CN112785031A - 基于总水储量亏损指数原理提高干旱监测时空准确性方法 - Google Patents
基于总水储量亏损指数原理提高干旱监测时空准确性方法 Download PDFInfo
- Publication number
- CN112785031A CN112785031A CN202011381881.8A CN202011381881A CN112785031A CN 112785031 A CN112785031 A CN 112785031A CN 202011381881 A CN202011381881 A CN 202011381881A CN 112785031 A CN112785031 A CN 112785031A
- Authority
- CN
- China
- Prior art keywords
- drought
- total water
- month
- water storage
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 233
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 claims abstract description 97
- 230000006735 deficit Effects 0.000 claims description 58
- 230000007812 deficiency Effects 0.000 claims description 30
- 238000001556 precipitation Methods 0.000 claims description 25
- 238000011161 development Methods 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 16
- 238000010238 partial least squares regression Methods 0.000 claims description 15
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 abstract description 13
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000003673 groundwater Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 101000701853 Rattus norvegicus Serine protease inhibitor A3N Proteins 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000892 gravimetry Methods 0.000 description 1
- 239000005457 ice water Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于总水储量亏损指数原理提高干旱监测时空准确性方法，能够实现干旱监测，提供早期预警信息，最大程度减轻旱灾对人类生产和自然环境造成的影响。传统的干旱监测方法需要通过插值获得干旱的空间分布结果，但是在地形复杂或观测站点稀少的地区，插值获取的干旱监测结果可能不准确。本发明提出利用地面实测数据的标准化干旱指数确定干旱强度，构建了新型总水储量亏损指数法。利用本发明所述的方法对中国西南地区2003～2016年的干旱进行评估，评估结果与政府报告的结果一致，进而验证了本发明方法的有效性。与传统的SPI、SPEI和SC‑PDSI相比，本发明不仅实现了由点到面的干旱监测，而且在干旱监测准确率上，分别比SPI、SPEI和SC‑PDSI提高了37.5％、29.2％和50％。
Description
技术领域
本发明属于卫星重力学、水文学等交叉技术领域，尤其涉及一种基于总水 储量亏损指数原理提高干旱监测时空准确性方法。
背景技术
干旱是世界上最严重的自然灾害之一，会给农业生产、社会经济以及生态 环境带来严重损害。政府间气候变化专门委员会(The Intergovernmental Panel on ClimateChange，IPCC)2018年报告称，人类活动导致全球气温自工业化以来 上升了约1℃，2030～2050年全球变暖可能达到1.5℃。由于全球气候变化，许 多地区的干旱事件预计将在21世纪加剧。因此，开展有效的干旱监测以减少干 旱的危害迫在眉睫。传统的干旱监测方法依靠气象站观测的气象水文数据，通 过插值来获取干旱的空间分布。然而，在地形复杂或站点稀少的地区，插值法 的干旱监测结果往往不准确。
随着遥感技术的发展，干旱监测可以摆脱对传统站点观测数据的依赖，能 够在更大的时空尺度上获得与干旱相关的关键变量。重力恢复和气候实验 (Gravity Recoveryand Climate Experiment，GRACE)重力卫星任务于2002年 3月发射，由美国国家航空航天局(NASA)和德国航空航天中心合作开发。 GRACE可以通过监测地球重力场的变化获取陆地水储量变化信息，这带来了 新的水文信息来源。GRACE导出的陆地水储量纵向可分为五个部分：地表水、 地下水、土壤水、冰雪水以及生物水，覆盖了所有陆地水储量类型。干旱的重要特征就是土地缺水，因此干旱和陆地水储量之间具有密切联系。GRACE的 发展实现了大尺度区域储水信息的动态监测，使干旱监测摆脱了传统的站位测 量。因此，GRACE在干旱监测方面具有巨大的潜力，并且已经在区域干旱调 查中得到了应用。Yi和Wen提出了基于GRACE的水文干旱指数，用于监测 2003～2012年美国大陆的干旱情况。Thomas等建立了用于监测加州中央谷干旱 的GRACE地下水干旱指数，并评估了由于复杂的人类活动和自然变化引起的 地下水枯竭特征。Yu等利用GRACE蓄水亏缺指数对蒙古国的旱情进行了评估， 证明了GRACE在评估缺乏水文观测资料地区的干旱严重程度方面的有效性。
随着全球气候变化，近几十年来中国西南地区干旱事件的发生频率不断增 加。极端干旱往往导致大面积农作物歉收和人畜缺水等情况，会对当地造成难 以承受的破坏。例如，中国西南部的四川省和重庆市在2006年夏天遭遇了自 1891年有记录以来的最严重干旱，导致1500多万人饮水困难。在2009年秋 ～2010年春，西南地区又遭遇了“百年一遇”的特大干旱，造成的经济损失相 当于2010年国内生产总值的2.13％。因此，研究我国西南地区的干旱问题具有 重要的现实意义和实用价值。
发明内容
本发明的技术解决问题：克服现有技术的不足，提供一种基于总水储量亏 损指数原理提高干旱监测时空准确性方法，以提高旱监测的准确率。
为了解决上述技术问题，本发明公开了一种基于总水储量亏损指数原理提 高干旱监测时空准确性方法，包括：
从GRACE数据中提取得到第i年第j月的陆地水储量异常值TSAi,j；
根据TSAi,j计算得到第j个月的总水储量异常长期平均值MTSAj、最大值 MaxTSAj和最小值MinTSAj；
根据TSAi,j、MTSAj、MaxTSAj和MinTSAj，计算得到第i年第j月的总水 储量亏损值TSDi,j；
根据TSDi,j，确定第j月的总水储量亏损值TSDj；
获取当前总水储量亏损权重p和历史总水储量亏损权重q；
根据TSDj、p和q，计算得到各月的总水储量亏损指数。
在上述基于总水储量亏损指数原理提高干旱监测时空准确性方法中，第i 年第j月的总水储量亏损值TSDi,j的解算公式如下：
在上述基于总水储量亏损指数原理提高干旱监测时空准确性方法中，各月 的总水储量亏损指数的解算公式如下：
TSDIj＝p×TSDIj-1+q×TSDj···(2)
其中，TSDIj-1表示第j-1月的总水储量亏损指数，TSDIj表示第j月的总水 储量亏损指数。
在上述基于总水储量亏损指数原理提高干旱监测时空准确性方法中，获取 当前总水储量亏损权重p和历史总水储量亏损权重q，包括：
根据干旱期间的累积总水储量，拟合得到干旱期累积总水储量亏损曲线；
获取干旱期累积总水储量亏损曲线的斜率m和截距b；
根据斜率m和截距b，通过下式计算得到当前总水储量亏损权重p和历史 总水储量亏损权重q：
其中，C表示干旱强度。
在上述基于总水储量亏损指数原理提高干旱监测时空准确性方法中，根据 干旱期间的累积总水储量，拟合得到干旱期累积总水储量亏损曲线，包括：
以月为计算周期，采用上述式(1)，计算得到各个月的总水储量亏损值；
根据计算得到的各个月的总水储量亏损值，得到前1个月的累积水储量亏 损值、前2个月的累积水储量亏损值、···、前τ个月的累积水储量亏损值；
根据得到的前1个月的累积水储量亏损值、前2个月的累积水储量亏损值、···、前τ个月的累积水储量亏损值，以时间月为横坐标，拟合得到累积水 储量亏损值与时间的线性曲线；
从拟合得到的累积水储量亏损值与时间的线性曲线中截取设定条件的曲线 作为干旱期累积总水储量亏损曲线。
在上述基于总水储量亏损指数原理提高干旱监测时空准确性方法中，从拟 合得到的累积水储量亏损值与时间的线性曲线中截取设定条件的曲线作为干旱 期累积总水储量亏损曲线，包括：
从各个月的总水储量亏损值中筛选得到月度总水储量亏损最小值；
从拟合得到的累积水储量亏损值与时间的线性曲线中筛选得到l个临界点； 其中，临界点为：累积水储量亏损值由正值变为负值的第一个负值点；
从l个临界点中筛选得到与月度总水储量亏损最小值最接近的临界点l0；
将临界点l0作为干旱期累积总水储量亏损曲线的起始点lstar；
确定干旱期累积总水储量亏损曲线的终点lend；其中，终点lend满足：终点 lend对应的累积水储量亏损值小于下一月对应的累积水储量亏损值；
根据确定的起始点lstar和终点lend，从拟合得到的累积水储量亏损值与时间 的线性曲线中截取设定条件的曲线作为干旱期累积总水储量亏损曲线。
在上述基于总水储量亏损指数原理提高干旱监测时空准确性方法中，通过 如下方式确定干旱强度C的取值：
根据研究区域内的气象站点的气象记录数据，计算得到标准化降水指数SPI 和标准化降水蒸散指数SPEI；
当-0.5＜SPI或-0.5＜SPEI时，表示无干旱，C＝0；
当-1＜SPI≤-0.5或-1＜SPEI≤-0.5时，表示轻度干旱，C＝-1；
当-1.5＜SPI≤-1或-1.5＜SPEI≤-1时，表示中度干旱，C＝-2；
当-2＜SPI≤-1.5或-2＜SPEI≤-1.5时，表示严重干旱，C＝-3；
当SPI≤-2或SPEI≤-2时，表示极端干旱，C＝-4。
在上述基于总水储量亏损指数原理提高干旱监测时空准确性方法中，还包 括：根据计算得到的各月的总水储量亏损指数，通过偏最小二乘回归模型，得 到各气候驱动因子对干旱发展的贡献度，以便研究人员根据各气候驱动因子对 干旱发展的贡献度进行干旱的预测预防。
在上述基于总水储量亏损指数原理提高干旱监测时空准确性方法中，根据 计算得到的各月的总水储量亏损指数，通过偏最小二乘回归模型，得到各气候 驱动因子对干旱发展的贡献度，包括：
将月总水储量亏损指数TSDIj作为因变量Y，将各气候驱动因子作为自变量 Xη，构建得到偏最小二乘回归模型：
Y＝a0+a1X1+a2X2+...+aηXη+...+anXn
其中，偏最小二乘回归模型为一线性回归方程，a0表示线性回归方程的截 距，a1、a2、K、aη、K、an表示线性回归方程拟合得到的回归系数，n＝1,2,3L；
根据拟合得到的a1、a2、K、aη、K、an，确定各气候驱动因子对干旱发展的 贡献度。
在上述基于总水储量亏损指数原理提高干旱监测时空准确性方法中，气候 驱动因子，包括：降水、气温、地面温度、湿度、气压、风速和蒸散。
本发明具有以下优点：
(1)传统的干旱监测方法需要通过插值获得干旱的空间分布结果，但是在 地形复杂或观测站点稀少的地区，插值获取的干旱监测结果可能不准确。本发 明公开了一种基于总水储量亏损指数原理提高干旱监测时空准确性方法，实现 了对干旱的监测，能够提供早期预警信息，最大程度减轻旱灾对人类生产和自 然环境造成的影响，时空准确性高、计算速度快。
(2)传统的总水储量亏损指数法中的参数C的评定复杂且具有不确定性， 本发明提出利用地面实测数据的标准化干旱指数确定参数C，构建了新型总水 储量亏损指数法。
(3)本发明利用基于GRACE的新型总水储量亏损指数法对中国西南地区 2003～2016年的干旱进行评估，结果表明研究期间西南地区经历了7次干旱事 件，其中最严重的干旱发生在2009～2010年，与政府报告的结果一致，进而验 证了基于新型总水储量亏损指数法开展干旱监测研究的有效性。
(4)与传统的标准化降水指数SPI、标准化降水蒸散指数SPEI和自标定 帕默尔干旱强度指数SC-PDSI相比，奔放女所述的方法不仅实现了由点到面的 干旱监测，而且在干旱监测准确率上，分别比SPI、SPEI和SC-PDSI提高了 37.5％、29.2％和50％。
附图说明
图1是本发明实施例中一种旱情监测与评估流程图；
图2是GRACE导出的陆地水储量异常时间序列；
图3(a)是2003～2016年西南地区总水储量亏损示意图；图3(b)是 2003～2016年西南地区累积总水储量亏损示意图；
图4是2009年9月～2010年4月西南地区不同干旱严重程度的气象站点所 占比例示意图；
图5是2003～2016年西南地区的新型总水储量亏损指数示意图；
图6是TSDI和SPI、SPEI以及SC-PDSI之间的对比示意图；
图7是干旱指数之间的相关系数示意图；
图8是TSDI与SC-PDSI空间分布对比示意图；
图9是偏最小二乘回归分析的变量重要性结果示意图；
图10是陆地水储量异常去除所有趋势和季节振幅后的残差的RMS示意 图；
图11是TSDI检测到的不同严重程度的干旱在西南地区中的面积百分比示 意图；
图12是湿度、降水和蒸散的年际变化趋势与TSDI的年际变化趋势示意图。
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，下面将结合附图对本发明 公开的实施方式作进一步详细描述。
在本实施例中，该基于总水储量亏损指数原理提高干旱监测时空准确性方 法，包括：
步骤1，从GRACE数据中提取得到第i年第j月的陆地水储量异常值TSAi,j。
步骤2，根据TSAi,j计算得到第j个月的总水储量异常长期平均值MTSAj、 最大值MaxTSAj和最小值MinTSAj。
步骤3，根据TSAi,j、MTSAj、MaxTSAj和MinTSAj，计算得到第i年第j 月的总水储量亏损值TSDi,j。
在本实施例中，当区域的干燥状态持续一定时期，就可能发生干旱事件， 而总水储量亏损指数就是用来描述区域长期的干燥和湿润状态；计算总水储量 亏损指数首先要利用陆地水储量异常值计算总水储量亏损值。其中，第i年第j 月的总水储量亏损值TSDi,j的计算公式如下：
步骤4，根据TSDi,j，确定第j月的总水储量亏损值TSDj。
步骤5，获取当前总水储量亏损权重p和历史总水储量亏损权重q。
在本实施例中，当前总水储量亏损权重p和历史总水储量亏损权重q可以 通过干旱期累积总水储量亏损曲线(图)确定：根据干旱期间的累积总水储量， 拟合得到干旱期累积总水储量亏损曲线；获取干旱期累积总水储量亏损曲线的 斜率m和截距b；根据斜率m和截距b，通过下式(3)计算得到当前总水储量 亏损权重p和历史总水储量亏损权重q。
其中，C表示干旱强度。
优选的，干旱期累积总水储量亏损曲线的获取方式可以如下：以月为计算 周期，根据上述公式(1)得到各个月的总水储量亏损值；根据计算得到的各个 月的总水储量亏损值，得到前1个月的累积水储量亏损值、前2个月的累积水 储量亏损值、···、前τ个月的累积水储量亏损值；根据得到的前1个月的累积 水储量亏损值、前2个月的累积水储量亏损值、···、前τ个月的累积水储量亏 损值，以时间月为横坐标，拟合得到累积水储量亏损值与时间的线性曲线；从 拟合得到的累积水储量亏损值与时间的线性曲线中截取设定条件的曲线作为干 旱期累积总水储量亏损曲线。
进一步的，干旱期累积总水储量亏损曲线的获取方式可以如下：从各个月 的总水储量亏损值中筛选得到月度总水储量亏损最小值；从拟合得到的累积水 储量亏损值与时间的线性曲线中筛选得到l个临界点；从l个临界点中筛选得到 与月度总水储量亏损最小值最接近的临界点l0；将临界点l0作为干旱期累积总 水储量亏损曲线的起始点lstar；确定干旱期累积总水储量亏损曲线的终点lend； 根据确定的起始点lstar和终点lend，从拟合得到的累积水储量亏损值与时间的线 性曲线中截取设定条件的曲线作为干旱期累积总水储量亏损曲线。其中，临界 点为：累积水储量亏损值由正值变为负值的第一个负值点；终点lend满足：终 点lend对应的累积水储量亏损值小于下一月对应的累积水储量亏损值。
更进一步的，可以通过如下方式确定干旱强度C的取值：根据研究区域内 的气象站点的气象记录数据，计算得到标准化降水指数SPI和标准化降水蒸散 指数SPEI；当-0.5＜SPI或-0.5＜SPEI时，表示无干旱，C＝0；当-1＜SPI≤-0.5 或-1＜SPEI≤-0.5时，表示轻度干旱，C＝-1；当-1.5＜SPI≤-1或-1.5＜SPEI≤-1 时，表示中度干旱，C＝-2；当-2＜SPI≤-1.5或-2＜SPEI≤-1.5时，表示严重干 旱，C＝-3；当SPI≤-2或SPEI≤-2时，表示极端干旱，C＝-4。其中，需要说明 的是，本发明改进了干旱强度C的确定方法，由研究区域内的气象站点的气象 记录资料计算得到的SPI与SPEI共同确定干旱强度C的取值。这使得本发明计算得到的总水储量亏损指数能够在全球范围得到应用，不再局限于研究资料 丰富的地区，对全球干旱监测具有深远意义。
步骤6，根据TSDj、p和q，计算得到各月的总水储量亏损指数。
在本实施例中，干旱是一个长期过程，当前月份的干旱不仅与当前总水储 量亏损值相关，也与以往干旱状况有联系。因此，可以根据以往干旱情况和当 前总水储量亏值损去计算总水储量亏损指数。其中，各月的总水储量亏损指数 的计算公式如下：
TSDIj＝p×TSDIj-1+q×TSDj···(2)
其中，TSDIj-1表示第j-1月的总水储量亏损指数，TSDIj表示第j月的总水 储量亏损指数。
步骤7，根据计算得到的各月的总水储量亏损指数，通过偏最小二乘回归 模型，得到各气候驱动因子对干旱发展的贡献度，以便研究人员根据各气候驱 动因子对干旱发展的贡献度进行干旱的预测预防。
在本实施例中，偏最小二乘回归模型得到的预测变量的重要性能够定量地 解释自变量对因变量的影响。一般认为，变量重要性大于0.8的自变量对解释 因变量有意义。在本发明中，偏最小二乘回归的自变量为气候驱动因子(包括 降水、气温、地面温度、湿度、气压、风速和蒸散等)，因变量为干旱指数，并 且利用变量重要性来确定哪个气候强迫因素对干旱的发展有最大贡献。具体的 可以将月总水储量亏损指数TSDIj作为因变量Y，将各气候驱动因子作为自变量 Xη，构建得到偏最小二乘回归模型：
Y＝a0+a1X1+a2X2+...+aηXη+...+anXn
偏最小二乘回归模型为一线性回归方程，a0表示线性回归方程的截距， a1、a2、K、aη、K、an表示线性回归方程拟合得到的回归系数，故可以根据拟合 得到的a1、a2、K、aη、K、an确定各气候驱动因子对干旱发展的贡献度。其中，， n＝1,2,3L。本发明通过采用偏最小二乘回归模型，通过对数据进行提取和筛选 成分的方式找出对因变量影响最大的自变量，解决了普通最小二乘回归模型中 自变量之间的相关性问题。
综上，不同于前人已有研究，本发明利用基于GRACE数据的新型总水储 量亏损指数法(Total Storage Deficit Index，TSDI)评估了2003～2016年西南地 区的干旱情况，并揭示了GRACE识别的干旱与气候驱动因子之间关系。新型 总水储量亏损指数法中的重要参数C的作用是作为干旱评估的基准值，即事先 指定某次干旱的等级，以此作为参考评估其他干旱事件。传统的总水储量亏损 指数方法依赖前人研究结果确定参数C，使该方法难以在缺乏干旱研究资料的 地区得到应用。本发明提出利用基于地面实测数据的标准化干旱指数来确定参 数C，拓展了总水储量亏损指数的应用范围，对全球干旱监测与评估工作具有 重要意义。
在上述实施例的基础上，下面对本发明所述的基于总水储量亏损指数原理 提高干旱监测时空准确性方法(即新型总水储量亏损指数法TSDI)与现有的其 他方法进行了比较。
如图1所示，本发明提出的新型总水储量亏损指数法TSDI如下：首先， 基于GRACE数据计算得到的新型总水储量亏损指数评估了西南地区干旱。其 次，验证了新型水储量亏损指数和标准化干旱指数，将TSDI与由气象数据计 算得到标准化降水指数SPI(Standardize Precipitation Index，SPI)、标准化降水 蒸散指数SPEI(StandardizePrecipitation Evapotranspiration Index，SPEI)，以及 来自东安格利亚大学气候研究中心(Climatic Research Unit，CRU)的自标定帕 默尔干旱强度指数(Self-CalibratingPalmer Drought Severity Index，SC-PDSI) 全球数据集进行了对比。最后，通过偏最小二乘回归模型建立新型总水储量亏 损指数与气象数据之间的联系，分析导致西南地区干旱的主要原因。
其中：
SPI是Mckee等提出的基于长期降水记录表征某时段降水量概率高低的气 象干旱指数。因为计算简单且结果可靠，该指数是目前应用最广泛的干旱指数 之一。本发明采用研究区内138个气象站和51年的月降水量数据分别计算3 个月、6个月和12个月三种时间尺度的SPI。计算SPI需要首先将长期降水记 录拟合到Gamma概率密度函数，然后转换为累积概率函数，最后用标准化降 水累积频率分布来划分干旱等级。
其中，P表示超过阈值的降水累积概率，c0、c1、c2、d1、d2和d3表示固定 系数，取值分别为2.515517、0.802853、0.010328、1.432788、0.189269和0.001308。
SPEI是Vicente-Serrano提出的综合考虑降水和温度影响得到的标准化干旱 指数。SPEI的计算方法与SPI相同，只是累积分布函数拟合于降水减去潜在蒸 散的值。本发明中以研究区内气象站点的月降水和气温数据作为输入量计算 SPEI。SPI和SPEI都计算了3个月、6个月和12个月三种时间尺度。
帕默尔干旱强度指数PDSI从水平衡方程出发，综合考虑了降水、温度、 土壤水分和其他水文参数的影响，可以量化特定时间和区域的长时间干旱特征。 但PDSI受限于固定的气候权重因子和持续时间因子，使得该指数在不同气候 区域不具有空间可比性。SC-PDSI是Wells等在PDSI基础上改进的，用各自区 域的气候资料动态计算值取代了传统常量，有利于不同区域的干旱评估。本发 明中采用CRU(https://crudata.uea.ac.uk/cru/data/drought/)的SC-PDSI全球数据 集，空间分辨率为0.5°，时间跨度为2003～2016年。
对本发明提出的新型总水储量亏损指数法TSDI进行验证。
研究区概况
本发明选取中国西南地区作为新型总水储量亏损指数的验证与应用区域。 中国西南地区位于97°～112°E和21°～35°N之间，面积约为1360000km2。 该地区由重庆市和四川、云南、贵州、广西四省组成。研究区内共有138个气 象站，且东部的站点密度明显高于西部。该地区以草原、林地为主，农用地主 要集中在四川盆地。西南地区位于亚热带季风气候区，年平均气温、降水分别 为～16℃和～1100mm。西南地区水资源丰富，境内有长江、珠江、澜沧江等大 河经过，但降水的时空分布极不均匀，85％的降水集中在每年的4～10月(雨季)， 且从东南到西北呈减少趋势。受气候变化影响，近年来西南地区经常遭受干旱， 造成大面积的粮食减产和人口缺水。
GRACE数据
GRACE数据为理解陆地水循环、冰盖和冰川质量平衡、海平面变化和海 底压力变化以及它们与全球气候变化的联系提供了基础。点质量法解决方案是 近年发展的处理GRACE数据以描述地球重力场的方法。与传统球谐解决方案 相比，点质量法解决方案减少了海洋与陆地之间的信号泄露误差，且无需进行 额外的去相关滤波以去除南北向条带误差。CSRRL06点质量法产品 (http://www2.csr.utexas.edu/grace/RL06_mascons.html)是美国德克萨斯大学奥 斯丁分校空间研究中心(University of Texas at Austin，Centerfor Space Research， UTCSR)最新推出的GRACE产品，空间分辨率为0.25°的每月CSR点质量法 解决方案覆盖了2003年1月～2016年12月，其中有17个月的数据缺失(2003 年6月、2011年1月、2011年6月、2012年5月、2012年10月、2013年3 月、2013年8月、2013年9月、2014年2月、2014年7月、2014年12月、 2015年6月、2015年10月、2015年11月、2016年4月、2016年9月、2016 年10月)。GRACE数据中的缺失值通过线性插值近似估计。
气象数据
地面气象站的气象数据被用于计算SPI和SPEI，以及探讨TSDI与气候驱 动因子之间的联系。每日气象数据来自中国气象局国家气象信息中心 (http://data.cma.cn)，包括降水、气温、地面温度、湿度、气压和风速。每日 降水数据累积得到每月降水记录，其他的每日数据取平均值得到每月记录。为 保证气象数据时间长度尽可能完整，剔除1966年后建的气象站。研究区内共有 138个气象站，时间跨度为1966～2016年，且空间分布均匀。
除了地面气象站的气象数据外，遥感技术获取的蒸散数据也被用来评估对 干旱的驱动效果。蒸散数据来自中分辨率成像光谱仪(Moderate Resolution ImagingSpectroradiometer，MODIS)(https://modis.gsfc.nasa.gov/)的产品 MOD16A3。该数据时间分辨率已经从8天合成为月尺度以和其他数据兼容。
新型总水储量亏损指数监测的干旱事件
陆地水储量的不足往往表明有干旱事件发生。图2显示2003～2016年西南 地区陆地水储量异常的时间序列变化和整体趋势。研究期间西南地区陆地水储 量异常呈现明显季节变化，在每年3～5月降至谷底，8～10月升到峰值。根据图 3中的陆地水储量异常趋势线，在2003～2016年期间，陆地水储量异常总体呈 上升趋势，增长速率为4.67mm/yr。但是，在2009～2010年期间，西南地区出 现了反常的陆地水储量异常过低，在2010年3月水储量异常达到研究期间的最 低值-100.18mm，说明在2009～2010年期间可能会有严重干旱事件发生。
图3(a)表明研究区在2009年9月～2010年4月期间的总水储量亏损持续 为负值，最小值达到-29.83％，这表明研究区处于干燥状态。假设2009年9月 时是干旱事件的开始，可以通过总水储量亏损计算从2009年9月～2010年4月 的累积总水储量亏损，如图3(b)中的点线所示。在此期间，累积总水储量亏 损逐渐减小，在2010年4月达到最小值，随后缓慢上升。利用2009年9月～2010 年4月的累积总水储量亏损进行线性拟合得到最佳拟合线，获取公式(3)需要 的参数。图3(b)中的实线即为最佳拟合线，斜率和截距分别为m＝-22.90和b＝2.93。
参数C由SPI和SPEI共同确定。利用研究区内51年的气象记录计算6个 月时间尺度(SPI-6和SPEI-6)的SPI值和SPEI值。2009年9月～2010年4月 的SPI和SPEI数据被用来估计参数C。如图4所示，在此期间，SPI-6的结果 显示有92.75％的站点遭受了干旱，而考虑了温度影响的SPEI-6显示有97.83％ 的站点遭受了干旱。两种干旱指数都显示近一半的站点遭受了极端干旱(D4)。 SPI-6的结果表明有20.29％的站点遭受了严重干旱(D3)，而SPEI-6的结果更 是显示有28.26％的站点被严重干旱(D3)袭击。因此，综合考虑西南地区两种 干旱指数在2009年9月～2010年4月的结果，将此期间的参数C定义为严重干 旱，C值为-3。2009年9月～2010年4月期间累积总水储量亏损的最佳拟合线 被定义为严重干旱的上限。将图3(b)中的水平零线定义为正常，则从正常到 严重干旱的间隔中***等间隔的两条虚线，分别代表轻度干旱和中度干旱的上 限，即图3(b)中标记为“-1”的虚线和“-2”的虚线。在最佳拟合线的下方 以相等间隔加入第四条线，代表极端干旱的上限，即图3(b)中标记为“-4的虚线。
根据参数m、b和C的值，可以计算出参数p为-0.15，q为0.15。通过将 p和q的值代入公式(2)，得到研究区域的TSDI：
TSDIj＝-0.15×TSDIj-1+0.15×TSDj···(8)
其中，初始TSDI1是由TSD1乘以2％获得。
如图5所示，2003～2016年西南地区的TSDI在-4.56～5.41波动。当TSDI 的值连续三个月及以上小于-1时，将这段时间定义为干旱事件。在2003～2016 年共识别到7次干旱事件。通过计算各个干旱事件的累积TSDI的最佳拟合线， 可以得到各个干旱事件的干旱程度。西南地区干旱主要以轻微干旱和中度干旱 为主，且集中于每年冬春季节。
新型总水储量亏损指数与其他标准干旱指数的对比
新型总水储量亏损指数法监测的最严重干旱发生在2009.09～2010.04期间， 西南地区TSDI月平均值分别为-2.68、-2.80、-4.00、-2.65、-2.64、-3.65、-3.95 和-1.99。最严重的干旱事件发生在2009年11月，TSDI平均值为-4.00，达到 极端干旱程度(D4)。2010年2月和2010年3月发生了严重干旱事件(D3)， TSDI平均值分别为-3.65和-3.95。2010年4月干旱缓解为轻度干旱，TSDI平 均值为-1.99。
计算完TSDI时间序列后，本发明对TDSI结果与SPI、SPEI、SC-PDSI进 行了比较。如图6所示，TSDI与SPI、SPEI和SC-PDSI一致，具有相似的波 峰和波谷。其中，SPI-6和SPEI-6与TSDI一致性最好，SPI-3和SPEI-3与TSDI 存在较大差异，而SPI-12和SPEI-12与TSDI相比过于平滑(图6(a)和6(b))。 2010年后，SC-PDSI与TSDI有所不同，但总体趋势一致(图6(c))。所有干 旱指数在2006年、2009～2010年和2011年都存在三个较大的低谷。
据图7可知，TSDI与其他干旱指数之间存在显著相关性(95％置信区间)。 TSDI与SPI-6的相关性最高，与SPEI-3的相关性最低。SPI和SPI在同一时间 尺度上有较高的相关性，在12个月的时间尺度上，SC-PDSI与SPI和SPEI相 关性最强。总体而言，三个标准化干旱指标与TSDI之间存在显著的相关关系， 这说明TSDI可以有效监测西南地区的干旱。同时，以中国水旱灾害公报提取 的干旱信息作为标准，对比了这几种指数的干旱监测准确率。在干旱监测准确 率上，TSDI分别比SPI、SPEI和SC-PDSI提高了37.5％、29.2％和50％。尤其是在短期干旱上，TSDI的干旱监测结果更为准确。
为了反映发生在2009.09～2010.04期间的干旱事件的起始和终止，本发明绘 制了TSDI得到的干旱空间分布(图8(a))。在干旱期间，云南遭受了严重和 极端的干旱，而重庆受干旱的影响较小。2009年11月干旱最严重时，四川、 重庆、贵州、广西和云南的TSDI平均值分别为-3.22、-1.22、-2.85、-4.34和-5.98。
如图8所示，TSDI与SC-PDSI进行时间上的对比后，空间分布也进行了 比较。对于2009～2010年的持续干旱，TSDI较好显示了干旱从云南省发展到贵 州省、广西省两地的过程，这与中国水旱灾害公报记录相符，而SC-PDSI则低 估了干旱初期云南省和贵州省的旱情，高估了干旱末期广西省的旱情。在这干 旱事件中，相比SC-PDSI，TSDI都展示出了更直观的干旱范围和严重程度的变 化。
偏最小二乘回归模型结果
利用偏最小二乘回归模拟西南地区的TSDI，进而评估各气候驱动因子对于 干旱进展的贡献。降水体现了区域的水分输入状况，气温、地面温度以及风速 通过蒸散影响水分损失，而湿度体现了区域的空气干燥程度。如图9所示，通 过偏最小二乘回归分析的变量重要性结果，可以定量评估各个气候驱动因子对 干旱发展的影响大小。当一个变量的变量重要性值大于0.8时，认为它对解释 因变量具有意义。图9显示变量重要性的值大于0.8的变量有湿度(1.57)、降 水(1.44)和蒸散(0.96)。表明西南地区2003～2016年期间影响干旱的主导因 素是湿度较低、降水不足且蒸散过大。
讨论
基于GRACE的陆地水储量异常的不确定性
在以往研究中点质量法产品已经在一些地区的干旱监测中得到了应用，如 Sun等基于CSR RL05点质量法产品对2003～2015年中国长江流域的干旱严重 状态进行了评估。西南地区的CSR RL05点质量法和CSR RL06点质量法产品 对比结果显示两者之间具有较高相关性(相关系数0.98)。因此，CSR RL06点 质量法产品能够用于干旱表征。此外，CSR RL06点质量法产品在西南地区的 不确定性也被评估。
本发明采用STL分解得到的残差分量的均方根(Root Mean Square，RMS) 评估西南地区CSR RL06点质量法产品的不确定性。图10显示了西南地区陆地 水储量异常时间序列残差的RMS的空间分布，表明西南地区的北部区域的不 确定性比南部区域低。这和Scanlon等基于CSR RL05点质量法产品评估全球 范围的RMS结果基本一致。
干旱严重性评估
受全球气候变化影响，中国西南地区过去几十年遭受了更频繁的极端灾害。 在21世纪第一个10年，中国西南地区遭受了多次严重干旱。Zhang和Zhou在 对干旱回顾分析中也确认西南地区在2006年和2009～2010年期间均发生了极端 干旱事件。这表明TSDI可有效估计极端干旱的严重程度。值得注意的是，由 于TSDI过分估计2006年干旱的时长，导致估计的2006年西南地区总体干旱 水平仅为中度干旱，总体干旱程度相比实际较低。这可能是由于GRACE数据 时间序列不足导致的偏差。
干旱事件的重要衡量因素是严重程度和覆盖范围。基于GRACE的TSDI 监测到2009～2010年西南地区极端干旱主要集中在云南省、贵州省和广西省西 北部。这和Zhao等基于GRACE数据给出这次极端干旱事件的空间分布基本一 致。TSDI清楚显示了这次干旱事件中最严重地区，并且检测到的空间分布与他 人研究以及政府报道基本一致。因此，TSDI能够有效探测干旱严重程度的空间 分布。
图11显示了每月遭受不同严重程度干旱影响的面积百分比，能够帮助更好 区分西南地区不同时期的干旱严重程度。2003～2011年西南地区遭受所有严重 程度的干旱面积平均为51％，而2012～2016年仅为25％。这表明西南地区在 2003～2011年遭受干旱的影响远远大于2012～2016年。受干旱影响最大时期是 2009～2010年西南地区的冬春连旱。2009年9月～2010年4月，西南地区平均 有33％的地区遭受了极端干旱(D4)，13％的地区遭受了严重干旱(D3)，14％ 的地区遭受了中度干旱(D2)，19％的地区遭受了轻微干旱(D1)，只有21％的 地区没有遭受干旱。
偏最小二乘回归模型结果分析
本发明利用偏最小二乘回归模型建立气候强迫因子与干旱之间的联系，并 且使用基于偏最小二乘回归模型的变量重要性分析了气候强迫因子对于干旱的 重要性。本发明使用变量重要性确定了对中国西南地区干旱具有实质性影响的 气候强迫因子，分别是湿度、降水和蒸散。其中，湿度和降水的变量重要性值 远大于蒸散，说明影响干旱的主要因素是较低的湿度和降水。此外，本发明利 用STL方法提取了TSDI与气候强迫因子的年际变化趋势，并反映了它们之间 的联系。据图12可知，湿度、降水和蒸散的年际变化趋势与TSDI的年际变化 趋势一致，说明干旱与这三种气候强迫因素在中国西南地区具有重要的关系。然而，气候强迫因子与干旱指数TSDI之间存在明显的时间滞后，这可能导致 在评价它们之间的关系时存在不确定性。
GRACE数据的优势和局限性
与传统的基于站点观测数据的干旱监测方法相比，GRACE卫星提供了关 于干旱的额外信息。GRACE卫星可以探测从地表到深层地下水储量变化，但 传统的水文和气象站较难捕捉到深层地下水的变化状态。因此，GRACE数据 能帮助更有效地刻画干旱形成的内在机制。
本发明以GRACE点质量法解作为输入参数来计算干旱指数，与球谐函数 解相比，点质量法解减少了额外的后处理，可以得到更精确的结果。然而， GRACE数据主要用于评估大流域(>200000km2)的蓄水变化信息，这限制了 其在小范围区域应用。此外，研究表明需要长时间序列(至少30年)的GRACE 数据才能准确判断区域水储量是否真的处于不足状态。2018年5月发射的 GRACE Follow-On重力卫星将能够继续提供全球陆地水储量变化数据。未来长 时间序列的GRACE数据将提高全球干旱监测的准确性，为研究干旱的成因和 发展提供充足的数据。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何 本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法 和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发 明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、 等同变化及修饰，均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技 术。
Claims (10)
1.一种基于总水储量亏损指数原理提高干旱监测时空准确性方法，其特征在于，包括：
从GRACE数据中提取得到第i年第j月的陆地水储量异常值TSAi,j；
根据TSAi,j计算得到第j个月的总水储量异常长期平均值MTSAj、最大值MaxTSAj和最小值MinTSAj；
根据TSAi,j、MTSAj、MaxTSAj和MinTSAj，计算得到第i年第j月的总水储量亏损值TSDi,j；
根据TSDi,j，确定第j月的总水储量亏损值TSDj；
获取当前总水储量亏损权重p和历史总水储量亏损权重q；
根据TSDj、p和q，计算得到各月的总水储量亏损指数。
2.根据权利要求1所述的基于总水储量亏损指数原理提高干旱监测时空准确性方法，其特征在于，第i年第j月的总水储量亏损值TSDi,j的解算公式如下：
3.根据权利要求2所述的基于总水储量亏损指数原理提高干旱监测时空准确性方法，其特征在于，各月的总水储量亏损指数的解算公式如下：
TSDIj＝p×TSDIj-1+q×TSDj···(2)
其中，TSDIj-1表示第j-1月的总水储量亏损指数，TSDIj表示第j月的总水储量亏损指数。
4.根据权利要求3所述的基于总水储量亏损指数原理提高干旱监测时空准确性方法，其特征在于，获取当前总水储量亏损权重p和历史总水储量亏损权重q，包括：
根据干旱期间的累积总水储量，拟合得到干旱期累积总水储量亏损曲线；
获取干旱期累积总水储量亏损曲线的斜率m和截距b；
根据斜率m和截距b，通过下式计算得到当前总水储量亏损权重p和历史总水储量亏损权重q：
其中，C表示干旱强度。
5.根据权利要求4所述的基于总水储量亏损指数原理提高干旱监测时空准确性方法，其特征在于，根据干旱期间的累积总水储量，拟合得到干旱期累积总水储量亏损曲线，包括：
以月为计算周期，采用上述式(1)，计算得到各个月的总水储量亏损值；
根据计算得到的各个月的总水储量亏损值，得到前1个月的累积水储量亏损值、前2个月的累积水储量亏损值、···、前τ个月的累积水储量亏损值；
根据得到的前1个月的累积水储量亏损值、前2个月的累积水储量亏损值、···、前τ个月的累积水储量亏损值，以时间月为横坐标，拟合得到累积水储量亏损值与时间的线性曲线；
从拟合得到的累积水储量亏损值与时间的线性曲线中截取设定条件的曲线作为干旱期累积总水储量亏损曲线。
6.根据权利要求5所述的基于总水储量亏损指数原理提高干旱监测时空准确性方法，其特征在于，从拟合得到的累积水储量亏损值与时间的线性曲线中截取设定条件的曲线作为干旱期累积总水储量亏损曲线，包括：
从各个月的总水储量亏损值中筛选得到月度总水储量亏损最小值；
从拟合得到的累积水储量亏损值与时间的线性曲线中筛选得到l个临界点；其中，临界点为：累积水储量亏损值由正值变为负值的第一个负值点；
从l个临界点中筛选得到与月度总水储量亏损最小值最接近的临界点l0；
将临界点l0作为干旱期累积总水储量亏损曲线的起始点lstar；
确定干旱期累积总水储量亏损曲线的终点lend；其中，终点lend满足：终点lend对应的累积水储量亏损值小于下一月对应的累积水储量亏损值；
根据确定的起始点lstar和终点lend，从拟合得到的累积水储量亏损值与时间的线性曲线中截取设定条件的曲线作为干旱期累积总水储量亏损曲线。
7.根据权利要求4所述的基于总水储量亏损指数原理提高干旱监测时空准确性方法，其特征在于，通过如下方式确定干旱强度C的取值：
根据研究区域内的气象站点的气象记录数据，计算得到标准化降水指数SPI和标准化降水蒸散指数SPEI；
当-0.5＜SPI或-0.5＜SPEI时，表示无干旱，C＝0；
当-1＜SPI≤-0.5或-1＜SPEI≤-0.5时，表示轻度干旱，C＝-1；
当-1.5＜SPI≤-1或-1.5＜SPEI≤-1时，表示中度干旱，C＝-2；
当-2＜SPI≤-1.5或-2＜SPEI≤-1.5时，表示严重干旱，C＝-3；
当SPI≤-2或SPEI≤-2时，表示极端干旱，C＝-4。
8.根据权利要求1所述的基于总水储量亏损指数原理提高干旱监测时空准确性方法，其特征在于，还包括：根据计算得到的各月的总水储量亏损指数，通过偏最小二乘回归模型，得到各气候驱动因子对干旱发展的贡献度，以便研究人员根据各气候驱动因子对干旱发展的贡献度进行干旱的预测预防。
9.根据权利要求8所述的基于总水储量亏损指数原理提高干旱监测时空准确性方法，其特征在于，根据计算得到的各月的总水储量亏损指数，通过偏最小二乘回归模型，得到各气候驱动因子对干旱发展的贡献度，包括：
将月总水储量亏损指数TSDIj作为因变量Y，将各气候驱动因子作为自变量Xη，构建得到偏最小二乘回归模型：
Y＝a0+a1X1+a2X2+...+aηXη+...+anXn
其中，偏最小二乘回归模型为一线性回归方程，a0表示线性回归方程的截距，a1、a2、K、aη、K、an表示线性回归方程拟合得到的回归系数，n＝1,2,3L；
根据拟合得到的a1、a2、K、aη、K、an，确定各气候驱动因子对干旱发展的贡献度。
10.根据权利要求9所述的基于总水储量亏损指数原理提高干旱监测时空准确性方法，其特征在于，气候驱动因子，包括：降水、气温、地面温度、湿度、气压、风速和蒸散。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011381881.8A CN112785031B (zh) | 2020-11-30 | 2020-11-30 | 基于总水储量亏损指数原理提高干旱监测时空准确性方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011381881.8A CN112785031B (zh) | 2020-11-30 | 2020-11-30 | 基于总水储量亏损指数原理提高干旱监测时空准确性方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112785031A true CN112785031A (zh) | 2021-05-11 |
| CN112785031B CN112785031B (zh) | 2024-05-17 |
Family
ID=75750548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011381881.8A Active CN112785031B (zh) | 2020-11-30 | 2020-11-30 | 基于总水储量亏损指数原理提高干旱监测时空准确性方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112785031B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487069A (zh) * | 2021-06-22 | 2021-10-08 | 浙江大学 | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 |
| CN114626475A (zh) * | 2022-03-21 | 2022-06-14 | 中山大学 | 严重旱涝事件的时空变化分析方法、装置和设备 |
| CN116523302A (zh) * | 2023-04-14 | 2023-08-01 | 中国地质大学（武汉） | 一种海洋-内陆干旱事件识别与传播机理分析方法及*** |
| CN117421629A (zh) * | 2023-10-12 | 2024-01-19 | 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 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523175A (zh) * | 2018-11-21 | 2019-03-26 | 兰州大学 | 一种考虑积融雪过程的多时间尺度旱情评估方法 |
| CN111241473A (zh) * | 2019-12-27 | 2020-06-05 | 中国空间技术研究院 | 一种提高区域地下水储量估计精度的方法 |
-
2020
- 2020-11-30 CN CN202011381881.8A patent/CN112785031B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523175A (zh) * | 2018-11-21 | 2019-03-26 | 兰州大学 | 一种考虑积融雪过程的多时间尺度旱情评估方法 |
| CN111241473A (zh) * | 2019-12-27 | 2020-06-05 | 中国空间技术研究院 | 一种提高区域地下水储量估计精度的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王作亮;文军;李振朝;韩博;刘蓉;王欣;: "典型干旱指数在黄河源区的适宜性评估", 农业工程学报, no. 21 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487069A (zh) * | 2021-06-22 | 2021-10-08 | 浙江大学 | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 |
| CN114626475A (zh) * | 2022-03-21 | 2022-06-14 | 中山大学 | 严重旱涝事件的时空变化分析方法、装置和设备 |
| CN114626475B (zh) * | 2022-03-21 | 2022-11-11 | 中山大学 | 严重旱涝事件的时空变化分析方法、装置和设备 |
| CN116523302A (zh) * | 2023-04-14 | 2023-08-01 | 中国地质大学（武汉） | 一种海洋-内陆干旱事件识别与传播机理分析方法及*** |
| CN116523302B (zh) * | 2023-04-14 | 2024-06-04 | 中国地质大学（武汉） | 一种海洋-内陆干旱事件识别与传播机理分析方法及*** |
| CN117421629A (zh) * | 2023-10-12 | 2024-01-19 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112785031B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Investigation about the correlation and propagation among meteorological, agricultural and groundwater droughts over humid and arid/semi-arid basins in China | |
| CN112785031A (zh) | 基于总水储量亏损指数原理提高干旱监测时空准确性方法 | |
| Shao et al. | Drought characteristics over China during 1980–2015 | |
| Cook et al. | Megadroughts in North America: Placing IPCC projections of hydroclimatic change in a long‐term palaeoclimate context | |
| Kumar et al. | On the observed variability of monsoon droughts over India | |
| Sinha et al. | Utilizing combined deviations of precipitation and GRACE-based terrestrial water storage as a metric for drought characterization: A case study over major Indian river basins | |
| Guhathakurta et al. | Impact of climate change on extreme rainfall events and flood risk in India | |
| Qin et al. | Comparative analysis of drought based on precipitation and soil moisture indices in Haihe basin of North China during the period of 1960–2010 | |
| Romilly et al. | Evaluation of satellite rainfall estimates over Ethiopian river basins | |
| Wang et al. | A non-stationary standardized streamflow index for hydrological drought using climate and human-induced indices as covariates | |
| Chakraborty et al. | Trend and variability analysis of rainfall series at Seonath River Basin, Chhattisgarh (India) | |
| Zhao et al. | Monotonic trend and abrupt changes for major climate variables in the headwater catchment of the Yellow River basin | |
| Yin et al. | Improved water storage estimates within the North China Plain by assimilating GRACE data into the CABLE model | |
| Li et al. | Evaluation of drought and wetness episodes in a cold region (Northeast China) since 1898 with different drought indices | |
| Singh et al. | Regional scale trend and variability of rainfall pattern over agro-climatic zones in the mid-Mahanadi river basin of eastern India | |
| CN114201922A (zh) | 基于InSAR技术的动态滑坡敏感性预测方法及*** | |
| CN111242404A (zh) | 一种强降雨诱发洪灾事件的极端性评估方法及*** | |
| Liu et al. | Long-term change in precipitation structure over the karst area of Southwest China. | |
| Chen et al. | Changes in vegetation and assessment of meteorological conditions in ecologically fragile karst areas | |
| Xu et al. | Drought analysis using multi-scale standardized precipitation index in the Han River Basin, China | |
| Huang et al. | Understanding the spatiotemporal development of human settlement in hurricane-prone areas on the US Atlantic and Gulf coasts using nighttime remote sensing | |
| Li | Research on the Characteristics and Effects of Climate Extremes on Multi-spatial-temporal Scales in the Mongolian Plateau | |
| Zhang et al. | Reconstruction of hydrological changes based on tree-ring data of the Haba River, northwestern China | |
| Liu et al. | Response of hydrological processes to land use change and climate variability in the upper Naoli River watershed, northeast China | |
| Karbassi et al. | Investigation of spatiotemporal variation of drought in Iran during the last five decades |
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 |