 108009398 B CN108009398 B CN 108009398B CN 201711317476 A CN201711317476 A CN 201711317476A CN 108009398 B CN108009398 B CN 108009398B
- Authority
- CN
- China
- Prior art keywords
- day
- gcm
- data
- month
- history
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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
- Complex Calculations (AREA)
- Separation Using Semi-Permeable Membranes (AREA)
Abstract
本发明公开了一种考虑逐日数据波动特征的GCM校正方法,以月为计算单元,提取某一种气象因子的历史时期逐日实测数据和同历史时期GCM逐日数据以及待矫正的未来时期GCM逐日数据,计算历史实测数据和历史GCM数据多年月均值,构建均值矫正因子,从而对未来气象数据进行逐日均值矫正,并构建方差矫正因子,对均值矫正后的未来气象数据进行方差矫正,以矫正后的方差为约束条件,得到一个新的未来GCM气象序列。本发明考虑了未来GCM数据的分布特征和实测数据的分布特征一致性,对未来GCM数据进行偏差矫正,从而使得采用GCM数据的模型模拟的结果更趋于准确。
Description
技术领域
本发明涉及一种考虑逐日数据波动特征的GCM校正方法,属于气候分析统计技术领域。
背景技术
全球气候模式是评估气候变化对人类社会及自然***影响的重要数据基础。然而,大气环流模式(GCM)普遍分辨率较低,且存在着区域***性误差。因此,需根据气象站点实测数据对气候模式数据进行降尺度,以实现大气环流模式数据与气象站点数据的尺度匹配。然而,传统的降尺度或偏差校正方法仅从月均值的角度来进行气候模式数据的校正处理,没有对逐日数据的准确性进行分析判断。事实上,在很多研究领域,如农业生长耗水模拟、水文循环模拟领域,逐日数据的准确性将直接关系到研究结果的有效性,因此需对气候模式数据进行逐日校正。
偏差校正的基本思想是通过某种转换函数使得GCM历史时期的气象要素尽可能地接近于实测气象序列,然后将这种转换函数应用至未来气候模式数据,以获得更加可靠的未来气象序列。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种考虑逐日数据波动特征的 GCM校正方法,以月为计算单元,以多年月均值和多年月均方差为约束条件,重新构造气象序列,使得重新构造后的气象序列不仅在均值上得到校正,同时使得逐日数据在更加合理的范围内波动。
为解决上述技术问题,本发明提供一种考虑逐日数据波动特征的GCM校正方法,包括以下步骤:
1)提取某一种气象因子的历史时期逐日实测数据和同历史时期GCM逐日数据以及待矫正的未来时期GCM逐日数据;
2)计算所述气象因子历史逐日实测数据和历史GCM逐日数据各月均值,并计算二者多年月均值;
3)基于历史逐日实测数据多年月均值与历史GCM逐日数据多年月均值,构建均值校正因子;
4)待矫正的未来GCM逐日数据分别乘以所述均值校正因子得到均值校正后的气象序列;
5)基于所述步骤1)提取的气象因子的原始数据,分别计算该气象因子历史逐日实测数据和历史GCM逐日数据各月方差,并计算多年月方差均值;
6)构建方差校正因子;
7)构建逐日气象因子转换函数。
前述的步骤2)中,气象因子历史逐日实测数据多年月均值的计算式如下:
其中,Mo,i为历史逐日实测数据的第i月多年均值,i=1,2,3…12;Xo,i,k,j历史时期第i月第k年第j天实测值,k=1,2,3…s,j=1,2,3…,n,n=28/29/30/31,具体n的值以该月的实际天数为准,s为年数;
所述历史GCM逐日数据多年月均值的计算式如下:
其中,Mm,i为历史GCM逐日数据的第i月多年均值,i=1,2,3…12;Xm,i,k,j历史时期第i 月第k年第j天GCM值,k=1,2,3…s;j=1,2,3…,n,n=28/29/30/31,具体n的值以该月的实际天数为准,s为年数。
前述的步骤3)中,均值校正因子为:
其中,θi为第i月均值校正因子。
前述的步骤5)中,气象因子历史逐日实测数据多年月方差均值的计算式为:
其中,σo,i为历史逐日实测数据的第i月的多年方差均值,σo,k,j为历史实测第k年第i 月方差;
所述历史GCM逐日数据的多年月方差均值计算式为:
其中,σm,i为历史GCM逐日数据的第i月的多年方差均值,σm,k,i为历史GCM第k年第i月方差。
前述的步骤6)中,方差校正因子为:
其中,βi为第i月方差校正因子。
前述的逐日气象因子转换函数:
Xd,i,j=Xi,j-(Xi,j-Mf,i)×(1-βi)
其中,Xi,j为均值校正后的第i月第j天的未来GCM逐日数据,j=1,2,3…,n,n=28/29/30/31,具体n的值以该月的实际天数为准,Mf,i是均值矫正后的未来GCM逐日数据气象序列的逐月均值,Xd,i,j为方差校正后的第i月第j天的未来GCM逐日数据。
有益效果:本发明基于历史实测数据和历史GCM数据,从气象因子分布特征出发,构建均值矫正因子和方差矫正因子矫正未来GCM数据,矫正后的未来的GCM数据序列的特征,包括均值和波动程度特征更接近于实测值,从而使得基于未来GCM数据的模型模拟的结果更加准确。
附图说明
图1为本发明的考虑逐日数据波动特征的GCM校正方法流程图;
图2为历史实测辐射及偏差矫正前GCM辐射图;
图3为校正后GCM辐射数据历史实测数据。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明的考虑逐日数据波动特征的GCM校正方法,包括以下步骤:
(1)以月为计算单元,提取某一种气象因子的历史时期逐日实测数据和同历史时期 GCM逐日数据以及待矫正的未来时期GCM逐日数据,待矫正的未来时期GCM逐日数据由某些科研机构提供。基于此数据,分别采用算术平均法计算该气象因子历史逐日实测数据和历史GCM逐日数据各月均值,并计算二者多年月均值,计算方法如下:
其中,Mo,i为历史逐日实测数据的第i月多年均值,i=1,2,3…12;Xo,i,k,j历史时期第i月第k年第j天实测值,k=1,2,3…s,j=1,2,3…,n,n=28/29/30/31,具体n的值以该月的实际天数为准;s为年数,一般取年限为30年以上,精确度高。
历史GCM逐日数据的多年月均值(Mm,i)计算方法与历史逐日实测数据的计算方法相同,可表示为:
其中,Mm,i为历史GCM逐日数据的第i月多年均值,i=1,2,3…12;Xm,i,k,j历史时期第i 月第k年第j天GCM值,k=1,2,3…s;j=1,2,3…,n,n=28/29/30/31,具体n的值以该月的实际天数为准。
(2)基于历史逐日实测数据多年月均值与历史GCM逐日数据多年月均值,构建均值校正因子:
其中,θi为第i月均值校正因子。
待矫正的未来GCM逐日数据分别乘以该均值校正因子得到均值校正后的气象序列。
(3)基于步骤(1)中提取的某一种气象因子的原始数据,分别计算该气象因子历史逐日实测数据和历史GCM逐日数据各月方差,并计算多年月方差均值:
其中,σo,i为历史逐日实测数据的第i月的多年方差均值,σo,k,i为历史实测第k年第i 月方差。
历史GCM逐日数据的多年月方差均值(σm,i)计算方法与历史逐日实测数据计算方法相同,计算式为:
其中,σm,i为历史GCM逐日数据的第i月的多年方差均值,σm,k,i为历史GCM第k年第i月方差。
(4)基于该气象因子实测数据的多年月方差均值与GCM逐日数据的多年月方差均值,构建方差校正因子:
其中,βi为第i月方差校正因子。
(5)计算经均值校正后的未来GCM逐日数据气象序列的逐月均值(Mf,i),构建逐日气象因子转换函数:
Xd,i,j=Xi,j-(Xi,j-Mf,i)×(1-βi)
其中,Xi,j为均值校正后的第i月第j天的未来GCM逐日数据,Mf,i是均值矫正后的未来GCM逐日数据气象序列的逐月均值,Xd,i,j为方差校正后的第i月第j天的未来GCM逐日数据。
以矫正后的方差为约束条件,得到一个新的未来GCM气候序列。
实施例
对BCC-CSM1.1(m)2030年昆山地区辐射数据进行偏差校正。具体步骤如下:
(1)提取昆山地区1961-2000年逐日实测和GCM辐射数据以及待进行偏差校正的2030 年逐日辐射数据。基于此数据,分别计算历史实测和GCM历史时期辐射数据各月均值,并采用算术平均方法计算实测辐射数据多年月均值,计算方法如下:
其中,Mo,i为历史观测值的第i月多年均值,i=1,2,3…12;Ro,i,k,j历史时期第i月第k年第j天实测辐射值,k=1,2,3…40,j=1,2,3…28/29/30/31。
GCM历史时期辐射数据多年月均值的计算式如下:
其中,Mm,i为历史逐日GCM数据的第i月多年均值,i=1,2,3…12;Xm,i,k,j历史时期第i 月第k年第j天GCM值,k=1,2,3…40,j=1,2,3…,n,n=28/29/30/31,具体n的值以该月的实际天数为准。该实施例历史基准期取40年。
(2)基于实测辐射数据多年月均值与GCM历史辐射数据多年月均值,构建均值校正因子:
θi为第i月均值校正因子,2030年逐日辐射数据分别乘以该校正因子得到均值校正后的辐射数据序列。
(3)基于步骤(1)中提取的原始数据,分别计算历史实测辐射数据和GCM历史辐射数据各月方差,并计算辐射数据的多年月方差均值:
其中,σo,i为历史实测辐射数据的第i月多年方差均值,σo,k,i历史实测第k年第i月方差。
历史GCM逐日数据的多年月方差均值(σm,i)计算方法与历史逐日实测数据计算方法相同,
其中,σm,i为历史GCM逐日数据的第i月的多年方差均值,σm,k,i为历史GCM第k年第i月方差。
(4)基于实测辐射数据多年月方差均值与GCM历史辐射数据多年月方差均值,构建方差校正因子:
(5)计算经均值校正后的未来辐射序列的逐月均值(Mf,i),构建逐日辐射数据转换函数:
Rd,i,j=Ri,j-(Ri,j-Mf,i)×(1-βi)
其中,Mf,i是均值矫正后的未来GCM逐日辐射数据的逐月均值,Ri,j为均值校正后的第 i月第j天的未来GCM逐日辐射数据,j=1,2,3…,n,n=28/29/30/31,具体n的值以该月的实际天数为准;Rd,i,j为方差校正后的逐日未来辐射数据。
图2将历史实测的辐射数据和同历史时期GCM的辐射数据进行对比,表明GCM数据波动幅度较大,与实测数据偏差较大。
图3将矫正后的未来GCM数据和和原始的未来GCM数据进行对比,表明矫正后的未来GCM数据波动幅度变小,更接近实际情况。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种考虑逐日数据波动特征的GCM校正方法,其特征在于,包括以下步骤:
1)提取某一种气象因子的历史时期逐日实测数据和同历史时期GCM逐日数据以及待矫正的未来时期GCM逐日数据;
2)计算所述气象因子历史逐日实测数据和历史GCM逐日数据各月均值,并计算二者多年月均值;
3)基于历史逐日实测数据多年月均值与历史GCM逐日数据多年月均值,构建均值校正因子;
4)待矫正的未来GCM逐日数据分别乘以所述均值校正因子得到均值校正后的气象序列;
5)基于所述步骤1)提取的气象因子的原始数据,分别计算该气象因子历史逐日实测数据和历史GCM逐日数据各月方差,并计算多年月方差均值;
6)构建方差校正因子;
7)构建逐日气象因子转换函数,为:
Xd,i,j=Xi,j-(Xi,j-Mf,i)×(1-βi)
其中,Xi,j为均值校正后的第i月第j天的未来GCM逐日数据,j=1,2,3…,n,n=28/29/30/31,具体n的值以该月的实际天数为准,Mf,i是均值矫正后的未来GCM逐日数据气象序列的逐月均值,Xd,i,j为方差校正后的第i月第j天的未来GCM逐日数据,βi为第i月的方差校正因子。
2.根据权利要求1所述的一种考虑逐日数据波动特征的GCM校正方法,其特征在于,所述步骤2)中,气象因子历史逐日实测数据多年月均值的计算式如下:
其中,Mo,i为历史逐日实测数据的第i月多年均值,i=1,2,3…12;Xo,i,k,j历史时期第i月第k年第j天实测值,k=1,2,3…s,j=1,2,3…,n,n=28/29/30/31,具体n的值以该月的实际天数为准,s为年数;
所述历史GCM逐日数据多年月均值的计算式如下:
其中,Mm,i为历史GCM逐日数据的第i月多年均值,i=1,2,3…12;Xm,i,k,j历史时期第i月第k年第j天GCM值,k=1,2,3…s;j=1,2,3…,n,n=28/29/30/31,具体n的值以该月的实际天数为准,s为年数。
3.根据权利要求2所述的一种考虑逐日数据波动特征的GCM校正方法,其特征在于,所述步骤3)中,均值校正因子为:
其中,θi为第i月均值校正因子。
4.根据权利要求1所述的一种考虑逐日数据波动特征的GCM校正方法,其特征在于,所述步骤5)中,气象因子历史逐日实测数据多年月方差均值的计算式为:
其中,σo,i为历史逐日实测数据的第i月的多年方差均值,σo,k,j为历史实测第k年第i月方差;
所述历史GCM逐日数据的多年月方差均值计算式为:
其中,σm,i为历史GCM逐日数据的第i月的多年方差均值,σm,k,i为历史GCM第k年第i月方差。
5.根据权利要求4所述的一种考虑逐日数据波动特征的GCM校正方法,其特征在于,所述步骤6)中,方差校正因子为:
其中,βi为第i月方差校正因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711317476.8A CN108009398B (zh) | 2017-12-12 | 2017-12-12 | 一种考虑逐日数据波动特征的gcm校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711317476.8A CN108009398B (zh) | 2017-12-12 | 2017-12-12 | 一种考虑逐日数据波动特征的gcm校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009398A CN108009398A (zh) | 2018-05-08 |
CN108009398B true CN108009398B (zh) | 2019-08-06 |
Family
ID=62057940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711317476.8A Active CN108009398B (zh) | 2017-12-12 | 2017-12-12 | 一种考虑逐日数据波动特征的gcm校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009398B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797129B (zh) * | 2020-06-01 | 2024-01-26 | 武汉大学 | 一种气候变化情景下水文旱情评估方法 |
CN112230306B (zh) * | 2020-10-12 | 2021-09-28 | 中国科学院南京地理与湖泊研究所 | 一种分析短期气温波动的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
CN107316095A (zh) * | 2016-09-23 | 2017-11-03 | 武汉大学 | 一种耦合多源数据的区域气象干旱等级预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722766B (zh) * | 2012-06-04 | 2015-05-27 | 南京农业大学 | 基于修订的区域气候模式数据的小麦产量预测方法 |
-
2017
- 2017-12-12 CN CN201711317476.8A patent/CN108009398B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316095A (zh) * | 2016-09-23 | 2017-11-03 | 武汉大学 | 一种耦合多源数据的区域气象干旱等级预测方法 |
CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
Non-Patent Citations (2)
Title |
---|
Bias correction of daily GCM rainfall for crop simulation studies;Amor V.M.Ines.et;《Agricultural and Forest Meteorology》;20060829;第138卷(第1-4期);第44-53页 |
基于不同率定期资料的月、季径流预报方法研究;罗蒋梅;《中国博士学位论文全文数据库 基础科学辑》;20121015(第10期);第A012-3页 |
Also Published As
Publication number | Publication date |
---|---|
CN108009398A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A review of current methodologies for regional evapotranspiration estimation from remotely sensed data | |
Cui et al. | Estimation of actual evapotranspiration and its components in an irrigated area by integrating the Shuttleworth-Wallace and surface temperature-vegetation index schemes using the particle swarm optimization algorithm | |
Lu et al. | Evaluation of collection-6 MODIS land surface temperature product using multi-year ground measurements in an arid area of Northwest China | |
Gao et al. | Estimation of daily actual evapotranspiration from remotely sensed data under complex terrain over the upper Chao river basin in North China | |
Wu et al. | Regional actual evapotranspiration estimation with land and meteorological variables derived from multi-source satellite data | |
CN103513290B (zh) | 基于遥感的区域陆地生态***呼吸监测方法 | |
Boulet et al. | An empirical expression to relate aerodynamic and surface temperatures for use within single-source energy balance models | |
Zhu et al. | Drought analysis in the yellow river basin based on a short-scalar palmer drought severity index | |
CN106483147B (zh) | 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法 | |
CN102175209A (zh) | 历史遥感产品数据支持下的作物种植面积测量高效抽样方法 | |
Bhattarai et al. | Validation of evaporation estimates from a modified surface energy balance algorithm for land (SEBAL) model in the south-eastern United States | |
Jassas et al. | Actual evapotranspiration in the Al-Khazir Gomal Basin (Northern Iraq) using the surface energy balance algorithm for land (SEBAL) and water balance | |
Mehdizadeh et al. | Calibration of Hargreaves–Samani and Priestley–Taylor equations in estimating reference evapotranspiration in the Northwest of Iran | |
CN108009398B (zh) | 一种考虑逐日数据波动特征的gcm校正方法 | |
Liu et al. | Assessment and correction of the PERSIANN-CDR product in the Yarlung Zangbo River Basin, China | |
King et al. | Actual evapotranspiration estimates for Australia: Intercomparison and evaluation | |
Li et al. | Coupled impact of decadal precipitation and evapotranspiration on peatland degradation in the Zoige basin, China | |
CN110501761A (zh) | 一种不同预见期区域作物ETc预测预报方法 | |
Liang et al. | Analysis and projection of flood hazards over China | |
Zhao et al. | Improved drought monitoring index using GNSS-derived precipitable water vapor over the loess plateau area | |
Feng et al. | Validity of five satellite-based latent heat flux algorithms for semi-arid ecosystems | |
CN109460789A (zh) | 一种基于贝叶斯最大熵的土壤水分融合方法 | |
Yang et al. | A one-source approach for estimating land surface heat fluxes using remotely sensed land surface temperature | |
Zhang et al. | Satellite-derived spatiotemporal variations in evapotranspiration over northeast China during 1982–2010 | |
Abeysiriwardana et al. | A comparative study of potential evapotranspiration estimation by three methods with FAO Penman–Monteith method across Sri Lanka |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20180508 Assignee: Nanjing mickle Information Technology Co.,Ltd. Assignor: HOHAI University Contract record no.: X2021980003231 Denomination of invention: A GCM correction method considering the fluctuation characteristics of daily data Granted publication date: 20190806 License type: Common License Record date: 20210430 |
|
EE01 | Entry into force of recordation of patent licensing contract |