水文循环变异驱动下的洪水风险预测方法技术

本发明专利技术提供一种水文循环变异驱动下的洪水风险预测方法，包括：采集流域的基础气象水文数据；率定流域水文模型和机器学习模型；获得M组气候变化情景下的气象模拟系列，并驱动流域水文模型和机器学习模型，模拟未来情景下的流域水文过程；建立流域水热耦合平衡方程，获取流域年均下垫面特征参数；提取洪水历时和洪量特征值并采用特征参数为协变量，建立联合概率分布函数；基于最可能组合情景，求取历时和洪量的联合重现期；基于共享社会经济路径数据集，推求未来洪水风险增加的社会经济暴露度。本发明专利技术能够有效表征水循环变异驱动下未来洪水的变化特征，可为变化环境下流域洪水风险评估、预警提供参考依据。预警提供参考依据。预警提供参考依据。

【技术实现步骤摘要】
水文循环变异驱动下的洪水风险预测方法


[0001]本专利技术属于水文灾害评估的
，具体涉及一种水文循环变异驱动下的洪水风险预测方法。

技术介绍

[0002]全球气候变化改变了陆地
‑
大气系统的能量收支与水循环过程，暴雨、洪水等极端气候灾害频发，给社会经济系统和生态环境的可持续发展带来巨大挑战。我国是受洪涝灾害影响最严重的地区之一，气候增温速率远高于全球平均水平，到本世纪末气温或将上升4℃，严重威胁我国的防洪安全、供水安全、粮食安全、能源安全和生态环境安全。深入理解气候变化情景下洪水演变及其社会经济影响，对未来极端气候灾害风险预测、防灾减灾和适应管理具有重要意义。
[0003]近年来国内外学者结合全球气候模式集合和流域水文模型，研究了未来洪水的演变规律，取得了一定的应用效果。但是，大坝、水库、农业灌溉、引水和跨流域调水等工程措施往往会破坏下垫面的一致性，造成流域水文模型存在较大误差。现有文献未能考虑人类活动干扰对径流模拟造成的误差，往往造成较大的模拟误差。同时，现阶段我国工程实践中主要采用单变量同频率法来量化洪水风险，该法假设洪峰和不同时段的洪量完全相关，不符合洪水事件的客观规律。
[0004]由于全球气候变化和人类活动的影响，水文循环过程发生显著变异，洪水情势加剧，传统频率分析中的一致性假设受到挑战。全球气候模式是评估未来气候变化对水循环影响的有效工具，学者们提出通过它模拟未来气象水文情势分析干旱事件的非一致性演化特征，如何选取合适的物理因子作为解释变量成为研究难点。水热平衡方程Budyko公式考虑了区域的水量平衡和能量收支平衡，能够较好地反映人类活动对下垫面条件和产汇流特征的影响，但是现有文献未能采用该方法考虑未来气候变化与下垫面综合驱动下的两变量洪水特征，制约了科学预测水文循环变异驱动下的两变量洪水事件。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足之处，提供一种水文循环变异驱动下的洪水风险预测方法，该方法充分考虑了气候变化与人类下垫面活动影响下的水文系列的非一致性特征，能够有效表征水循环变异驱动下未来洪水的变化特征，可为变化环境下流域洪水风险评估、预警提供重要且可操作性强的参考依据。
[0006]为解决上述技术问题，本专利技术采用如下技术方案：
[0007]一种水文循环变异驱动下的洪水风险预测方法，包括如下步骤：
[0008]步骤1，采集流域的基础气象水文数据，其中，基础气象水文数据包括M 个全球气候模式GCMs数据和共享社会经济路径数据；
[0009]步骤2，基于步骤1采集的数据推求相对湿度和比湿，并基于观测的气象水文数据，率定流域水文模型和机器学习模型；
[0010]步骤3，基于步骤1采集的全球气候模式集合GCMs数据和分位数偏差校正方法，获得M组气候变化情景下的气象模拟系列，并以该气象模拟系列驱动步骤2率定后的流域水文模型和机器学习模型，模拟未来情景下的流域水文过程；
[0011]步骤4，基于步骤3模拟的气象水文系列建立流域水热耦合平衡方程，获取流域年均下垫面特征参数；
[0012]步骤5，基于步骤3模拟的流域水文过程和年最大取样方法，提取洪水历时和洪量特征值，并以步骤4中获得的流域年均下垫面特征参数为协变量，建立非一致性条件下洪水历时和洪量的联合概率分布函数；
[0013]步骤6，基于步骤5建立的联合概率分布函数以及历史期洪水历时和洪量的最可能组合情景，求取非一致性条件下未来每年洪水历时和洪量的联合重现期，评估气候变化与下垫面人类活动对流域未来洪水情势的影响；
[0014]步骤7，基于步骤6求取的联合重现期和步骤1采集的共享社会经济路径数据集，推求未来洪水风险增加的社会经济暴露度。
[0015]进一步地，步骤1中采集的气象水文数据还包括流域控制水文站的日流量系列、ERA5再分析产品的气象数据。
[0016]进一步地，步骤2具体还包括如下子步骤：
[0017]步骤2.1、基于ERA5再分析产品的气象数据推求相对湿度和比湿；
[0018]步骤2.2基于水文站观测的日径流数据和ERA5再分析产品的日降水、日最高气温和日最低气温系列，以KGE效率系数最高为目标函数，率定GR4J水文模型，得到初步模拟径流；
[0019]步骤2.3对步骤2.2初步模拟的日径流过程、实测的日径流过程进行统计分析，确定影响日实测径流的滞时；
[0020]步骤2.4根据步骤2.1推求的相对湿度和比湿以及步骤2.3确定的滞时，采用长短期记忆神经网络LSTM模型，对步骤2.2模拟的日径流过程进行校正以减小人类活动造成的水文模型误差。
[0021]进一步地，步骤2.2中，以KGE效率系数最高的目标函数为：
[0022][0023]式中：r表征模拟序列与实测序列的皮尔逊线性相关系数；α表征模拟序列与实测序列的方差之比；β表征模拟序列与实测序列的均值之比；KGE效率系数的范围为(
‑
∞，1)，其中，当KGE＝1时，代表模拟序列与实测序列完美吻合。
[0024]进一步地，M个全球气候模式GCMs中选用的情景包括历史期和未来时期的三个情景：SSP126、SSP245、SSP585，选用的气象变量为日降水、日均气温、日最高气温、日最低气温、比湿、相对湿度、风速、短波辐射和长波辐射数据，同时获取GCMs在三个SSP情景下输出的年尺度的潜在蒸散发数据。
[0025]进一步地，步骤3中采用分位数偏差校正方法校正GCMs的输出获取未来气象序列具体方法为：计算GCMs输出变量与观测气象变量在各个分位数上的差异，并将该差异在GCMs输出未来情景的各分位数上去掉，得到未来修正后的GCMs气候预测。
[0026]进一步地，步骤4具体包括：
[0027]步骤4.1、基于步骤3中模拟的气象水文系列和水量平衡方程计算气候情景下年尺度的实际蒸散发，采用的公式为ET＝Py
‑
Ry，式中ET为实际蒸散发， Py为年降水量，Ry为年径流量；
[0028]步骤4.2、选取时间窗口，根据步骤4.1得到的实际蒸散发ET通过最小二乘法，率定水热耦合平衡方程特征参数，记为w，所述年均水热耦合平衡方程为：
[0029][0030]式中：P为全球气候模式GCMs输出的降水数据，PET为全球气候模式 GCMs输出的潜在蒸散发数据。
[0031]进一步地，步骤5具体包括如下步骤：
[0032]步骤5.1、依据步骤3模拟得到的流域水文过程，以日流量最高为判别准则识别年最大洪水过程，然后计算洪水过程的历时D和洪量S；
[0033]步骤5.2、根据步骤5.1计算得到的历时D和洪量S，采用伽马分布函数作为洪水历时和洪量的边缘分布函数，建立一致性条件下伽马分布函数的边缘分布函数；
[0034]步骤5.3、根据步骤5.2得到的边缘分布函数、并以步骤4中获得的流域年均下垫面特征参数为协变量，构建非一致性条件下基于Copula的洪水历时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水文循环变异驱动下的洪水风险预测方法，其特征在于，包括如下步骤：步骤1，采集流域的基础气象水文数据，其中，基础气象水文数据包括M个全球气候模式GCMs数据和共享社会经济路径数据；步骤2，基于步骤1采集的数据推求相对湿度和比湿，并基于观测的气象水文数据，率定流域水文模型和机器学习模型；步骤3，基于步骤1采集的全球气候模式集合GCMs数据和分位数偏差校正方法，获得M组气候变化情景下的气象模拟系列，并以该气象模拟系列驱动步骤2率定后的流域水文模型和机器学习模型，模拟未来情景下的流域水文过程；步骤4，基于步骤3中模拟的气象水文系列建立流域水热耦合平衡方程，获取流域年均下垫面特征参数；步骤5，基于步骤3模拟的流域水文过程和年最大取样方法，提取洪水历时和洪量特征值，并以步骤4中获得的流域年均下垫面特征参数为协变量，建立非一致性条件下洪水历时和洪量的联合概率分布函数；步骤6，基于步骤5建立的联合概率分布函数以及历史期洪水历时和洪量的最可能组合情景，求取非一致性条件下未来每年洪水历时和洪量的联合重现期，评估气候变化与下垫面人类活动对流域未来洪水情势的影响；步骤7，基于步骤6求取的联合重现期和步骤1采集的共享社会经济路径数据集，推求未来洪水风险增加的社会经济暴露度。2.根据权利要求1所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤1中采集的气象水文数据还包括流域控制水文站的日流量系列、ERA5再分析产品的气象数据。3.根据权利要求2所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤2具体还包括如下子步骤：步骤2.1、基于ERA5再分析产品的气象数据推求相对湿度和比湿；步骤2.2基于水文站观测的日径流数据和ERA5再分析产品的日降水、日最高气温和日最低气温系列，以KGE效率系数最高为目标函数，率定GR4J水文模型，得到初步模拟径流；步骤2.3对步骤2.2初步模拟的日径流过程、实测的日径流过程进行统计分析，确定影响日实测径流的滞时；步骤2.4根据步骤2.1推求的相对湿度和比湿以及步骤2.3确定的滞时，采用长短期记忆神经网络LSTM模型，对步骤2.2模拟的日径流过程进行校正以减小人类活动造成的水文模型误差。4.根据权利要求3所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤2.2中，以KGE效率系数最高的目标函数为：式中：r表征模拟序列与实测序列的皮尔逊线性相关系数；α表征模拟序列与实测序列的方差之比；β表征模拟序列与实测序列的均值之比；KGE效率系数的范围为(
‑
∞,1)，其中，当KGE＝1时，代表模拟序列与实测序列完美吻合。5.根据权利要求1所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，M个
全球气候模式GCMs中选用的情景包括历史期和未来时期的三个情景：SSP126、SSP245、SSP585，选用的气象变量包括日降水、日均气温、日最高气温、日最低气温、比湿、相对湿度、风速、短波辐射和长波辐射数据，同时获取GCMs在三个SSP情景下输出的年尺度的潜在蒸散发数据。6.根据权利要求1所述的水文循环变异驱动下的洪水风险预测方法，其特征在于，步骤3中采用分位数偏差校正方法校正GCMs的输出...

【专利技术属性】
技术研发人员：尹家波，黄燨，杨远航，王新惠，康圣屿，
申请(专利权)人：武汉大学，
类型：发明
国别省市：