CN119377915B 一种极端枯水变化归因及枯水资源潜力评估方法 （水利部交通运输部国家能源局南京水利科学研究院）

(19)国家知识产权局(12)发明专利(10)授权公告号CN119377915B(21)申请号202510000469.3(22)申请日2025.01.02(65)同一申请的已公布的文献号申请公布号CN119377915A(43)申请公布日2025.01.28(73)专利权人水利部交通运输部国家能源局南京水利科学研究院地址210000江苏省南京市广州路223号鲍振鑫刘翠善王国庆(74)专利代理机构安徽中辰臻远专利代理事务所(普通合伙)34175专利代理师李星辰GO6F18/27(2023.01)GO6N5/01(2023.01)(56)对比文件权利要求书3页说明书8页附图20页(54)发明名称一种极端枯水变化归因及枯水资源潜力评估方法(57)摘要本发明公开了一种极端枯水变化归因及枯水资源潜力评估方法，属于水资源计算技术领域，获取研究区径流及其驱动因素的栅格数据，并进行数据预处理，采用非参数核密度估计方法推求每个网格单元径流深的频率分布，统计各年满足保证率径流深阈值的栅格占总栅格的比例，进而确定各保证率下的枯水典型年。采用耦合优化深度学习的非线性回归模拟模型开展不同驱动因子组合下的极度枯水径流深回归模拟研究，并基于回归模拟精度结果挖掘影响枯水径流深变化的关键驱动因子组合，基于归因分析的结果，采用约束线推求技术分析各关键驱动因子对2S2.基于研究区步骤S1对应的径流深栅格数据，采用非参数核密度估计方法推求每个S3.在获得研究区步骤S2对应的枯水典型年后，提取对应于枯水典型年的径流深栅格S4.在驱动因子重要性研判结果的基础上，采用耦合优化深度学习的非线性回归模拟模型开展不同驱动因子组合下的极端枯水径流深的回归模拟分析，基于回归模拟的精度，S5.基于归因分析的结果，采用约束线推求技术分析各关键驱动因子对极端枯水的约2.根据权利要求1所述的一种极端枯水变化归因及枯水资源潜力评估方法，其特征在步骤12,对各类型数据进行重投影和重采样处理，解决各类型数据存在的分辨率不统3.根据权利要求1所述的一种极端枯水变化归因及枯水资源潜力评估方法，其特征在步骤21,首先基于研究区历年年径流深栅格数据，采用非参数核密度估计方法推求每密度函数推求栅格单元各历时暴雨样本的边缘分布函数；栅格上m年径流深样本数据y₁,Y₂,…,y是来自一元连续总体分布Y,总体概率密度函数为f(y),其核密度估计函数可表示带宽(h>0);步骤23,确定各保证率下的枯水典型年；逐年统计计算各年满足保证率径流深阈值的75%枯水径流深指径流深小于75%保证率径流深阈值而大于90%保证率径流深阈值；90%枯水径流深指径流深小于90%保证率径流深阈值而大于95%保证率径流深阈值；95%枯水径流深指径流深小于95%保证率径流深阈值。4.根据权利要求1所述的一种极端枯水变化归因及枯水资源潜力评估方法，其特征在3步骤31,在获得研究区步骤S2对应的枯水典型年后，提取对应于枯水典型年的径流深步骤32,采用渔网构建和采样技术，采集获得研究区域在典型年内空间连续的极端枯步骤33,采用随机森林模型，识别备选的各驱动因子对典型年极端枯水径流深变化影5.根据权利要求1所述的一种极端枯水变化归因及枯水资源潜力评估方法，其特征在步骤41,首先采用非线性回归模型对不同驱动因子组合下的极端枯水径流深进行回归以时间序列的前70%作为回归模型的率定期，后30%作为回归模型的验证期；则回归性回归模型在率定期的模拟值和真实值；R,s和R,分别为非线性回归模型在验证期的模拟f=σ[W(△ek-1,R)+b₄]4活函数；LSTM深度学习模型的率定期和验证期与非线性回归模型保持一致；获取训练期与测试期模拟残差序列ec,s和ev,;然后采用模拟得到的残差对原非线性回归模型的模拟结果进行修正，即得到基于耦合优化深度学习的非线性回归模拟模型的模拟结果；式中，R1e和R1v,s为基于耦合优化深度学习的非线性回归模拟模型在率定期和验证期的最终模拟结果；优化深度学习的非线性回归模拟模型对极端枯水径流模拟的精度，将精度最好的驱动因子组合作为影响枯水径流深变化的关键驱动因子组合。6.根据权利要求1所述的一种极端枯水变化归因及枯水资源潜力评估方法，其特征在步骤51,基于识别出的关键驱动因子组合，采用约束线推求技术获取关键驱动因子组合中各驱动因子对极端枯水径流深的约束线，揭示各驱动因子对极端枯水径流深的约束效将各个驱动因素作为限制变量，并将极端枯水径流深作为响应变量绘制二维散点图；将限制变量的值域均分为若干组，并从每组中选取极端枯水径流深值的99.9%分位数点作为边界点；对所有边界点进行多项式函数的最优拟合，以提取约束线并确定其函数方程；步骤52,基于约束线结果，判断各类驱动因子中是否存在最佳驱动因子阈值；步骤53,在驱动因子阈值识别结果的基础上，评估当对驱动因子进行调控的条件下，区域在相应典型极端枯水年份达到的枯水资源潜力；以流域平均枯水径流深表示，枯水资源潜力计算公式为式中，R₁为所求的研究区域在枯水典型年条件下的枯水资源潜力，mm;Rc表示典型年流域实际平均枯水径流深，mm;f。(x)为对应的约束线方程；x为最优驱动因子阈值；R表示当驱动因子无限接近最优驱动因子阈值时，流域所能达到的枯水径流深值。5技术领域[0001]本发明涉及水资源计算技术领域，尤其涉及一种极端枯水变化归因及枯水资源潜力评估方法。背景技术[0002]极端枯水变化的归因及枯水资源潜力评估分析在深入理解极端事件成因、促进生态环境保护、增强防灾减灾能力等方面都具有重要的作用与意义。深入分析极端枯水的关键驱动因素，科学评估枯水资源潜力，优化水资源配置，提高水资源的利用效率。极端枯水径流是河川径流的极端状态。当前，极端枯水的研究存在以统径流归因方法如统计分析、水文模型、气候弹性系数等对水文序列的时间连续性要求高，但极端枯水序列是非连续时间序列，以年尺度为例，极端枯水年份往往相隔几年甚至十几年，传统径流归因方法无法满足极端枯水变化的归因需求。二是由于空间的局限性，传统径流变化归因仍是基于某个或者某几个水文站点的径流数据进行归因，未能考虑径流变化及其影响因素的空间分异性，降低了归因成果可靠性。三是，当前尚缺少可以评估极端枯水情景发生时的流域枯水资源潜力的评价技术。因此，急需采用科学高效的方法从空间分异的角度出发，挖掘影响极端枯水空间变化的关键驱动因素，进行极端枯水变化的归因，提高极端枯水模拟以及枯水资源潜力评估的精度。发明内容[0003]本发明的目的是为了解决现有技术中存在的问题，而提出的一种极端枯水变化归因及枯水资源潜力评估方法。[0004]为了实现上述目的，本发明采用了如下技术[0005]一种极端枯水变化归因及枯水资源潜力评估方法，包括以下步骤：[0006]S1.获取研究区径流及其驱动因素的栅格数据，并进行数据预处理；[0007]S2.基于研究区步骤S1对应的径流深栅格数据，采用非参数核密度估计方法推求每个网格单元径流深的频率分布，统计各年满足保证率径流深阈值的栅格占总栅格的比例，进而确定各保证率下的枯水典型年；[0008]S3.在获得研究区步骤S2对应的枯水典型年后，提取对应于枯水典型年的径流深栅格数据以及驱动因子栅格数据，结合渔网生成技术和随机森林模型，研判各驱动因子对极端枯水径流深的重要性程度；[0009]S4.在驱动因子重要性研判结果的基础上，采用耦合优化深度学习的非线性回归模拟模型开展不同驱动因子组合下的极端枯水径流深的回归模拟分析，基于回归模拟的精度，识别和挖掘影响枯水径流深变化的关键驱动因子组合；[0010]S5.基于归因分析的结果，采用约束线推求技术分析各关键驱动因子对极端枯水的约束效应和判断是否存在最佳驱动因子阈值，评估极端枯水典型年的枯水资源潜力。[0011]优选地，所述步骤S1中对径流及其驱动因素栅格数据进行预处理包括：6[0013]步骤12,对各类型数据进行重投影和重采样处理，解决各类型数据存在的分辨率[0015]步骤21,首先基于研究区历年年径流深栅格数据，采用非参数核密度估计方法推概率密度函数推求栅格单元各历时暴雨样本的边缘分布函数；假设某栅格上m年径流深样本数据y₁,y₂,…,y是来自一元连续总体分布Y,总体概率密度函数为f(y),其核密度估计函宽或带宽(h>0);定的枯水保证率P,即可推求对应于枯水保证率P的枯水径流深阈值RP;[0019]步骤23,确定各保证率下的枯水典型年；逐年统计计算各年满足保证率径流深阈值的栅格占总栅格的比例，选择占比最大的年份作为典型年；以75%、90%、95%三种枯水保证率为例：75%枯水径流深指径流深小于75%保证率径流深阈值而大于90%保证率径流深阈值；90%枯水径流深指径流深小于90%保证率径流深阈值而大于95%保证率径流深阈值；95%枯水径流深指径流深小于95%保证率径流深阈值。[0021]步骤31,在获得研究区步骤S2对应的枯水典型年后，提取对应于枯水典型年的径[0022]步骤32,采用渔网构建和采样技术，采集获得研究区域在典型年内空间连续的极[0023]步骤33,采用随机森林模型，识别备选的各驱动因子对典型年极端枯水径流深变也为判别函数，即当f(X)=f。(X₁')时，7[0027]步骤41,首先采用非线性回归模型对不同驱动因子组合下的极端枯水径流深进行[0031]以时间序列的前70%作为回归模型的率定期，后30%作为回归模型的验证期；则测试期模拟残差序列e,和ev,;然后采用模拟得到的残差对原非线性回归模型的模拟结果8耦合优化深度学习的非线性回归模拟模型对极端枯水径流模拟的精度，将精度最好的驱动因子组合作为影响枯水径流深变化的关键驱动因子组合。[0049]步骤51,基于识别出的关键驱动因子组合，采用约束线推求技术获取关键驱动因子组合中各驱动因子对极端枯水径流深的约束线，揭示各驱动因子对极端枯水径流深的约[0050]将各个驱动因素作为限制变量，并将极端枯水径流深作为响应变量绘制二维散点[0051]将限制变量的值域均分为若干组，并从每组中选取极端枯水径流深值的99.9%分位数点作为边界点；[0052]对所有边界点进行多项式函数的最优拟合，以提取约束线并确定其函数方程；[0053]步骤52,基于约束线结果，判断各类驱动因子中是否存在最佳驱动因子阈值；[0054]步骤53,在驱动因子阈值识别结果的基础上，评估当对驱动因子进行调控的条件下，区域在相应典型极端枯水年份可能达到的枯水资源潜力；以流域平均枯水径流深表示，枯水资源潜力计算公式为[0057]式中，R为所求的研究区域在枯水典型年条件下的枯水资源潜力，mm;R表示典型年流域实际平均枯水径流深，mm;f。(x.)为对应的约示当驱动因子无限接近最优驱动因子阈值时，流域所能达到的枯水径流深值。[0059]1、本发明提供了一种极端枯水变化归因及枯水资源潜力评估方法，首先采用非参数核密度估计方法推求每个网格单元径流深的频率分布，进而确定研究区域各保证率下的枯水典型年，其次在确定典型年后结合渔网生成技术和随机森林模型研判各驱动因子对极端枯水径流深的重要性程度，然后采用耦合优化深度学习的非线性回归模拟模型开展不同驱动因子组合下的极度枯水径流深回归模拟研究，并基于回归模拟精度结果挖掘影响枯水径流深变化的关键驱动因子组合，最后基于归因分析的结果，采用约束线推求技术分析各关键驱动因子对极端枯水的约束效应和可能存在的阈值，评估极端枯水典型年的枯水资源潜力。[0060]2、本方法能够有效解决传统径流归因方法无法适用于非连续枯水时间序列的难题，且实现了非线性回归模型与深度学习理论的耦合，既有效剔除了无关因子对归因的干扰，又提高了归因的精度。同时基于归因分析的结果结合约束线推求技术，为区域评估极端枯水年的枯水资源潜力提供了新的有效路径。附图说明[0061]图1为本发明方法流程示意图；[0062]图275%枯水径流深阈值空间分布结果；[0063]图390%枯水径流深阈值空间分布结果；9[0064]图495%枯水径流深阈值空间分布结果；[0065]图51960年代满足各保证率条件下枯水栅格数与总栅格数占比结果；[0066]图61970年代满足各保证率条件下枯水栅格数与总栅格数占比结果；[0067]图71980年代满足各保证率条件下枯水栅格数与总栅格数占比结果；[0068]图81990年代满足各保证率条件下枯水栅格数与总栅格数占比结果；[0069]图92000年代满足各保证率条件下枯水栅格数与总栅格数占比结果；[0070]图102010年代满足各保证率条件下枯水栅格数与总栅格数占比结果；[0071]图11各驱动因子对极端枯水径流深的重要性程度；[0072]图12影响因素未经过优选的基于耦合优化深度学习的非线性回归模拟模型在验证期对极端枯水径流深模拟结果过程图；[0073]图13影响因素未经过优选的基于耦合优化深度学习的非线性回归模拟模型在验证期对极端枯水径流深模拟精度评价；[0074]图14影响因素优选后的基于耦合优化深度学习的非线性回归模拟模型在验证期对极端枯水径流深模拟结果过程图；[0075]图15影响因素优选后基于耦合优化深度学习的非线性回归模拟模型在验证期对极端枯水径流深模拟精度评价结果；[0076]图16降雨对极端枯水径流深的约束效应；[0077]图17气温对极端枯水径流深的约束效应；[0078]图18潜在蒸发对极端枯水径流深的约束效应；[0080]图20SPEI对极端枯水径流深的约束效应；[0081]图21灌溉用水对极端枯水径流深的约束效应。具体实施方式[0082]下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，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[0083]实施例，参照图1至图21,一种极端枯水变化归因及枯水资源潜力评估方法，包括以下步骤：[0084]S1.获取研究区径流及其驱动因素的栅格数据，并进行数据预处理；[0085]S2.基于研究区步骤S1对应的径流深栅格数据，采用非参数核密度估计方法推求每个网格单元径流深的频率分布，统计各年满足保证率径流深阈值的栅格占总栅格的比例，进而确定各保证率下的枯水典型年；[0086]S3.在获得研究区步骤S2对应的枯水典型年后，提取对应于枯水典型年的径流深栅格数据以及驱动因子栅格数据，结合渔网生成技术和随机森林模型，研判各驱动因子对极端枯水径流深的重要性程度；[0087]S4.在驱动因子重要性研判结果的基础上，采用耦合优化深度学习的非线性回归模拟模型开展不同驱动因子组合下的极端枯水径流深的回归模拟分析，基于回归模拟的精度，识别和挖掘影响枯水径流深变化的关键驱动因子组合；[0088]S5.基于归因分析的结果，采用约束线推求技术分析各关键驱动因子对极端枯水的约束效应和判断是否存在最佳驱动因子阈值，评估极端枯水典型年的枯水资源潜力。[0089]实施例，以长江中下游干流区域为例。栅格径流深资料收集了1961～2018年中国逐月径流深栅格数据，数据分辨率为0.25°,通过ACRGIS软件裁剪得到长江中下游干流区域1961～2018年逐月径流深栅格数据，进而推求长江中下游干流区域1961～2018年逐年径流深栅格数据。对于驱动因子数据，收集了长江中下游干流区域的降水数据、气温数据、潜在人口密度、人类活动指数(HI)、生活取用[0090]在获得长江中下游干流区域1961～2018年逐年径流深栅格数据，通过渔网构建技术和空间采样技术，采集到长江中下游干流区域1961～2018年逐栅格年径流深数据。然后，采用非参数核密度估计方法推求每个栅格单元径流深的频率分布，推求长江中下游干流区域75%保证率、90%保证率以及95%保证下的枯水径流深阈值。结果如图2～图4所示。[0091]基于各栅格单元各保证率的枯水径流深阈值结果，即可推求各年，满足各保证率枯水条件下的栅格占总栅格比例(图5～图10)。本发明中，75%枯水径流深指径流深小于75%保证率径流深阈值而大于90%保证率径流深阈值；90%枯水径流深指径流深小于90%保证率径流深阈值而大于95%保证率径流深阈值；95%枯水径流深指径流深小于95%保证率径流深阈值。由图5～图10可知，就75%枯水径流深而言，1966年隶属75%枯水径流深的栅格数与总栅格数的占比最大，为40%,确定以1966年作为75%枯水典型年。就75%枯水径流深而言，1966年隶属75%枯水径流深的栅格数与总栅格数的占比最大，为40%,确定以1966年作为长江中下游干流区域的75%枯水典型年。就90%枯水径流深而言，1978年隶属90%枯水径流深的栅格数与总栅格数的占比最大，为49%,确定以1978年作为长江中下游干流区域的90%枯水典型年。就95%枯水径流深而言，2011年隶属95%枯水径流深的栅格数与总栅格数的占比最大，为64%,确定以2011年作为长江中下游干流区域的95%枯水典型年。综上，本发明确定的区域极端枯水典型[0092]在确定枯水典型年后即可开展极端枯水变化的归因，模拟及枯水资源潜力的评估研究。本发明以95%保证率极端枯水为例。由极端枯水典型年确定结果可知，长江中下游95%保证率的极端枯水典型年为2011年。因此。获取2011年径流深栅格数据作为极端枯水径流深数据，此外还获取了2011年对应的驱动因子数据包括：降雨量数据、气温数据、潜在人口密度、人类活动指数(HI)、生活取用水量、农业灌溉取用水量。在此基础上采用随机森林模型研判各驱动因子对极端枯水径流深的重要性程度，结果如图11所示。由图11可知，降雨是影响长江中下游干流区域95%极端枯水径流深变化的最重要因素，其次是气温和气象干旱指数SPEI。表征人类活动影响的5个指标中，灌溉用水为影响长江中下游干流区域95%极端枯水径流深的最重要因素，其次是人口密度和生活取用水。生态干旱指数TVDI、坡度以及HI为不重要的影响因素。[0093]然后，采用耦合优化深度学习的非线性回归模拟模型进行极端枯水径流深的概率回归模拟分析，结果如图12～图15所示。其中，图12和图13为影响因素未经过优选的回归过程及精度评价结果，影响因素未经过优选时，受到不重要因素的干扰，回归模型的性能较11差，R²和纳什效率系数NSE分别仅为0.7149和0.6239,误差值超过±100mm。按照重要性程度从小到大逐一剔除不重要影响因素，并进行回归分析，记录对比每剔除一个不重要因素的GDP、生活取用水量、人口密度PD时模型回归结果精度评价指标R²和纳什效率系数NSE总体呈现上升的趋势，之后再剔除其他影响因素时，精度评价指标R²和纳什效率系数NSE则持续SPEI、农业灌溉取用水量。其回归过程及精度评价结果如图14和图15所示。影响因素经过优选后，有效排除了不重要因素的干扰，回归模型的性能显著提升，R²和纳什效率系数NSE分别达到0.8470和0.8433,误差值在±100mm之内。[0094]最后，采用约束线技术分析降雨量、气温、潜在SPEI、农业灌溉取用水量对长江中下游干流区域极端枯水径流深的约束效应，研判最适宜驱动因子的阈值，评估长江中下游干流区域极端枯水典型年情景发生时的枯水资源潜力。干流区域极端枯水径流深的约束效应结果如图16～图21所示。由图16～图21可知，降水量对长江中下游干流区域极端枯水径流深的约束能力随着降水量的增加而减小，不存在最佳降雨量阈值；在年平均气温达到16℃之前，气温对长江中下游干流区域极端枯水径流深的约束能力随着气温的增加而减小，气温达到16℃后，气温对长江中下游干流区域极端枯水径流深的约束能力随着气温的增加而增大，16℃为最佳的气温阈值；潜在蒸发量对长江中下游干流区域极端枯水径流深的约束能力随着潜在蒸发量的增加而增加，不存在最佳蒸发量阈值；长江中下游干流区NDVI主要分布于0.5～0.95之间，在NDVI达到0.8之前，NDVI对长江中下游干流区域极端枯水径流深的约束能力随着NDVI的增加而减小，NDVI达到0.8后，NDVI对长江中下游干流区域极端枯水径流深的约束能力随着NDVI的增加而增大，0.8为最佳的NDVI阈值；SPEI对长江中下游干流区域极端枯水径流深的约束能力随着SPEI值的增加而减小，不存在最佳SPEI阈值；灌溉用水量对长江中下游干流区域极端枯水径流深的约束能力随着灌溉用水量的增加而增加，不存在最佳灌溉用水量阈值。[0095]基于约束效应和阈值分析结果可知，气温和NDVI存在最优的阈值，可经过调控使得气温和NDVI达到阈值以获得最佳枯水径流深度。其中，气温与碳排放有关，而NDVI则与下垫面植被有关，可通过生态建设工程进行调控。在获得最佳气温和NDVI阈值后，将最佳阈值代入相应的约束线方程，即可得到阈值条件下的枯水径流深。比较阈值条件下的枯水径流深与典型年实际枯水径流深，其差值即为所求的枯水典型年的枯水资源潜力。长江中下游干流区域95%枯水典型年(2011年)的枯水资源潜力评价结果如表1所示。由表可知，长江中下游干流区域95%枯水典型年(2011年)在最佳气温阈值条件下的枯水径流深为1096mm,对应的枯水资源潜力为375.52。长江中下游干流区域95%枯水典型年(2011年)在最佳NDVI阈值条件下的枯水径流深为1136mm,对应的枯水资源潜力为415.52。[0096]表195%保证率极端枯水典型年枯水资源潜力评价结果阈值条件下枯水径流年均气温/℃[0098]本发明提供了一种极端枯水变化归因及枯水资源潜力评估方法，首先采用非参数核密度估计方法推求每个网格单元径流深的频率分布，进而确定研究区域各保证率下的枯水典型年，其次在确定典型年后结合渔网生成技术和随机森林模型研判各驱动因子对极端枯水径流深的重要性程度，然后采用耦合优化深度学习的非线性回归模拟模型开展不同驱动因子组合下的极度枯水径流深回归模拟研究，并基于回归模拟精度结果挖掘影响枯水径流深变化的关键驱动因子组合，最后基于归因分析的结果，采用约束线推求技术分析各关键驱动因子对极端枯水的约束效应和可能存在的阈值，评估极端枯水典型年的枯水资源潜[0099]本方法能够有效解决传统径流归因方法无法适用于非连续枯水时间序列的难题，且实现了非线性回归模型与深度学习理论的耦合，既有效剔除了无关因子对归因的干扰，又提高了归因的精度。同时基于归因分析的结果结合约束线推求技术，为区域评估极端枯水年的枯水资源潜力提供了新的有效路径。[0100]以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。S1、径流深及驱动因子数据收集及预处理S2、径流深的频率分布及枯水典型年确定S3、各驱动因子对极端枯水径流变化的重要性程度研判S4、极端枯水径流深回归分析及关键驱动因子组合挖掘↓S5、基于约束线阈值的极端枯水年枯水年份