水文气象灾害二维复合事件模拟方法、装置、设备及介质与流程

本技术涉及水文气象模拟，尤其是涉及一种水文气象灾害二维复合事件模拟方法、装置、设备及介质。

背景技术：

1、水文气象灾害二维复合事件，可定义为具有一定时空关联关系的可造成严重社会环境风险的两个过程或致灾因子的组合，例如暴雨-风暴潮遭遇下的洪水事件、高温-无雨遭遇下的干旱事件等，其发生频率一般采用统计模型方法。

2、近年来，联合概率模型发展迅速，成为水文气象灾害复合事件研究的主要统计建模方法。联合概率模型中最常见和典型的是copula模型，它是一种连接多维联合分布及其边缘分布的函数，也是一种灵活、稳健的非线性相关性分析工具。联合概率copula模型模拟主要分为两个部分：单变量(例如暴雨、风暴潮)的边缘分布模拟和关联性(例如暴雨-风暴潮)模拟。

3、随着气候变化的加剧，形成复合事件的变量都不再是一成不变的，它们都在气候变化或社会经济变化的作用下发生变化，且不仅自身会变化，它们之间的关联性也有可能发生变化，例如暴雨和风暴潮的相关性变得更强或更弱。

4、而现有的copula模型都是基于“一致性”假设的，即假设仅单一变量的边缘分布是时变的，或者仅变量之间的关联性是时变的，缺乏二者均变化的模型框架，只能模拟单一要素变化，或者只能模拟要素间关联性变化，无法模拟要素和关联性都变化的情况，因此，无法准确模拟气候变化下的复杂复合事件，例如暴雨和风暴潮共同作用下产生的洪水事件。

技术实现思路

1、为了解决上述技术问题，本技术提供一种水文气象灾害二维复合事件模拟方法、装置、设备及介质。

2、第一方面，本技术提供一种水文气象灾害二维复合事件模拟方法，采用如下的技术方案：

3、一种水文气象灾害二维复合事件模拟方法，包括：

4、采集水文气象灾害二维复合事件中两个变量时间序列数据；

5、对每个变量时间序列数据随时间变化以及所述两个变量时间序列数据之间的变化趋势进行量化，生成趋势量化结果；

6、基于所述趋势量化结果构建一致性和非一致性计算方法，确定每个变量时间序列数据的最佳拟合分布函数；

7、对每个变量时间序列数据自身的时变性以及所述两个变量时间序列数据之间的相关性进行检验，生成相关性检验结果；

8、基于所述相关性检验结果描述所述两个变量时间序列数据之间相关性的最佳copula函数；

9、基于所述最佳拟合分布函数以及最佳copula函数，构建所述两个变量时间序列数据的联合概率分布函数；

10、基于所述联合概率分布函数的联合超越概率的分位数确定所述水文气象灾害二维复合事件的重现期。

11、可选的，所述对每个变量时间序列数据自身的时变性以及所述两个变量时间序列数据之间的相关性进行检验，生成相关性检验结果包括：

12、结合kendall’s tau相关系数和spearman相关系数以及滚动窗口方法，对每个变量时间序列数据自身时变性以及所述两个变量时间序列数据之间的相关性进行检验，生成所述相关性检验结果；和/或，

13、所述基于所述相关性检验结果描述所述两个变量时间序列数据之间相关性的最佳copula函数包括：

14、若所述相关性检验结果为存在显著趋势，则假设一个时变参数，利用赤池信息准则和贝叶斯信息准则选取所述最佳copula函数；

15、若所述相关性检验结果为不存在显著趋势，则假设一个常数参数，利用赤池信息准则和贝叶斯信息准则选取所述最佳copula函数。

16、可选的，所述对每个变量时间序列数据随时间变化以及所述两个变量时间序列数据之间的变化趋势进行量化，生成趋势量化结果包括：

17、利用mann-kendall趋势检验法对显著性水平为0.05的每个变量时间序列数据的单调趋势进行描述，生成所述趋势量化结果；和/或，

18、所述基于所述趋势量化结果构建一致性和非一致性计算方法，确定每个变量时间序列数据的最佳拟合分布函数包括：

19、若所述趋势量化结果为不存在显著趋势，则假设概率分布模型的边缘分布参数不变，利用每个概率分布模型对每个变量时间序列数据进行拟合，得到每个变量时间序列数据的边缘分布函数，利用赤池信息准则和贝叶斯信息准则对每个变量时间序列数据的边缘分布函数进行评估，确定每个变量时间序列数据的最佳拟合分布函数；

20、若所述趋势量化结果为存在显著趋势，则创建多个不同非一致性假设的非平稳模型，利用通过最大似然估计方法和贝叶斯马尔可夫链蒙特卡罗方法拟合非平稳边缘分布以及估计参数，利用赤池信息准则和贝叶斯信息准则对每个变量时间序列数据的边缘分布函数进行评估，确定每个变量时间序列数据的最佳拟合分布函数。

21、可选的，设j表示一致性假设下的所述两个变量时间序列数据的联合概率分布函数，c表示由θc参数化的copula函数，所述联合概率分布函数通过以下公式计算：

22、j(x1,x2|θc)＝c(f1(x1|θ1),f2(x2|θ2)|θc)＝c(u,v|θc)；

23、式中，f1和f2表示两个变量时间序列数据x1和x2的最佳拟合边缘分布函数；θ1和θ2分别表示两个变量时间序列数据x1和x2的最佳拟合分布函数的估计参数；θc表示copula的参数；u和v表示将两个边缘分布均一化处理到(0,1)范围内的所对应的f1和f2的边缘概率。

24、可选的，设jt表示非一致性假设下的所述两个变量时间序列数据的联合概率分布函数，c表示由具有超参数θc0和θc1的控制的copula函数，两个最佳拟合边缘分布函数分别由θ1t和θ2t控制，所述联合概率分布函数通过以下公式计算：

25、

26、

27、式中，f1t和f2t表示两个变量时间序列数据x1t和x2t的最佳拟合边缘分布函数；θ1t和θ2t分别表示两个变量时间序列数据x1t和x2t的最佳拟合分布函数的估计参数；表示copula的参数；ut、vt表示转换到均匀分布u[0,1]下的两个非平稳边缘概率分布，t标识参数或变量随时间变化。

28、可选的，所述联合超越概率的分位数q(p)的计算公式为：

29、q(p)＝(x1＝f1-1(u|θ1),x2＝f2-1(v|θ2))；

30、式中，p＝c(u,v|θc)。

31、可选的，所述联合超越概率的分位数的计算公式为：

32、

33、式中，

34、第二方面，本技术提供一种水文气象灾害二维复合事件模拟装置，采用如下的技术方案：

35、一种水文气象灾害二维复合事件模拟装置，包括：

36、采集模块，用于采集水文气象灾害二维复合事件中两个变量时间序列数据；

37、趋势量化模块，用于对每个变量时间序列数据随时间变化以及所述两个变量时间序列数据之间的变化趋势进行量化，生成趋势量化结果；

38、第一确定模块，用于基于所述趋势量化结果构建一致性和非一致性计算方法，确定每个变量时间序列数据的最佳拟合分布函数；

39、相关性检验模块，用于对每个变量时间序列数据自身的时变性以及所述两个变量时间序列数据之间的相关性进行检验，生成相关性检验结果；

40、描述模块，用于基于所述相关性检验结果描述所述两个变量时间序列数据之间相关性的最佳copula函数；

41、构建模块，用于基于所述最佳拟合分布函数以及最佳copula函数，构建所述两个变量时间序列数据的联合概率分布函数；

42、第二确定模块，用于基于所述联合概率分布函数的联合超越概率的分位数确定所述水文气象灾害二维复合事件的重现期。

43、第三方面，本技术提供一种电子设备，采用如下的技术方案：

44、一种电子设备，包括存储器和处理器；所述存储器上存储有能够被所述处理器加载并执行第一方面任一项所述的方法的计算机程序。

45、第四方面，本技术提供一种计算机可读存储介质，采用如下的技术方案：

46、一种计算机可读存储介质，存储有能够被处理器加载并执行第一方面任一项所述的方法的计算机程序。

47、通过采用上述技术方案，构建了一种复合事件发生要素(变量)及其相互关系的非一致性量化copula算法框架，不仅能满足“仅”某一方(边缘分布或关联性)是时变的情况，还能满足两者均是时变的情况，即满足对这些非常数的参数估计，因此，能对暴雨-风暴潮遭遇下的洪水事件、高温-无雨遭遇下的干旱事件等气候变化下二维因子驱动的复合事件的频率及时空变化进行准确模拟。