专利名称：区域性极端事件的“糖葫芦串”客观识别方法
技术领域：
本发明为区域性极端事件的“糖葫芦串”客观识别方法，具体涉及区域性对极端天气气候事件的客观识别方法领域。
背景技术：
极端天气气候事件通常具有一定的影响范围和持续时间，即为区域性极端事件。 二现有对极端天气事件的研究大多针对单一台站的极值研究，如1948年由Penman H. L.提出了干燥度指数，Palmer W. C.于1965年提出帕尔默干旱指数PDSI，以及在对关于极端温度和极端江水的27个核心指数。而极端天气气候事件，如2003年夏季欧洲热浪、 2008年初中国南方冰冻雨雪灾害、2009/2010年中国西南大旱和2010年夏季巴基斯坦大洪水，通常都属于区域性极端事件。现有的研究也有触及这一领域，如Dai等人(1998)基于月-年时间尺度的区域平均累积指数的区域性干旱研究；如Shiau等人(2001)、张强 (2006)、王志南等人(2007)、闵岫等人(2008)和黄丹青等人(2009)分别在干旱、极端降水和极端温度三个方面分析了极端事件的区域性和持续性问题，但在方法上仍然是基于单一站点的持续性异常分析和站点之间的相关性分析，而并非直接针对区域性极端事件个体的研究。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，提供一种能对区域性极端事件进行客观识别的方法。为了达到上述目的，本发明提供了一种区域性极端事件的“糖葫芦串”客观识别方法，包括以下步骤
(1)逐日异常带分离
1.1针对需要研究的区域性事件，选定区域内的单一台站的指数及相应的异常性判别阀值，判断单一台站的逐日异常性；
1. 2在所述区域内，对于异常性台站j，计算其邻站异常率r(j)=m/M ；对于非异常性台站j，r(j)=0 ；其中j=l，-,η, η为所述区域内的总台站数，m为出现异常性的邻站数，M为邻站总数；
1. 3选取最大潜在异常带中心将步骤1. 2中得到的r (j)中最大的台站选为第一个最大潜在异常带中心；另外n-1个台站中的最大潜在异常带中心满足以下条件r(j)>RQ， d(j)>d。，其中，Rtl为0. 3 0. 5，d(j)为台站j与已经选为最大潜在异常带中心的台站之间距离的最小值，dc为100 400km ；
1. 4定义异常带将步骤1. 3中选为最大潜在异常带中心的K个台站与其对应的邻站组成的异常带分离成相互独立的异常带；
1. 5定义异常带边缘在所述区域内，对未隶属于任何步骤1. 4中已定义异常带的异常性台站，统计其邻站隶属于L个不同异常带的站数number (1) ,number (2)、…、number (L)，找出其中最大者number (Imax)，当number (Imax) >0时，该台站属于异常带Imax，否则，该台站为离散的异常性台站；其中L为步骤1. 4中分离出的相互独立的异常带个数；
(2)事件的时间连续性识别当某一正在发生的临时事件上一日影响范围与当日异常带范围存在具有重合关系的异常带，则该临时事件连续，且该临时事件的当日影响范围为所述具有重合关系的异常带的并集，该连续的临时事件为区域性事件；
(3)判别区域性事件的极端性将步骤(2)中识别的区域性事件进行综合强度排序，选取强度大的为区域性极端事件。步骤1. 1中所述区域性事件为干旱事件、高温热浪事件、冰冻事件、沙尘暴事件或连阴雨事件，单一台站的指数选自日综合气象干旱指数、帕尔默干旱指数、日最高气温或相应的其它指数；异常性判别阀值为绝对阀值或相对阀值，相对阀值为90%或10%。步骤1. 2中所述邻站为小于400km距离的台站。具体邻站的确定需要依据选定区域内的站点分布，站点分布密，则确定的邻站之间距离小，邻站分布疏，则确定的邻站之间距离大。步骤1. 4中所述定义异常带的过程为1. 4. 1、对于K个选为最大潜在异常带中心的台站，当该台站未隶属于任何已定义异常带时，它隶属于一个新的异常带1，否则，进行下一个台站处理；1. 4. 2、如果台站j隶属于异常带1，则对于它的任何一个未隶属于任何已定义异常带的邻站jo，当它满足Hjtl)彡Rtl时，该邻站隶属于异常带1;1.4.3、对新入选异常带1的台站，重复步骤1.4. 2，直至找不到任何满足条件的邻站时，回到步骤1.4. 1。在进行步骤(2)前，步骤1. 5中定义异常带边缘过程重复多次。步骤(2)中所述临时事件的识别为当临时事件个数为零时，所有当日的异常带则转
变为下一日的临时事件；当异常带个数为零时，所有正在发生的临时事件转为正式事件；当某一临时事件无任何与其有重合关系的异常带，则该临时事件结束，并转为正式事件；当某一异常带无任何与其有重合关系的临时事件时，该异常带转化为下一日正在发生的临时事件。步骤(3)中所述综合强度选用过程综合强度Z = Fd1, I2, As, Am，D)，将I1, I2, As, An^n D各自先进行标准化后，再加权求和；所述I1为整个事件的过程极端强度，
L=Max(Tki) ;ι2为整个事件的过程累计强度，A=ZZ(7V-1U) ;as为整个事件
V“；: /
的累积影响面积广(;Am为整个事件的过程最大影响面积，=ri」t ；D为
持续时间；其中；f是台站j第k日指数的具体数值，Tki为其阀值，‘为逐日影
*· ^ h
响面积。区域性极端事件为过程综合强度排序在前10%的区域性事件。本发明相比现有技术具有以下优点利用区域性事件的特性——具有一定的持续时间和持续期内逐日气候要素异常且具有一定的影响范围，发现区域性事件的演变过程 (如图1所示)一由逐日影响范围“串”到一起的“逐日影响范围串”，每个“糖葫芦”相当于逐日影响范围，将持续期间的每一个“糖葫芦” “串”到一起就构成了一个完整的区域性事件。通过选取最大潜在异常带中心，分离相互独立的异常带，进行逐日异常带分离；通过对事件的连续性识别，将不同的逐日异常带合理地“串”成一串。建立专门针对区域性事件的指标体系，以实现对区域性事件的评价，进而可以合理地选出极端的区域性事件，即区域性极端天气气候事件(简称区域性极端事件)。利用本发明方法能客观而自动地识别出区域性事件在持续期间逐日影响范围，并能将这些逐日影响范围合理地“串”成一串从而构成一个完整的区域性事件。
图1为区域性事件演变过程示意图。图2为本发明区域性极端事件的“糖葫芦串”客观识别方法总体流程图。图3为图1中步骤(1)对逐日自然异常带分离的技术流程图。图4为日自然异常带识别结果事例图。图5为图1中步骤(2)对事件的时间连续性识别的技术流程图。图6为应用本发明区域性极端事件的“糖葫芦串”客观识别方法研究1961-2010年中国区域性气象干旱事件频次演变图，图中直线为线性趋势。图7为应用本发明区域性极端事件的“糖葫芦串”客观识别方法研究1998/1999年中国北方特大干旱事件的累积强度区域分布图。图8为应用本发明区域性极端事件的“糖葫芦串”客观识别方法研究1961-2010年中国区域性降水事件频次演变图，图中直线为线性趋势。图9为应用本发明区域性极端事件的“糖葫芦串”客观识别方法研究1961-2010年中国区域性高温事件频次演变图，图中直线为线性趋势。图10为应用本发明区域性极端事件的“糖葫芦串”客观识别方法研究1961-2010 年中国区域性低温事件频次演变图，图中直线为线性趋势。
具体实施例方式下面结合附图对本发明区域性极端事件的“糖葫芦串”客观识别方法进行详细说明。如图2所示为本发明区域性极端事件的“糖葫芦串”客观识别方法的总体流程图， 包括以下步骤
1、逐日异常带分离
结合图3，逐日自然异常带分离的技术流程如下 1.1单点(站)逐日指数选定
针对所关注的某一种区域性事件，首先需要选定合适的针对单一台站的指数P。通常可从常用的指数，如针对区域性干旱事件，可选择日综合气象干旱指数CI或帕尔默干旱指数 PDSI ；针对区域性高温热浪事件，可选择日最高气温。此外，针对一些特殊的区域性事件如冰冻事件、沙尘暴事件或连阴雨事件，可根据需要选择其它指数或研究新的单一台站的指数。1.2判断单一站点的异常性
首先针对所选定的单站指数(P)，确定相应的异常性判别阀值(Pt)，如90% (或10%)百分位或其它数值。通常，为保证在事件的时间连续性判别过程中有充分的连续性，异常性判别阀值的选取可以适当宽松，不宜要求过高的极端性。对于台站j，当某日Pj超过(视情况大于或小于)阀值Ptj时，表示该站当日出现异常性。如图4中所有格点为当日η个台站所有的异常性分布。1. 3计算邻站异常率
对每个台站j(j=l，2，···，η),定义与其距离小于固定距离(如200 km)的台站为它的邻站。在此基础上，可进行下列工作。对于异常性台站j，其邻站异常率为
r(j)=m/M, j=l,...,n(1)
其中M和m分别是邻站总数和出现异常性的邻站数。可知r(j)的变化范围为0.0 1.0。对于非异常性台站j，r(j)取值为0。1. 4选取最大潜在异常中心
对于异常性台站j，当r (j)大于或超等于某一临界值R0时，它就可能隶属于某一个确定的异常带。于是，这部分包括下列三个步骤第一步，将r(j)从大到小按降序排列；第二步， 选择r(j)最大的台站为第一个最大潜在异常带中心(以后简称异常带中心)；第三步，检查另外n-1个台站，任一台站将被选定为异常带中心，当且仅当它满足下列条件时
r(j) > R0(2)
禾口
d > dc(3)
其中d是台站j与已入选的任一异常带中心之间距离的最小值，d。为一距离常数(如 300 km)。为利于识别出全部独立异常带，Rtl取值不宜太大，一般取0.3 0.5。假定通过上述方法寻找到K个异常带中心。1. 5定义异常带
对K个入选异常带中心的台站依次进行以下步骤。步骤1 当且仅当该台站未隶属于任何已定义异常带时，它隶属于一个新的异常带1。否则，对下一个异常带中心做同样处理。步骤2 如果台站j隶属于异常带1，则对于它的任何一个未隶属于任何已定义异常带的邻站jo，当它满足Hjtl)彡Rtl时，该邻站隶属于异常带1。步骤3:对新入选异常带1的台站，重复步骤2，直至找不到任何满足条件的邻站时，回到步骤1。通过上述方法假定可以分离出L( L < K)个相互独立的异常带。1. 6粗定义异常带边缘
定义异常带边缘仅限于对所有未隶属于任何已定义异常带的异常性台站进行。对每一个这样的台站
步骤1 统计出其邻站隶属于L个不同异常带的站数number (1)、number (2).....
number (L)。步骤2 找出其中最大者number (1 max)。当且仅当number (1 max) > 0时，该台站属于异常带1_。否则它是一个真正的离散的异常性台站。
1. 7细定义异常带边缘
在粗定义异常带边缘的基础上，过程“1. 6”可重复一次或多次，从而使得异常带边缘更趋合理。至此，L个相互独立的异常带(如图4中由3个成片的不同符号表示)和一些离散的异常性站点(图4中由多个分散的小“φ”表示)就成功地分离开来。2、事件的时间连续性识别
从前面的分析知道，一个异常事件可以理解为一个“日异常带串”即包含起止日期和事件期间的逐日异常带信息。图5给出了事件的时间连续性识别的思路流程。以下逐一分析各步骤的技术思路。2.1逐日判断正在发生的临时事件和当日的异常带
针对某一日，判断正在发生的临时事件和当日的异常带。其中，正在发生的临时事件是指上一日正在发生的临时事件，之所以称之为“临时事件”，是由于其结束日期暂时为上一日，需要在后面的连续性判别中最终确定。极端情况下，当临时事件个数K为零，则所有当日的异常带则自动变为下一日的临时事件；当异常带个数M为零时，则所有正在发生的临时事件就自动转为了正式事件；当K和M同时为零时，则直接对下一日进行判断。2.2临时事件与异常带的重合关系判别
根据某一临时事件上一日影响范围与当日异常带范围的空间分布，判定它们之间的重合关系。若影响范围与异常带范围存在相同的部分(站点)，则表明具有重合关系，否则为非重合关系。2.3临时事件的时间连续性判别
根据临时事件与异常带的重合关系判别结果，当某一临时事件存在重合关系的异常带，则该临时事件持续，且当日的影响范围为这些与其有重合关系的异常带之并集；当该临时事件无任何与其有重合关系的异常带，则该临时事件结束，并转为了正式事件。当多个临时事件同时与一个异常带重合时，合并这些临时事件。当某一异常带没有任何与其有重合关系的临时事件时，该异常带转化为下一日正在发生的临时事件。2. 4最后一日的特殊处理
当上述分析进行到研究时段的最后一日时，在进行完时间连续性判别后，所有临时事件全部转变为正式异常事件，分析结束。3、判断区域性事件的极端性 3. 1建立区域性事件的指标体系
区域性天气气候事件指标体系如表1所示，是根据区域性事件的特点专门提出的，具体包括下列内容
表1区域性天气气候事件指标体系
权利要求
1. 一种区域性极端事件的“糖葫芦串”客观识别方法，其特征在于包括以下步骤(1)逐日异常带分离·1.1、针对需要研究的区域性事件，选定区域内的单一台站的指数及相应的异常性判别阀值，判断单一台站的逐日异常性；·1. 2、在所述区域内，对于异常性台站j，计算其邻站异常率r(j)=m/M ；对于非异常性台站j，r(j)=0 ； 其中j=l，···，!!，η为所述区域内的总台站数，m为出现异常性的邻站数， M为邻站总数；·1.3、选取最大潜在异常带中心将步骤(2)中得到的r(j)中最大的台站选为第一个最大潜在异常带中心；另外n-1个台站中的最大潜在异常带中心满足以下条件!·(」)>‘ d(j)>d。，其中，Rtl为0. 3 0. 5，d(j)为台站j与已经选为最大潜在异常带中心的台站之间距离的最小值，dc为100 400km ；·1.4、定义异常带将步骤1. 3中选为最大潜在异常带中心的K个台站与其对应的邻站组成的异常带分离成相互独立的异常带；·1.5、定义异常带边缘在所述区域内，对未隶属于任何步骤1.4中已定义异常带的异常性台站，统计其邻站隶属于L个不同异常带的站数Mimber(I)、nUmber(2)、…、 number (L)，找出其中最大者number (Imax)，当number (Imax) >0时，该台站属于异常带Imax，否则，该台站为离散的异常性台站；其中L为步骤1. 4中分离出的相互独立的异常带个数；(2)事件的时间连续性识别当某一正在发生的临时事件上一日影响范围与当日异常带范围存在具有重合关系的异常带，则该临时事件连续，且该临时事件的当日影响范围为所述具有重合关系的异常带的并集，该连续的临时事件为区域性事件；(3)判别区域性事件的极端性将步骤(2)中识别的区域性事件进行综合强度排序，选取强度大的为区域性极端事件。
2.根据权利要求1所述的区域性极端事件的“糖葫芦串”客观识别方法，其特征在于 步骤1. 4中所述定义异常带的过程为1. 4. 1、对于K个选为最大潜在异常带中心的台站，当该台站未隶属于任何已定义异常带时，它隶属于一个新的异常带1，否则，进行下一个台站处理；1. 4. 2、如果台站j隶属于异常带1，则对于它的任何一个未隶属于任何已定义异常带的邻站jo，当它满足Hjtl)彡Rtl时，该邻站隶属于异常带1 ;1. 4. 3、对新入选异常带1 的台站，重复步骤1.4. 2，直至找不到任何满足条件的邻站时，回到步骤1.4. 1。
3.根据权利要求1或2所述的区域性极端事件的“糖葫芦串”客观识别方法，其特征在于步骤1. 1中所述区域性事件为干旱事件、高温热浪事件、冰冻事件、沙尘暴事件或连阴雨事件。
4.根据权利要求1或2所述的区域性极端事件的“糖葫芦串”客观识别方法，其特征在于步骤1. 1中所述单一台站的指数选自日综合气象干旱指数、帕尔默干旱指数或日最高气iS ο
5.根据权利要求1或2所述的区域性极端事件的“糖葫芦串”客观识别方法，其特征在于步骤1. 1中所述异常性判别阀值为绝对阀值或相对阀值，相对阀值为90%或10%。
6.根据权利要求1或2所述的区域性极端事件的“糖葫芦串”客观识别方法，其特征在于步骤1. 2中所述邻站为小于400km距离的台站。
7.根据权利要求1或2所述的区域性极端事件的“糖葫芦串”客观识别方法，其特征在于在进行步骤(2)前，步骤1. 5中定义异常带边缘过程重复多次。
8.根据权利要求1或2所述的区域性极端事件的“糖葫芦串”客观识别方法，其特征在于步骤(2)中所述临时事件的识别为当临时事件个数为零时，所有当日的异常带则转变为下一日的临时事件；当异常带个数为零时，所有正在发生的临时事件转为正式事件；当某一临时事件无任何与其有重合关系的异常带，则该临时事件结束，并转为正式事件；当某一异常带无任何与其有重合关系的临时事件时，该异常带转化为下一日正在发生的临时事件。
9.根据权利要求1或2所述的区域性极端事件的“糖葫芦串”客观识别方法，其特征在于步骤(3)中所述综合强度选用过程综合强度Z = Fd1, I2, As, Am，D)，将I1, I2, As, An^n D各自先进行标准化后，再加权求和；所述I1为整个事件的过程极端强度，
10.根据权利要求9所述的区域性极端事件的“糖葫芦串”客观识别方法，其特征在于 步骤(3)中所述区域性极端事件为过程综合强度排序在前10%的区域性事件。
全文摘要
本发明公开了一种区域性极端事件的“糖葫芦串”客观识别方法，包括以下步骤1、单一站点异常性判断；2、计算邻站异常率r(j)；3、选取最大潜在异常带中心；4、定义异常带5、定义异常带边缘；6、事件的时间连续性识别；7、判别区域性事件的极端性。通过本发明方法能够客观而自动地识别出区域性事件在持续期间逐日影响范围，并能将这些逐日影响范围合理地“串”成一串从而构成一个完整的区域性事件。
文档编号G06F19/00GK102306248SQ201110246620
公开日2012年1月4日 申请日期2011年8月26日 优先权日2011年8月26日
发明者任福民, 崔冬林, 王艳姣, 邹旭恺, 龚志强 申请人:任福民, 崔冬林, 王艳姣, 邹旭恺, 龚志强