一种干旱风险预测方法、系统及电子设备技术方案

本发明专利技术提供一种干旱风险预测方法、系统及电子设备，属于数据预测处理领域，包括：基于全球气候模式集合，获得地球系统模式输出数据及人口GDP数据，采用分位数偏差校正气候变化情景下的气象模拟系列，驱动水文模型和机器学习模型模拟径流系列；采用多模型加权平均法计算各组合情景权重参数；采用Budyko方程考虑流域水循环水热收支平衡，以特征参数为协变量，表征下垫面人类活动对干旱影响；考虑水文系列非一致性构建时变Copula模型，基于干旱历时和干旱烈度最可能组合模式与多模型加权平均法，评估旱灾风险增高区域人口和GDP暴露度。本发明专利技术采用多种方法与流域旱情相结合，为流域干旱风险预测提供重要且操作性强的参考依据。险预测提供重要且操作性强的参考依据。险预测提供重要且操作性强的参考依据。

【技术实现步骤摘要】
一种干旱风险预测方法、系统及电子设备


[0001]本专利技术涉及数据预测处理
，尤其涉及一种干旱风险预测方法、系统及电子设备。

技术介绍

[0002]干旱是一个复杂的现象，受多个水文气象变量的影响。预测表明，在下个世纪，气候变暖将增加两个半球大部分亚热带和中纬度地区的干旱风险和严重程度。因此，预测未来干旱风险的变化对于保障生态安全和维护经济稳定具有重要意义。
[0003]目前，对未来气候变化的研究主要依赖于全球气候模式。全球气候模式容许模拟地球气候系统(包括大气、海洋、陆面过程、冰冻圈和生物圈)各个组分变化的物理过程和相互作用。由于全球气候系统的复杂性，每个气候模式仿真这些组分变化时都做出不同程度的假设或者近似。近年来，国内外学者采用第六次国际耦合模式比较计划（CMIP6）下的全球气候模式集合与流域水文模型和机器学习模型相结合，研究了未来干旱的演变规律，取得了一定的应用效果，例如以陆地水储量为度量，考虑干旱事件的二维属性，公开了非一致性条件下二维干旱的社会经济暴露度评估方法。但是，最新研究显示，由于CMIP6个别的改进可能提高了模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种干旱风险预测方法，其特征在于，包括：采集气象水文数据集合；采用克劳修斯
‑
克拉珀龙热力学方程确定相对湿度和比湿，基于所述气象水文数据集合训练多个流域水文模型和机器学习模型，建立考虑水文过程的机器学习模型；基于分位数偏差校正方法，获得气候变化情境下的全球气候模式集合气象模拟数据，采用校正后的所述全球气候模式集合气象模拟数据训练所述考虑水文过程的机器学习模型，得到未来情景下的流域水文过程；将全球气候模式集合与所述考虑水文过程的机器学习模型进行组合，确定多模型加权平均法中各组合情景权重参数；基于所述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；通过所述未来情景下的流域水文过程计算得到未来气候变化情景下的标准化径流指数，基于游程理论确定所述标准化径流指数对应的干旱事件，得到干旱历时和干旱烈度；采用所述流域水热耦合平衡方程中预设特征参数为协变量，建立非一致性条件下基于Copula函数的联合概率分布函数，基于所述多模型加权平均法中各组合情景权重参数预测未来干旱风险增加造成的社会经济暴露度。2.根据权利要求1所述的干旱风险预测方法，其特征在于，所述采集气象水文数据集合，包括：采集流域控制水文站的日流量系列，获取欧洲中期天气预报中心第五代大气再分析数据集ERA5的气象数据；采集国际耦合模式比较计划第六阶段中五个预设全球气候模式的气象数据；获取共享社会经济路径数据集的人口数据和国内生产总值数据。3.根据权利要求1所述的干旱风险预测方法，其特征在于，所述采用克劳修斯
‑
克拉珀龙热力学方程确定相对湿度和比湿，基于所述气象水文数据集合训练多个流域水文模型和机器学习模型，建立考虑水文过程的机器学习模型，包括：确定所述克劳修斯
‑
克拉珀龙热力学方程中的汽化潜热常数、水汽气体常数、第一积分常数和第二积分常数，得到饱和水汽压与气温非线性函数；将ERA5中的地表2m气温和露点温度分别代入所述饱和水汽压与气温非线性函数，得到所述相对湿度；将所述露点温度代入所述饱和水汽压与气温非线性函数，和ERA5中的近地气压，得到所述比湿；基于流域控制水文站的日流量系列和ERA5中的降水、气压、地表2m气温、露点温度、地表下行短波辐射和地表下行长波辐射，训练所述多个流域水文模型，得到初步模拟日径流；对所述初步模拟日径流和日实测径流进行统计分析，确定日实测径流滞时；采用长短期记忆神经网络模型对所述初步模拟日径流进行校正，基于克林
‑
古普塔效率系数建立目标函数，得到所述考虑水文过程的机器学习模型。4.根据权利要求1所述的干旱风险预测方法，其特征在于，所述基于分位数偏差校正方法，获得气候变化情境下的全球气候模式集合气象模拟数据，采用校正后的所述全球气候模式集合气象模拟数据训练所述考虑水文过程的机器学习模型，得到未来情景下的流域水
文过程，包括：计算所述全球气候模式集合气象模拟数据中输出变量与观测气象变量在各个分位数上的差异值，在所述全球气候模式集合气象模拟数据的输出未来情景中去掉所述差异值，得到所述校正后的所述全球气候模式集合气象模拟数据；由所述校正后的所述全球气候模式集合气象模拟数据驱动所述考虑水文过程的机器学习模型，输出所述未来情景下的流域水文过程。5.根据权利要求1所述的干旱风险预测方法，其特征在于，所述将全球气候模式集合与所述考虑水文过程的机器学习模型进行组合，确定多模型加权平均法中各组合情景权重参数，包括：基于多种组合情景总数和任一组合情景权重参数确定所述各组合情景权重参数之和为1；由不同组合情景的欧几里得差值和相似度半径确定任一组合情景与其他组合情景之间相似度，基于所述任一组合情景与其他组合情景之间相似度得到独立性权重参数；获取任一组合情景相对实际观测误差和模型质量...

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