基于热浪洪水复合灾害的经济风险预测方法、系统及设备

本发明涉及数据预测处理，尤其涉及基于热浪洪水复合灾害的经济风险预测方法、系统及设备。

背景技术：

1、工业革命以来，大气中二氧化碳等温室气体排放量增加，地球陆地圈与大气圈的能量收支平衡与物质循环过程发生改变，全球陆地温度不断升高、珊瑚礁和热带雨林大面积消亡，高温热浪、洪涝、干旱、野火等极端灾害频发，社会经济系统和生态环境的不均衡、不平等日益加剧。近年来，高温热浪对社会经济发展和人体健康产生了显著影响，受到了国内外学者的广泛关注。高温热浪事件往往意味着较高的大气水汽含量，在热浪事件过后可能引发极端降水，进而造成洪涝灾害。为应对上述挑战，研究气候变化下高温热浪-洪水复合灾害的演变预估至关重要。

2、目前，对未来气候变化的研究主要依赖于全球气候模式。全球气候模式容许模拟地球气候系统(包括大气、海洋、陆面过程、冰冻圈和生物圈)各个组分变化的物理过程和相互作用。由于全球气候系统的复杂性，每个气候模式仿真这些组分变化时都做出不同程度的假设或者近似。近年来，国内外学者采用第六次国际耦合模式比较计划下的全球气候模式集合与流域水文模型和机器学习模型相结合，研究了未来水文灾害的演变规律。但是，当前研究通常采用全球气候模式集合的算术平均值表证模拟结果，没有考虑全球气候模式集合本身的不确定性对模拟结果造成的影响。此外，现有研究较少关注考虑大气湿度的高温热浪-洪水复合灾害，且未见相关文献将通过高温-疾病模型定量诊断高温热浪事件对人体健康的影响，不利于科学评估未来极端灾害的风险及其社会经济影响。

技术实现思路

1、发明提供一种基于热浪洪水复合灾害的经济风险预测方法、系统及设备，用以解决现有技术中针对复合灾害预测没有大气湿度及全球气候模式集合不确定性的缺陷。

2、第一方面，本发明提供一种基于热浪洪水复合灾害的经济风险预测方法，包括如下步骤：

3、步骤100：采集研究流域的气象水文数据集合、疾病样本及社会经济数据，并推求研究流域的汛期；

4、步骤200：采用克劳修斯-克拉珀龙热力学方程确定气象水文数据集合中各格点相对湿度和比湿，基于所述气象水文数据集合训练5个机器学习模型；

5、步骤300：基于分位数偏差校正方法，获得气候变化情景下的全球气候模式集合气象模拟数据，采用校正后的所述全球气候模式集合气象模拟数据训练所述5个机器学习模型，得到未来情景下的日径流系列；

6、步骤400：将全球气候模式集合气象模拟数据与所述5个机器学习模型进行组合，确定多模型加权平均法中各组合情景的权重参数；

7、步骤500：基于步骤200中计算的各格点的相对湿度及步骤100的气象水文数据集合，推求湿球温度，通过所述湿球温度和相对湿度，推求致病高温胁迫指数和致病高温胁迫指数，建立汛期的疾病-高温回归模型，并求解疾病-高温回归模型参数；

8、步骤600：基于所述未来情景下的日径流系列，采用超定量取样方法提取洪水事件；再基于所述疾病-高温回归模型提取热浪事件，提取湿胁迫热浪-洪水复合灾害；

9、步骤700：采用汛期降水量为协变量，建立基于copula函数和同频率组合的风险评估模型，基于所述多模型加权平均法中各组合情景权重参数预测未来湿胁迫热浪-洪水灾害造成的gdp、人口和农业风险，并计算综合性社会经济风险。

10、进一步地，步骤100包括：

11、获取研究流域内控制水位站的日径流系列，并获取era5再分析数据集的气象数据，从era5再分析数据集中获取降水、近地气压、2m气温、2m露点温度、短波辐射、近地风速、长波辐射、降雪数据，通过时间尺度转换后得到逐日系列数据；

12、采集国际耦合模式比较计划第六阶段中五个预设全球气候模式的气象数据；

13、获取共享社会经济路径数据集的人口数据和国内生产总值数据；

14、获取历史期和不同ssp情景下的农田面积数据；

15、从研究流域的疾病健康管理部门、医院、医疗中心机构获取汛期的致病致死病例数据；

16、基于era5再分析数据集中提取的逐日降水数据，采用泰森多边形方法得到研究流域的面平均逐日降水系列，再集成得到逐月降水系列，最后求解一年中任意连续5个月累积降水量，将连续5月降水量最大的5个月份划分为汛期。

17、进一步地，步骤200包括：

18、确定所述克劳修斯-克拉珀龙热力学方程中的汽化潜热常数、水汽气体常数、第一积分常数和第二积分常数，得到饱和水汽压与气温非线性函数；

19、将era5再分析数据集中各格点的逐时地表2m气温和逐时露点温度分别代入所述饱和水汽压与气温非线性函数，得到逐时相对湿度，然后计算得到日均相对湿度；

20、将所述逐时露点温度代入所述饱和水汽压与气温非线性函数和era5再分析数据集中的近地气压，得到所述逐时比湿，然后计算得到日均比湿；

21、基于era5再分析数据集中各格点的日降水、日均2m气温、日最高2m气温、日最低2m气温、短波辐射、近地风速、长波辐射和日降雪，以及推求的所述日均比湿和相对湿度作为输入，以研究流域控制水文站的实测径流数据为目标变量，建立5个机器学习模型，所述的5个机器学习模型包括卷积神经网络、长短期记忆模型、支持向量机、随机森林和人工神经网络；并通过梯度下降方法优化训练得到率定后的5个机器学习模型。

22、进一步地，步骤300包括：

23、第一步基于全球气候模式集合和分位数偏差校正方法，获得气候变化情景下的全球气候模式集合气象模拟系列数据，计算所述全球气候模式集合气象模拟系列数据中输出变量与观测气象变量在各个分位数上的差异值，在所述全球气候模式集合气象模拟系列数据的输出未来情景中去掉所述差异值，得到所述校正后的全球气候模式集合气象模拟数据；

24、第二步由所述校正后的全球气候模式集合气象模拟数据驱动所述率定后的5个机器学习模型，输出所述未来情景下的日径流系列。

25、进一步地，步骤400包括：

26、采用基于5个机器学习模型，推求多模型加权平均法的权重参数，具体包括：

27、在权重推求方案中，分别推求1-12月的权重，具体如下：

28、对于每一个月，5个机器学习模型的权重参数满足：

29、

30、其中， i表示步骤200建立的第 i个机器学习模型；表示第 i个机器学习模型的权重参数 ；lm表示机器学习模型数量，为5；

31、采用下式计算权重：

32、

33、其中，rbi表征第 i个机器学习模型模拟的径流与实测径流之间的相对偏差；rmsi第 i个机器学习模型模拟的径流与实测径流之间的绝对偏差，exp（）代表自然指数函数。

34、进一步地，步骤500包括：

35、第一步，对于每一个格点，基于era5再分析数据集提供的逐时地表2m气温和步骤200计算的逐时相对湿度，计算逐时湿球温度：

36、

37、式中： rh为相对湿度， tdry为日均2m气温， tw为推求的湿球温度， atan为反正切函数；

38、第二步，对于每一个格点，采用所述逐时湿球温度和逐时相对湿度，推求逐时致病高温胁迫指数：

39、

40、式中： th为致病高温胁迫指数；

41、第三步，基于推求的各格点所述逐时湿球温度和逐时致病高温胁迫指数，计算日均湿球温度和日均致病高温胁迫指数，通过泰森多边形方法计算研究流域的空间平均逐日湿球温度和逐日致病高温胁迫指数；

42、第四步，基于步骤100获取的汛期的致病致死病例数据，建立汛期的疾病-高温回归模型，具体如下：

43、

44、式中：表示研究流域内第 y年汛期的总致病及致死数量， ddy表示第 y年的汛期天数；表示第 y年的汛期第 dd日的致病高温胁迫指数，表示第 y年的汛期第 dd日的湿球温度；为疾病-高温回归模型的参数；所述汛期采用步骤100的计算结果；

45、采用最小二乘法求解汛期的疾病-高温回归模型，得到参数。

46、进一步地，所述步骤600具体包括：

47、第一步选取洪水事件的识别阈值，及提取历史期日径流系列的某分位数作为洪水标准，历史期和未来时期超过该阈值的日径流则为洪水事件，采用超过阈值情景下的日径流作为洪峰流量，标准洪水量级；

48、第二步采用全球气候模式在不同共享社会经济路径下的气象数据，推求得到各格点日均湿球温度和日均致病高温胁迫指数，并使用疾病-高温回归模型的参数，计算得到历史期和未来时期的归一化高温指数，具体为：

49、

50、式中： hi为归一化高温指数；

51、第三步，以历史期湿球温度系列的某分位数作为阈值，超过该阈值的事件定义为高温事件，若高温事件持续三日以上，则定义为高温热浪事件；当高温热浪事件发生在洪水事件发生前15日内，则确定为湿胁迫热浪-洪水复合灾害；进而可以提取得到复合灾害事件中洪水量级及高温热浪的烈度。

52、进一步地，步骤700包括：

53、第一步基于copula函数构建高温热浪烈度和洪水量级的联合概率分布函数；基于同频率组合优选复合灾害属性的组合情景，构建最优组合函数；

54、对于气候情景下的任一情景，选取gumbel copula函数为高温热浪烈度和洪水量级的联合概率分布函数，将copula函数的参数替换为时变参数：

55、

56、其中，为copula联合分布函数，范围为； ut， vt分别为高温热浪烈度 d、洪水量级 s边缘分布的概率密度函数；

57、基于copula函数的定义，非一致性两变量copula函数表示为：

58、

59、其中，表示d和s的时变联合分布函数；c（）为copula函数简写，,分别表示 d和 s变量的时变边缘分布函数，,分别表示 d和 s变量的时变参数；

60、将时变copula函数的参数用协变量 w表示为：

61、

62、其中，表示copula函数的联结函数，当时,； b0， b1分别为模型的参数； w为研究流域的空间平均汛期降水量；

63、则同频率组合函数为：

64、

65、其中，表示某一联合重现期 tor下高温热浪烈度 d、洪水量级 s的最可能组合情景； μ为湿胁迫热浪-洪水复合灾害的平均间隔时间；式中 tand为“且”重现期；

66、第二步基于多模型加权平均的结果，推求未来气候变化下湿胁迫热浪-洪水复合灾害增加造成的gdp、人口和农业风险；

67、采用牛顿迭代法求解同频率组合函数，得到历史期某一重现期 th对应的高温热浪烈度和洪水量级（，）；以历史期长度为滑动窗口构建未来时期的时变边缘分布及copula函数，将（，）依次代入未来时段第 k个滑动窗口的时变分布函数，计算得到新的重现期；

68、分别得到每一种组合情景下的重现期之后，采用加权平均法得到 m个组合情景下第 k个滑动窗口的平均重现期：

69、

70、其中， i表示组合情景；表示组合情景的权重参数；表示组合情景 i下第 k个滑动窗口的重现期；若则表明第 k个窗口的复合灾害风险增加，反之下降；

71、通过下式度量未来时期的gdp、人口和农业风险：

72、

73、

74、

75、其中，、和分别表征受复合灾害造成的人口、gdp和农业风险，、和 cropk分别为第 k年的人口、gdp和农田面积； i(•)为指示函数，时记为1，反之取0； n1和 n2分别表征研究时段的起、止年份；

76、通过所述gdp、人口和农业风险的结果，计算综合性社会经济风险：

77、

78、其中：表示受复合灾害影响的综合性社会经济风险；分别表示人口、gdp和农业风险所占的权重，根据研究区域的社会经济发展特征具体确定。

79、另一方面，本发明提供一种基于热浪洪水复合灾害的经济风险预测系统，包括：

80、采集模块，用于采集气象水文数据集合；

81、训练模块，采用克劳修斯-克拉珀龙热力学方程确定相对湿度和比湿，基于所述气象水文数据集合训练5个机器学习模型；

82、校正模块，用于基于分位数偏差校正方法，获得气候变化情景下的全球气候模式集合气象模拟数据，采用校正后的所述全球气候模式集合气象模拟数据训练所述5个机器学习模型，得到未来情景下的日径流系列；

83、组合模块，用于将全球气候模式集合与所述机器学习模型进行组合，确定多模型加权平均法中各组合情景权重参数；

84、建立模块，用于基于获取的研究流域内治病致死数据，建立汛期的疾病-高温回归模型，并求解模型参数；

85、计算模块，用于通过所述未来情景下的水文过程提取未来气候变化情景下的洪水事件，进一步提取湿胁迫热浪-洪水复合事件，得到高温热浪烈度和洪水量级；

86、预测模块，用于建立非一致性条件下基于copula函数和同频率组合的二维风险评估模型，基于所述多模型加权平均法中各组合情景权重参数预测未来复合灾害造成的社人口、gdp和农业风险，计算综合性社会经济风险。

87、再一方面，本发明提供一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现基于热浪洪水复合灾害的经济风险预测方法。

88、与现有技术相比，本发明具有如下有益效果：

89、本发明提供的基于热浪洪水复合灾害的经济风险预测方法、系统及电子设备，通过将地球系统模式、考虑疾病风险的气候-健康模型、水热平衡方程、全球水文模型、机器学习模型、与湿胁迫热浪-洪水复合灾害相结合，为气候变化下水文灾害风险评估、预警提供重要且可操作性强的参考依据，为应对未来气候灾害、科学制定减排战略提供工程参考价值。