CN113743022A - 一种高精度气候变化数据的存储和可视化方法 - Google Patents
一种高精度气候变化数据的存储和可视化方法 Download PDFInfo
- Publication number
- CN113743022A CN113743022A CN202111129704.5A CN202111129704A CN113743022A CN 113743022 A CN113743022 A CN 113743022A CN 202111129704 A CN202111129704 A CN 202111129704A CN 113743022 A CN113743022 A CN 113743022A
- Authority
- CN
- China
- Prior art keywords
- climate
- data
- distribution
- model
- future
- 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
- 230000008859 change Effects 0.000 title claims abstract description 47
- 238000007794 visualization technique Methods 0.000 title claims abstract description 7
- 238000013500 data storage Methods 0.000 title claims abstract description 6
- 238000001556 precipitation Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012800 visualization Methods 0.000 claims abstract description 8
- 238000012950 reanalysis Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 80
- 238000013179 statistical model Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000001595 contractor effect Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 description 10
- 238000013459 approach Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241001237728 Precis Species 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229920013636 polyphenyl ether polymer Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了属于区域气候变化技术领域的一种高精度气候变化数据的存储和可视化方法。包括步骤1:选择ERA5数据集中温度和降水的再分析数据;选择CMIP6GCM中SSP245和SSP585情景下的温度和降水数据作为模型输入;步骤2:使用插值方法弥补步骤1中数据的缺失值;步骤3:使用区域气候模型进行气候模拟,得到未来温度降水的气候预估集合;步骤4:基于步骤3的气候预估集合,生成气候变量变化的集合概率预估;步骤5:通过ArcGISonline的API与图层,以及javascript,实现数据的浏览器端可视化。本发明更能反映局部尺度的气候细节;有效反映了观测误差、模型可靠性和气候变化信号时间相关性的不确定性,实现了气候数据的可视化。
Description
技术领域
本发明涉及区域气候变化技术领域,尤其涉及一种高精度气候变化数据的存储和可视化方法。
背景技术
气候变化正在成为全世界最紧迫的问题之一。为应对挑战,国内外一直在采取谨慎措施保护其健康、经济和社区免受气候变化的有害影响。因此,亟需开发更精细可靠的高分辨率气候预估,为决策者或政策制定者提供有用的信息,以评估气候变化在区域或社区尺度上的可能未来影响。
我们对气候***复杂的物理过程和自然变异以及对温室气体水平上升的反应不完全了解,这些预估不可避免地存在不确定性。这进一步导致可预期的变化率存在相当大的不确定性,例如极端温度和降水的变化以及海平面上升。没有一个单一的模型可以强大到足以同时解决这些不确定性,因此有必要利用一系列耦合模型的结果。
此前,已经开展了一些基于多模式集合(MME)或扰动物理集合(PPE)方法的气候研究项目,以探索量化未来气候变化不确定性的技术。MME方法通常由世界各地不同建模中心开发的各种GCM组成,用于在有限程度上对结构和参数不确定性进行采样,但无法对任何一种类型的不确定性都以***的方式存在,因为它是在机会主义的基础上从当前可用的模型中组合而成的。PPE通常由单个基础模型的变体组成,其扰动参数受限于可能的模型配置空间。PPE方法的主要优点是它允许更好地控制实验设计,以在单个模型框架内对参数不确定性进行采样。两种集成方法都可以为各种情景生成大量的未来气候预估,但由于缺乏对气候预估的验证,如何将这些多重预估结合并解释为政策相关信息成为近年来的重大挑战。
MMEs或PPEs的建模结果有明显不同的合成方式。一种直接的方法是计算给定诊断或变量的多模型平均值,其中每个模型的权重相等。在许多情况下,通过贝叶斯方法或加权平均来组合整体结果,其中权重是通过比较模型预估与观察结果来确定的,显示出比简单平均更好的性能。综合估计值通常以基于各种统计方法的概率方式表示,可为影响研究和决策提供更多有用的信息鉴于在此阶段无法验证对未来气候的任何模型预估。例如,由于每个估计都具有特定的发生级别(即概率),因此可以通过在不同概率级别平衡适应成本与气候变化的潜在损害之间的权衡来提前规划适当的适应策略。
因此,有必要开发高分辨率概率气候预估数据并通过网络开发技术实现数据的存储和可视化。其中,观测误差、模型可靠性和气候变化信号的时间相关性的不确定性将通过贝叶斯分层模型反映出来。具体而言,首先产出区域气候模型集合预估结果。然后改进的贝叶斯统计模型,通过将感兴趣的未知量视为随机变量以统计方式量化其不确定性,从而在网格点尺度上生成气候变化的概率预估。当前气候的观测和区域气候模型集合的模拟被输入到贝叶斯模型中,以推导出所有不确定量的后验分布,并用于之后构建气候变量变化的概率预估。所得到的概率预估结果通过ArcGIS online提供的API与图层服务,以及相应的javascript开发,可实现数据的浏览器端可视化。
发明内容
本发明的目的是提出一种高精度气候变化数据的存储和可视化方法,其特征在于,包括以下步骤:
步骤1:数据收集;选择ERA5数据集中温度和降水的再分析数据;选择CMIP6 GCM中SSP245和SSP585情景下的温度和降水数据作为模型输入;
步骤2:数据预处理;统一气候数据的时间空间尺度,使用插值方法弥补步骤1中数据的缺失值;
步骤3:气候预估结果集合;使用区域气候模型进行气候模拟,得到未来温度降水的气候预估集合;
步骤4:气候数据的概率预估;基于步骤3的气候预估集合,运用贝叶斯理论,生成气候变量变化的集合概率预估;
步骤5:数据***集成;基于步骤4中的集合概率预估的数据,通过ArcGIS online的API与图层,以及javascript,实现数据的浏览器端可视化。
所述步骤4具体包括以下子步骤:
步骤41:建立贝叶斯层次模型;
假定现有数据D由当前气候的观测数据x0、区域气候模型模拟的当前气候xi和未来气候yi组成,i=1,2,…,N;N表示使用不同边界条件获取的模拟结果;假定区域气候模型的输出取决于气候模型的不确定性而产生的未知参数,并将其作为随机变量;
以现有数据D为条件,为随机参数Θ构建概率模型如下:
p(Θ|D)∝p(Θ)·p(D|Θ) (1)
其中,Θ表示观测和模型模拟中涉及的所有未知参数的向量;p(Θ|D)表示Θ的后验分布;p(Θ)代表Θ的先验分布,表示在获取数据D之前对未知参数的了解;p(D|Θ)代表在给定所有相关参数的情况下指定数据的条件分布的似然;∝代表与归一化常数的比例关系;
步骤42:确定似然函数;
假设观测值x0为高斯分布:
x0=μ+x (3)
假设xi为高斯分布:
xi~N(μ,λi -1) (4)
xi的统计假设表示如下:
xi=μ+ηi (5)
其中,ηi~N(0,λi -1)用气候模型预估未来气候在某种程度上与其气候预估的能力相关,因此,通过线性回归方程将yi和xi视为相关分布;yi表示为:
yi=v+ξi+β(xi-μ) (6)
式中,v表示未来气候平均值的真实值;ξi~N[0,(θλi)-1];θλi称为模拟未来气候的分布yi的精度,θ为附加参数;β是一个未知的回归系数;β值等于0表示yi和xi之间独立,否则,正值表示这两个量之间的直接关系,负值表示这两个量之间的反向关系;
假设yi的似然函数满足高斯分布:
yi~N(v+β(xi-μ),(θλi)-1] (7)
其中,β(xi-μ)表示根据当前气候模拟的模型偏差对未来气候预估进行线性调整;
步骤43:确定先验概率分布;
步骤41和步骤42的统计模型均使用一组参数{μ,v,β,θ,λ0,λ1,…,λN};且所有参数的完全条件分布满足以下假设:假设当前和未来气候平均值μ和v的真实值在实线上具有一致的先验值;假设回归系数β在-1和+1之间自由变化,则可获得[-1,+1]区间内的均匀分布;假设λ0先验密度,其平均值和方差的首次猜测分别为4.5和19.3;λ0的先验分布公式如下:
其中,m=1.05,n=0.23;
假设伽马分布λ1,…,λN:
θ的伽马分布:
步骤44:确定后验概率分布;
公式(1)中定义的统计模型通过取所有条件分布的乘积,得到一个常数的联合后验分布:
通过吉布斯采样器进行MCMC模拟,获得当前和未来气候平均值μ和v的真实值;
根据不同边界条件驱动的区域气候模型获得气候变化集合概率预估;首先,通过将参数固定为高斯分布,得到μ的完整条件分布:
v的完整条件分布获得方法如下:
使用吉布斯采样器进行抽样获得μ和v的样本;用未来气候的真实值和当前气候的真实值之间的差异来表示气候变化量为:
Δ=v-μ (14)
因此,使用v和μ的两个样本之间的差来估计Δ的密度;
步骤45:对区域气候的集合概率进行耦合预估;当前和未来气候平均值和真实值的后验分布为:
式中,λ0和λi表示观测当前气候x0和模拟当前气候xi的相应分布的精度;β是指根据再现当前气候的模型偏差对未来气候预估yi进行的线性调整;θ是一个比例系数,表示未来气候预估的膨胀或收缩效应;利用吉布斯取样器进行马尔可夫链蒙特卡罗MCMC模拟,随机生成μ和ν的样本;
将马尔可夫链蒙特卡罗MCMC样本的密度视为相应后验分布的经验估计,预估的温度变化表示为:
ΔT=v-μ (17)
降水量的预计变化通过以下公式计算:
未来气候的温度预估计算如下:
Tfut=Tobs+ΔT (19)
通过以下方式获得未来气候降水量预估:
Pfut=Pobs×(1+Δp) (20)。
本发明的有益效果在于:
1、本发明更能反映局部尺度的气候细节;
2、本发明由多套区域气候模型结果构成集合预估,考虑了模型带来的不确定性;
3、有效反映了观测误差、模型可靠性和气候变化信号时间相关性的不确定性;
4、在格点尺度上产出了温度和降水的概率变化信息;
5、提供了方便的网页集成方法,实现了气候数据的可视化。
附图说明
图1为本发明一种高精度气候变化数据的存储和可视化方法的技术路线图;
图2为以降水为例的气候数据的概率预估图。
具体实施方式
本发明提出一种高精度气候变化数据的存储和可视化方法,下面结合附图和具体实施例对本发明做进一步说明。
图1为本发明一种高精度气候变化数据的存储和可视化方法的技术路线图;图2为以降水为例的气候数据的概率预估图。
技术方案共分为5个步骤。具体如下:
1)数据收集——气象观测数据是开发基于气候模型与概率预估方法的基础。从ECWMF气象组织提供的ERA5数据集中选择温度和降水的再分析数据;从CMIP6 GCM中收集历史和未来(SSP245和SSP585)情景下的温度降水数据作为模型输入。
2)数据预处理——统一气候数据的时间空间尺度,必要时使用插值方法弥补数据中的缺失值。
3)气候预估结果集合——使用多套区域气候模型进行气候模拟,得到未来温度降水的气候预估集合。
4)气候数据的概率预估——基于多套气候预估的数据集合,运用贝叶斯理论,生成气候变量变化的集合概率预估。
5)数据***集成——基于集合概率预估数据,通过ArcGIS online提供的API与图层服务,以及相应的javascript开发,实现数据的浏览器端可视化。
该方法的核心是基于贝叶斯理论的集合概率预估方法。
具体而言,首先使用多套区域气候模型进行气候模拟,并取得多套高分辨率的区域气候集合预估结果。在历史时期使用不同边界条件驱动多次区域气候模型,从中提取与气候变化相关的变量,如温度和降水。预估时期分为4个阶段:历史基准期(即历史时期),未来三个时期(即世纪初期、中期、末期)。
然后,基于贝叶斯理论,将未知变量作为随机变量并假设服从高斯分布,通过吉布斯(Gibbs)采样器和马尔可夫链蒙特卡罗(MCMC)方法,进行一系列抽样以获得大量样本,并以样本密度近似表示为完整的条件后验分布,通过引入不确定度,即定义以10%和90%累积概率值为界的区间,来表示未来气候预估结果最可能出现的范围,从而在格点尺度上生成气候变量变化的集合概率预估。
具体地,方法包括贝叶斯层次模型、似然函数、先验概率分布、后验概率分布,及区域气候集合概率预估等5个技术流程和关键技术方法。
1)贝叶斯层次模型
假定现有数据D由当前气候的观测数据x0、区域气候模型模拟的当前气候xi和未来气候yi组成(i=1,2,…,N;N表示使用不同边界条件获取的模拟结果)。假定区域气候模型的输出取决于一些由于气候模型的不确定性而产生的未知参数,并将其被视为随机变量,以便通过统计方式量化不确定性。
以现有数据D为条件,为随机参数Θ(即模型未知参数)构建一个概率模型:
p(Θ|D)∝p(Θ)·p(D|Θ) (1)
其中,Θ表示观测和模型模拟中涉及的所有未知参数的向量;p(Θ|D)表示Θ的后验分布,根据我们基于现有观测和模型模拟对气候***的最佳理解(对气候***进行观测和模拟后可以得出的关于未知参数的概率的表示);p(Θ)代表Θ的先验分布,表示在获取数据D之前对未知参数的了解;p(D|Θ)代表在给定所有相关参数的情况下指定数据的条件分布的似然(在一些统计假设下制定的);∝代表与归一化常数(即边际分布)的比例关系。
2)似然函数
假设观测值x0为高斯分布:
其中,符号表示均值为μ,方差为的高斯分布。此处,μ表示当前气候平均值的真实值,被视为随机变量,以表明观测值以当前气候的真实值为中心,存在随机误差。由于观测结果可能会受到随机误差(即测量和采样)和***误差的影响,在这里使用λ0来解释观测中的这些不确定性。因此,将x0的统计假设表示为:
x0=μ+x (3)
同样,假设xi为高斯分布:
xi~N(μ,λi -1) (4)
xi的统计假设可以表示如下:
xi=μ+ηi (5)
其中,ηi~N(0,λi -1)用气候模型预估未来气候在某种程度上与其气候预估的能力相关,因此,通过线性回归方程将yi和xi视为相关分布。因此,yi可表述为:
yi=v+ξi+β(xi-μ) (6)
式中,v表示未来气候平均值的真实值;ξi~N[0,(θλi)-1];θλi的乘积被称为模拟未来气候的分布yi的精度,而θ作为附加参数引入,以允许在所有PRECIS运行中yi和xi的精度不同;β是一个未知的回归系数。β值等于0表示yi和xi之间的独立性;否则,正值表示这两个量之间的直接关系,负值表示这两个量之间的反向关系。同样,我们假设yi的似然函数满足高斯分布:
yi~N(v+β(xi-μ),(θλi)-1] (7)
其中,β(xi-μ)表示根据当前气候模拟的模型偏差对未来气候预估进行线性调整。
3)先验概率分布
上述统计模型均使用一组参数{μ,v,β,θ,λ0,λ1,…,λN}制定。所有参数的完全条件分布满足以下假设:
(i)假设当前和未来气候平均值μ和v的真实值在实线上具有一致的先验值。
(ii)假设回归系数β在-1和+1之间自由变化,则可获得[-1,+1]区间内的均匀分布。
(iii)根据Giorgi和Mearns(2002)对冬季和夏季不同区域观测温度的自然变异性的估计,假设λ0先验密度,其平均值和方差的首次猜测分别为4.5和19.3。则λ0的先验分布公式如下:
其中,m=1.05 and n=0.23.
(iv)假设伽马分布λ1,…,λN:
类似地,θ的伽马分布:
这里设置了a=b=c=d=0.001,为了将假定的先验值转换为平均值为1、方差为1000的伽马分布,因此,可以得到较为分散的先验值,以反映我们对这未知参数的理解不足。
4)后验概率分布
公式(1)中定义的统计模型的推论可通过将贝叶斯定理应用于上述可能性和先验来实现。通过取所有条件分布的乘积,得到一个常数的联合后验分布,如下所示:
通过吉布斯采样器进行进一步的MCMC模拟,获得当前和未来气候平均值μ和v的真实值。
在这里,展示了如何根据不同边界条件驱动的区域气候模型获得气候变化集合概率预估。首先,通过将所有其他参数固定为高斯分布,可推导出μ的完整条件分布:
以类似的方式,v的完整条件分布可如下获得:
同理,剩余参数的完全条件后验分布也可以被推导出来。通过使用吉布斯采样器进行一系列抽样以获得大量μ和v的样本。这些MCMC样本的密度可以作为其完整条件分布的近似表示。气候变化量是一个随机变量,可以用未来气候的真实值和当前气候的真实值之间的差异来表示:
Δ=v-μ (14)
因此,可以使用v和μ的两个样本之间的差来估计Δ的密度。鉴于气候模型代表真实气候***的能力有限,我们只能给出未来气候变化的合理分布,无法利用一些精确的数值来表示气候变化的绝对概率。相反,我们谈论的是气候变化的概率小于或大于某个值。因此,应用累积分布函数(CDF)来定义气候变化小于或大于给定量的概率,而不是使用概率密度函数(PDF)。通过使用90%的累积概率来描述概率预估,即表示极有可能小于或极不可能大于;使用10%的累积概率表示很可能大于或不太可能小于,并且我们将累积概率为50%的值定义为预估的中心估计值(即分布的中值)。
5)区域气候的集合概率耦合预估
根据以上提出的贝叶斯层次模型来量化当前气候观测和当前及未来气候集合模拟之间的不确定性,从而为大湖区流域开发概率气候预估。具体而言,通过推导当前和未来气候平均值(表示为μ和ν)真实值的后验分布,如下所示:
式中,λ0和λi表示观测当前气候(x0)和模拟当前气候(xi)的相应分布的精度;β是指根据再现当前气候的模型偏差对未来气候预估(yi)进行的线性调整;θ是一个比例系数,意味着未来气候预估的膨胀或收缩效应。进一步的,利用吉布斯取样器进行马尔可夫链蒙特卡罗(MCMC)模拟,随机生成大量μ和ν的样本。进而将这些MCMC样本的密度视为相应后验分布的经验估计。因此,预估的温度变化表示为:
ΔT=v-μ (17)
降水量的预计变化通过以下公式计算:
因此,通过应用等式给出的可能变化来计算未来气候预估对当前气候的观测。具体而言,未来气候的温度预估计算如下:
Tfut=Tobs+ΔT (19)
同样,通过以下方式获得未来气候降水量预估:
Pfut=Pobs×(1+Δp) (20)
为了解释未来气候中温度和降水的可能结果,使用累积分布函数来描述预估变化小于或大于给定量的概率。具体而言,引入了不确定度,定义为以10%和90%累积概率值为界的区间,以表示未来结果最可能出现的范围。使用90%的累积概率来描述预估变化很可能小于或不太可能大于给定值;使用10%的累积概率表示变化很可能大于或不太可能小于给定值;将该值定义为50%的累积概率,作为预估变化的中心估计值(也称为中值变化或最有可能的变化)。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种高精度气候变化数据的存储和可视化方法,其特征在于,包括以下步骤:
步骤1:数据收集;选择ERA5数据集中温度和降水的再分析数据;选择CMIP6 GCM中SSP245和SSP585情景下的温度和降水数据作为模型输入;
步骤2:数据预处理;统一气候数据的时间空间尺度,使用插值方法弥补步骤1中数据的缺失值;
步骤3:气候预估结果集合;使用区域气候模型进行气候模拟,得到未来温度降水的气候预估集合;
步骤4:气候数据的概率预估;基于步骤3的气候预估集合,运用贝叶斯理论,生成气候变量变化的集合概率预估;
步骤5:数据***集成;基于步骤4中的集合概率预估的数据,通过ArcGIS online的API与图层,以及javascript,实现数据的浏览器端可视化。
2.根据权利要求1所述高精度气候变化数据的存储和可视化方法,其特征在于,所述步骤4具体包括以下子步骤:
步骤41:建立贝叶斯层次模型;
假定现有数据D由当前气候的观测数据x0、区域气候模型模拟的当前气候xi和未来气候yi组成,i=1,2,…,N;N表示使用不同边界条件获取的模拟结果;假定区域气候模型的输出取决于气候模型的不确定性而产生的未知参数,并将其作为随机变量;
以现有数据D为条件,为随机参数Θ构建概率模型如下:
p(Θ|D)∝p(Θ)·p(D|Θ) (1)
其中,Θ表示观测和模型模拟中涉及的所有未知参数的向量;p(Θ|D)表示Θ的后验分布;p(Θ)代表Θ的先验分布,表示在获取数据D之前对未知参数的了解;p(D|Θ)代表在给定所有相关参数的情况下指定数据的条件分布的似然;∝代表与归一化常数的比例关系;
步骤42:确定似然函数;
假设观测值x0为高斯分布:
x0=μ+x (3)
假设xi为高斯分布:
xi的统计假设表示如下:
xi=μ+ηi (5)
yi=v+ξi+β(xi-μ) (6)
式中,v表示未来气候平均值的真实值;ξi~N[0,(θλi)-1];θλi称为模拟未来气候的分布yi的精度,θ为附加参数;β是一个未知的回归系数;β值等于0表示yi和xi之间独立,否则,正值表示这两个量之间的直接关系,负值表示这两个量之间的反向关系;
假设yi的似然函数满足高斯分布:
yi~N(v+β(xi-μ),(θλi)-1] (7)
其中,β(xi-μ)表示根据当前气候模拟的模型偏差对未来气候预估进行线性调整;
步骤43:确定先验概率分布;
步骤41和步骤42的统计模型均使用一组参数{μ,v,β,θ,λ0,λ1,…,λN};且所有参数的完全条件分布满足以下假设:假设当前和未来气候平均值μ和v的真实值在实线上具有一致的先验值;假设回归系数β在-1和+1之间自由变化,则可获得[-1,+1]区间内的均匀分布;假设λ0先验密度,其平均值和方差的首次猜测分别为4.5和19.3;λ0的先验分布公式如下:
其中,m=1.05,n=0.23;
假设伽马分布λ1,…,λN:
θ的伽马分布:
步骤44:确定后验概率分布;
公式(1)中定义的统计模型通过取所有条件分布的乘积,得到一个常数的联合后验分布:
通过吉布斯采样器进行MCMC模拟,获得当前和未来气候平均值μ和v的真实值;
根据不同边界条件驱动的区域气候模型获得气候变化集合概率预估;首先,通过将参数固定为高斯分布,得到μ的完整条件分布:
v的完整条件分布获得方法如下:
使用吉布斯采样器进行抽样获得μ和v的样本;用未来气候的真实值和当前气候的真实值之间的差异来表示气候变化量为:
Δ=v-μ (14)
因此,使用v和μ的两个样本之间的差来估计Δ的密度;
步骤45:对区域气候的集合概率进行耦合预估;当前和未来气候平均值和真实值的后验分布为:
式中,λ0和λi表示观测当前气候x0和模拟当前气候xi的相应分布的精度;β是指根据再现当前气候的模型偏差对未来气候预估yi进行的线性调整;θ是一个比例系数,表示未来气候预估的膨胀或收缩效应;利用吉布斯取样器进行马尔可夫链蒙特卡罗MCMC模拟,随机生成μ和ν的样本;
将马尔可夫链蒙特卡罗MCMC样本的密度视为相应后验分布的经验估计,预估的温度变化表示为:
ΔT=v-μ (17)
降水量的预计变化通过以下公式计算:
未来气候的温度预估计算如下:
Tfut=Tobs+ΔT (19)
通过以下方式获得未来气候降水量预估:
Pfut=Pobs×(1+Δp) (20)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129704.5A CN113743022B (zh) | 2021-09-26 | 2021-09-26 | 一种高精度气候变化数据的存储和可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111129704.5A CN113743022B (zh) | 2021-09-26 | 2021-09-26 | 一种高精度气候变化数据的存储和可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743022A true CN113743022A (zh) | 2021-12-03 |
CN113743022B CN113743022B (zh) | 2024-02-02 |
Family
ID=78741048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111129704.5A Active CN113743022B (zh) | 2021-09-26 | 2021-09-26 | 一种高精度气候变化数据的存储和可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743022B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114910981A (zh) * | 2022-06-15 | 2022-08-16 | 中山大学 | 一种相邻预见期降水预报重叠与新增信息的量化评估方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104882884A (zh) * | 2015-02-27 | 2015-09-02 | 国网河南省电力公司电力科学研究院 | 基于马尔可夫链-蒙特卡罗法的***谐波概率评估方法 |
CN106203671A (zh) * | 2016-06-22 | 2016-12-07 | 中国水利水电科学研究院 | 一种地表水质对气候变化的响应分析方法 |
CN107256293A (zh) * | 2017-05-24 | 2017-10-17 | 南京雨后地软环境技术有限公司 | 一种气候‑生态***耦合建模方法 |
CN107862466A (zh) * | 2017-11-21 | 2018-03-30 | 国网新疆电力有限公司 | 考虑***双侧随机性的源荷跨时空互补效益评价方法 |
CN111783360A (zh) * | 2020-07-06 | 2020-10-16 | 中国科学院沈阳应用生态研究所 | 高分辨率土地利用及森林景观过程耦合模拟***及方法 |
CN112036683A (zh) * | 2020-07-14 | 2020-12-04 | 中国电建集团华东勘测设计研究院有限公司 | 一种适用于未来气候变化情景下的水库防洪风险预估方法 |
CN113361766A (zh) * | 2021-06-03 | 2021-09-07 | 南京信息工程大学 | 一种集成机器学习的多模式降水预估方法 |
-
2021
- 2021-09-26 CN CN202111129704.5A patent/CN113743022B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104882884A (zh) * | 2015-02-27 | 2015-09-02 | 国网河南省电力公司电力科学研究院 | 基于马尔可夫链-蒙特卡罗法的***谐波概率评估方法 |
CN106203671A (zh) * | 2016-06-22 | 2016-12-07 | 中国水利水电科学研究院 | 一种地表水质对气候变化的响应分析方法 |
CN107256293A (zh) * | 2017-05-24 | 2017-10-17 | 南京雨后地软环境技术有限公司 | 一种气候‑生态***耦合建模方法 |
CN107862466A (zh) * | 2017-11-21 | 2018-03-30 | 国网新疆电力有限公司 | 考虑***双侧随机性的源荷跨时空互补效益评价方法 |
CN111783360A (zh) * | 2020-07-06 | 2020-10-16 | 中国科学院沈阳应用生态研究所 | 高分辨率土地利用及森林景观过程耦合模拟***及方法 |
CN112036683A (zh) * | 2020-07-14 | 2020-12-04 | 中国电建集团华东勘测设计研究院有限公司 | 一种适用于未来气候变化情景下的水库防洪风险预估方法 |
CN113361766A (zh) * | 2021-06-03 | 2021-09-07 | 南京信息工程大学 | 一种集成机器学习的多模式降水预估方法 |
Non-Patent Citations (3)
Title |
---|
J.R. ALDER等: "Web based visualization of large climate data sets", pages 1 - 6, Retrieved from the Internet <URL:《网页在线公开:https://www.sciencedirect.com/science/article/pii/S1364815215000651》> * |
JUNHONG GUO等: "Evaluating the added values of regional climate modeling over China at different resolutions", pages 1 - 16, Retrieved from the Internet <URL:《网页在线公开:https://www.sciencedirect.com/science/article/pii/S0048969720308603》> * |
周志光等: "降水时空关联特征可视分析", 《中国图像图形学报》, vol. 26, no. 3, pages 619 - 632 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114910981A (zh) * | 2022-06-15 | 2022-08-16 | 中山大学 | 一种相邻预见期降水预报重叠与新增信息的量化评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113743022B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
CN108761574B (zh) | 基于多源信息融合的降雨量估算方法 | |
CN107423546B (zh) | 基于Copula函数的多变量水文不确定性处理方法 | |
Nayak et al. | Fuzzy computing based rainfall–runoff model for real time flood forecasting | |
CN101354757B (zh) | 一种精细尺度下的动态风险及易损性预测方法 | |
CN104969216B (zh) | 分级潜在变量模型估计设备 | |
Yang et al. | A reliability assessment approach for electric power systems considering wind power uncertainty | |
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*** | |
CN107610021A (zh) | 环境变量时空分布的综合分析方法 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN112819312A (zh) | 气候变化情景下干旱社会经济暴露度评估方法和*** | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN115238947A (zh) | 气候变化下旱涝急转事件的社会经济暴露度预估方法 | |
Emamgholizadeh et al. | Comparison of artificial neural networks, geographically weighted regression and Cokriging methods for predicting the spatial distribution of soil macronutrients (N, P, and K) | |
CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 | |
Chen et al. | Combining stochastic weather generation and ensemble weather forecasts for short-term streamflow prediction | |
CN115618720A (zh) | 一种基于海拔高度的土壤盐渍化预测方法及*** | |
Wu et al. | Local and global Bayesian network based model for flood prediction | |
Tabas et al. | Variational Bayesian dropout with a Gaussian prior for recurrent neural networks application in rainfall–runoff modeling | |
Hooshyaripor et al. | Estimation of peak outflow in dam failure using neural network approach under uncertainty analysis | |
CN117408171B (zh) | 一种Copula多模型条件处理器的水文集合预报方法 | |
CN113743022B (zh) | 一种高精度气候变化数据的存储和可视化方法 | |
Gao et al. | A framework for automatic calibration of SWMM considering input uncertainty | |
Bai et al. | Evolving an information diffusion model using a genetic algorithm for monthly river discharge time series interpolation and forecasting | |
Oliveira et al. | A new approach to identify the structural order of par (p) models |
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 |