基于SPEI和信息扩散加权一阶局域法的旱涝特征分析
来源:用户上传
作者:段春青 陈晓楠 许新勇 靳燕国
摘要：为分析区域旱涝变化规律，在用标准化降水蒸散指数（SPEI）定量计算旱涝程度的基础上，利用小样本数据分析的信息扩散技术，对旱涝发生的频率和趋势特性进行研究，并新提出信息扩散加权一阶局域法的混沌时间序列旱涝预测模型。以西安市为典型研究区，根据1951―2015年逐月气温和降水资料，选取该区域玉米成熟期9月份为研究时段，分析该区域不同程度旱涝发生的频率分布规律、趋势变化规律及趋势预测情况等。研究表明：①发生中旱及以上程度的干旱频率约19.5%，发生中涝及以上程度的渍涝频率约17.5%；②1951―1962年呈偏旱趋势，1963―1986年呈偏涝趋势，1987―2002年又呈偏旱趋势，2003年后再次呈偏涝趋势；③旱涝序列的最大李雅普诺夫指数为0.149 2。利用新的混沌预测模型对1985―2002年旱涝趋势逐年滚动预测，与实际情况吻合较好，验证了信息扩散加权一阶局域法的有效性。
关键词：旱涝；SPEI；混沌；信息U散；李雅普诺夫指数
中图分类号：S274.3；TV146文献标志码：Adoi：10.3969/j.issn. 1000-1379.2022.09.027
Characteristics Analysis of Drought and Flood Based on Information Diffusion Adding-Weight One-Rank Local-Region Method
DUAN Chunqing1，CHEN Xiaonan2，XU Xinyong3，JIN Yanguo2
（1.Government Affairs Service Center of Beijing Municipal Bureau of Water Affairs，Beijing 100071，China；2.China South-to-North Water Diversion Middle Route Corporation Limited，Beijing 100038，China；3.School of Water Conservancy，North China University of Water Resources and Electric Power，Zhengzhou 450045，China）
Abstract：In order to analyze the change regulation of regional drought and flood，based on the standard precipitation evapotranspiration index （SPEI）that can effectively evaluate the drought and flood degree quantitatively，the frequency of drought and flood was studied by using in?formation diffusion technology which was good at small sample data analysis，and the chaotic time series prediction model based on informa?tion diffusion adding-weight one-rank local-region method was proposed to analyze the trend of drought and flood time series. Taking Xi’an as a typical region and September as the research period，the method suggested in this paper was used for analysis，according to the temperature and precipitation data from 1951 to 2015. The results show that a）the probability of moderate drought or above is about 19. 5%，while the probability of moderate wet or above is about 17.5%. b）During 1951 - 1962，the trend is drought. During 1963 - 1986，there is a trend of wet. From 1987 to 2002，there is a trend of drought. After 2003，the trend of wet appears again. c）The maximum Lyapunov exponent of drought and flood series is 0. 149 2，which shows that the time series of drought and wet have chaotic characteristics. The new chaotic predic?tion model is used to predict the trend of drought and flood from 1985 to 2002，which is in good agreement with the actual situation and veri?fies the effectiveness of the method.
Key words：drought and flood；SPEI；chaos；information diffusion；Lyapunov exponent
nlc202211231143
旱涝是全球最常见的经济损失最严重的自然灾害。据统计，每年旱涝灾害导致的经济损失占全球各类自然灾害造成损失的43%[1-2]。我国旱涝频繁发生，且范围广、持续时间长，给生产、生活特别是农业生产造成巨大损失。
旱涝灾害的时空演化特征分析是当前灾害学领域研究热点，国内外学者已取得较丰富的成果，并建立了一些科学实用的旱涝程度的量化评估指标，目前常见的有降水距平指标[3]、降水温度均一化指标[4]、帕尔默干旱指数（palmer drought severity index，PDSI）[5]、标准化降雨指数（standard precipitation index，SPI）[6]、标准化降水蒸散指数（standard precipitation evapotranspiration index，SPEI）[7-8]等。
SPEI是Vicente-Serrano等于2010年提出的。该指数在SPI的基础上，结合了SPI和PDSI的优点，加人潜在蒸散因素，具备计算简单和多r间尺度的特点。SPEI 一般只需月平均气温和降水资料即可计算区域蒸散量和水分盈亏量，并以标准化指数呈现，可用于不同时间、不同区域的旱涝变化特征比较。近些年，我国学者基于SPEI指数进行了大量的旱涝评价和规律分析，取得了丰硕成果，同时验证了该指数在国内具有很好的适用性［9-11］。
在旱涝时空分布特征和演变规律研究中，常见的分析方法有Mann-Kendall（M-K）趋势检验[12]、滑动平均模型[13]，logistic函数[14]、多项式回归[15]等。这些方法一般需要较多的样本数据作为支撑，而实际应用中所获得的数据不多，一般只有几十年资料，如何在较少样本条件下得到较好的非线性回归结果是重点研究问题之一。信息扩散技术是近些年兴起的针对不完备样本的一种有效处理手段，是利用适当的扩散函数实现对小样本数据的集值化模糊数学方法，通过把单值样本点扩散到各个控制点上来获取更多的信息［16-17］。此外，随着混沌理论及相关时间序列分析技术的不断发展，许多研究表明水文、气象等系统具有一定的混沌特征，通过对时间序列重构相空间，可挖掘其中丰富的动力学信息［18-19］。传统的各种混沌时间序列预测方法需基于大量数据，对于样本数据量较少情况，鉴于信息扩散技术处理小样本数据的优势，可考虑在回归中采用信息扩散技术进行数据处理，建立新的基于信息扩散近似推理的混沌时间序列分析法。
1研究方法
1.1信息扩散技术
1.1.1信息扩散频率分布
信息扩散频率是在小样本条件下，通过构建离散论域的控制点，利用信息扩散函数将样本点携带的信息分配到控制点上，得到模糊集合，在此基础上分析频率的分布，主要步骤如下［17］。
（1）设样本序列为X=（x，x，…，x），l为样本数量。根据样本序列中的最大值和最小值，构建离散论域U={u，u，…，u}，c为论域U的离散点数量，对每个样本点x通过下面的信息扩散函数，将其信息分配到论域中的每个控制点上：
h为信息扩散系数，可根据样本长度l和样本中的a、b来计算。
式中：a、b分别为样本中的最小值、最大值。
（2）对样本点x的信息分配结果进行归一化处理：
（3）针对控制点u，根据所有样本点在其上的信息分配，计算分配的信息总量：
（4）计算每个控制点的频率值：
（5）计算各控制点的超越频率值：
通过计算两个控制点的超越频率的差，即可计算出控制点区间内的频率分布。
1.1.2信息扩散回归分析
信息扩散回归分析通过信息扩散技术建立变量间的模糊关系，能较好地直观反映出函数的变化趋势，得到光滑的函数曲线，主要步骤如下[18]。
（1）设自变量和因变量组成的样本序列为［（x，y），（x，y），…，（x，y）］，分别根据输入和对应输出样本的数据分布情况，确定输入、输出的离散论域U={u，u，…，u}，V={v，v，…，v}，并通过信息扩散将样本（x，y）转换为模糊集合：
式中：h、h分别为输入样本和输出样本的信息扩散系数，根据式（2）来计算。
（2）对每组样本（x，y）得到的模糊集A和B建立模糊关系R：
（3）对给定的输入数据x，通过信息扩散回归模型估算输出数据y。首先，将输入数据进行集值化处理：
然后，根据得到的模糊集和模糊关系进行模糊推理计算：
假设v′满足
（4）按照上述步骤，分别利用每组样本进行计算，将得到l个y的估计值和相应的权重，加权平均得到最终的估计值：
1.2信息扩散混沌时间序列分析
混沌是确定性系统中出现貌似随机的现象，在自然界中普遍存在。混沌特性是对初始值的敏感性，虽长期不可预测，但短期预测可行。目前，混沌时间序列的分析已经广泛应用于各个领域中，主要预测方法有全域法、局域法、加权零阶局域法、加权一阶局域法等。其中，加权一阶局域法最为常见，在对时间序列数据重构相空间后，采用线性局部拟合相空间中的样本，一般需要较多的数据。当时间序列样本较少时，重构相空间后高维向量样本更少，可考虑采用擅长小样本处理的信息扩散回归技术进行处理，建立信息扩散加权一阶局域法，主要步骤如下[19]。
nlc202211231143
（2）采用C-C方法[21]计算时间序列嵌入维数m和时间延迟τ，重构相空间得到高维样本序列Y=（x，x，…，x）（i=1，2，…，M，其中M=N-（m- 1））。
（4）对相空间中的每个最邻近的“点对”，进行k步演进后，两者之间的距离为d（k）。
（5）对于每个k，计算所有的In[d（k）]的平均值y（k），由下式计算：
式中：y（k）为计算得到的序列；g为非0的d（k）的数量；T为采样周期，本文取T=1；K为实际中最多演进的步长。
（6）对序列y（k）进行一元线性回归，直线的斜率即为最大李雅普诺夫（Lyapunov）指数λ。当λ>0时，认为系统具有混沌特征，λ越大混沌特征越明显。若时间序列具有混沌特性，采用信息扩散加权一阶局域法进行预测。
（7）寻找邻近点。计算Y的q个最邻近点Y（k=a，a，…，a）。设Y到Y的距离为d（i=1，2，…，q），d是d中的最小值。定义Y的权重W为：
（8）信息扩散加权预测。利用信息扩散回归法根
据Y中分量x估算x，计算过程中将式（14）得到的权重W与式（12）权重相乘，并进行归一化处理后作为最终信息扩散回归中权重系数，推算x的估计值。
1.3标准化降水蒸散指数
根据区域的降水和气温数据量化计算标准化降水蒸散指数（SPEI），计算主要步骤如下[2].
（1）根据气温数据及研究区位置，应用Thomthwaite法计算月潜在腾发量ET：
其中：
式中：ET为月潜在腾发量；T为月平均气温；K为由区域纬度得出的平均昼长修正系数；I为年热量指数；m为指数，由I计算得出。
（2）根据降水和计算的潜在腾发量分析水分盈亏量：
D=P-ET（18）
式中，D为月水分盈亏量，正值意味着水分盈余，负值则表示水分亏缺，0代表水分恰好平衡；P为月降水量。
（3）基于1og-1ogistic概率分布计算SPEI：
式中：Γ（）为Gamma函数；N为序列数；s= 0，1，2。
设P=1-F（x），当P≤0.5时：
当P>0.5时：
其中，c = 2.515 5，c=0.802 9，c=0.010 3；d = 1.432 8，d = 0.189 3，d = 0.001 3。
SPEI的旱涝分级标准为：特旱（-∞，-2]，重旱（-∞，-1.5]，中旱（-1.5，-1]，轻旱（-1，-0.5]，正常（-0.5，0.5]，轻涝（0.5，1]，中涝（1，1.5]，重涝（1.5，2]，特涝（2，∞]。
1.4信息扩散和混沌理论的旱涝分析
根据研究区域月尺度下的月均降水量和月均气温历史数据，利用SPEI指数计算得出月旱涝程度；利用旱涝时间序列数据，基于信息扩散频率分布模型，得出不同旱涝程度分布规律；对旱涝时间序列进行信息扩散回归分析，得出旱涝变化趋势曲线，研究其随时间交替演变的特征；应用信息扩散加权一阶局域法预测早涝变化趋势，验证模型的有效性。
2应用实例
以陕西省西安市为典型研究区，分析旱涝演变规律。西安市是陕西省的政治、经济、文化中心，地处渭河流域中部，位于北纬33°39′―34°44′、东经107°40′―109°49′。西安四季分明，属于温带半干旱、半湿润大陆性季风气候区，多年年均降水量约740 mm，年内分布不均，年际变化大；多年平均气温约13 ℃；主要r作物为冬小麦、夏玉米等。本研究选择9月份为计算分析时段，该时段为玉米的成熟期，旱涝影响较大。研究区1951―2015年的月均降水量和月均气温数据通过中国气象数据网获得。
2.1旱涝等级频率分布分析
根据SPEI指数计算西安市1951―2015年每年9 月份的旱涝程度序列见图1。
以图1中SPEI旱涝程度序列为基础，利用信息扩散技术分析不同等级频率分布。本文针对样本数据的实际分布，选取离散论域控制点101个，控制点旱涝程度最小值u=-2.026、最大值u=2. 122，控制点等距离0.041 48；其范围包含全部样本点。计算得出每个控制点上的超越频率，并根据SPEI等级的划分标准计算出不同旱涝等级分布频率（见图2）。
西安市9月份旱涝程度分布规律为：正常情况的频率最大，为39.6%；特旱和特涝的频率相对最小，分别为0.9%和1.0%；轻旱至轻涝的频率达到63.0%；中旱及以上程度的干旱频率为19.5%；中涝及以上程度的渍涝频率为17.5%。
nlc202211231143
与传统频率计算方法进行对比。利用传统频率计算方法计算得出不同旱涝等级分布频率为：特早1.5%、重旱6.2%、中旱13.8%、轻旱9.2%、正常40.0%、轻涝10.8%、中涝7.7%、重涝9.2%、特涝1.5%。信息扩散计算结果与传统方法整体上相差不大。但是，假设增加1个旱涝程度为-2（特旱等级）的年份，数据样本增加66组，则用传统方法计算得出特早等级的频率为3.0%，相比原65组样本计算结果增大了1倍。而利用信息扩散方法计算结果为1.7%，是因为样本数量较少，当发生个别变化时，传统方法计算结果很不稳定，但信息扩散技术可充分利用每个样本位置信息，得出较稳定的结果，体现出小样本条件下信息扩散技术分析频率的优越性。
2.2旱涝演化趋势分析
利用信息扩散回归分析方法对旱涝程度数据进行处理。将年份序号作为自变量，相应的计算时段旱涝程度作为因变量，进行关系拟合。在计算中，两个变量所在论域的控制点个数均选取101个，且等间隔分布，最大控制点和最小控制点均分别选取样本的最大值、最小值外延0.001。信息扩散近似推理完成拟合后，处理前后对比情况如图3所示。图3中原旱涝程度序列呈现锯齿状，逐年变化波动大，不易直接看出演变规律。经过信息处理后得到光滑曲线，能够较为清晰地反映出演变的趋势和波动起伏的特征。
由图3可以看出，旱涝呈现交替变化规律：1951―1962年呈偏早趋势，1963―1986年呈现偏涝趋势，1987―2002年又呈现偏早趋势，2003年后再次呈现偏涝趋势。1951―2015年的整体趋势线基本处于水平状态，旱涝围绕正常状态上下波动，趋势线未有明显的上升或下降趋势。
2.3旱涝趋势信息扩散混沌预测
利用上述信息扩散回归得到的旱涝程度趋势序列数据，计算时间序列的Lyapunov指数最大值为0.149 2、大于0，表明序列具有一定的混沌特性。利用本文提出的信息扩散加权一阶局域法对旱涝趋势进行预测分析，结果如图4所示。
以1951―1984年实际趋势数据为基础预测1985 年旱涝程度，之后再以1951―1985年实际趋势数据为基础预测1986年旱涝程度，以此递推。对比1985―2015年实际趋势数据和逐年预测的情况，可以看到利用信息扩散混沌预测的结果与实H的旱涝变化过程吻合较好，预测曲线与实训曲线比较接近，曲线转折点也较好地吻合，表明利用信息扩散混沌分析方法对旱涝的趋势预测可获得较好效果，在实际防灾、减灾中能提供一定的参考。
利用信息扩散一阶加权法预测平均误差为0.086 3，而传统线性回归一阶加权局域法预测平均误差为0.106 3，改进后的方法预测的精度更高。
3结论
根据西安市历年9月份的气象资料，采用SPEI指数对旱涝程度进行量化计算。在此基础上，利用小样本数据分析的信息扩散技术对旱涝等级的分布频率进行计算，得出不同旱涝等级对应的发生频率。利用信息扩散回归方法对旱涝程度序列进行拟合，得到光滑的趋势曲线，较清晰地反映出旱涝交替变化规律及整体变化趋势。结合信息扩散和传统局域混沌时间序列分析方法，建立了信息扩散加权一阶局域法预测新模型，利用信息扩散近似推理实现相空间里的高维向量拟合，并对旱涝趋势进行预测，取得了较好的效果。研究表明，借助SPEI指数对旱涝量化评估，以及信息扩散技术和混沌分析技术能够较好地实现区域旱涝演变规律的分析，为当地防涝抗旱提供技术支撑。
参考文献：
[1]李柏贞，周广胜.干旱指标研究进展[J].生态学报，2014，34（5）：1043-1052.
[2]王盈盈，王志良，张泽中，等.基于SPEI的贵州省分区干旱时空演变特征[J].灌溉排水学报，2019，38（6）：119-128.
[3]王劲松，郭江勇，周跃武，等.干旱指标研究的进展与展望[J].干旱区地理，2007，30（1）：60-65.
[4]姚玉璧，张存杰，邓振镛，等.气象、农业干旱指标综述[J].干旱地区农业研究，2007，25（1）：185-189.
[5]周玉良，刘立，周平，等.基于帕尔默早度模式的干旱识别及其特征值频率分析[J].农业工程学报，2014，30（23）：174-184.
[6] MCKEE T B，DOESKEN N J，KLEIST J.The Relationship ofDrought Frequency and Duration to Time Scales [C]//Eighth Conference on Applied Climatology. California：American Me?teorological Society，Boston，1993：179-184.
[7]陈少丹，张利平，汤柔馨，等.基于SPEI和TVDI的河南省干旱时空变化分析[J].农业工程学报，2017，33（24）：126-132.
[8]郭梦，张奇莹，钱会，等.基于SPEI干旱指数的陕西省干旱时空分布特征分析[J].水资源与水工程学报，2019，30 （3）：127-132.
[9]王晓东，马晓群，许莹，等.淮河流域主要农作物全生育期水分盈亏时空变化分析[J].资源科学，2013，35（3）：665-672.
[10]史尚渝，王飞，金凯，等.基于SPEI的1981―2017年中国北方地区干旱时空分布特征[J].干旱地区农业研究，2019，37（4）：215-222.
[11]高超，尹周祥，许莹.淮河流域冬小麦主要生育期旱涝时空特征及对产量的影响[J].农业工程学报，2017，33 （22）：103-111.
[12] VICENTESERRANO S M，BEGUERiA S，L6PEZMORENO J I.A Multiscalar Drought Index Sensitive to Global War?ming：The Standardized Precipitation Evapotranspiration Index[J]. Journal of Climate，2010，23（7）：1696-1718.
[13] GAO C，ZHANG Z T，ZHAI J Q，et al. Research on Mete?orological Thresholds of Drought and Flood Disaster：A Case Study in the Huai River Basin，China[J]. Stochastic Environmental Research and Risk Assessment，2015，29 （1）：157-167.
[14]史印山，王玉珍，池俊成，等.河北平原气候变化对冬小麦产量的影响[J].中国生态农业学报，2008，16（6）：1444-1447.
[15]秦琳琳，宋艳红.河南省近53年旱涝变化特征分析[J]. 曲阜师范大学学报（自然科学版），2019，45（1）：28-32.
[16]黄崇福.自然灾害风险分析[M].北京：科学出版社，2001：136-142.
[17]王文祥.基于信息扩散理论和多重分形理论的区域干旱特征分析[D].扬州：扬州大学，2015：186-190.
[18]孙义，黄显峰.基于最大Lyapunov指数的混沌预测在洪水实时预报中应用[J].水利水电技术，2016，47（1）：102-106.
[19]王石，隋永新，董琰，等.基于改进型小数据量法的局域网流量预测[J].吉林大学学报（工学版），2016，46（4）：1254-1260.
nlc202211231143
转载注明来源:https://www.xzbu.com/1/view-15442456.htm
