[发明专利]一种判别水文气候过程自然演变类型的方法

说明书

本发明公开了一种判别水文气候过程自然演变类型的方法，步骤如下：求解五种自然演变类型的时间序列进行差分处理后各自对应的一阶自相关系数和二阶自相关系数，并通过蒙特卡罗试验估计其各自对应的95%置信区间；识别出待分析时间序列中的突变成分，剔除该时间序列的突变成分和季节成分，将剩余成分作为新时间序列；对新时间序列做差分处理后，求解其一阶自相关系数和二阶自相关系数，并与上述各种类型对应的95%置信区间对比，确定待分析时间序列的具体自然演变类型。本发明利用蒙特卡罗试验确定各种自然演变类型统计特征的置信区间，以此为依据准确区分白噪声、单位根过程、AR(1)过程、AR(2)过程，可避免AR(1)过程、AR(2)过程被误判为长持续过程的错误结果。

技术领域

本发明属于水文气候科学技术领域，具体指代一种判别水文气候过程自然演变类型的方法。

背景技术

准确揭示水文气候过程的演变特征、掌握其未来演变情势，是科学评估气候变化以及合理应对气候变化影响的基本依据和必要前提。受多种复杂因素(包括随机因素)的共同作用和影响，实际水文气候过程十分复杂，特别是近几十年来受全球变化影响的日益加剧，水文气候过程更为复杂多变。

当前水文气候过程的演变特征研究主要关注趋势和自然演变特征，其中自然演变特征主要关注短持续特性和长持续特性。当自相关函数C(s)随着时间间隔的增大快速衰减为0或以指数函数衰减时，该序列呈现短持续特性；反之，当自相关函数C(s)衰减的很慢或以幂函数形式衰减时，该序列呈现长持续特性。针对短持续特性的研究较早，研究者相继提出了AR模型、MA模型和ARMA模型等用以描述时间序列的短持续特性。Hurst对尼罗河的长期观测数据进行分析，发现序列的自相关函数呈现缓慢衰减状态，这种现象被后人称为“Hurst现象”。由于具有“Hurst现象”的序列取值在较长时间时仍存在联系，故又被称为长持续特性、长相关特性或长距离依赖特性，并以参数d表示序列的长持续特性大小。当d0时，序列呈现长持续特性；当d0时，序列呈现反持续特性；当d＝0时，序列呈现短持续特性或不存在相关性。特别地，当d＝1时，时间序列转化为单位根过程，其不仅产生明显的随机性趋势，时间序列之间还会出现“伪回归”现象。因此，判别和区分水文气候过程的不同自然演变类型，是准确揭示水文气候过程演变特征、科学评估气候变化和合理应对气候变化影响的重要前提。

目前，水文气候过程自然演变特征的研究主要基于长持续特性评估方法。长持续特性评估方法主要分为三类：非参数估计法、参数估计法和半参数估计法；非参数估计方法主要包括自相关系数分析法、R/S方法、重标方差法、去趋势波动分析(DetrendedFluctuation Analysis，DFA)等；参数估计方法主要有均值模型、波动率模型、周期图法、功率谱密度法和小波分析法；半参数方法主要包括GPH方法、局部Whittle(Local Whittle，LW)方法、以及基于GPH估计量和LW估计量的修正方法。然而，上述长持续特性评估方法均基于水文气候过程存在长持续特性的基本前提和假设，而忽略了该假设在实际中是否真正成立。已有研究表明，长持续特性评估方法易将短持续特性误检测为长持续特性，且随着数据样本量的增加，AR(1)过程的d值逐渐趋于0，此时可准确检测AR(1)过程并不属于长持续特性。但受限于观测数据长度，无法对长持续特性和短持续特性进行准确评估和区分，为此树轮等代用数据被用于长持续特性研究。研究表明，代用数据会低估长持续特性，而低分辨率代用数据则会高估长持续特性，即代用数据也无法用于区分水文气候过程的短持续特性和长持续特性。实际时间序列中往往存在噪声、趋势等成分，导致多数长持续特性估计方法的结果出现偏差或错误。相比上述长持续特性评估方法，DFA方法可以有效地滤去时间序列中的各阶趋势成分，适合于非平稳时间序列的长持续特性分析，其原理是消除时间序列中外部因素产生的趋势成分，然后对剩余成分进行长持续特性估计，因此被广泛地应用于水文气候过程长持续特性研究。