[發明專利]基于氣象大數據的徑流預報改進方法

有效

• 申請號: 202010008219.1
• 申請日: 2020-01-08
• 公開（公告）號: CN111260111B
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 楊春蕾;袁慧玲;顧明劍
• 申請（專利權）人: 中國科學院上海技術物理研究所蘇州研究院;南京大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/18
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 劉洪勛

1.基于氣象大數據的徑流預報改進方法，其特征在于包括以下步驟：

步驟一，獲取特定區域、時間的數據，所述數據包括降水數據、其他水文輸入數據；

步驟二，進行降水訂正，所述降水訂正選用歷史相似法，并根據流域特征對該方法進行了改進，所述歷史相似法基于尋找歷史相似預報，通過用當日的觀測數據代替今日的預報數據以減小系統誤差并同時進行空間降尺度的訂正方法；設在特定時間內有一組網格預測模型狀態向量，并假設狀態向量有n個分量，并且有m個集合成員，從集合成員的預測中得到了一個有m*n個分量的預測向量X^f：

假設p維觀測到的大氣狀態如下，這代表網格點或特定位置的大氣狀態量，得到大氣的概率預報如下，f(X^t)|X^f，其中f()表示概率密度函數；若觀測大氣狀態與相同位置處的預報大氣狀態的變量相同，并且預報模型是完美的，則來自集合成員的相對概率將是提供任何事件概率的唯一來源；

步驟三，獲取觀測徑流數據，運用DREAM參數率定方法進行水文參數率定；

步驟四，運行水文模式，得到徑流模擬結果；

步驟五，進行徑流集合平均檢驗與概率性檢驗；

所述集合平均檢驗為，選用定量分析GEFS?reforecast數據預報的整體水平的度量標準，包括systematic?bias(Bias)，Pearson?correlation?coefficient(CC)and?relativeerror(RE)，它們的計算公式如下，

記f_i(n)代表第i個樣本的第n個集合成員的預報值，其中i＝1，2，3，…，M；n＝1，2，3，…，N；M為總的樣本數，N為集合成員數；記O_i代表第i個樣本的觀測，采用的集合平均為

其中，n是事件的總數，Oi和Si是第i對被檢驗的觀測降水分析和降水預報量；和分別是它們相對應的平均值；采用四種評分標準對GEFS?reforecast數據的預報能力進行評估，分別為equitable?threat?score(ETS)，Frequency?Bias，probability?of?detection(POD)和false?alarm?ratio(FAR)；它們的最優值分別是1，1，1，0，變化范圍分別為-1/3-1，0-1，0-1，0-∞；equitable?threat?score(ETS)評估去掉隨機因素的發生的事件被正確預報出的比率，probability?of?detection(POD)為命中率，評估發生的事件被正確預報出的比率，false?alarm?ratio(FAR)為假警率，評估實際沒發生但預報有的事件的比率，Frequency?Bias為頻率偏差，評估預報發生的事件和實際發生的事件的比率；

它們的計算公式如下，其中，H表示正確預報的格點數，M表示漏報格點數，F表示空報格點數，C表示正確預報出未存在降水事件格點數；所述概率性檢驗為通過RMSEVS?SPRD，之后獲取ROC面積，再進行BSS評分。

2.根據權利要求1所述的基于氣象大數據的徑流預報改進方法，其特征在于：所述降水數據，包括觀測降水數據、預報降水數據；

所述其他水文輸入數據，至少包括數字高程數據、植被數據、土壤輸入數據、其他氣象強迫數據，

所述其他氣象強迫數據包括風速、日最高和最低氣溫；

所述觀測降水數據為China?Gauge-based?Daily?Precipitation?Analysis(CGDPA)，即中國逐日網格降水資料；所述預報降水數據是NCEP?GEFS第二代reforecast數據所產生的24小時累計降水集合預報，包含1個控制預報和10個擾動成員，但計算集合平均的時候僅使用擾動成員，數據存儲的分辨率為1°。