一种非稳态条件下城市极端降水影响因素的识别方法

1.本发明涉及城市尺度极端降水影响因子动态识别领域，具体涉及一种非稳态条件下城市极端降水影响因素的识别方法。


背景技术：

2.近年来，学者们关于极端降水变化影响因素的研究开展了广泛的探讨。传统研究多基于平稳性假设，然而受气候变化和城市化的影响，极端降水序列的平稳性遭到破坏，传统基于稳态假设的极端降水变化影响因素识别方法受到挑战，进一步加剧了极端降水变化影响因素识别的复杂性和难度。如气候变化改变了空气中水分的运输，直接影响极端降水总量及其持续时间。与此同时，在城市化的过程中，诸如建筑物和道路的不透水表面取代了自然下垫面，如农田，草原和水域等。自然下垫面和不透水表面之间的光吸收和热容量具有显着差异，引起城市热岛效应，进而影响城市区域降水量。因此，极端降水的研究需在非稳态条件下开展，深入剖析影响极端降水非稳态性的因素具有重要意义。当前的发明多专注于分析单方面的极端降水影响因素，仅靠自然影响因素分析或仅靠城市化归因分析的发明方法尚难以实现对极端降水影响因素的综合全面分析。此外以往发明多侧重于流域尺度，对于城市尺度的研究较少，面对快速发展的城市化进程，将城市化纳入极端降水影响因素的识别范围，探究城市地区城市化对极端降水的影响，对于城市洪涝风险管理和水资源开发利用具有重要现实意义。


技术实现要素：

3.本发明的目的在于提供一种非稳态条件下城市极端降水影响因素的识别方法，旨在识别非稳态条件下城市尺度极端降水演变的主控因素，并定量区分主控因素对城市尺度极端降水变化的影响。
4.本发明首先基于随机森林方法对城市尺度极端降水影响因子进行初筛，并根据筛选后的因子构建gamlss，识别影响城市极端降水演变的主控因素。面对气候变化和城市化影响，对极端降雨影响因素的分析具有十分重要的意义，本发明为应对区域气候灾害预估、洪涝风险管理等方面提供了一定的科学基础。
5.为实现上述目的，本发明提供如下技术方案：
6.一种非稳态条件下城市极端降水影响因素的识别方法，包括以下步骤：
7.步骤一、数据收集：收集研究区降水数据及影响城市极端降水演变的因子数据集：收集下载城市尺度降水数据；所述影响城市极端降水演变的因子包括气候因子和人类活动因子包括。
8.步骤二、数据前处理及极端降水指数计算：所述数据预处理包括对收集到的数据进行缺失数据插补延长、数据空间插值及重采样中任意一种或几种；极端降水指数计算是指基于气象站点实测降雨计算获取城市尺度极端降水指数序列，并对计算的降水指数数据进行数据格式转换。在后续的计算过程中根据情况选择原始数据或是转换后的数据。根据
情况选择原始数据或是转换后的数据是指因子初筛中当筛选所得因子对极端降水影响不显著时，则利用转换后的数据，否则利用原始数据。
9.步骤三、影响因子初筛：利用随机森林方法对所述气候因子和人类活动因子进行筛选，初步优选出其中影响城市尺度极端降水变化的因子，称为初筛因子。
10.步骤四、构建gamlss模型：基于多种分布函数，构建稳态gamlss模型拟合极端降水指数序列；根据拟合效果，对分布函数进行优选，识别区域极端降水指数序列最佳拟合分布函数；基于最佳拟合分布，以步骤三初筛后的影响因子及其组合作为解释变量对极端降水指数序列构建非稳态gamlss模型；通过对比稳态及非稳态模型拟合效果判断极端降水非稳态性是否显著；以上拟合效果均采用aic值进行判断，aic值越小，拟合效果越优。
11.步骤五、识别影响城市尺度极端降水演变的主控因子：识别影响城市尺度极端降水演变的主控因子，并进一步定量分析主控因素对城市极端降水演变的影响：拟合效果最佳的gamlss模型对应的解释变量为识别所得影响城市尺度极端降水演变的主控因子(根据aic值最小的原则)；基于一阶差分去趋势法和线性回归法(简单线性回归法以及多元线性回归法)定量分析气候因子和人类活动因子对城市尺度极端降水演变的贡献。
12.进一步的优化方案，步骤一中所述气候因子包括气温、厄尔尼诺/南方涛动 (enso)，北极涛动指数(ao)，太平洋年代际振荡(pdo)，南亚夏季风指数 (sasm)，以及东亚夏季风指数(easm)。步骤一中所述人类活动因子包括温室气体排放因子和表征城市化进程的土地利用因子；所述温室气体排放因子包括 co2、ch4和n2o排放量；所述表征城市化进程的土地利用因子是采用fragstats 软件计算，包括最大斑块数(lpi)、斑块密度(pd)、shannon多样性(shdi)、城市土地面积(ua)、城市斑块密度(upd)。
13.表征城市化进程的土地利用因子采用fragstats软件进行计算。该软件可以从单个斑块级、分类级和整体景观级三个层次反映区域结构组成和空间配置特征，分析区域景观格局。本发明中，采用了三个景观指标和两个城市类别指标来表征下垫面物理演变过程。所有表征城市化进程的土地利用因子的描述和方程如表1 所示。
14.表1表征城市化进程的土地利用因子
15.16.进一步的，步骤二中，利用rclimdex软件计算获得极端降水指数序列；所述极端降水指数包括rx1day、sdii、r20、cwd、r95ptot和prcptot。步骤二中所述极端降水指数见表2。
17.表2极端降水指数
[0018][0019]
进一步的，步骤二2)中数据转换的方法包括对数化、无量纲化及比例化，其计算公式分别为：
[0020]
对数化：
[0021]
以10为底，对极端降水指数及影响因素取对数：
[0022]
xi＝log xiꢀꢀ
(1)
[0023]
以e为底，对极端降水指数及影响因素取对数：
[0024]
xi＝ln xiꢀꢀ
(2)
[0025]
其中x为变量变换前的数值，x为变换后的数值；i表示第i个变量，i＝1,..., n；n为因子个数；
[0026]
无量纲化：
[0027][0028]
其中i、x、x的意义同前文所述；j表示变量的第j个值，j＝1,...,l，l为各自变量的序列长度；
[0029]
比例化：
[0030]
xi＝αxiꢀꢀ
(4)
[0031]
其中i、x、x的意义同前文所述，α为比例系数。
[0032]
进一步的，步骤三中具体操作为：利用随机森林方法对所述气候因子及人类活动因子进行分析计算，构建决策树对选取的气候因子及人类活动因子重要性进行排序，其中影响力未通过显著性检验的影响因子将被剔除，剩余的为优选初筛得到的影响城市尺度极端降水变化的因子，即为初筛因子。初筛因子自动组成一个新的集合，作为下一步骤的输入。若因子整体对极端降水影响不显著，则考虑对极端降水指数序列进行数据转换。
[0033]
步骤三中随机森林通过构建决策树来减少数据不确定性的特征，以达到及最优特征的选择，第一步需对所有待选择特征分别计算信息增益。
[0034]
第二步选择所有特征中信息增益值最大的特征，作为非叶子节点的分类特征，直
到特征迭代结果或者样本数量小于设定值为止。
[0035]
第三步构成一棵决策树。随机森林构建决策树的过程自带特征筛选，可以对影响因子重要性进行排序，因此这里将气候因子、人类活动因子采用随机森林法进行初筛，初步得到可能影响极端降水指数的因子种类。
[0036]
进一步的，步骤四中，所述多种分布函数包括ga、gb2、gu、lo和no。
[0037]
步骤四中，所述利用最佳分布函数对极端降水指数序列构建非稳态gamlss模型，建模类型根据模型中分布函数的参数变化情况设定7种类型：1)μ、σ都不随气候因子和人类活动因子变化；2)μ随气候因子变化，σ不变；3)μ不变，σ随气候因子变化；4)μ随人类活动因子变化，σ不变；5)μ不变，σ随人类活动因子变化；6)μ随气候因子变化、σ随人类活动因子变化；7)μ随人类活动因子变化，σ随气候因子变化；μ表示位置参数、σ表示规模参数；上述各因子为步骤三获得的初筛因子。
[0038]
最佳分布函数的确定及gamlss模型构建过程中：
[0039]
gamlss假设时刻i(i＝1,2,...,n)的独立观测值，即本研究中的极端降水指数(定义为yi)，服从fy＝(yi|θi)的分布，其中θi＝(θ1,θ2,
…
,θ
p
)表示参数向量p(位置、尺度和形状参数)。非线性半参数gamlss公式如下：
[0040][0041]
其中，θk表示长度为n的第k个分布参数的向量；表示n
×
m矩阵中的解释变量(即所述初筛因子)；βk表示长度为m的参数矢量；h
jk
表示第k个分布参数和第j个解释变量x
jk
之间的联合方程。
[0042]
具体步骤为：
[0043]
1)选择五种常用分布函数，构建分布函数库，包括gamma(ga),generalizedbetatype2(gb2),gumbel(gu),logistic(lo)和normal(no)；
[0044]
2)针对每种分布函数，设定分布参数的拟合函数类型，具体模型构建模式库见表3；
[0045]
表3各气象站模型构建模式列表
[0046][0047]
3)基于多种分布函数构建稳态gamlss模型(m0)，拟合极端降水指数序列。根据aic值比较不同分布函数拟合的效果，确定极端降水指数序列最佳拟合分布函数。
[0048]
4)分别以步骤三中初筛得到的各气候因子、人类活动因子及其组合为解释变量(解释变量只在非稳态模型的位置和尺度参数中引入)，基于最佳拟合分布函数构建非稳态gamlss模型(m1～m6)，在每种构建模式下对极端降水指数序列进行拟合。
[0049]
5)比较稳态及非稳态模型拟合效果，判断区域极端降水指数序列非稳态性。
[0050]
进一步的，步骤五中识别影响城市尺度极端降水演变的主控因子。
[0051]
1)对比具有不同解释变量的非稳态模型对极端降水指数序列的拟合效果 (aic值)，根据aic值最小的原则判别最优拟合模型，其对应的解释变量即影响极端降水指数的主控因子；
[0052]
2)通过worm图及q-q图进行检验，评价最优模型的拟合效果；
[0053]
3)基于一阶差分去趋势法、简单线性回归法以及多元线性回归法，分析气候变化及人类活动对于极端降水演变的贡献。
[0054]
具体计算公式如下：
[0055][0056]
其中conu是人类活动因子(包括温室气体排放因子和表征城市化进程的土地利用因子)对极端降水指数的贡献；t
uj
表示第j个人类活动因子归一化后的趋势，由简单线性回归模型的斜率确定；m是人类活动因子的数量；a
uj
为归一化去趋势后的极端降水指数与人类活动因子之间经多元线性回归模型确定的回归系数，这里采用一阶差分去趋势法去除非人
类活动对极端降水的影响。
[0057]
气候变化因子的贡献也可以按照相同的步骤计算：
[0058][0059]
其中conc是气候变化因子对极端降水指数的贡献；t
ci
表示第i个气候变化因子归一化后的趋势，由简单线性回归模型的斜率确定；n是气候因子的数量； a
ci
为归一化去趋势后的极端降水指数与气候变化因子之间经多元线性回归模型确定的回归系数，这里采用一阶差分去趋势法去除非气候变化对极端降水的影响。
[0060]
因此，气候变化和人类活动对极端降水指数的相对贡献率可以量化为：
[0061][0062]
当r为正时，表示气候变化对极端降水指数的贡献大于城市化；相反当r为负时，表示气候变化对极端降水指数的贡献小于城市化。
[0063]
本发明的有益效果：
[0064]
本发明能够深刻分析城市尺度极端降水序列的平稳性，在非稳态条件下对极端降水影响因素开展综合全面分析，大范围地搜索可能对城市地区极端降水过程演变产生影响的因素，将气候变化和人类活动因子纳入极端降水影响因素的识别范围，准确识别其主控因素，并定量区分主控因素对城市尺度极端降水变化的影响，可为城市洪涝灾害风险管理提供科学依据。
附图说明
[0065]
图1为本发明实施例的方法流程图；
[0066]
图2为本发明实例提供的影响因子gamlss模型分析结果示意图(即研究区内所有气象站点各极端降水指数最佳解释变量个数分布)；
[0067]
图3为本发明gamlss模拟各极端降水指数的最优拟合模式的worm图；
[0068]
图4为本发明实例计算得到到的气候变化与人类活动因子相对贡献率结果示意图。
具体实施方式：
[0069]
实施例1
[0070]
一种非稳态条件下城市极端降水影响因素的识别方法，以某城市群为案例区，以1990-2017年为研究时段对本发明技术方法的具体应用作进一步说明，具体应用包括以下步骤：
[0071]
步骤一、数据收集：收集研究区降水数据及影响城市极端降水演变的因子数据集：收集下载城市尺度降水数据；所述影响城市极端降水演变的因子包括气候因子和人类活动因子包括。
[0072]
降水、气温数据从中国气象局国家气象信息中心(nmic) (http://cdc.cma.gov.cn)下载；土地利用数据来源于中科院中国科学院资源与环境数据云平台
(http://www.resdc.cn)。enso，ao和pdo指标从国家海洋和大气管理局下载(noaa)(http://www.esrl.noaa.gov/psd/gcos_wgsp/timeseries/)。sasm 及easm是从李建平研究小组获得的(http://ljp.gcess.cn/dct/page/1)。温室气体排放数据来源于欧盟委员会提供的全球大气研究的排放数据库(edgra) (https://edgar.jrc.ec.europa.eu/)。极端降水指数数据的时间序列为1990-2017年，来源于研究区域内各气象站；土地利用数据的空间分辨率为1km，并采用传统“土壤发生分类”系统，分为12土纲，61个土类，227个亚类；土地利用类型数据的空间分辨率为1km，土地利用分类体系为6个一级类，25个二级类。
[0073]
步骤二、数据预处理及极端降水指数计算：
[0074]
所述数据预处理包括对收集到的数据进行缺失数据插补延长、数据空间插值及重采样中任意一种或几种；极端降水指数计算是指基于气象站点实测降雨计算获取城市尺度极端降水指数序列，并对计算的降水指数数据进行数据格式转换。
[0075]
对于降雨数据，考虑系列长度、资料完整性，剔除了个别数据缺失较多的站点资料，对于极个别缺失站点，原则要求对一个月内缺测数据少于7天的站点进行插补。利用收集整理好的降水数据使用rclimdex软件计算极端降水指数序列，包括rx1day、sdii、r20、cwd、r95ptot和prcptot指数。收集整理了enso、ao、pdo、sasm和easm指数作为气候因子。收集整理了1990、 1995、2000、2005、2010和2015年5个时期的土地利用数据(1km
×
1km分辨率)，并重新分类为六个不同的土地利用类别：作物、森林、草地、水、城市和未利用土地。在每个气象站周围划分半径为10km的缓冲区。使用fragstats软件根据重新分类的土地利用数据计算每个缓冲区的所有城市化土地利用因子，包括lpi、pd、shdi、ua、upd。采用该区域的排放数据平均值作为温室气体排放因子，以此获取各站点温室气体排放因子数据序列，包括co2、ch4、n2o排放量。对极端降水指数序列进行相应的转换如对数化、无量纲化及比例化，在后续的计算过程中根据情况选择原始数据或是转换后的数据。根据情况选择原始数据或是转换后的数据是指因子初筛中当因子总体对极端降水影响不显著时，则利用转换后的数据，否则利用原始数据。
[0076]
步骤三、利用随机森林方法对影响极端降水指数变化的因子进行初筛：利用随机森林方法对所述气候因子和人类活动因子进行筛选，初步优选出其中影响城市尺度极端降水变化的因子，称为初筛因子；
[0077]
以极端降水指数序列作为训练集，选取的可能对极端降水产生影响的因子(5 个大气因子、5个表征城市化进程的土地利用因子、3个温室气体排放因子)作为特征，输入特征构成的多维向量，采用随机森林法构建决策树进行训练。具体步骤为：第一步需对所有待选择特征分别计算信息增益；第二步选择所有特征中信息增益值最大的特征，作为非叶子节点的分类特征，直到特征迭代结果或者样本数量小于设定值为止；第三步构成一棵决策树。通过以上步骤，根据随机森林构建决策树的过程自带特征筛选的特性，对影响因子重要性进行排序，对影响因子重要性进行排序，优选初筛得到对极端降水指数变化影响较大的因子，其中影响力未通过显著性检验的影响因子将被剔除。通过筛选的影响因子自动组成一个新的集合，作为下一步骤的输入。若因子整体对极端降水影响不显著，则考虑对极端降水序列通过对数化、无量纲化及比例化的方法进行数据转换。
[0078]
步骤四、构建gamlss模型：构建稳态gamlss模型拟合极端降水指数序列，根据拟合效果，对多种分布函数进行优选，识别区域极端降水指数序列最佳拟合分布函数；以步骤三
获得的初筛因子作为解释变量，利用最佳分布函数对极端降水指数序列构建非稳态gamlss模型，采用aic值最小为准则确定拟合效果最佳的非稳态gamlss模型；
[0079]
基于gamma(ga),generalized beta type 2(gb2),gumbel(gu),logistic(lo) 和normal(no)五种分布函数构建gamlss模型(模型结构见表4)，对案例区内每一个站点分别拟合各极端降水指数序列，以上计算均使用gamlss r软件包进行(http://cran.r-project.org/web/packages/gamlss/index.html)，拟合效果均采用 aic值进行判断，aic值越小，拟合效果越优；根据稳态模型(m0)拟合效果，对分布函数进行优选，识别区域各极端降水指数序列最佳拟合分布函数(结果见表5)，结果表明ga为大多数极端降水指数(rx1day、sdii、r20、cwd、r95ptot、 prcptot)的最佳拟合分布函数；基于最佳拟合分布函数对极端降水指数序列进行非稳态建模(结果见表6)，其中非稳态模型以步骤三初筛后的影响因子及其组合作为解释变量建立gamlss模型；对比稳态(表5)和非稳态(表6)模型拟合获得的aic值，对于每一个极端降水指数，非稳态模型往往对极端降水指数序列具有更好的拟合效果(aic值更小)，由此得到区域极端降水的非稳态性显著。
[0080]
表4各气象站模型构建模式列表
[0081][0082]
注：μ0,μ,σ0,σ,ζ是常数。
[0083]
表5研究区站点的稳态模型(m0)各极端降水指数的平均aic
[0084][0085]
表6各极端降水指数的最佳拟合模型
[0086][0087]
步骤五、识别影响城市尺度极端降水演变的主控因子，并进一步定量分析主控因素对城市极端降水演变的影响：并进一步定量分析主控因素对城市极端降水演变的影响：拟合效果最佳的非稳态gamlss模型对应的解释变量为识别所得影响城市尺度极端降水演变的主控因子；基于一阶差分去趋势法和线性回归法定量分析气候因子和人类活动因子对城市尺度极端降水演变的贡献。
[0088]
对比具有不同解释变量的非稳态模型对极端降水指数序列的拟合效果，根据 aic值最小的原则，以此进一步识别影响极端降水指数序列演变的主控因素。案例区内各站点各个极端降水指数的主控因子表现出较大差异，图2展示了各影响因子在19个站点中作为主控因子出现的次数。将19个站点的结果进行平均汇总，得到各极端降水指数的最佳拟合模型，见表6。由表可得最佳拟合模型中人类活动因子占多数，rx1day、sdii、cwd、r95ptot的最佳解释变量均包含人类活动因子。进一步的，通过worm图进行检验，评价最优模型的拟合效果(见图3)。最后基于一阶差分去趋势法、简单线性回归法以及多元线性回归法，分析气候变化及人类活动对于极端降水演变的相对贡献(见图4)。对于rx1day来说，整个案例区的相对贡献率主要为负值，即说明气候变化对极端rx1day的贡献小于城市化。从图4来看，在案例区的大部分地区气候变化对sdii、r20、cwd的贡献大于城市化，案例区相对贡献率呈现较大空间差异性。对于r95ptot来说，案例区中部气候变化对该指数贡献较大，而东西边角部分地区城市化对其产生了更大的影响。对于prcptop来说，案例区南北边角部分地区城市化相较气候变化对该指数贡献较大，而在中部区域则正相反。以上结果表明，气候变化及人
类活动对非稳态条件下的极端降水都带来了不同程度的影响。
[0089]
最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案(比如各种公式的运用、步骤的先后顺序等)进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。