文摘

干旱是一个复杂的随机自然灾害引起的长时间的降雨短缺。几个环境因素参与确定干旱类的特定的监测站。因此,高效的序列处理技术需要探索和预测周期性干旱类的各种事件的信息。在这项研究中,我们提出了一种新的加权方案,预测各种干旱类下的概率加权马尔可夫链(WMC)模型。我们提供一个标准化的方案权重顺序的干旱序列分类的平方加权科恩Kappa正常化。插图给出该方案的包括时间序列数据在干旱类温度由标准化降水指数(SPTI)。实验结果表明,提出的加权方案WMC模型是足够灵活解决实际变化在干旱分类重组一个马尔可夫链的瞬态行为。总之,本文提出了一种新的加权方案改善WMC的准确性,特别是在水文领域。

1。介绍

排名最高的自然灾害,干旱是世界上严重的破坏性影响的主要来源(1]。特别是,其持续的后果导致农业用地的灭菌和引发疾病。与更高的干旱风险因素长时间相对少的降雨,蒸散率高,相对湿度低、高温和高风速(2]。此外,许多其他环境和生态因素也反复出现的干旱风险负责。然而,干旱强度、持续时间和严重程度可能因地区而异。近几十年来,几乎所有的发展中国家正面临着水资源短缺由于持续扩张在农业、工业和能源行业。因此,一个永恒的区别水和可再生淡水资源的需求增加将导致重大的社会和经济问题3]。

为了避免和克服干旱灾害的负面影响,人们进行了无数次研究在不同气候区域。一些研究提出了干旱监测工具和预测方法来预测和量化相关的风险与反复出现的干旱。干旱指标是最常用的在世界各地不同的可用工具由于其结构简单、健壮性和流行。干旱指标的列表及其提供的变量要求是文献[4]。在干旱监测工具,许多干旱预测方法已经开发评估未来干旱的风险(5,6]。然而,使用随机过程模型不确定现象的趋势正在迅速增加,如马尔可夫链是一种很有前途的方法模型动态活动(7]。马尔可夫链是一个离散时间随机过程,房地产的未来状态的过程是独立于过去的状态,考虑到现状(8]。此外,马尔可夫链模型可以用于预测未来干旱类因其多方面的列举与这些水文气象变量相关的不确定性(9- - - - - -11]。然而,很难调整马尔可夫链的转移概率矩阵的精确预测成功的事件在短时间尺度。

为了处理这种结构性问题,几项研究使用马尔可夫链模型中的权重提高模型精度和精度(12- - - - - -16]。然而,权重的选择完全是一种主观的方法。这些权重的分配取决于数据或纯粹主观的类型。提出了动态加权方案调整马尔可夫链模型(17- - - - - -22]。此外,一个错误和试验方法可用于提高性能的加权马尔可夫链(23]。

在这项研究中,我们旨在开发一种新的加权方法来解决结构性问题在传统的马尔可夫链预测短期干旱状态。我们使用温度标准化降水指数(SPTI)干旱分类。SPTI产生干旱严重水平(最高到最低),因此,预测最高程度的最低严重性,反之亦然有问题在传统的马尔可夫链设置。本研究的基本原理是使用评分者间信度指标协会作为权重准确和精确的预测干旱分类状态下加权马尔可夫链(WMC)设置。我们使用我们提出的加权方案提前一个月预测的干旱国家的五个气象站在巴基斯坦。

2。方法

如今,干旱指数确定干旱类起到了重要的作用。然而,每个索引的方法配置完全取决于气候数据的可用性和其之前的历史数据。在当前的场景中,使用和应用multiscalar干旱指标,更灵活的特点来确定干旱在不同的时间尺度,是很常见的。摘要每月干旱分类由multiscalar干旱指数认为遵循一阶马尔可夫链。的概率预测提前一个月干旱类,一种新的加权方案确定WMC模型的权重是由调整自相关和科恩Kappa措施的作用。

方法论上的细节结构的模型加权方案是在随后的小节解释道。

2.1。Multiscalar干旱指数

有几个程序来报告使用multiscalar干旱严重干旱指数。麦基et al。24)开发的SPI干旱指数是基于长期降水记录量化了不同时间尺度的降水稀缺。使用SPI指数的主要优势之一是,它可以用来监控各种时间尺度的干旱。

Vicente-Serrano et al。25)开发了一种新的multiscalar干旱指数:蒸散标准化降水指数(SPEI)。在SPEI,水平衡模型基于降水和潜在蒸散的区别(PET)是使用类似的SPI估计过程。SPEI / SPI的一个主要优点是蒸发的影响纳入降雨数据描述所研究的地区。

相同的SPI和SPEI方法后,阿里et al。26温度)开发的标准化降水指数(SPTI)干旱指数来捕获干旱特征在两种冷热气候地区。然而,选择合适的干旱指数还取决于数据的可用性和气候带的本质。在这项研究中,我们使用SPTI方法描述月度历史干旱危害的行为。逐步的数学过程SPTI方法讨论了(27]。

在这篇文章中,我们遵循麦基等提供的分类标准。24)和Vicente-Serrano et al。25]。表1显示SPTI值的范围与干旱相关的类。

表1
干旱SPTI的分类标准27]。
2.2。干旱作为一个马尔可夫链类

一个离散的马尔可夫链是一个随机过程描述一系列事件从一组有限的可能状态,而当前的事件只取决于前面的事件。它一直常用的模型不确定事件等各领域,工程(28)、经济学(29日)和物理(30.]。近几十年来,使用马尔可夫链在许多应用程序中是很常见的捕捉干旱分类的行为状态使用multiscalar干旱指数(31日,32]。例如,Mishra et al。33研究干旱间隔时间的分布和平均干旱interarrival时间的联合概率密度函数和马尔可夫链的方法。Shatanawi et al。34)发现,精确预测的干旱指数的值基于ARIMA模型是不可能的。然而,早期预警的干旱可以从每月检测到马尔可夫转移概率。因此,在干旱的建模环境中,时间序列数据SPTI干旱类一个站可以被认为是一个序列的顺序干旱类。因此,干旱的历史系列分类州指定车站可以体现为一个离散的马尔可夫链的过程。在这里,我们假设任何单个类时间序列的干旱SPTI取决于其先前的类,然后继续建设的转移概率矩阵。它只是一个统计合规,允许我们考虑每个干旱类一阶马尔可夫链。然而,如果每个类取决于其前两类或n阶类,建议使用相应的二阶或高阶马尔可夫模型。

2.3。提出了加权方案

在这项研究中,时间序列数据在干旱类Zt由SPTI干旱指数在一个月时间尺度被假定为一系列顺序相关的随机变量。在这种情况下,而不是使用传统的相关性定量一系列SPTI在不同时间滞后,评分者间信度测量Kappa建议评估随机过程之间的关系Zt和Zt−1SPTI。此外,使用同样的基本原理的自相关,体重,评分者间信度测量中序数SPTI分类指数的时间序列在不同的时间滞后可以考虑提前预测目前的干旱类。在以前的研究中,森古普塔et al。23)表明,WMC方法可以准确的预测时间序列数据时表现出它的随机性质。以后,为了预测未来干旱的发生类,评分者间信度系数的加权平均体重是建议在不同的滞后调整预测概率。因此,而不是使用相关性,采用一个评分者间信度的指标顺序分类更合理。

提出加权方案的基本步骤的WMC-based预测干旱类如下:(1)干旱分类状态和转移概率矩阵:

让 是干旱的时间序列类, 可以假设名义干旱类吗 , , ,…, 根据SPTI干旱指数的分类标准。每个干旱类的瞬态行为可以用在以下方面转移概率矩阵 在哪里 , , ,…, 代表干旱类对应于它们的瞬态概率矩阵。(2)建设转移概率矩阵:

在这一步中,我们分类SPTI干旱指数与大约一个月时间尺度根据分类标准(见表1)。

此外,让 被转换的状态的数量 来 通过t干旱类的步骤时间序列长度 从一个月的时间尺度计算。这里,不同时间步的跃迁概率和各种干旱类可以通过以下方程: 在哪里t代表了马尔可夫链的顺序。在这里,转移概率矩阵对各种现有的干旱类之前 表示为时间步长 (3)评分者间信度指标权重:

让 表示干旱类的比例 和 由SPTI滞后 ,在哪里 和 代表在干旱类和时间序列 表示时间点。然后,加权Kappa在时间t延迟的测量顺序分类协会序列被定义为 在哪里 和 在哪里 在科恩Kappa[平方加权函数35,36]所显示Robieson [37),国王和Chinchilli [38), 和 代表边际比例分配给干旱类 和 。在这项研究中,这个公式的修改加权Kappa相同原理的自相关。我们使用irr(39]R包计算加权k的值在不同的时间滞后。(4)标准化的权重:

加权马尔可夫链模型的权重计算通过标准化Kappa系数 计算下列方程:

这时,加权Kappa的时间步是决定根据稳定状态转移概率矩阵的性质。如果转移概率矩阵方法的稳态年代时间点,然后,我们计算加权Kappa从1到年代相应的步骤。(5)预测

在这一步中,我们假设最近状态的干旱分类作为初始干旱类,并将它与相应的转移概率矩阵的行向量。在这里,状态转换概率向量可以表示在接下来的形式。 在哪里我代表了类和干旱t代表了马尔可夫链的顺序。

此外,那些叫嚣着权力的转移概率向量的所有以前的干旱类选择的候选人。以下米阶转移概率矩阵表明,上面提到的论点:人能理解 在哪里 ,和 。

在这里, 和 干旱类和显示之前的候选人米代表了马尔可夫链的顺序对应于每个候选人干旱类。最后,通过方程(10),我们的权重分配给每个向量的候选人干旱类和得到每个干旱的预测概率类。那些干旱类有一个最大的预测概率 然后选为预测干旱类。此外,通过迭代算法,我们可以预测n-干旱类WMC框架下。

融合的加权方案SPTI-based历史干旱分类验证基于五个气象监测站位于不同地区的巴基斯坦。我们使用二次数据月度总降水和平均气温数据来说明WMC基于预测的过程。这些数据集从卡拉奇获得通过巴基斯坦气象部门数据处理中心。简要描述的研究领域和应用提出了提前一步预测框架提供的干旱在以下部分。

3所示。应用程序

3.1。研究区域

说明所提出的加权方案完成5个气象站的巴基斯坦包括阿斯特,Chilas, Cherat,斯卡,白沙瓦。图1显示了研究区位置的地图。这些站高降雨量的变化在整个赛季。在每个季节,一些电台继续承担极其脆弱的干旱。干旱已成为一个周期性的现象。在最近的十年中,由于严重的干旱灾害,国家的经济体系受到严重干扰。大部分地区的干旱半干旱,与大空间变异性的温度,除了南部斜坡喜马拉雅山和山前地区的年降雨量范围从760毫米到2000毫米(40]。巴基斯坦有四个明显的季节:冷,从11月到2月;premonsoon(热),从3月到6月中旬;季风,从6月中旬到9月中旬;postmonsoon,从9月到10月中旬41]。夏季非常炎热和相对湿度从25%到50%不等。巴基斯坦的主要部分是干旱半干旱与大空间变异性的温度。近几十年来,一些作者已经探索地理和水文工作的重要性这些站。Awan [42和阿切尔和福勒43探索和推断不同的气候变量的回归,空间相关性和时间变化。Ahmad et al。44评估这些山区的重要性,有大量的潜在水电生产和水资源。阿里et al。26)的性能相比SPTI SPI和SPEI使用时间序列数据对这些站降水和温度。我们应用模型对长期过月降雨时间序列数据,最小和最大降雨,被记录在1955年1月至2017年12月。数据收集从卡拉奇数据处理中心(KDPC)通过巴基斯坦气象部门(PMD)。这个数据集满足世界气象组织需求,错误,审查,制表,质量控制是由KDPC完成http://www.pmd.gov.pk/rmc/RMCK/Services_Climatology.html。以下两个步骤描述的详细程序SPTI的估计。


图1
选定研究区域的位置的地图。

第一步由戴的搜索合适的概率分布所显示Stagge et al。45]。因此,整个SPTI值的计算过程是基于每个站的不同概率模型。因此,估计过程包括搜索合适的候选人使用Kolmogorov-Smirnov和卡方分布,Anderson-Darling测试最常用的= 0.5利用水平的意义easyfit软件(46]。

在第二步中,几个参数估计方法(矩量法、最大似然估计法和方法L-moments)合并使用R包lmom(47]。最小值的概率分布Akaike信息标准(AIC)然后标准化获得相应时间的每个索引值。

数据2和3代表拟合的概率分布及其对应的时间值SPTI阿斯特和Cherat站,分别。由此产生的值SPTI根据其分类标准进行分类。看到各种干旱类的探索行为,数字4和5代表的累积频率干旱类和转型的行为一个干旱类转移到另一个在阿斯特天文台。在这个车站,大部分的月继续承受正常天气条件;然而,当与其他干旱类别相比,极端干旱和严重干旱干旱类相当高。

(一)
(一)
(b)
(b)
图2
SPTI概率分布拟合。(一)阿斯特。(b) Chilas。
(一)
(一)
(b)
(b)
图3
颞SPTI的行为。(一)阿斯特。(b) Chilas。

图4
在阿斯特车站干旱类的频率。

图5
在阿斯特车站过渡干旱类的行为。
3.2。结果

测试和推断该框架WMC-based预测,我们首先计算转移概率矩阵在各种订单历史干旱类的分类。在目前的研究中,我们使用马尔可夫链的链(48]R包来构建所有车站的转移概率矩阵。其次,权重计算在不同滞后从历史干旱类的分类顺序分类数据通过使用方程(4)和(7)。来说明我们提出相关的步骤框架,我们提供的逐步数值结果阿斯特车站。因此,表2尤其准备显示Kappa值与权重计算的时间顺序分类干旱类阿斯特车站。预测未来干旱类,干旱类的原始数据从2017年6月到2017年12月是按时间顺序排列。例如,2017年6月至2017年12月,每个月熊附近正常情况。这些干旱类取自原始SPTI干旱指数的分类。来推断未来干旱类的概率,转移概率向量矩阵的每个订单组织形式。表3显示了不同的转移概率矩阵与相应的权重。

表2
²Kappa在阿斯特车站和重量在不同时间滞后。
表3
在阿斯特车站下干旱类的预测概率。

在下一步中,根据方程(10),概率计算的加权和为每一个干旱类。在这个数值的例子中,附近正常干旱类接收的最大概率事件( )2018年1月。实际的干旱类别也接近正常。因此,方法执行正确的预测。然而,下一个试探性的类是适度潮湿的概率为0.1146。周后et al。16和Zhang et al。49),通过预测干旱类作为参考类别,整个过程可能迭代预测为2018年3月干旱类等等。在这里,评分者间信度测量Kappa长期发挥作用调整收敛误差在马尔可夫链。

符合阿斯特车站,数值为斯卡进行调查,Chilas, Cherat,白沙瓦。可视化表示的一步转移概率矩阵图中可以看到6在白沙瓦,干旱的时间配置文件类和Cherat探索。在这些站,每个干旱类都有一个高概率接近于正常的干旱类运输。调整时间马尔可夫链的行为,人们认为通过将适当的权重分配给每个干旱分类,准确预测一个或 月之前可能得出结论加权马尔可夫链框架下。因此,该模型精度评估与原始分类预测干旱类的交叉验证。因此,我们离开2018年1月的验证阶段提出的框架,所有的车站。

(一)
(一)
(b)
(b)
图6
干旱类的可视化表示形式转换。(一)白沙瓦。(b) Cherat。

表4显示平方Kappa与相应的值 值在每个时间间隔,其标准化值(权重),和一个月前预测每个干旱类的概率,Chilas站在一个高概率( )2018年1月接近正常水平的干旱类。同样,Cherat和白沙瓦也有相同的干旱分类概率0.6948和0.6623,分别。因为在这些站,观察到大量的降雨和降雨的历史时间序列在12月和1月数量相当高。此外,最初的一系列SPTI干旱类描述湿类这两个月来在所有电台。与附近正常干旱类相反,斯卡天文台将承担严重的干旱类概率为0.5003。

表4
一个月前下的概率加权马尔可夫链和稳态行为。

4所示。讨论

本文提供了一种新的过程来处理顺序分类的预测问题的一系列干旱类由SPTI干旱指数。评估该方法,我们花了五气象监测站位于不同的气候学的巴基斯坦(见图1)。在这个研究中,时间序列数据记录的降雨和温度范围从1955年到2017年在每月的时间尺度是用来分类根据分类标准在阿里et al。26]。通过假设每个时间的干旱类一阶马尔可夫链,当前的研究工作马尔可夫链的链(48]R包构建转移概率矩阵。根据WMC的设置,提出了加权方案被用来预测未来干旱条件的所有电台。我们为阿斯特提供分步操作站(见表2和3)。然而,预测结果给出所有的电台(见表4)。

评估该方法的一致性,我们将我们的预测结果与稳态概率的干旱类。也可以查看这些长期概率交叉验证观察到的概率。可以看出,Chilas Cherat,白沙瓦,预测干旱类是符合其长期概率。然而,在斯卡,一个显著差异是观察到,长期干旱类接近正常水平的概率是0.0563,预测的概率是0.2483。这反映了恰当的权重方案顺序分类离散随机过程。

求和的结果与此相关的研究表明,该权重方案可能合并调整传统的马尔可夫链的结构短期预测。此外,我们详细的分析也证明了使用评分者间信度,而不是自相关适用性,WMC模型中的权重。因此,趋势从高到低精度可以控制通过调整转移概率向量的结构行为提出的加权方案。然而,该方法的局限性并不考虑马尔可夫链的非稳定的行为。此外,在计算,研究假设每一个马尔可夫链,一阶马尔可夫过程。

5。结论

预测和预报中发挥非常重要的作用,尤其是在早期预警情况。因此,准确和精确的干旱预测技术可以减少他们通过有效的干旱减灾政策严重影响。在这篇文章中,SPTI干旱指数作为一个更全面的干旱监测程序用于分类历史月度干旱概要文件。结果表明,通过引入标准化平方加权Kappa重量,该研究暗示了一种新方法预测概率WMC框架下调整。此外,它是观察到的优势 一步预测可以通过改变跃迁概率向量和重新排列向量的权重。因此,在许多其他研究和预测框架,本研究的独特性是引入顺序测量WMC-based协会在不同滞后的预测方法。因此,通过使用SPTI或其他multiscalar干旱指标如SPI和SPEI,气象站月度序数干旱特征分类,更合理的使用顺序的协会,而非相关性。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

伦理批准

手稿准备按照道德标准的委员会负责人体实验和使用最新版(2008)1975年赫尔辛基宣言。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者非常感谢哈立德国王大学科研院长以来,沙特阿拉伯王国,他们的行政和技术支持。