基于广义帕雷托分布和广义极值分布的四川盆地极端降水量的拟合.docxVIP

基于广义帕雷托分布和广义极值分布的四川盆地极端降水量的拟合 在分布模型分析方面的应用 短时强降水是指短期内的强降水强度高，在一定时间内达到或超过一定体积的降水现象。这一量值的规定,各地气象台站不尽相同。中央气象台将短时强降水定义为≥20 mm/h。气候要素本身是一个随机变量,极值就是这些随机变量的某种函数。虽然难以定量预报气候要素的极值,但可以借用统计推断的手段寻求气候极值的分布模型,推算一定重现期的可能极值,揭示其内在规律。短历时强降水的极值作为随机变量具有一定的不确定性,但它仍表现出明显的统计规律。对于短历时强降水逐时降水量的极值统计分析,由于一般难以获取大范围长时间的逐时降水资料,国内现有的各种有关短历时降水的工作,基本上都是利用局部区域内少数站点或单站的逐时降水资料进行的分析研究。关于短历时降水极值的理论概率分布,目前尚无公认的统一模型,如美国采用耿贝尔分布和对数正态分布,中国许多城市直接采用《室外排水设计规范》建议的指数分布或皮尔逊-Ⅲ型分布模型,并没有用多种概率模型进行对比分析研究。目前,中国一般采用的频率分布曲线主要有以下四种分布线型:皮尔逊-Ⅲ型分布、指数分布、极值I型分布(耿贝尔分布)以及对数正态分布。前三种在城市暴雨强度公式的统计中应用较为广泛,至于哪种更为适合一直处于争论之中。吴息等用不同的分布模式对北京市城区和郊区的自动气象站的部分小时降水量资料进行了分析和概率分布的拟合;王海军等用广义极值分布(Gumbel、Frechet、Weibull)拟合了长江三峡地区宜昌、巴东两站短历时年最大降水量的概率分布;毛慧琴等用不同的分布模型研究了广州短历时降水的极值分布等。 近年来,广义帕雷托分布GPD(Generalized Pareto Distribution)已广泛应用于经济、金融、保险和环境科学等领域,在国内大气科学界也得到了不少应用[13,14,15,16,17,18]。GPD由Pickands在1975年首次提出,Davison,Smith,Van Montfort和Writer做了进一步研究,后Hosking,et al进一步发展了该模型的应用。极值模型主要有分块样本极大值BM(Block Maxima)模型和超门限峰值POT(Peaks Over Threshold)模型。它们具有超越样本数据的估计能力,可以准确地描述分布尾部的分位数。传统极值理论如在实际应用中采用的是BM抽样。POT模型基于传统极值理论,考虑超越门限(阈值)的数据,将这些数据看做极值水平,然后利用GPD的概率分布来拟合这些超门限的数据。建模重在估计超过某门限的超门限样本所服从的分布,并在此基础上估计总体的分布并计算风险。BM抽样往往造成大量数据的浪费,不能满足参数估计所需的样本量,增加了估计的误差。POT模型比BM更能充分利用样本数据所包含的极值信息,是一种基于超过某一门限的极端值建模的有效方法,被认为是目前极端值建模实践中最有用的模型之一。两个模型都只考虑尾部的近似表达,而不是对整个分布进行建模。 本文在四川盆地短历时强降水极值估计中,利用四川盆地12站的逐时降水资料,运用GPD和GEV两种模型,借助于L-矩的参数估计方法,对12站的逐时极端降水量进行拟合,并对两种模型的拟合效果进行比较,研究探讨上述两种分布在小时极端降水量估计中的适用性,在此基础上推算出各站给定重现期的小时降水量的极端值,为四川盆地城市化较快地区排水系统的建设管理等提供一定的依据。 1 数据和方法 1.1 资料与数据分析 研究短时强降水极值分布特征,需要得到长时间序列的1 h雨量资料。本文选取四川盆地12个测站1991—2007年地面逐时降水观测资料作为研究对象,由于有些站存在缺测,将缺测严重的年份剔除,处理后都能保证资料年数至少有10 a。本文在此资料的基础之上进行统计分析。12站的分布如图1所示。 1.2 方法 1.2.1 gev分布参数估计 式中α为尺度参数,β为位置参数,k为形状参数。当k=0时,GEV化为Tippett I型,即Gumbel分布;当k0时,则为II型分布;当k0时则为III型分布,即Weibull分布。 广义帕雷托分布(GPD)的分布函数为 式中α为尺度参数,β为门限值,k为形状参数。 本文选用稳健性较强的L-矩估计法估计参数。随机变量的第r阶概率加权矩(PWM)为 其无偏估计式可具体写为 其中xj(j=1,2,…,n)表示从大到小排列的样本取值,即为有序样本x1≥x2≥…≥xn。 L矩就是由前r个概率加权矩的线性组合构成的,即 根据文献,GEV分布参数的估计式为: 其中Γ()为Gamma函数。GPD分布的参数的估计式为 1.2.2 dn及均方误差ss 选用相关系数R、柯尔莫哥洛夫-斯米尔洛夫(K-S)检验统计量Dn及均方误差SS为