基于大数据与多模型的区域旱涝分布预测方法及系统与流程

本发明涉及区域旱涝分布预测方法，尤其是基于大数据与多模型的区域旱涝分布预测方法。

背景技术：

1、在全球气候变暖的大背景下，降水量的时空分布变化导致极端天气气候事件日趋频发，其潜在的变化对水资源、社会经济发展等产生的影响远大于气候平均态的变化。长期降雨预报成果是水利枢纽梯级调度通信中心进行月、季等生产调度的重要参考依据，也是防汛调度和管理部门准备防汛、发电调度预案及汛末水库蓄水等的重要参考信息，其准确率的提高可以有效提高水库的防洪、发电、航运、抗旱、生态效益，实现水资源的最大可利用化。

2、现有长期气候预测，其主要是侧重以趋势预测分析定性成果为主，只是对未来月、季时间尺度平均降水、气温等的一种变化趋势的预测描述，这种定性的描述难以直接应用预测未来的来水量，无法满足实际应用需求。

3、本发明提出基于大数据与多模型的区域旱涝分布预测方法及系统，解决目前存在的上述问题，提高长期定量降雨预报水平。

技术实现思路

1、发明目的：提供一种基于大数据与多模型的区域旱涝分布预测方法，以解决现有技术存在的上述问题。另一方面提供基于大数据与多模型的区域旱涝分布预测系统。

2、技术方案：基于大数据与多模型的区域旱涝分布预测方法，包括如下步骤：

3、步骤s1、收集研究区历史降雨、环流海温场数据，筛选典型旱涝年历史样本，计算典型旱涝年spi指数，得到典型旱涝年的时间及空间特征；

4、步骤s2、构建典型旱涝年概念性物理模型和回归聚类预报物理模型预报图，得到研究区气候背景异常特征值和旱涝等级预测值；

5、步骤s3、基于奇异值分解法构建降水场优化预测模型；

6、步骤s4、基于改进的regcm4模型构建研究区旱涝分布预测模型，得到研究区旱涝分布。

7、根据本技术的一个方面，所述步骤s1进一步为：

8、步骤s11、提取研究区域月面平均雨量数据，计算逐年主汛期、汛后期、枯水期和年面平均的雨量距平和流量距平，筛选出典型旱涝年的备选年份和必选年份；

9、步骤s12、基于spi指数的正态分布曲线，采用国家气候中心的旱涝等级划分标准划分旱涝等级，并确定相应的spi指数界限值；

10、步骤s13、基于典型旱涝年spi指数，得到典型旱涝年的时间及空间特征。

11、根据本技术的一个方面，所述步骤s13进一步为：

12、步骤s13a、按月、季度、年尺度依次对研究区分别统计旱涝次数，得到研究区旱涝频率；

13、步骤s13b、采用不同时间尺度的spi表示旱涝变化的不同特征；

14、步骤s13c、基于spi指数线性变化趋势空间分布得到研究区各季节的旱涝趋势空间分布。

15、根据本技术的一个方面，所述步骤s2进一步为：

16、步骤s21、收集气候因素资料，基于典型典型旱涝年的时间及空间特征筛选出气候因子前兆信号，构建典型旱涝年概念性物理模型，将气候因子前兆信号输入模型，计算得到研究区气候背景异常特征值；

17、步骤s22、收集研究区历史水文预报和特征指数，采用成因分析法构建预报方程，进行一元回归预报，构建回归聚类预报物理模型预报图，得到研究区旱涝等级预测值。

18、根据本技术的一个方面，所述步骤s22进一步为：

19、步骤s22a、收集研究区历史水文预报和特征指数,将特征指数作为预报因子，采用回归方程求解构建预报方程，所述预报因子包括：环流、海温、地面气压和气温；

20、步骤s22b、依次将环流、海温、地面气压和气温分别与研究区进行第一次一元回归预报，得到预报因子的一元回归预报值；

21、步骤s22c、将各个预报因子的一元回归预报值和研究区进行第二次多元回归定量预报，得到各个预报因子的正贡献综合指数，并进行一元回归预报，依次计算各个预报因子与研究区的相关系数，筛选出初选因子；

22、步骤s22d、分别计算各个初选因子正贡献综合预报指数并综合各个预报因子的正贡献综合指数，进行一元回归预报，构建回归聚类预报物理模型预报图，得到研究区旱涝等级预测值。

23、根据本技术的一个方面，所述步骤s3进一步为：

24、步骤s31、收集与研究区主汛期降水密切相关的前期气候要素，并将与研究区主汛期降水密切相关的前期气候要素作为预测因子；

25、步骤s32、采用奇异值分解法构建基于多气候因子的降水场初步预测模型；

26、步骤s33、构建预测误差订正模型, 耦合降水场初步预测模型和预测误差订正模型得到降水场优化预测模型；

27、步骤s34、将典型旱涝年的时间及空间特征输入降水场优化预测模型，计算得到研究区主汛期的累积降水量、主汛期降水异常的空间分布、局地异常降水中心位置和降水异常程度。

28、根据本技术的一个方面，所述步骤s32进一步为：

29、步骤s32a、收集研究区降水数据、全球海温数据、北极海冰数据和北半球位势高度数据；

30、步骤s32b、将研究区降水数据、全球海温数据、北极海冰数据和北半球位势高度数据距平化处理并进行svd计算。

31、根据本技术的一个方面，所述步骤s33进一步为：

32、步骤s33a、筛选与研究区降水密切相关的前期气候因子场;

33、步骤s33b、将将研究区降水数据、全球海温数据、北极海冰数据和北半球位势高度数据按时间先后顺序分为训练数据、校验数据和检验数据，采用训练数据率定降水场初步预测模型的参数，采用校验数据率定预测误差订正模型的参数，耦合降水场初步预测模型和预测误差订正模型得到降水场优化预测模型，采用检验数据率定降水场优化预测模型的参数。

34、根据本技术的一个方面，所述步骤s4进一步为：

35、步骤s41、改进regcm4模型原有的边界层湍流垂直输送方案和积云参数化方案配置；

36、步骤s42、筛选出regcm4模型的最优物理配置组合方案；

37、步骤s43、基于改进的regcm4模型构建研究区旱涝分布预测模型；

38、步骤s44、将研究区气候背景异常特征值、研究区旱涝等级预测值、研究区主汛期的累积降水量、主汛期降水异常的空间分布、局地异常降水中心位置和降水异常程度数据输入研究区旱涝分布预测模型，得到研究区旱涝分布。

39、根据本技术的一个方面，所述步骤s41进一步为：

40、步骤s41a、改进regcm4模型与海洋模式的双向同步耦合、海温资料输入和海气动态耦合配置；

41、步骤s41b、选取大气和海洋驱动场作为regcm4模式的边界和初始场。

42、根据本技术的一个方面，所述步骤s42进一步为：

43、步骤s42a、选取多个物理方案，对多个物理方案的配置进行降水模拟计算并进行对比评估和分析，筛选出n个模拟能力较好的物理配置优化组合，n为大于5的正整数；

44、步骤s42b、采用蒙特卡罗和退火链方法率定regcm4模型的热力和动力参数, 驱动regcm4模型的区域气候模式对研究区的历史气候事件进行模拟，并评估不同物理配置组合下区域气候模式对研究区月、季气候和异常的模拟能力;

45、步骤s42c、依次采用海洋模式耦合和全球气候模式资料驱动regcm4模型，检验不同物理配置组合模式对研究区不同区域月、季气候异常的回报能力，筛选出regcm4模型的最优物理配置组合方案。

46、根据本技术的另一个方面，提供一种基于大数据与多模型的区域旱涝分布预测系统，包括：

47、至少一个处理器；以及

48、与至少一个所述处理器通信连接的存储器；其中，

49、所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于大数据与多模型的区域旱涝分布预测方法。

50、有益效果：采用基于大数据与多模型的区域旱涝分布预测方法，通过大数据提取数据属性间隐含信息，构建旱涝预测模型为长期预测提供重要方法，应用大数据技术挖掘气候影响因子数据之间的潜在关系，揭示影响旱涝事件的强气候因子信号或明显特征；同时，研究应用从大气动力运动角度运算出未来天气状况的气候动力模式，实现长期降水预测从定性到定量的转变，有效提高长期定量降雨预报水平，从而更好地满足实际应用需求。