CN115507822B 水文循环变异驱动下的洪水风险预测方法 （武汉大学）

本发明提供一种水文循环变异驱动下的洪得M组气候变化情景下的气象模拟系列，并驱动据集，推求未来洪水风险增加的社会经济暴露2气候变化情景下的气象模拟系列，并以该气象模拟系列驱动步骤2率定后的流域水文模型步骤4，基于步骤3中模拟的气象水文系列建立流域水步骤5，基于步骤3模拟的流域水文过程和年最大取步骤6，基于步骤5建立的联合概率分布函数以及历史1中采集的气象水文数据还包括流域控制水文站的日流量系列、ERA5再分析产品的气象数步骤2.2基于水文站观测的日径流数据和ERA5再分析产步骤2.4根据步骤2.1推求的相对湿度和比湿以及步忆神经网络LSTM模型，对步骤2.2模拟的日径流过程进行校正以减小人类活动造成的水文;式中：r表征模拟序列与实测序列的皮尔逊线性相关系数5.根据权利要求1所述的水文循环变异驱动3全球气候模式GCMs中选用的情景包括历史期和未来时期的三个情景：SSP126、SSP245、3中采用分位数偏差校正方法校正GCMs的输出获取未来气象序列具体方法为：计算GCMs输;式中：P为全球气候模式GCMs输出的降水数据，PET为全球气给定联合重现期Tor，根据步骤5建立的洪水历时和洪量的联合概率分布函数计算在Tor将得到的历史期洪水历时和洪量特征值代入到未来时期的最可能组基于步骤6得到未来时期每一年的新的联合重现期，将给定的历史期重现期4;;式中：Em和Eawr分别对应表征受洪水风险增加影响的人口和GDP暴露度，POR和56[0015]进一步地，步骤1中采集的气象水文数据还包括流域控制水文站的日流量系列、[0018]步骤2.2基于水文站观测的日径流数据和E期记忆神经网络LSTM模型，对步骤2.2模拟的日径流过程进行校正以减小人类活动造成的[0024]进一步地，M个全球气候模式GCMs中选用的情景包括历史期和未来时期的三个情[0025]进一步地，步骤3中采用分位数偏差校正方法校正GCMs的输出获取未来气象序列具体方法为：计算GCMs输出变量与观测气象变量在各个分位数上的差异，并将该差异在7[0036]给定联合重现期Tor，根据步骤5建立的洪水历时和洪量的[0037]将得到的历史期洪水历时和洪量特征值，代入到未来时[0042]式中：Epop和EGDP分别对应表征受洪水风险增加影响的人口和GDP暴露度，POPk和[0045]本发明充分考虑气候变化与人类下垫面活动影响下的水采用傅抱璞公式的特征参数作为协变量，考虑水文系列的非一致性构建时变Copula模型，8[0049]图2为本发明实施例中日实测径流与不同滞时下模拟径流相关性系数变化的示意[0051]下面将结合本发明实施例对本发明实施例中的技术方案实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，[0057]本发明以流域为研究单元，首先采集流域控制水文站的日流量系列，然后采集度气象系列；[0059]为预估未来气候情景，采用国际耦合模式比较计划第六阶段(CoupledModelInter_comparisonProjectPhase6，CMIP6)最新发布的M个全球气候模式(GlobalClimateModels，GCMs)。CMIP6使用共享社会经济路径(SharedSocioeconomicPathway，9数据；同时获取GCMs在三个SSP情景下输出的年尺度的潜在蒸散发数据；设定历史期为机构提供共享社会经济路径的人口和GDP模拟数据，本发明使用中国南京信息工程大学开[0062]本实施例获取得到栅格尺度的人口和GDP数据后，采用泰森多边形方法推求未来气候变化情景下的流域平均人口和GDP系列。[0066]克劳修斯_克拉珀龙热力学方程可定量描述饱和水汽压esat与气温T的非线性关[0070]比湿q为水汽质量与空气团总质量的比值，采用ERA5近地气压p和露点温度(Tdew)[0073]GR4J水文模型是一种仅有4个参数的集总式概念性水文模型，该模型具备结构简[0081]为解决非线性自回归外因输入模式(NARX)动态神经网络在深度学习过程(隐含层LSTM表示LSTM模型；/PGCM[0093]步骤3.2采用校正后的气象模拟系[0104]依据步骤3.2得到的气候变化情景[0106]令X表示洪水特征量(历时D和洪量S)，采用伽马分布函数作为洪水历时和洪量的[0113]对于流域M组气候情景下的任一情景，选取G_HCopula函数为干旱历时和干旱洪[0119]式中：gc(·)表示copula函数的联结函数；当时(对于G_HCopula)，b0[0126]洪水历时和洪量的最可能组合模式是指在重现期等值线上联合概率密度函数最[0137]将步骤6.1得到的历史期洪水历时[0138]步骤7，基于共享社会经济路径数据集