一种全球季节性洪水变化趋势定量归因方法及系统技术方案

本发明专利技术涉及水文水资源领域，提供一种全球季节性洪水变化趋势定量归因方法及系统，包括：获取气象水文数据；通过Sen'sslope及Mann

【技术实现步骤摘要】
一种全球季节性洪水变化趋势定量归因方法及系统


[0001]本专利技术涉及水文水资源领域，尤其涉及一种全球季节性洪水变化趋势定量归因方法及系统。

技术介绍

[0002]洪水是全世界破坏性最大的自然灾害之一，预计未来的人类居住模式和气候变化将增加全球洪水风险。洪水变化及其成因，已成为水文水资源学界和水资源管理部门广泛关注的全球性问题。受限于水文站点的数量与空间分布密度，已有洪水变化模拟与归因集中于区域尺度。然而，区域尺度研究中采用的水文站点数据普遍较少，且采用的研究方法、研究时段各异，难以概括出全球洪水变化及其成因的一般规律。有少量关于全球洪水变化与归因的研究，但大多采用的是模拟径流数据，目前尚缺乏基于实测数据集的归因分析。季节性洪水信息在季节性洪水工程估算、洪水预报与防洪、漫滩管理、水资源系统开发等实际应用中都是必不可少的。但现在对洪水季节性的研究多集中于洪水发生时间而不是洪水量级，且没有给出每个因子的具体贡献率。因此，亟待开展全球尺度下季节性洪水的定量检测与归因。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供一种全球季节性洪水变化趋势定量归因方法，包括：
[0005]S1：获取气象水文数据，所述气象水文数据包括：径流数据、降水、土壤湿度和融雪数据；
[0006]S2：通过Sen's slope及Mann
‑
Kendall趋势分析方法分析所述气象水文数据，获得洪水观测趋势；
[0007]S3：构建全球季节性洪水变化趋势归因框架，通过所述全球季节性洪水变化趋势归因框架对所述气象水文数据进行分析，获得各驱动因子对全球季节性洪水的贡献率；
[0008]S4：根据各所述驱动因子的贡献率和所述洪水观测趋势，在各所述驱动因子中找到主导因子，分析获得主导因子与洪水时间序列图。
[0009]优选的，所述气象水文数据的筛选条件包括：
[0010]第一条件：径流数据观测时长不少于20年且径流量为0的时长不超过10年；
[0011]第二条件：各数据在一个季节之内不能有缺测数据；
[0012]第三条件：监测点在预设年限内的平均年降水量大于年径流深；
[0013]第四条件：灌溉面积不超过流域面积的2％。
[0014]优选的，所述气象水文数据为季节数据，具体为：
[0015]春季：北半球为3
‑
5月，南半球为9
‑
11月；
[0016]夏季：北半球为6
‑
8月，南半球为12月到次年2月；
[0017]秋季：北半球为9
‑
11月，南半球为3
‑
5月；
[0018]冬季：北半球为12月到次年2月，南半球为6
‑
8月；
[0019]将各季节的三个月中径流深的最大值作为这个季节的洪水量级。
[0020]优选的，步骤S3具体为：
[0021]S31：通过全子集回归为各监测点构建最佳回归模型，对所述最佳回归模型进行n个敏感性试验，n为驱动因子的种类数目；在进行敏感性试验时，每次对一个驱动因子进行去趋势处理，即使用该驱动因子的实测数据平均值替换原数据，其余驱动因子不进行处理，然后使用最佳回归模型对径流数据进行模拟；通过所述最佳回归模型计算获得各敏感性试验洪水的模拟值，计算公式为：
[0022][0023]其中，i为驱动因子的编号；x
i
为第i个驱动因子；n最佳回归模型中所包含的因子总数；y
i
为驱动因子x
i
的敏感性试验洪水的模拟值；a为最佳回归模型的截距；b
i
为驱动因子x
i
的回归系数，最佳回归模的b
i
全大于0；
[0024]S32：通过各敏感性试验洪水的模拟值计算获得各驱动因子影响下的模拟洪水变化趋势，计算公式为：
[0025]S
i
＝sens.slope(y
i
)
[0026]其中，S
i
为驱动因子x
i
影响下的模拟洪水变化趋势；
[0027]S33：通过各驱动因子影响下的模拟洪水变化趋势计算获得各驱动因子对全球季节性洪水的贡献率，计算公式为：
[0028][0029]其中，j为驱动因子的编号且j≠i，B
i
为驱动因子x
i
对全球季节性洪水的贡献率，S
j
为驱动因子x
j
影响下的模拟洪水变化趋势。
[0030]优选的，步骤S4具体为：
[0031]S41：通过各驱动因子对全球季节性洪水的贡献率计算获得各驱动因子的相对贡献率，计算公式为：
[0032][0033]其中，i为驱动因子的编号，x
i
为第i个驱动因子，Y
i
为驱动因子x
i
的相对贡献率，B
i
为驱动因子x
i
对全球季节性洪水的贡献率，Mbos为观测洪水的平均值；
[0034]S42：若某一驱动因子的相对贡献率与所述洪水观测趋势的正负符号一致，且该驱动因子的相对贡献率的值最大，则将该驱动因子作为主导因子；
[0035]S43：计算获得主导因子相同且洪水上升或下降趋势相同区域内所有监测点的洪水观测值的平均值，以及主导因子的观测数据平均值，画出主导因子与洪水时间序列图。
[0036]一种全球季节性洪水变化趋势定量归因系统，包括：
[0037]气象水文数据获取模块，用于获取气象水文数据，所述气象水文数据包括：径流数
据、降水、土壤湿度和融雪数据；
[0038]洪水观测趋势获取模块，用于通过Sen's slope及Mann
‑
Kendall趋势分析方法分析所述气象水文数据，获得洪水观测趋势；
[0039]驱动因子分析模块，用于构建全球季节性洪水变化趋势归因框架，通过所述全球季节性洪水变化趋势归因框架对所述气象水文数据进行分析，获得各驱动因子对全球季节性洪水的贡献率；
[0040]主导因子获取模块，用于根据各所述驱动因子的贡献率和所述洪水观测趋势，在各所述驱动因子中找到主导因子，分析获得主导因子与洪水时间序列图。
[0041]本专利技术具有以下有益效果：
[0042]1、由于所需的气象水文数据资料容易获取，同时本专利技术的归因方法简单有效，极大降低了运算成本；
[0043]2、使用的是实测气象水文数据，洪水检测与归因结果更科学准确；
[0044]3、适用全球大范围尺度，概括出全球洪水变化及其成因的一般规律，为季节性洪水预报与防洪、洪水工程估算、漫滩管理、水资源系统开发等提供科学参考；
[0045]4、由于同时考虑了降水、土壤湿度、融雪变化的影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全球季节性洪水变化趋势定量归因方法，其特征在于，包括：S1：获取气象水文数据，所述气象水文数据包括：径流数据、降水、土壤湿度和融雪数据；S2：通过Sen'sslope及Mann
‑
Kendall趋势分析方法分析所述气象水文数据，获得洪水观测趋势；S3：构建全球季节性洪水变化趋势归因框架，通过所述全球季节性洪水变化趋势归因框架对所述气象水文数据进行分析，获得各驱动因子对全球季节性洪水的贡献率；S4：根据各所述驱动因子的贡献率和所述洪水观测趋势，在各所述驱动因子中找到主导因子，分析获得主导因子与洪水时间序列图。2.根据权利要求1所述的全球季节性洪水变化趋势定量归因方法，其特征在于，所述气象水文数据的筛选条件包括：第一条件：径流数据观测时长不少于20年且径流量为0的时长不超过10年；第二条件：各数据在一个季节之内不能有缺测数据；第三条件：监测点在预设年限内的平均年降水量大于年径流深；第四条件：灌溉面积不超过流域面积的2％。3.根据权利要求1所述的全球季节性洪水变化趋势定量归因方法，其特征在于，所述气象水文数据为季节数据，具体为：春季：北半球为3
‑
5月，南半球为9
‑
11月；夏季：北半球为6
‑
8月，南半球为12月到次年2月；秋季：北半球为9
‑
11月，南半球为3
‑
5月；冬季：北半球为12月到次年2月，南半球为6
‑
8月；将各季节的三个月中径流深的最大值作为这个季节的洪水量级。4.根据权利要求1所述的全球季节性洪水变化趋势定量归因方法，其特征在于，步骤S3具体为：S31：通过全子集回归为各监测点构建最佳回归模型，对所述最佳回归模型进行n个敏感性试验，n为驱动因子的种类数目；在进行敏感性试验时，每次对一个驱动因子进行去趋势处理，即使用该驱动因子的实测数据平均值替换原数据，其余驱动因子不进行处理，然后使用最佳回归模型对径流数据进行模拟；通过所述最佳回归模型计算获得各敏感性试验洪水的模拟值，计算公式为：其中，i为驱动因子的编号；x
i
为第i个驱动因子；n最佳回归模型中所包含的因子总数；y
i
为驱动因子x
i
的敏感性试验洪水的模拟值；a为最佳回归模型的截距；b
i
为驱动因子x
...

【专利技术属性】
技术研发人员：程楠，刘剑宇，冯星昱，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：