Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá hiệu suất của mô hình tạo thời tiết đa điểm kết hợp với phương pháp tái mẫu tối đa entropy để ước lượng phân phối xác suất của lượng mưa tối đa hàng năm trên Cao nguyên Loess
Springer Science and Business Media LLC - Trang 1-19 - 2023
Tóm tắt
Các mô hình tạo thời tiết có thể đóng vai trò quan trọng trong việc ước lượng phân phối xác suất của các biến khí tượng thủy văn để xác định lượng mưa cực đoan. Điều này thực sự có ý nghĩa lớn trong việc quản lý thảm họa lũ lụt ở những khu vực thiếu dữ liệu. Dữ liệu mưa tối đa hàng năm theo ngày (MDR) đã được mở rộng trong nghiên cứu này bằng cách sử dụng mô hình tạo thời tiết đa điểm kết hợp với phương pháp tái mẫu tối đa entropy (MWG-MER), dẫn đến một tập dữ liệu tái mẫu lớn về các biến cực đoan. Các bản ghi MDR từ 14 trạm khí tượng trong lưu vực sông Jing đã được chọn để xác nhận khả năng ứng dụng của mô hình MWG-MER trên Cao nguyên Loess của Trung Quốc. Tại đó, các phân phối xác suất vừa khớp nhất đã được phát hiện bằng cách sử dụng phương pháp L-moments, và dữ liệu tái mẫu đã được sử dụng để xác định kiểu không gian của phân phối xác suất của MDR. Các phát hiện cho thấy mô hình MWG-MER đã thực hiện một sự ngoại suy hạn chế và cung cấp một tập dữ liệu tái mẫu lớn hơn chỉ sử dụng thành phần chính thứ nhất để bảo tồn các thuộc tính thống kê chính của dữ liệu MDR quan sát. Dữ liệu tái mẫu có hiệu suất khớp tốt so với dữ liệu đo ở tất cả các địa điểm và tiết lộ những phân phối xác suất khớp tốt nhất khác với dữ liệu đo ở một số địa điểm, cho thấy sự cải thiện trong độ chính xác của việc khớp phân phối của mô hình MWG-MER. Với sự trợ giúp của dữ liệu tái mẫu, kiểu không gian của phân phối MDR trong lưu vực sông Jing đã được phát hiện, và những phân vùng hợp lý hơn đã được cung cấp. Thông tin này rất quan trọng trong việc xác định một cách khoa học phân phối xác suất MDR ở những khu vực thiếu dữ liệu và trong việc định hướng quản lý thảm họa lũ lụt trên Cao nguyên Loess và các khu vực tương tự khác.
Từ khóa
#mô hình tạo thời tiết #tái mẫu tối đa entropy #lượng mưa tối đa hàng năm #phân phối xác suất #Cao nguyên LoessTài liệu tham khảo
Barbosa SM, Scotto MG, Alonso AM (2011) Summarising changes in air temperature over Central Europe by quantile regression and clustering. Nat Hazard 11(12):3227–3233. https://doi.org/10.5194/nhess-11-3227-2011
Bardossy A, Plate EJ (1992) Space–time model for daily rainfall using atmospheric circulation patterns. Water Resour Res 28(5):1247–1259. https://doi.org/10.1029/91WR02589
Blazkova S, Beven K (2004) Flood frequency estimation by continuous simulation of subcatchment rainfalls and discharges with the aim of improving dam safety assessment in a large basin in the Czech Republic. J Hydrol 292(1–4):153–172. https://doi.org/10.1016/j.jhydrol.2003.12.025
Buishand TA, Brandsma T (2001) Multisite simulation of daily precipitation and temperature in the Rhine basin by nearest-neighbor resampling. Water Resour Res 37(11):2761–2776. https://doi.org/10.1029/2001WR000291
Cameron DS, Beven KJ, Tawn J et al (1999) Flood frequency estimation by continuous simulation for a gauged upland catchment (with uncertainty). J Hydrol 219(3–4):169–187. https://doi.org/10.1016/S0022-1694(99)00057-8
Cao Q, Yu D, Georgescu M, Wu J et al (2018) Impacts of future urban expansion on summer climate and heat-related human health in eastern China. Environ Int 112:134–146. https://doi.org/10.1016/j.envint.2017.12.027
Caron A, Leconte R, Brissette F (2008) An improved stochastic weather generator for hydrological impact studies. Can Water Resour J 33(3):233–256. https://doi.org/10.4296/cwrj3303233
Caron JM, O’Brien JJ (1998) The generation of synthetic sea surface temperature data for the equatorial Pacific Ocean. Mon Weather Rev 126(11):2809–2821. https://doi.org/10.1175/1520-0493(1998)126%3c2809:TGOSSS%3e2.0.CO;2
Chen J, Brissette FP, Zhang XJ (2014) A multi-site stochastic weather generator for daily precipitation and temperature. Trans ASABE 57(5):1375–1391. https://doi.org/10.13031/trans.57.10685
Cherubini F, Huang B, Hu X et al (2018) Quantifying the climate response to extreme land cover changes in Europe with a regional model. Environ Res Lett 13(7):074002. https://doi.org/10.1088/1748-9326/aac794
Cook BI, Buckley BM (2009) Objective determination of monsoon season onset, withdrawal, and length. J Geophys Res Atmos. https://doi.org/10.1029/2009JD012795
Cook ER, Palmer JG, Ahmed M et al (2013) Five centuries of Upper Indus River flow from tree rings. J Hydrol 486:365–375. https://doi.org/10.1016/j.jhydrol.2013.02.004
Dreveton C, Guillou Y (2004) Use of a principal components analysis for the generation of daily time series. J Appl Meteorol Climatol 43(7):984–996. https://doi.org/10.1175/1520-0450(2004)043%3c0984:UOAPCA%3e2.0.CO;2
Duan ZD, Zhou DC (2004) A comparative study of parameter estimation methods for extreme value probability distributions. J Harbin Inst Technol 36(12):5. https://doi.org/10.3321/j.issn:0367-6234.2004.12.006
Eagleson PS (1972) Dynamics of flood frequency. Water Resour Res 8(4):878–898. https://doi.org/10.1029/WR008i004p00878
Gabriel KR, Neumann J (1962) A Markov chain model for daily rainfall occurrence at Tel Aviv. Q J R Meteorol Soc 88(375):90–95. https://doi.org/10.1002/qj.49708837511
Haberlandt U, Hundecha Y, Pahlow M et al (2011) Rainfall generators for application in flood studies. In: Flood risk assessment and management: how to specify hydrological loads, their consequences and uncertainties, pp 117–147. https://doi.org/10.1007/978-90-481-9917-4_7
Hosking JRM, Wallis JR (1997) Regional frequency analysis: regional frequency analysis. Cambridge University Press, Cambridge
Hughes JP, Guttorp P (2010) A class of stochastic models for relating synoptic atmospheric patterns to regional hydrologic phenomena. Water Resour Res 30(5):1535–1546. https://doi.org/10.1029/93WR02983
Jahn M (2015) Economics of extreme weather events: Terminology and regional impact models. Weather Clim Extrem 10:29–39. https://doi.org/10.1016/j.wace.2015.08.005
Katz RW (1977) Precipitation as a chain-dependent process. J Appl Meteorol (1962–1982) 671–676. https://www.jstor.org/stable/26177956
Kleiber W, Katz RW, Rajagopalan B (2012) Daily spatiotemporal precipitation simulation using latent and transformed Gaussian processes. Water Resour Res 48(1):1523. https://doi.org/10.1029/2011WR011105
Koutris A, Heracleous MS, Spanos A (2008) Testing for nonstationarity using maximum entropy resampling: a misspecification testing perspective. Economet Rev 27(4–6):363–384. https://doi.org/10.1080/07474930801959776
Lall U, Sharma A (1996) A nearest neighbor bootstrap for resampling hydrologic time series. Water Resour Res 32(3):679–693. https://doi.org/10.1029/95WR02966
Lamb R, Keef C, Tawn J et al (2010) A new method to assess the risk of local and widespread flooding on rivers and coasts. J Flood Risk Manag 3(4):323–336. https://doi.org/10.1111/j.1753-318X.2010.01081.x
Lee T (2012) Serial dependence properties in multivariate streamflow simulation with independent decomposition analysis. Hydrol Process 26(7):961–972. https://doi.org/10.1002/hyp.8177
Liu ZJ, Guo SL, Xu XF et al (2019) Research progress and prospect of Bayesian probabilistic hydrological forecasting. J Hydraul Eng 50(12):12. https://doi.org/10.13243/j.cnki.slxb.20190424
Metin AD, Dung NV, Schröter K et al (2020) The role of spatial dependence for large-scale flood risk estimation. Nat Hazard 20(4):967–979. https://doi.org/10.5194/nhess-20-967-2020
Nam WH, Baigorria GA, Hong EM (2018) The fingerprint of climate change and urbanization in South Korea. Atmosphere 9(7):273. https://doi.org/10.3390/atmos9070273
Papalexiou SM, Koutsoyiannis D (2013) Battle of extreme value distributions: a global survey on extreme daily rainfall. Water Resour Res 49(1):187–201. https://doi.org/10.1029/2012WR012557
Rabiner L, Juang B (1986) An introduction to hidden Markov models. IEEE ASSP Mag 3(1):4–16. https://doi.org/10.1109/MASSP.1986.1165342
Racsko P, Szeidl L, Semenov M (1991) A serial approach to local stochastic weather models. Ecol Modell 57(1–2):27–41. https://doi.org/10.1016/0304-3800(91)90053-4
Richards DR, Edwards PJ (2018) Using water management infrastructure to address both flood risk and the urban heat island. Int J Water Resour Dev 34(4):490–498. https://doi.org/10.1080/07900627.2017.1357538
Richardson CW (1981) Stochastic simulation of daily precipitation, temperature, and solar radiation. Water Resour Res 17(1):182–190. https://doi.org/10.1029/WR017i001p00182
Semenov M, Brooks R, Barrow E et al (1998) Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates. Clim Res 10(2):95–107
Srivastav RK, Simonovic SP (2014) Multi-site, multivariate weather generator using maximum entropy bootstrap. Clim Dyn 44:3431–3448. https://doi.org/10.1007/s00382-014-2157-x
Todorovic P, Woolhiser DA (1975) A stochastic model of n-day precipitation. J Appl Meteorol (1962–1982), 17–24. https://www.jstor.org/stable/26176179
Vinod HD (2006) Maximum entropy ensembles for time series inference in economics. J Asian Econ 17(6):955–978. https://doi.org/10.1016/j.asieco.2006.09.001
Vinod HD, López-de-Lacalle J (2009) Maximum entropy bootstrap for time series: the meboot R package. J Stat Softw 29:1–19. https://doi.org/10.18637/jss.v029.i05
Wei YM, Jin JL, Yang CJ et al (2002) Theory of risk management of flood disaster. Science Press, Beijing
Westra S, Brown C, Lall U et al (2007) Modeling multivariable hydrological series: principal component analysis or independent component analysis? Water Resour Res. https://doi.org/10.1029/2006WR005617
Wilks DS (1999) Interannual variability and extreme-value characteristics of several stochastic daily precipitation models. Agric For Meteorol 93(3):153–169. https://doi.org/10.1016/S0168-1923(98)00125-7
Yalta AY (2013) Revisiting the FDI-led growth hypothesis: the case of China. Econ Model 31:335–343. https://doi.org/10.1016/j.econmod.2012.11.030