一种内陆湖泊水面面积情景预测方法与流程

摘要: 本发明属于湖泊水文模拟、气候变化影响评估与水资源评估,具体涉及一种内陆湖泊水面面积情景预测方法。该方法通过耦合统计降尺度模型与深度学习模型,实现内陆湖泊水面面积...
一种内陆湖泊水面面积情景预测方法与流程

本发明属于湖泊水文模拟、气候变化影响评估与水资源评估,具体涉及一种内陆湖泊水面面积情景预测方法。该方法通过耦合统计降尺度模型与深度学习模型,实现内陆湖泊水面面积的历史模拟及未来气候情景预测。

背景技术:

1、湖泊是陆地水循环的重要组成部分,其水面面积变化能够反映区域气候变化、水资源开发利用和生态系统演变状况。对于半干旱区和干旱区内陆湖泊而言,湖泊水面面积通常受降水补给、气温变化、蒸散发强度以及地下水开采等因素共同影响。此类湖泊补给条件有限、生态系统脆弱,对气候变化和人类活动具有较高敏感性。因此,准确模拟湖泊水面面积历史变化并预测未来气候变化情景下的湖泊响应,对于区域生态保护、水资源配置和气候变化适应管理具有重要意义。

2、现有湖泊水面面积预测方法主要包括水量平衡模型、统计回归模型和机器学习模型。水量平衡模型通常需要连续的入湖径流、地下水交换、蒸发、取用水等观测资料,而在许多内陆湖泊流域,尤其是资料缺乏地区,上述资料难以长期连续获取,导致模型参数率定和结果验证存在较大不确定性。统计回归模型结构简单,能够揭示湖泊水面面积与气候因子之间的线性关系,但难以刻画气候因子、人类活动与湖泊水面面积之间的非线性关系和滞后响应。机器学习和深度学习模型具有较强的非线性拟合能力,但若仅依赖历史观测资料,通常难以直接用于未来气候变化情景下的长期预测。

3、同时,全球气候模式能够提供未来不同共享社会经济路径下的气候变化信息,但其空间分辨率较粗,难以直接用于中小尺度流域或具体湖泊区域的影响评估。统计降尺度方法能够建立大尺度环流因子与站点尺度气象变量之间的统计关系,将全球气候模式输出转化为适用于区域尺度分析的气候驱动序列。然而,单独使用统计降尺度方法只能获得未来气候变量,仍需进一步建立未来气候变量与湖泊水面面积之间的响应模型。

技术实现思路

1、为了克服现有技术存在的不足,本发明提出一种内陆湖泊水面面积情景预测方法。所述的方法能够融合遥感湖泊水面面积、地面气象观测、陆面水文变量和地下水开采资料,利用统计降尺度模型(statistical downscaling model,sdsm)生成未来情景下的区域气候驱动序列,并将其与地下水开采约束序列输入卷积神经网络-长短期记忆网络(convolutional neural network-long short-term memory,cnn-lstm)湖泊水面面积模拟模型,从而实现历史模拟与未来气候情景预测的衔接。

2、为实现上述目的,本发明采用如下技术方案:一种内陆湖泊水面面积情景预测方法,所述方法步骤如下:

3、步骤1,数据获取:获取目标湖泊及其控制流域的多源数据,并构建湖泊水面面积情景预测基础数据集,所述多源数据包括湖泊水面面积数据、地面气象观测资料、陆面水文变量资料、地下水开采资料、大尺度环流再分析资料和未来气候模式资料;包括如下子步骤:

4、子步骤11:利用遥感水体产品、卫星影像或水体指数提取方法获取目标湖泊历史时期湖泊水面面积序列;

5、子步骤12:获取目标流域内地面气象观测资料:所述地面气象观测资料包括降水、气温、蒸散发、风速和相对湿度;

6、子步骤13:获取陆面水文变量资料:所述陆面水文变量资料包括陆面模式或再分析产品提供的降水、气温和蒸散发数据;

7、子步骤14:获取地下水开采资料,所述地下水开采资料用于表征人类取用水活动对湖泊水面面积变化的影响;

8、子步骤15:获取美国国家环境预报中心/美国国家大气研究中心再分析资料(national centers for environmental prediction/national center foratmospheric research reanalysis,ncep/ncar)中的大尺度环流因子,用于sdsm的预测因子筛选、率定和验证;获取第六阶段耦合模式比较计划(coupled model intercomparisonproject phase 6,cmip6)全球气候模式在共享社会经济路径(shared socioeconomicpathways,ssp)下的ssp1-2.6、ssp2-4.5、ssp3-7.0和ssp5-8.5情景大尺度预测因子资料,用于生成未来气候变化情景下的区域气候驱动序列;其中,ssp1-2.6、ssp2-4.5、ssp3-7.0和ssp5-8.5分别表示低排放可持续发展、中等排放、较高排放和高排放路径。

9、步骤2,数据预处理:对多源数据进行时间尺度统一、空间匹配、非冰封期筛选、缺测处理和归一化处理,包括如下子步骤:

10、子步骤21:将湖泊水面面积、气象变量、陆面水文变量和地下水开采量统一至月尺度;

11、子步骤22:根据目标湖泊的冰封期和遥感水体识别可靠性,剔除冰封期月份,保留非冰封期月份,形成非冰封期月尺度湖泊水面面积序列;

12、子步骤23:对地面气象观测资料进行站点尺度统计、空间插值或流域平均处理,对陆面水文变量进行湖区平均或流域平均处理;

13、子步骤24:对多源数据进行时间匹配,保留湖泊水面面积、气候变量和地下水开采量共同覆盖的时段;

14、子步骤25:对缺测值和异常值进行识别和处理,并对输入变量进行归一化处理;

15、步骤3,驱动因子识别:采用spearman秩相关分析、多元线性回归和随机森林方法识别湖泊水面面积变化的主要驱动因子,包括如下子步骤:

16、子步骤31:采用spearman秩相关分析计算湖泊水面面积与候选气候变量之间的相关关系,所述候选气候变量包括降水、气温、蒸散发、风速和相对湿度;

17、子步骤32:采用多元线性回归方法分析候选气候变量对湖泊水面面积变化的线性贡献;

18、子步骤33:采用随机森林方法分析候选气候变量对湖泊水面面积变化的非线性贡献和变量重要性;

19、子步骤34:综合spearman秩相关分析、多元线性回归和随机森林方法的结果,确定降水、气温和蒸散发作为气候输入变量,并确定地下水开采量作为人类活动输入变量;

20、步骤4,cnn-lstm湖泊水面面积模拟模型构建:以降水、气温、蒸散发和地下水开采量为输入变量,以湖泊水面面积为输出变量,构建cnn-lstm湖泊水面面积模拟模型,包括如下子步骤:

21、子步骤41:将降水、气温、蒸散发和地下水开采量按照时间顺序构建多变量输入序列;

22、子步骤42:将所述多变量输入序列输入卷积神经网络模块,提取不同输入变量之间的组合特征;

23、子步骤43:将卷积神经网络模块输出的特征序列输入长短期记忆网络模块,学习湖泊水面面积对前期气候条件和地下水开采活动的时间响应关系;

24、子步骤44:通过全连接输出层输出对应时段的湖泊水面面积模拟值;

25、子步骤45:采用均方根误差(root mean square error,rmse)、纳什-萨特克利夫效率系数(nash-sutcliffe efficiency,nse)和决定系数r²评价cnn-lstm模型的模拟精度;当模型精度满足预设要求时,保存模型结构、模型权重、归一化参数和时间窗口参数。

26、步骤5,sdsm统计降尺度模型构建:构建sdsm统计降尺度模型,生成不同未来气候情景下的降水、气温和蒸散发序列,包括如下子步骤:

27、子步骤51:以大尺度环流再分析资料中的多个环流变量作为候选预测因子,以地面气象观测资料中的降水、气温和蒸散发作为预测对象;

28、子步骤52:通过相关系数、偏相关系数、散点关系和物理意义筛选sdsm预测因子,并剔除共线性较强的预测因子;

29、子步骤53:分别构建降水、气温和蒸散发的sdsm统计降尺度模型;

30、子步骤54:利用历史时期地面气象观测资料对sdsm统计降尺度模型进行率定和验证;

31、子步骤55:将未来气候模式中的大尺度预测因子输入验证后的sdsm统计降尺度模型,生成未来不同气候情景下的降水、气温和蒸散发序列;

32、步骤6,未来湖泊水面面积情景预测:将sdsm生成的未来降水、气温和蒸散发序列与未来地下水开采约束序列共同输入训练后的cnn-lstm模型,得到未来不同情景下的湖泊水面面积预测结果,包括如下子步骤:

33、子步骤61:根据历史地下水开采资料和区域水资源规划资料,构建未来地下水开采约束序列;

34、子步骤62:将未来降水、气温、蒸散发序列和未来地下水开采约束序列按照步骤2的预处理方式进行尺度统一和归一化处理;

35、子步骤63:将处理后的未来气候驱动序列和未来地下水开采约束序列输入训练后的 cnn-lstm湖泊水面面积模拟模型;

36、子步骤64:输出不同未来气候情景下的月尺度湖泊水面面积预测序列,并计算不同情景下湖泊水面面积的均值、极值、变化率和趋势变化。

37、子步骤65:根据预测序列判断目标湖泊在不同气候变化路径和地下水开采约束条件下的扩张、稳定或萎缩风险;所述步骤5与步骤6构成sdsm与cnn-lstm的耦合过程,sdsm生成的未来气候驱动序列作为cnn-lstm模型的未来输入。

38、发明的优点和有益效果是:本发明将遥感湖泊水面面积数据、地面气象观测资料、陆面水文变量、地下水开采资料、大尺度环流因子和未来气候模式资料进行统一处理,能够实现多源数据融合。

39、第二,本发明采用spearman秩相关分析、多元线性回归和随机森林方法综合识别湖泊水面面积变化的主要驱动因子,能够同时考虑变量之间的单调关系、线性贡献和非线性贡献。

40、第三,本发明采用cnn-lstm模型模拟湖泊水面面积变化,能够利用cnn提取多变量输入特征,并利用lstm学习湖泊水面面积对前期气候条件和地下水开采活动的时间响应关系。

41、第四,本发明通过sdsm统计降尺度模型生成未来气候情景下的区域尺度降水、气温和蒸散发序列,解决全球气候模式输出分辨率较粗、难以直接用于湖泊尺度影响评估的问题。

42、第五,本发明将未来气候驱动序列和未来地下水开采约束序列共同输入cnn-lstm模型,能够综合评估气候变化和人类活动对内陆湖泊水面面积变化的复合作用。