極端降水研究方法

『壹』 極端強降水發生的原因有哪些

『貳』 極端氣溫、降雨-洪水模型(BP神經網路)的建立

極端氣溫、降雨與洪水之間有一定的聯系。根據1958～2007年廣西西江流域極端氣溫、極端降雨和梧州水文站洪水數據，以第5章相關分析所確定的顯著影響梧州水文站年最大流量的測站的相應極端氣候因素(表4.22)為輸入，建立人工神經網路模型。

4.5.1.1 BP神經網路概述

(1)基於BP演算法的多層前饋網路模型

採用BP演算法的多層前饋網路是至今為止應用最廣泛的神經網路，在多層的前饋網的應用中，如圖4.20所示的三層前饋網的應用最為普遍，其包括了輸入層、隱層和輸出層。

圖4.20 典型的三層BP神經網路結構

在正向傳播中，輸入信息從輸入層經隱含層逐層處理，並傳向輸出層。如果輸出層不能得到期望的輸出結果，則轉入反向傳播，將誤差信號沿原來的連同通路返回，通過修改各層神經元的權值，使得誤差最小。BP演算法流程如圖4.21所示。

圖4.21 BP演算法流程圖

容易看出，BP學習演算法中，各層權值調整均由3個因素決定，即學習率、本層輸出的誤差信號以及本層輸入信號y(或x)。其中，輸出層誤差信號同網路的期望輸出與實際輸出之差有關，直接反映了輸出誤差，而各隱層的誤差信號與前面各層的誤差信號都有關，是從輸出層開始逐層反傳過來的。

1988年，Cybenko指出兩個隱含層就可表示輸入圖形的任意輸出函數。如果BP網路只有兩個隱層，且輸入層、第一隱含層、第二隱層和輸出層的單元個數分別為n，p，q，m，則該網路可表示為BP(n，p，q，m)。

(2)研究區極端氣溫、極端降雨影響年最大流量過程概化

極端氣溫、極端降雨影響年最大流量的過程極其復雜，從極端降雨到年最大流量，中間要經過蒸散發、分流、下滲等環節，受到地形、地貌、下墊面、土壤地質以及人類活動等多種因素的影響。可將一個極端氣候-年最大流量間復雜的水過程概化為小尺度的水系統，該水系統的主要影響因子可通過對年最大流量影響顯著的站點的極端氣溫和極端降雨體現出來，而其中影響不明顯的站點可忽略，從而使問題得以簡化。

BP神經網路是一個非線形系統，可用於逼近非線形映射關系，也可用於逼近一個極為復雜的函數關系。極端氣候-年最大流量水系統是一個非常復雜的映射關系，可將之概化為一個系統。BP神經網路與研究流域的極端氣候-年最大流量水系統的結構是相似的，利用BP神經網路，對之進行模擬逼近。

(3)隱含層單元數的確定

隱含層單元數q與所研究的具體問題有關，目前尚無統一的確定方法，通常根據網路訓練情況採用試錯法確定。在訓練中網路的收斂採用輸出值Y_kp與實測值t_p的誤差平方和進行控制

變環境條件下的水資源保護與可持續利用研究

作者認為，雖然現今的BP神經網路還是一個黑箱模型，其參數沒有水文物理意義，在本節的研究過程中，將嘗試著利用極端氣候空間分析的結果來指導隱含層神經元個數的選取。

(4)傳遞函數的選擇

BP神經網路模型演算法存在需要較長的訓練時間、完全不能訓練、易陷入局部極小值等缺點，可通過對模型附加動量項或設置自適應學習速率來改良。本節採用MATLAB工具箱中帶有自適應學習速率進行反向傳播訓練的traingdm()函數來實現。

(5)模型數據的歸一化處理

由於BP網路的輸入層物理量及數值相差甚遠，為了加快網路收斂的速度，使網路在訓練過程中易於收斂，對輸入數據進行歸一化處理，即將輸入的原始數據都化為0～1之間的數。本節將年極端最高氣溫的數據乘以0.01;將極端最低氣溫的數據乘以0.1;年最大1d、3d、7d降雨量的數據乘以0.001;梧州水文站年最大流量的數據乘以0.00001，其他輸入數據也按類似的方法進行歸一化處理。

(6)年最大流量的修正

梧州水文站以上的流域集水面積為32.70萬km²，廣西境內流域集水面積為20.24萬km²，廣西境內流域集水面積占梧州水文站以上的流域集水面積的61.91%。因此，選取2003～2007年梧州水文站年最大流量和紅水河的天峨水文站年最大流量，分別按式4.10計算每年的貢獻率(表4.25)，取其平均值作為廣西西江流域極端降雨對梧州水文站年最大流量的平均貢獻率，最後確定平均貢獻率為76.88%。

變環境條件下的水資源保護與可持續利用研究

表4.25 2003～2007年極端降雨對梧州水文站年最大流量的貢獻率

建立「年極端氣溫、降雨與梧州年最大流量模型」時，應把平均貢獻率與梧州水文站年最大流量的乘積作為模型輸入的修正年最大流量，而預測的年最大流量應該為輸出的年最大流量除以平均貢獻率76.88%，以克服極端氣溫和降雨研究范圍與梧州水文站集水面積不一致的問題。

4.5.1.2年極端氣溫、年最大1d降雨與梧州年最大流量的BP神經網路模型

(1)模型的建立

以1958～1997年年極端最高氣溫、年極端最低氣溫、年最大1d降雨量與梧州水文站年最大流量作為學習樣本擬合、建立「年極端氣溫、年最大1d降雨-梧州年最大流量BP神經網路模型」。以梧州氣象站的年極端最高氣溫，桂林、欽州氣象站的年極端最低氣溫，榜圩、馬隴、三門、黃冕、沙街、勾灘、天河、百壽、河池、貴港、金田、平南、大化、桂林、修仁、五將雨量站的年最大1d降雨量為輸入，梧州水文站年最大流量為輸出，隱含層層數取2，建立(19，p，q，1)BP神經網路模型，其中神經元數目p，q經試算分別取16和3，第一隱層、第二隱層的神經元採用tansig傳遞函數，輸出層的神經元採用線性傳遞函數，訓練函數選用traingdm，學習率取0.1，動量項取0.9，目標取0.0001，最大訓練次數取200000。BP網路模型參數見表4.26，結構如圖4.22所示。

圖4.22年極端氣溫、年最大1d降雨-梧州年最大流量BP模型結構圖

表4.26 BP網路模型參數一覽表

從結構上分析，梧州水文站年最大流量產生過程中，年最高氣溫、年最低氣溫和各支流相應的流量都有其閾值，而極端氣溫和極端降雨是其輸入，年最大流量是其輸出，這類似於人工神經元模型中的閾值、激活值、輸出等器件。輸入年最大1d降雨時選用的雨量站分布在14條支流上(表4.27)，極端降雨發生後，流經14條支流匯入梧州，在這一過程中極端氣溫的變化影響極端降雨的蒸散發，選用的雨量站分布在年最大1d降雨四個自然分區的Ⅱ、Ⅲ、Ⅳ3個區。該過程可與BP神經網路結構進行類比(表4.28)，其中， 14條支流相當於第一隱含層中的14個神經元，年最高氣溫和年最低氣溫相當於第一隱含層中的2個神經元，年最大1d降雨所在的3個分區相當於第二隱含層的3個神經元，年最高氣溫、年最低氣溫的影響值和各支流流量的奉獻值相當於隱含層中人工神經元的閾值，從整體上來說，BP神經網路的結構已經灰箱化。

表4.27 選用雨量站所在支流一覽表

表4.28 BP神經網路構件物理意義一覽表

(2)訓練效果分析

訓練樣本為40個，經過113617次訓練，達到精度要求。在命令窗口執行運行命令，網路開始學習和訓練，其訓練過程如圖4.23所示，訓練結果見表4.29和圖4.24。

表4.29年最大流量訓練結果

圖4.23 神經網路訓練過程圖

圖4.24年最大流量神經網路模型訓練結果

從圖4.26可知，訓練後的BP網路能較好地逼近給定的目標函數。從訓練樣本檢驗結果(表4.5)可得:1958～1997年40年中年最大流量模擬值與實測值的相對誤差小於10%和20%的分別為39年，40年，合格率為100%。說明「年極端氣溫、年最大1d降雨- 梧州年最大流量預測模型」的實際輸出與實測結果誤差很小，該模型的泛化能力較好，模擬結果較可靠。

(3)模型預測檢驗

把1998～2007年梧州氣象站的年極端最高氣溫，桂林、欽州氣象站的年極端最低氣溫，榜圩、馬隴、三門、黃冕、沙街、勾灘、天河、百壽、河池、貴港、金田、平南、大化、桂林、修仁、五將雨量站的年最大1d降雨量輸入到「年極端氣溫、年最大1d降雨梧州年最大流量BP神經網路模型」。程序運行後網路輸出預測值與已知的實際值進行比較，其預測檢驗結果見圖4.25，表4.30。

圖4.25年最大流量神經網路模型預測檢驗結果

表4.30 神經網路模型預測結果與實際結果比較

從預測檢驗結果可知:1998～2007年10年中年最大流量模擬值與實測值的相對誤差小於20%的為9年，合格率為90%，效果較好。

4.5.1.3年極端氣溫、年最大7d降雨與梧州年最大流量的BP神經網路模型

(1)模型的建立

以1958～1997年年極端最高氣溫、年極端最低氣溫、年最大7d降雨量和梧州水文站年最大流量作為學習樣本來擬合、建立「年極端氣溫、年最大7d降雨- 梧州年最大流量BP神經網路模型」。以梧州氣象站的年極端最高氣溫，桂林、欽州氣象站的年極端最低氣溫，鳳山、都安、馬隴、沙街、大湟江口、大安、大化、陽朔、五將雨量站的年最大7d降雨量為輸入，梧州水文站年最大流量為輸出，隱含層層數取2，建立(12，p，q，1)BP神經網路模型，其中，神經元數目p，q經試算分別取10和4，第一隱層、第二隱層的神經元採用tansig傳遞函數，輸出層的神經元採用線性傳遞函數，訓練函數選用traingdm，學習率取0.1，動量項取0.9，目標取0.0001，最大訓練次數取200000。BP網路模型參數見表4.31，結構如圖4.26所示。

表4.31 BP網路模型參數一覽表

圖4.26年極端氣溫、年最大7d降雨-梧州年最大流量BP模型結構圖

本節輸入年最大7d降雨時選用的雨量站分布在8條支流上(表4.32)，在發生極端降雨後，流經8條支流匯入梧州，在這一過程中極端氣溫的變化影響極端降雨的蒸散發，且選用的雨量站分布在年最大7d降雨四個自然分區的Ⅰ、Ⅱ、Ⅲ、Ⅳ4個區中。該過程可與BP神經網路結構進行類比(表4.33)，其中，8條支流相當於第一隱含層中的8個神經元，年最高氣溫和年最低氣溫相當於第一隱含層中的2個神經元，年最大7d降雨所在的4個分區相當於第二隱含層的4個神經元，整體上來說，BP神經網路的結構已經灰箱化。

表4.32 選用雨量站所在支流一覽表

表4.33 BP神經網路構件物理意義一覽表

(2)訓練效果分析

訓練樣本為40個，經過160876次的訓練，達到精度要求，在命令窗口執行運行命令，網路開始學習和訓練，其訓練過程如圖4.27所示，訓練結果見表4.34，圖4.28。

圖4.27 神經網路訓練過程圖

表4.34年最大流量訓練結果

圖4.28年最大流量神經網路模型訓練結果

從圖4.28可知，訓練後的BP網路能較好地逼近給定的目標函數。由訓練樣本檢驗結果(表4.34)可得:1958～1997年40年中年最大流量模擬值與實測值的相對誤差小於10%和20%的，分別為38年、40年，合格率為100%。說明「年極端氣溫、年最大7d降雨-梧州年最大流量BP神經網路模型」的泛化能力較好，模擬的結果較可靠。

(3)模型預測檢驗

把1998～2007年梧州氣象站的年極端最高氣溫，桂林、欽州氣象站的年極端最低氣溫，鳳山、都安、馬隴、沙街、大湟江口、大安、大化、陽朔、五將雨量站的年最大7d降雨量輸入到「年極端氣溫、年最大7d降雨- 梧州年最大流量BP神經網路模型」。程序運行後網路輸出預測值與已知的實際值進行比較，其預測結果見圖4.29和表4.35。

圖4.29年最大流量神經網路模型預測檢驗結果

表4.35 神經網路模型預測結果與實際結果比較

由預測檢驗結果可知:1998～2007年10年中年最大流量模擬值與實測值的相對誤差小於20%的為7年，合格率為70%，效果較好。

4.5.1.4 梧州年最大流量-年最高水位的BP神經網路模型

(1)模型的建立

以1941～1997年梧州水文站的年最大流量與年最高水位作為學習樣本來擬合、建立梧州水文站的「年最大流量-年最高水位BP神經網路模型」。以年最大流量為輸入，年最高水位為輸出，隱含層層數取1，建立(1，q，1)BP神經網路模型，其中，神經元數目q經試算取7，隱含層、輸出層的神經元採用線性傳遞函數，訓練函數選用traingdm，學習率取0.1，動量項取0.9，目標取0.00001，最大訓練次數取200000。BP網路模型參數見表4.36，結構如圖4.30所示。

表4.36 BP網路模型參數一覽表

圖4.30 梧州年最大流量—年最高水位BP模型結構圖

廣西西江流域主要河流有南盤江、紅水河、黔潯江、鬱江、柳江、桂江、賀江。7條主要河流相當於隱含層中的7個神經元(表4.37)，整體上來說，BP神經網路的結構已經灰箱化。

表4.37 BP神經網路構件物理意義一覽表

(2)訓練效果分析

訓練樣本為57個，經過3327次訓練，誤差下降梯度已達到最小值，但誤差為3.00605×10^-5，未達到精度要求。在命令窗口執行運行命令，網路開始學習和訓練，其訓練過程如圖4.31所示，訓練結果見圖4.32和表4.38。

表4.38年最高水位訓練結果

從圖4.32和表4.19可看出，訓練後的BP網路能較好地逼近給定的目標函數。對於訓練樣本，從檢驗結果可知:1941～1997年57年中年最高水位模擬值與實測值的相對誤差小於10%和20%的分別為56a，57a，合格率為100%。說明「年最大流量-年最高水位BP神經網路模型」的實際輸出與實測結果誤差很小，該模型的泛化能力較好，模擬的結果比較可靠。

圖4.31 神經網路訓練過程圖

圖4.32年最高水位神經網路模型訓練結果

(3)模型預測檢驗

把1998～2007年梧州水文站年最大流量輸入到「年最大流量-年最高水位BP神經網路模型」。程序運行後網路輸出預測值與已知的實際值進行比較，其預測結果見圖4.33，表4.39。

表4.39 神經網路模型預測結果與實際結果比較

從預測檢驗結果可知:1998～2007年10年中，年最高水位模擬值與實測值的相對誤差小於20%的為10年，合格率為100%，效果較好。

圖4.33年最高水位量神經網路模型預測檢驗結果

『叄』 極端氣候事件有哪些研究方法

極端氣候事件定義：

極端氣候事件通常對社會經濟和自然環境產生重要影響。極端氣候事件是一定時期內發生的有一定強度或頻率較低的，對社會經濟會產生嚴重影響的事件。

極端氣候事件研究方法：

（1）絕對閾值法。選擇某一氣象要素的值高於或低於某一特定值的方法，如日最高氣溫大於等於35℃。

（2）百分位法。把一組按大小排列的數據分為100等分，選取某個長期序列的固定百分位值作為閾值，如取第5個或第25個百分位數，超過這個閾值的值被認為是極端值，該事件被認為是極端事件。

（3）歷史排位法。根據監測值得歷史變化序列進行排序，挑選出當年值在序列中所處位置，如1986年以來最高氣溫等。

（4）廣義極值分布法。極值分布指氣候要素中最大值或最小值的概率分布。近年來，廣義極值分布理論在極端氣候事件的監測中得到了廣泛的應用。

『肆』 極端降水事件的閾值如何確定

IPCC報告是以日降水資料排序的第95%位為閾值，稱為百分位法。當然百分位的定義也可以位90%，97.5%，具體的話可以看不同地區和不同的研究對象定義。

『伍』 研究揭示珠江流域近60年極端降水時空變化特徵

日前，省科學院廣州地理研究所粵港澳大灣區城市群生態系統觀測研究站水資源研究團隊徐飛等通過分析珠江流域57個氣象站點1960-2018年間逐日降水量資料，利用12個極端降水指標揭示了極端降水時空變化。研究發現：

（1）最大1天降水量（RX1day）和連續5天最大降水量（RX5day）不顯著增加，降水強度（SDII）以0.18mm/day的速率顯著增強。下雨天數（NW）、中雨日數（R10mm）、持續濕潤日數（CWD）顯著減少（圖1）。

圖1 1960-2018年珠江流域極端降水量和極端降水天數變化特徵

（2）珠江流域極端降水指標空間差異較大，西部上游地區的大多數極端降水指標呈現下降趨勢，而流域下游，特別是環大灣區地區呈增加趨勢。此外，流域呈負趨勢的台站數量超過正趨勢的台站數量，主要集中在中西部中上游地區（圖2）。

圖2 1960-2018年珠江流域非常濕天降水量和強降水日數變化趨勢空間分布特徵

（3）西部上游地區大部分極端降水指數呈強烈持續下降趨勢，而環粵港澳大灣區地區大部分極端降水指數呈持續上升趨勢（圖3）。這意味著珠江流域上游地區未來可能遭遇更多乾旱，而下游環大灣區未來可能遭遇更多極端降水。

圖3珠江流域連續5天最大降水量和降水強度變化趨勢預測空間分布特徵

研究成果發表在氣象與大氣科學國際權威期刊 International Journal of Climatology ，論文第一作者為徐飛助理研究員，通訊作者為趙玲玲研究員。該研究得到廣東省科學院發展專項資金項目、國家自然科學基金項目和流域水循環模擬與調控國家重點實驗室開放基金的聯合資助。

論文信息：

Xu F, Zhou Y Y, Zhao L L. Spatial and temporal variability in extreme precipitation in the Pearl River Basin, China from 1960 to 2018. International Journal of Climatology, 2021, 1-20. DOI: 10.1002/joc.7273.

原文鏈接：

（省科學院廣州地理研究所 徐飛/供稿）

『陸』 .極端氣候事件有哪些研究方法

就目前而言，研究氣候事件有統計的方法以及模式的方法。但是國內模式做得並不成熟。對於極端天氣氣候事件一般都用統計的方法，比如研究三個月的極端高溫天氣，則採取分析該地區的歷史氣候背景，再分析該地區的影響氣候因子，如太平洋副高，太陽黑子，SO及ENSO以及高原積雪等（這個每個地區的有很大不同），再通過一些診斷方法來進行研究。
ps：額～是氣候學的研究生～才研一～回答得不好～不好意思啦～這些是我個人的理解～要想研究的更深入～請多看看相關的書吧～

『柒』 氣象專家解讀山西極端強降水的原因是什麼

山西大部分地區出現特大降水。這一過程具有累積降雨量大、持續時間長和極端顯著的特點。前期降水伴隨閃電和強對流天氣，後期氣溫急劇下降並持續下降。異常強的西太平洋副熱帶高壓首先由西向北擴展，然後在黃淮地區穩定維持。西風帶低值系統在山西形成了東高西低的穩定環流形勢，造成山西長期降水天氣。

雨水不能迅速釋放，導致農田積水和土壤水分過飽和，將造成更多的地質災害。雨天開車時，視線容易模糊，最好減速，盡量與前面的車保持一定距離。不要跟車太近，更不要頻繁超車。由於下雨，道路變得很滑，導致輪胎附著力降低。如果車速過快，緊急情況下的制動距離比良好天氣下的制動距離長20%-40%，制動效果明顯降低，發生事故的幾率增大。