CN113281754A - 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 - Google Patents
一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 Download PDFInfo
- Publication number
- CN113281754A CN113281754A CN202110841644.3A CN202110841644A CN113281754A CN 113281754 A CN113281754 A CN 113281754A CN 202110841644 A CN202110841644 A CN 202110841644A CN 113281754 A CN113281754 A CN 113281754A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- radar
- wrf
- station
- hydro
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 144
- 230000008569 process Effects 0.000 claims abstract description 51
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000010845 search algorithm Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims description 33
- 238000002310 reflectometry Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000011160 research Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000002592 echocardiography Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 230000000452 restraining effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000006424 Flood reaction Methods 0.000 description 3
- 101100533306 Mus musculus Setx gene Proteins 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000005211 surface analysis Methods 0.000 description 2
- 241000334161 Cercis chinensis Species 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- 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
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Physics & Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Hydrology & Water Resources (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种雨量站融合雷达定量估测降雨的WRF‑Hydro关键参数率定方法,包括设置WRF中的气象驱动数据与预热时间;雨量站融合多普勒天气雷达定量估测降雨获得修正降雨数据;降雨驱动数据的适用性判断;基于并行的动态多维搜索算法(P‑DDS)的WRF‑Hydro模式参数校准;验证校准参数后的WRF‑Hydro对洪水过程模拟效果。雷达与雨量站融合降雨的能够提高输入模式的时空准确性,能够更加稳定的刻画时空分布不均匀的降雨,以其作为率定WRF‑Hydro陆面水文模式的降雨驱动数据,并配合并行动态多维搜索算法(P‑DDS),能够改进WRF‑Hydro的参数校准过程,提高场次降雨洪水的模拟精度。
Description
技术领域
本发明涉及水文气象的技术领域,特别是一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法。
背景技术
WRF-Hydro是近几年国际上比较复杂的陆面水文模式代表,可通过WRF和WRF-Hydro的耦合提供水文过程时空要素的模拟/预报信息,但是陆面水文模式WRF-Hydro参数的率定却受制于输入数据以及率定方式的影响。通常的参数定采用WRF与WRF-Hydro耦合方式,输入的降雨并非实际的“真值”,会极大的影响模拟/预报效果。
雨量计作为一种直接观测降雨的传感器可以在相对精确的位置对降雨进行点雨量观测,但雨量站的维护检测成本相对较高,在北方地区,其站网密度往往不能满足流域空间建模的需求,较难捕捉到降雨在空间上的异质性。雷达站资料具有对流尺度分辨率高,观测准确度高等优点,单个雷达站覆盖半径200~300km,非常适合中小尺度气象观测。从1940年利用天气雷达观测雨量的空间特性开始,到近几十年间天气雷达数据的不断更新,在雨量估测精度方面不断提升,应用也越来越广泛。将多雷达观测数据转化为降雨强度的过程比较复杂,主要原因在于观测数据往往存在误差,现有的雷达站网由于布设较早,硬件设置并不完善,预报质量尚存在一定的不确定性。雨量站与雷达各有优势,融合高分辨率的降雨产品是获得稳定的高分辨率的降雨数据的有效途径,准确的降雨时空分布将进一步提高所构建的陆面水文模式***模拟精度。
WRF-Hydro在水文、气象等多个学科交叉领域上均的广阔应用前景,近年来受到国内外学者的广泛关注。当前WRF-Hydro已经作为美国国家水预报模型(National WaterModel)之一用于指导美国西北部的水文预报业务。2017年Naabil E、Lamptey BL、ArnaultJ、Olufayo A、Kunstmann H的《利用WRF-Hydro***进行水资源管理:以西非托诺大坝为例》用单向耦合的WRF-Hydro成功模拟了西非的一个小流域2014年的径流,但是发现部分时段内存在快速回落情况;2017年Silver M、Karnieli A、Ginat H、Meiri E、Fredj E的《干旱区WRF-Hydro水文参数率定的一种新方法》对美国干旱与半干旱区的5场洪水进行模拟,并通过土地利用类型将参数变量值进行了分类修正,该方法调参后的流量过程明显优于***默认参数取值下的结果;2020年孙明坤、李致家、刘志雨、侯爱中、霍文博、温娅惠、孔祥意、戴金旺、梁世强的《WRF-Hydro模型与新安江模型在陈河流域的应用对比》比较了WRF-Hydro和新安江模型在陕西半湿润区的应用效果,结果表明WRF-Hydro能够更好的反映洪水细节,但对中小流域的洪水模拟精度仍需加强。当陆面水文模式用于对洪水过程进行时空动态模拟时,模式关键产汇流参数仍需依赖可靠的高分辨降雨数据,上述研究对此并没有很好的解决方案。
发明内容
为了解决上述的技术问题,本发明提出的一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法,其解决的主要技术问题是针对低密度雨量站无法满足空间建模精度的需求,采用雨量站与多普勒天气雷达定量估测降雨融合的方法提高降雨时空分布特征。
本发明的目的是提供一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法,包括以下步骤:
步骤1:设置天气预报模式WRF中的气象驱动数据与预热时间,所述气象驱动数据包括温度驱动数据、压强驱动数据、风速驱动数据和降雨驱动数据;
步骤2:雨量站融合多普勒天气雷达定量估测降雨获得修正降雨数据;
步骤3:降雨驱动数据的适用性判断;
步骤4:基于并行的动态多维搜索算法的WRF-Hydro模式参数校准;
步骤5:验证校准参数后的WRF-Hydro对洪水过程模拟效果。
优选的是,所述WRF采用三层嵌方式并取最内层区域用于为所述WRF-Hydro提供降雨、辐射、湿度、温度、气压、风速中至少一种模式的输入。
在上述任一方案中优选的是,在所述WRF的预热过程中设置2个预热时段:第一个预热时段为降雨开始前的16天,并在第15天时输出Restart文件,使陆面预热能够获得相对准确的模式下边界数据,并在预热结束生成Restart;第二个预热时段为降雨开始前的24h,第二个预热时段调用所述Restart文件中的下边界数据与WRF驱动资料中的侧边界数据。
在上述任一方案中优选的是,所述修正降雨数据的处理方法包括以下三种:雷达定量估测降雨法、基于反距离插值权重平均的雨量站插值降雨法和外部漂移克里金融合雨量站与雷达降雨法。
在上述任一方案中优选的是,所述雷达定量估测降雨法对多普勒雷达获得的降雨分别进行了电磁波衰减校正、非降雨回波抑制、不同层反射率组合以及雨强-反射率转换,采用HB方法来订正雷达回波衰减,设定路径积分衰减系数PIA的上限为10dB;采用基于三维组合反射率抑制非降雨回波,并设定仰角4°以下的回波为杂波;结合DEM数据和雷达波束标准传播方程获得了不同高度层的组合反射率选取规则;结合流域雨滴谱对不同类型的反射率因子与雨强系数进行调整。
在上述任一方案中优选的是,所述基于反距离插值权重平均的雨量站插值降雨法根据插值区域内各采样点之间的相似度,设定网格对应未知点处的估计值由局部邻域内所有数据点的距离加权平均值表示,公式为
其中,Z 0 为对应网格插值点处的估计值,Z i 为第i个雨量站观测数据;d i 为需要插值的网格点与雨量站点间的空间距离;n为研究区雨量站的个数。
在上述任一方案中优选的是,所述外部漂移克里金融合雨量站与雷达降雨法中的外部漂移克里金插值中主变量的期望值与附加变量之间符合如下线性关系:
其中,主变量的期望G(x)为对应x点处的雨量站的观测数据,附加变量R(x)为雷达数据得到的降雨估计值;a和b为由假设条件确立的线性方程的系数。
在上述任一方案中优选的是,对于给定位置x 0的估计由线性估计器计算得到,对应的权重因子表示为
在上述任一方案中优选的是,在所述外部漂移克里金融合雨量站与雷达降雨法中增加额外的约束条件用于计算雷达场和雨量站场残差的协方差:
其中,C表示残差在不同点间的残差协方差结果,x i 为雨量站点i处,x j 为雨量站点j
处,μ 0和μ 1为拉格朗日乘数,R 2 (x j )为雷达网格点j处的雨量值,R 2 (x 0 )表示x 0 点经过权重处
理后得到的雷达降雨估算值,为在x 0 处与雷达估计值相关的权重因子。
在上述任一方案中优选的是,在雨量站位置处插值雷达时,上述约束使用一组权重对雨量站数据进行加权,同时这些权重也会增加估计点x 0 处的雷达值效果。
在上述任一方案中优选的是,所述步骤3包括对3种基于雷达或雨量站的空间降雨驱动数据精度进行分析,包括以下子步骤:
步骤31:针对每种降雨空间数据,均采用雨量站点的留一交叉验证方式,选择了***偏差BIAS、均方根误差RMSE和均方根转换误差MRTE三个降雨精度评价指标;
步骤32:选择了雨量站点空间散点和降雨数据的累积降雨量空间分布图来对3种降雨数据和WRF降雨的空间降雨情况进行综合评价。
在上述任一方案中优选的是,三个所述降雨精度评价指标的计算公式为
在上述任一方案中优选的是,所述步骤4包括采用适用于模式的并行自动调参方法对敏感参数进行率定,在所述率定的过程中选取克林-古普塔效率系数KGE作为目标函数对模拟的洪水过程进行评估,其中,敏感参数为容易引起WRF-Hydro产汇流过程发生明显变化的参数。
在上述任一方案中优选的是,所述克林-古普塔效率系数KGE的公式为
其中,γ为模拟系列与观测系列标准偏差的比率,α为模拟系列与观测系列平均值的比率,β则为模拟系列与观测系列的相关系数。
在上述任一方案中优选的是,所述步骤4还包括采用并行动态多维搜索算法进行路面水温模式率定过程。
在上述任一方案中优选的是,所述并行动态多维搜索算法的串行计算步骤如下
步骤41:定义算法输入变量;
步骤42:模式初值分析;
步骤43:解集领域概率筛选;
步骤44:加入额外扰动因子r;
步骤45:候选解集X new 校准更新;
步骤46:终止条件检查。
在上述任一方案中优选的是,所述算法输入变量包括邻近扰动距离因子r、算法最大校准次数m、针对D维变量每一个决策变量的初始解的下限X min 和上限值X max 、算法初始解向量为X 0 =[x 1 ,x 2 ,…,x D ]和分配的模式处理节点数N。
在上述任一方案中优选的是,所述步骤42包括迭代次数i从1开始,计算当前初始解对应的目标函数值F(X 0 ),将初值解暂时赋值为最优解,即X best =X 0 ,F best =F(X 0 )。
在上述任一方案中优选的是,所述步骤43包括随机选择D个决策变量中的J个产生新的解集邻域M,计算决策变量在当前迭代计数下在M中发生的概率:P(i)=1-ln(i)/ln(m),对于d=1,…,D个决策变量,按求得的概率P(i)将d个决策变量添加到解集邻域M中,当M出现空集时,则任选d加入M中。
在上述任一方案中优选的是,所述步骤44包括对于M中的决策变量,确定j=1,…,J上的X best ,并在j中加入新的扰动因子,并假设加入的新的扰动服从B(0,1)的标准正态分布,则加入扰动因子后j个决策变量的波动范围可表示为:
在上述任一方案中优选的是,所述步骤45包括计算所述步骤44中生成的解集X new 的目标函数F(X new ),当F(x new )≥F best ,F best =F(x new ),x best =x new ,更新当前最优解。
在上述任一方案中优选的是,所述步骤46包括当i<m时,返回所述步骤43,并更新迭代次数i=i+1;否则,算法结束。
在上述任一方案中优选的是,所述步骤5包括使用评价指标对洪水过程的适应性进行判断。
在上述任一方案中优选的是,所述评价指标包括针对不同降雨-参数组合的泰勒图、克林-古普塔效率系数、洪峰误差、洪量误差和纳什效率系数。
在上述任一方案中优选的是,所述洪峰误差R p 的公式表示为
在上述任一方案中优选的是,所述洪量误差R r 的公式表示为
在上述任一方案中优选的是,所述纳什效率系数NSE的公式表示为
本发明提出了一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法,采用并行动态多维搜索算法(P-DDS)应用于WRF/WRF-Hydro陆气耦合过程参数校准,提升陆面水文模式对洪水过程的模拟精度。
WRF是指天气预报模式。
WRF-Hydro是指近年来逐渐被国际关注的陆面水文模式。
HB方法是指Hitschfeld and Borden提出的衰减订正方法。
DEM数据是指数字高程模型数据。
附图说明
图1为按照本发明的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法的一优选实施例的流程图。
图2为按照本发明的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法的另一优选实施例的流程图。
图3为按照本发明的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法的雷达位置与覆盖范围的一实施例的示意图。
图4为按照本发明的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法的WRF嵌套方案的一实施例的示意图。
图5为按照本发明的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法的不同降雨数据下留一交叉验证指标的一实施例的结果示意图。
图6为按照本发明的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法的雨量站观测值与4种降雨数据在对应雨量站点模拟值散点的一实施例的结果示意图。
图7为按照本发明的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法的4种降雨数据的累积降雨量空间的一实施例的分布示意图。
图8为按照本发明的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法的RIDW和KED降雨-参数方案下WRF-Hydro模拟的洪水过程的一实施例的指标箱型图。
图9为按照本发明的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法的WRF-RIDW和WRF-KED降雨-参数方案下WRF-Hydro模拟的洪水过程的一实施例的指标箱型图。
图10为按照本发明的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法的4种降雨-参数方案WRF-Hydro模拟的洪水过程的一实施例的泰勒图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示,执行步骤110,设置天气预报模式WRF中的气象驱动数据与预热时间,所述气象驱动数据包括温度驱动数据、压强驱动数据、风速驱动数据和降雨驱动数据。所述WRF采用三层嵌方式并取最内层区域用于为所述WRF-Hydro提供降雨、辐射、湿度、温度、气压、风速中至少一种模式的输入。在所述WRF的预热过程中设置2个预热时段:第一个预热时段为降雨开始前的16天,并在第15天时输出Restart文件,使陆面预热能够获得相对准确的模式下边界数据,并在预热结束生成Restart;第二个预热时段为降雨开始前的24h,第二个预热时段调用所述Restart文件中的下边界数据与WRF驱动资料中的侧边界数据。
执行步骤120,雨量站融合多普勒天气雷达定量估测降雨获得修正降雨数据。所述修正降雨数据的处理方法包括以下三种:雷达定量估测降雨法、基于反距离插值权重平均的雨量站插值降雨法和外部漂移克里金融合雨量站与雷达降雨法。
所述雷达定量估测降雨法对多普勒雷达获得的降雨分别进行了电磁波衰减校正、非降雨回波抑制、不同层反射率组合以及雨强-反射率转换,采用HB方法来订正雷达回波衰减,设定路径积分衰减系数PIA的上限为10dB;采用基于三维组合反射率抑制非降雨回波,并设定仰角4°以下的回波为杂波;结合DEM数据和雷达波束标准传播方程获得了不同高度层的组合反射率选取规则;结合流域雨滴谱对不同类型的反射率因子与雨强系数进行调整。
所述基于反距离插值权重平均的雨量站插值降雨法根据插值区域内各采样点之间的相似度,设定网格对应未知点处的估计值由局部邻域内所有数据点的距离加权平均值表示,公式为
其中,Z 0 为对应网格插值点处的估计值,Z i 为第i个雨量站观测数据,d i 为需要插值的网格点与雨量站点间的空间距离n为研究区雨量站的个数。
所述外部漂移克里金融合雨量站与雷达降雨法中的外部漂移克里金插值中主变量的期望值与附加变量之间符合如下线性关系:
其中,主变量的期望G(x)为对应x点处的雨量站的观测数据,附加变量R(x)为雷达数据得到的降雨估计值;a和b为由假设条件确立的线性方程的系数。
对于给定位置x 0的估计由线性估计器计算得到,对应的权重因子表示为
在所述外部漂移克里金融合雨量站与雷达降雨法中增加额外的约束条件用于计算雷达场和雨量站场残差的协方差:
其中,C表示残差在不同点间的残差协方差结果,x i 为雨量站点i处,x j 为雨量站点j
处,μ 0和μ 1为拉格朗日乘数,R 2 (x j )为雷达网格点j处的雨量值,R 2 (x 0 )表示x 0 点经过权重处
理后得到的雷达降雨估算值,为在x 0 处与雷达估计值相关的权重因子。
在雨量站位置处插值雷达时,上述约束使用一组权重对雨量站数据进行加权,同时这些权重也会增加估计点x 0 处的雷达值效果。
执行步骤130,降雨驱动数据的适用性判断,对3种基于雷达或雨量站的空间降雨驱动数据精度进行分析,包括以下子步骤:
步骤131:针对每种降雨空间数据,均采用雨量站点的留一交叉验证方式,选择了***偏差BIAS、均方根误差RMSE和均方根转换误差MRTE三个降雨精度评价指标。三个所述降雨精度评价指标的计算公式为
步骤132:选择了雨量站点空间散点和降雨数据的累积降雨量空间分布图来对3种降雨数据和WRF降雨的空间降雨情况进行综合评价。
执行步骤140,基于并行的动态多维搜索算法(P-DDS)的WRF-Hydro模式参数校准,采用适用于模式的并行自动调参方法对敏感参数进行率定,在所述率定的过程中选取克林-古普塔效率系数KGE作为目标函数对模拟的洪水过程进行评估,其中,敏感参数为容易引起WRF-Hydro产汇流过程发生明显变化的参数。
克林-古普塔效率系数KGE的公式为
其中,γ为模拟系列与观测系列标准偏差的比率,α为模拟系列与观测系列平均值的比率,β则为模拟系列与观测系列的相关系数。
步骤140还包括采用并行动态多维搜索算法进行路面水温模式率定过程,并行动态多维搜索算法的串行计算步骤如下:
步骤141:定义算法输入变量。算法输入变量包括邻近扰动距离因子r、算法最大校准次数m、针对D维变量每一个决策变量的初始解的下限X min 和上限值X max 、算法初始解向量为X 0 =[x 1 ,x 2 ,…,x D ]和分配的模式处理节点数N。
步骤142:模式初值分析;迭代次数i从1开始,计算当前初始解对应的目标函数值F (X 0 ),将初值解暂时赋值为最优解,即X best =X 0 ,F best =F(X 0 )。
步骤143:解集领域概率;随机选择D个决策变量中的J个产生新的解集邻域M,计算决策变量在当前迭代计数下在M中发生的概率:P(i)=1-ln(i)/ln(m),对于d=1,…,D个决策变量,按求得的概率P(i)将d个决策变量添加到解集邻域M中,当M出现空集时,则任选d加入M中。
步骤144:加入额外扰动因子r;对于M中的决策变量,确定j=1,…,J上的X best ,并在j中加入新的扰动因子,并假设加入的新的扰动服从B(0,1)的标准正态分布,则加入扰动因子后j个决策变量的波动范围可表示为:
步骤145:候选解集X new 校准更新;计算所述步骤144中生成的解集X new 的目标函数F (X new ),当F(x new )≥F best ,F best =F(x new ),x best =x new ,更新当前最优解。
步骤146:终止条件检查;当i<m时,返回所述步骤43,并更新迭代次数i=i+1;否则,算法结束。
执行步骤150,验证校准参数后的WRF-Hydro对洪水过程模拟效果,使用评价指标对洪水过程的适应性进行判断。评价指标包括针对不同降雨-参数组合的泰勒图、克林-古普塔效率系数、洪峰误差、洪量误差和纳什效率系数。
洪峰误差R p 的公式表示为
洪量误差R r 的公式表示为
纳什效率系数NSE的公式表示为
实施例二
如图2所示,本发明设计了一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法,其解决的主要技术问题是针对低密度雨量站无法满足空间建模精度的需求,采用雨量站与多普勒天气雷达定量估测降雨融合的方法提高降雨时空分布特征,并采用并行动态多维搜索算法(P-DDS)应用于WRF/WRF-Hydro陆气耦合过程参数校准,提升陆面水文模式对洪水过程的模拟精度。
为了解决上述存在的技术问题,本发明采用了以下方案:
一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法,包括以下几个步骤:
步骤1、设置WRF中的气象驱动数据与预热时间;
步骤2、雨量站融合多普勒天气雷达定量估测降雨(QPE)获得修正降雨数据;
步骤3、降雨驱动数据的对比验证;
步骤4、基于并行的动态多维搜索算法(P-DDS)的WRF-Hydro模式参数校准;
步骤5、验证校准参数后的WRF-Hydro对洪水过程模拟效果。
进一步,所述步骤1中WRF采用三层嵌方式(每层嵌套比例为1:3)并取最内层区域用于为WRF-Hydro提供包括降雨、辐射、湿度、温度、气压、风速等在内的模式输入。WRF的预热过程中设置2个预热时段:第一个预热时段为降雨开始前的16天,并在第15天时输出Restart文件,使陆面预热能够获得相对准确的模式下边界数据(例如土壤含水量条件)并在预热结束生成Restart;第二个预热时间为降雨开始前的24h,第二个预热时段调用Restart文件中的下边界数据与WRF驱动资料(ERA-Interim)中的侧边界数据(温度、辐射、风场等),此时的预热协调了两种边界数据,确保了初始WRF模式运行的稳定性。
进一步,所述步骤2中给出了3种雨量站融合多普勒天气雷达定量估测降雨(QPE)获得修正降雨数据处理方法。
雷达定量估测降雨(QPE),对多普勒雷达获得的降雨分别进行了电磁波衰减校正、非降雨回波抑制、不同层反射率组合以及雨强-反射率转换。用HB方法来订正雷达回波衰减,设定路径积分衰减系数(Path Integration Attenuation,PIA)PIA的上限为10dB;采用基于三维组合反射率抑制非降雨回波,并设定仰角4°以下的回波为杂波;结合DEM数据和雷达波束标准传播方程获得了不同高度层的组合反射率选取规则;结合流域雨滴谱对不同类型的反射率因子与雨强系数进行调整。
基于反距离插值权重平均(RIDW)的雨量站插值降雨,该方法根据插值区域内各采样点之间的相似度,假设网格对应未知点处的估计值可由局部邻域内所有数据点的距离加权平均值表示,该方法既考虑了常用的泰森多边形中邻点的概念也考虑了趋势面分析中的渐变过程,公式可以表达为:
式中:Z 0 为对应网格插值点处的估计值;Z i 为第i个雨量站观测数据;d i 为需要插值的网格点与雨量站点间的空间距离;n为研究区雨量站的个数。
外部漂移克里金(KED)插值方法是地统计方法中广义克里金插值法的一种扩展,因此该方法仍将插值变量用确定性项(漂移项)和随机项(残差项)的加和表示。不同的是,带外部漂移的克里金允许合并多个附加变量作为背景信息来对主变量进行插值。研究雷达与雨量站资料融合时,雷达资料被视为唯一的附加变量。KED插值中主变量的期望值与附加变量之间符合如下线性关系:
式中:G(x)代表主变量的期望,这里G(x)指的是对应x点处的雨量站的观测数据;R (x)为附加变量,这里表示雷达数据得到的降雨估计值;a和b为由假设条件确立的线性方程的系数。
上述公式中给定位置x 0 的估计可由线性估计器计算得到,对应的权重因子表示为:
式中:R(x 0)表示x 0 点经过KED融合后的降雨估算值;R 1 (x i )为雨量站点i处的雨量
值;n为研究区雨量站的个数;表示在x 0 点处与降雨估计值相关的权重因子,随着估算
点的改变,其值也相应发生改变。
上式与传统克里金法的描述一致,但是在具体权重因子 计算上,KED方法增加了额外的约束条件(即与雷达观测有关的数据约束)用于计算雷达场和雨量站场残差的协方差:
式中:R 2 (x 0 )表示x 0 点经过权重处理后得到的雷达降雨估算值;为雷达网格点j处
的雨量值;μ为拉格朗日乘数;C表示残差在不同点间的残差协方差结果,可由雷达估测的降
雨场与估算趋势场(漂移场)的差表示;为在x 0 处与雷达估计值相关的权重因子,其他
物理意义同上。研究中的漂移场是通过传统克里金方式对雷达测算的雨量站位置处降雨进
行空间变异性处理获得,并通过FFT方法,将基于雨量站点的协方差矩阵C转换为整个流域
网格上的频谱矩阵。
在雨量站位置处插值雷达时,上述约束使用一组权重对雨量站数据进行加权,同时这些权重也会增加估计点x 0 处的雷达值效果。需要特别指出的是,该方法无需考虑前期的转换模型及其参数,通过FFT方式实现了完整的雷达数据在流域网格上的残差计算,该方法把雷达数据转换成具有连续、严格累积分布,同时将雷达数据的空间可变性完全引入到雨量站值的内插过程中,能更好的解译降雨的时空特征,从而更适合陆气耦合建模工作。
进一步,所述步骤3对步骤2中3种基于雷达或雨量站的空间降雨驱动数据精度进行分析,主要体现在:首先针对每种降雨空间数据,均采用雨量站点的留一交叉验证方式,选择了***偏差BIAS、均方根误差RMSE和均方根转换误差MRTE三个降雨精度评价指标;选择了雨量站点空间散点和降雨数据的累积降雨量空间分布图来对3种降雨数据和WRF降雨的空间降雨情况进行综合评价。
3个指标的计算公式如下:
式中:P t 为雨量站测得的第t时刻的降雨量;i为第i个雨量站;n为研究区雨量站的
个数;为不同降雨驱动数据下对应雨量站位置处的估计值。针对10场降雨,RMSE和MRTE的
范围为0到+∞,最优值为0,BIAS的结果为整个降雨统计时段和所有雨量站的均值,范围在-
∞到+∞,最优值为0。
进一步,所述步骤4中采用适用于模式的并行自动调参方法对敏感参数进行率定,其中,敏感参数为容易引起WRF-Hydro产汇流过程发生明显变化的参数,主要体现在将基于雨量站融合多普勒天气雷达定量估测的降雨、WRF模拟得到的其它气象数据和WRF-Hydro一起用于陆气耦合研究,WRF-Hydro中采用了降尺度聚解以及升尺度聚合方式对产汇流变量进行网格细分,降尺度比例设定一般在3-10倍,选择克林-古普塔效率系数(Kling-Guptaefficiency,KGE)作为目标函数,率定时采用了并行的动态多维搜索算法(P-DDS)。
率定过程中需要对模拟的洪水过程进行评估,此处选取的目标函数为克林-古普塔效率系数(Kling-Gupta efficiency,KGE)。该指标权衡了洪水过程的相关性,水量平衡以及方差误差。与常用的纳什效率系数关注大的洪水过程相比,KGE能够同时将量级较小的洪水过程也考虑进来,更有利于对洪水过程的综合评判。考虑到研究区可供率定的洪水过程不多,该目标函数对量级较小洪水的考虑有助于更好的率定模式参数,KGE可以用下面的公式表示:
式中:γ为模拟系列与观测系列标准偏差的比率;α为模拟系列与观测系列平均值的比率;β则为模拟系列与观测系列的相关系数。当KGE等于1时,说明模拟能力达到最佳(此时表示与理想模拟系列的欧几里得距离最小),而当KGE为负值时,则认为模拟的效果较差。
为了加快计算资源获取高质量解集的收敛速度,在进行路面水温模式率定过程中采用了并行动态多维搜索算法(Parallel Dynamically Dimensioned Search,P-DDS),动态多维搜索算法(Dynamically Dimensioned Search,DDS)属于随机搜索算法的一种,适合于自动校准计算成本高、参数化程度高的气候与环境模式。DDS的串行计算步骤如下:
Step1:定义算法输入变量。邻近扰动距离因子r(算法缺省值为0.2);算法最大校准次数m;针对D维变量每一个决策变量的初始解的下限X min 和上限值X max ;定义算法初始解向量为X 0 =[x 1 ,x 2 ,…,x D ];
Step2:模式初值分析。迭代次数i从1开始,并计算当前初始解对应的目标函数值F (X 0 ),将初值解暂时赋值为最优解,即X best =X 0 ,F best =F(X 0 );
Step3:解集领域概率筛选。随机选择D个决策变量中的J个产生新的解集邻域M,计算决策变量在当前迭代计数下在M中发生的概率:P(i)=1-ln(i)/ln(m),对于d=1,…,D个决策变量,按求得的概率P(i)将d个决策变量添加到解集邻域M中,当M出现空集时,则任选d加入M中;
Step4:加入额外扰动因子r。对于M中的决策变量,确定j=1,…,J上的X best ,并在j
中加入新的扰动因子,并假设加入的新的扰动服从B(0,1)的标准正态分布,则加入扰动因
子后j个决策变量的波动范围可表示为:;
Step5:候候选解集X new 校准更新。计算上一步中生成的解集X new 的目标函数F (X new ),当F(x new )≥F best ,F best =F(x new ),x best =x new ,更新当前最优解。
Step6:终止条件检查。若i<m,从Step3重新开始循环,并更新迭代次数i=i+1;否则,算法结束。
与DDS相比,P-DDS在上述步骤中加入了计算节点的分配,即在处理器原有N个节点基础上分配N-1个节点用于解集计算(计算节点),1个节点用于初始的计算任务分配与模式输出判断(处理节点),此时对应步骤可更新为:Step1和Step2:均在处理节点中产生,设置Step1中用于分配的模式处理节点数N;Step3和Step4:计算节点进行,此时j=1,2…N-1;Step5:处理节点进行,更新迭代次数i=i+N-1,将新的候选解集方案发送到计算处理器进行评估,每个计算节点评估唯一的F(Xnew)值,确定在所有计算节点中新获得的最佳候选解集。
进一步,所述步骤5中时空模拟效果好的降雨以及步骤4率定出的对应参数组对洪水过程的适用性进行了判断,评价指标选择了针对不同降雨-参数组合的泰勒图以及克林-古普塔效率系数(KGE)、洪峰误差、洪量误差、纳什效率系数(NSE)。KGE已在步骤4中给出,另外3个指标公式可以表示为:
实施例三
下面结合实施实例,对本发明做进一步说明:步骤1、设置WRF中的气象驱动数据与预热时间;步骤2、雨量站融合多普勒天气雷达定量估测降雨(QPE)获得修正降雨数据;步骤3、降雨驱动数据的对比验证;步骤4、基于并行的动态多维搜索算法(P-DDS)的WRF-Hydro模式参数校准;步骤5、验证校准参数后的WRF-Hydro对洪水过程模拟效果。
步骤1,设置WRF中的气象驱动数据与预热时间,这里选择中国北方大清河流域南北支的两个中尺度流域阜平(2210km2)和紫荆关(1760km2),雷达站选择了流域内的石家庄雷达站(如图3所示),WRF采用三层嵌方式(每层嵌套比例为1:3,从外到内分辨率分别为9km,3km,1km,如图4所示)并取最内层区域用于为WRF-Hydro提供包括降雨、辐射、湿度、温度、气压、风速等在内的模式输入。WRF的预热过程中设置2个预热时段:第一个预热时段为降雨开始前的16天,并在第15天时输出Restart文件;第二个预热时间为降雨开始前的24h,第二个预热时段调用Restart文件中的下边界数据与WRF驱动资料(ERA-Interim)中的侧边界数据(温度、辐射、风场等)。
步骤2,雨量站融合多普勒天气雷达定量估测降雨(QPE)获得修正降雨数据,选择了流域内2005-2018年间的10场降雨场次,针对每场降雨过程均分析雷达定量估测降雨(QPE)、基于反距离插值权重平均(RIDW)的雨量站插值降雨、外部漂移克里金(KED)融合雨量站与雷达降雨。3种方式的处理方法:
雷达定量估测降雨(QPE),对多普勒雷达获得的降雨分别进行了电磁波衰减校正、非降雨回波抑制、不同层反射率组合以及雨强-反射率转换。用HB方法来订正雷达回波衰减,设定路径积分衰减系数(Path Integration Attenuation,PIA)PIA的上限为10dB;采用基于三维组合反射率抑制非降雨回波,并设定仰角4°以下的回波为杂波;结合DEM数据和雷达波束标准传播方程获得了不同高度层的组合反射率选取规则,如图5所示;结合流域雨滴谱对不同类型的反射率因子与雨强系数进行调整。
基于反距离插值权重平均(RIDW)的雨量站插值降雨,该方法根据插值区域内各采样点之间的相似度,假设网格对应未知点处的估计值可由局部邻域内所有数据点的距离加权平均值表示,该方法既考虑了常用的泰森多边形中邻点的概念也考虑了趋势面分析中的渐变过程,公式可以表达为:
式中:Z 0 为对应网格插值点处的估计值;Z i 为第i个雨量站观测数据;d i 为需要插值的网格点与雨量站点间的空间距离;n为研究区雨量站的个数。
研究雷达与雨量站资料融合时,雷达资料被视为唯一的附加变量。KED插值中主变量的期望值与附加变量之间符合如下线性关系:
式中:G(x)代表主变量的期望,这里G(x)指的是对应x点处的雨量站的观测数据;R (x)为附加变量,这里表示雷达数据得到的降雨估计值;a和b为由假设条件确立的线性方程的系数。
上述公式中给定位置x 0 的估计可由线性估计器计算得到,对应的权重因子表示为:
式中:R i (x 0)表示x 0 点经过KED融合后的降雨估算值;R 1 (x i )为雨量站点i处的雨量
值;n为研究区雨量站的个数;表示在x 0 点处与降雨估计值相关的权重因子,随着估算
点的改变,其值也相应发生改变。
上式与传统克里金法的描述一致,但是在具体权重因子计算上,KED方法增加了额外的约束条件(即与雷达观测有关的数据约束)用于计算雷达场和雨量站场残差的协方差:
式中:R 2 (x 0 )表示x 0 点经过权重处理后得到的雷达降雨估算值;为雷达网格点j处
的雨量值;μ为拉格朗日乘数;C表示残差在不同点间的残差协方差结果,可由雷达估测的降
雨场与估算趋势场(漂移场)的差表示; 为在x 0 处与雷达估计值相关的权重因子,其
他物理意义同上。研究中的漂移场是通过传统克里金方式对雷达测算的雨量站位置处降雨
进行空间变异性处理获得,并通过FFT方法,将基于雨量站点的协方差矩阵C转换为整个流
域网格上的频谱矩阵。
在雨量站位置处插值雷达时,上述约束使用一组权重对雨量站数据进行加权,同时这些权重也会增加估计点x 0 处的雷达值效果。
步骤3,所述步骤3对步骤2中3种基于雷达或雨量站的空间降雨驱动数据精度进行分析,主要体现在:首先针对每种降雨空间数据,均采用雨量站点的留一交叉验证方式,选择了***偏差BIAS、均方根误差RMSE和均方根转换误差MRTE三个降雨精度评价指标;选择了雨量站点空间散点和降雨数据的累积降雨量空间分布图来对3种降雨数据和WRF降雨的空间降雨情况进行综合评价,如图5-图7所示。
3个指标的计算公式如下:
式中:P t 是雨量站测得的第t时刻的降雨量;n为研究区雨量站的个数;是不同降
雨驱动数据下对应雨量站位置处的估计值。针对10场降雨,RMSE和MRTE的范围为0到+∞,最
优值为0,BIAS的结果为整个降雨统计时段和所有雨量站的均值,范围在-∞到+∞,最优值
为0。模拟的流域降雨结果如表1和图5所示,可以看出WRF模拟的降雨空间精度较差,单独采
用QPE方式的降雨则量级偏低,而RIDW方式与基于雨量站融合多普勒天气雷达定量估测的
降雨效果较好,但是对于2012年7月21日这种在华北地区造成较大洪水灾害的洪水场次而
言,融合方式的降雨空间效果较好。
表1 组合反射率选取规则
步骤4,采用适用于模式的并行自动调参方法对敏感参数进行率定,其中,敏感参数为容易引起wrf-hydro产汇流过程发生明显变化的参数主要体现在将基于雨量站融合多普勒天气雷达定量估测的降雨、WRF模拟得到的其它气象数据和WRF-Hydro一起用于陆气耦合研究,率定的参数包括土壤下渗系数(R efkdt )、地表粗糙度(O vrought )、河道曼宁糙率系数(M ann )和河道边坡坡度(C hslp )。WRF-Hydro中采用了降尺度聚解以及升尺度聚合方式对产汇流变量进行网格细分,降尺度比例设定为10,即WRF-Hydro的汇流分辨率为100m,选择克林-古普塔效率系数(Kling-Gupta efficiency,KGE)作为目标函数,KGE可以用下面的公式表示:
式中:r为模拟系列与观测系列标准偏差的比率;α为模拟系列与观测系列平均值的比率;β则为模拟系列与观测系列的相关系数。当KGE等于1时,说明模拟能力达到最佳(此时表示与理想模拟系列的欧几里得距离最小),而当KGE为负值时,则认为模拟的效果较差。率定时采用了并行的动态多维搜索算法(P-DDS)。P-DDS加入了计算节点的分配,即在处理器原有N个节点基础上分配N-1个节点用于解集计算(计算节点),1个节点用于初始的计算任务分配与模式输出判断(处理节点)。率定的参数结果如表2所示,选择2016年前的8场洪水率定,2016年的2场洪水验证。
表 2 RIDW和KED降雨数据下率定的WRF-Hydro参数组
步骤5,所述步骤5中时空模拟效果好的降雨以及步骤4率定出的对应参数组对洪水过程的适用性进行了判断,评价指标选择了针对不同降雨-参数组合的泰勒图以及克林-古普塔效率系数(KGE)、洪峰误差、洪量误差、纳什效率系数(NSE)。KGE已在步骤4中给出,另外3个指标公式可以表示为:
式中:i为时间步长;T为洪水过程的总时长;、q i 和分别为模拟、观测和平均流
量(m3/s);和q p 分别为模拟、观测的洪峰流量(m3/s);和r r 分别为模拟和观测洪量(mm),
结果如图8-图10所示。采用融合方式降雨及其率定出的参数组对于洪水指标的模拟效果均
得到了提升,采用基于雨量站融合多普勒天气雷达定量估测降雨的WRF-Hydro率定的关键
参数更适用于WRF/WRF-Hydro的模拟/预报需求。
为了更好地理解本发明,以上结合本发明的具体实施例做了详细描述,但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改,均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于***实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法,包括以下步骤:
步骤1:设置天气预报模式WRF中的气象驱动数据与预热时间,所述气象驱动数据包括温度驱动数据、压强驱动数据、风速驱动数据和降雨驱动数据;
步骤2:雨量站融合多普勒天气雷达定量估测降雨获得修正降雨数据;
步骤3:降雨驱动数据的适用性判断;
步骤4:基于并行的动态多维搜索算法的WRF-Hydro模式参数校准;
步骤5:验证校准参数后的WRF-Hydro对洪水过程模拟效果。
2.如权利要求1所述的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法,其特征在于,所述修正降雨数据的处理方法包括以下三种:雷达定量估测降雨法、基于反距离插值权重平均的雨量站插值降雨法和外部漂移克里金融合雨量站与雷达降雨法。
3.如权利要求2所述的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法,其特征在于,所述雷达定量估测降雨法对多普勒雷达获得的降雨分别进行了电磁波衰减校正、非降雨回波抑制、不同层反射率组合以及雨强-反射率转换,采用HB方法来订正雷达回波衰减,设定路径积分衰减系数PIA的上限为10dB;采用基于三维组合反射率抑制非降雨回波,并设定仰角4°以下的回波为杂波;结合DEM数据和雷达波束标准传播方程获得了不同高度层的组合反射率选取规则;结合流域雨滴谱对不同类型的反射率因子与雨强系数进行调整。
8.如权利要求7所述的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法,其特征在于,所述步骤3包括对3种基于雷达或雨量站的空间降雨驱动数据精度进行分析,包括以下子步骤:
步骤31:针对每种降雨空间数据,均采用雨量站点的留一交叉验证方式,选择了***偏差BIAS、均方根误差RMSE和均方根转换误差MRTE三个降雨精度评价指标;
步骤32:选择了雨量站点空间散点和降雨数据的累积降雨量空间分布图来对3种降雨数据和WRF降雨的空间降雨情况进行综合评价。
9.如权利要求8所述的雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法,其特征在于,所述步骤4包括采用适用于模式的并行自动调参方法对敏感参数进行率定,在所述率定的过程中选取克林-古普塔效率系数KGE作为目标函数对模拟的洪水过程进行评估,其中,敏感参数为容易引起WRF-Hydro产汇流过程发生明显变化的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110841644.3A CN113281754B (zh) | 2021-07-26 | 2021-07-26 | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110841644.3A CN113281754B (zh) | 2021-07-26 | 2021-07-26 | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113281754A true CN113281754A (zh) | 2021-08-20 |
CN113281754B CN113281754B (zh) | 2021-10-01 |
Family
ID=77281330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110841644.3A Active CN113281754B (zh) | 2021-07-26 | 2021-07-26 | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113281754B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640900A (zh) * | 2021-08-13 | 2021-11-12 | 中国科学院西北生态环境资源研究院 | 雨雪量测量方法、装置、设备及存储介质 |
CN113887847A (zh) * | 2021-12-08 | 2022-01-04 | 中国水利水电科学研究院 | 一种基于WRF-Hydro模型的混合产流区次洪预报方法 |
CN116679357A (zh) * | 2023-06-05 | 2023-09-01 | 广东省水文局梅州水文分局 | 一种对雷达定量降水估测进行水量平衡处理的方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4649388A (en) * | 1985-11-08 | 1987-03-10 | David Atlas | Radar detection of hazardous small scale weather disturbances |
US20050001761A1 (en) * | 2003-04-02 | 2005-01-06 | Jorg Kliewer | Method for the linearization of FMCW radar devices |
CN102103195A (zh) * | 2009-12-18 | 2011-06-22 | 东软飞利浦医疗设备***有限责任公司 | 一种宽频带数字磁共振射频接收实现装置及方法 |
CN102356377A (zh) * | 2009-04-20 | 2012-02-15 | 甲骨文股份有限公司 | 用于解决有害孪生问题的方法和结构 |
CN105842692A (zh) * | 2016-03-17 | 2016-08-10 | 中国科学院遥感与数字地球研究所 | 一种insar测量中的大气校正方法 |
CN106485366A (zh) * | 2016-10-31 | 2017-03-08 | 武汉大学 | 一种复杂梯级水库群蓄水期优化调度方法 |
US20170192128A1 (en) * | 2014-05-28 | 2017-07-06 | Metroweather Co., Ltd. | Weather forecasting system |
CN107403073A (zh) * | 2017-10-03 | 2017-11-28 | 中国水利水电科学研究院 | 一种基于数据同化改进预报降雨的集合洪水预报方法 |
CN107942413A (zh) * | 2017-10-27 | 2018-04-20 | 中国水利水电科学研究院 | 一种降雨均匀度测试装置及测试方法 |
CN108051786A (zh) * | 2017-10-30 | 2018-05-18 | 北京航天福道高技术股份有限公司 | 一种宽带目标模拟器验证平台及验证方法 |
CN108761576A (zh) * | 2018-05-28 | 2018-11-06 | 国网山西省电力公司电力科学研究院 | 一种x波段气象雷达与雨量站数据融合方法及*** |
CN110222783A (zh) * | 2019-06-13 | 2019-09-10 | 南京信息工程大学 | 基于小波域正则化的地基和星载雷达降水数据融合方法 |
CN111625993A (zh) * | 2020-05-25 | 2020-09-04 | 中国水利水电科学研究院 | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 |
CN111915158A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备 |
CN112213727A (zh) * | 2020-10-15 | 2021-01-12 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于主被动微波联合探测的星载雷达的降水订正方法 |
CN112651118A (zh) * | 2020-12-21 | 2021-04-13 | 中国科学院地理科学与资源研究所 | 一种气候-陆面-水文过程全耦合模拟方法 |
CN112711083A (zh) * | 2021-01-07 | 2021-04-27 | 国网福建省电力有限公司 | 基于自适应权重特征的多源降水数据动态融合方法及*** |
-
2021
- 2021-07-26 CN CN202110841644.3A patent/CN113281754B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4649388A (en) * | 1985-11-08 | 1987-03-10 | David Atlas | Radar detection of hazardous small scale weather disturbances |
US20050001761A1 (en) * | 2003-04-02 | 2005-01-06 | Jorg Kliewer | Method for the linearization of FMCW radar devices |
CN102356377A (zh) * | 2009-04-20 | 2012-02-15 | 甲骨文股份有限公司 | 用于解决有害孪生问题的方法和结构 |
CN102103195A (zh) * | 2009-12-18 | 2011-06-22 | 东软飞利浦医疗设备***有限责任公司 | 一种宽频带数字磁共振射频接收实现装置及方法 |
US20170192128A1 (en) * | 2014-05-28 | 2017-07-06 | Metroweather Co., Ltd. | Weather forecasting system |
CN105842692A (zh) * | 2016-03-17 | 2016-08-10 | 中国科学院遥感与数字地球研究所 | 一种insar测量中的大气校正方法 |
CN106485366A (zh) * | 2016-10-31 | 2017-03-08 | 武汉大学 | 一种复杂梯级水库群蓄水期优化调度方法 |
CN107403073A (zh) * | 2017-10-03 | 2017-11-28 | 中国水利水电科学研究院 | 一种基于数据同化改进预报降雨的集合洪水预报方法 |
CN107942413A (zh) * | 2017-10-27 | 2018-04-20 | 中国水利水电科学研究院 | 一种降雨均匀度测试装置及测试方法 |
CN108051786A (zh) * | 2017-10-30 | 2018-05-18 | 北京航天福道高技术股份有限公司 | 一种宽带目标模拟器验证平台及验证方法 |
CN108761576A (zh) * | 2018-05-28 | 2018-11-06 | 国网山西省电力公司电力科学研究院 | 一种x波段气象雷达与雨量站数据融合方法及*** |
CN110222783A (zh) * | 2019-06-13 | 2019-09-10 | 南京信息工程大学 | 基于小波域正则化的地基和星载雷达降水数据融合方法 |
CN111625993A (zh) * | 2020-05-25 | 2020-09-04 | 中国水利水电科学研究院 | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 |
CN111915158A (zh) * | 2020-07-15 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备 |
CN112213727A (zh) * | 2020-10-15 | 2021-01-12 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于主被动微波联合探测的星载雷达的降水订正方法 |
CN112651118A (zh) * | 2020-12-21 | 2021-04-13 | 中国科学院地理科学与资源研究所 | 一种气候-陆面-水文过程全耦合模拟方法 |
CN112711083A (zh) * | 2021-01-07 | 2021-04-27 | 国网福建省电力有限公司 | 基于自适应权重特征的多源降水数据动态融合方法及*** |
Non-Patent Citations (9)
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113640900A (zh) * | 2021-08-13 | 2021-11-12 | 中国科学院西北生态环境资源研究院 | 雨雪量测量方法、装置、设备及存储介质 |
CN113887847A (zh) * | 2021-12-08 | 2022-01-04 | 中国水利水电科学研究院 | 一种基于WRF-Hydro模型的混合产流区次洪预报方法 |
CN113887847B (zh) * | 2021-12-08 | 2022-03-11 | 中国水利水电科学研究院 | 一种基于WRF-Hydro模型的混合产流区次洪预报方法 |
CN116679357A (zh) * | 2023-06-05 | 2023-09-01 | 广东省水文局梅州水文分局 | 一种对雷达定量降水估测进行水量平衡处理的方法 |
CN116679357B (zh) * | 2023-06-05 | 2024-04-19 | 广东省水文局梅州水文分局 | 一种对雷达定量降水估测进行水量平衡处理的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113281754B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113281754B (zh) | 一种雨量站融合雷达定量估测降雨的WRF-Hydro关键参数率定方法 | |
Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
Boughton et al. | Estimating runoff in ungauged catchments from rainfall, PET and the AWBM model | |
Blanchet et al. | Mapping snow depth return levels: smooth spatial modeling versus station interpolation | |
Yuan et al. | Validation of China-wide interpolated daily climate variables from 1960 to 2011 | |
CN113673765B (zh) | 一种小流域洪水预报预警方法及终端 | |
CN112711899B (zh) | 一种蒸发波导高度的融合预测方法 | |
Yakir et al. | Hydrologic response of a semi-arid watershed to spatial and temporal characteristics of convective rain cells | |
CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
CN112800636A (zh) | 一种估算无资料地区流域地表水资源量的方法及*** | |
CN114114358B (zh) | 一种基于多源卫星数据融合的北极海冰厚度空间分辨率改进方法 | |
CN115544785B (zh) | 一种无资料梯级水库流域水文模拟方法和*** | |
CN111915158A (zh) | 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备 | |
Rendon et al. | Continuous forecasting and evaluation of derived Z-R relationships in a sparse rain gauge network using NEXRAD | |
Fuentes et al. | Spatial–temporal mesoscale modeling of rainfall intensity using gage and radar data | |
CN113887847B (zh) | 一种基于WRF-Hydro模型的混合产流区次洪预报方法 | |
CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
CN114819322A (zh) | 湖泊入湖流量的预报方法 | |
CN110186533A (zh) | 一种高精度的河口短期潮位预报方法 | |
CN114004426B (zh) | 一种短时暴雨预报释用模型的动态调整方法 | |
Bakış et al. | Analysis and comparison of spatial rainfall distribution applying different interpolation methods in Porsuk river basin, Turkey | |
Li et al. | A geostatistical method for Texas NexRad data calibration | |
Guo et al. | Daily runoff simulation in Poyang Lake Intervening Basin based on remote sensing data | |
Bosboom et al. | The deceptive simplicity of the Brier skill score | |
Zhang et al. | Quantitative estimation and fusion optimization of radar rainfall in the Duanzhuang watershed at the eastern foot of the Taihang Mountains |
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 |