一种基于遥感降水产品的极端降水区域频率分析方法技术

本发明专利技术公开了基于遥感降水产品的极端降水区域频率分析方法，包括以下步骤：S1，首先在研究区或缓冲区范围内的站点气象环境数据基础上，将遥感降水产品根据其适用性和精度进行订正；S2，针对极端降水指标利用订正后的遥感降水产品数据生成降水序列，并筛选可用的网格；S3，根据地理特征和统计特征对研究区内所有的网格进行聚类分析，并在聚类结果基础上进行降水一致区识别；S4，采用拟合优度检验为降水一致区选择最佳的频率分布函数；S5，利用最佳频率分布函数对降水一致区中的网格进行区域频率分析，并采用考虑了站点间相关性的蒙特卡洛模拟对区域频率分析结果进行精度验证；S6，描绘研究区内网格在各种重现期下的极端降水设计值和空间分布图。

【技术实现步骤摘要】
一种基于遥感降水产品的极端降水区域频率分析方法
本专利技术涉及一种区域频率分析方法，特别涉及一种基于遥感降水产品的极端降水区域频率分析方法，属于水文频率分析领域。
技术介绍
在全球变暖背景下，探究极端降水的强度、频率等时空特征对预测及应对洪涝灾害至关重要[1]。传统的极端降水时空特征主要应用基于站点数据的区域频率分析进行研究[2-4]，主要包括四个过程：数据筛选、降水一致区识别、频率分布拟合、区域频率分析。然而地面气象站点受到地形等客观条件影响[5]，分布稀疏，得到的数据完整度不够，难以全面反映地区内降水的空间分布机制。特别是稀疏的站点降水数据用于区域频率分析时，得到的降水一致区的边界不够准确[6]，另外有些无站点地区无法应用区域频率分析方法。因此，基于卫星的网格降水数据、遥感降水数据或者再分析数据，如热带降雨测量计划(TropicalRainfallMeasurementMission,TRMM)[7]，全球降水气候学项目计划(GlobalPrecipitationClimatologyProject,GPCP)[8]，人工神经网络融合GPCP得到的PERSIANN-CDR产品[9]，融合卫星产品与地面观测的全球陆面同化系统(GlobalLandDataAssimilationSystem,GLDAS)[10]等，由于其更高的空间分辨率和空间覆盖度，可以当作站点数据的替代。虽然降水产品可以在一定程度上弥补站点数据的不足，但它在小空间尺度(如单个网格尺度)和小时间尺度(如日尺度)上的精度不能够满足实际的模拟需求[11-12]。特别是对降水极端事件的敏感性较低，降水量与实际值存在较大偏差[13]。在遥感降水产品在投入水文模型或预测模型中使用前，有必要对其进行适用性分析和订正。区域频率分析的降水输入从站点数据变为遥感降水产品的过程中，不仅改变了输入数据的类型，也为频率分析带来了一些挑战。在区域频率分析研究的一致区识别过程中，调整区域时的人为操作耗时费力[14]，存在较强的主观性和经验性[15]。人为调整在已有的研究中没有得到明显地改进，特别是随着降水输入的量级增长调整时间会成倍增长。此外在频率分析过程中，关于数据独立的基本假设常常被忽视[16-17]，而遥感降水产品是空间连续的，站点独立的要求在实际中难以满足，忽略站点间相关性会使得分析结果过于理想化。综上所述，利用遥感降水产品替代站点数据进行区域频率分析的方法仍存在一些需要改进的方面，目前在无站点地区缺乏高效可行的极端降水频率分析方法。文中涉及如下参考文献：[1]KendonE.J.,2018.Whyextremerainsaregainingstrengthastheclimatewarms[J].Nature,563(7732),458-460.[2]Hosking,J.R.M.,Wallis,J.R.,Wood,E.F.,1985.EstimationoftheGeneralizedExtreme-ValueDistributionbytheMethodofProbability-WeightedMoments.Technometrics,27,251–261.[3]Alvarez,M.,Puertas,J.,Pena,E.,2016.RegionalfrequencyanalysisofextremesprecipitationsinNorthernofMozambique.Ing.DelAgua,20,29–42.[4]Liang,Y.Y.,Liu,S.G.,Guo,Y.P.,Hua,H.,2017.L-Moment-BasedRegionalFrequencyAnalysisofAnnualExtremePrecipitationanditsUncertaintyAnalysis.WaterResour.Manag.,31,3899–3919.[5]Worqlul,A.W.,Ayana,E.K.,Maathuis,B.H.,MacAlister,C.,Philpot,W.D.,Leyton,J.M.O.,Steenhuis,T.S.,2018.PerformanceofbiascorrectedMPEGrainfallestimateforrainfall-runoffsimulationintheupperBlueNileBasin,Ethiopia.JournalofHydrology,556,1182-1191.[6]Yang,T.,Shao,Q.X.,Hao,Z.C.,Chen,X.,Zhang,Z.X.,Xu,C.Y.,Sun,L.,2010.Regionalfrequencyanalysisandspatio-temporalpatterncharacterizationofrainfallextremesinthePearlRiverBasin,China.J.Hydrol.,380,386–405.[7]Zhang,Y.,Hong,Y.,Wang,X.G.,Gourley,J.J.,Xue,X.W..,Saharia,M.,Ni,G.H.,Wang,G.L.,Huang,Y.,Chen,S.,Tang,G.Q.,2015.HydrometeorologicalAnalysisandRemoteSensingofExtremes:WastheJuly2012BeijingFloodEventDetectableandPredictablebyGlobalSatelliteObservingandGlobalWeatherModelingSystems？J.Hydrometeorol.,16,381–395.[8]Basheer,M.,Elagib,N.A.,2019.Performanceofsatellite-basedandGPCC7.0rainfallproductsinanextremelydata-scarcecountryintheNileBasin.Atmos.Res.,215,128–140.[9]Gao,F.,Zhang,Y.H.,Chen,Q.H.,Wang,P.,Yang,H.R.,Yao,Y.J.,Cai,W.Y.,2018.Comparisonoftwolong-termandhigh-resolutionsatelliteprecipitationdatasetsinXinjiang,China.Atmos.Res.,212,150–157.[10]Bai,P.,Liu,X.M.,2018.Intercomparisonandevaluationofthreeglobalhigh-resolutionevapotranspirationproductsacrossChina.J.Hydrol.,566,743–755.[11]Seyyedi,H.,Anagnostou,E.N.,Beighley,E.,McCollum,J本文档来自技高网...

【技术保护点】
1.一种基于遥感降水产品的极端降水区域频率分析方法，其特征在于，包括以下步骤：/n步骤1，利用研究区或其缓冲区范围内影响降水的站点气象环境数据与站点对应位置的网格降水值构建K近邻回归模型，预测订正后的遥感降水值；/n步骤2，基于订正后的遥感降水数据，采用极端降水指标生成极端降水序列，并进行平稳性检验和独立性检验，筛选能够进行区域频率分析的网格；/n步骤3，根据地理特征和统计特征对研究区内所有网格进行聚类分析，并在聚类结果基础上进行降水一致区识别；/n步骤4，针对得到的降水一致区，按照拟合优度检验结果选择最佳的频率分布函数；/n步骤5，结合降水一致区内的极端降水序列和频率分布函数进行区域频率分析；/n步骤6，对所有网格的频率分析结果进行插值，描绘出研究区内网格在重现期下的极端降水设计值和空间分布图。/n

【技术特征摘要】
1.一种基于遥感降水产品的极端降水区域频率分析方法，其特征在于，包括以下步骤：
步骤1，利用研究区或其缓冲区范围内影响降水的站点气象环境数据与站点对应位置的网格降水值构建K近邻回归模型，预测订正后的遥感降水值；
步骤2，基于订正后的遥感降水数据，采用极端降水指标生成极端降水序列，并进行平稳性检验和独立性检验，筛选能够进行区域频率分析的网格；
步骤3，根据地理特征和统计特征对研究区内所有网格进行聚类分析，并在聚类结果基础上进行降水一致区识别；
步骤4，针对得到的降水一致区，按照拟合优度检验结果选择最佳的频率分布函数；
步骤5，结合降水一致区内的极端降水序列和频率分布函数进行区域频率分析；
步骤6，对所有网格的频率分析结果进行插值，描绘出研究区内网格在重现期下的极端降水设计值和空间分布图。


2.如权利要求1所述的一种基于遥感降水产品的极端降水区域频率分析方法，其特征在于：步骤1所述的K近邻回归模型构建方法如下，
以站点气象环境因子，包括经度、纬度、高程、坡度、植被指数、空气温度、相对湿度、待订正的遥感降水以及站点实测降水为样本，按照距离测度计算距离实例i最近的K个实例，将实例i附近的K个实例的输出值的均值等于该实例的预测输出值，按照留一法交叉验证结果，得到最佳K值，从而构建日降水数据订正的KNN回归模型。


3.如权利要求1所述的一种基于遥感降水产品的极端降水区域频率分析方法，其特征在于：步骤3中进行一致区识别的具体方法如下：
步骤3.1，对于每个聚类结果，即初始类簇，每个类簇中有N个网格，记录第i个网格的长度为ni，网格i处的样本线性变差系数为t(i)、样本线性偏态系数为t3(i)、样本线性峰度系数为t4(i)，计算每个类簇的异质性测度H值，对于H值大于k的类簇记为异质区域r，异质性测度公式如下；



式中，初始类簇的离散度V计算公式如下；



其中tR为区域平均线性变差系数，μV和σV分别代表V的均值和标准差；
步骤3.2，对于异质区域r，计算每个网格的不一致性测度D值并按降序排列，D值越大说明网格在整个区域中越不一致，由此得到需要被移动的网格g；



其中，ui＝[t(i)t3(i)t4(i)]T，为异质区域r中的样本线性矩比系数的中心，A定义为
步骤3.3，记异质区域r的异质性测度为H，检测网格g的D值是否超过了阈值，如果是，直接删除异质区域r内的网格g，再次计算删除网格g后的区域的异质性测度H′d，如果满足均质性要求，即异质性测度＜k，则区域删除操作完成；若H′d＞k&H′d＜H：重复该步骤；若H′d＞k&H′d＞H：撤销所有删除操作，输出提示“该区域是异质的！”，异质区域r的调整结束；如果不是，跳到步骤3.5；
步骤3.4，检查删除的网格是否位于所属异质...

【专利技术属性】
技术研发人员：陈泽强，曾祎，陈能成，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42