在全球变暖和人类活动的背景下,降水在年内分布上发生了比较大的变化,对人民生产生活产生了巨大的影响,这一影响在城市化较高的地区尤为明显。基于多源降水数据(降水产品数据和气象站点数据)和夜间灯光数据,选定中国的长三角城市群作为...在全球变暖和人类活动的背景下,降水在年内分布上发生了比较大的变化,对人民生产生活产生了巨大的影响,这一影响在城市化较高的地区尤为明显。基于多源降水数据(降水产品数据和气象站点数据)和夜间灯光数据,选定中国的长三角城市群作为研究区域,将基尼系数(Gini Index,GI)作为降水集中度的指标,利用Theil-Sen Median斜率估计和Mann-Kendall显著性检验进行趋势分析,最后通过相关性分析探究城市化程度与降水集中度的关系。研究结果表明:(1)CHIRPS(Climate Hazards Group InfraRed Precipitation with Station Data)数据计算得到的GI与站点数据结果的均方根误差为0.036,远小于CMFD数据(0.067)和MSWEP数据(0.083)的结果,表明CHIRPS数据具有最佳的适用性;(2)长三角城市群的降水不均匀性从南向北逐渐增加,并在城市群中部和西部呈现出显著上升的趋势,研究区域内的降水年内分布将会朝着集中分布的方向发展,极端降水事件出现的可能性增加;(3)城市化对降水集中度主要起到促进作用,城市的快速发展使得降水不均匀性增强,并且在城市群内的南京市、无锡市和镇江市等地区更为显著,更有可能发生城市内涝等灾害。研究对于城市的防洪设计、城市道路排水管道的设计和城市防洪应急响应预案的编制具有参考意义。展开更多
水库的建设和运行使得水库下游流量发生了显著改变,为了在月径流模拟中充分考虑水库的调蓄作用,选择东江流域作为典型流域,使用粒子群算法优化的长短期神经网络(Particle Swarm Optimization-Long Short Term Memory,PSO-LSTM)对东江流...水库的建设和运行使得水库下游流量发生了显著改变,为了在月径流模拟中充分考虑水库的调蓄作用,选择东江流域作为典型流域,使用粒子群算法优化的长短期神经网络(Particle Swarm Optimization-Long Short Term Memory,PSO-LSTM)对东江流域的3个多功能水库枫树坝、新丰江、白盆珠水库的出流进行了模拟,并与传统的水库模型Level Pool Scheme(LPS)进行对比;使用三参数月度水文模型(Three-Parameter Monthly Hydrological Model Based on the Proportionality Hypothesis,TMPH)进行水库入流和区间来水模拟,与上述两种水库出流模型结合分别形成PSO-LSTM-TMPH和LPS-TMPH对东江流域重要站点龙川、河源、岭下、博罗进行预见期为一个月的径流模拟。结果表明:①PSO-LSTM在三大水库的模拟中效果均好于LPS,尤其在新丰江水库出流模拟中,在验证期的纳什效率系数(Nash-Sutcliffe Efficiency,NSE)、均方根误差(Root Mean Square Error,RMSE)分别为0.59、55.59 m^(3)/s,相比LPS提高了0.22,降低了17.01 m^(3)/s,说明该模型可以很好地捕捉多年调节水库复杂的水库出流规则;②PSO-LSTM-TMPH模拟龙川站、河源站、岭下站、博罗站径流的NSE为0.87,0.86,0.91,0.93,相比LPS-TMPH,NSE提高了0.09、0.21、0.07、0.03;③在测试期内,PSO-LSTM-TMPH水库出流模拟效果仍然较好,相比训练期、验证期模拟效果差异小,说明模型的模型泛化能力较强。研究建立的PSOLSTM-TMPH混合模型可以结合深度学习和物理模型各自的优势,适用于人类活动干扰下的径流模拟,可为优化水资源利用、实施干旱调度等提供技术支撑。展开更多
文摘在全球变暖和人类活动的背景下,降水在年内分布上发生了比较大的变化,对人民生产生活产生了巨大的影响,这一影响在城市化较高的地区尤为明显。基于多源降水数据(降水产品数据和气象站点数据)和夜间灯光数据,选定中国的长三角城市群作为研究区域,将基尼系数(Gini Index,GI)作为降水集中度的指标,利用Theil-Sen Median斜率估计和Mann-Kendall显著性检验进行趋势分析,最后通过相关性分析探究城市化程度与降水集中度的关系。研究结果表明:(1)CHIRPS(Climate Hazards Group InfraRed Precipitation with Station Data)数据计算得到的GI与站点数据结果的均方根误差为0.036,远小于CMFD数据(0.067)和MSWEP数据(0.083)的结果,表明CHIRPS数据具有最佳的适用性;(2)长三角城市群的降水不均匀性从南向北逐渐增加,并在城市群中部和西部呈现出显著上升的趋势,研究区域内的降水年内分布将会朝着集中分布的方向发展,极端降水事件出现的可能性增加;(3)城市化对降水集中度主要起到促进作用,城市的快速发展使得降水不均匀性增强,并且在城市群内的南京市、无锡市和镇江市等地区更为显著,更有可能发生城市内涝等灾害。研究对于城市的防洪设计、城市道路排水管道的设计和城市防洪应急响应预案的编制具有参考意义。
文摘水库的建设和运行使得水库下游流量发生了显著改变,为了在月径流模拟中充分考虑水库的调蓄作用,选择东江流域作为典型流域,使用粒子群算法优化的长短期神经网络(Particle Swarm Optimization-Long Short Term Memory,PSO-LSTM)对东江流域的3个多功能水库枫树坝、新丰江、白盆珠水库的出流进行了模拟,并与传统的水库模型Level Pool Scheme(LPS)进行对比;使用三参数月度水文模型(Three-Parameter Monthly Hydrological Model Based on the Proportionality Hypothesis,TMPH)进行水库入流和区间来水模拟,与上述两种水库出流模型结合分别形成PSO-LSTM-TMPH和LPS-TMPH对东江流域重要站点龙川、河源、岭下、博罗进行预见期为一个月的径流模拟。结果表明:①PSO-LSTM在三大水库的模拟中效果均好于LPS,尤其在新丰江水库出流模拟中,在验证期的纳什效率系数(Nash-Sutcliffe Efficiency,NSE)、均方根误差(Root Mean Square Error,RMSE)分别为0.59、55.59 m^(3)/s,相比LPS提高了0.22,降低了17.01 m^(3)/s,说明该模型可以很好地捕捉多年调节水库复杂的水库出流规则;②PSO-LSTM-TMPH模拟龙川站、河源站、岭下站、博罗站径流的NSE为0.87,0.86,0.91,0.93,相比LPS-TMPH,NSE提高了0.09、0.21、0.07、0.03;③在测试期内,PSO-LSTM-TMPH水库出流模拟效果仍然较好,相比训练期、验证期模拟效果差异小,说明模型的模型泛化能力较强。研究建立的PSOLSTM-TMPH混合模型可以结合深度学习和物理模型各自的优势,适用于人类活动干扰下的径流模拟,可为优化水资源利用、实施干旱调度等提供技术支撑。
