CN113887972A - 一种基于水文过程的综合旱情监测与评估方法 - Google Patents

一种基于水文过程的综合旱情监测与评估方法 Download PDF

Info

Publication number
CN113887972A
CN113887972A CN202111176300.1A CN202111176300A CN113887972A CN 113887972 A CN113887972 A CN 113887972A CN 202111176300 A CN202111176300 A CN 202111176300A CN 113887972 A CN113887972 A CN 113887972A
Authority
CN
China
Prior art keywords
drought
data
function
comprehensive
speri
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.)
Pending
Application number
CN202111176300.1A
Other languages
English (en)
Inventor
李玮
王文君
吴英杰
周泉成
陈晓俊
王怡璇
全强
尹航
赵水霞
张伟杰
孙立新
赵谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Water Resources for Pasteral Area Ministry of Water Resources PRC
Original Assignee
Institute of Water Resources for Pasteral Area Ministry of Water Resources PRC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Water Resources for Pasteral Area Ministry of Water Resources PRC filed Critical Institute of Water Resources for Pasteral Area Ministry of Water Resources PRC
Priority to CN202111176300.1A priority Critical patent/CN113887972A/zh
Publication of CN113887972A publication Critical patent/CN113887972A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于水文水资源领域，尤其是一种基于水文过程的综合旱情监测与评估方法，包括以下步骤：S1：分布式水文模型构建、率定和验证；S2：边缘分布拟合；S3：综合干旱指数SPERI构建；S4：基于综合干旱指数SPERI的干旱演变分析。本发明从水循环角度出发，应用SWAT模型和Copula函数构建了考虑水文和气象因素的综合干旱指数SPERI，该综合干旱指数SPERI具有较强的物理意义与统计基础，能够灵敏捕捉干旱事件的发生过程，可以真实客观反映区域旱情的演变特征，同时基于该指数对干旱历时、烈度、峰值等特征变量进行识别和多变量重现期分析，可为旱情监测和评估提供有力支撑。

Description

一种基于水文过程的综合旱情监测与评估方法
技术领域
本发明涉及水文水资源技术领域，尤其涉及一种基于水文过程的综合旱情监测与评估方法。
背景技术
干旱是一种长期水分短缺造成水资源供需不平衡的现象，具有发生频率高、影响范围广和危害程度深等特点。近年来，我国局部性、区域性的干旱灾害连年发生，造成的损失占气象灾害的50％以上。随着全球气候变暖，干旱等极端水文事件频繁发生，而人类活动导致水循环过程异常也会加剧干旱造成的影响。多重驱动因子使得干旱持续时间及危害程度等特征难以捕捉，干旱在精确识别、度量以及评估等方面的研究依旧是热点与难点。
针对如何提高干旱识别与评估精度等问题，相关学者开展了大量研究，但多数采用仅能表征气象干旱、农业干旱或水文干旱中一种的单一类型指数，而不同类型的干旱之间存在着区别与联系，它们之间可以相互影响、相互转化。同时，现有研究多数并未考虑干旱形成的物理过程，仅从观测长序列数据中提取干旱信息进行分析会受到数据非一致性的干扰，并不能客观反映地区干旱的真实状态。因此，从水循环角度出发，通过构建考虑干旱形成物理机制的多变量的综合干旱指数SPERI开展相关研究，对提高干旱评价结果的准确性与客观性具有理论意义和实践价值，因此我们提出了一种基于水文过程的综合旱情监测与评估方法。
发明内容
为了解决现有技术所存在的问题，本发明提出的一种基于水文过程的综合旱情监测与评估方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于水文过程的综合旱情监测与评估方法，包括以下步骤：
S1：分布式水文模型构建、率定和验证：收集研究区的DEM数据、矢量边界文件、土地利用数据、土壤类型栅格数据和水文气象长序列观测数据，构建、率定并验证研究区SWAT模型；
S2：边缘分布拟合：提取S1中的研究区SWAT模型输出的径流和潜在蒸散发数据，再结合研究区水文气象长序列观测数据中的降水数据进行计算得到水分盈亏值，然后对径流和水分盈亏值进行边缘分布拟合，确定研究区的最适边缘分布函数；
S3：综合干旱指数SPERI构建：首先从嵌套Archimedean Copulas函数族中选择最优Copula函数，通过最优Copula函数构建的径流R与水分盈亏值P-PET的联合分布函数，并计算二者的累积联合概率p，进一步将累积联合概率p进行标准正态化处理，最终得到综合干旱指数SPERI；
S4：基于综合干旱指数SPERI的干旱演变分析：对S3中构建的综合干旱指数SPERI进行适用性分析，然后采用Mann-Kendall检验和Pettitt检验分别对综合干旱指数SPERI进行趋势检验和变异点检测，得到研究区的不同时间尺度下干旱演变特征；
S5：基于综合干旱指数SPERI的干旱风险评估：应用游程理论识别和提取干旱特征变量，然后基于上述Copula函数进行干旱多变量联合分布的研究、概率分析和重现期的分析。
优选的，所述S1中分布式水文模型构建、率定和验证的具体步骤如下：
S11：结合研究区的流域实际情况，对研究区的DEM数据、矢量边界文件、土地利用数据、土壤类型栅格数据和水文气象长序列观测数据进行收集，其中水文气象长序列观测数据包括降水数据、温湿度数据和辐射数据；
S12：S11中的DEM数据利用数字高程模型依次进行流域边界的确定、子流域的划分和水系河网的生成；
S13：在S12中的数字高程模型中进行导入土地利用数据和土壤类型栅格数据，分别进行构建相应的土地利用数据库和土壤数据库，然后利用数字高程模型进一步生成研究区的SWAT模型；
S14：首先确认研究区的模拟期，然后将S11中的降水数据、温湿度数据和辐射数据进行输入到SWAT模型中，进行构建气象数据库并进行径流模拟；
S15：通过敏感性分析找出影响SWAT模型精度的关键因子，将流域径流观测资料以及模拟径流数据输入SWAT-CUP软件，然后对SWAT模型进行率定，获取SWAT模型的最佳水文参数；
S16：将验证期的气象数据输入率定好的SWAT模型中进行径流模拟，选取决定系数R2和模型效率系数ENS来对SWAT模型进行实用性验证。
优选的，所述S2中边缘分布拟合的具体步骤如下：
S21：将SWAT模型中输出的径流R和潜在蒸散发数据PET按月尺度进行整理，结合降水数据进行计算出水分盈亏值P-PET；
S22：选用水文和气象领域的9种单变量分布函数对径流R与潜在蒸散发数据PET进行最优分布拟合；
S23：经过最优分布拟合的径流R与潜在蒸散发数据PET通过K-S统计量进行拟合检验，并利用K-S统计量的最小原则进行优选出两变量的最佳分布函数；
S24：S23中的两变量还同时采取Pearson相关系数和Spearman秩相关系数来度量其相关性。
优选的，所述水文和气象领域的9种单变量分布函数包括广义极值函数、皮尔逊Ⅲ型函数、伽马函数、指数函数、对数正态函数、威布尔函数、正态函数、泊松函数及广义帕累托分布函数。
优选的，所述S3中，径流R与水分盈亏值P-PET的联合分布函数的得出步骤：从嵌套Archimedean Copulas函数族中进行选出广泛应用于水文领域的Gumbel Copula函数、Clayton Copula函数和Frank Copula函数，然后利用均方根误差准则RMSE和赤池信息量准则AIC来分别检验Gumbel Copula函数、Clayton Copula函数和Frank Copula函数的拟合优度，其中RMSE与AIC计算公式如下：
Figure BDA0003295207660000041
式中：n为样本数，l为Copula函数的参数个数，Pei为联合分布经验频率；Pi为联合分布的理论频率，i＝1,2…,n，通过上述拟合优度检验，选出拟合效果最好的Copula函数，即为能反映该流域径流R和水分盈亏值P-PET特征的联合分布函数。
优选的，所述S3中径流R与水分盈亏值P-PET的累积联合概率p的公式为：P(x≤X,y≤Y)＝Cθ[FX(x),FY(y)]＝p，式中x为径流R序列的随机变量、y为水分盈亏值P-PET序列的随机变量、X为径流中可能存在的某一数值、Y为水分盈亏序列中可能存在的某一数值、FX(x)为x的边缘分布函数、FY(y)为y的边缘分布函数和Cθ为Copula函数，P为累积联合概率p和Copula函数Cθ的联合分布函数。
优选的，所述S3中综合干旱指数SPERI的公式为：
Figure BDA0003295207660000051
式中：
Figure BDA0003295207660000052
为标准正态分布。
优选的，所述S4中基于综合干旱指数SPERI的干旱演变分析的具体步骤如下：
S41：通过查阅文献和历史记载，进一步结合历史旱情资料对综合干旱指数SPERI进行适用性分析及阈值率定；
S42：采用Mann-Kendall检验对不同时间尺度的综合干旱指数SPERI进行趋势分析，计算公式如下：
Figure BDA0003295207660000053
Figure BDA0003295207660000054
Figure BDA0003295207660000061
Figure BDA0003295207660000062
Np为序列中结(重复出现的数据组)的个数，mp为结的宽度(第p组重复数据组中的重复数据个数)；
S43：采用Pettitt检验对不同时间尺度的综合干旱指数SPERI进行变异点检测，计算公式如下：
Figure BDA0003295207660000063
Figure BDA0003295207660000064
最显著的突变点为Kj＝max|Uj,N|，突变点显著水平p的计算公式为：
Figure BDA0003295207660000065
优选的，所述S5中基于综合干旱指数SPERI的干旱风险评估的具体步骤如下：
S51：基于游程理论提取月尺度的综合干旱指数SPERI中干旱历时D、干旱烈度S以及干旱峰值M等典型特征；
S52：针对S51中所提取的三种干旱特征变量，重复上述Copula函数优选等步骤，分别构建D-S、D-M和S-M的最优Copula联合分布，在此基础上计算三种组合的联合重现期与同现重现期，进而对干旱发生的风险进行评估，其计算原理如下所示：
以干旱历时D和干旱烈度S为例，假定干旱历时D的边缘分布函数为FD(d)，干旱烈度S的边缘分布函数为FS(s)，干旱历时和烈度的联合分布为：
F(d,s)＝Cθ(FD(d),FS(s))＝Cθ(u,v)
二者的联合概率为：
P(D≥d,S≥s)＝1-u-v+Cθ(u,v)
联合重现期：
Figure BDA0003295207660000071
同现重现期：
Figure BDA0003295207660000072
式中：N为系列长度；n为时段内干旱发生次数；
同理，对D-M和S-M的重现期计算也可通过上述公式完成，通过计算多变量联合分布的重现期。
与现有技术相比，本发明从水循环角度出发，应用SWAT模型和Copula函数构建了考虑水文和气象因素的综合干旱指数SPERI，该综合干旱指数SPERI具有较强的物理意义与统计基础，能够灵敏捕捉干旱事件的发生过程，可以真实客观反映区域旱情的演变特征，同时基于该指数对干旱历时、烈度、峰值等特征变量进行识别和多变量重现期分析，可为旱情监测和评估提供有力支撑。
具体实施方式
下面将本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
一种基于水文过程的综合旱情监测与评估方法，包括以下步骤：
S1：分布式水文模型构建、率定和验证：
S11：结合研究区的流域实际情况，对研究区的DEM数据、矢量边界文件、土地利用数据、土壤类型栅格数据和水文气象长序列观测数据进行收集，其中水文气象长序列观测数据包括降水数据、温湿度数据和辐射数据；
S12：S11中的DEM数据利用数字高程模型依次进行流域边界的确定、子流域的划分和水系河网的生成；
S13：在S12中的数字高程模型中进行导入土地利用数据和土壤类型栅格数据，分别进行构建相应的土地利用数据库和土壤数据库，然后利用数字高程模型进一步生成研究区的SWAT模型；
S14：首先确认研究区的模拟期，然后将S11中的降水数据、温湿度数据和辐射数据进行输入到SWAT模型中，进行构建气象数据库并进行径流模拟；
S15：通过敏感性分析找出影响SWAT模型精度的关键因子，将流域径流观测资料以及模拟径流数据输入SWAT-CUP软件，然后对SWAT模型进行率定，获取SWAT模型的最佳水文参数；
S16：将验证期的气象数据输入率定好的SWAT模型中进行径流模拟，选取决定系数R2和模型效率系数ENS来对SWAT模型进行实用性验证；
S2：边缘分布拟合：
S21：将SWAT模型中输出的径流R和潜在蒸散发数据PET按月尺度进行整理，结合降水数据进行计算出水分盈亏值P-PET；
S22：选用水文和气象领域的9种单变量分布函数对径流R与潜在蒸散发数据PET进行最优分布拟合，其中水文和气象领域的9种单变量分布函数包括广义极值函数、皮尔逊Ⅲ型函数、伽马函数、指数函数、对数正态函数、威布尔函数、正态函数、泊松函数及广义帕累托分布函数；
S23：经过最优分布拟合的径流R与潜在蒸散发数据PET通过K-S统计量进行拟合检验，并利用K-S统计量的最小原则进行优选出两变量的最佳分布函数；
S24：S23中的两变量还同时采取Pearson相关系数和Spearman秩相关系数来度量其相关性；
S3：综合干旱指数SPERI构建：首先从嵌套Archimedean Copulas函数族中进行选出广泛应用于水文领域的Gumbel Copula函数、Clayton Copula函数和Frank Copula函数，以上三种Archimedean Copulas函数的表达式如下表1所示：
表1三种Archimedean Copulas函数表达式
Figure BDA0003295207660000091
Figure BDA0003295207660000101
，然后利用均方根误差准则RMSE和赤池信息量准则AIC来分别检验Gumbel Copula函数、Clayton Copula函数和Frank Copula函数的拟合优度，其中RMSE与AIC计算公式如下：
Figure BDA0003295207660000102
式中：n为样本数，l为Copula函数的参数个数，Pei为联合分布经验频率；Pi为联合分布的理论频率，i＝1,2…,n，通过上述拟合优度检验，选出拟合效果最好的Copula函数，即为能反映该流域径流R和水分盈亏值P-PET特征的联合分布函数，并计算二者的累积联合概率p，累积联合概率p的公式为：P(x≤X,y≤Y)＝Cθ[FX(x),FY(y)]＝p，式中x为径流R序列的随机变量、y为水分盈亏值P-PET序列的随机变量、X为径流中可能存在的某一数值、Y为水分盈亏序列中可能存在的某一数值、FX(x)为x的边缘分布函数、FY(y)为y的边缘分布函数和Cθ为Copula函数，P为累积联合概率p和Copula函数Cθ的联合分布函数，进一步将累积联合概率p进行标准正态化处理，最终得到综合干旱指数SPERI，综合干旱指数SPERI的公式为：
Figure BDA0003295207660000103
式中：
Figure BDA0003295207660000104
为标准正态分布；
S4：基于综合干旱指数SPERI的干旱演变分析：
S41：通过查阅文献和历史记载，进一步结合历史旱情资料对综合干旱指数SPERI进行适用性分析及阈值率定；
S42：采用Mann-Kendall检验对不同时间尺度的综合干旱指数SPERI进行趋势分析，计算公式如下：
Figure BDA0003295207660000111
Figure BDA0003295207660000112
Figure BDA0003295207660000113
Figure BDA0003295207660000114
Np为序列中结(重复出现的数据组)的个数，mp为结的宽度(第p组重复数据组中的重复数据个数)，若Z*＞0，趋势增加，Z*＜0，趋势减小。在给定显著性水平α＝0.05的条件下，当|Z*|＞1.96时，则趋势显著；
S43：采用Pettitt检验对不同时间尺度的综合干旱指数SPERI进行变异点检测，计算公式如下：
Figure BDA0003295207660000115
Figure BDA0003295207660000116
最显著的突变点为Kj＝max|Uj,N|，突变点显著水平p的计算公式为：
Figure BDA0003295207660000121
如果p≤0.5，则认为检测出的突变点在统计意义上是显著的；
S5：基于综合干旱指数SPERI的干旱风险评估：
S51：基于游程理论提取月尺度的综合干旱指数SPERI中干旱历时D、干旱烈度S以及干旱峰值M等典型特征；
S52：针对S51中所提取的三种干旱特征变量，重复上述Copula函数优选等步骤，分别构建D-S、D-M和S-M的最优Copula联合分布，在此基础上计算三种组合的联合重现期与同现重现期，进而对干旱发生的风险进行评估，其计算原理如下所示：
以干旱历时D和干旱烈度S为例，假定干旱历时D的边缘分布函数为FD(d)，干旱烈度S的边缘分布函数为FS(s)，干旱历时和烈度的联合分布为：
F(d,s)＝Cθ(FD(d),FS(s))＝Cθ(u,v)
二者的联合概率为：
P(D≥d,S≥s)＝1-u-v+Cθ(u,v)
联合重现期：
Figure BDA0003295207660000122
同现重现期：
Figure BDA0003295207660000123
式中：N为系列长度；n为时段内干旱发生次数；
同理，对D-M和S-M的重现期计算也可通过上述公式完成，通过计算多变量联合分布的重现期，可有效提高干旱风险评估的精度。
以上所述，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于水文过程的综合旱情监测与评估方法，其特征在于，包括以下步骤：
S1：分布式水文模型构建、率定和验证：收集研究区的DEM数据、矢量边界文件、土地利用数据、土壤类型栅格数据和水文气象长序列观测数据，构建、率定并验证研究区SWAT模型；
S2：边缘分布拟合：提取S1中的研究区SWAT模型输出的径流和潜在蒸散发数据，再结合研究区水文气象长序列观测数据中的降水数据进行计算得到水分盈亏值，然后对径流和水分盈亏值进行边缘分布拟合，确定研究区的最适边缘分布函数；
S3：综合干旱指数SPERI构建：首先从嵌套Archimedean Copulas函数族中选择最优Copula函数，通过最优Copula函数构建的径流R与水分盈亏值P-PET的联合分布函数，并计算二者的累积联合概率p，进一步将累积联合概率p进行标准正态化处理，最终得到综合干旱指数SPERI；
S4：基于综合干旱指数SPERI的干旱演变分析：对S3中构建的综合干旱指数SPERI进行适用性分析，然后采用Mann-Kendall检验和Pettitt检验分别对综合干旱指数SPERI进行趋势检验和变异点检测，得到研究区的不同时间尺度下干旱演变特征；
S5：基于综合干旱指数SPERI的干旱风险评估：应用游程理论识别和提取干旱特征变量，然后基于上述Copula函数进行干旱多变量联合分布的研究、概率分析和重现期的分析。
2.根据权利要求1所述的一种基于水文过程的综合旱情监测与评估方法，其特征在于，所述S1中分布式水文模型构建、率定和验证的具体步骤如下：
S11：结合研究区的流域实际情况，对研究区的DEM数据、矢量边界文件、土地利用数据、土壤类型栅格数据和水文气象长序列观测数据进行收集，其中水文气象长序列观测数据包括降水数据、温湿度数据和辐射数据；
S12：S11中的DEM数据利用数字高程模型依次进行流域边界的确定、子流域的划分和水系河网的生成；
S13：在S12中的数字高程模型中进行导入土地利用数据和土壤类型栅格数据，分别进行构建相应的土地利用数据库和土壤数据库，然后利用数字高程模型进一步生成研究区的SWAT模型；
S14：首先确认研究区的模拟期，然后将S11中的降水数据、温湿度数据和辐射数据进行输入到SWAT模型中，进行构建气象数据库并进行径流模拟；
S15：通过敏感性分析找出影响SWAT模型精度的关键因子，将流域径流观测资料以及模拟径流数据输入SWAT-CUP软件，然后对SWAT模型进行率定，获取SWAT模型的最佳水文参数；
S16：将验证期的气象数据输入率定好的SWAT模型中进行径流模拟，选取决定系数R2和模型效率系数ENS来对SWAT模型进行实用性验证。
3.根据权利要求1所述的一种基于水文过程的综合旱情监测与评估方法，其特征在于，所述S2中边缘分布拟合的具体步骤如下：
S21：将SWAT模型中输出的径流R和潜在蒸散发数据PET按月尺度进行整理，结合降水数据进行计算出水分盈亏值P-PET；
S22：选用水文和气象领域的9种单变量分布函数对径流R与潜在蒸散发数据PET进行最优分布拟合；
S23：经过最优分布拟合的径流R与潜在蒸散发数据PET通过K-S统计量进行拟合检验，并利用K-S统计量的最小原则进行优选出两变量的最佳分布函数；
S24：S23中的两变量还同时采取Pearson相关系数和Spearman秩相关系数来度量其相关性。
4.根据权利要求3所述的一种基于水文过程的综合旱情监测与评估方法，其特征在于，所述水文和气象领域的9种单变量分布函数包括广义极值函数、皮尔逊Ⅲ型函数、伽马函数、指数函数、对数正态函数、威布尔函数、正态函数、泊松函数及广义帕累托分布函数。
5.根据权利要求1所述的一种基于水文过程的综合旱情监测与评估方法，其特征在于，所述S3中径流R与水分盈亏值P-PET的联合分布函数的得出步骤：从嵌套ArchimedeanCopulas函数族中进行选出广泛应用于水文领域的Gumbel Copula函数、Clayton Copula函数和Frank Copula函数，然后利用均方根误差准则RMSE和赤池信息量准则AIC来分别检验Gumbel Copula函数、Clayton Copula函数和Frank Copula函数的拟合优度，其中RMSE与AIC计算公式如下：
Figure FDA0003295207650000041
式中：n为样本数，l为Copula函数的参数个数，Pei为联合分布经验频率；Pi为联合分布的理论频率，i＝1,2…,n，通过上述拟合优度检验，选出拟合效果最好的Copula函数，即为能反映该流域径流R和水分盈亏值P-PET特征的联合分布函数。
6.根据权利要求1所述的一种基于水文过程的综合旱情监测与评估方法，其特征在于，所述S3中径流R与水分盈亏值P-PET的累积联合概率p的公式为：P(x≤X,y≤Y)＝Cθ[FX(x),FY(y)]＝p，式中x为径流R序列的随机变量、y为水分盈亏值P-PET序列的随机变量、X为径流中可能存在的某一数值、Y为水分盈亏序列中可能存在的某一数值、FX(x)为x的边缘分布函数、FY(y)为y的边缘分布函数和Cθ为Copula函数，P为累积联合概率p和Copula函数Cθ的联合分布函数。
7.根据权利要求1所述的一种基于水文过程的综合旱情监测与评估方法，其特征在于，所述S3中综合干旱指数SPERI的公式为：
Figure FDA0003295207650000042
式中：
Figure FDA0003295207650000043
为标准正态分布。
8.根据权利要求1所述的一种基于水文过程的综合旱情监测与评估方法，其特征在于，所述S4中基于综合干旱指数SPERI的干旱演变分析的具体步骤如下：
S41：通过查阅文献和历史记载，进一步结合历史旱情资料对综合干旱指数SPERI进行适用性分析及阈值率定；
S42：采用Mann-Kendall检验对不同时间尺度的综合干旱指数SPERI进行趋势分析，计算公式如下：
Figure FDA0003295207650000051
Figure FDA0003295207650000052
Figure FDA0003295207650000053
Figure FDA0003295207650000054
Np为序列中结(重复出现的数据组)的个数，mp为结的宽度(第p组重复数据组中的重复数据个数)；
S43：采用Pettitt检验对不同时间尺度的综合干旱指数SPERI进行变异点检测，计算公式如下：
Figure FDA0003295207650000055
Figure FDA0003295207650000056
最显著的突变点为Kj＝max|Uj,N|，突变点显著水平p的计算公式为：
Figure FDA0003295207650000057
9.根据权利要求1所述的一种基于水文过程的综合旱情监测与评估方法，其特征在于，所述S5中基于综合干旱指数SPERI的干旱风险评估的具体步骤如下：
S51：基于游程理论提取月尺度的综合干旱指数SPERI中干旱历时D、干旱烈度S以及干旱峰值M等典型特征；
S52：针对S51中所提取的三种干旱特征变量，重复上述Copula函数优选等步骤，分别构建D-S、D-M和S-M的最优Copula联合分布，在此基础上计算三种组合的联合重现期与同现重现期，进而对干旱发生的风险进行评估，其计算原理如下所示：
以干旱历时D和干旱烈度S为例，假定干旱历时D的边缘分布函数为FD(d)，干旱烈度S的边缘分布函数为FS(s)，干旱历时和烈度的联合分布为：
F(d,s)＝Cθ(FD(d),FS(s))＝Cθ(u,v)
二者的联合概率为：
P(D≥d,S≥s)＝1-u-v+Cθ(u,v)
联合重现期：
Figure FDA0003295207650000061
同现重现期：
Figure FDA0003295207650000062
式中：N为系列长度；n为时段内干旱发生次数；
同理，对D-M和S-M的重现期计算也可通过上述公式完成，通过计算多变量联合分布的重现期。
CN202111176300.1A 2021-10-09 2021-10-09 一种基于水文过程的综合旱情监测与评估方法 Pending CN113887972A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111176300.1A CN113887972A (zh) 2021-10-09 2021-10-09 一种基于水文过程的综合旱情监测与评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111176300.1A CN113887972A (zh) 2021-10-09 2021-10-09 一种基于水文过程的综合旱情监测与评估方法

Publications (1)

Publication Number Publication Date
CN113887972A true CN113887972A (zh) 2022-01-04

Family

ID=79005871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111176300.1A Pending CN113887972A (zh) 2021-10-09 2021-10-09 一种基于水文过程的综合旱情监测与评估方法

Country Status (1)

Country Link
CN (1) CN113887972A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202245A (zh) * 2022-01-10 2022-03-18 天津大学 基于格兰杰检验确定水资源和生态环境因果关系的方法
CN116384591A (zh) * 2023-05-23 2023-07-04 中国水利水电科学研究院 一种基于大数据的旱情预测方法、***和介质
CN116756481A (zh) * 2023-07-03 2023-09-15 中国科学院地理科学与资源研究所 基于时变增益模型和Copula的流域未来水文干旱概率分析方法
CN116795897A (zh) * 2023-04-20 2023-09-22 嵩山实验室 一种百年尺度复合高温-水文干旱演变的检测与归因方法
CN116911069A (zh) * 2023-09-06 2023-10-20 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 一种基于条件概率的水文干旱恢复预估方法
CN117370939A (zh) * 2023-12-04 2024-01-09 水利部交通运输部国家能源局南京水利科学研究院 考虑土壤含水率的流域降雨径流响应关系演变分析方法和***
CN118095973A (zh) * 2024-04-29 2024-05-28 水利部交通运输部国家能源局南京水利科学研究院 一种耦合降维理论的水文丰枯遭遇概率计算方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202245A (zh) * 2022-01-10 2022-03-18 天津大学 基于格兰杰检验确定水资源和生态环境因果关系的方法
CN114202245B (zh) * 2022-01-10 2022-08-09 天津大学 基于格兰杰检验确定水资源和生态环境因果关系的方法
CN116795897A (zh) * 2023-04-20 2023-09-22 嵩山实验室 一种百年尺度复合高温-水文干旱演变的检测与归因方法
CN116384591A (zh) * 2023-05-23 2023-07-04 中国水利水电科学研究院 一种基于大数据的旱情预测方法、***和介质
CN116384591B (zh) * 2023-05-23 2023-08-29 中国水利水电科学研究院 一种基于大数据的旱情预测方法、***和介质
CN116756481A (zh) * 2023-07-03 2023-09-15 中国科学院地理科学与资源研究所 基于时变增益模型和Copula的流域未来水文干旱概率分析方法
CN116756481B (zh) * 2023-07-03 2024-01-30 中国科学院地理科学与资源研究所 基于时变增益模型和Copula的流域未来水文干旱概率分析方法
CN116911069A (zh) * 2023-09-06 2023-10-20 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 一种基于条件概率的水文干旱恢复预估方法
CN116911069B (zh) * 2023-09-06 2023-12-08 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 一种基于条件概率的水文干旱恢复预估方法
CN117370939A (zh) * 2023-12-04 2024-01-09 水利部交通运输部国家能源局南京水利科学研究院 考虑土壤含水率的流域降雨径流响应关系演变分析方法和***
CN117370939B (zh) * 2023-12-04 2024-02-06 水利部交通运输部国家能源局南京水利科学研究院 考虑土壤含水率的流域降雨径流响应关系演变分析方法和***
CN118095973A (zh) * 2024-04-29 2024-05-28 水利部交通运输部国家能源局南京水利科学研究院 一种耦合降维理论的水文丰枯遭遇概率计算方法

Similar Documents

Publication Publication Date Title
CN113887972A (zh) 一种基于水文过程的综合旱情监测与评估方法
Marchane et al. Climate change impacts on surface water resources in the Rheraya catchment (High Atlas, Morocco)
Harrigan et al. Designation and trend analysis of the updated UK Benchmark Network of river flow stations: The UKBN2 dataset
Eckhardt et al. Parameter uncertainty and the significance of simulated land use change effects
Watt et al. Development of models to predict Pinus radiata productivity throughout New Zealand
Kumar et al. Identification of the best multi-model combination for simulating river discharge
Hallack-Alegria et al. Annual and warm season drought intensity–duration–frequency analysis for Sonora, Mexico
Zhang et al. The comparative study of multi‐site uncertainty evaluation method based on SWAT model
CN111539597B (zh) 一种网格化的流域社会经济干旱评估方法
Carbone et al. A cumulative rainfall function for subhourly design storm in Mediterranean urban areas
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
Hassanzadeh et al. Toward a combined Bayesian frameworks to quantify parameter uncertainty in a large mountainous catchment with high spatial variability
Wang et al. Evaluation of multi‐source precipitation data in a watershed with complex topography based on distributed hydrological modeling
Astagneau et al. When does a parsimonious model fail to simulate floods? Learning from the seasonality of model bias
Zuo et al. Sensitivity analysis of standardized precipitation index to climate state selection in China
Nazeri Tahroudi et al. Probabilistic assessment of monthly river discharge using copula and OSVR approaches
Georgakakos Probabilistic climate-model diagnostics for hydrologic and water resources impact studies
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
CN112287299A (zh) 河流健康变化定量归因方法、装置及***
Zhang et al. Parameter calibration and uncertainty estimation of a simple rainfall-runoff model in two case studies
Nasseri et al. A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran
CN107066786A (zh) 基于神经网络的气溶胶光学厚度反演算法
Bozoğlu et al. Entropy based regional precipitation prediction in the case of Gediz River basin
CN115358587A (zh) 区域多部门协同的基础设施规划方法及***
CN115203643A (zh) 融合水文与生态要素的水源涵养功能定量诊断方法及***

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