一种面向观测站点数据的极端降水事件分析方法及系统

1.本发明涉及水文水资源分析技术领域，更具体地，涉及一种面向观测站点数据的极端降水事件分析方法及系统。


背景技术：

2.受气候变化影响，极端降水在总量、频率、强度等方面发生了明显变化，已对人类生命及社会经济安全构成重大风险，亟需理解和掌握极端降水的变化以筹备防灾减灾。
3.目前有提出针对极端降水趋势分析的方法，通过收集气象水文观测数据和大尺度气候异常指标数据，然后对年最大径流序列方差进行测试，识别年最大径流序列数据中的变异点，确定变异点位置，确定年最大径流时间序列是否具有统计上的显著趋势，然后对最大径流序列的统计参数进行线性以及非线性趋势变化分析，以及利用赫斯特指数h估计径流时间序列的长期平稳性特征。然而，观测站点记录到的极端降水事件往往在空间上离散、时间上不连续，因此对于极端降水的非线性演化研究存在困难。


技术实现要素：

4.本发明为克服上述现有技术所述的极端降水事件在不连续时空中的非线性演化分析存在困难的缺陷，提供一种面向观测站点数据的极端降水事件分析方法及系统。
5.为解决上述技术问题，本发明的技术方案如下：
6.一种面向观测站点数据的极端降水事件分析方法，包括以下步骤：
7.获取各个站点的逐日降水数据和降水发生时间；
8.根据所述逐日降水数据进行筛选，得到极端降水事件；
9.根据任意两个站点发生的极端降水事件之间的延迟是否超出预设的延迟阈值，判断极端降水事件是否同步；
10.对于被判定为同步的极端降水事件，基于事件的同步强度量化相应极端降水事件的总体时空连接，并基于所述显著延迟强度表征极端降水事件的总体传播方向，对极端降水事件的同步进行显著性检验，得到通过显著性检验的显著同步强度矩阵和显著延迟强度矩阵；
11.根据所述显著同步强度矩阵和显著延迟强度矩阵分别构成极端降水事件的无向网络和有向网络，并将其作为极端降水事件分析结果输出。
12.进一步地，本发明还提出了一种面向观测站点数据的极端降水事件分析系统，应用本发明提出的极端降水事件分析方法。其中包括：
13.数据采集模块，用于获取各个站点的逐日降水数据和降水发生时间；
14.预处理模块，用于根据所述逐日降水数据进行筛选，得到极端降水事件；
15.事件同步判断模块，用于根据任意两个站点发生的极端降水事件之间的延迟是否超出预设的延迟阈值，判断极端降水事件是否同步；
16.复杂网络构建模块，用于对被判定为同步的极端降水事件构建极端降水事件分析
复杂网络，并将所述极端降水事件分析复杂网络作为极端降水事件分析结果输出；
17.其中，基于事件的同步强度量化相应极端降水事件的总体时空连接，并基于所述显著延迟强度表征极端降水事件的总体传播方向，对极端降水事件的同步进行显著性检验，得到显著同步强度矩阵和显著延迟强度矩阵，组成所述极端降水事件分析复杂网络，用于极端降水的时空连接和传播规律分析。
18.进一步地，本发明还提出了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，其中所述计算机可读指令被所述处理器执行时，使得所述处理器执行本发明提出的极端降水事件分析方法的步骤。
19.进一步地，本发明还提出了一种存储介质，其上存储有计算机可读指令，其中，所述计算机可读指令被处理器执行时实现本发明提出的极端降水事件分析方法的步骤。
20.与现有技术相比，本发明技术方案的有益效果是：本发明通过量化极端降水事件的总体同步程度和总体传播方向，构建极端降水事件复杂网络分析模型，以及通过构建极端降水的时空连接特征和传播特征，定量表征出复杂网络视角下的极端降水在不连续时空中的非线性演化，能够有利于观测站点关于极端降水事件的非线性演化研究，且具有易理解、易操作的特点。
附图说明
21.图1为实施例1的极端降水事件分析方法的流程图。
22.图2为实施例2的输入文件的文件头信息示意图。
23.图3为实施例2的站点逐日降水数据的站点-时间剖面图。
24.图4为实施例2的观测站点极端降水阈值示意图。
25.图5为实施例2的极端降水事件数示意图。
26.图6为实施例2的显著性检验结果示意图。
27.图7为实施例2的极端降水的空间连接示意图。
28.图8为实施例2的极端降水的传入特征示意图。
29.图9为实施例2的极端降水的传出特征示意图。
30.图10为实施例3的极端降水事件分析系统的架构图。
具体实施方式
31.附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些公知说明可能省略是可以理解的。
32.下面结合附图和实施例对本发明的技术方案做进一步的说明。
33.实施例1
34.本实施例提出一种面向观测站点数据的极端降水事件分析方法，如图1所示，为本实施例的极端降水事件分析方法的流程图。
35.本实施例提出的极端降水事件分析方法中，包括以下步骤：
36.s1、获取各个站点的逐日降水数据和降水发生时间。
37.s2、根据所述逐日降水数据进行筛选，得到极端降水事件。
38.s3、根据任意两个站点发生的极端降水事件之间的延迟是否超出预设的延迟阈
值，判断极端降水事件是否同步。
39.其中，被判定为同步的两个极端降水事件用于后续构建复杂网络，否则弃之。
40.s4、对于被判定为同步的极端降水事件，基于事件的同步强度量化相应极端降水事件的总体时空连接，并基于所述显著延迟强度表征极端降水事件的总体传播方向，对极端降水事件的同步进行显著性检验，得到通过显著性检验的显著同步强度矩阵和显著延迟强度矩阵。
41.s5、根据所述显著同步强度矩阵和显著延迟强度矩阵分别构成极端降水事件的无向网络和有向网络，并将其作为极端降水事件分析结果输出。
42.本实施例通过量化极端降水事件的总体同步程度和总体传播方向，以及对原始极端降水事件同步进行显著性检验，得到具有统计意义的能够代表物理机制的显著同步强度和延迟强度，由此构建极端降水事件的无向网络和有向网络，得到极端降水事件复杂网络分析模型，用于极端降水的时空连接和传播规律分析，实现极端降水事件在不连续时空中的非线性演化分析。
43.本实施例利用通过显著性检验的显著同步强度矩阵和显著延迟强度矩阵，以编码方式在矩阵中定量表征出复杂网络视角下的极端降水在不连续时空中的非线性演化，能够有利于观测站点关于极端降水事件的非线性演化研究，且具有易理解、易操作的特点。
44.其中可选地，所获取的站点数据还包括相应站点的经纬度信息，便于观测站点关于极端降水事件的非线性演化研究。
45.进一步地，在一可选实施例中，s2步骤中，根据所述逐日降水数据进行筛选的过程中，包括以下步骤：
46.s2.1、根据所述逐日降水数据和降水发生时间，对逐日降水数据超出预设的第一阈值的日期判定为相应站点的有雨日，并根据有雨日的逐日降水数据组成每个站点的有雨日序列。
47.s2.2、对每个站点的有雨日序列进行升序排序，对有雨日序列数据超出预设的第二阈值的事件判定为相应站点的极端降水事件，并将其发生时间作为相应极端降水事件的发生时间。
48.其中，对于在时间上连续的若干极端降水事件视为单一极端降水事件，并取第一天为相应极端降水事件的发生时间。
49.作为示例性说明，本实施例中的第一阈值设置为1mm/d。
50.作为示例性说明，本实施例中的第二阈值设置为95th分位数。
51.进一步地，在一可选实施例中，s3步骤中，根据任意两个极端降水事件之间的延迟是否超出预设的延迟阈值，判断极端降水事件是否同步的过程中，包括以下步骤：
52.s3.1、对于任意两个站点i和j上所有极端降水事件的发生时间构成时间集合：
[0053][0054]
其中，和分别表示在站点i和站点j上观测到的第u个和第v个极端降水事件的发生时间；li和lj分别表示站点i和站点j上发生的极端降水事件的总数。
[0055]
s3.2、计算站点i上的极端降水事件u与站点j上的极端降水事件v之间的延迟
[0056][0057]
s3.3、将动态延迟作为延迟阈值；其表达式为：
[0058][0059]
其中，当动态延迟大于预设的延迟极限值τ
max
时，则判断：当满足时，则判定时刻发生的极端降水事件与时刻发生的极端降水事件为同步的极端降水事件，否则为不同步的极端降水事件；
[0060]
当动态延迟小于或等于预设的延迟极限值τ
max
时，则判断：当满足时，则判定时刻发生的极端降水事件与时刻发生的极端降水事件为同步的极端降水事件，否则为不同步的极端降水事件。
[0061]
本实施例中，动态延迟会随着两个站点中每一对极端降水事件的判定而不断发生变化，其取值范围为(0，+∞)，即，每一对事件的延迟以及计算得到的动态延迟在(0，+∞)上应该满足顺序关系(0，+∞)。
[0062]
为了避免出现极大的延迟阈值而使得无论多大都得以判定为同步，本实施例设置τ
max
为预设的延迟极限值，即τ
max
是中的一种情况。其中，若要认定时刻发生的极端降水事件与时刻发生的极端降水事件为同步的极端降水事件，首先要保障即当远远大于τ
max
时，则直接比较和τ
max
，满足即为同步事件，否则不同步；当则考虑当延迟时，满足时则判定时刻发生的极端降水事件与时刻发生的极端降水事件为同步的极端降水事件，若不满足则不为同步事件。
[0063]
本实施例中通过判断事件是否同步以量化发生在空间中不同位置的极端降水在时间上的相关性，并将此作为极端降水事件在不连续时空上的时空连接特征编码和传播特征编码的基础。
[0064]
作为示例性说明，本实施例中的延迟极限值τ
max
设置为10d。
[0065]
在一可选实施例中，所述s4步骤中，基于事件的同步强度量化相应极端降水事件的总体同步程度的过程中，包括以下步骤：
[0066]
s4.1.1、根据极端降水事件在相应站点的发生时间，计算极端降水事件在站点i和站点j的先后发生的数量；其表达式为：
[0067][0068][0069][0070][0071]
其中，c(i|j)表示极端降水先在站点i发生而后在站点j发生的事件数量，c(j|i)表示极端降水先在站点j发生而后在站点i发生的事件数量表示；j
ij
和j
ji
分别表示单次事件同步判定的分类得分结果。以j
ij
为例，即：若满足为例，即：若满足且则事件同步判定得分为1；若站点i和站点j的极端降水事件同一时刻发生，则事件同步判定得分为0.5；若都不属于，则得分为0。
[0072]
s4.1.2、标准化量化两个站点的总体同步程度，计算站点i和站点j的同步强度q
ij
；其表达式为：
[0073][0074]
其中，q
ij
∈[0，1]；同步强度q
ij
值越大，表示站点i和站点j的在τ
max
内先后发生极端降水的可能性越高。
[0075]
本实施例通过定义同步强度q
ij
用于标准化量化每个站点获取到的极端降水事件数。
[0076]
进一步地，在一可选实施例中，所述s4步骤中，基于事件的延迟强度量化极端降水事件的总体传播方向的过程中，包括以下步骤：
[0077]
s4.2.1、根据同步的极端降水在不同站点先后发生的事件数量，计算延迟强度q
ij
。其表达式为：
[0078][0079]
其中，q
ij
表示两个同步极端降水的总体传播方向，且q
ij
∈[-1，1]；当q
ij
＝0时，表示总体上不呈现传播特征；当q
ij
∈(0，1]时，则表示极端降水总体传播方向为从站点j向站点i传播；当q
ij
∈[-1,0)时，则表示极端降水总体传播方向为从站点i向站点j传播。
[0080]
本实施例中，由于同步强度q
ij
的计算过程中是将两个站点相互的2个传播方向进行同时考虑，因此在计算过程中压缩了部分信息，为量化极端降水在不连续时空上的总体先后顺序，本实施例进一步结合延迟强度q
ij
量化同步极端降水的总体传播方向。
[0081]
本实施例中，由同步强度q
ij
组成的矩阵q代表了极端降水的时空连接特征，由延迟强度q
ij
组成的矩阵q代表了极端降水的传播特征。其中，根据任意两个站点的同步强度q
ij
组成同步强度矩阵q；其表达式为：
[0082][0083]
根据任意两个站点的延迟强度q
ij
组成极端降水的延迟强度矩阵q；其表达式为：
[0084][0085]
其中，n为观测站点数量。
[0086]
进一步地，在一可选实施例中，所述方法还包括对极端降水的时空连接特征和传播特征进行显著性检验，以提高极端降水复杂网络模型的鲁棒性。其具体步骤包括：
[0087]
s6.1、对获取的每个站点极端降水事件进行随机打乱，得到无序的极端降水事件序列其表达式为：
[0088][0089]
其中，表示经过随机打乱的极端降水事件序列中在i格点上观测到的事件u的发生时间；random.permutation(
·
)为用于打乱原有极端降水事件序列结构的函数。
[0090]
s6.2、基于所述无序的极端降水事件序列计算无序的极端降水事件的同步强度
null
q和延迟强度
null
q。
[0091]
本实施例中，关于无序的极端降水事件的同步强度
null
q和延迟强度
null
q的计算根据s3～s5步骤计算得到。
[0092]
s6.3、重复上述步骤s6.1～s6.2至预设迭代次数，构建得到同步强度矩阵q的零模型{
null
q}n和延迟强度矩阵q的零模型{
null
q}n；其表达式为：
[0093][0094][0095]
其中，n为观测站点数量，其表示矩阵的大小。
[0096]
s6.4、从所述零模型{
null
q}n和{
null
g}n中取出站点i和站点j的零模型{
nullqij
}n和{
nullqij
}n，沿重复次数方向取预设分位数作为站点i和站点j发生显著连接的阈值和发生显著传播的阈值分别用于构建显著同步强度矩阵aq和显著延迟强度矩阵aq；其表达式为：
[0097][0098][0099]
其中，表示站点i和站点j发生连接的显著性编码，当时，表示站点i和站点j间的连接在一定概率上不是因偶然产生的；站点i和站点j间的连接在一定概率上不是因偶然产生的；表示站点i和站点j传播方向的显著性编码，当时，表示由站点j向站点i显著传播连接，当时，表示由站点i向站点j显著传播连接。
[0100]
作为示例性说明，本实施例中沿重复次数方向取99.9th分位数(对应的显著性水平为0.001)作为站点i和站点j发生显著连接的阈值和发生显著传播的阈值
[0101]
进一步可选地，根据显著同步强度矩阵aq和显著延迟强度矩阵aq构建极端降水的无向网络和有向网络，并将其绘制极端降水的散点图后进行可视化显示，用于更直观地进行极端降水事件分析。
[0102]
本实施例中，考虑到在s4步骤中得到的同步强度矩阵q和延迟强度矩阵q记录了每个站点i和其他所有站点j的极端降水总体关联程度，在进行显著性检验后可以判断出每个站点i与其他哪些站点j间的连接在99.9％的概率上不是因偶然产生的，这一显著的连接以编码在显著同步强度矩阵aq中。
[0103]
而在s4步骤中得到的延迟强度矩阵q记录了每个站点i和其他所有站点j的极端降水总体延迟程度，需要说明的是，对延迟强度矩阵q进行的显著性检验与同步强度矩阵q的显著性检验有所不同，当q
ij
→
0时不体现传播特征，即两个站点间的极端降水要么倾向于近乎同时发生(近距离)，要么倾向于没有时空关联(远距离)。对于通过延迟强度矩阵q显著性检验的传播，那些在一定距离范围内存在显著传播特征的极端降水的连接可以被直接筛选出来，从而能够发现那些在预警中容易忽略的从一定距离外在很短时间内传播来的突发致洪极端降水，服务于区域极端降水预警预报。这一显著的传播存在两个方向，其中由站点j向站点i显著传播的连接以编码在显著延迟强度矩阵aq中，由站点i向站点j显著传播的连接以编码在显著延迟强度矩阵aq中。
[0104]
特别地，本实施例中经过随机打乱的无序的极端降水事件序列很难再现原始时间序列上密切关联的时间结构，这种破坏会减小站点间同时发生极端降水的概率，使得总体上呈现为同时发生的站点间的显著连接无法通过延迟强度的显著性检验。这里面存在两类关键情况：一方面，近距离的极端降水在同一天气系统影响下，其同时发生是不言而喻的，故不会呈现显著传播；另一方面，也是这一显著性检验所可以发掘到的新信息，即在远距离外仍然呈现出显著连接的且表现为同时发生的极端降水也不会通过显著性检验，通过这样的反向筛选可以进一步明确那些远距离外的遥相关极端降水。
[0105]
至此，观测站点极端降水事件在不连续时空上的显著连接和传播通过编码的方式记录在矩阵aq和aq中，分别构成极端降水的无向网络和有向网络。
[0106]
进一步可选地，基于所述极端降水的无向网络和有向网络进行站点极端降水复杂网络图绘制并输出显示，用于可视化分析基于观测站点的极端降水非线性演化。
[0107]
实施例2
[0108]
本实施例应用实施例1提出的面向观测站点数据的极端降水事件分析方法进行仿真实验。
[0109]
本实施例运用长江上游区域观测站点1979-2018年逐日降水数据构建极端降水复杂网络，基于实施例1提出的面向观测站点数据的极端降水事件分析方法，其解析步骤如下：
[0110]
步骤1：采用xarray中的open_dataset函数各个站点的逐日降水数据、降水发生时间以及站点的经纬度信息(.nc)，输入文件的文件头信息示意图如图2所示，提取的站点逐日降水数据的站点-时间剖面图如图3所示。
[0111]
步骤2：构建面向观测站点的极端降水复杂网络，依次按照极端降水事件的获取、事件同步的判定、复杂网络的显著性检验的顺序进行，主要通过python开源的第三方库numpy中的where、percentile、pad、isnan、diff、abs、min和random.permutation等函数结合逻辑判断和循环来实现，具体步骤如下：
[0112]
1)极端降水事件的获取：
[0113]
传入有雨日阈值rain_th、极端降水阈值perc_th和连续日阈值consecutive_th三个参数，传入观测站点逐日降水数据。
[0114]
对传入的观测站点逐日降水数据，运用where函数以rain th筛选出每个站点的有雨日，运用percentile完成排序并以perc_th筛选出每个站点的极端降水事件，得到原始极端降水时间序列矩阵exes_prec_station，保存这一矩阵为.nc文件以作为显著性检验的输入。运用matplotlib中的pyplot.plot，cartopy中的crs、io.shapereader、mpl.ticker，将每个站点的有雨日以perc_th计算得到的极端降水阈值结果进行绘制，得到如图4所示的观测站点极端降水阈值示意图。
[0115]
将exes_prec_station的连续极端降水事件处理为单一事件。首先通过isnan取出所有的极端降水日，各站点存放事件数的最大长度与所有站点中极端降水事件数最大的一个站点一致，不足最大长度的用pad补齐，得到缩小后的极端降水发生时间矩阵prec_tid_station；然后对prec_tid_station使用diff计算极端降水事件发生时间之差，若前后两个事件的发生时间间隔小于consecutive th，则处理为单一事件；接着对处理后的结果继续用isnan、pad缩小得到单一极端降水事件发生时间矩阵prec_tid_cons_station_valid，保存这一矩阵为.nc文件作为事件同步的判定的输入。运用matplotlib中的pyplot.plot，cartopy中的crs、io.shapereader、mpl.ticker，将prec_tid_cons_station_valid的总数，即单一极端降水事件数进行绘制，得到如图5所示的极端降水事件数示意图。
[0116]
2)事件同步的判定：
[0117]
传入最大动态延迟τmax，传入单一极端降水事件发生时间矩阵prec_tid_cons_station_valid。
[0118]
对传入的prec_tid_cons_station_valid，固定一个站点i，然后判定站点i和其他
所有站点j间的极端降水事件同步。以站点i为准，遍历站点i上所有的极端降水事件，运用where搜索站点j在内的所有极端降水事件，结合abs、min计算得到并将之与τ
max
计算事件数量c(i|j)和c(j|i)。在此同时，可以直接计算得到站点i和站点j的同步强度q
ij
和延迟强度q
ij
。
[0119]
循环结束时即完成对整个观测站点极端降水场的事件同步的判定，并得到整个降水场的同步强度矩阵q和延迟强度矩阵q。保存同步强度矩阵q和延迟强度矩阵q为.nc文件，作为复杂网络显著性检验的输入。
[0120]
本实施例选用matplotlib中的pyplot.plt将矩阵q和矩阵q以散点图的形式表现出来，作为显著性检验筛选前的参照。如图6所示，为显著性检验结果示意图，其中低灰度部分即为显著性检验筛选前的参照数据。
[0121]
3)复杂网络的显著性检验：
[0122]
传入显著性检验零模型构建的重复次数nsample，传入原始极端降水时间序列矩阵exesprec_station，传入同步强度矩阵q和延迟强度矩阵q。
[0123]
使用random.permutation打乱矩阵exesprecstation的时间序列，然后调用极端降水事件的获取函数得到对应的prec_tidconsstationvalid，接着调用同步事件的判定传入刚得到的prectid_consstationvalid得到对应的
null
q和
null
q。这一过程重复n_sample次，这n_sample个q和nsample个q分别构成零模型{
null
q}n和{
null
q}n。
[0124]
分别取{
nullqij
}n和{
nullqij
}n的99.9th分位数进行显著性判断并编码极端降水的连接和传播，得到通过显著性检验的无向网络aq和有向网络aq，将无向网络aq和有向网络aq存为.nc文件作为后续分析的基础。运用运用matplotlib中的pyplot.plt将aq和aq以散点图的形式表现出来，并附着上对应的两个站点间的距离，以表征在同步强度-延迟强度关系中通过显著性检验的分布以及空间特征，得到如图6所示的显著性检验结果示意图，其中黑白渐变色部分即为通过显著性检验的分布以及空间特征。
[0125]
进一步地，采用python中的和def()语句，将极端降水事件的获取步骤封装成函数originprec2finaltidstation，将事件同步的判定步骤封装成函数eventsynchroni，在复杂网络的显著性检验步骤中重复调用origin_prec_2_final_tid_station和eventsynchroni，将这些保存为.py文件，使用时只需要通过import语句调用函数，即可进行极端降水复杂网络构建所需要的计算过程。
[0126]
进一步地，对于构建的极端降水复杂网络，根据读取的站点经纬度信息，运用matplotlib中的pyplot.plot，cartopy中的crs、io.shapereader、mpl.ticker，geopandas中的read_file、shapely中的geometry来完成极端降水的连接与传播空间图的绘制，得到如图7所示的极端降水的空间连接示意图，并将传播特征分别以传入特征和传出特征展示，得到如图8、9所示的传入特征示意图和传出特征示意图。
[0127]
由图可知，本实施例能够定量表征出复杂网络视角下的极端降水在不连续时空中的非线性演化，能够有利于观测站点关于极端降水事件的非线性演化研究，且具有易理解、易操作的特点。
[0128]
实施例3
[0129]
本实施例提出一种面向观测站点数据的极端降水事件分析系统，应用实施例1提
出的极端降水事件分析方法。如图10所示，为本实施例的极端降水事件分析系统的架构图。
[0130]
本实施例提出的面向观测站点数据的极端降水事件分析系统中，包括：
[0131]
数据采集模块，用于获取各个站点的逐日降水数据和降水发生时间。
[0132]
预处理模块，用于根据所述逐日降水数据进行筛选，得到极端降水事件。
[0133]
事件同步判断模块，用于根据任意两个站点发生的极端降水事件之间的延迟是否超出预设的延迟阈值，判断极端降水事件是否同步；
[0134]
复杂网络构建模块，用于对被判定为同步的极端降水事件构建极端降水事件分析复杂网络，并将所述极端降水事件分析复杂网络作为极端降水事件分析结果输出；
[0135]
其中，基于事件的同步强度量化相应极端降水事件的总体时空连接，并基于所述显著延迟强度表征极端降水事件的总体传播方向，对极端降水事件的同步进行显著性检验，得到显著同步强度矩阵和显著延迟强度矩阵，组成所述极端降水事件分析复杂网络，用于极端降水的时空连接和传播规律分析。
[0136]
可以理解，本实施例的系统对应于上述实施例1的方法，上述实施例1中的可选项同样适用于本实施例，故在此不再重复描述。
[0137]
实施例4
[0138]
本实施例提出一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，其中所述计算机可读指令被所述处理器执行时，使得所述处理器执行实施例1提出的极端降水事件分析方法的步骤。
[0139]
实施例5
[0140]
本实施例提出一种存储介质，其上存储有计算机可读指令，其中，所述计算机可读指令被处理器执行时实现实施例1提出的极端降水事件分析方法的步骤。
[0141]
示范性地，所述存储介质包括但不限于u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0142]
示范性地，所述指令、程序、代码集或指令集可采用常规编程语言实现。
[0143]
示范性地，所述处理器包括但不限于智能手机、个人计算机、服务器、网络设备等，用于执行实施例1所述的极端降水事件分析方法的全部或部分步骤。
[0144]
附图中的用语仅用于示例性说明，不能理解为对本专利的限制；
[0145]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

技术特征：
1.一种面向观测站点数据的极端降水事件分析方法，其特征在于，包括：获取各个站点的逐日降水数据和降水发生时间；根据所述逐日降水数据进行筛选，得到极端降水事件；根据任意两个站点发生的极端降水事件之间的延迟是否超出预设的延迟阈值，判断极端降水事件是否同步；对于被判定为同步的极端降水事件，基于事件的同步强度量化相应极端降水事件的总体时空连接，并基于所述显著延迟强度表征极端降水事件的总体传播方向，对极端降水事件的同步进行显著性检验，得到通过显著性检验的显著同步强度矩阵和显著延迟强度矩阵；根据所述显著同步强度矩阵和显著延迟强度矩阵分别构成极端降水事件的无向网络和有向网络，并将其作为极端降水事件分析结果输出。2.根据权利要求1所述的极端降水事件分析方法，其特征在于，所述根据所述逐日降水数据进行筛选，包括：根据所述逐日降水数据和降水发生时间，对逐日降水数据超出预设的第一阈值的日期判定为相应站点的有雨日，并根据有雨日的逐日降水数据组成每个站点的有雨日序列；对每个站点的有雨日序列进行升序排序，对有雨日序列数据超出预设的第二阈值的事件判定为相应站点的极端降水事件，并将其发生时间作为相应极端降水事件的发生时间；其中，对于在时间上连续的若干极端降水事件视为单一极端降水事件，并取第一天为相应极端降水事件的发生时间。3.根据权利要求2所述的极端降水事件分析方法，其特征在于，所述根据任意两个极端降水事件之间的延迟是否超出预设的延迟阈值，判断极端降水事件是否同步，包括：对于任意两个站点i和j上所有极端降水事件的发生时间构成时间集合：其中，和分别表示在站点i和站点j上观测到的第u个和第v个极端降水事件的发生时间；l
i
和l
j
分别表示站点i和站点j上发生的极端降水事件的总数；计算站点i上的极端降水事件u与站点j上的极端降水事件v之间的延迟计算站点i上的极端降水事件u与站点j上的极端降水事件v之间的延迟将动态延迟作为延迟阈值；其表达式为：其中，当动态延迟大于预设的延迟极限值τ
max
时，则判断：当满足时，则判定时刻发生的极端降水事件与时刻发生的极端降水事件为同步的极端降水事件，否则为不同步的极端降水事件；当动态延迟小于或等于预设的延迟极限值τ
max
时，则判断：当满足时，则
判定时刻发生的极端降水事件与时刻发生的极端降水事件为同步的极端降水事件，否则为不同步的极端降水事件。4.根据权利要求1所述的极端降水事件分析方法，其特征在于，所述基于事件的同步强度量化相应极端降水事件的总体同步程度，包括：根据极端降水事件在相应站点的发生时间，计算极端降水事件在站点i和站点j的先后发生的数量；其表达式为：发生的数量；其表达式为：发生的数量；其表达式为：发生的数量；其表达式为：其中，c(i|j)表示极端降水先在站点i发生而后在站点j发生的事件数量，c(j|i)表示极端降水先在站点j发生而后在站点i发生的事件数量表示；j
ij
和j
ji
分别表示单次事件同步判定的分类得分结果；标准化量化两个站点的总体同步程度，计算站点i和站点j的同步强度q
ij
；其表达式为：其中，q
ij
∈[0,1]；同步强度q
ij
值越大，表示站点i和站点j的在τ
max
内先后发生极端降水的可能性越高；根据任意两个站点的同步强度q
ij
组成同步强度矩阵q。5.根据权利要求4所述的极端降水事件分析方法，其特征在于，所述基于所述显著延迟强度表征极端降水事件的总体传播方向，包括：根据同步的极端降水在不同站点先后发生的事件数量，计算延迟强度q
ij
；其表达式为：其中，q
ij
表示两个同步极端降水的总体传播方向，且q
ij
∈[-1,1]；当q
ij
＝0时，表示总体上不呈现传播特征；当q
ij
∈(0,1]时，则表示极端降水总体传播方向为从站点j向站点i传播；当q
ij
∈[-1,0)时，则表示极端降水总体传播方向为从站点i向站点j传播；根据任意两个站点的延迟强度q
ij
组成极端降水的延迟强度矩阵q。6.根据权利要求5所述的极端降水事件分析方法，其特征在于，所述对极端降水事件的同步进行显著性检验，包括：对获取的每个站点极端降水事件进行随机打乱，得到无序的极端降水事件序列
其表达式为：其中，表示经过随机打乱的极端降水事件序列中在i格点上观测到的事件u的发生时间；random.permutation(
·
)为用于打乱原有极端降水事件序列结构的函数；基于所述无序的极端降水事件序列计算无序的极端降水事件的同步强度
null
q和延迟强度
null
q；重复上述步骤至预设迭代次数，构建得到同步强度矩阵q的零模型{
null
q}
n
和延迟强度矩阵q的零模型{
null
q}
n
；其表达式为：；其表达式为：其中，n、n均为观测站点数量；利用所述零模型{
null
q}
n
和{
null
q}
n
对极端降水事件的同步进行显著性检验，其中，从所述零模型{
null
q}
n
和{
null
q}
n
中取出站点i和站点j的零模型{
null
q
ij
}
n
和{
null
q
ij
}
n
，沿迭代次数方向取预设分位数作为站点i和站点j发生显著连接的阈值和发生显著传播的阈值分别用于构建显著同步强度矩阵a
q
和显著延迟强度矩阵a
q
；其表达式为：；其表达式为：其中，其中，表示站点i和站点j发生连接的显著性编码，当时，表示站点i和站点j间的连接在一定概率上不是因偶然产生的；和站点j间的连接在一定概率上不是因偶然产生的；表示站点i和站点j传播方向的显著性编码，当时，表示由站点j向站点i显著传播连接，当时，表示由站点i向站点j显著传播连接。7.根据权利要求1～6任一项所述的极端降水事件分析方法，其特征在于，所述方法还包括：根据所述显著同步强度矩阵和显著延迟强度矩阵构建的极端降水事件的无向网络和有向网络，绘制极端降水的散点图并进行可视化显示。8.一种面向观测站点数据的极端降水事件分析系统，应用权利要求1～7任一项所述的极端降水事件分析方法，其特征在于，包括：数据采集模块，用于获取各个站点的逐日降水数据和降水发生时间；预处理模块，用于根据所述逐日降水数据进行筛选，得到极端降水事件；
事件同步判断模块，用于根据任意两个站点发生的极端降水事件之间的延迟是否超出预设的延迟阈值，判断极端降水事件是否同步；复杂网络构建模块，用于对被判定为同步的极端降水事件构建极端降水事件分析复杂网络，并将所述极端降水事件分析复杂网络作为极端降水事件分析结果输出；其中，基于事件的同步强度量化相应极端降水事件的总体时空连接，并基于所述显著延迟强度表征极端降水事件的总体传播方向，对极端降水事件的同步进行显著性检验，得到显著同步强度矩阵和显著延迟强度矩阵，组成所述极端降水事件分析复杂网络，用于极端降水的时空连接和传播规律分析。9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，其特征在于，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1～7任一项所述的极端降水事件分析方法的步骤。10.一种存储介质，其上存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1～7任一项所述的极端降水事件分析方法的步骤。

技术总结
本发明涉及水文水资源分析技术领域，提出一种面向观测站点数据的极端降水事件分析方法及系统，其中包括以下步骤：获取各个站点的逐日降水数据和降水发生时间；根据所述逐日降水数据进行筛选，得到极端降水事件；根据任意两个站点发生的极端降水事件之间的延迟是否超出预设的延迟阈值，判断极端降水事件是否同步；对于被判定为同步的极端降水事件，基于事件的同步强度量化相应极端降水事件的总体时空连接，并基于所述显著延迟强度表征极端降水事件的总体传播方向，对极端降水事件的同步进行显著性检验，得到通过显著性检验的显著同步强度矩阵和显著延迟强度矩阵，构成极端降水事件的无向网络和有向网络，并将其作为极端降水事件分析结果输出。事件分析结果输出。事件分析结果输出。


技术研发人员：赵铜铁钢 黎晓东 郭成超 陈晓宏
受保护的技术使用者：中山大学
技术研发日：2023.06.20
技术公布日：2023/9/19