一种多站点降雨随机生成方法技术

一种多站点降雨随机生成方法，步骤如下：收集多个站点的实测降雨数据；生成多站点的降雨发生时间序列；提取模拟降雨事件子序列并编码，以多站点降雨事件同时发生为条件对模拟降雨事件子序列进行分组，获取各分组内对应站点的联合降雨历时；随机生成站点的联合降雨深；随机模拟各个分组对应站点的雨型，并生成和指定雨型对应的无量纲降雨过程线；融合得到有量纲的模拟降雨事件并分配给对应站点，将各站点的模拟降雨事件从小到大排序，形成各站点的模拟降雨事件序列；将各站点的模拟降雨事件序列按顺序依次插入到对应的联合降雨历时中，最终形成多站点降雨时间序列。本发明专利技术可以改善传统多站点降雨模拟方法对事件特性空间相关性模拟精度不足的问题。拟精度不足的问题。拟精度不足的问题。

【技术实现步骤摘要】
一种多站点降雨随机生成方法


[0001]本专利技术属于人工降雨模拟
，尤其涉及一种考虑事件特性时空相依性的多站点降雨随机生成方法。

技术介绍

[0002]降雨是水文模拟和防汛抗旱预报预测的重要输入数据，其准确模拟对保障我国防灾减灾重大战略需求具有重要的科学和实践意义。目前，多站点降雨模拟方法主要分为非参数方法、级联方法、多站点马尔科夫链方法几大类。这几类方法各有优缺点，其中，非参数方法无需假设降雨分布，可以完美再现降雨空间特性，但该方法没有外插功能，无法生成历史数据没有出现过的极端降雨或空间状态。级联方法通常先采用马尔科夫链生成区域面平均降雨序列，然后通过非均匀随机级联过程(即空间模型)将面平均降雨量分解到多站点以反映空间特性，但该方法需要大量的数据来表征空间互相关特征，应用起来极不方便。多站点马可夫链方法是采用空间相关、时间独立的随机数矩阵来驱动多个单站点马尔科夫链生成得到模拟降雨情况，该方法相对简单，应用性较广，但却忽略了降雨事件特性间的相关性。
[0003]受到大气环流的影响，降雨在一定区域内的发生概率和降雨量往往存在着较大的时空相依性，忽略这些相依性容易引起重大的水文预报误差。因此，如何更客观的描述降雨过程，使得多站点降雨随机模拟方法能够准确地重现降雨特性在时空上的相依性，是现有的多站点降雨模拟方法可以进一步改善的地方。

技术实现思路

[0004]本专利技术的目的是提供一种考虑事件特性时空相依性的多站点降雨随机生成方法，可以更客观地描述空间降雨过程，提高多站点降雨模拟精度。/>[0005]为了实现上述目的，本专利技术采取如下的技术解决方案：
[0006]一种多站点降雨随机生成方法，包括以下步骤：
[0007]S1、收集多个站点的实测降雨时间序列，并进行统计分析；
[0008]S2、根据多站点的实测降雨时间序列生成多站点的降雨发生时间序列；
[0009]S3、从各站点的降雨发生时间序列中分别提取模拟降雨事件子序列，所述模拟降雨事件子序列是降雨发生时间序列中连续有降雨发生的时段，并对提取到的模拟降雨事件子序列按时间顺序排列并编码，然后以多站点降雨事件同时发生为条件对排序编码后的模拟降雨事件子序列进行分组，并获取各分组内对应站点的联合降雨历时；
[0010]S4、根据各分组对应站点的联合降雨历时，随机生成各站点的联合降雨深；
[0011]S5、根据各分组对应站点的联合降雨历时和联合降雨深，基于不同雨型的联合出现概率，随机模拟各个分组对应站点的雨型，再根据模拟出的雨型为各站点生成和指定雨型对应的无量纲降雨过程线；
[0012]S6、将各分组对应站点的降雨历时、降雨深和无量纲降雨过程线融合得到有量纲
的模拟降雨事件，并将有量纲的模拟降雨事件分配给对应的站点，将各站点的模拟降雨事件按从小到大的顺序进行排序，形成各站点的模拟降雨事件序列；
[0013]S7、将各站点的模拟降雨事件序列按顺序依次插入到对应的降雨发生时间序列的联合降雨历时中，最终形成多站点降雨时间序列。
[0014]进一步的，所述步骤S1中从实测降雨时间序列中提取出站点的降雨事件数量，降雨事件的降雨深，降雨事件的降雨历时以及降雨事件的无量纲降雨过程线。
[0015]进一步的，所述步骤S1中基于收集到的实测降雨时间序列进行统计分析，确定实测降雨时间序列和降雨事件特性之间的空间相关性，确定降雨深边际分布函数及降雨历时边际分布函数，根据降雨深划分降雨事件等级，根据降雨历时划分降雨事件类型，根据无量纲降雨过程线划分雨型。
[0016]更进一步的，依据降雨深数值的大小将降雨事件分为轻降雨事件、中强度降雨事件、强降雨事件和极端降雨事件四个等级；依据降雨历时数值的大小将降雨事件分为短历时降雨、中历时降雨、长历时降雨和极端历时降雨四种类型；根据无量纲降雨过程线峰值所处位置划分出靠前型雨型、中心型雨型、延后型雨型和均匀型雨型。
[0017]由以上技术方案可知，本专利技术在降雨模拟各环节均纳入了对空间相关性的考虑，能综合兼顾多站点降雨各方面的性能，包括时间序列特性、事件特性以及降雨发生时间序列的时空相依性、降雨事件特性的时空相依性和降雨时间序列的时空相依性，提高了空间降雨的模拟精度，可以有效保留多站点降雨事件序列和降雨时间序列的统计特性及空间相依性，为后续准确地水文模拟及预测提供更可靠的数据支撑，改善了传统多站点降雨模拟方法对事件特性空间相关性模拟精度的不足。
[0018]进一步的，步骤S2中采用单变量马尔科夫链模型生成多站点的降雨发生时间序列，具体步骤如下：
[0019]S201、根据站点的实测降雨时间序列，依次对每一时间步长进行二进制编码赋值，生成降雨发生矢量编码；
[0020]S202、将每个时间步长的降雨发生矢量编码由二进制编码转换为用十进制代码表示的状态编码；
[0021]S203、计算不同状态编码间的转换概率，建立转换概率矩阵；
[0022]S204、基于转换概率矩阵，采用单变量马尔科夫链模型随机生成任意长度的状态值序列；
[0023]S205、将生成的状态值序列重新转换成用二进制编码表示的降雨事件矢量编码，得到对应站点的降雨发生时间序列。
[0024]采用单变量马尔科夫链模型生成多站点降雨发生时间序列，既维持了各站点的干湿天特性，又有效保留了降雨发生时间序列的时空相依性。
[0025]进一步的，所述多站点降雨事件同时发生是指以一个站点的降雨事件开始时间和对应的降雨历时D为基准，当其他站点的降雨事件开始时间在
±
λ
×
D范围内时，则认为这些站点的降雨事件同时发生，λ为流域特性系数。
[0026]进一步的，所述步骤S4中采用条件D
‑
Vine Copula函数随机生成每个分组中站点的联合降雨深，步骤如下；
[0027]S401、根据分组情况确定对应的观测组，以观测组对应站点的联合降雨历时和降
雨深作为变量，采用D
‑
Vine Copula函数构建多元变量的联合分布函数f(x1,x2,
…
,x
n
)：
[0028][0029]其中，f
l
为第l个变量x
l
的边缘密度函数，j为D
‑
Vine Copula函数的树标号，i为每层数的节点号，n为变量的数量，表示条件分布函数，为对应于下标变量的条件二元copula密度函数；
[0030]S402、采用BIC准则优选出拟合最佳的多元变量相依结构D
‑
Vine Copula函数，并基于最大对数似然法确定D
‑
Vine Copula函数中的各参数：
[0031][0032][0033]式中的表示最优参数组，L
DVine
为最优参数组的最大对数似然值，M为D
‑
Vine Copula函数中的参数数量，N为样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多站点降雨随机生成方法，其特征在于，包括以下步骤：S1、收集多个站点的实测降雨时间序列，并进行统计分析；S2、根据多站点的实测降雨时间序列生成多站点的降雨发生时间序列；S3、从各站点的降雨发生时间序列中分别提取模拟降雨事件子序列，所述模拟降雨事件子序列是降雨发生时间序列中连续有降雨发生的时段，并对提取到的模拟降雨事件子序列按时间顺序排列并编码，然后以多站点降雨事件同时发生为条件对排序编码后的模拟降雨事件子序列进行分组，并获取各分组内对应站点的联合降雨历时；S4、根据各分组对应站点的联合降雨历时，随机生成各站点的联合降雨深；S5、根据各分组对应站点的联合降雨历时和联合降雨深，基于不同雨型的联合出现概率，随机模拟各分组对应站点的雨型，再根据模拟出的雨型为各站点生成和指定雨型对应的无量纲降雨过程线；S6、将各分组对应站点的降雨历时、降雨深和无量纲降雨过程线融合得到有量纲的模拟降雨事件，并将有量纲的模拟降雨事件分配给对应的站点，将各站点的模拟降雨事件按从小到大的顺序进行排序，形成各站点的模拟降雨事件序列；S7、将各站点的模拟降雨事件序列按顺序依次插入到对应的降雨发生时间序列的联合降雨历时中，最终形成多站点降雨时间序列。2.根据权利要求1所述的多站点降雨随机生成方法，其特征在于：所述步骤S1中从实测降雨时间序列中提取出站点的降雨事件数量，降雨事件的降雨深，降雨事件的降雨历时以及降雨事件的无量纲降雨过程线。3.根据权利要求1所述的多站点降雨随机生成方法，其特征在于：所述步骤S1中基于收集到的实测降雨时间序列进行统计分析，确定实测降雨时间序列和降雨事件特性之间的空间相关性，确定降雨深边际分布函数及降雨历时边际分布函数，根据降雨深划分降雨事件等级，根据降雨历时划分降雨事件类型，根据无量纲降雨过程线划分雨型。4.根据权利要求3所述的多站点降雨随机生成方法，其特征在于：依据降雨深数值的大小将降雨事件分为轻降雨事件、中强度降雨事件、强降雨事件和极端降雨事件四个等级；依据降雨历时数值的大小将降雨事件分为短历时降雨、中历时降雨、长历时降雨和极端历时降雨四种类型；根据无量纲降雨过程线峰值所处位置划分出靠前型雨型、中心型雨型、延后型雨型和均匀型雨型。5.根据权利要求1所述的多站点降雨随机生成方法，其特征在于：步骤S2中采用单变量马尔科夫链模型生成多站点的降雨发生时间序列，具体步骤如下：S201、根据站点的实测降雨时间序列，依次对每一时间步长进行二进制编码赋值，生成降雨发生矢量编码；S202、将每个时间步长的降雨发生矢量编码由二进制编码转换为用十进制代码表示的状态编码；S203、计算不同状态编码间的转换概率，建立转换概率矩阵；S204、基于转换概率矩阵，采用单变量马尔科夫链模型随机生成任意长度的状态值序列；S205、将生成的状态值序列重新转换成用二进制编码表示的降雨事件矢量编码，得到对应站点的降雨发生时间序列。
6.根据权利要求1所述的多站点降雨随机生成方法，其特征在于：所述多站点降雨事件同时发生是指以一个站点的降雨事件开始时间和对应的降雨历时D为基准，当其他站点的降雨事件开始时间在
±
λ<...

【专利技术属性】
技术研发人员：高超，章四龙，唐雄朋，王晓艳，刘磊，
申请(专利权)人：北京师范大学珠海校区，
类型：发明
国别省市：