• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      降雨輸入對青龍河流域HSPF模型模擬結(jié)果的影響

      2020-03-20 01:51:48劉興坡陳心能盧木子夏澄非李永戰(zhàn)
      哈爾濱工業(yè)大學學報 2020年2期
      關(guān)鍵詞:極值降雨趨勢

      劉興坡,陳心能,盧木子,夏澄非,李永戰(zhàn)

      (1.上海海事大學 海洋科學與工程學院,上海 201306; 2.上海海事大學 海洋環(huán)境與生態(tài)模擬研究中心,上海 201306; 3.河北省桃林口水庫管理局,河北 秦皇島 066400)

      當前,BASINs/HSPF模型在國內(nèi)外流域水文水質(zhì)模擬方面得到了較為廣泛的應(yīng)用[1].評價模型模擬結(jié)果不確定性、提升模型模擬精度開始成為模型應(yīng)用的重要問題.一般而言,模型模擬結(jié)果的不確定性取決于模型結(jié)構(gòu)的不確定性、模型參數(shù)的不確定性以及模型輸入的不確定性等[2].首先,模型結(jié)構(gòu)不確定性一般需要通過模型結(jié)構(gòu)的重新研發(fā)、組合(或集合)模型[3]等途徑進行優(yōu)化,前者涉及流域水文水質(zhì)系統(tǒng)模型的系統(tǒng)開發(fā),而后者則超出了單個流域模型研究的范疇.其次,HSPF模型參數(shù)不確定性是當前模型不確定性研究的熱點,主要包括用于不確定性分析的貝葉斯理論方法、用于靈敏度分析的方差分解方法以及用于校準優(yōu)化的啟發(fā)式智能搜索算法等[2,4-5],典型方法如靈敏度分析[6]、PEST自動校準[7]、正交極差分析[8]等.在降雨輸入研究方面,劉潔等應(yīng)用降雨隨機模擬模型分析了3種降雨情景對東江流域徑流的影響[9].該文從降雨情景分析的角度考慮了降雨隨機性變化,但并未就其對HSPF模型精度影響作出評估.ZHOU Zhang等則針對氣候變化導致的降雨模式變化,應(yīng)用BASINS-HSPF-CAT建模系統(tǒng)評估其對中國海南尖峰嶺熱帶雨林流域水文過程的影響[10].綜上發(fā)現(xiàn),對于HSPF模型降雨輸入不確定性對其模擬結(jié)果影響的研究還未見相關(guān)報道.鑒于降雨是HSPF模型最為重要的輸入條件,具有非常大的波動性和隨機性.本文針對降雨輸入較大的波動性和隨機性,應(yīng)用降雨隨機模擬方法來考查其對HSPF模型模擬結(jié)果的影響,為HSPF模型的深入應(yīng)用提供參考和借鑒.

      1 研究數(shù)據(jù)與方法

      1.1 研究流域及數(shù)據(jù)

      以青龍河流域HSPF模型為研究對象考查降雨輸入的影響.青龍河干流總長246 km,流域面積6 340 km2,流域范圍大部分在河北省青龍滿族自治縣、平泉縣和寬城縣境內(nèi),部分隸屬遼寧省凌源市和建昌縣,其中河北境內(nèi)3 776 km2,遼寧省境內(nèi)1 284 km2.受太平洋副熱帶高壓的影響,該流域暴雨多發(fā)生在7月下旬—8月上旬,兩月雨量約占全年降雨量的60%~70%,最大可達80%.

      本文研究數(shù)據(jù)主要包括:1)精度為90 m的SRTM3文件,經(jīng)ArcGIS10.2處理后可獲得流域DEM圖;2)應(yīng)用ArcGIS10.2軟件對2009年0.5 m空間分辨率的航拍影像進行目視解譯,并按照GlobCover2009數(shù)據(jù)的分類體系,可獲得流域12種土地利用類型數(shù)據(jù);3)基于流域DEM數(shù)據(jù),應(yīng)用ArcGIS10.2軟件進行流域水文系統(tǒng)分析,包括水流方向提取、水流長度計算、河網(wǎng)分級、河流網(wǎng)絡(luò)獲取、匯流累積量計算以及流域分割(子流域獲取)等步驟,從而可獲得HSPF建模所需要的河網(wǎng)和子流域.本研究中,將整個流域劃分為35個子流域,分別對應(yīng)35個河段,如圖1所示.4)氣象數(shù)據(jù)來自中國氣象科學數(shù)據(jù)共享中心網(wǎng)站河北省青龍站(東經(jīng)118.950°,北緯40.400°),該站點數(shù)據(jù)包括1957年—2013年逐日降雨、相對濕度、氣溫、風速、光照、蒸發(fā)皿蒸發(fā)和氣壓等.應(yīng)用WDMUtil程序可將氣象數(shù)據(jù)計算轉(zhuǎn)換為小時數(shù)據(jù),生成wdm格式文件可為HSPF模擬使用.本文研究所采用的即為1957年1月1日—2013年9月30日的日降雨數(shù)據(jù),數(shù)據(jù)來源為中國氣象科學數(shù)據(jù)共享中心網(wǎng)站.針對從該網(wǎng)站下載的數(shù)據(jù)文件,首先利用Surfer軟件和Excel對降雨數(shù)據(jù)進行格式編排以及異常值的修正,然后應(yīng)用Surfer軟件進一步將降雨數(shù)據(jù)轉(zhuǎn)化為WDM時間序列格式,作為HSPF模型的輸入數(shù)據(jù).

      圖1 青龍河流域HSPF模型界面

      1.2 建模方法

      根據(jù)隨機水文學原理,降雨時間序列包括趨勢成分、周期成分、相依隨機成分和獨立隨機成分(白噪聲)等.其中,趨勢成分和周期成分為降雨時間序列的確定性成分.當降雨時間序列扣除確定性成分后便成為平穩(wěn)隨機序列.該平穩(wěn)隨機序列包括相依隨機成分和獨立隨機成分兩個部分.為此,分別對上述各個時間序列成分進行建模,建立降雨時間序列的隨機模擬模型,采用蒙特卡洛方法,獲得多組降雨隨機模擬序列,逐個作為HSPF模型的降雨輸入進行模擬,獲得每次模擬的Nash-Sutcliffe效率系數(shù)(ENS,下同),據(jù)此來評價降雨輸入對HSPF模型模擬效果的影響.研究技術(shù)路線參見圖2.

      1.2.1 趨勢成分檢驗與建模方法

      首先分別采用非參數(shù)Mann-Kendall趨勢檢驗法、Mann-Kendall秩次相關(guān)檢驗法、Spearman秩次相關(guān)檢驗法、線性回歸法以及滑動平均法評估實際降雨時間序列(Z(t))的趨勢顯著性.然后采用如下方法對降雨時間序列的趨勢成分進行建模.降雨時間序列趨勢成分可選取為如下形式[11]:

      c8t-1/2+c9e-t+c10lnt.

      (1)

      式中:t為時間變量,ci(i=0,1,2,…,10)為待定系數(shù).

      然后采用逐步回歸分析方法確定函數(shù)形式.當樣本數(shù)目很大時,可選用相對的時間單位,即有

      (2)

      式中:N為樣本數(shù)目,τ為采樣間隔.

      圖2 研究路線

      1.2.2 周期成分建模方法

      降雨時間序列的周期項p(t)可表達為d個諧波函數(shù)的組合,即

      (3)

      (4)

      (5)

      式中,Y(t)=Z(t)-f(t),為實際序列去除趨勢項之后的殘差序列.

      確定諧波個數(shù)d可采用累積周期圖的方法[12].具體方法如下:

      1)計算序列Y(t),t=1,2,…,N的方差:

      (6)

      2)計算第j個諧波對序列方差S2的貢獻:

      (7)

      (8)

      (9)

      1.2.3 平穩(wěn)時間序列建模方法

      1)相依隨機成分建模方法.實際降雨時間序列去除趨勢成分和周期成分后,就可按照平穩(wěn)時間序列模型進行建模.其中的相依隨機成分建模一般采用自回歸滑動平均模型(ARMA),包括AR(p)和MA(q)兩部分.本文采用最小信息準則(AIC準則和BIC準則)來確定ARMA(p,q)模型階數(shù)p和q,并采用矩法來估計模型參數(shù).相依隨機成分的建模表達式一般可以表示為

      s(t)=β0+β1s(t-1)+β2s(t-2)+…+βns(t-n)+
      e(t)+α1e(t-1)+α2e(t-2)+…+αde(t-d).

      (10)

      式中:s(t)和e(t)分別代表自回歸模型和滑動平均模型,α和β分別代表相應(yīng)系數(shù).

      2)獨立隨機成分(白噪聲)建模方法.根據(jù)建立的平穩(wěn)時間序列模型,可以反求殘差序列.殘差成分的均值應(yīng)為0,方差可經(jīng)過統(tǒng)計計算得出.由此就可以確定獨立隨機成分(白噪聲成分)的數(shù)學表達形式.殘差成分的正態(tài)獨立性需要在建模后驗證.若已知獨立隨機成分的均值和方差,可按照正態(tài)分布對其進行隨機模擬.

      3)殘差成分的正態(tài)獨立性檢驗.進行上述建模后,需要進行殘差成分的正態(tài)獨立性檢驗,驗證所建立的模型是否滿足要求,能否反映實際降雨時間序列的時序特性和隨機變化規(guī)律.

      由于平穩(wěn)序列模型ARMA(p,q)是建立在具有正態(tài)概率分布特性的獨立隨機成分(白噪聲成分)基礎(chǔ)之上.在模型建立之后,必須對殘差成分的獨立正態(tài)性進行檢驗.一般采用自相關(guān)函數(shù)檢驗法,首先構(gòu)造統(tǒng)計量:

      (11)

      若殘差序列為獨立序列,則統(tǒng)計量R服從自由度為(m-p-q)的χ2分布.公式中m為最大滯時(一般可選取為N/4左右),N為序列長度,rk為殘差序列的k階自相關(guān)系數(shù).

      1.2.4 降雨時間序列的蒙特卡洛隨機模擬方法

      2 降雨隨機序列模擬結(jié)果

      2.1 趨勢成分檢驗與建模結(jié)果

      2.1.1 趨勢成分檢驗結(jié)果

      根據(jù)常用的5種時間序列趨勢性檢驗方法,對青龍河流域的實際降雨時間序列進行分析(見表1).根據(jù)檢驗結(jié)果,Mann-Kendall秩次相關(guān)檢驗法的檢驗結(jié)果為顯著,其余4種方法均為不顯著.為了保證趨勢分析的可靠度,繼續(xù)通過定量分析的方法識別青龍河流域降雨時間序列的趨勢成分.

      表1 降雨時間序列趨勢檢驗結(jié)果比較

      2.1.2 趨勢成分確定

      為了定量確定青龍河流域?qū)嶋H降雨時間序列的趨勢成分,基于Matlab平臺,采用逐步回歸分析方法確定其趨勢成分,如圖3所示.根據(jù)式(1),設(shè)定95%置信限,獲得趨勢成分的擬合公式(見式(11)).根據(jù)式(12),獲得降雨時間序列的趨勢成分,如圖4所示.

      f(t)=0.026 7t2+0.053 4t-1+0.133lnt.

      (12)

      圖3 Matlab平臺上應(yīng)用逐步回歸分析法優(yōu)化趨勢成分

      Fig.3 Stepwise regression analysis for optimizing trend components on Matlab

      圖4 趨勢成分建模結(jié)果

      2.2 周期成分建模結(jié)果

      根據(jù)累積周期圖建模方法,可以發(fā)現(xiàn)實際降雨序列存在約13年的變化周期,與小波分析、功率譜方法獲得的周期結(jié)果相同.式(13)為實際降雨序列周期成分表達式.周期成分的建模結(jié)果如圖5所示.

      (13)

      圖5 周期成分結(jié)果

      2.3 相依隨機成分建模結(jié)果

      首先根據(jù)AR模型以及MA模型的偏相關(guān)函數(shù)判斷ARMA模型的階次,如圖6所示.然后應(yīng)用矩法進行參數(shù)估計,從而獲得3個ARMA模型,如表2所示.分別計算上述3個模型的AIC值和BIC值,并進行比較.由表2可知,ARMA(1,1)模型的AIC值、BIC值最小,故根據(jù)最小準則選擇其作為相依隨機成分的建模形式.

      2.4 獨立隨機成分(白噪聲)建模結(jié)果

      圖6 ARMA模型偏相關(guān)函數(shù)

      表2 ARMA模型優(yōu)選

      2.5 隨機模擬模型實用性檢驗

      為了檢驗隨機模擬序列是否能夠反映實際降雨時間序列的大部分統(tǒng)計特性.此處采用長序法對該模型的實用性進行初步分析.檢驗內(nèi)容包括均值、離差系數(shù)Cv、偏差系數(shù)Cs和一階自相關(guān)系數(shù).按相對誤差≤10%統(tǒng)計參數(shù)通過率,結(jié)果見表3.

      表3 統(tǒng)計參數(shù)通過率

      根據(jù)表3中各項統(tǒng)計數(shù)據(jù),降雨隨機模擬序列通過了長序檢驗,驗證了降雨隨機模擬方法及其結(jié)果的可信度.這表明,采用趨勢成分、周期成分與ARMA建模以及正態(tài)隨機模擬獲得降雨隨機模擬序列是量化降雨輸入隨機性的可行方法.

      2.6 降雨隨機模擬序列生成

      獲得降雨時間序列的趨勢成分、周期成分、相依隨機成分以及獨立隨機成分之后,就可以應(yīng)用蒙特卡羅方法,在計算機上可實現(xiàn)降雨時間序列的隨機模擬,獲得與實際降雨時間序列統(tǒng)計特性相似的隨機模擬序列.圖7所示為200個降雨隨機模擬序列與實際降雨時間序列的比較.

      3 HSPF模型模擬結(jié)果與分析

      為了分析降雨時間序列隨機性對于青龍河流域HSPF模型模擬效果的影響,將200組降雨隨機模擬序列分別輸入到HSPF模型中,計算HSPF模型驗證期(2011年)實測徑流與模擬徑流的ENS值,評價模擬效果.

      圖7 降雨隨機模擬序列與實際降雨序列的比較

      Fig.7 Comparison of rainfall random simulation series and actual rainfall series

      3.1 青龍河流域HSPF模型靈敏參數(shù)優(yōu)化

      為了合理評價降雨時間序列對HSPF模型模擬結(jié)果的影響,首先需要優(yōu)化HSPF模型參數(shù),保證HSPF模型精度.為此,應(yīng)用PEST自動校準程序識別出9個最為靈敏的模型參數(shù),然后采用正交極差分析方法優(yōu)化獲得9個參數(shù)的校準結(jié)果[8],即LZSN為2,INFILT為0.167,AGWRC為0.95,DEEPFR為0.209,BASETP為0.133,AGWETP為0.1,CEPSC為0.27,UZSN為1.35,IRC為0.483.其余不靈敏參數(shù)則采用HSPF模型設(shè)定默認值,并進行相應(yīng)參數(shù)不確定性的影響分析.

      3.2 降雨隨機模擬序列對HSPF模型模擬結(jié)果的影響

      將上述獲得的200組降雨隨機模擬序列分別輸入到HSPF模型中運行模擬,可以獲得200組模擬徑流序列(如圖8所示).并根據(jù)2011年實測徑流數(shù)據(jù)與HSPF模型的模擬徑流數(shù)據(jù),計算獲得200組ENS值,如表4所示.根據(jù)表4,200次HSPF模擬獲得的ENS值的變化范圍為[71.09%, 74.96%],ENS平均值為73.03%,ENS波動幅度為3.87%.由此可以發(fā)現(xiàn),在模型參數(shù)得到較好優(yōu)化的前提下,降雨時間序列隨機性仍會導致HSPF模擬ENS值3.87%的起伏.這表明降雨輸入的隨機性是影響HSPF模型模擬效果的顯著因素,是改善HSPF模型模擬效果的重要考量.

      圖8 模擬徑流序列與實測徑流序列比較

      Fig.8 Comparison of the simulated runoff series and the actual runoff series

      表4 HSPF隨機模擬的ENS值

      Tab.4 Nash-Sutcliffe efficiency (ENS) values by HSPF stochastic simulations %

      3.3 降雨時間序列中極值點對HSPF模擬結(jié)果的影響

      由于一般的隨機建模方法無法充分還原實際降雨時間序列極值點或?qū)O值點作為奇異點濾除,從而導致隨機模擬序列較實際時間序列更為平滑.因此,為了評估降雨時間序列中極值點對HSPF模擬結(jié)果的影響,此處在隨機模擬序列中考慮將實際降雨時間序列的若干極值點還原,從而考查極值點對HSPF模擬結(jié)果的影響.選用3.2節(jié)中ENS最高值(74.96%)所對應(yīng)的降雨隨機模擬序列,按照每年中日降雨量由大到小順序,依次還原1個、2個、3個、4個和5個極值點,分別獲得5個對應(yīng)的降雨隨機模擬序列,然后依次輸入到HSPF模型中,評估其對模擬結(jié)果的影響,結(jié)果如表5所示.由表5可知,經(jīng)過5次還原極大值后,HSPF模擬ENS的最小值為75.35%,均大于沒有還原極值的降雨隨機模擬序列(其ENS最大值為74.96%),這表明降雨時間序列極大值對于HSPF模擬效果具有顯著影響.因此,提高HSPF模擬精度需要關(guān)注降雨時間序列極大值點的影響.此外,隨著每年還原的日降雨極大值數(shù)量從1增長到3時,ENS值逐漸增大,每年還復極大值數(shù)量為3時,ENS值達到最大,而后逐漸下降.這說明降雨時間序列還原3個最大極值點時模擬結(jié)果最佳.這也啟示,在HSPF模擬的降雨情景優(yōu)選時,還原的極大值點并非越多越好,而是要重點考慮若干最大極值點的影響.

      表5 還原的日降雨極值個數(shù)與相應(yīng)的ENS值

      Tab.5 Number of modified daily rainfall extremes and the corresponding ENS values %

      同理,為了考查降雨時間序列極小值點對模擬結(jié)果的影響,經(jīng)過5次還原極小值后,HSPF模擬ENS的最小值為75.03%,也均大于沒有還原極值的降雨隨機模擬序列(其ENS最大值為74.96%),這表明降雨時間序列極小值點對于模擬結(jié)果具有優(yōu)化作用.然而,還原極小值之后,HSPF模擬的ENS值的波動幅度僅為0.16%,這表明將降雨模擬序列中每年日降雨量的極小值還原后,對于HSPF模型的影響并不顯著.此外,隨著每年還原的日降雨極小值數(shù)量從1增長到4時,ENS值逐漸增大,每年還復極小值數(shù)量為4時,ENS值達到最大,而后下降.這說明降雨時間序列還原4個最大極值點時模擬結(jié)果最佳.這也啟示,在HSPF模擬的降雨情景優(yōu)選時,還原的極小值點并非越多越好,而是要重點考慮若干最小極值點的影響.

      通過降雨輸入隨機性和極值點對HSPF模型模擬結(jié)果的影響分析,發(fā)現(xiàn)在模型參數(shù)相對優(yōu)化的條件下,兩個因素對于HSPF模型模擬結(jié)果影響具有7.33%的貢獻率,這表明降雨輸入的不確定性是HSPF模型模擬結(jié)果不確定性的重要來源,也是提高HSPF模型精度的重要方面.

      4 結(jié) 論

      1)采用趨勢成分、周期成分與ARMA建模以及正態(tài)隨機模擬獲得降雨隨機模擬序列是量化降雨輸入隨機性的可行方法.

      2)在模型參數(shù)優(yōu)化的條件下,降雨隨機模擬序列HSPF模擬ENS值的變化區(qū)間為[71.09%,74.96%],波動幅度達3.87%,表明降雨輸入隨機性對于HSPF模擬結(jié)果具有顯著影響.

      3)當考慮每年的日降雨量極大值時,ENS值變化區(qū)間為[75.35%,78.81%],波動幅度達3.46%,且結(jié)果均優(yōu)于沒有考慮降雨極值點的降雨隨機模擬序列,表明降雨時間序列的極大值對于HSPF模擬效果具有顯著影響.

      4)隨著降雨時間序列中所考慮極大值點數(shù)量的逐漸增多,HSPF模擬效果出現(xiàn)下降趨勢,表明HSPF模擬應(yīng)特別關(guān)注若干最大極值點的影響.

      5)當考慮每年的日降雨量極小值時,ENS值變化區(qū)間為[75.03%,75.19%],波動幅度僅為0.16%,表明降雨時間序列的極小值對于HSPF模擬效果的影響并不顯著.

      6)降雨輸入的不確定性是HSPF模型模擬結(jié)果不確定性的重要來源,改善HSPF模擬效果需要考慮降雨時間序列隨機性和極值點因素的影響.

      本研究可為量化降雨輸入對HSPF模型模擬的影響以及HSPF模擬降雨情景的選擇提供借鑒.

      猜你喜歡
      極值降雨趨勢
      極值點帶你去“漂移”
      趨勢
      極值點偏移攔路,三法可取
      一類“極值點偏移”問題的解法與反思
      初秋唇妝趨勢
      Coco薇(2017年9期)2017-09-07 21:23:49
      滄州市2016年“7.19~7.22”與“8.24~8.25”降雨對比研究
      SPINEXPO?2017春夏流行趨勢
      紅黏土降雨入滲的定量分析
      匹配數(shù)為1的極值2-均衡4-部4-圖的結(jié)構(gòu)
      趨勢
      汽車科技(2015年1期)2015-02-28 12:14:44
      嘉禾县| 祁连县| 图木舒克市| 津南区| 商都县| 丹江口市| 会宁县| 江孜县| 新疆| 澄迈县| 东兴市| 湾仔区| 托里县| 桓仁| 察雅县| 富民县| 盐亭县| 佛学| 尉犁县| 蓬安县| 清新县| 资源县| 紫阳县| 遂宁市| 南昌县| 芒康县| 金溪县| 宣化县| 库尔勒市| 罗定市| 万载县| 克什克腾旗| 会昌县| 延边| 虞城县| 双城市| 荔浦县| 林周县| 辽宁省| 耒阳市| 江源县|