本發(fā)明涉及氣候數(shù)據(jù)處理，尤其涉及一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法。

背景技術(shù)：

1、隨著全球氣候變暖愈演愈烈，極端天氣和氣候事件以更頻繁的頻率、更強(qiáng)的強(qiáng)度和更廣的范圍發(fā)生，這些變化對人類的生產(chǎn)生活以及自然生態(tài)系統(tǒng)帶來了前所未有的挑戰(zhàn)。近年來，針對暖季引發(fā)的高影響氣候極端事件(如極端干旱、熱浪、暴雨和洪水等)，眾多學(xué)者進(jìn)行了廣泛且深入的特征分析和風(fēng)險(xiǎn)評估。盡管如此，在全球氣候變暖的背景下，冷季極端氣候事件相較于其暖季對應(yīng)事件而言，得到的關(guān)注相對較少。

2、極端低溫和雨雪冰凍是冷季影響人類生產(chǎn)生活的兩種主要自然災(zāi)害，兩者有時(shí)會同時(shí)發(fā)生，復(fù)合型的低溫大雪極端事件對于生態(tài)系統(tǒng)和人類社會的影響往往更為嚴(yán)重。此外，目前，針對低溫大雪極端事件的歸因分析多從氣候變量如氣溫和降水等角度進(jìn)行，而常忽略了大氣環(huán)流型的影響。因此，基于大氣環(huán)流分型，分析影響冷季低溫大雪事件的熱力學(xué)和動力學(xué)作用，準(zhǔn)確評估不同類型的冷季低溫大雪事件的風(fēng)險(xiǎn)，能夠提高人們對冷季低溫大雪事件的理解，從而加強(qiáng)極端低溫大雪事件的風(fēng)險(xiǎn)防控，具有十分重大的意義。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法，用以解決現(xiàn)有技術(shù)中低溫大雪極端事件的歸因分析中忽略大氣環(huán)流型影響的缺陷。

2、第一方面，本發(fā)明提供一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法，包括：

3、采集研究區(qū)域的實(shí)測氣象水文數(shù)據(jù)、全球氣候模式數(shù)據(jù)和大氣環(huán)流數(shù)據(jù)，進(jìn)行全球氣候模式數(shù)據(jù)的氣候模式評估、偏差校正計(jì)算和降雪計(jì)算；

4、采用自組織映射網(wǎng)絡(luò)方法對大氣環(huán)流變量進(jìn)行環(huán)流分型，識別不同環(huán)流型下的極端低溫大雪事件，對所述極端低溫大雪事件進(jìn)行事件特征分析；

5、基于環(huán)流型的頻率變化采用正則化最優(yōu)指紋法進(jìn)行外強(qiáng)迫檢測歸因分析，基于歷史時(shí)期的歸因尺度因子，對未來時(shí)期的全球氣候模式進(jìn)行約束預(yù)估，通過復(fù)合極端事件頻次變化趨勢進(jìn)行熱力作用、動力作用和熱力-動力相互作用的分離。

6、根據(jù)本發(fā)明提供的一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法，采集研究區(qū)域的實(shí)測氣象水文數(shù)據(jù)、全球氣候模式數(shù)據(jù)和大氣環(huán)流數(shù)據(jù)，進(jìn)行全球氣候模式數(shù)據(jù)的氣候模式評估、偏差校正計(jì)算和降雪計(jì)算，包括：

7、采集cn05.1格點(diǎn)數(shù)據(jù)集、cmip6全球氣候模式數(shù)據(jù)以及era5、jra-55、merra2和ncep大氣再分析數(shù)據(jù)集，采用雙線性插值將所述cn05.1格點(diǎn)數(shù)據(jù)集、所述cmip6全球氣候模式數(shù)據(jù)以及所述era5、jra-55、merra2和ncep大氣再分析數(shù)據(jù)集進(jìn)行數(shù)據(jù)插值至預(yù)設(shè)分辨率柵格；

8、采用6個(gè)不同cmip6模式數(shù)據(jù)，基于cn05.1格點(diǎn)數(shù)據(jù)集實(shí)測氣溫降水資料作為基準(zhǔn)數(shù)據(jù)集進(jìn)行氣候模式評估，提取冷季數(shù)據(jù)，選取氣候變化指數(shù)etccdi推薦的4個(gè)極端氣溫指數(shù)和4個(gè)極端降水指數(shù)，采用泰勒綜合指數(shù)對歷史時(shí)期冷季氣候模式模擬的氣溫和降水的平均氣候態(tài)和時(shí)間變化的能力進(jìn)行綜合評估；

9、基于pqm和qdm得到pqdm，采用pqdm對全球氣候模式數(shù)據(jù)進(jìn)行偏差校正；

10、利用動態(tài)閾值參數(shù)化方案，結(jié)合降雪降落至地面的熔化過程，根據(jù)每個(gè)格點(diǎn)的海拔和氣象狀態(tài)更新高溫閾值和低溫閾值，劃分降水總量中的降雪量、降雨量以及降雪降雨中間量。

11、根據(jù)本發(fā)明提供的一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法，基于pqm和qdm得到pqdm，采用pqdm對全球氣候模式數(shù)據(jù)進(jìn)行偏差校正，包括：

12、基于pot和第95百分位閾值，將所述全球氣候模式數(shù)據(jù)對應(yīng)的氣象時(shí)間序列劃分為極值和非極值；

13、采用經(jīng)驗(yàn)累積分布函數(shù)對所述非極值進(jìn)行偏差校正，所述經(jīng)驗(yàn)累積分布函數(shù)由所述qdm確定；

14、采用gp作為傳遞函數(shù)擬合極值，采用極大似然方法對所述極值進(jìn)行參數(shù)估計(jì)；

15、利用所述qdm進(jìn)行增量調(diào)整，對所述cn05.1格點(diǎn)數(shù)據(jù)集和所述cmip6全球氣候模式數(shù)據(jù)的hist和hist-nat模擬進(jìn)行pqdm校正。

16、根據(jù)本發(fā)明提供的一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法，利用動態(tài)閾值參數(shù)化方案，結(jié)合降雪降落至地面的熔化過程，根據(jù)每個(gè)格點(diǎn)的海拔和氣象狀態(tài)更新高溫閾值和低溫閾值，劃分降水總量中的降雪量、降雨量以及降雪降雨中間量，包括：

17、基于近地表相對濕度、干球溫度和海拔高度，得到所述高溫閾值和所述低溫閾值；

18、由經(jīng)驗(yàn)公式得到濕球溫度，利用所述濕球溫度、所述高溫閾值和所述低溫閾值劃分得到所述降雪量、所述降雨量和所述降雪降雨中間量。

19、根據(jù)本發(fā)明提供的一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法，采用自組織映射網(wǎng)絡(luò)方法對大氣環(huán)流變量進(jìn)行環(huán)流分型，識別不同環(huán)流型下的極端低溫大雪事件，對所述極端低溫大雪事件進(jìn)行事件特征分析，包括：

20、確定大氣再分析產(chǎn)品era5、jra-55、ncep和merra2，對比分析冬季海平面氣壓、500hpa位勢高度和300hpa風(fēng)速的一致性和可靠性；

21、采用自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行環(huán)流分型敏感性試驗(yàn)；

22、基于自組織映射神經(jīng)網(wǎng)絡(luò)環(huán)流分型敏感性試驗(yàn)，確定環(huán)流變量組合和自組織映射神經(jīng)網(wǎng)絡(luò)環(huán)流分型超參數(shù)，得到聚類分型后不同環(huán)流型，對所述聚類分型后不同環(huán)流型進(jìn)行優(yōu)選環(huán)流型特征分析，得到環(huán)流分析結(jié)果；

23、根據(jù)所述環(huán)流分析結(jié)果，基于cn05.1實(shí)測氣溫降水資料，提取自組織映射神經(jīng)網(wǎng)絡(luò)各環(huán)流型對應(yīng)的氣候變量，識別提取所述極端低溫大雪事件。

24、根據(jù)本發(fā)明提供的一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法，采用自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行環(huán)流分型敏感性試驗(yàn)，包括：

25、步驟1：初始化所述自組織映射神經(jīng)網(wǎng)絡(luò)，利用初始化權(quán)重向量對網(wǎng)絡(luò)輸出層的每個(gè)神經(jīng)元進(jìn)行歸一化；

26、步驟2：計(jì)算輸入向量和每個(gè)權(quán)重向量之間的距離，得到獲勝神經(jīng)元；

27、步驟3：根據(jù)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)確定鄰域函數(shù)，利用所述鄰域函數(shù)更新所述獲勝神經(jīng)元及所述獲勝神經(jīng)元鄰域內(nèi)神經(jīng)元權(quán)重；

28、步驟4：重復(fù)步驟2至4，待確定網(wǎng)絡(luò)學(xué)習(xí)率小于學(xué)習(xí)率閾值，網(wǎng)絡(luò)達(dá)到收斂，將每個(gè)輸入向量映射至所述獲勝神經(jīng)元，得到輸入數(shù)據(jù)聚類結(jié)果。

29、根據(jù)本發(fā)明提供的一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法，基于環(huán)流型的頻率變化采用正則化最優(yōu)指紋法進(jìn)行外強(qiáng)迫檢測歸因分析，基于歷史時(shí)期的歸因尺度因子，對未來時(shí)期的全球氣候模式進(jìn)行約束預(yù)估，通過復(fù)合極端事件頻次變化趨勢進(jìn)行熱力作用、動力作用和熱力-動力相互作用的分離，包括：

30、采用所述正則化最優(yōu)指紋法和總體最小二乘法，對氣候變化下的環(huán)流型頻率變化進(jìn)行檢測和歸因分析；

31、根據(jù)所述歷史時(shí)期的歸因尺度因子的最優(yōu)估計(jì)結(jié)果，對未來時(shí)期環(huán)流型的頻率變化進(jìn)行歸因約束預(yù)估分析；

32、基于自組織映射神經(jīng)網(wǎng)絡(luò)聚類算法，識別主要大氣環(huán)流模式，確定熱力學(xué)與動力學(xué)變化對極端事件變化的貢獻(xiàn)結(jié)果。

33、根據(jù)本發(fā)明提供的一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法，基于自組織映射神經(jīng)網(wǎng)絡(luò)聚類算法，識別主要大氣環(huán)流模式，確定熱力學(xué)與動力學(xué)變化對極端事件變化的貢獻(xiàn)結(jié)果，包括：

34、采用熱力-動力作用分離法，對冷季復(fù)合低溫大雪事件發(fā)生頻次的變化趨勢進(jìn)行熱力和動力作用的相對貢獻(xiàn)的分離和量化；

35、基于復(fù)合事件的發(fā)生頻次和任一環(huán)流型頻次的時(shí)間均值，以及復(fù)合事件的發(fā)生頻次和任一環(huán)流型頻次的時(shí)間均值的距平值，進(jìn)行時(shí)間劃分；

36、對時(shí)間進(jìn)行求導(dǎo)，由復(fù)合低溫大雪事件頻次的趨勢大小得到任一環(huán)流型有關(guān)的熱力作用、動力作用以及熱力-動力相互作用的相對貢獻(xiàn)。

37、第二方面，本發(fā)明還提供一種基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析系統(tǒng)，包括：

38、數(shù)據(jù)處理模塊，用于采集研究區(qū)域的實(shí)測氣象水文數(shù)據(jù)、全球氣候模式數(shù)據(jù)和大氣環(huán)流數(shù)據(jù)，進(jìn)行全球氣候模式數(shù)據(jù)的氣候模式評估、偏差校正計(jì)算和降雪計(jì)算；

39、環(huán)流分型模塊，用于采用自組織映射網(wǎng)絡(luò)方法對大氣環(huán)流變量進(jìn)行環(huán)流分型，識別不同環(huán)流型下的極端低溫大雪事件，對所述極端低溫大雪事件進(jìn)行事件特征分析；

40、歸因分析模塊，用于基于環(huán)流型的頻率變化采用正則化最優(yōu)指紋法進(jìn)行外強(qiáng)迫檢測歸因分析，基于歷史時(shí)期的歸因尺度因子，對未來時(shí)期的全球氣候模式進(jìn)行約束預(yù)估，通過復(fù)合極端事件頻次變化趨勢進(jìn)行熱力作用、動力作用和熱力-動力相互作用的分離。

41、第三方面，本發(fā)明還提供一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如上述任一種所述基于環(huán)流分型的冷季復(fù)合低溫大雪事件的歸因分析方法。

42、與現(xiàn)有技術(shù)相比，本發(fā)明具有的有益效果為：

43、1.本發(fā)明基于全球氣候模式數(shù)據(jù)和大氣環(huán)流數(shù)據(jù)，改進(jìn)了全球氣候模式數(shù)據(jù)的偏差校正方法，使得全球氣候模式數(shù)據(jù)的評估和優(yōu)選更符合實(shí)際應(yīng)用的需求。

44、2.本發(fā)明基于雙變量動態(tài)閾值參數(shù)化方案，計(jì)算冷季的降雨和降雪，進(jìn)而識別了冷季復(fù)合極端低溫大雪事件，在此基礎(chǔ)上增強(qiáng)了對復(fù)合極端低溫大雪事件特征的認(rèn)識；

45、3.本發(fā)明首次基于自組織映射神經(jīng)網(wǎng)絡(luò)環(huán)流分型方法，結(jié)合正則化最優(yōu)指紋法和熱力-動力作用分離法，提出了一種冷季復(fù)合低溫大雪事件的歸因分析方法及系統(tǒng)，提供了復(fù)合低溫大雪事件的氣候變化和人類活動影響的歸因的新視角。