干旱过程识别和干旱频率计算.docVIP

2.2.2 干旱特征变量的提取 根据游程理论对干旱指标序列进行干旱过程识别，并由此提取干旱历时、干旱烈度等干旱特征变量。干旱历时是指干旱过程开始至结束所持续的时间；干旱烈度是指干旱过程中干旱指标值与干旱阈值之差的累积和。 在干旱过程识别中，必须要处理两个方面的内容：1）小干旱的处理。由于在识别过程中得的过多小干旱事件会影响统计分析，因此，必须对小干旱进行判别后纳入干旱事件样本中；2）干旱的合并。一个长历时的干旱过程可能会被中间短期的非干旱过程所隔断，对于隔断后这些相互关联的干旱事件需要进行重新处理，组成一个完整的干旱过程。 假设指标值越小则表明干旱越严重，设定干旱指标阈值R0、R1和R2（图2.）当指标值小于R1时，则初步判断此月为干旱，有a、b、c和d共4个干旱过程；在此基础上，对于历时只有1个单位时段的干旱（如a，d），若其干旱指标值小于R2（如a），则此月最终被确定为1次干旱过程，反之不计为干旱（如d）2.2(a)，对于间隔为1个单位时段的两次相邻干旱过程（如b，c），若间隔期的干旱指标值小于R0，则这两次相邻干旱可被视为1次干旱过程，合并后的干旱历时D = db + dc + 1，烈度S = sb + sc，否则为2次独立干旱过程。因此，按上述规定可得图2.中共有2次干旱过程，即a和b + c。2.2(b)，对于间隔为1个单位时段的两次相邻干旱过程（如b，c），若间隔期干旱指标值，则这两次相邻干旱可被视为1次干旱过程，合并后的干旱历时D = db + dc + 1，烈度S = sb + sc – s，否则为2次独立干旱过程。按上述规定可得图中共有2次干旱过程，即a和b + c。 (a) (b) 图2.2 干旱过程识别及干旱特征变量提取 2.3 基于的干旱频率分析理论已有研究表明，干旱历时D和干旱烈度S一般可分别用指数分布和Gamma分布描述，其概率分布函数分别为 FD (d) = 1- e -d/λ (.1) (2.2) 式中，λ、α、β为分布参数。由于干旱特征变量样本数据较短、抽样误差大等原因，当直接用干旱特征变量样本数据估计来确定特征变量概率分布的各参数时，往往会出现不符合实际的情况，造成计算结果的不合理性；而适线法是在充分考虑结果合理性的同时，根据分布曲线和样本经验点的拟合程度来优选参数的有效方法。因而，需要在基于样本数据估计的基础上，通过适线法调整并最终确定干旱特征变量分布函数的各参数，保证结果的合理性。在此过程中，由于指数分布是Gamma分布的特例，在适线时也可将干旱历时按Gamma分布进行适线调整处理。 2 干旱特征变量联合分布 当选用干旱历时和干旱烈度这两个干旱特征变量来共同描述干旱事件、分析干旱频率时，则需要度量两者之间的联系，即计算它们的联合概率分布函数。Copula理论已成为当今实现这种相关性分析的有效、通用的方法，其中Archimedean Copula函数因形式简单而被广泛应用，最常用的Archimedean Copula函数有Gumbel-Hougaard（GH）、Clayton和Frank Copula。令u = FD(d)，v = FS(s)，则它们可分别表示为 (.3) (2.4) (2.5) 式中，θ为参数，它与Kendall相关系数τ之间的关系如表.1所示。Kendall相关系数τ定义为 (.6) 式中，(di , si)是干旱历时、干旱烈度联合观测值。sgn(x)是符号函数，当x 0时sgn(x) = 1，x 0时sgn(x) = -1，x = 0时sgn(x) = 0。 表2.1 Copula函数参数θ与Kendall相关系数τ的关系 Copula函数 θ与τ的关系 (θ≥1) Clayton (θ 0) Frank (θ≠0) 由式可得干旱历时与干旱烈度之间的联合分布概率值。评定各种Copula函数拟合结果优劣的指标值采用均方根误差（RMSE）： (.7) 式中，Pc(i)是由Copula函数计算得的第i个联合观测值(di , si)的理论联合分布概率，n为联合观测值样本数，而Po(i)则是经验联合分布概率值，依据下式计算 (.8) 式中，mi表示联合观测值样本中满足条件D≤di且S≤si的联合观测值的个数。由以上Copula函数的联合分布可得，在干旱历时D d的条件下，干旱烈度S s时的条件概率为 (.9) 而当干旱历时D d、烈度S s时的干旱重现期为 (.10) 式中，E(L)是干旱间隔期望，为干旱历时与非干旱历时的平均值之和。