[发明专利]一种基于非平稳时间序列分解的统计降尺度方法

说明书

本发明涉及一种基于非平稳时间序列分解的统计降尺度方法，该方法的具体步骤包括：S1.降尺度数据准备；S2.非平稳时间序列分解；S3.最优时间序列分解结果的选择；S4.随机森林模型训练；S5.训练后时间序列分解分量的合成；S6.模型评估；S7.未来情景的降尺度。该方法在稳态的分量之间寻找统计关系，进而解决统计降尺度中有关统计关系一致性假设的问题，解决了气候模型和水文模型之间的一直存在的尺度不匹配问题，也为利用水文模型进行未来气候变化等一系列研究中的流域响应提供了一种更为可靠的途径。

技术领域

本发明涉及一种基于非平稳时间序列分解的统计降尺度方法，属于气候和水文交叉领域。

背景技术

气候变化是全球变化的先驱和重要组成部分，数据分析表明，随着社会的发展，人类活动，土地利用以及城市化进程的加快，气候变化产生了多尺度、全方位、多层次的影响。气候变化通过气温、降水、蒸发等因素的改变来影响陆地水循环系统,导致不同时空尺度的水资源重新分布。全球气候模式的出现及其提供的大尺度气候因素的模拟结果为利用水文模型研究区域尺度的水资源的未来和过去的时空特征变化提供了可能。通常，全球气候模型具有较粗的空间分辨率(几百千米),而水文模型的尺度往往在几十千米甚至几千米的范围内，全球气候模型的输出分辨率太低以至于水文模型和全球气候模型之间往往存在尺度差异的问题。全球气候模型的输出无法直接驱动水文模型，也无法直接用于区域水环境或气候环境相关的应用研究。另外，由于气候模型模拟的全球尺度，考虑到计算成本和时间成本，全球气候模型无法抓住全部的区域地势特征细节，比如复杂的地形、水文条件、土地利用情况等等。而某些局部地势特征对当地水文环境的影响是十分显著的，在区域水文气候研究中无法忽视。这种全球气候模型和水文模型之间尺度不匹配的问题限制了全球气候模型输出数据在水文模型中的应用，解决尺度不匹配问题对于利用全球气候模型和水文模型研究水文环境在过去和未来对气候变化的响应是十分重要的。

为此，许多研究致力于发展降尺度技术来弥补这一尺度差距的问题。降尺度技术主要分为三类：动态降尺度、统计降尺度和混合降尺度技术。动态降尺度技术主要指利用区域气候模型来实现尺度下延。区域气候模型具有与全球气候模型相似的物理机制，但是拥有比全球气候模型更细的格网化方案，所以能在模型中刻画更多的区域细节特征，但是区域气候场景仍需要较高时间成本和计算成本。尽管动态降尺度技术已经得到广泛的认可，但是对于更大的研究区域，更紧急的模拟需求，区域气候模型很难快速的产生多种气候场景响应。区域气候模型复杂的物理数学基础也使得动态气候模型的应用受到限制。另外，动态降尺度技术直接依赖全球气候模型的输出作为区域气候模型的边界条件和输入，因此全球气候模型的错误模拟结果往往会被区域气候模型继承，从而导致错误的降尺度结果。

统计降尺度模型由于较高的计算精度和计算效率，简单的建立原理被广泛应用。通常的统计降尺度技术往往是寻找一种大尺度气候序列和小尺度气候序列之间的统计关系。小尺度气候序列往往是地面真实的观测值，统计降尺度技术也可以视为一种对全球气候模型输出的校正，往往与动态降尺度技术连用发展成为一种混合降尺度技术-统计-动态降尺度技术。统计降尺度快速校正了全球气候模型输出的偏倚，防止了区域气候模型继承这种误差。建立一种统计关系的方法多种多样的，例如多个变量和降尺度目标变量之间的线性/非线性的统计关系或者是基于某种分布的统计关系。Wilby等人提出的统计降尺度模型就是一种基于多元线性回归和随机天气发生器的统计降尺度模型，而随机天气发生器是一种基于温度/降水分布的统计方法。Themeβl等人提出了一种分位数映射方法，以纠正从历史降水记录得出的区域气候模型未来降水的经验分布。此外，建立这样统计关系的方法还有典型相关分析、主成分分析、奇异值分解、广义线性模型等。随着机器学习的流行，人工神经网络、支持向量机，深度学习包括长短时记忆人工神经网络、递归神经网络也被纷纷用于统计降尺度模型中。