气象学的进展
PDF
气象学的进展/2020/文章

研究文章|开放获取

体积 2020 |文章编号 5014280 | 13 网页 | https://doi.org/10.1155/2020/5014280

提出了一种基于蒙特卡罗特征选择(MCFS)算法的信息气象站选择框架

Rizwan Niaz，1 易卜拉欣M. Almanjahie，2，3 Zulfiqar阿里，1 默罕默德费萨尔，4，五 和 Ijaz侯赛因1

1统计，真纳大学，伊斯兰堡，巴基斯坦的系

2统计研究和研究支持单位，哈立德国王大学，艾卜哈，沙特阿拉伯

3数学，哈立德国王大学理学院，艾卜哈，沙特阿拉伯

4英国布拉德福德大学健康研究学院

五布拉德福德健康研究所，布拉德福德，英国

学术编辑：Giacomo Gerosa
收到了 2019年9月27日
公认 2019年12月12日
发布时间 2020年2月17日

抽象

气象站的空间分布在水文研究中有着重要的作用。气象资料在干旱监测中发挥着重要作用;因此，准确、合理地设置气象站，对于提高和加强干旱预报技术至关重要。从这个角度来看，在特定地区选择气象站对于准确估计和持续监测区域一级的干旱灾害具有重要意义。然而，大量气象站的安装和数据挖掘需要较高的成本和资源。因此，有必要对某一特定地区的现有气象站进行排序并找出它们之间的相关性，以便进行进一步的气候分析和数据库的重新分析。本文提出了基于蒙特卡罗特征选择和相关性发现(MCFS-ID)算法的框架来识别特定区域的重要气象站。我们在位于不同气候区(巴基斯坦)的12个气象站中应用了该框架。利用1月、3月、6月、9月、12月、24月和48月的时间尺度数据，我们利用干旱指数SPTI来找出不同地点气象站之间的相互依赖关系。我们发现Sialkot对SPTI-3、SPTI-6、SPTI-48指数的研究具有重要的区域意义。 This regional importance is based on scores of relative importance (RI); for example, the RI values for SPTI-3, SPTI-6, and SPTI-48 indices are 0.1570, 0.1080, and 0.0270, respectively. Furthermore, the Jhelum station has more relative importance (RI = 0.1410 and 0.1030) for SPTI-1 and SPTI-9 indices, while varying concentration behaviour is observed in the remaining time scales.

1.介绍

干旱是一种逐渐蔓延的现象，在世界许多地区经常发生自然灾害[1-3]。它是一种潜在的、缓慢移动的自然灾害，对社会和环境产生不利影响，并可影响任何国家的经济[4]。这些效果可以很好的经历受影响的区域外，即使在全球范围内。该效应的复杂性在很大程度上是由于许多领域对水的依赖提供产品和服务，如可用性和质量的水具有在水资源管理方面的严重影响[五，6]。由于水和其他自然资源的压力上升导致干旱[7]，很显然，随着时间的推移产生更为全面的评估是具有挑战性[8]。

由于干旱的复杂特征，它有严重的和长期的不利影响[9]。曾经尝试在当地，地区或国家层面来识别这些影响的复杂性[10]。这几乎是不可能的，因为跟踪干旱的区域中的阴险行为的区域的数据库和趋势。研究人员和政策制定者都给予不同的策略为自己的国家通过更好地建立早期预警系统，并采用抗旱政策和应对和缓解计划[改善抗旱的准备水平11，12]。因此，科学家和决策者迫切需要开发有效的干旱预警监测工具，以避免干旱的严重影响[13-15]。但是，为了准确估计区域干旱预报和开发早期预警工具，需要对具有区域代表性的气象站的干旱指数进行长期记录。在这方面，准确估计和持续监测区域一级的未来干旱需要一个密集的气象网。然而，每个气象网络的影响需要很高的成本和资源。特别是在发展中国家，高昂的安装成本和复杂的采样设计可能迫使采用折衷的气象站分配和安装方案[16-18]。

在过去的几十年，一些算法和计量站的最佳选择方法已开发19，20.]。这些算法和方法减少了网络的规模，减少了对计量变量提供更准确和具有地区代表性的估计。由此看来，最优气象站的合成空间分布在水文研究中起着关键作用[21，22]。因此，水文研究的本质特征是基于某些气象特征来实现最优气象站[20.，23]。为了实现最佳网络，一个地区的沙漠、丘陵和森林等地理因素是对气象站分布有重要影响的关键因素。因此，气象网络的优化选择需要一个标准化的气候指标。

有几种监测干旱及其特征的工具[24]。然而，标准化干旱指数（SDI的）和其他新颖的估计干旱指数的方法对所有气象台站使区域预报预警和管理政策混乱的局面。使用SDI已经在许多应用[被发现25-27]。的SDI是用于干旱表征和比较具有不同气候特征[气象站有用28]。然而，长期的SDI时间序列数据对个别气象站的干旱特性至关重要[29]。因此，有必要对排名并找到气候和再分析数据库中现有的气象观测站之间的依赖关系。在这方面，先进的统计方法是有帮助找到在复杂的气象网络设置重要和区域从属站。

在这项研究中，我们提出了一个框架来识别重要的气象站，并发现实时干旱监测系统中各站之间的相关性。框架的核心配置基于MCFS-ID [30.，31]。我们将这一框架应用于位于不同气候区(巴基斯坦)的12个气象站。本研究利用干旱指数SPTI对1、3、6、9、12、24和48个月的时间尺度数据进行分析，以发现不同气象站之间的相互依赖关系。

2.方法

2.1。标准化降水温度指数（SPTI）

使用多标量干旱指数描述干旱严重程度的方法有很多。干旱指数被称为标准化降水指数(SPI)，它是基于超长时期的降水记录来计算降水稀缺性[32]。SPI可以在不同的干旱时间尺度上进行监测。SPI通过对观测到的月累积降水时间序列的合适概率分布进行标准化，以估计定量值。因此，正SPI值和负SPI值分别用来识别大于和小于中位数的降水。另一个水量平衡模型是标准化降水蒸散发指数(SPEI)，采用与SPI相同的数学过程，以降水与潜在蒸散发(PET)的差异为基础[33]。SpeI位通过SPI之一显著优点是，它包括所述蒸发的影响来指定所研究的区域。在与SPI和SPEI的同样的方法行，最近，一个多尺度的干旱指数SPTI是干旱的两个冷（最低温度-5.50）和热（最高温度45.2）气候区域[表征开发34]。在这项研究中，我们使用了SPTI由于以下三个原因：（1）被选择的区域具有两个冷和热的气候天气，（2）SPTI用于与低温观察区域提供真正的值，以及（3）有在SPTI机制没有数学争。为SPTI估计的步骤如下：在步骤一，针对每个所选站，德Martonne干燥指数（DAI），通过利用总每月降水和平均温度如下评价： 在哪里 为月总降水量 代表各月平均气温。在第二步骤中，appropiriate概率分布的候选人将被视为 系列中的每个站的。在这项工作中，更具体地，施加32个最经常使用的概率分布使用感知最合适的概率分布传播ř包[35]。在步骤3，分布被选择用于每个站的时间序列数据 Akaike信息准则（AIC）和贝叶斯信息准则（BIC）的最小值的基础上。对于每个站，我们标准化拟合分布的累积分布函数（CDF）如下：

方法中未定义值的影响 ，在CDF一点修正案在方程构造（2)。例如，在伽马分布的情况下， 是具有用于在每个站一个零值的概率 时间序列数据。如果 表示密码（零）存在于 时间序列数据，然后 估计是多少 ，在哪里 显示了所有观测 时间序列。更具体地，这里，概率绘制位置的其它熟悉的方法，例如在[36]可以实现，以调节CDF中未定义值的概率，而不是上述指定的方法。 在哪里 其中 在哪里 其中 在这里, ， ， ， ， ，和 。

2.2。蒙特卡罗特征选择和相互依赖发现(MCFS-ID)

在过去的二十年中，实质性的进展已经实现的功能的排名和选择的高维分类的区域。Draminski等。[30.]给出关于其分类的重要性有效和精心呈现的特点的排名方法。。近来，自动确定相关性的贝叶斯技术与nonfilter方法开发的（见[37]）。除了这一点，所谓的可变（即，特征）的重要性可使用随机森林[推断38]。确定变量的重要性对于随机森林的建设不是强制性的，但它是一个与森林建设相对应的子程序[39，40]。特征由变量意义排名可因此被认为是分类器的副产品[41]。在这种方法中，我们在很大程度上依赖于使用的分类，我们将不会使用它本身的分类工作。事实上，我们只用类：（i）将根据等级的特点，他们的经典国之间根据其重要性及（ii）我们发现特征之间的相互依赖性区分。

在这个算法MCFS-ID，我们可以估算的重要特征;特别，米特征是从所有特征中随机选择的d特点，考虑到固定的子集 和 ，和每一个功能的子集，树木Ť是建立和他们的行动是判断。每棵树的Ť内循环是在随机选择的训练和测试集上进行训练和估计的，这些训练和测试集是通过将完整的训练数据分成两个子集而产生的。算法的具体步骤如图所示1。


图1
MCFS程序的主要步骤的框图。

特征的相对重要性 ， ，被定义为 在哪里 总体树用求和表示;在特征上构造分割的树 所有节点 ;该τ个树已加权的精度表示为 ;该节点的增益比 由记 ; 表示节点中样本的个数 ; 象征着的根样本的数目τth树;和固定的正实值ü和 现在默认设置为1 [30.]。对于计算原因，归一化因子( ）主要是现在，哪一个对所有人都有同样的价值τ。此外, ，和 是实验者要设定的三个参数。期望的约束条件是小号是集大小的选择不宜过大米的选择用于每个系列的特征Ť实验。

一旦排名的功能是由MCFS-ID算法完成，自然的问题都可以提出有关信息的功能之间可能的相互依存关系。特征之间的相互依存关系被频繁使用建模的相互作用，如在实验设计和方差分析[42]。可能地，最广泛使用的方法来识别的相互依赖关系是至特征之间的相关性发现或地发现，在同样的意义上执行特征的基团[43]。在这种方法中，注意力集中于确定“支持”定义样本是否属于特定类别的特征。相互依赖(ID)图是基于收集所有 树(参见图1)。要查看如何创建ID图，假设在每个分类树群中，每个节点代表一个属性，在这个属性上创建一个分区。现在,每个节点在每个分类树,综合所有节点可以牢记,在该节点上,和一个节点配备以这种方式显示的属性,和任何指挥链中发现这种方式实际上是一种边缘相结合两种截然不同的特征指示。所有的路径都有边 MCFS-ID树木明显，并且可不止一次地在单一树发生同样的边缘。两个节点，两个基本的功能，被连接到向边之间相互依存的支撑点;对于一个给定边缘，或在短的ID的重量ID重量，等于由一小部分在乘法节点的增益比（GR）。因此，对于节点 在里面 树， ，其先行节点 ，的有向边的ID权值 至 记 ，这等于 在哪里 表示用于该节点的增益比 ， 表示节点中样本的个数 ，和 表示节点中样本的个数 。

3.提出的框架:基于MCFS-ID算法的选择框架

具体来说，本研究的一个关键目标是，通过结合MCFS-ID算法和SDI时间序列数据，开发一个新的气象站选择框架。为了完成这项工作，本节包括基于mcfs - id的气象站选择计算传播。建议的框架有两个步骤，在流程图中给出(见图)2)。具体如下:（1）定义地区。此进行判决区域的干旱监测的选择。在这一步中，特定区域被同化为区域干旱监测。在这种方式下，区域的适当选择将加强在省或国家一级准确和有效的抗旱减灾政策。（2）定义气象台。在有效区选择后，建议合理选择气象站/监测站。我们知道，长时间的气候信息在模型结构和可测量的统计推断中起着重要的作用。据此，建议建立具有丰富干旱监测观测历史的气象站点。在定义和描述了上述两点之后，该结构的逐步执行包括三个阶段。具体的说明和说明将在以下各节中给出。


图2
建议架构的流程图。
3.1。第一阶段:干旱指数的选择和估计

这一阶段包括从SDI程序的所有可用干旱指标清单和估计程序中选择一个干旱指标。许多研究为干旱指数的标准化程序提供了各种干旱指标[24]。节2我们阐明了各种SDI指标及其在不同地区应用的简要总结。以SDI程序类似，最近的事态发展也集中在parametric-和非参数为基础估计[44]。因此，这一阶段对于准确的区域干旱监测及其分析具有重要意义。

这一阶段的首要重要和重大关切是选择气候参数和时间尺度的多尺度的干旱指数的估计。条件在本质上，这取决于气候，土壤类型，和热带状态，和几个干旱指数所需要的各种气候参数，如温度，降水，太阳辐射，和湿度。因此，干旱指数及其评估程序的优化选择可以作出有意义的贡献准确和可靠的干旱监测。特别是，该步骤包括下列问题有深入的了解：(我)该计量站的性质的标识和时间序列数据对气候参数的可访问性。(2)多标量干旱指标的正确选择。，SPI, SPEI, and SPTI) that can be accomplished with the available data.（ⅲ）干旱的类型及其相应的时间尺度。在这个步骤中，指定多标量干旱指数的时间尺度。例如，气象数据建议采用短时间尺度[45]，而较长的时间尺度被推荐用于农业和水文干旱的监测[46]。

3.2。阶段2:配置MCFS-ID算法

此阶段定义，并构成在各种气象站的SDI的时间序列数据的MCFS-ID算法。通过合并MCFS算法，我们能够决定哪些站再分析的目的更为重要。重要的站选择是基于相对重要性（RI）值。其具有RI的值越高该站相应地认为是重要的。此外，安装显卡的帮助下，被选择其他站中最重要一站获得有关电台的事实。一个节点的颜色浓度正比于相应的特征的RI。节点大小正比于与该节点相关联的边的数目。的边缘的黑暗和宽度的水平正比于该边缘的ID重量。

3.3。第三阶段:选择气象站

在此阶段，根据该站的RI值从ID图中识别该站。RI值较高的台站被认为是本研究中最重要的台站。通过对MCFS-ID的仔细实施，本研究建议根据其重要性识别一些重要的气象站。第一步是在SDI的时间序列数据上配置MCFS-ID算法，找到与它们的ID权重相对应的RI值。

4.应用程序

在本节中，所提出的框架的应用进行了讨论。（见拟议框架的初步应用在巴基斯坦旁遮普省呈现图3)。降水和温度的长期的时间序列数据所需要的指数计算。因此，收集这些变量的辅助数据46年，从1971年1月至2017年十二月这个数据集满足世界气象组织（WMO）的要求，并用于本研究中的分析。


图3
研究区域的位置。
4.1。资料及研究范围

该数据来自巴基斯坦的旁遮普省收集，研究区为12个名为巴哈瓦尔布尔，Bahawalnagar，费萨拉巴德，杰赫勒姆，汗布尔，拉合尔，米安瓦利，木尔坦，穆里，拉瓦尔品第，萨戈达和锡亚尔科特气象站（见图3)。农业部门受到这些监测站的显著影响，其中大多数监测站对作物和农业具有重要意义。旁遮普地区在其他省份中有着丰富的农业属性。因此，就国内生产总值而言，旁遮普省的农业部门继续在巴基斯坦经济中发挥核心作用。然而，由于气候变化的后果和全球变暖的影响，这个国家的一些地区正在遭受严重的干旱。2018年，在干旱的旁遮普地区出现了中度到数次干旱。尽管干旱的强度在包括北部地区在内的该国其他地区普遍存在，但干旱对水稻作物的直接影响已得到观察。

4.2。结果

本节介绍建议的框架的结果。提出了干旱监测和站点分类的框架，具体描述如图所示2。月度数据集用于计算不同时间尺度的干旱指数。的12个站考虑到了，并计算7个周期（一，三，六，九，十二，24和48个月）的索引。

4.2.1。准备干旱指数估计

有迹象表明，使用在不同的时间尺度来估算干旱指数变化的概率分布的概念。估计过程中，DAI系列的拟合合适的概率分布时，使用所评估的传播R包。这些分布的CDF具有最小的BIC值，根据近似进一步标准化(如本节所述)2.1)。这是重复的所有傣族时间尺度。表格1示出了用于锡亚尔科特站的所有时间尺度的BIC值。我们认为这三个参数（3P）威布尔分布在为期一个月的时间尺度的BIC（-692.1）的最小值;然而，Weibull分布在水文学领域的几个应用程序和相关学科[47]，它具有标准化更好的候选人。广义极值具有用于DAI的三个月时间尺度的最低值BIC（-535.0）。为DAI-3在第二和第三选择是广义正常和Johnson SU分布。In a similar way, DAI-6, DAI-9, DAI-12, DAI-24, and DAI-48 have gamma distribution with BIC = −543.1, Gumbel distribution with BIC = −595.8, inverse gamma distribution with BIC = −532.2, Rayleigh distribution with BIC = −651.8, and Rayleigh distribution with BIC = −510.2, respectively.
变量 站 最低 1圣四分位数 中位数 3理查德·道金斯四分位数 最大 圣开发。
降水 巴哈瓦尔布尔 0.00 0.00 3.00 15.55 562.60 36.90
Bahawalnagar 0.00 0.00 4.15 21.43 263.10 37.35
费萨尔巴德 0.00 1.48 12.30 40.63 438.90 52.22
杰赫勒姆 0.00 12.20 36.20 94.83 648.60 94.87
Khanpur 0.00 0.00 0.60 7.00 308.00 30.35
拉合尔 0.00 5.23 21.55 69.50 640.00 86.84
米安瓦利 0.00 4.18 23.40 68.78 530.00 63.31
木尔坦 0.00 0.01 4.30 20.93 231.20 32.09
Murree 0.00 47.20 112.15 216.08 704.30 127.19
拉瓦尔品第 0.00 19.70 57.30 131.35 743.30 127.24
萨戈达 0.00 4.00 20.25 49.23 351.20 55.61
锡亚尔科特 0.00 9.08 37.30 94.88 917.60 128.98
最高温度 巴哈瓦尔布尔 18.23 26.63 35.10 38.90 44.50 7.13
Bahawalnagar 16.10 26.35 34.95 38.53 44.60 7.42
费萨尔巴德 15.80 24.40 33.50 36.80 42.80 7.25
杰赫勒姆 16.20 24.38 32.80 35.60 43.20 6.88
Khanpur 19.30 27.28 35.40 39.10 44.90 7.10
拉合尔 15.20 24.75 33.05 35.60 43.10 6.85
米安瓦利 14.50 24.48 33.75 37.90 43.80 7.65
木尔坦 17.96 26.33 34.80 38.50 44.20 7.30
Murree 3.80 12.68 19.00 22.40 31.83 6.00
拉瓦尔品第 14.80 22.18 30.95 34.23 41.10 6.93
萨戈达 15.40 24.88 33.65 37.13 44.50 7.33
锡亚尔科特 13.50 23.50 31.80 34.23 42.90 6.99
最低温度 巴哈瓦尔布尔 3.70 10.68 19.15 26.33 30.30 8.30
Bahawalnagar 3.10 10.93 19.90 26.70 30.90 8.13
费萨尔巴德 1.80 8.90 17.85 25.50 29.30 8.41
杰赫勒姆 2.80 9.40 17.60 24.60 28.00 7.71
Khanpur 0.90 9.38 18.10 25.80 29.60 8.44
拉合尔 4.20 11.30 19.95 26.00 29.60 7.55
米安瓦利 0.70 8.55 17.50 25.70 30.20 8.68
木尔坦 2.90 10.00 19.40 27.13 30.80 8.70
Murree -5.50 3.00 9.95 14.60 18.40 6.32
拉瓦尔品第 0.60 7.00 15.15 22.63 26.70 7.86
萨戈达 1.00 9.39 18.55 25.60 29.20 8.47
锡亚尔科特 2.50 9.08 17.45 24.12 27.30 7.67
表1
降水和温度（1971至2017年）的汇总统计。
4.2.2。该气象台的下MCFS-ID的选择

基于MCFS-ID算法的选择框架被设计用来识别特定地区的重要气象站。数字4展示了DAI系列所有时间尺度的选择分布的理论和经验直方图。可以看出，理论直方图与经验直方图相比，DAI-1的精度更高，而在其他时间尺度上仍存在显著差异。这种差异是自然的，并且由于数据的行为而无法控制。最近，一个概率干旱指标被开发出来以解决这个差异问题[48]。但是，本文的比喻和应用超出了这些差异的说明。在本文中，不同的分布概念用于干旱指数的估计[49]。。数字五显示了同样的理由的SPTI的各个时间尺度的时间特性，并且干旱指数SPTI估计为所有其它站的过程。

（一个）
（一个）
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
图4
Sialkot站SPTI不同时间尺度选择分布的理论和经验直方图。
（一个）
（一个）
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
图5
在锡亚尔科特站不同时间尺度的SPTI的时间曲线。（一）DAI-1。（二）DAI-3。（C）DAI-6。（d）DAI-9。（E）DAI-12。（F）DAI-24。（克）DAI-48。

可以从图形中获得适合电台的信息。节点的颜色强度与RI的相应特征成正比。节点的大小与与该节点相关的边的数量成正比。边缘的宽度和暗度与边缘的ID权值成正比。图中分别给出了12个不同时间尺度指数的站点，如SPTI-1、SPTI-3、SPTI-6、SPTI-9、SPTI-12、SPTI-24和SPTI-48。因为我们想只检查和分析最强的ID权重(见图)6(一)ID SPTI-1图),我们可以看到节点的大小在拉合尔车站SPTI-1特别大,因为相关的边缘和强度,在颜色和强度Jhelum显示了更高的RI值,和黑暗的边缘对应的重量成正比的边缘。此外，对于SPTI-48(见图)图6（G）， SPTI-48)的ID图，Sargodha节点的尺寸因为相关边的关系而比较大，而Sialkot的颜色强度特别的高，因为该站的RI值比较高，而边的暗度也与相应的权值有关。

（一个）
（一个）
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
图6
的ID图（a）中SPTI-1，（b）中SPTI-3，（c）中SPTI-6，（d）SPTI-9，（E）SPTI-12，（F）SPTI-24，和（g）SPTI-48。

在表1一些统计降水和最高和最低气温都适用于所有已选测站，而表2显示了在不同的时间尺度对所有站的BIC值。实际上，我们想找出哪些站非常重要的。我们可以从表中看到的3那这是更重要的车站有较高的RI值比其他站。对于SPTI-1，它可以被解剖的是其中六个站12点选择的站之间更重要。从表中的结果3表明杰赫勒姆，锡亚尔科特，拉合尔，拉瓦尔品第，穆里，和米安瓦利具有RI值0.140582，0.136804，0.12947，0.126862，0.112541，和0.103813分别认为是12台之间更重要。对于SPTI-48，我们可以看到前六个站更重要的与从站RI值。从表中的结果2表明Sialkot、Jhelum、Murree、Mianwali、Faisalabad和Multan的RI值分别为0.0270、0.0260、0.0250、0.0240、0.0220和0.0210，在12个台站中，认为更重要。
分布 DAI-1 DAI-3 DAI-6 DAI-9 DAI-12 DAI-24 DAI-48
2 pβ -381.6 −288.4 −344.4 −379.5 -352.1 −484.3 -403.2
3P威布尔 -692.1 -509.2 -536.4 −586.1 -524.6 −647.9 -506.0
4P测试 -689.3 -510.4 -534.1 -585.8 -522.5 -648.4 −507.0
反正弦 −342.3 −368.5 −400.1 -439.4 -403.4 -541.8 −455.4
毛刺 −311.8 −309.4 -350.4 −384.4 -356.6 -489.0 −407.6
柯西 -401.7 −477.7 -517.7 -568.2 -502.0 -613.6 -492.8
驰 -404.2 −293.2 -349.2 −384.1 -356.6 -489.0 −407.6
卡方 -526.1 -436.2 −473.4 −384.8 −359.9 -623.7 -408.4
余弦 −193.5 -365.3 −505.8 −579.2 -510.7 -649.8 -509.2
曲线梯形 −348.7 −464.7 −500.5 -515.8 -471.9 -632.8 -463.5
指数 −388.7 -472.4 -459.9 -469.6 −409.3 −540.3 -432.9
F −577.9 -283.4 −373.8 −402.7 -365.7 -494.3 −407.5
伽玛 -630.8 −518.3 -543.1 -594.6 −527.9 −647.7 -508.4
广义极值 −535.0 -535.0 -539.0 −591.6 −527.7 -643.1 -504.3
广义正常 -594.4 -534.4 -539.0 −591.3 −527.7 -643.1 -504.1
甘力克 −373.6 -501.5 −542.9 -595.8 −531.6 −646.8 −507.5
逆卡方 −275.9 -363.5 -382.9 -410.2 -372.1 −500.9 -412.7
逆伽马 −507.4 -501.5 -522.2 −582.6 -532.2 −647.2 -508.3
逆高斯分布 -418.2 -511.7 −532.2 −588.8 −531.5 -648.0 -508.5
约翰逊SB −595.1 -530.0 -534.6 −586.8 −523.3 −531.9 -423.9
约翰逊SU -589.6 -534.4 -534.6 -587.9 −523.3 −638.5 −499.8
拉普拉斯 -408.6 −486.4 −538.9 −584.6 -508.3 -623.5 -498.9
物流 −353.2 -480.6 −532.0 -589.7 -517.5 −640.6 −505.6
对数正态分布 −579.8 −527.0 -537.3 -590.9 −531.3 −647.7 -508.5
正常的 −339.1 -472.5 −529.1 -585.8 -515.6 −645.8 −507.6
瑞利 -352.6 -485.9 -537.8 -589.1 -517.7 -651.8 -510.2
缩放/移动吨 −409.2 −482.4 −527.5 -585.4 -513.2 -641.1 −503.2
歪斜正常 −359.5 −497.7 -537.8 −591.2 −527.3 -646.2 -506.4
梯形 −331.9 −486.9 −529.0 −579.5 -523.9 −651.4 -480.4
三角形的 -334.7 −490.5 -530.9 -583.8 -524.5 −647.0 -506.5
统一的 -250.4 −288.6 −353.2 -482.1 -361.6 -547.8 -408.8
•冯•米塞斯 −343.5 −332.8 −344.6 −379.7 -352.1 −484.3 -403.2
表2
用于改变时间尺度的DAI的数据的各种概率分布的BIC。
站 SPTI-1 SPTI-3 SPTI-6 SPTI-9 SPTI-12 SPTI-24 SPTI-48
巴哈瓦尔布尔 0.0770 0.0770 0.0900 0.0720 0.0290 0.0230 0.0190
Bahawalnagar 0.0900 0.0910 0.0730 0.0690 0.0310 0.0310 0.0200
费萨尔巴德 0.0860 0.0910 0.0680 0.0700 0.0310 0.0260 0.0220
杰赫勒姆 0.1410 0.1540 0.0900 0.1030 0.0360 0.0250 0.0260
Khanpur 0.0670 0.0780 0.0570 0.0510 0.0260 0.0210 0.0180
拉合尔 0.1290 0.1500 0.0990 0.0870 0.0290 0.0220 0.0170
米安瓦利 0.1040 0.0990 0.0590 0.0600 0.0330 0.0230 0.0240
木尔坦 0.0760 0.0780 0.0610 0.0560 0.0290 0.0230 0.0210
Murree 0.1130 0.1250 0.0850 0.0750 0.0320 0.0300 0.0250
拉瓦尔品第 0.1270 0.1400 0.0640 0.0740 0.0350 0.0260 0.0200
萨戈达 0.0940 0.0940 0.0710 0.0730 0.0410 0.0250 0.0200
锡亚尔科特 0.1370 0.1570 0.1080 0.0950 0.0280 0.0230 0.0270
表3
每个站点相对于每个时间尺度的相对重要性评分(RI)。
4.3。讨论

在这项研究中，我们提出了MCFS-ID算法识别的重要气象观测站。这项研究的结果可以是从的观点和分析和再分析的目的数据挖掘点特定区域计量网络很有帮助。此外，最好是，以获得信息的区域中存在的计量站之间的依赖关系。在评估过程中，我们规范了最小的BIC的基础上，一些合适的分布的CDF。它们是为锡亚尔科特站表明3P Weibull分布适合于一个月的时间尺度的计算结果，广义极值是用于DAI的三个月时间尺度的合适的选择，等等。此外，通过设置一个详尽的框架，它的工作原理是利用MCFS-ID算法获得的信息。此外，发现站之间的依赖关系，一个特定的站将被认为具有较高的RI值最强的候选者。

五，结论

气象资料在干旱监测中起着重要的作用。因此，选择一个特定地区的气象站具有重要意义。在本研究中，我们发现Jhelum站对SPTI-1和SPTI-9指标的相对重要性更大，而基于我们提出的MCFS-ID识别重要气象站的方法，Sialkot对SPTI-3、SPTI-6和SPTI-48指标的研究具有区域重要性。综上所述，我们的框架可以为最新的实时干旱监测系统发现站点之间的依赖关系。它对于制定明智的缓解政策和开发干旱监测的早期预警系统是有用的。

数据可用性

用来支持这项研究的结果的数据是可用的，请相应的作者。

伦理审批

这项研究是根据人体实验责任委员会的道德标准和1975年赫尔辛基宣言的最新(2008年)版本进行的。

利益冲突

作者声明，这篇论文的发表没有任何利益冲突。

致谢

作者非常感谢沙特阿拉伯国王哈立德大学科学研究主任通过GRP-73-41项目下的一般研究项目提供的财政支持。

参考

  1. I. R.坦尼希尔，“干旱，其原因和影响，”土壤科学，第64卷，no。1947年第83页。查看在：出版商网站|谷歌学术
  2. C. S. Szinell，A. Bussay和T. Szentimrey，“干旱倾向在匈牙利，”国际气候学杂志卷。18，没有。13，第1479至1491年，1998年。查看在：出版商网站|谷歌学术
  3. 何兵，陆，吴，赵，刘，“中国干旱灾害评估与空间特征分析”，地理科学杂志，第21卷，no。2，页235-249,2011。查看在：出版商网站|谷歌学术
  4. d . a -威尔特干旱的自然灾害：概念和定义，干旱减灾中心学院出版社，华盛顿特区，美国，​​2000。
  5. P. G. Whitehead, R. L. Wilby, R. W. Battarbee, M. Kernan, and A. J. Wade，“气候变化对地表水质量潜在影响的综述”水文科学杂志，第54卷，否。1，页101-123,2009。查看在：出版商网站|谷歌学术
  6. S.帕里，C.普吕多姆，R. L.威尔比和P j的木材，“干旱终止，”自然地理学的进展:地球与环境卷。40，没有。6，第743-767，2016。查看在：出版商网站|谷歌学术
  7. p·h·格莱克，《水、干旱、气候变化和叙利亚冲突》，天气、气候和社会卷。6，没有。3，第331-340，2014。查看在：出版商网站|谷歌学术
  8. L. A.帕特森，B. D.卢茨和M. W.道尔，“干旱在南大西洋，美国的表征，”美国水资源协会的JAWRA杂志卷。49，没有。6，第1385至1397年，2013。查看在：出版商网站|谷歌学术
  9. T. A.阿尔皮诺，A. R. M. D.塞纳，和C. M. D.塔斯，“Desastres relacionadosà塞卡ËSAUDE coletiva-UMArevisão哒文学científica，”Ciencia & Saude Coletiva，第21卷，no。3，第809-820，2016。查看在：出版商网站|谷歌学术
  10. S. Bokal, A. Grobicki, J. Kindler，和D. Thalmeinerova，“从国家到区域的规划——中欧和东欧全球水资源伙伴关系的综合干旱管理规划，”天气和气候极端事件，第3卷，第37-46页，2014年。查看在：出版商网站|谷歌学术
  11. A. Iglesias, L. Garrote, A. Cancelliere, F. Cubillo, D. A. Wilhite，应对旱灾风险在农业和供水系统：干旱管理和政策制定地中海，第26卷，施普林格科学与商业媒体，柏林，德国，2009年。
  12. 戈贝尔和米尔扎巴耶夫，“行动的好处和不行动的代价:减轻干旱和做好准备-一篇文献综述，”干旱和水危机，世界气象组织，2017年瑞士日内瓦。查看在：出版商网站|谷歌学术
  13. 阿纳西奥，J.安德鲁，D. Assimacopoulos, C. Bifulco, A. di Carli, S. Dias et al.，“当前干旱监测系统的审查和(进一步)监测需求的识别”，技术代表，瓦格宁根环境研究，瓦格宁根，荷兰，2013，干旱与spi技术报告，(6)。查看在：谷歌学术
  14. 《在变化的气候中管理干旱风险:国家干旱政策的作用》，天气和气候极端事件卷。3，第4-13，2014。查看在：出版商网站|谷歌学术
  15. J. Andreu, A. Solera, J. Paredes-Arquiola, D. Haro-Monteagudo和H. van Lanen，“通过将指标与影响联系起来，加强干旱监测和早期预警”，in干旱:研究和科学政策的结合， 303-308页，CRC出版社，博卡拉顿，佛罗里达，美国，2015。查看在：出版商网站|谷歌学术
  16. J.埃斯特韦斯，P.加维兰和J. V.Giráldez，“关于从自动气象站气象数据验证程序指南”杂志水文，第402卷1-2页，144-154页，2011。查看在：出版商网站|谷歌学术
  17. P. Koeniger和A. Margane，“在JEITA泉域稳定同位素研究，”BGR，在杰伊塔弹簧的保护特别报告卷。12，第48，2014年查看在：谷歌学术
  18. J. M.科尔斯顿，T.艾哈迈德C. Mahopo。等，“评估从气象站的气象数据，并从卫星和全球模型多站点流行病学研究，”环境研究卷。165，第91-109，2018。查看在：出版商网站|谷歌学术
  19. 吴家栋流域气象水文监测网的数量和位置的最佳选择国际杂志上先进科学，工程和信息技术卷。6，没有。3，第324-328，2016。查看在：出版商网站|谷歌学术
  20. R.阿瑟诺和F. Brissette，“确定天气站网络的使用RCM数据集和集总分布式水文建模的目的最优空间分布，”水文气象学杂志卷。15，没有。1，第517-526，2014。查看在：出版商网站|谷歌学术
  21. M. Borga, E. N. anagnonoou, G. Bloschl，和j - d。洪水预报、预警和风险管理:水合物项目，"环境科学与政策，第14卷第1期2011年第834-844页。查看在：出版商网站|谷歌学术
  22. A. K.米什拉和P.库利巴利，“在水文站网设计的发展：回顾与展望”地球物理评论卷。47，没有。2，2009年。查看在：出版商网站|谷歌学术
  23. A.伯尔尼，G. Delrieu，J.D. Creutin，和C. Obled，“时间和用于城市水文需要降雨的测量的空间分辨率，”杂志水文，第299卷3-4页，166-179,2004。查看在：出版商网站|谷歌学术
  24. M. D.斯沃博达，B. A.福克斯，C. C.波尔森和J. R. Nothwehr，“干旱风险地图集：在美国的干旱风险管理，提高决策支持，”杂志水文，第526卷，第274-286页，2015。查看在：出版商网站|谷歌学术
  25. Akbari, G. Rakhshandehroo, A. H. Sharifloo, E. Ostadzadeh，“基于标准化降水指数(SPI)和径流干旱指数(SDI)的伊朗南部Chenar Rahdar河流域干旱分析”，in会议流域管理研讨会2015年的Proceedins，第11-22，弗吉尼亚州雷斯顿，美国，2015年8月。查看在：出版商网站|谷歌学术
  26. Y. Bayissa, S. Maskey, T. Tadesse等人，“描述埃塞俄比亚上青尼罗盆地历史干旱的六个干旱指数的性能比较，”地球科学，第8卷第1期。3、2018年第81页。查看在：出版商网站|谷歌学术
  27. J. Bezdan，A. Bezdan，B.·布拉戈耶维奇等人，“SPEI为基础的农业干旱在伏伊伏丁区域监测，”水卷。11，没有。7，P。1481，2019。查看在：出版商网站|谷歌学术
  28. R. L.Nikolić的-Đorić，C. W.道森和E. M.巴罗，“SDSM-A的区域气候变化影响评估决策支持工具，”环境模拟及软件卷。17，没有。2，第145-157，2002。查看在：出版商网站|谷歌学术
  29. 海斯达尔和塔拉克森，“区域气象和水文干旱特征的估计:丹麦的案例研究”，杂志水文，第281卷，编号3、2003年230-247页。查看在：出版商网站|谷歌学术
  30. m . Dramiński m . Kierczak j . Koronacki和j·科莫罗夫斯基,“蒙特卡罗特征选择和相互依赖在监督分类,发现”在机器学习II进展， 371-385页，施普林格，柏林，德国，2010。查看在：出版商网站|谷歌学术
  31. 通过乘子的交替方向法的分布式优化和统计学习，"机器学习的基础与趋势，第3卷第3期1，第1 - 122页，2011。查看在：出版商网站|谷歌学术
  32. T. B. McKee, N. J. Doesken，和J. Kleist，“干旱频率和持续时间与时间尺度的关系”第八届应用气候学会议论文集卷。17，没有。22，第179-183，波士顿，MA，USA，1993年1月，美国气象学会。查看在：谷歌学术
  33. S. M.森特-Serrano的，S.Beguería，和J. I.洛佩兹莫雷诺，“A多尺度的干旱指数全球变暖敏感：标准化降水蒸散指数，”杂志的气候卷。23，没有。7，第1696至1718年，2010。查看在：出版商网站|谷歌学术
  34. Z.阿里，I.侯赛因，M.费萨尔等人，“用于监视干旱一种新颖的多标量干旱指数：标准化降水温度指数”。水资源管理卷。31，没有。15，第4957-4969，2017。查看在：出版商网站|谷歌学术
  35. A. N. Spiess，传播：传播不确定性的。[R包版本1.0-4,2014,https://CRAN.R-project.org/package=propagate。[R包版本，1-0。
  36. C. Cunnane，“无偏见的标绘位置-评论”，杂志水文卷。37，没有。3-4，第205-222，1978。查看在：出版商网站|谷歌学术
  37. Y. Li, C. Campbell，和M. Tipping，“用于分类基因表达数据的贝叶斯自动关联确定算法”，生物信息学卷。18，没有。10，页。1332年至1339年，2002年。查看在：出版商网站|谷歌学术
  38. L. Breiman，“随机森林”机器学习，第45卷，no。1，页5-32,2001。查看在：出版商网站|谷歌学术
  39. L. Breiman和A.卡特勒，随机Forests-Classification /集群手册,2008年。
  40. C.施特罗布尔和A. Zeileis，危险:高功率!-Exploring the Statistical Properties of a Test for Random Forest Variable Importance，慕尼黑，慕尼黑，德国，2008年的路德维希安大学。
  41. 波涅洛夫和科莫罗夫斯基，“使用蒙特卡罗特征选择的重要特征的选择”，在计算统计和数据挖掘的挑战，第25-38，施普林格，瑞士Cham年，2016年。查看在：出版商网站|谷歌学术
  42. M.Dramiński，M. J. Dabrowski的，K.迪亚曼蒂，J. Koronacki和J.斯基，“在高维问题的相互依存的特征发现网络，”在大数据分析：新算法对新社会2016年，瑞士Cham，施普林格，285-304页。查看在：出版商网站|谷歌学术
  43. m . Dramiński和j . Koronacki Rmcfs: R包蒙特卡罗特征选择和相互依赖的发现,“统计软件杂志卷。85，没有。1，第1-28页，2018。查看在：出版商网站|谷歌学术
  44. t . Soľakova c·德·米歇尔,r . Vezzoli”比较的计算参数和非参数方法两种干旱指数:SPI和SSI,”水文工程杂志，第19卷，no。9、文章ID 04014010, 2013。查看在：出版商网站|谷歌学术
  45. n。b。古特曼，“比较帕尔默干旱指数和标准降水指数，”杂志美国水资源协会，第34卷，no。第113-121页，1998。查看在：出版商网站|谷歌学术
  46. E. Gidey, O. Dikinya, R. Sebego, E. Segosebe，和A. Zenebe，“利用埃塞俄比亚北部Raya及其周边地区的植被健康指数(VHI)分析长期农业干旱的发生、停止、持续时间、频率、严重程度和空间范围，”环境系统研究卷。7，没有。1，P。13，2018。查看在：出版商网站|谷歌学术
  47. M. Kutilek, D. R. Nielsen，和M. B.的说法，“表层土壤含水量制度:土壤科学的机遇，”杂志水文卷。184，没有。1-2，第35-55页，1996年。查看在：出版商网站|谷歌学术
  48. Z.阿里，侯赛因一，M费萨尔等人，“区域水文干旱特征年度使用全球变暖情景下的辅助信息，”自然灾害和地球系统科学的探讨， 2019年第1-20页。查看在：出版商网站|谷歌学术
  49. J. H.斯塔格，L. M. Tallaksen, L. Gudmundsson, A. F. Van Loon，和K. Stahl，“气候干旱指数(SPI和SPEI)的候选分布”，国际气候学杂志卷。35，没有。13，第4027-4040，2015。查看在：出版商网站|谷歌学术

Rizwan Niaz等人版权所有这是一篇开放获取的文章知识共享署名许可，其允许在任何介质无限制地使用，分发和再现时，所提供的原始工作正确的引用。

77 查看 | 264 下载 | 0 引文
PDF 下载文献 引用
下载其他格式更多
ePub文件
XML
为了打印副本订单

我们致力于尽快、安全地分享与COVID-19有关的发现。任何提交COVID-19论文的作者应通知我们help@hindawi.com以确保他们的研究能被快速跟踪，并尽快在预印服务器上发布。我们将为已被接受的有关COVID-19的文章提供无限豁免的出版费用。注册在这里作为一个评论家，以帮助快速跟踪新的意见书。