一种基于气候模型与联合分布函数的风速降尺度方法

摘要

本发明公开了属于区域气候变化技术领域的一种基于气候模型与联合分布函数的风速降尺度方法。包括步骤1：收集历史近地表风向风速、网格近地表风速和HadGEM3‑GC31‑LL气候模型数据；步骤2：运用反距离权重法和线性插值法分别修复空间和时间上缺失站点的近地表风速；步骤3：运用RegCM区域气候模型对目标区域进行动力降尺度；步骤4：对目标区域进行统计降尺度，确定区域气候模型的模拟值与观测值之间的互动关系；步骤5：对未来近地表风速进行预估。本发明弥补了当前研究仅运用单一动力或统计降尺度的不足，为我国甚至全球区域风能的开发与利用提供科学依据。

说明书

技术领域

本发明涉及区域气候变化技术领域，尤其涉及一种基于气候模型与联合分布函数的风速降尺度方法。

背景技术

近年来，随着气候变化加剧，全球大多数地区风速降低，这将会对风能资源的开发利用产生深远的影响。因此，未来气候变化对近地表风速的影响一直是研究热点之一。然而，气候变化具有显著的动态性、非一致性及空间异质性。全球气候模式(GCM)的水平分辨率较低(150～400公里)，难于反映这些复杂性。因此，迫切需要开发气候变化条件下的高分辨率甚至超高分辨率(空间分辨率小于10公里)的近地表风速数据。

目前，国内外的研究主要采用动力与统计降尺度产出高分辨率的近地表风速数据并评估气候变化对风能资源的影响。然而，这方面大多数研究仅运用单一的动力或统计降尺度，不足以解析中长期气候变化对近地表风速非一致性与空间异质性的影响。此外，当前研究缺乏基于区域气候模拟模型与多元联合分布函数的高时空精度近地表风速降尺度方法。

发明内容

本发明的目的是提出一种基于气候模型与联合分布函数的风速降尺度方法，其特征在于，包括以下步骤：

步骤1：气象观测数据收集；收集历史近地表风向风速、网格近地表风速和HadGEM3-GC31-LL气候模型数据；

步骤2：对步骤1中的气象观测数据进行预处理；运用反距离权重法和线性插值法分别修复空间和时间上缺失站点的近地表风速；

步骤3：对目标区域进行动力降尺度；以步骤1中的HadGEM3-GC31-LL气候模型数据为驱动，运用RegCM区域气候模型对目标区域进行动力降尺度；

步骤4：对目标区域进行统计降尺度，确定区域气候模型的模拟值与观测值之间的互动关系；耦合多元联合分布函数Copula，基于动力-统计耦合的高精度近地表风速降尺度方法对目标区域进行统计降尺度，运用Copula函数描述并模拟区域气候模型和观测的近地表风速之间的依赖性结构，以确定区域气候模型的模拟值与观测值之间的互动关系；

步骤5：对未来近地表风速进行预估；重复步骤2到步骤4对目标区域未来SSP245和SSP585排放情景下的近地表风速进行预估。

所述步骤2中的反距离权重法具体如下：

式中，W

所述步骤2中的线性插值法具体如下：

式中，X和Y为随机变量。

所述步骤4中动力-统计耦合的高精度近地表风速降尺度方法具体如下：

F(u,v)＝C

式中，C是对应于Copula函数，x，y分别是随机变量X和Y的值；U＝F

C

式中，θ基于二元Copula的性质通过计算Kendall系数得到；当给定V＝v或者U＝u时，U或者U＝u表示为：

所述步骤4中确定区域气候模型的模拟值与观测值之间的互动关系包括以下步骤：

步骤41：分别拟合区域气候模型和气象观测数据的近地表风速边缘分布F

步骤42：计算两个边缘分布的Kendall相关系数和二元Copula函数的参数θ值；

步骤43：运用K-S检验法对二元Copula函数计算检验统计量、统计显著性以及均方根差值：

式中，N为样本数，

步骤44：基于联合分布函数，给定区域气候模型近地表风速输出U＝u，计算V的条件概率分布：

步骤45：基于条件概率分布，运用蒙特卡洛随机抽样算法计算样本均值作为任意时刻观测值的概率v；

步骤46：将步骤45求得的概率v代入气象观测数据边缘分布函数的反函数

步骤47：通过将模拟结果与观测风速对比，计算所得数据与历史观测风速之间的相关性。

本发明的有益效果在于：

本发明提供了一种基于区域气候模型与联合分布函数耦合的高精度近地表风速降尺度方法，弥补了当前研究仅运用单一动力或统计降尺度的不足，以支持解析中长期气候变化对风速非一致性与空间异质性的影响和模拟未来SSP245和SSP585排放情景下10公里高精度近地表风速，为我国甚至全球区域风能的开发与利用提供科学依据。

附图说明

图1为本发明一种基于气候模型与联合分布函数的风速降尺度方法的基本流程图。

图2为本发明一种基于气候模型与联合分布函数的风速降尺度方法的技术路线图。

具体实施方式

本发明提出一种基于气候模型与联合分布函数的风速降尺度方法，下面结合附图和具体实施例对本发明做进一步说明。

图1和图2分别为本发明一种基于气候模型与联合分布函数的风速降尺度方法的基本流程图和技术路线图。本发明方法共分为数据收集、数据预处理、动力降尺度、统计耦合降尺度和未来近地表风速预估5个步骤。

1、数据收集；气象观测数据是开发基于气候模型与联合分布函数耦合的近地表风速降尺度方法的基础。将从国家气象局收集气象站的历史近地表风向风速。从ECWMF气象组织提供的ERA5数据集中的网格近地表风速数据；将从CMIP6收集历史和未来(SSP245和SSP585)情景下的HadGEM3-GC31-LL气候模型数据。

2、数据预处理；运用反距离权重法和线性插值法分别修复空间和时间上的缺失站点近地表风速观测数据。

空间上缺失站点数据采用反距离权重法：距离预测位置较近的测量值比距离预测位置较远的测量值对预测值的影响更大。具体公式如下：

其中，p是一个任一正实数，hi是离散点到插值点的距离；(x,y)为插值点坐标；(x

站点数据时间序列上缺失运用线性插值法：运用连接两个已知量的直线来预估在这两个已知量之间的未知量的值的方法。具体公式为：

3、动力降尺度；采用HadGEM3-GC31-LL气候模型数据作为驱动，运用由美国大气研究中心开发、国际理论物理研究中心(ICTP)维护的RegCM(Regional Climate Model)区域气候模型对目标区域进行动力降尺度。输出为逐日尺度的近地表风速数据(25公里)，为后续的动力-统计耦合降尺度提供数据支持。

4、统计降尺度；由于RegCM区域气候模型的输出(25公里)仍不足以直接用来分析关键地区尺度的近地表风速受气候变化影响的过程。然而，Copula是一种连接边缘分布和多变量联合分布的关联函数。通过建立大尺度气候预测因子与高精度观测数据的联合分布函数，这种方法不但能够反映局部尺度上的细节特征，而且能够独立模拟大尺度气候变量(预测因子)与局部地表变量之间的边缘分布及其相关结构。因此，本发明还将耦合多元联合分布函数Copula，开发基于动力-统计耦合的高精度近地表风速降尺度方法。具体公式如下：

F(u,v)＝C

其中C是对应于Copula函数，x，y分别是随机变量X和Y的值；U＝F

C

其中θ可以基于二元Copula的基本性质通过计算Kendall系数可得。当给定V＝v或者U＝u时，U或者U＝u可以表示为：

用Copula函数描述并模拟区域气候模型和观测的近地表风速之间的的依赖性结构，可反映区域气候模型模拟与观测值互动关系。具体计算过程如下：

a.分别拟合区域气候模型和观测数据的近地表风速边缘分布F

b.计算两个边缘分布的Kendall相关系数，并运用以下公式分别计算二元Copula函数的参数θ值；

c.运用K-S检验法对Copula函数计算检验统计量及统计显著性(p值)，以及均方根差(RMSE)值：

其中，N为样本数，

d.基于上述联合分布函数，给定区域气候模型近地表风速输出U＝u，计算V的条件概率分布，计算公式如下：

e.基于条件概率分布，运用蒙特卡洛随机抽样算法(进行100000个抽样)，并计算100000样本的均值，作为任意时刻观测值的概率v；

f.将上述求得的v值代入观测数据边缘分布函数的反函数

g.通过将模拟结果与观测风速对比，计算所得数据与历史观测风速之间的相关性，以验证动力-统计耦合降尺度方法。

5、未来近地表风速预估：基于上述开发的气候模型与联合分布函数耦合的近地表风速降尺度方法，基于目标区域未来HadGEM3-GC31-LL气候模型SSP245和SSP585排放情景下的近地表风速，重复步骤2至4，既可获得未来超高精度(空间分辨率小于10公里)近地表风速。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。