CN113361742A - 一种基于水文模拟的区域综合干旱识别方法 - Google Patents
一种基于水文模拟的区域综合干旱识别方法 Download PDFInfo
- Publication number
- CN113361742A CN113361742A CN202011586502.9A CN202011586502A CN113361742A CN 113361742 A CN113361742 A CN 113361742A CN 202011586502 A CN202011586502 A CN 202011586502A CN 113361742 A CN113361742 A CN 113361742A
- Authority
- CN
- China
- Prior art keywords
- drought
- index
- hydrological
- runoff
- standardized
- 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 36
- 238000004088 simulation Methods 0.000 title claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 34
- 239000002689 soil Substances 0.000 claims abstract description 30
- 238000001556 precipitation Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000000750 progressive effect Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于水文模拟的区域综合干旱识别方法,属于干旱识别技术领域。本发明通过区域长系列水文气象观测数据的收集及处理、对水文模型进行参数率定得到水文模型、输入某个时段的降水和潜在蒸散发数据,模拟得到相应时段的土壤含水量和径流量,以得到区域内气象、农业和水文干旱指数序列,从而进行区域综合干旱识别。本发明能通过研究区域气象干旱、农业干旱和水文干旱在时间上的递进关系,揭示了不同类型干旱发生、发展的内在联系,具有较强的物理机制。而且可以通过水文模型模拟区域土壤含水量和径流来进行干旱情景预测,为流域干旱识别和干旱预警预测提供一个评价和模拟平台。
Description
技术领域
本发明属于干旱识别技术领域,特别涉及一种基于水文模拟的区域综合干旱识别方法。
背景技术
干旱是一种极其复杂的自然现象,它通常以少雨开始,进而引发日益蔓延至整个水文***的水资源短缺,从而进一步影响土壤含水量、地下水储量、河道径流量以及水库蓄水量。根据成因及其影响过程,干旱通常被划分为四类:气象干旱、农业干旱、水文干旱和社会经济干旱。四类干旱之间存在时间上的递进关系。研究不同类型干旱间演进过程及基本规律,将有助于提高区域干旱预警能力,合理规划区域水资源,为缓解水资源供需矛盾和提高旱灾防御能力提供科学依据。
许多学者在不同区域对各种不同类型干旱进行了大量研究,取得了较为丰富的研究成果。目前,常用的干旱识别及评价方法为标准化干旱指数方法,其中,标准化降水指数(Standardized Precipitation Index,SPI)常被用来分析气象干旱;标准化土壤湿度指数(Standardized Soil Moisture Index,SSMI)常被用来评价农业干旱;标准化径流指数(Standardized Runoff Index,SRI)常被用来识别水文干旱。由于区域干旱影响因素繁多,大多数研究只考虑单一因素对干旱的影响,仅用单一指数对区域某一类型的干旱进行评估,未能考虑多因素共同影响下的区域综合干旱,造成区域干旱评价的片面性。此外,不同类型干旱之间存在着紧密的内在联系,如何用具有一定物理机制的方法准确刻画并揭示这种联系,一直都是需要持续深入研究的问题。
发明内容
针对现有技术存在的不足,本发明提出一种水文模拟和标准化干旱指数耦合的区域综合干旱识别方法。
为解决上述技术问题,本发明采用如下技术方案:
一种基于水文模拟的区域综合干旱识别方法,包括以下步骤:
步骤1:区域长系列水文气象观测数据的收集及处理:收集并整理区域内水文气象观测资料,所述的水文气象观测资料包括降水、潜在蒸散发、径流资料;
步骤2:根据步骤1的水文气象观测资料对水文模型进行参数率定,得到经率定的水文模型;
步骤3:根据步骤2得到的经率定的水文模型,输入某个时段的降水和潜在蒸散发数据,模拟得到相应时段的土壤含水量和径流量;
步骤4:根据步骤3的降水、模拟土壤含水量和径流数据,采用标准化降水指数、标准化土壤湿度指数和标准化径流指数方法计算区域内气象、农业和水文干旱指数序列;
步骤5:根据步骤4得到的气象、农业和水文干旱指数序列,进行区域综合干旱识别。
步骤2中,所述的水文模型是两参数月水量平衡模型。
所述的两参数月水量平衡模型,简称TMWB模型,TMWB模型为假定月径流Q(t)为土壤含水量的双曲正切函数关系,即:
Q(t)=(S(t-1)+P(t)-E(t))×tanh((S(t-1)+P(t)-E(t))/SC) (1)
式中:SC为模型的第一个参数,表示流域最大蓄水能力(mm);
S(t-1)为第t个月初的土壤含水量,
P(t)为流域面平均降水量,
E(t)为第t个月的实际蒸散发量,按下式计算:
E(t)=C×PET(t)×tanh(P(t)/PET(t)) (2)
式中:C为TMWB模型的第二个参数;
计算第t个月末的土壤含水量S(t):
S(t)=S(t-1)+P(t)-E(t)-Q(t) (3)。
所述步骤4的标准化干旱指数方法包括:标准化降水指数、标准化土壤湿度指数和标准化径流指数方法。
所述步骤5的干旱等级按照《气象干旱等级》(GB/T20481-2006)进行划分。
本发明提出的基于水文模拟的区域综合干旱识别方法,与现有技术相比,具有以下优点和有益效果:
(1)综合评估:现有技术一般采用单一指数进行干旱评估,仅考虑了影响干旱的个别因素,而本发明方法可根据不同类型干旱的演进过程和基本规律,通过水文模型模拟不同阶段影响干旱的关键因素(土壤含水量和径流),对区域干旱的全程发展(气象干旱、农业干旱和水文干旱)进行全面、客观评估。
(2)揭示内在联系:本发明方法可以如实反映同一区域气象干旱、农业干旱和水文干旱链状传递过程,揭示不同类型干旱发生、发展的内在联系,具有较强的物理机制。
(3)完成旱情预测:本发明方法可以通过水文模型模拟区域径流和土壤含水量来进行干旱情景预测。
综上,本发明能够如实刻画研究区域气象干旱、农业干旱和水文干旱在时间上的递进关系,揭示了不同类型干旱发生、发展的内在联系,具有较强的物理机制。而且可以通过水文模型模拟区域土壤含水量和径流来进行干旱情景预测,为流域干旱识别和干旱预警预测提供一个重要的评价和模拟平台。
附图说明
图下面结合附图和实施例对本发明作进一步说明。
图1为本发明方法的逻辑结构框图;
图2为不同时间尺度气象、农业和水文干旱指数序列示意图,图中,a,b,c,d分别代表1个月、3个月、6个月以及12个月的水文干旱指数序列示意图;
图3为不同时间尺度气象、农业和水文干旱等级统计示意图,图中,a,b,c,d分别代表轻旱、中旱、重旱及特旱时的干旱等级统计示意图。
具体实施方式
参看图1的本发明逻辑结构框图,本发明提供的基于水文模拟的区域综合干旱识别方法,具体包括以下步骤:
步骤1,区域长系列水文气象观测数据的收集及处理:
收集流域出口断面控制性水文站长系列逐时段径流信息Q(t);基于收集的流域多个气象站点降水和潜在蒸散发数据,利用泰森多边形法推求得到逐时段的流域面平均降水P(t)和潜在蒸散发数据PET(t)。
考虑到标准化干旱指数方法所需资料为月时间尺度,故收集的长系列水文气象信息需为逐月或月时间尺度以下(如:逐日、逐旬等)。对于逐日、逐旬等较小时间尺度数据,可通过时间聚集的方法整理成逐月数据。
泰森多边形法为本领域常规技术。
步骤2,将步骤1的观测资料输入水文模型,采用SCE-UA算法对模型参数进行率定。SCE-UA算法是本领域常用方法。
通常,水文模型的选取与区域水文气象资料及基础下垫面信息的可获得性十分相关。考虑到同其它概念性水文模型相比,两参数月水量(Two-parameter Monthly WaterBalance,TMWB)模型结构简单,物理概念明确,参数较少,只有两个参数,而且对资料要求不高,易于推广应用,本具体实施采用TMWB模型。
两个参数具体为:(1)SC,表示流域最大蓄水能力(mm);(2)C,表示实际蒸散发折算系数。
TMWB模型假定月径流Q(t)为土壤含水量的双曲正切函数关系,即:
Q(t)=(S(t-1)+P(t)-E(t))×tanh((S(t-1)+P(t)-E(t))/SC) (1)
式中:SC为模型的第一个参数,表示流域最大蓄水能力(mm);
S(t-1)为第t个月初的土壤含水量,
P(t)为流域面平均降水量,
E(t)为第t个月的实际蒸散发量,按下式计算:
E(t)=C×PET(t)×tanh(P(t)/PET(t)) (2)
式中:C为TMWB模型的第二个参数,代表实际蒸散发折算系数。
计算第t个月末的土壤含水量S(t):
S(t)=S(t-1)+P(t)-E(t)-Q(t) (3)
步骤3,根据步骤2得到的率定模型,输入某个时段的降水和潜在蒸散发数据,模拟得到相应时段的土壤含水量和径流量;
优选地,由于TMWB模型参数通过历史水文气象数据率定得到,模型模拟效果可信,而气候模式预测的未来气象数据仍存在较大不确定性,故本具体实施步骤3中以历史某个时段气象数据作为TMWB模型输入。随着气候模式产品精度的进一步提高,本发明方法可应用于未来干旱预测。
步骤4,根据步骤3的降水、土壤含水量和径流信息,采用标准化干旱指数方法推求研究区域多种类型干旱指数序列;
步骤4中,标准化干旱指数使用标准化降水指数(Standardized PrecipitationIndex,SPI)、标准化土壤湿度指数(Standardized Soil Moisture Index,SSMI)和标准化径流指数(Standardized Runoff Index,SRI)。
SSMI和SRI与SPI计算方法类似,只需将降水用步骤3中模拟得到的土壤含水量和径流替换。SPI计算步骤如下:
S1:对于样本数为n年的逐月降水序列{x(i),i=1,2,…,12n},指定时间尺度为w个月时,计算w个月累积降水序列{xw(i),i=1,2,…,12n-w+1},按照xw(i)所在月份m将其重新排列组合得到12个子序列本具体实施时间尺度w取1、3、6和12。
式中:α、β和γ为形状、尺度和位置参数,采用L-矩法估计;Γ(·)是Gamma函数。
L-矩法为本领域常规技术。
进一步计算相应累积概率:
(3)将F(x)通过以下公式转换为标准正态分布函数,即可求得SPI:
式中:P为超过某一确定值的概率,P=1-F(x)。如果P>0.5,用1-P代替P,并相应改变SPI的符号。C0、C1、C2、d1、d2、d3均为常数。它们分别为:C0=2.515517,C1=0.802853,C2=0.010328,d1=1.432788,d2=0.189269,d3=0.001308。
步骤5,根据步骤4得到的干旱指数序列,进行区域综合干旱识别。
步骤5中,干旱指数的干旱等级按照《气象干旱等级》(GB/T20481-2006)进行划分。不同时间尺度SPI/SSMI/SRI序列如图2所示。
基于SPI/SSMI/SRI的干旱等级划分如表1所示。
表1 SPI/SSMI/SRI指数等级划分表
不同时间尺度气象、农业和水文干旱等级统计结果如图3所示。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,放在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于水文模拟的区域综合干旱识别方法,其特征在于:包括以下步骤:
步骤1:区域长系列水文气象观测数据的收集及处理:收集并整理区域内水文气象观测资料,所述的水文气象观测资料包括降水、潜在蒸散发和径流资料;
步骤2:根据步骤1的水文气象观测资料对水文模型进行参数率定,得到经率定的水文模型;
步骤3:根据步骤2得到的经率定的水文模型,输入某个时段的降水和潜在蒸散发数据,模拟得到相应时段的土壤含水量和径流量;
步骤4:根据步骤3的降水、模拟土壤含水量和径流数据,采用标准化降水指数、标准化土壤湿度指数和标准化径流指数方法计算区域内气象、农业和水文干旱指数序列;
步骤5:根据步骤4得到的气象、农业和水文干旱指数序列,进行区域综合干旱识别。
2.根据权利要求1所述的基于水文模拟的区域综合干旱评价方法,其特征在于:步骤2中,所述的水文模型是两参数月水量平衡模型。
3.根据权利要求2所述的基于水文模拟的区域综合干旱评价方法,其特征在于:所述的两参数月水量平衡模型,简称TMWB模型,TMWB模型为假定月径流Q(t)为土壤含水量的双曲正切函数关系,即:
Q(t)=(S(t-1)+P(t)-E(t))×tanh((S(t-1)+P(t)-E(t))/SC) (1)
式中:SC为模型的第一个参数,表示流域最大蓄水能力(mm);
S(t-1)为第t个月初的土壤含水量,
P(t)为流域面平均降水量,
E(t)为第t个月的实际蒸散发量,按下式计算:
E(t)=C×PET(t)×tanh(P(t)/PET(t)) (2)
式中:C为TMWB模型的第二个参数,代表实际蒸散发折算系数;
计算第t个月末的土壤含水量S(t):
S(t)=S(t-1)+P(t)-E(t)-Q(t) (3)
4.根据权利要求1所述的基于水文模拟的区域综合干旱评价方法,其特征在于:所述步骤4的标准化干旱指数方法包括:标准化降水指数、标准化土壤湿度指数和标准化径流指数方法。
5.根据权力要求1所述的基于水文模拟的区域综合干旱识别方法,其特征在于:所述步骤5的干旱等级按照《气象干旱等级》(GB/T20481-2006)进行划分。
6.根据权利要求4所述的基于水文模拟的区域综合干旱评价方法,其特征在于:所述步骤4中,指数使用标准化降水指数SPI、标准化土壤湿度指数SSMI和标准化径流指数SRI,计算方法为:
SPI计算步骤:
S1:对于样本数为n年的逐月降水序列{x(i),i=1,2,…,12n},指定时间尺度为w个月时,计算w个月累积降水序列{xw(i),i=1,2,…,12n-w+1},按照xw(i)所在月份m将其重新排列组合得到12个子序列
式中:α、β和γ为形状、尺度和位置参数,采用L-矩法估计;Γ(·)是Gamma函数;
进一步计算相应累积概率:
S3:将F(x)通过以下公式转换为标准正态分布函数,即可求得SPI:
式中:P为超过某一确定值的概率,P=1-F(x);如果P>0.5,用1-P代替P,并相应改变SPI的符号;C0、C1、C2、d1、d2、d3均为常数,C0=2.515517,C1=0.802853,C2=0.010328,d1=1.432788,d2=0.189269,d3=0.001308;
SSMI和SRI与SPI计算方法类似,只需将降水用步骤3中模拟得到的土壤含水量和径流替换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011586502.9A CN113361742B (zh) | 2020-12-28 | 2020-12-28 | 一种基于水文模拟的区域综合干旱识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011586502.9A CN113361742B (zh) | 2020-12-28 | 2020-12-28 | 一种基于水文模拟的区域综合干旱识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361742A true CN113361742A (zh) | 2021-09-07 |
CN113361742B CN113361742B (zh) | 2023-10-10 |
Family
ID=77524598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011586502.9A Active CN113361742B (zh) | 2020-12-28 | 2020-12-28 | 一种基于水文模拟的区域综合干旱识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361742B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819317A (zh) * | 2022-04-18 | 2022-07-29 | 青海省气象科学研究所 | 一种农田与草地干旱预警方法及*** |
CN115310796A (zh) * | 2022-07-29 | 2022-11-08 | 西安理工大学 | 一种不同类型干旱间传播关系的确定方法及*** |
CN115331215A (zh) * | 2022-10-18 | 2022-11-11 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种干旱事件的三维识别和匹配方法及装置 |
CN115329610A (zh) * | 2022-10-17 | 2022-11-11 | 中山大学 | 一种基于土壤水分的旱涝急转事件识别方法、装置及设备 |
CN115859583A (zh) * | 2022-11-21 | 2023-03-28 | 上海勘测设计研究院有限公司 | 降水和初始状态对干旱过程影响的定量分析方法及*** |
CN116128371A (zh) * | 2023-02-27 | 2023-05-16 | 水利部信息中心(水利部水文水资源监测预报中心) | 一种多指标综合干旱监测预警*** |
CN117828906A (zh) * | 2024-03-05 | 2024-04-05 | 长江水利委员会长江科学院 | 基于作物生长模型的干旱传递过程模拟方法、***及介质 |
Citations (2)
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 |
CN110334404A (zh) * | 2019-06-10 | 2019-10-15 | 淮阴师范学院 | 一种流域尺度骤发干旱精准识别方法 |
-
2020
- 2020-12-28 CN CN202011586502.9A patent/CN113361742B/zh active Active
Patent Citations (2)
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 |
CN110334404A (zh) * | 2019-06-10 | 2019-10-15 | 淮阴师范学院 | 一种流域尺度骤发干旱精准识别方法 |
Non-Patent Citations (4)
Title |
---|
屈海晨 等: ""基于水文模型的滦河流域综合干旱指数研究"", 《海河水利》 * |
洪兴骏: ""水文干旱指标与频率分析计算方法研究及应用"", 《中国博士学位论文全文数据库 基础科学辑》 * |
王文 等: ""长江流域陆地水储量与多源水文数据对比分析"", 《水科学进展》, vol. 26, no. 6 * |
粟晓玲 等: ""关中地区气象水文综合干旱指数及干旱时空特征"", 《水资源保护》, vol. 35, no. 4 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819317A (zh) * | 2022-04-18 | 2022-07-29 | 青海省气象科学研究所 | 一种农田与草地干旱预警方法及*** |
CN115310796A (zh) * | 2022-07-29 | 2022-11-08 | 西安理工大学 | 一种不同类型干旱间传播关系的确定方法及*** |
CN115310796B (zh) * | 2022-07-29 | 2023-06-20 | 西安理工大学 | 一种不同类型干旱间传播关系的确定方法及*** |
CN115329610A (zh) * | 2022-10-17 | 2022-11-11 | 中山大学 | 一种基于土壤水分的旱涝急转事件识别方法、装置及设备 |
CN115331215A (zh) * | 2022-10-18 | 2022-11-11 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种干旱事件的三维识别和匹配方法及装置 |
CN115859583A (zh) * | 2022-11-21 | 2023-03-28 | 上海勘测设计研究院有限公司 | 降水和初始状态对干旱过程影响的定量分析方法及*** |
CN115859583B (zh) * | 2022-11-21 | 2023-06-27 | 上海勘测设计研究院有限公司 | 降水和初始状态对干旱过程影响的定量分析方法及*** |
CN116128371A (zh) * | 2023-02-27 | 2023-05-16 | 水利部信息中心(水利部水文水资源监测预报中心) | 一种多指标综合干旱监测预警*** |
CN116128371B (zh) * | 2023-02-27 | 2024-04-12 | 水利部信息中心(水利部水文水资源监测预报中心) | 一种多指标综合干旱监测预警*** |
CN117828906A (zh) * | 2024-03-05 | 2024-04-05 | 长江水利委员会长江科学院 | 基于作物生长模型的干旱传递过程模拟方法、***及介质 |
CN117828906B (zh) * | 2024-03-05 | 2024-05-17 | 长江水利委员会长江科学院 | 基于作物生长模型的干旱传递过程模拟方法、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113361742B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361742B (zh) | 一种基于水文模拟的区域综合干旱识别方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及*** | |
CN107563554B (zh) | 一种统计降尺度模型预报因子的筛选方法 | |
CN112883558B (zh) | 一种水文模型参数时变形式构造方法 | |
CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
Theobald et al. | A synoptic classification of inflow-generating precipitation in the Snowy Mountains, Australia | |
CN111310322A (zh) | 基于元胞自动机的干旱区自然绿洲空间动态模拟方法 | |
CN110826689A (zh) | 一种基于深度学习的预测县级单位时序gdp的方法 | |
CN116796799A (zh) | 无水文资料地区中小流域洪水降雨量阈值模型创建方法 | |
CN115907286A (zh) | 一种社会经济干旱评估方法 | |
Müller-Thomy et al. | Rainfall disaggregation for hydrological modeling: is there a need for spatial consistence? | |
KR100920529B1 (ko) | 염해 오손 예측 방법 | |
CN107944466B (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
Amin et al. | Evaluation of the performance of SWAT model to simulate stream flow of Mojo river watershed: in the upper Awash River basin, in Ethiopia | |
CN116502531A (zh) | 一种基于多元线性回归模型的基流模拟方法 | |
Shukur et al. | Climatic temperature data forecasting in Nineveh governorate using the recurrent neutral network method | |
CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 | |
CN115496128A (zh) | 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法 | |
CN113487069A (zh) | 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 | |
Hubbard et al. | Toward a Better Quality Control of Weather Data | |
Ramli et al. | Comparisons among rainfall prediction of monthly rainfall basis data in Aceh using an autoregressive moving average | |
Chu et al. | Forecasting space-time land use change in the Paochiao watershed of Taiwan using demand estimation and empirical simulation approaches | |
CN117495593A (zh) | 基于多级优先管理区识别方法的动态多级优先管理区方法 | |
Gundalia | Monthly and Annual Maximum Rainfall Prediction using Best Fitted Probability Distributions in Junagadh Region (Gujarat-India) |
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 |