一种耦合预白化处理的水文时间序列创新趋势识别方法

本发明属于水文气候科学，具体指代一种耦合预白化处理的水文时间序列创新趋势识别方法。

背景技术：

1、准确揭示水文气候过程的演变特征、掌握其未来演变情势，是科学评估与合理应对气候变化影响的基本依据和必要前提。趋势作为描述变量变化的一个重要指标，被广泛用于描述水文气候过程的长期演变特征。目前用于趋势检测的许多方法被相继提出，包括滑动平均法、mann-kendall检验法、spearman秩次相关分析、最小二乘法、sen’s斜率估计和线性回归方法等；上述方法主要适用于检测时间序列的单调趋势，每种方法都有自己的前提假设和要求，如样本数据的分布形式、同质性、相关性和样本长度等；然而，实际观测水文时间序列通常无法满足这些假设条件和要求，导致趋势检测的结果往往存在较大偏差。

2、为更准确地检测与评估水文气象要素的趋势演变特征，非参数检验方法受到广大研究者的青睐，因为其不要求数据序列服从正态分布，但是独立性是该类趋势检测方法的先决条件。在实践中，观测到的水文气象时间序列通常表现出明显的自相关特征，如流量、温度、水质和降水序列，这违背了独立性假设，会导致这类方法高估趋势的显著性。为了克服独立性的限制，一种不受序列相关性和分布类型限制的创新趋势分析方法(ita)被提出，该方法可以通过图形描述来可视化时间序列的趋势，其不仅可以从整体上观察时间序列的趋势，还可以研究不同数据范围的趋势，如低值、中值和高值范围。

3、然而，ita方法的显著性检验公式仍然依赖于独立性假设；此外，ita方法中对子序列均值的标准差进行了不合理的数学推导，这将导致对趋势显著性的高估。一些研究试图改进ita方法；例如，bootstrap_ita方法应用bootstrap方法计算ita检验统计量的趋势临界值，但无法准确公式化；基于方差校正分析的ita方法(vca_ita)通过校正方差以提高趋势检验的准确性，但其不仅涉及模型的选择和参数的估计，还需要对原始时间序列进行一些假设和转换，存在较大不确定性；cov_ita方法采用协方差对ita中的临界趋势公式进行了改进，但其有效性有待进一步验证。

4、一般来说，预白化和方差校正是消除时间序列自相关和确保独立性的两种有效方法。相比之下，前者应用更为广泛。常用的预白化方法包括普通预白化、去趋势预白化、迭代预白化和方差校正预白化等。这些方法已成功地与mk检验相结合，以提高趋势检测的准确性。然而，ita方法也受到序列相关性影响，但目前没有将预白化方法与ita方法相结合的研究尝试。总之，通过消除序列相关性的影响，是准确识别并科学评估水文气候过程趋势特征的重要前提。

技术实现思路

1、针对于上述现有技术的不足，本发明的目的在于提供一种耦合预白化处理的水文时间序列创新趋势识别方法，以解决现有技术中忽略时间序列相关性对趋势识别和显著性评估的影响，导致无法准确识别水文气候时间序列的趋势类型与显著性的难题。

2、为达到上述目的，本发明采用的技术方案如下：

3、本发明的一种耦合预白化处理的水文时间序列创新趋势识别方法，步骤如下：

4、1)利用sen's斜率估计法求解原始水文时间序列xt的趋势斜率βdata；

5、2)使用方差校正预白化方法对原始水文时间序列xt进行预白化处理，得到预白化时间序列

6、3)对预白化时间序列长度进行二等分，并对每个等分序列进行升序排列；将前半部分升序排列序列的数值作为横坐标，将后半部分升序排列序列的数值作为纵坐标，在笛卡尔坐标系中绘制散点图；

7、4)根据散点图，识别原始水文时间序列xt的趋势所属的类型；

8、5)计算散点图绘制的直线趋势斜率s：

9、

10、其中，和分别为时间序列xt二等分后前半部分的算术平均值和后半部分的算术平均值，n为时间序列xt的长度；

11、6)计算检验统计量zita判断趋势的显著性：

12、

13、其中，σs为散点图绘制的直线趋势斜率s的标准差，其中σ表示原始水文时间序列xt的标准差；设定显著性水平α，将检验统计量zita与显著性水平α下的标准正态变量zα/2进行比较，若|zita|>zα/2，则表示水文时间序列xt的趋势在显著性水平α上是显著的；否则，认为趋势在显著性水平α上是不显著的。

14、进一步地，所述步骤1)具体包括：

15、11)对原始水文时间序列xt进行排序，再针对每一个点对(xi,xj)计算斜率g：

16、g＝(xj-xi)/(j-i)

17、其中，i和j分别为原始水文时间序列xt中的序号，i<j；

18、12)对计算得到的所有斜率进行排列；

19、13)斜率排序后的中位数为最终的趋势斜率βdata；若点对的个数为偶数，则取中间两个斜率的平均值作为最终的趋势斜率βdata。

20、进一步地，所述步骤2)具体包括：

21、21)从原始水文时间序列xt中去除趋势成分βdatat，得到去趋势时间序列adetr，adetr＝xt-βdatat；

22、22)从去趋势时间序列adetr中去除自相关特性得到去趋势预白化时间序列

23、23)生成改进的去趋势预白化时间序列其中和分别为去趋势时间序列adetr和去趋势预白化时间序列的方差；

24、24)修正趋势斜率βdata，得到修正后的趋势斜率如果通过方差膨胀因子vif计算趋势斜率否则，

25、25)将修正后的趋势成分与改进的去趋势预白化时间序列相加，得到最终的预白化时间序列

26、进一步地，所述步骤3)具体包括：

27、若预白化时间序列长度为奇数，则先舍去第一个数值后对序列长度进行二等分；若预白化时间序列长度为偶数，则将预白化时间序列等分为两部分；再对每个等分序列进行升序排列，将前半部分升序排列的时间序列的数值作为横坐标，将后半部分升序排列的时间序列的数值作为纵坐标，在笛卡尔坐标系中绘制散点图，并绘制45°斜线。

28、进一步地，所述步骤4)具体包括：

29、41)若散点图中的散点分布在45°斜线的上方，则判定为单调上升趋势；

30、42)若散点图中的散点分布在45°斜线的下方，则判定为单调下降趋势；

31、43)若散点图中的散点分布在45°斜线上，则判定为无趋势；

32、44)若散点图中的大部分散点分布在45°斜线的上方，小部分散点分布在45°线上或其下方则判定为非单调上升趋势；

33、45)若散点图中的大部分散点分布在45°斜线的下方，小部分散点分布在45°线上或其上方则判定为非单调下降趋势；

34、46)若散点图中的散点分布情况不能分辨，则根据步骤6)中的检验统计量zita的正负号得出原始水文时间序列xt为上升趋势或下降趋势。

35、本发明的有益效果：

36、本发明更正了创新趋势分析(ita)方法在趋势检验过程中的数学公式推导错误，并证明了公式更正的必要性和有效性。

37、本发明针对ita方法仍然受到时间序列相关性的影响，采取将更正后的ita方法与预白化方法进行耦合的方式，消除序列相关性对趋势识别与显著性评估的影响，实现对水文气候时间序列趋势的准确识别和评估，从而为水文气候时间序列分析与模拟预测等工作提供科学依据。