考虑降雨的下垫面变化对径流的影响分析

以下垫面覆被条件变化来表征的人类活动是水文循环研究中的核心问题,对流域发电、水资源管理以及社会经济可持续发展起到至关重要的影响。本文采用趋势分析法分析右江水电站控制流域内的年降雨量以及年径流量的变化特征及趋势,在利用Arc GIS分析流域下垫面变化的基础上,分别采用多元统计模型和考虑降雨的多元统计模型对径流系数进行模拟。结果表明年降雨量与年径流量的总体变化趋势是一致的,对年径流影响最大的要素是年降雨量,将降雨作为自变量放入回归模型后,模型拟合效果明显提高。     

基于水汽输送与IDW法耦合的降雨插值方法研究

在普通反距离权重法(IDW)的基础上,构建基于水汽输送与反距离权重法耦合的降雨插值方法(IDWWVT)。以三峡库区为例,利用库区及周边22个气象站点资料,分别采用IDW-WVT方法和IDW方法对22个站点2009~2013年的日降雨量进行空间插值模拟,以典型流域澎溪河的14个雨量站观测降雨资料对插值效果进行评价。结合SWAT模型,进一步分析插值降雨对澎溪河径流过程以及面源负荷过程的影响。结果表明:IDW-WVT方法对降雨量空间插值的精度明显优于IDW方法,在日尺度和月尺度中插值精度分别提高了23.1%,16.9%;同时使用IDW-WVT对径流过程和面源负荷过程的模拟效果也提升显著。     

有效降雨最优统计时段尺度研究——以河北省河间市为例

准确评价有效降雨量对农业生产规划具有重要意义。时段内腾发量与降雨量比较法确定有效降雨量在实践中是一种计算简便、通用性强的评价方法,其中统计时段尺度参数的合理选取是应用该方法的关键。以河北省黑龙港地区河间市为例,基于有效降雨量和农业灌溉量之间存在互逆相关关系的原理,开展了2011~2015年不同统计时段尺度有效降雨量与农灌开采量之间的非线性回归分析,并通过拟合优度变化规律的分析,得出了统计时段尺度的优选值域范围和最优推荐值。研究结果表明,有效降雨量与农灌开采量的相关关系可采用幂函数来拟合,7~12 d为统计时段尺度的较优取值区间,可决系数达到0.7以上,10 d(旬)尺度为最优推荐值,可决系数约为0.9。研究过程中利用高分遥感影像解译数据对河间市主要作物的统计种植面积数据进行了校核,并采用"以电折水"的方式对该市农灌开采量进行评估,有效提高了研究成果的可靠性。     

降雨空间分布模式识别

以广东省内186个站点的年降雨量分布为基础，把模式识别的聚类分析理论方法引入降雨空间特征分类研究中，进行降雨特征空间分布模式识别，以预测无雨量站点的降雨模式，从而分析水资源的空间分布模式，以便制订有效的水资源利用方案。结果表明，广东省年降雨量在空间上的分布可划分为6类模式；同时基于BP人工神经网络算法，建立了以高程、气温、蒸发量为主要参数的可判别和预测无雨量测站区域的降雨空间分布模式所属类别的模型，经过模型的学习和验证，效果较好。     

基于优化深度学习的西南地区极端降雨事件预测模型构建

为构建西南地区极端降雨事件预测模型,本文以卷积神经网络模型(CNN)、长短期记忆神经网络模型(LSTM)为基础,构建CNN-LSTM组合模型,基于孔雀算法(POA)、粒子群算法(PSO)和遗传算法(GA)对CNN-LSTM模型进行优化,对区域中雨日数R10、大雨日数R20、湿日降雨量PRCPTOT、1日最大降雨量RX1 4项极端降雨事件进行了模拟。结果表明,POA-CNN-LSTM模型在所有模型中精度最高,同时具备较高的普适性,可用于预测区域极端降雨事件。     

数值集合降雨预测的校正后处理方法研究

利用2017年4月1日-9月30日全球集合预测系统的降雨预测数据和雅砻江流域气象站点的降雨观测数据,采用基于左删失广义极值分布的集合模式输出统计方法对流域内降雨预测进行校正,对比分析该方法两种建模形式在校正结果上的差异。结果表明：采用集合成员均值校正的方式可以有效改善原始预测对于降雨过分高估的问题,其预测结果明显优于采用集合成员校正方式的预测结果,后者由于模型参数增加而出现过度拟合问题,限制了其在雅砻江流域中的应用。另外采用集合成员均值校正方式的预测结果的准确性在不同流域范围存在明显差异并倾向低估流域内较大降雨量,因此在后续的研究中需要进一步针对该方法无法对极值降雨量进行准确预测的问题进行改进。     

丹江口水库流域月尺度降雨与径流预报研究

以汉江上游丹江口水库流域为研究区域,通过降雨-气象遥相关分析从74项大气环流因子中筛选出预报因子,建立月降雨量与预报因子间的多元线性回归模型,根据大气环流因子对月降雨量进行预报,并构建研究区域的SWAT模型,以预报的月降雨量作为模型输入,实现月径流量的预报。以2012年逐月降雨及径流为例,模型对降雨和径流预报的合格率均约为83%,预报效果较好。研究表明,根据降雨量-大气环流因子的统计相关关系预报月降雨,并结合水文模型进行径流预报,对研究区域具有一定的适用性。     

赣北红壤丘陵区降雨侵蚀力研究

利用赣北红壤丘陵区2000～2006年降雨资料,分析了其月平均降雨量和月平均降雨侵蚀力的分布,发现该地区降雨侵蚀力分布与降雨量分布不完全一致,且明显具有双锋特点.原有赣北红壤丘陵区降雨侵蚀力计算模型只考虑了降雨量因素,在降雨量与降雨侵蚀力分布不完全一致时,有一定局限性.考虑到降雨侵蚀力的传统计算方法繁琐、所需资料不易获取等实际问题,建立了赣北红壤丘陵区月降雨侵蚀力和次降雨侵蚀力的简化计算模型,并利用2000～2002年降雨资料对模型参数进行率定,利用2003～2006年降雨资料对模型进行验证,结果表明:简化模型达到了较高的精度,能够用于该地区降雨侵蚀力计算.     

岷江都江堰降雨与径流变化趋势分析及预测

依据岷江上游紫坪铺水文站监测1955—2008年降雨量与年径流量资料为基础数据,用线性倾向法、滑动平均法、Mann-Kendall法进行系列趋势检验,采用小波分析进行序列周期性分析,用ARIMA模型法构建降雨径流预测模型。结果表明:近54 a来,岷江流域都江堰段降雨量与径流量均有下降趋势,其中降雨下降较快,降雨的突变点比径流少且二者存在6~21 a的周期,得到的ARIMA模型预测精度较高,结合序列趋势变化与周期性,可得到该区未来降雨径流更合理的预测。     

湖南慈利县滑坡灾害的临界降雨量阈值研究

科学合理地确定降雨诱发滑坡的预警阈值是区域防灾减灾的关键。以降雨型滑坡灾害高发的武陵山区为例,选取湖南慈利县1987—2011年逐年的历史滑坡灾害及降雨数据进行统计研究。首先,利用SPSS软件分析降雨与滑坡事件的相关性,发现该地区降雨型滑坡灾害主要受前3 d累积降雨量影响,且前期降雨有效系数仅为0.6;进而基于经验阈值分析模型,建立该地区分级预警的宏观平均有效降雨强度-降雨持续天数(I-D)降雨阈值曲线,并通过已知降雨滑坡事件进行空间验证;最后,考虑区内降雨型滑坡规模、滑体厚度及坡度的差异,分类建立了不同地质条件特性的I-D阈值曲线,发现临界降雨量阈值与滑坡规模及厚度呈显著正相关关系,而滑坡坡度则存在明显的最易发区间(25°~35°),此时临界降雨量阈值最小。研究结果可为武陵山区及相关地区降雨型滑坡的预测预报提供依据和借鉴。     

Downscaling Monsoon Rainfall over River Godavari Basin under Different Climate-Change Scenarios

Evaluating the impact of climate change at river basin level has become essential for proper management of the water resources. In the present study, Godavari River basin in India is taken as study area to project the monthly monsoon precipitation using statistical downscaling. The downscaling method used is a regression based downscaling termed as fuzzy clustering with multiple regression. Among the atmospheric variables simulated by global circulation/climate model (GCM) mean sea level pressure, specific humidity and 500 hPa geopotential height are used as predictors. 1^o × 1^o gridded rainfall data over Godavari river basin are collected from India Meteorological Department (IMD). A statistical relationship is established between the predictors and predictand (monsoon rainfall) to project the monsoon rainfall for the future using the Canadian Earth System Model (CanESM2) over IMD grid points under the Representative Concentration Pathways 2.6, 4.5 and 8.5 (RCP 2.6, 4.5, 8.5) scenarios of Fifth Coupled Model Inter-Comparison Project (CMIP 5). Downscaling procedure is applied to all 25 IMD grid points over the basin to find out the spatial distribution of monsoon rainfall for the future scenarios. For 2.6 and 4.5 scenarios results show an increasing trend. For scenario 8.5 rainfall showed a mixed trend with rainfall decreasing in the first thirty years of prediction and then increasing gradually over the next sixty years.     

RCP情景下都柳江上游气候变化及径流响应分析

建立都柳江上游三水源新安江月水文模型,根据1968-2004年历史降雨、蒸发及径流数据运用遗传算法来率定和优选敏感参数,使用降尺度GCM数据驱动模型得到不同RCP情景下的流域未来月平均径流,并通过线性拟合方法分析都柳江上游未来气象要素及模拟径流过程。结果表明:2020-2099年都柳江年平均降雨基本处于稳定状态,年平均气温和蒸发呈波动增长,局部短时段下降。流域径流流量总体低于历史平均值,年际间波动降低,年内分布不均,主要集中在5-10月份。     

2021年黄河流域极端秋雨与大气环流和海温的关系

为探究2021年黄河流域秋雨的异常特征及其成因,利用黄河流域232个测站逐日降水资料、NCEP/NCAR逐月再分析数据集和英国气象局Hadley中心月平均海温资料等,分析了2021年黄河流域秋雨的极端性,并进一步与秋雨异常偏多年的环流背景和海温异常特征进行了对比。结果表明：2021年黄河流域秋雨较常年异常偏多,偏离气候态近8σ,全流域有62.5%的站点累积雨量大小位列历史同期前5,37.9%的站点位列第1,表现出显著的极端性。巴尔喀什湖低槽底部分裂短波槽东移南下,与西太平洋副热带高压西北侧的西南气流交汇于黄河流域南部,造成2021年秋雨异常偏多;与其余秋雨异常年相比,2021年副高面积偏大、强度偏强、西伸脊点偏西,印缅槽强度则偏弱。2021年秋季,北太平洋海温较气候态偏高3.6σ,异常度位居秋雨异常年首位,其通过引起副高的异常响应造成极端秋雨的发生。本研究可为黄河流域秋雨预测提供参考。     

多模式下泾河上游流域未来降水变化预估

利用站点实测资料、GCMs 月数据对 GCMs 进行秩评分评估排序, 从 21 种 GCMs 模式优选出的 6 种 GCM模式的日数据、6 种 GCM 集成的气候模式、站点实测资料和 NCEP 再分析资料构建统计降尺度模型 SDSM, 预估泾河上游流域的未来降水变化。结果表明: 构建的降尺度模型对降水模拟较为可靠, 率定期各模式决定系数 R2 为 0.228~ 0.324, 标准误差为 0.354~ 0.450, 率定期和验证期模拟月均降水与实测值年内分布相近。在降尺度性能评价中集成模式表现最好。在 RCP 4.5 情景下, 泾河上游流域未来降水大多数模式和集成模式呈增加趋势, 到 2030 年泾河上游流域降水量将增加 4.8% , 且当地的春季雨量会增加, 夏季雨量会减少。     

Modeling Uncertainty Resulting from Multiple Downscaling Methods in Assessing Hydrological Impacts of Climate Change

Climate Change Impacts Assessment using Statistical Downscaling is observed to be characterized by uncertainties resulting from multiple downscaling methods, which may perform similar during training, but differs in projections when applied to GCM outputs of future scenarios. The common wisdom in statistical downscaling, for selection of downscaling algorithms, is to select the model with the best overall system performance measure for observed period (training and testing). However, this does not guarantee that such selection will work best for any rainfall states, viz., low rainfall, or extreme rainfall. In the present study, for Assam and Meghalaya meteorological subdivision, India, three downscaling methods, Linear Regression (LR), Artificial Neural Network (ANN) and Support Vector Machine (SVM) are used for simulating rainfall with reanalysis data and similar training and testing performances are obtained for observed period. When the developed relationships are applied to GCM output for future (21st century), differences are observed in downscaled projections for extreme rainfalls. ANN shows decrease in extreme rainfall, SVM shows increase in extreme rainfall and LR shows first decrease and then increase in extreme rainfall. Such results motivate further investigation, which reveals that, although, the overall performances of training and testing for all the transfer functions are similar, there are significant differences, when the performance measures are computed separately for low, medium, and high rainfall states. To model such uncertainty resulting from multiple downscaling methods, different transfer functions (LR, ANN and SVM) are used for different rainfall states (viz., low, medium and high), where they perform best. The rainfall states are predicted from large scale climate variables using Classification and Regression Tree (CART). As muti-model averaging (with equal weights or performance based weights) is commonly used in climatic sciences, the resulting output are also compared with the average of multiple downscaling model output. Rainfall is projected for Assam and Meghalaya meteorological subdivision, using this logic, with multiple GCMs. GCM uncertainty, resulting from the use of multiple GCMs, is further modeled using reliability ensemble averaging. The resultant Cumulative Distribution Function (CDF) of projected rainfall shows an increasing trend of rainfall in Assam and Meghalaya meteorological subdivision.     

Potential assessment of the support vector regression technique in rainfall forecasting

Forecasting and monitoring of rainfall values are increasingly important for decreasing economic loss caused by flash floods. Based on statistical learning theory, support vector regression (SVR) has been used to deal with forecasting problems. Performing structural risk minimization rather than minimizing the training errors, SVR algorithms have better generalization ability than the conventional artificial neural networks. The objective of this investigation is to examine the feasibility and applicability of SVR in forecasting volumes of rainfall during typhoon seasons. In addition, Simulated Annealing (SA) algorithms are employed to choose parameters of the SVR model. Subsequently, rainfall values during typhoon periods in Taiwan's Wu–Tu watershed are used to demonstrate the forecasting performance of the proposed model. The simulation results show that the proposed SVRSA model is a promising alternative in forecasting amounts of rainfall during typhoon seasons.     

BRR-SVR月降水量预测优化模型

受多种因素影响,水文时间序列具有非平稳性。研究时间序列的传统模型如ARMA对数据的平稳性有较高要求,不适用于非平稳水文时间序列的研究。近年来,机器学习算法越来越多地被应用于研究水文过程,本文将支持向量机回归(SVR)和贝叶斯岭回归(BRR)应用于月降水量的预测。运用小波变换对降水数据进行分解和重构,然后对各子序列进行相空间重构,运用校验数据从SVR和BRR中选取每个子序列上精度更高的模型,构建耦合支持向量机回归和贝叶斯岭回归的BRR-SVR优化模型,并与单一的BRR模型和SVR模型加以对比。以北京站、南京站和太湖流域7个雨量站为例,采用确定系数、平均绝对百分比误差和平均绝对误差3项指标评估各模型的预测性能,以相对误差图探讨三类模型之间的差异,计算结果验证优化模型的有效性。     

基于ATAK的MSWEP数据空间降尺度及对降水融合的影响研究

全球性降水数据为获取大范围降水空间分布提供了新途径,但其空间分辨率不高一直是制约其应用于流域或区域尺度上的重要因素之一,因此研究全球性降水数据的空间降尺度方法具有重要的理论和实用价值。本文采用从区域到区域的Kriging(Area to Area Kriging, ATAK)和反距离权重(Inverse Distance Weighted, IDW)两种方法,不考虑地面雨量资料及影响雨量的有关辅助信息,在汉江流域将全球性降水数据MSWEP的空间分辨率由0.1°×0.1°提高至0.02°×0.02°。结果发现ATAK降尺度得到的月雨量场虽然在统计精度上与IDW无明显差异,但提高了对月降水量局部空间变异特征的描述能力,在一定程度上克服了IDW的平滑效应。进一步以ATAK、IDW降尺度处理后的MSWEP数据以及不作空间降尺度处理的原始MSWEP数据为背景场,采用GWR方法分别与雨量站网降水数据融合,发现3种情况下得到的月降水融合数据在空间基本格局上相同,精度统计结果也较为接近,但雨量场的空间连续性及细节特征仍有一定差异。在地表雨量站网密度较高的情况下,背景场差异对MSWEP和站点降水融合结果...     

统计降尺度方法对黄河上游流域气象要素模拟分析

将CMIP5模式的输出作为降尺度的输入来预估区域性气候的研究较少,本文使用CMIP5中精度较高的Can ESM2模式下的RCP4.5情景(中等温室气体排放)对黄河上游流域未来气象要素进行预估。利用黄河上游流域(上诠站以上)14个气象站点1967-2010年的逐月降水、气温和NCEP再分析资料,选取拟合度、均值相对误差、标准差相对误差作为评价指标,利用逐步回归算法筛选22个预报因子,建立了月资料序列的统计降尺度模型,并将模型应用于CMIP5中Can ESM2模式下RCP4.5情景,产生了未来气候要素的变化情景。结果表明:该模型对降水的模拟效果好于对气温的模拟。