一种适应气候变化的水资源随机规划方法与流程

本发明属于水资源管理技术领域，具体涉及一种适应气候变化的水资源随机规划方法。

背景技术

水资源合理调控对于开发利用水资源具有重要作用，而水资源优化配置是合理调控水源到不同用户用水的重要方法。传统的水资源优化配置方案主要注重发挥水资源的社会经济功能，力求经济效益最大化，忽视了河道内外以及下游的生态需水要求。此外，传统的水资源优化配置技术主要是建立在对历史数据的分析，采用统计学或经验法预测水资源量，更多的注重过去和当前的径流变化规律，很少考虑未来气候变化下长时间序列的径流变化对水资源配置的影响。气候变化对水资源的影响是毋庸置疑的。过去关于气候变化对水资源的影响主要集中在评估气候变化对水资源安全的影响，或是从经济学工程学等角度宏观的阐释应对气候变化的水资源适应对策，为研究水资源在气候变化条件的趋势奠定了基础；但是如何针对气候变化进行科学的水资源优化配置，实现水资源开发利用的可持续性发展，并没有给出具体有效的可行方案。此外，流域水资源系统一个动态的、不确定性的复杂系统；由于自然过程的随机性，导致水资源量充满随机不确定性；因为人类认识世界的主观性，导致数据的获取和模型的构建存在不精确性。而传统的水资源系统很少研究不确定性条件下的气候变化对水资源配置影响，也缺少能有效地反映系统动态、多元、时空等特征的模型，所有这些问题已成为严重制约水资源合理配置研究的重要瓶颈。

因此急需一种以气候变化为前提，在探究气候变化对长时间序列的水资源量影响的基础上，同时考虑到系统的动态性、随机性、多用户等特征，且开发基于区间两阶段的随机规划方法。

需要一种以经济发展与生态保护效益最大化为目标，综合考虑水资源供需平衡约束、需水量约束、生态保障用水约束和非负等约束，构建一种适应气候变化的水资源随机规划模型，探讨气候变化下的水资源优化配置方案，为水资源管理者提供决策支持依据。

技术实现要素：

针对背景技术中提到的不足，本发明公开了一种适应气候变化的水资源随机规划方法，其特征在于，包括以下步骤：

步骤a、耦合统计降尺度方法和水文模型，在流域水文气象站点观测数据以及全球气候模式提供的未来气候变化数据的基础上，预测流域内的可用水资源量；

步骤b、以水资源利用效益最大化为目标，以可用水资源量、水资源需求量、生态用水保护、技术要求等为约束条件，构建水资源优化配置模型。

步骤c、采用区间交互式算法将水资源优化配置模型拆解为上界线性子模型和下界线性子模型，进行水资源优化配置模型的进一步优化求解。

所述步骤a又包括：

步骤a1：选取逐步聚类统计降尺度方法，将全球气候模型模拟的历史气象变量，作为逐步聚类方法的预测变量；而观测的站点气象要素作为逐步聚类方法的预测因子；将预测变量和预测因子组成逐步聚类降尺度模型的关系矩阵；

步骤a2：通过统计检验，将关系矩阵进行一系列分割和合并，构建全球气候模型模拟数据与流域尺度的气象数据的统计关系树；

步骤a3：把大尺度、低分辨率的全球气候模型输出未来气候信息输入到形成的统计关系树中，将其转化为能够输入到水文模型的区域尺度的地面气候变化信息；

步骤a4：将生成的区域尺度的地面气候变化信息驱动水文模型，输出可用水资源量。

所述步骤a4中又分为：

步骤a41、根据自然过程的随机特性，求出水资源量的均值和方差，将其拟合成连续函数；

步骤a42、按照极低、低、中、高、极高五个等级，将连续函数离散成五段概率之和为1的离散函数，每一段的概率为ptk,t为时期，k表示水资源量随机水平且每一个ptk都对应一个流量qtk；qtk是t时期水平k下的可用水资源量；

步骤a43、将ptk，和qtk输出。

所述步骤b又包括：

步骤b1：以水资源优化配置效益的最大化为目标，考虑人类活动用水和生态用水两个关键要素，构建目标函数；

式中，i表示用户；t表示时期；k为可用水资源量的随机水平；f为系统收益，nbit为用i在t时期的单位用水净收益；wtit是用户i在时刻t的配水目标；peit是用户i在时刻t因不能满足配水目标缺水而造成的惩罚成本，peit>nbit；wsitk是可用水资源量在水平k时用户i的缺水量；ptk为t时期可用户水资源量在水平k时的概率；

步骤b2：以可用水资源量、水资源需求量、生态用水保护、技术要求等为约束条件：

式中，表示满足河道内基本生态需求的水资源量，表示河道内的水资源蒸发量，qtk是t时期水平k下的可用水资源量(m³)；

各用户需水量约束：

生态用水保障约束：

式中，wt2t是生态在时刻t的配水目标(m³)；ws2tk是生态在t时刻可用水资源量为k水平时的缺水量(m³)；wt2t为生态在时刻t的最小需水量(m³)；

非负约束：

本发明的有益效果是：

强调将未来气候变化情景下的预测径流资料作为水资源优化随机规划模型的输入，生成水资源调控动态模型，提高模型预测的精度，更具有实用性；此外，充分考虑了系统中的不确定性信息，通过区间规划、随机方法的引入，有效表征系统中因为自然过程的随机特性和人类认识客观世界的主观性等不确定性特征，为水资源的优化配置提供更加可靠与具有一定决策范围的参考。

附图说明

图1为本发明一种适应气候变化的水资源随机规划方法实施例的流程图；

图2为本发明实施例中逐步聚类降尺度方法示意图；

图3为本发明实施例中气候变化条件下的水资源优化配置方案。

具体实施方式

为更加清楚理解本发明的技术内容，下面结合附图，对本发明的具体实施方法作进一步详细描述。

本发明中，将考虑气候变化对未来水资源量的影响，以预测的水资源量作为约束条件，协调发展人类活动和生态环境，对流域内的用水部门进行合理分配，获得使得人类活动和生态环境用水效益最大化的配水决策方案。由于气候变化的未知性与随机性，导致降水数据等存在一定的随机性，从而预测的径流数据也呈现了一定的随机特征。此外，未来气候变化数据是由不同的科研机构根据不同的边界条件模拟出来的结果，不同机构模拟出来的结果存在差异，导致气候变化数据本身也具有不确定性。因此，开发一种随机水资源规划方法来探究不同的气候模型下的水资源配置方案具有重要意义。

如图1所示，本发明适应气候变化的水资源随机规划方法分为步骤a、b和c：

步骤a、耦合统计降尺度方法和水文模型，在流域水文气象站点观测数据以及全球气候模式提供的未来气候变化数据的基础上，预测流域内的可用水资源量；步骤a具体又分为：

步骤a1：选取逐步聚类统计降尺度方法，

将全球气候模型模拟的历史气象变量，作为逐步聚类方法的预测变量(输入)；而观测的站点气象要素作为逐步聚类方法的预测因子(输出)；如图2所示将预测变量和预测因子组成逐步聚类降尺度模型的关系矩阵；

在本实施例中；首先，选取全球气候模型。

本实施例中以英国气象局hadley中心研发的hadcm3模型和日本气象研究院研发的mri-cgcm3模型为例。提取两个模型的历史时期(1971-2000)和未来时期(2021-2050)变量数据：最高气温、最低气温、降水、气压、长波辐射量、短波辐射量、风速、湿度等。

其次，选择统计降尺度模型。

本实施例中以逐步聚类降尺度方法为例。逐步聚类降尺度方法是一种多变量统计技术，利用多年的全球气候模型的历史数据(1971-2000)作为预测因子，流域气象站点的观测数据(1971-2000)作为预测量，建立关系矩阵t：

式中，x表示预测因子，但不限于列出的这几类；其中p代表降雨数据；tmax表示最大温度；tmin为最小温度；r代表相对湿度。y表示预测量，但不限于列出的这几类；其中pre表示站点观测降雨数据；tem表示站点观测温度数据；hum表示站点观测湿度数据；rad表示站点观测太阳辐射数据；n表示数据的个数，即时间的长度。

步骤a2：通过统计检验，将关系矩阵进行一系列分割和合并，构建全球气候模型模拟数据与流域尺度的气象数据的统计关系树；

在本实施例中，将含有n行数据的关系矩阵分割成任意两个子类e和f(ne+nf＝n)，据wilks似然率准则，如果wilks值λ(λ＝|w|/|t|)最小，此时的矩阵分割方式为最佳。其中t是总关系矩阵，|t|是矩阵的行列式；w是分割后的组内矩阵，|w|是分割后矩阵的行列式。而当λ值非常大时，类e和f不能再分，必须被合并到上一级类中。此合并与分割过程的依据是通过f检验实现的，f检验表达如下：

式中：d为因变量的个数；ne和nf分别为子类e和f的个数。设定显著性水平0.01，当统计检验f>0.01时，则e和f两类需要分割；当f<0.01时，e和f两类需要合并。依此类推，子类的切割和合并规则按照t的切割和合并规则进行。当子类所有的分割和合并都不能进行之后，即完成了所有的计算和检验，得到每一个因变量的聚类树。

步骤a3：把大尺度、低分辨率的全球气候模型输出未来气候信息输入到形成的统计关系树中，将其转化为能够输入到水文模型的区域尺度的地面气候变化信息(如降水、温度等)。

在本实施例中，根据生成的聚类树，将2021-2050年的全球气候模型的输出数据(降雨、最大温度、最小温度、湿度等)作为预测的驱动因子，带入到生成的聚类树中，即可生成2021-2050年时期的流域尺度的气温、降水、湿度等气候变量，表征未来30年流域的气候特征。

步骤a4：将生成的区域尺度的地面气候变化信息驱动水文模型，输出可用水资源量。本步骤a4又分为：

步骤a41、根据自然过程的随机特性，求出水资源量的均值和方差，将其拟合成连续函数；

步骤a42、按照极低、低、中、高、极高五个等级，将连续函数离散成五段概率之和为1的离散函数，每一段的概率为ptk，t为时期，k表示水资源量的随机等级且每一个ptk都对应一个流量qtk；qtk是t时期水平k下的可用水资源量；

步骤a43、于是ptk和qtk可作为步骤b中模型的输入。

在本实施例中，选取适合流域特征的水文模型，获取流量数据。将2021-2050年的降尺度后的气温、降水、湿度等因子作为swat模型的驱动因子，输出流域内流量。由于气候变化，水文过程以及河道径流演变过程存在着很多的随机因素，造成可用水资源量的随机性。为了使水资源配置结果更加可靠，根据水资源量的均值和方差，将其拟合成连续函数。按照极低、低、中、高、极高五个等级，将连续函数离散成五段概率之和为1的离散函数，每一段的概率为ptk,t为时期，k表示水资源量的随机等级；对应每一个对应的流量为qtk。于是ptk,和qtk作为步骤b中模型的输入。

步骤b、以水资源利用效益最大化为目标，以可用水资源量、水资源需求量、生态用水保护、技术要求等为约束条件，构建水资源优化配置模型。步骤b中又分为：

步骤b1:以水资源优化配置效益的最大化为目标，考虑人类活动用水和生态用水两个关键要素，构建目标函数。

式中，i表示用户(人类活动用水和生态用水)；t表示时期；k为可用水资源量的随机水平(极低、低、中、高和极高)；f为系统收益，nbit为用i在t时期的单位用水净收益(元/m³)；wtit是用户i在时刻t的配水目标(m³)；peit是用户i在时刻t因不能满足配水目标而缺水造成的惩罚成本(元/m³)，peit>nbit；wsitk是可用水资源量在水平k时用户i的缺水量(m³)；ptk为t时期可用户水资源量在水平k时的概率。

在本实施例步骤b1中，目标函数(经济收益最大化)，包括配水目标效益值和因缺水而不能满足配水目标造成的损失两部分。

步骤b2:以可用水资源量、水资源需求量、生态用水保护、技术要求等为约束条件:

水资源供需平衡约束:

式中，表示满足河道内基本生态需求的水资源量，表示河道内的水资源蒸发量，qtk是t时期水平k下的可用水资源量(m³)。

各用户需水量约束:

生态用水保障约束:

式中，wt2t是生态在时刻t的配水目标(m³)；ws2tk是生态在t时刻可用水资源量为k水平时的缺水量(m³)；wt2t为生态在时刻t的最小需水量(m³)。

非负约束:

步骤c、采用区间交互式算法将水资源优化配置模型拆解为上界线性子模型和下界线性子模型，进行水资源优化配置模型的进一步优化求解，从而探究气候变化对水资源配置方案的影响。

如图3所示，两种全球气候模型下的人类活动用水的配置方案。结果表明，不同的全球气候模型产生了不一样的配置方案。如时期2(即2022年)，水资源量为极低水平时，mri-cgcm情景下配置水量为[2818,3119]×10⁶m³，hadcm3情景下可配置水量为[2165,2663]×10⁶m³。由于采用单一的气候变化会使得配置方案局限于一定区间，忽略了其可能气候变化的影响，综合两种全球气候模型，人类活动可配置水资源量为[2165,3119]×10⁶m³，该配置区间可以满足水资源管理者制定不同的政策，应对各种可能发生的情况，从而最大程度的减少系统的损失。此外，不同的来水情况的的配水政策又进一步描述了未来气候变化情况下的可能性，给决策者提供了参考依据，更有助于制定更加灵活适应的水资源短缺风险应对策略。

此外，结果表明，无论在哪种全球气候模型条件下，未来的30年，人类活动所配置水资源量呈现下降趋势。这是因为气候变化条件下的可用水资源量逐渐减少，但人类活动用水需求量逐渐增加，这种供需矛盾导致缺水量进一步增大。在难以改变自然要素的前提下，只有通过人类活动节水增水等措施来减小供需矛盾，从而实现水资源的可持续性发展。