基于统计深度学习的并发洪水与并发干旱气候变化效应研究

《Water Resources Research》:Exploring Climate Change Effects on Concurrent Floods and Concurrent Droughts via Statistical Deep Learning

【字体: 大 中 小 】 时间:2026年10月23日 来源:Water Resources Research 6.3

编辑推荐:

  摘要 邻近流域的并发洪水与并发干旱对风险评估和水资源管理构成挑战。气候变化正影响极高和极低流量,但单个流域变化与流域间依赖变化之间的复杂相互作用,使得准确评估并发极端事件的发生概率变得困难。本研究采用一种当代统计深度学习模型,基于由大样本集合气候模式输出驱动的

  
摘要 邻近流域的并发洪水与并发干旱对风险评估和水资源管理构成挑战。气候变化正影响极高和极低流量,但单个流域变化与流域间依赖变化之间的复杂相互作用,使得准确评估并发极端事件的发生概率变得困难。本研究采用一种当代统计深度学习模型,基于由大样本集合气候模式输出驱动的水文模型所模拟的径流,捕捉多瑙河上游四个流域的并发河流洪水与干旱。该统计模型能够准确捕捉模拟径流的尾部行为,研究人员通过利用大可用样本对此进行了评估。随后,研究人员利用该统计模型研究径流联合尾部行为随时间的变化,发现在高排放情景下,至21世纪末,复合洪水与干旱样条件均日益趋于可能。研究结果尤其强调,极端事件依赖结构的变化对检测到的变化有显著贡献,这一方面是传统方法难以捕捉的。这项工作为水文应用中复合极端事件的高度灵活、通用推断铺平了道路,并展示了统计深度学习在该场景下的关键优势。
基于统计深度学习的并发洪水与并发干旱气候变化效应研究解读
一、研究背景与问题
河流洪水与干旱可危及生命、损毁财产并严重扰乱社会。受大尺度天气条件(如大范围极端降水)影响,邻近河流可能同时经历洪水,此类并发河流洪水造成的总体影响往往超过各局部洪水事件影响的简单加总。大范围并发干旱同样具有高破坏性,例如2018–2020年欧洲干旱影响了约三分之一的大陆陆地面积,在强度和范围上均为前250年所未见,导致内河航运、工业生产、水电及公共供水中断。此类事件并非偶然:中欧的流量干旱在空间上的相关性距离超过洪水,且其空间范围和流域间依赖随干旱从降水向径流传播而增强。在欧洲,洪水空间范围在过去70年间有所增加,同时中欧和南欧的干旱频率与严重程度在过去数十年显著上升,主要受气温升高和蒸散发增强驱动。干湿极端事件的双重加剧日益导致快速水文转变,对传统水资源管理框架构成挑战。
已有共识认为气候变化正影响洪水与干旱的频率和强度。由于区域不同的强度变化或大尺度天气型的变化所导致的空间依赖变化,可能使风险评估变得困难。例如,未来洪水规模和空间范围预计显著增加。这凸显了发展新技术以研究此类事件随时间演化的风险的重要性,从而制定更好的适应与减缓策略以降低社会脆弱性。
历史上,大多数河流径流极端事件建模方法集中于单变量技术,即在单个位置对观测数据拟合统计模型。实践者常采用超阈值法(POT),即对超过某高阈值的数据超出量拟合广义帕累托分布(GPD)。单变量极值模型可用于量化单个位置的风险,但无法提供不同位置或变量间极端事件相互依赖的信息。因此需要更复杂的技术来捕捉复合极端事件。从实践角度看,跨多个位置或变量获取数据也增加了可用于建模的信息量,尤其在河流网络上各位置间几乎总是存在强相互依赖的情况下,可产生更稳健、精细和详细的风险评估。
针对并发径流极端事件的建模技术已在洪水风险缓解、精算科学、气候变化适应和巨灾建模等应用中发展。对于干旱,空间依赖主要通过空间范围、同步化和复杂网络度量或成对尾部依赖汇总进行描述性量化,而非通过支持可靠联合尾部概率估计的拟合多元模型。近年来有研究将超阈值建模与非平稳copula相结合,在双变量框架中表征并发干旱依赖及其时间演化。
并发极端事件的评估需要能够捕捉不同位置极端事件间依赖的模型,即极值依赖结构。传统多元极值模型依赖多元正则变化假设,但该假设对建模环境过程往往不成立,因为变量通常不会在同一时间共同表现出极值。经典多元极值事件建模还因多元数据缺乏自然排序而面临无唯一定义的复杂性。仅关注所有变量同时极大(或极小)的区域过于简化,因为许多不同组合可导致高影响事件,包括部分变量完全不极端的组合。随着变量数量增加,子集变量同时极端的可能组合数增长速度快于指数增长,这凸显了维度增加时复合极端事件建模的困难;因此许多现有建模框架只能在低维(二维或三维)场景中使用,缺乏通用多元场景的灵活性。开发能灵活捕捉高维中多种极端事件组合的稳健建模框架是当前活跃研究领域。
本研究采用一种当代统计方法,允许以最小参数假设灵活建模多元极值,并能捕捉高维数据的联合高值和低值极端。具体而言,研究人员应用最近提出的半参数角-径向(SPAR)框架,通过深度极值回归进行推断,并证明该技术组合能很好地捕捉位于多瑙河上游阿尔卑斯前陆地区河流网络上四个流域的联合径流极端。研究人员使用由区域50成员单模型初始条件大集合(SMILE)气候模拟驱动的水文模型模拟径流,形成水文SMILE(hydro-SMILE)。使用水文SMILE使研究人员能够评估SPAR模型在不同样本量下的稳健性和敏感性。此外,使用气候模式可在未来时段建模和推断极端事件,从而研究复杂极值依赖结构随时间的变化。
SPAR模型相比竞争方法具有诸多重要实践优势:它为联合边际和多元尾部推断提供统一框架,具有可量化的不确定性、高灵活性和实践可扩展性,且不需要预先进行边际建模(不同于copula模型),从而减少分析中传播的不确定性。
研究人员对水文SMILE模拟检验三个假设:(H1)并发洪水随时间变得更可能,由气候变暖下降水极端的空间足迹和强度增加驱动;(H2)并发低流量(干旱样)条件变得更可能,由夏季干燥和冬季低流量的雪缓冲减少驱动;(H3)极端事件的空间依赖结构本身随时间变化,而非仅边际量级变化。检验这些假设需要能联合表示上尾和下尾依赖的框架,这促使采用SPAR模型。
二、研究内容与主要技术方法
研究人员基于水文SMILE数据集,即由加拿大地球系统模式第二版大集合(CanESM2-LE)在RCP8.5高排放情景下模拟、经加拿大区域气候模式第五版(CRCM5)动力降尺度至12公里分辨率、再经偏差校正和进一步统计降尺度至500米分辨率后驱动过程导向的空间分布式水量平衡模拟模型(WaSiM)以3小时间步长模拟得到的径流数据,研究多瑙河上游阿尔卑斯前陆地区Ammer、Iller、Lech和Loisach四个相邻源头流域的并发极端事件。50个成员的径流模拟覆盖1961–2099年,仅因内部气候变率而不同。研究人员将瞬态模拟分为四个30年时期(1980–2009、2010–2039、2040–2069、2070–2099),假设各时期内部平稳。从各时期采样周最大值(研究上尾)和月最小值(研究下尾),分别拟合两个SPAR模型。SPAR框架将随机向量分解为径向和角分量,对径向分量尾部以角度为协变量进行GPD回归,角密度用经验估计器。推断采用深度SPAR框架,即用多层感知机(MLP)表示GPD阈值和参数函数,分两阶段进行:先用分位数回归估计阈值函数,再以最大似然估计估计GPD参数函数。模型架构选择通过比较诊断确定:3个隐藏层、每层32个神经元,ReLU激活函数,形状参数用tanh约束,超阈值概率设为0.1。不确定性评估采用非参数块自助法(100个自助样本),周最大值块大小为4周,月最小值按年块从4月开始抽样。
三、研究结果
模型准确性:研究人员对四个时间窗口的周最大值和月最小值序列分别拟合深度SPAR模型。总体而言,SPAR模型很好地表示了四维数据集及其多元极端。GPD QQ图在所有情况下显示非常好的一致性,表明径向GPD假设在各时间窗口均有效。生成数据与观测数据的边际分布和成对关系之间具有非常好的一致性,模型能很好地重现每对组合的物理结构,仅在最大极端观测处存在一些边际分位数差异。模型与经验估计的返回水平在上尾和下尾均表现出非常好的一致性,表明SPAR拟合能很好地捕捉边际尾部,仅在最大极端值处存在轻微差异。
并发极端概率随时间的变化:通过比较四个时间窗口的联合尾部行为,研究发现并发洪水和并发干旱样条件均随时间变得更可能。在高排放情景下,至21世纪末,周最大值序列的联合上尾概率和月最小值序列的联合下尾概率均显著增加。研究特别强调,极端事件依赖结构的变化对检测到的变化有显著贡献,这一方面是传统方法难以捕捉的。这表明不仅各流域的边际极端量级在变化,流域间极端事件的共同发生模式也在演变。
四、讨论与结论
研究结果表明,在高排放情景下,多瑙河上游四个流域的并发洪水和并发干旱样条件均日益趋于可能。尤其重要的是,研究发现极端事件依赖结构的变化对检测到的变化有显著贡献,这凸显了仅研究边际变化不足以全面评估复合极端事件风险。SPAR框架能够联合表示上尾和下尾依赖,为水文应用中复合极端事件的高度灵活、通用推断铺平了道路,并展示了统计深度学习在该场景下的关键优势。该方法为建模和理解复合极端事件及其在水文应用中的变化提供了新的范式。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号