一种长序列重建径流的非参数时间降尺度方法及系统技术方案

本发明专利技术公开了一种长序列重建径流的非参数时间降尺度方法及系统，包括：获取水文站实测月径流数据的实测数据集样本和目标重建年份的年径流数据；对实测数据集样本依次进行概率密度估计、随机抽样和排序得到第一排序矩阵；基于实测数据集样本得到经验相关结构排序矩阵，对经验相关结构排序矩阵进行抽样得到第二排序矩阵；基于所述第一排序矩阵和第二排序矩阵得到新数据集；重复抽样若干次，得到重构样本集；基于新数据集与所述目标重建年份的年径流数据的最小偏差，得到目标重建年份的月径流序列，基于目标重建年份的月径流序列进行水资源规划。本发明专利技术构建了非参数的随机抽样降尺度方法，弥补了参数法进行需参估计和模型选择带来不确定性的不足。带来不确定性的不足。带来不确定性的不足。

【技术实现步骤摘要】
一种长序列重建径流的非参数时间降尺度方法及系统


[0001]本专利技术涉及气候学与水文水资源应用
，特别涉及一种长序列重建径流的非参数时间降尺度方法及系统。

技术介绍

[0002]在气候变化和人类活动的双重影响下，区域水文循环发生显著变化，水文序列一致性假定已被打破。因此，正确认识变化环境下水文变量的演变规律有助于保障水资源的科学和可持续利用。然而，现有的水文站点资料长度均在60年左右，过短的实测数据降低了统计分析及概率分布计算的准确性，难以准确分析变化环境下水文变量的演变规律。古气候代用集数据如冰芯、树轮、湖泊沉积物等长序列资料为延长水文变量数据提供了新途径。受古气候代用集分辨率的限制，利用古气候数据延长的水文变量通常是年尺度，与季节、月、日甚至更精细的时间尺度实测径流不匹配。虽然重建的年尺度径流对探究水资源量的演变趋势、洪旱事件频率分析等方面具有重要意义，但对水资源分配与管理、水库调度等方面的应用尚显不足。因此，对年尺度径流进行准确的时间降尺度到月、日等时间尺度对合理分析水资源变化规律至关重要。目前，现有大多利用参数法进行时间降尺度，其参数估计和模型选择部分往往会带来产生较大的不确定性，多重不确定性的链式效应累积会给水资源规划、中长期预报与调度带来较大风险。因此，如何构建无需参数估计和模型选择的非参数降尺度方法，对长序列年径流数据进行高质量的时间降尺度，是亟待解决的技术难题。

技术实现思路

[0003]本专利技术的目的是为了解决现有技术问题，提出一种长序列重建径流的非参数时间降尺度方法及系统。
[0004]其中，本专利技术提供的一种长序列重建径流的非参数时间降尺度方法，包括：
[0005]S1、获取水文站实测月径流数据和目标重建年份的年径流数据；基于所述水文站实测月径流数据得到实测数据集样本；
[0006]S2、对所述实测数据集样本进行概率密度估计得到第一数据；
[0007]S3、对所述第一数据进行随机抽样得到重抽样样本，对所述重抽样样本进行排序得到第一排序矩阵；
[0008]S4、基于所述实测数据集样本得到经验相关结构排序矩阵，对所述经验相关结构排序矩阵进行抽样得到第二排序矩阵；
[0009]S5、基于所述第一排序矩阵和第二排序矩阵得到新数据集；重复执行S3
‑
S4，得到重构样本集，所述重构样本集包括若干新数据集；
[0010]S6、基于所述重构样本集中的新数据集与所述目标重建年份的年径流数据的最小偏差，得到目标重建年份的月径流序列，基于所述目标重建年份的月径流序列进行水资源规划、中长期预报与调度。
[0011]优选地，获取实测数据集样本和目标重建年份的年径流数据的过程包括：
[0012]对所述水文站实测月径流数据进行有放回的抽取得到所述实测数据集样本；
[0013]基于代用集方法重建历史长序列年径流数据，基于所述历史长序列年径流数据得到目标重建年份的年径流数据。
[0014]优选地，基于非参数的logspline密度估计方法对所述实测数据集样本进行概率密度估计得到第一数据。
[0015]优选地，基于R语言中Sample函数构建bootstrap抽样模型，基于所述bootstrap抽样模型对所述第一数据进行随机抽样得到重抽样样本。
[0016]优选地，所述S4包括：
[0017]基于样本变量间对应关系构建所述实测数据集样本的经验相关结构矩阵；
[0018]对所述经验相关结构矩阵进行排序得到所述经验相关结构排序矩阵；
[0019]基于所述bootstrap抽样模型对所述经验相关结构排序矩阵进行抽样得到第二排序矩阵。
[0020]优选地，基于所述第一排序矩阵和第二排序矩阵得到新数据集的计算公式如下：
[0021]y
ij
＝x
′
ij
δ(z
′
ij
‑
R
′
ij
)i＝1,2,
…
,k；j＝1,2,
…
,n
[0022]式中，y
ij
,i＝1,2,
…
,k；j＝1,2,
…
,n表示新数据集中的元素，其中，k表示月份，n表示资料系列长度，x
′
ij
,j＝1,2,
…
,n表示从逐月径流i的概率分布中随机抽取长度为n的样本；δ(
·
)是三角函数，当变量为0时函数值为1，其余为0；R
′
ij
,j＝1,2,
…
,n表示第一排序矩阵；z
′
ij
表示第二排序矩阵。
[0023]本专利技术公开了一种长序列重建径流的非参数时间降尺度系统，包括第一模块、第二模块、第三模块、第四模块、第五模块和第六模块；
[0024]其中，所述第一模块用于获取水文站实测数据集样本和目标重建年份的年径流数据；
[0025]所述第二模块与所述第一模块连接，用于对实测数据集样本进行概率密度估计；
[0026]所述第三模块与所述第二模块连接，用于获取第一排序矩阵；
[0027]所述第四模块与所述第一模块连接，用于获取经验相关结构排序矩阵；
[0028]所述第五模块分别与所述第三模块和所述第四模块连接，用于获得新数据集；
[0029]所述第六模块与所述第五模块连接，用于获得目标重建年份的月径流数据。
[0030]本专利技术具有如下技术效果：
[0031]首先，本专利技术构建了非参数的随机抽样降尺度方法，弥补了参数法进行需参数估计和模型选择带来不确定性的不足。其次，本专利技术在对年径流进行降尺度时，基于Copula函数思想构建经验排序矩阵，模拟多元随机变量间的相关结构，使得降尺度后的月径流序列与实测径流具有相同的统计特性，增加了降尺度结果的可靠性。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本专利技术实施例中的流程图；
[0034]图2为本专利技术实施例中的两变量相关结构的对应关系示意图；
[0035]图3为本专利技术实施例中的示例结果对照图。
具体实施方式
[0036]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]实施例一
[0038]本实施例公开了一种长序列重建径流的非参数时间降尺度系统，包括如下模块：
...

【技术保护点】

【技术特征摘要】
1.一种长序列重建径流的非参数时间降尺度方法，其特征在于，包括：S1、获取水文站实测月径流数据和目标重建年份的年径流数据；基于所述水文站实测月径流数据得到实测数据集样本；S2、对所述实测数据集样本进行概率密度估计得到第一数据；S3、对所述第一数据进行随机抽样得到重抽样样本，对所述重抽样样本进行排序得到第一排序矩阵；S4、基于所述实测数据集样本得到经验相关结构排序矩阵，对所述经验相关结构排序矩阵进行抽样得到第二排序矩阵；S5、基于所述第一排序矩阵和第二排序矩阵得到新数据集；重复执行S3
‑
S4，得到重构样本集，所述重构样本集包括若干新数据集；S6、基于所述重构样本集中的新数据集与所述目标重建年份的年径流数据的最小偏差，得到目标重建年份的月径流序列，基于所述目标重建年份的月径流序列进行水资源规划、中长期预报与调度。2.根据权利要求1所述的长序列重建径流的非参数时间降尺度方法，其特征在于，获取实测数据集样本和目标重建年份的年径流数据的过程包括：对所述水文站实测月径流数据进行有放回的抽取得到所述实测数据集样本；基于代用集方法重建历史长序列年径流数据，基于所述历史长序列年径流数据得到目标重建年份的年径流数据。3.根据权利要求2所述的长序列重建径流的非参数时间降尺度方法，其特征在于，基于非参数的logspline密度估计方法对所述实测数据集样本进行概率密度估计得到第一数据。4.根据权利要求3所述的长序列重建径流的非参数时间降尺度方法，其特征在于，基于R语言中Sample函数构建bootstrap抽样模型，基于所述bootstrap抽样模型对所述第一数据进行随机抽样得到重抽样样本。5.根据权利要求4所述的长序列重建径流的非参数时间降尺度方法，其特征在于，所述S4包括：基于样本变量间对应关系构建所述实测数据集样本的经验相关结构矩阵；对所述经验相关结构矩阵进行排序得到所述经验相关结构排序矩阵；基于所述bootstrap...

【专利技术属性】
技术研发人员：吴业楠，蒋小伟，王旭升，高冰，
申请(专利权)人：中国地质大学北京，
类型：发明
国别省市：