一种基于EEMD方法对气象输入数据频率分解的统计降尺度方法

本发明涉及气象与水文交叉，特别涉及一种基于eemd方法对气象输入数据频率分解的统计降尺度方法。

背景技术：

1、随着全球气候变暖，越来越多的决策者和学者加大了对流域未来水文条件的预测和评估的关注度。目前，对流域未来水文条件的预测和评估方法可分为数据驱动的时间序列自相关方法和过程驱动的流域降雨-径流模型两种，数据驱动的时间序列自相关方法模型以建立输入输出数据之间的最优数学关系为基础预测未来径流，基本不考虑水文过程的物理机制，预测结果往往具有较高的不确定性和较弱的空间拓展性；过程驱动的流域降雨-径流模型则以水文学概念为基础，利用水文模型对径流的产流过程与河道演进过程进行模拟，可以有效补充数据驱动方法模型的不足。

2、在预测流域水文条件时，气象数据输入是水文模型必不可少的驱动数据，因此将气象数据应用于中长期水文条件预测时，必须与气候预报相结合。在21世纪末，coupledmodel intercomparison project(cmip)利用general circulation model(gcm)提供了全球空间尺度的现成气候变化预测，在利用gcm对全球空间尺度的气候变化预测时，由于计算资源和输入数据的限制，局地尺度的气候特征通常不能在模型中完全表示，因此，gcm的水文预测并不能适用于地方规划的需要。

3、统计降尺度，也称为经验降尺度，是由大尺度气候信息获取小尺度气候信息的有力工具，统计降尺度为有效提高cmip输出数据时空分辨率提供一种新手段。然而，现有的方法在进行水文条件预测与评估的过程中，仍会存在以下几点缺陷：

4、1、由于气象要素包含趋势、季节性和周期性中一种或多种成分的非平稳时间序列，且每一种成分的主要影响因素都可能不同，若直接建立小尺度气象因子与大尺度气候因子的关系会存在难以捕捉真实的影响因素或其特征的问题，最终导致拟合效果较差；

5、2、常规的统计降尺度以回归法(regression，r)和天气发生器法(weathergenerator，wg)为主，分别采用空间降尺度和时间降尺度。传统的wg一般采用线性回归或多元线性回归作为统计模型，目前已有多项研究表明，小尺度气象因子与大尺度气候因子并非完全的线性关系，因此，传统的wg无法准确描述复杂的非线性气候过程；同时，wg通常用于从月到日的时间降尺度，但wg方法是基于频率的随机过程模拟，此过程会导致同一个流域中的多个原本具有强相关性的站点数据丧失相关性。

6、3、利用gcm模型输出对水文条件预测时，由于gcm模型参数和结构的差异，不同的gcm会给出不同的预测结果，为避免基于少量或单一gcm的未来预测具有较高的不确定性的问题，传统方法常采用对多个gcm输出的多个预测结果取平均值的方法尝试降低不确定性。但是，由于多个gcm间输出结果与实测的一致性差异较大，直接将性能较低的模型的预测结果引入求平均值可能导致最终结果的严重误差。

技术实现思路

1、针对上述已有技术中存在的缺陷，本发明的目的在于提供一种基于集合经验模态分解(ensemble empirical mode decomposition，eemd)方法对气象输入数据频率分解的统计降尺度方法，通过eemd方法将气象要素的非平稳时间序列拆分为多个单分量信号，降低其他成分的干扰，同时利用深层神经网络(multi-layerperceptron，mlp)方法和洗牌算法(shuffle procedure，sp)方法分别解决非线性问题和相关性丧失的问题，再以贝叶斯模型平均(bayes model averaging，bma)方法根据模拟与实测数据的一致性自适应赋值每个gcm的权重，从而减小多个gcm间差异较大产生的误差问题，以解决以上背景技术中存在的问题。

2、本发明的上述技术目的是通过以下技术方案得以实现的：

3、一种基于eemd方法对气象输入数据频率分解的统计降尺度方法，包括以下步骤：

4、s1：获取站点的被预测因子与原始预测因子并进行时间序列匹配；

5、s2：通过eemd方法对被预测因子和原始预测因子进行频率分解，分别获取趋势imf、季节循环imf、周期imf和残差imf；

6、s3：利用mlp模型分别构建被预测因子的趋势imf预测模型、季节循环imf预测模型、周期im预测模型和残差imf预测模型；分别以原始预测因子、全部频率预测因子imf、对应频率预测因子imf及其组合作为输入率定上述预测模型，将r2最高的预测模型作为对应被预测因子的校正模型，应用筛选后的校正模型获得多个gcm输出数据集合；

7、s4：基于bma方法对获得的多个gcm输出数据集合进行加权平均，作为空间降尺度模型；

8、s5：构建swg，将步骤s4中空间降尺度模型输出的月尺度数据降为日尺度数据；

9、s6：通过sp方法重构多个站点间日尺度数据的相关性，作为时间降尺度模型；

10、s7：利用步骤s5～s6中日尺度数据驱动swat模型，模拟不同时期的流域水文过程。

11、优选地，在步骤s1中，将站点的日尺度气象数据聚合到月尺度作为被预测因子，获取cmip6中的月尺度气象数据作为原始预测因子，并将二者进行时间序列匹配。

12、优选地，在步骤s2中，分别对步骤s1中获得的原始预测因子和被预测因子的时间序列进行标准化，在设置随机种子的基础上，应用eemd方法分别对被预测因子和原始预测因子进行自适应分解。

13、优选地，步骤s3中，获得多个gcm输出数据集合的具体过程为：

14、s31：将步骤s2获得的预测因子和被预测因子的周期imf、季节循环imf、趋势imf和残差imf分别组合，生成输入特征因子集；

15、s32：对各频率被预测因子分别构建基于mlp的气象数据校正模型；

16、s33：将步骤s31的输入特征因子集的50％作为模型输入，分别代入mlp的气象数据校正模型中，保留r2最高的模型及特征因子集作为该频率被预测因子的校正模型；

17、s34：将经步骤s33筛选后的特征因子集的100％输入校正模型，所得各频率数据相加，获得输出气象数据；

18、s35：以不同gcm作为输入重复步骤s31～s34，获得多个gcm空间降尺度输出数据集合。

19、优选地，在步骤s4中，以bma的r2为目标函数，对步骤s3得到的输出数据集合中的各gcm空间降尺度赋值权重，使得输出数据集合的加权平均值与气象站观测数据的r2最低，将此加权平均值作为月尺度气象输入降尺度数据。

20、优选地，在步骤s5中，通过mc方法和fft方法构建swg的过程如下：

21、s51：对降水数据进行降尺度

22、1)基于mc方法，以历史气象站实测数据作为输入，分别构建干干、干湿、湿湿、湿干转移概率矩阵，并预测未来日尺度降水状态序列；

23、2)对各月分别拟合历史降水强度概率分布，对所有降水日应用概率分布模拟降水强度；

24、s52：对气温数据进行降尺度

25、基于fft方法，以历史气象站实测数据作为输入，生成考虑降水状态的最高气温和最低气温的平均和标准差的傅里叶估计；

26、s53：对循环变量进行降尺度

27、s54：对随机变量进行降尺度；

28、经步骤s51～s54，得到时间降尺度后的气象输入数据集。

29、优选地，在步骤s7中，在历史时期基于地面观测站河川流量实测数据率定和验证swat模型，将多个gcm未来情景数据按照步骤s1～s6处理后，获得未来情景日尺度气象输入数据，应用未来情景日尺度气象输入数据驱动率定和验证后的swat模型，预测未来情景水文过程。

30、本发明所采用的技术方案的有益效果为：

31、1、本发明首次提出预测因子的不同频率imf间不仅存在主要影响因子的差异，还存在影响因子频率的差异，利用eemd方法将小尺度气象因子和大尺度气候因子的时间序列拆分为包括趋势、季节循环、周期等多个单分量信号，使每一个分量信号只包含一种成分，可有效减少其他成分的干扰，显著提升回归的优度和拟合效果。

32、2、针对传统空间降尺度方法无法解释非线性关系与wg方法站点数据丧失相关性问题，本发明通过mlp模型构建被预测因子的多个对应的imf模型，并以不同频率预测因子及其组合作为输入率定模型，通过相关性系数最高筛选出对应被预测因子的预测模型，从而解决非线性问题；通过sp方法重构多个站点间日尺度数据的相关性，从而解决因频率随机模拟导致的站点相关性丧失问题。

33、3、本发明采用bma方法对多个gcm输出集合进行加权平均，能够根据模拟与实测数据的一致性自适应赋值各个gcm的权重，克服传统方法对多个预测结果直接求算术平均存在的严重误差，降低预测结果的不确定性。

34、4、本发明提出的方法是第一个完整的cmip数据站点统计降尺度的方法，相对于传统的降尺度方法而言，全面考虑了小尺度气象数据的非平稳时间序列问题、非线性问题、低性能gcm误差较大问题及随机过程导致相关性丧失问题等，有效提高cmip未来预测的精度，降低其不确定性，并可直接驱动局地尺度的水文模型模拟未来水文过程。