CN111242404B - 一种强降雨诱发洪灾事件的极端性评估方法及系统 - Google Patents

一种强降雨诱发洪灾事件的极端性评估方法及系统 Download PDF

Info

Publication number
CN111242404B
CN111242404B CN201911102496.2A CN201911102496A CN111242404B CN 111242404 B CN111242404 B CN 111242404B CN 201911102496 A CN201911102496 A CN 201911102496A CN 111242404 B CN111242404 B CN 111242404B
Authority
CN
China
Prior art keywords
rainfall
extreme
flood
preset time
period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911102496.2A
Other languages
English (en)
Other versions
CN111242404A (zh
Inventor
尚毅梓
任玉峰
郭胜山
冶运涛
汤正阳
马鑫
李海荣
龚家国
曹光荣
蒋云钟
樊启祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Institute of Water Resources and Hydropower Research
China Yangtze Power Co Ltd
Original Assignee
China Institute of Water Resources and Hydropower Research
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN201911102496.2A priority Critical patent/CN111242404B/zh
Publication of CN111242404A publication Critical patent/CN111242404A/zh
Application granted granted Critical
Publication of CN111242404B publication Critical patent/CN111242404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种强降雨诱发洪灾事件的极端性评估方法及系统，有效融合了极端降雨和洪灾损失等多源信息，实现了强降雨诱发的洪水灾害罕见性、发生力度、破坏强度的定量分析与准确计算，相对于传统的仅靠降雨量、重现期或灾情指标的单一评估方法，结果更加合理可靠。实际应用结果表明，该方法具有较好的辨识能力，能够对强降雨诱发洪水灾害的极端性进行全面准确的评估，为气候变化条件下极端降雨洪灾事件的检测评估提供新的途径。

Description

一种强降雨诱发洪灾事件的极端性评估方法及系统
技术领域
本申请涉及极端气候研究技术领域，特别是涉及一种强降雨诱发洪灾事件的极端性评估方法及系统。
背景技术
在当前气候背景下，极端暴雨洪灾事件频繁发生，是全球影响最为严重灾害之一。国内外学者对气候变化条件下的极端气候变化和极端事件方面的进行了大量的研究。
极端气候观测研究方面，Kundzewicz等对气候变化下河流洪水进行观测，并对未来的洪灾形式进行了预测；Allan等分析了全球大尺度降水格局的变化对区域极端降水变化的影响；Bronstert等预测了气候变化条件下，三种排放模式下德国洪灾的变化；章大全等对50年来中国降水及温度变化时空分布规律进行分析，探求人为因素及自然因素与极端气候之间的联系；张文等利用高阶矩对近2000年来极端气候进行研究，结果表明气候存在千年左右的震荡，20世纪是极端气候较活跃的时期；闵屾等利用542个站点日降水资料，分析了中国降水的区域性和各地的持续性特征；章大全、张璐等对中国各地区降水和温度对干旱的贡献进行了分析，认为降水减少是我国东部干旱形成的主要原因。气候检测研究方面，封国林、龚志强等从突变检测、系统动力学结构和事件检测多方面角度，对近年来气候变化检测与诊断技术的研究进展进行了总结；邓北胜等基于动力学结构突变检测方法和去趋势波动分析方法等，对我国干旱破纪录事件和洪旱演变进行研究；Weaver和Dai X.G.等研究表明气候突变是由系统内部结构发生演变导致其状态趋于新的吸引子而引起的，因而气候系统具有非线性特征；龚志强等基于Bemaola-Galvan提出的突变分割检测算法(BG算法)，对530年来的洪旱指数进行研究，得出气候变化在不同尺度上受到自然变率和人为变率的影响不同；钱忠华等采用偏态概率函数定义极端温度事件，从频次和强度两个角度研究了不同气候态下中国夏季和冬季极端温度事件，并对其时空变化特征进行分析；吴浩、封国林等基于气温资料研究了气候突变的前兆信号，验证临界慢化现象检测突变信号具有可靠性，受噪声影响较小的特点。
中国是亚洲地区洪水灾害风险最大的国家之一，仅次于孟加拉国。国内外有学者对我国极端降水的观测和检测以及洪灾损失评估等方面进行了较为深入的研究。极端降雨变化规律方面，Qian等认为中国区域小雨(俗称“毛毛雨”)普遍减少，暴雨和大暴雨发生频次上升，降雨强度呈增加趋势；Tu等基于广义极值分布发现中国华北地区降水总量减少的情况下，大暴雨的降水量却在增加，降雨极端化明显；Yan等对我国淮河流域的干旱和洪水灾害的季节性变化特征进行分析，表明该流域春夏旱灾严重，而洪水多发生在夏秋两季；张婷等利用华南地区71个测站的逐日降雨量和南半球月平均海平面气压场的再分析资料，研究了华南地区前汛期和后汛期极端降水的时空变化特征，佘敦贤、夏军等构建了年最大降雨序列和超门限峰值系列，采用多种分布理论对淮河地区的降水重现期进行了分析；马京津等采用广义偏态分布和经验正交函数分析方法，将北京市划分为4个降雨分区。洪灾系统和灾情研究方面，李曾中等讨论了宏观系统与我国洪涝灾害的关系，从全球天气系统尺度对我国部分暴雨及其产生的洪灾进行了解释，并对洪灾的可预测性进行了探讨；许有朋等综合分析了气候变化对长江中下游降雨的影响，并对气候和下垫面变化条件下的暴雨洪水进行了模拟；方建等对气候变化条件下极端降水、极端径流和洪灾灾情的研究进行了讨论，并对未来洪灾研究的内容提出了展望；傅湘等建立了洪灾损失评估的指标，包括人员伤亡、经济财产、生态环境和灾害救援等四个方面的损失指标，最后提出灾损率参数，用以反映洪灾造成的社会经济综合影响。
已有方法多将降雨极端性和灾害损失严重性割裂开来分别研究，仅靠降雨量或灾害损失来评价洪灾的极端性比较片面，造成洪灾事件极端性评估结果严重失真。
发明内容
本申请提供一种强降雨诱发洪灾事件的极端性评估方法及系统，以解决现有技术对洪灾事件极端性的评估结果严重失真的问题。
为了解决上述问题，本申请公开了一种强降雨诱发洪灾事件的极端性评估方法，所述方法包括：
根据降雨数据，计算预设时段的降雨重现期；
对预设时段的降雨重现期进行空间插值，确定预设时段的降雨极端指数以及洪灾最严重面积；
获取洪灾损失系数；
根据预设时段的降雨极端指数以及所述洪灾损失系数，计算洪灾的综合极端指数和平均极端指数；
输出所述洪灾最严重面积、所述综合极端指数以及所述平均极端指数，以对强降雨诱发洪灾事件的极端性进行评估。
在一种可选的实现方式中，所述根据降雨数据，计算预设时段的降雨重现期的步骤，包括：
根据雨量站的降雨数据，构建联合序列样本，所述联合序列样本包括年最大降雨值和极端降雨值；
采用概率分布函数对所述联合序列样本的频率分布进行拟合；
采用K-S检验和χ2检验对拟合结果进行检验，确定所述雨量站的最优概率分布函数；
根据所述雨量站的最优概率分布函数，确定预设时段的降雨重现期。
在一种可选的实现方式中，所述根据雨量站的降雨数据，构建联合序列样本的步骤，包括：
取所述雨量站各年在预设时段内的最大降雨值，得到年最大降雨值；
将所述雨量站在所有预设时段的降雨值按照升序排列，取第95％百分位的降雨值作为极端降雨阈值，将所有预设时段的降雨值中大于或等于所述极端降雨阈值的降雨值确定为极端降雨值；
将所述年最大降雨值和所述极端降雨值进行排列和去重处理，得到联合样本序列。
在一种可选的实现方式中，所述概率分布函数包括广义极值分布函数和伽马分布函数。
在一种可选的实现方式中，所述对预设时段的降雨重现期进行空间插值，确定预设时段的降雨极端指数以及洪灾最严重面积的步骤，包括：
利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系；
将降雨评估指数的最大值确定为预设时段的降雨极端指数，将预设时段的降雨极端指数对应的降雨影响面积确定为洪灾最严重面积。
在一种可选的实现方式中，所述利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系的步骤，包括：
利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内降雨影响面积对应的面平均重现期以及降雨影响直径；
根据所述面平均重现期与所述降雨影响直径的乘积，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系。
在一种可选的实现方式中，所述利用地理信息系统对预设时段的降雨重现期进行空间插值的步骤，包括：
利用地理信息系统对预设时段的降雨重现期进行克里金空间插值。
在一种可选的实现方式中，所述获取洪灾损失系数的步骤，包括：
将受灾人口占总人口比例、倒塌房屋数占总房屋数的比重、农作物受灾面积占总农田面积的比例以及直接经济损失占总的国民生产总值的比例进行求和，得到所述洪灾损失系数。
在一种可选的实现方式中，所述根据预设时段的降雨极端指数以及所述洪灾损失系数，计算洪灾的综合极端指数和平均极端指数的步骤，包括：
根据预设时段的降雨极端指数与所述洪灾损失系数的乘积，确定预设时段的洪灾极端指数；
将洪灾在所有预设时段的洪灾极端指数进行加权求和，得到综合极端指数；
将所述综合极端指数在所有预设时段内求平均，得到平均极端指数。
为了解决上述问题，本申请还公开了一种强降雨诱发洪灾事件的极端性评估系统，所述系统包括：
重现期计算模块，被配置为根据降雨数据，计算预设时段的降雨重现期；
空间插值模块，被配置为对预设时段的降雨重现期进行空间插值，确定预设时段的降雨极端指数以及洪灾最严重面积；
损失系数获取模块，被配置为获取洪灾损失系数；
极端指数计算模块，被配置为根据预设时段的降雨极端指数以及所述洪灾损失系数，计算洪灾的综合极端指数和平均极端指数；
极端性评估模块，被配置为输出所述洪灾最严重面积、所述综合极端指数以及所述平均极端指数，以对强降雨诱发洪灾事件的极端性进行评估。
与现有技术相比，本申请包括以下优点：
本申请提供了一种强降雨诱发洪灾事件的极端性评估方法及系统，采用降雨重现期来反映洪灾事件中极端降雨的发生概率，分析了灾害过程降雨重现期的时空分布特征，采用降雨极端指数以及洪灾最严重面积来反映洪灾事件中极端降雨的强度，采用洪灾损失系数来反映洪灾事件中极端降雨的破坏力度，从极端天气气候事件罕见性、高强度性和高破坏性特征评价单项指标的兼容性角度出发，建立重大洪灾极端性评估方法和系统，计算得到洪灾最严重面积、综合极端指数以及平均极端指数，实现了对重大洪灾事件极端性全面合理的评估。本方案有效融合了极端降雨和洪灾损失等多源信息，实现了强降雨诱发的洪水灾害罕见性、发生力度、破坏强度的定量分析与准确计算，相对于传统的仅靠降雨量、重现期或灾情指标的单一评估方法，结果更加合理可靠。实际应用结果表明，该方法具有较好的辨识能力，能够对强降雨诱发洪水灾害的极端性进行全面准确的评估，为气候变化条件下极端降雨洪灾事件的检测评估提供新的途径。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，可以根据这些附图获得方法获取其他雷达风暴单体回波的附图。
图1示出了本申请一实施例提供的一种强降雨诱发洪灾事件的极端性评估方法的步骤流程图；
图2示出了本申请一实施例提供的一种确定降雨重现期的步骤流程图；
图3示出了本申请一实施例提供的一种确定降雨极端指数以及洪灾最严重面积的步骤流程图；
图4示出了本申请一实施例提供的一种确定合极端指数和平均极端指数的步骤流程图；
图5示出了研究区地理位置和雨量站点分布图；
图6示出了代表站的频率分布拟合结果；
图7示出了2003年夏季洪灾日降雨量重现期分布图；
图8示出了2007年夏季洪灾日降雨量重现期分布图；
图9示出了2003年洪灾日降雨的面平均重现期与影响面积的关系曲线；
图10示出了2007年洪灾日降雨的面平均重现期与影响面积的关系曲线；
图11示出了2003年淮河流域洪灾降雨极端指数随影响面积的变化曲线；
图12示出了2007年淮河流域洪灾降雨极端指数随影响面积的变化曲线；
图13示出了2003年和2007年淮河流域洪灾极端指数变化曲线；
图14示出了淮河流域历史重大洪水灾害比较；
图15示出了本申请一实施例提供的一种强降雨诱发洪灾事件的极端性评估系统的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合实例附图和具体实施方式对本申请作进一步详细的说明。
目前极端降雨事件检测较多采用数理方法，对降雨观测序列中的极大或极小值、超百分位数值或突变值进行检测，分析其时空变化特征，或是通过概率分布函数探求降雨极值的变化规律；灾害评估则多以灾情评估和风险分析为主。
发明人分析发现，极端降雨引发的洪水灾害包括了降雨极端性、灾害损失严重性等方面内容，而且两者之间存在必然的因果关系，也就是极端降雨引发的洪水灾害分析应综合考虑降雨极端性、灾害损失严重性以及两者之间的关联性风险因素。然而，现有技术无法深刻解读降雨极端性和灾害损失严重性两者之间的关系，对于降雨诱发洪灾事件的极端性研究尚为空白，尚无有效方法对洪灾事件的发生概率、降雨强度和破坏力度等角度进行综合考量。
为了能够准确识别和量化评估降雨诱发洪水事件的极端性，本申请一实施例提供了一种强降雨诱发洪灾事件的极端性评估方法，参照图1，该方法包括：
步骤101：根据降雨数据，计算预设时段的降雨重现期。
具体地，可以首先根据雨量站的降雨数据，构建联合序列样本，联合序列样本包括年最大降雨值和极端降雨值；然后采用概率分布函数对联合序列样本的频率分布进行拟合，根据拟合结果确定预设时段的降雨重现期。
在实际应用中，降雨数据可以是实际观测得到的降雨数据，还可以是根据天气预报预测得到的降雨数据。降雨数据可以包括降雨量、降雨时长等。
其中，降雨重现期是在一定年代的雨量记录资料统计期间内，大于或等于某强度的降雨出现一次的平均间隔时间，为发生频率的倒数。
预设时段(或预设时长)的具体数值可以根据情况设定，例如可以计算1日降雨量重现期、3日降雨量重现期，等等。
步骤102：对预设时段的降雨重现期进行空间插值，确定预设时段的降雨极端指数以及洪灾最严重面积。
具体地，可以首先利用地理信息系统对各雨量站在预设时段的降雨重现期进行空间插值，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系；然后将降雨评估指数的最大值确定为预设时段的降雨极端指数，将预设时段的降雨极端指数对应的降雨影响面积确定为洪灾最严重面积。
步骤103：获取洪灾损失系数。
具体地，可以将受灾人口占总人口比例S1、倒塌房屋数占总房屋数的比重S2、农作物受灾面积占总农田面积的比例S3以及直接经济损失占总的国民生产总值的比例S4进行求和，得到洪灾损失系数S。灾害的损失系数S反映了灾害天气对人类社会产生的影响，计算公式为：
S＝S1+S2+S3+S4 (1)
步骤104：根据预设时段的降雨极端指数以及洪灾损失系数，计算洪灾的综合极端指数和平均极端指数。
具体地，可以首先根据预设时段的降雨极端指数与洪灾损失系数的乘积，确定预设时段的洪灾极端指数；然后将洪灾在所有预设时段的洪灾极端指数进行加权求和，得到综合极端指数；将综合极端指数在所有预设时段内求平均，得到平均极端指数。
在实际应用中，可以依次计算洪灾所经历的预设时段t从1至n的洪灾极端指数Wt，得到洪灾极端指数Wt随时间的变化曲线，然后对n个洪灾极端指数Wt进行加权求和，可以得到综合极端指数Wcom，综合极端指数除以n可以得到平均极端指数Wa。
其中，加权求和中的各权重系数可以全部相同，也可以根据实际的降雨时长、降雨量、地形、地面建筑、土壤含水量等实际情况来确定，本实施例对其具体数值不作限定。
步骤105：输出洪灾最严重面积、综合极端指数以及平均极端指数，以对强降雨诱发洪灾事件的极端性进行评估。
通过输出的洪灾最严重面积、综合极端指数Wcom以及平均极端指数Wa，可以判定已发生洪灾事件的极端性或预测洪灾时间的极端性。
本实施例提供的一种强降雨诱发洪灾事件的极端性评估方法，采用降雨重现期来反映洪灾事件中极端降雨的发生概率，分析了灾害过程降雨重现期的时空分布特征，采用降雨极端指数以及洪灾最严重面积来反映洪灾事件中极端降雨的强度，采用洪灾损失系数来反映洪灾事件中极端降雨的破坏力度，从极端天气气候事件罕见性、高强度性和高破坏性特征评价单项指标的兼容性角度出发，建立重大洪灾极端性评估方法和系统，计算得到洪灾最严重面积、综合极端指数以及平均极端指数，实现了对重大洪灾事件极端性全面合理的评估。本方案有效融合了极端降雨和洪灾损失等多源信息，实现了强降雨诱发的洪水灾害罕见性、发生力度、破坏强度的定量分析与准确计算，相对于传统的仅靠降雨量、重现期或灾情指标的单一评估方法，结果更加合理可靠。实际应用结果表明，该方法具有较好的辨识能力，能够对强降雨诱发洪水灾害的极端性进行全面准确的评估，为气候变化条件下极端降雨洪灾事件的检测评估提供新的途径。
对极端事件的定义一般分为两种方法，即绝对阈值法和相对阈值法，例如我国把日降雨量超过50mm作为暴雨阈值，100mm作为大暴雨阈值，就是前者在降雨中的应用。近年来对后者的应用较多，世界气候委员会用其定义了超过90％、95％和99％分位数的极端日降水指数，这种定义方式考虑到了各地区不同气候和地理背景，比绝对阈值法更合理。发明人发现，传统暴雨频率和重现期的计算通常采用的样本系列是年最大降雨值系列，这可能会漏掉很多有价值的信息，比如某些年份次大降雨，甚至第三大降雨极端性都较强，相对阈值法能较好的弥补这些不足，为此，本申请采用相对阈值法。在一种实现方式中，参照图2，步骤101具体可以包括：
步骤201：根据雨量站的降雨数据，构建联合序列样本，联合序列样本包括年最大降雨值和极端降雨值。
具体地，可以首先取雨量站各年在预设时段内的最大降雨值，得到年最大降雨值；将雨量站在所有预设时段的降雨值按照升序排列，取第95％百分位的降雨值作为极端降雨阈值，将所有预设时段的降雨值中大于或等于极端降雨阈值的降雨值确定为极端降雨值；将年最大降雨值和极端降雨值进行排列和去重处理，得到联合样本序列。
由于重大洪灾事件一般是持续性的，例如一般持续几小时、几天或几周，因此根据洪灾分析的具体情况，本申请将洪灾事件划分为T个预设时段，预设时段对应的时间步长一般为1小时、1日，3日或5日等，利用n年降雨资料，取预设时段(如1小时、1日，3日或5日等)降雨的最大值序列作为样本，将超过95％分位数的极端降雨值(即：相对阈值)作为补充信息，加入待分析的样本，构建联合样本序列。具体步骤如下：
首先，对研究区每个站点，根据n年降雨资料，取每年的预设时段(如1小时、1日，3日或5日等)的最大降雨值xi(i＝1，2，...，n)，作为年最大降雨值，构成年最大降雨值序列X＝{x1，x2，...，xn}；
然后，对每个站点，把所有预设时段降雨值样本按升序排列，设定降雨值≥0.1mm子样本的第95％百分位的降雨值作为极端降雨阈值P0，将降雨量≥P0定义为极端降雨值yj(j＝1，2，...，m)，其中m为所有超过极端降雨阈值的降雨频次(数量)，极端降雨值yj构成极端降雨值序列Y＝{y1，y2，...，ym}；
最后，将年最大降雨值序列X和极端降雨值系列Y中所有样本进行排列，去掉序列中重复计列的样本，构建联合样本系列Z＝{z1，z2，...，zu，1≤u≤m+n}。
步骤202：采用概率分布函数对联合序列样本的频率分布进行拟合。
可以采用GEV分布(广义极值分布)、Gamma分布(伽马分布)和正态分布分别对联合样本系列的频率分布进行拟合，并采用极大似然法进行频率参数估计。
广义极值分布模型(Generalized Extreme Value Distribution，GEV)是由Fisher和Tippett的极值理论发展而来，其概率密度函数和分布函数分别如下：
Figure BDA0002270272700000111
Figure BDA0002270272700000112
式中k为形状参数，且k≠0；μ为位置参数；σ为尺度参数。
伽马分布(Gamma)的概率密度函数和分布函数如下：
Figure BDA0002270272700000113
Figure BDA0002270272700000114
式中，x＞0，α为形状参数；β为尺度参数；Γ(α)为伽马函数。
在实际应用中，可以选择广义极值分布函数和伽马分布函数作为概率分布函数，得到的拟合效果较好。
步骤203：采用K-S检验和χ2检验对拟合结果进行检验，确定雨量站的最优概率分布函数。
采用K-S检验和χ2检验可以选择出各雨量站最适合的概率分布函数(最优概率分布函数)。在K-S检验判断无显著差异的前提下，再利用χ2检验选择最适合联合样本系列的概率分布函数，具体计算步骤可以参考文献[陈希孺.概率论与数理统计[M]，合肥：中国科学技术大学出版社，2009.]。
Kolmogorov-Smirnov(K-S)检验能够用来比较所用的概率分布函数与联合样本系列的概率分布是否有显著差异，在拟合结果检验中应用较多。假定样本容量为n，F0(x)为待检验的理论分布模型，Fn(x)为样本的累计分布，原假设H0：F0(x)＝Fn(x)。D为检验统计量，D＝max|F0(x)-Fn(x)|，Dα(n)为显著性水平α下统计量D的临界值。
若D＜Dα(n)，则认为理论分布和样本经验分布在显著性水平下α拟合较好，无显著差异；若D≥Dα(n)，则认为两者拟合较差，理论分布不适合经验值。
步骤204：根据雨量站的最优概率分布函数，确定预设时段的降雨重现期。
具体地，依据各雨量站最适合的分布函数(最优概率分布函数)计算获得洪灾事件预设时段(如1小时、1日，3日或5日等)降雨量的重现期，即对该区各站点的各预设时段降雨量的重现期进行分别计算，例如可以采用最优概率分布函数(如广义极值分布、伽马分布、P-III型分布和帕累托分布等)，依次计算预设时段t的降雨重现期Tt(t＝1，2，...，T)，如暴雨的1日降雨量重现期或3日降雨量重现期等。
针对传统年最大降雨值样本法易漏掉降雨信息的缺陷，本实现方式首先创新性地构建了年最大降雨值和超过95％分位数极端降雨值的联合样本序列；其次，采用广义极值分布和伽马分布进行经验频率拟合，并通过K-S检验和χ2检验选择了最适合的分布，由此实现了洪灾过程降雨重现期的准确计算。
仅仅靠雨量来衡量暴雨等级具有局限性，在不同地区的降雨量受气候和地形等条件影响较大，比如50mm在我国南方多雨地区夏季较为常见，但在西北干旱地区却较为少见，相同雨量值对山区和平原地区产生的影响也大为不同，而降雨重现期能避免不同背景条件的影响，准确反映各地区降雨的大小等级和罕见程度。因此，本申请采用降雨重现期准确表达极端天气气候事件的罕见性。不过，极端降雨引发的重大洪灾事件，受不同地区气候和地理等背景因素的影响。譬如，一场重现期很大的暴雨只发生在很小的区域或是断断续续的发生在不同的区域，这对整个流域或地区而言，并不能造成很大的影响。但如果整个流域各地同时连续出现较大的暴雨，就有可能产生重大灾害。因此，发明人认为必须能够明晰洪灾事件降雨重现期的空间分布特征，为此，本申请创造性地提出洪灾事件降雨重现期计算方法，并通过地理信息系统的空间插值，得到重现期的时空分布特征。在一种实现方式中，参照图3，步骤102具体可以包括：
步骤301：利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系。
具体地，可以首先利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内降雨影响面积对应的面平均重现期以及降雨影响直径；然后根据面平均重现期与降雨影响直径的乘积，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系。
利用GIS工具对预设时段(如1小时、1日，3日或5日等)的降雨重现期进行空间插值，计算第t个预设时段内的降雨影响面积为a(单位：万km2)的降雨极端性评估指数(简称降雨评估指数)Et(单位：log(yr)·100km)，计算公式为：
Et＝PtRt (2)
其中Pt为第t个预设时段内暴雨事件的降雨影响面积a的面平均重现期，单位为yr；Rt为第t个预设时段内降雨影响面积(降雨覆盖区域)a相等面积的几何直径，称为降雨影响直径，单位：100km。计算公式分别如下所示：
Figure BDA0002270272700000131
Figure BDA0002270272700000132
式中，m为将面积a划分的计算子区域数；Tti为第i个子区域在第t个预设时段的降雨重现期，i＝1，2，...m。详细计算步骤可以参考文献[许月萍，汤有光，王锐琛.尺度模型在水文频率分析中的应用[J].中山大学学报(自然科学版)，2009，48(06)：127-131.]。
根据各雨量站的降雨量观测值，采用以上计算公式得到预设时段t的降雨评估指数Et随降雨影响面积a的变化曲线。
其中，可以利用地理信息系统对预设时段的降雨重现期进行克里金空间插值。
步骤302：将降雨评估指数的最大值确定为预设时段的降雨极端指数，将预设时段的降雨极端指数对应的降雨影响面积确定为洪灾最严重面积。
在实际应用中，定义Et能达到的最大值Et0为预设时段t的降雨极端指数，其对应的降雨影响面积a0即为洪灾影响最严重的区域面积(简称洪灾最严重面积)。
灾害是自然对人类社会的作用结果，重大暴雨洪灾是极端降雨事件对人类社会作用，造成重大人员伤亡和财产损失的持续过程，洪灾事件的极端性评估必须考虑极端降雨事件的持续过程以及对社会经济造成损失的过程两个方面内容。在一种实现方式中，参照图4，步骤104具体可以包括：
步骤401：根据预设时段的降雨极端指数与洪灾损失系数的乘积，确定预设时段的洪灾极端指数。
本申请定义预设时段t的洪灾事件极端性评估指数Wt(简称洪灾极端指数)为相应时段降雨极端指数Et0和灾害损失系统S的乘积，计算公式表达如下：
Wt＝Et0·S (5)
步骤402：将洪灾在所有预设时段的洪灾极端指数进行加权求和，得到综合极端指数。
本实施例中洪灾在所有预设时段的洪灾极端指数的权重系数均为1，即定义综合极端指数Wcom为洪灾历时各预设时段内的洪灾极端指数Wt之和，计算公式表达如下：
Figure BDA0002270272700000141
步骤403：将综合极端指数在所有预设时段内求平均，得到平均极端指数。
本申请定义平均极端指数Wa为洪灾历时t(n个预设时段)内洪灾极端指数Wt的平均值，计算公式表达如下：
Wa＝Wcom/n (7)
本申请首先构建年最大降雨值和极端降雨值的联合样本序列；然后，采用广义极值分布和伽马分布等拟合样本，计算得到极端降雨的重现期；创造性地构建了降雨重现期Tt、影响直径Rt和洪灾损失系数S三参数洪灾事件极端性评估方法，该方法较全面地融合了强降雨事件导致洪灾罕见型(概率小)、强度大和破坏性强等极端性特征信息，计算得到洪灾最严重面积、综合极端指数以及平均极端指数，能够对洪灾事件的极端性能够进行准确的定量分析与计算，为气候变化条件下极端降雨洪灾事件的检测提供新的途径。
为了更好地理解本申请技术方案，下面介绍一个本方案的实际应用案例。
1、研究区域与数据来源
1.1研究区域
淮河流域位于东经111°55’-121°25’，北纬30°55’-36°36’之间，面积27万km2，主要包括了河南、安徽、江苏、山东和湖北五省，见图5。该区农业发达，人口密集，据统计淮河流域平均人口密度是全国平均密度的4.8倍，气候以暖温带半湿润季风气候为主，降雨主要集中在夏秋两季，冬春干旱少雨。地形以丘陵平原为主，地势平坦。该区雨季洪水灾害频发，损失惨重。根据灾害统计年鉴和水情公报等资料的记载，2003年和2007年的夏季，淮河流域发生了流域性的洪水灾害，共造成了5300多万人受灾，580多万公顷农业受灾，直接经济损失达450多亿元，给人民生命财产造成了重大损失。
近年来，对淮河流域洪旱灾害研究众多，但针对该流域洪灾的极端降雨特征研究却较少。本申请基于淮河流域多年日降雨量数据和历史灾害统计资料，对该地区重大洪灾事件的降雨特征进行研究。
1.2数据来源
降雨资料为淮河流域28个国家气象站53年日降雨量数据(1960-2012年)，来源于中国气象科学数据共享服务网；基础地理信息数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站；洪水灾害资料来源于国家水利部和气象局发布的水情年报和气象灾害统计年鉴。
由于降雨资料易受到外界因素的影响产生非均一性问题，从而影响分析结果，产生较大误差。因此在分析之前，对淮河流域所有气象站点进行均一性检测，选择出了其中符合要求的28个站点，位置分布见图5。
2、方法应用
淮河流域2003年和2007年夏季洪灾发生了两次全流域的洪灾，给安徽、河南、江苏和山东等地区造成了重大的社会经济损失。本申请以此为案例，按照前述方法和步骤，对两次事件的极端性进行定量评估。
查阅相关文献，这两次洪灾均由夏季暴雨所致，持续时间不超过2个月，因此本实例计算步长(预设时段)选为1日。
2.1联合样本序列构建
本实例采用的是淮河流域53年日降雨量数据(1960-2012年)，因此n为53。本实例在采用年最大值日降雨值序列作为样本的同时，加入超过95％分位数的极端降雨值作为补充，从而构建待分析的联合样本序列。本实例中的预设时段为1日。
第一步：对研究区每个站点，取每年的最大日降雨值xi(i＝1，2，...，n)构成年最大降雨值序列X＝{x1，x2，...，xn}。
第二步：对每个站点，把1960年至2012年的所有日降雨值样本按升序排列，设定日降雨值≥0.1mm子样本的第95％百分位的日降雨值为极端降雨阈值P0，将日降雨量≥P0定义为极端降雨值yj(j＝1，2，...，m)，其中m为所有超极端降雨阈值的降雨的日数，构成极端降雨值序列Y＝{y1，y2，...，ym}；
第三步：将年最大降雨值序列X和极端降雨值系列Y中所有样本进行排列，去掉序列中重复计列的样本，从而构建联合样本系列Z＝{z1，z2，...，zu，1≤u≤m+n}。
2.2典型洪灾事件降雨重现期空间分布计算
本实例基于2003年和2007年淮河流域28个站点6月至7月的日降雨量数据，对洪灾过程的日降雨重现期进行计算，利用GIS空间插值获得淮河流域洪灾日降雨重现期的时空分布。
首先，采用GEV分布、Gamma分布和正态分布分别对各样本系列的频率分布进行拟合，并采用极大似然法进行参数估计，由于站点较多，仅列举了部分站的拟合结果，见图6。
其次，最采用K-S检验和χ2检验选择出各站点最适合的分布函数，结果见表1。
表1各站模型检验结果表
Figure BDA0002270272700000171
Figure BDA0002270272700000181
注：K-S检验的显著水平为0.05，字母“Y”表示通过K-S检测，“N”表示未通过检测，符号“-”表示未检测。
K-S检验结果表明，GEV分布和Gamma分布与样本的经验频率分布在各站点均无显著差异，而正态分布在较多站点差异显著，在此基础上，利用χ2检验选择各站点最适合的分布模型，结果见表1。总体而言，三种分布函数中，GEV分布适用性最好，28个站点中有20个站点适合GEV分布，Gamma分布在其中8个站点拟合结果较好，适用性次于GEV分布，这与相关文献的结论基本一致。而正态分布适用性较差，表明极端降雨样本的经验频率更趋向于偏态分布，因此GEV分布和Gamma分布拟合结果较好。由图6各分布函数拟合结果也发现，正态分布拟合“偏差”明显大于其他两种分布，而GEV分布在许昌站、徐州站、莒县站和霍山站拟合结果较好，Gamma分布在高邮站拟合结果较好，图6表明GEV分布适用范围较广，Gamma分布次之，正态分布效果较差，这与表1的检验结果保持一致。
然后，分析2003年和2007年夏季淮河流域的两次重大洪灾的降雨重现期，即，依据各站最适合的分布函数计算该区各站点2003年和2007年6月中旬至8月初每日降雨量的重现期。结果显示，2003年降雨重现期较大的日期分别为6月22日、7月5日、7月10日和8月11日；2007年夏季洪灾重现期较大的日期分别为7月1日、7月8日、7月9日和8月11日。
在此基础上，利用反距离权重法进行空间插值，获取以上各日降雨的空间分布特征，见图7、图8。
2007年洪灾的最大降雨重现期为7月8日，达到了195年，2003年最大值为7月5日的132年。2007年重现期次大值的降雨发生在8月11日，为92年，而2003年其他日期的降雨重现期都在10年以下，因此，从日降雨重现期大小的角度出发，2007年总体上大于2003年，但2003年洪灾的降雨覆盖面积较2007年大，2007年暴雨多集中在局部地区，而2003年6月22日、6月30日和7月10日的降雨，几乎覆盖了淮河流域大部分。以上分析表明，重大洪灾过程中的日降雨重现期和覆盖面积变化较大，仅仅根据重现期或影响面积等单一指标判断降雨极端性并不准确，同时洪灾的破坏性也是衡量其强弱的重要指标。
最后，利用公式(2)-(4)计算得到面平均重现期Pt与影响面积a变化关系曲线，如图9和图10所示。需要说明的是，图9和图10中x轴表示像元个数，1个像元代表的实际面积为13.1km2。
2.3典型洪灾事件的极端性评估
首先，利用公式(5)-(7)以及公式(1)，对2003年和2007年的洪灾事件过程降雨逐日进行计算，得到日降雨评估指数Et随影响面积a的分布曲线，见图11和图12。需要说明的是，由于日期较多，图11和图12中仅列举了部分日期Et的变化曲线；图中x轴表示像元个数，1个像元代表的实际面积为13.1km2；图中y轴表示降雨评估指数Et，单位为log(yr)·100km。
由图可见，降雨评估指数Et随影响面积a的增大，均表现出开始增加迅速，达到峰值以后下降较为缓慢，图形并不完全对称，这是由于图中各日均有明显的暴雨中心，且中心降雨重现期较大，此外文中采用反距离权重插值法对重现期进行空间插值，因此在暴雨中心附近，Et随着面积a迅速上升，达到峰值以后趋于稳定，呈缓慢的下降趋势。洪灾过程中各日Et的变化情况并不一致，如在2007年7月5日Et上升和下降都较缓慢，而03年的7月1日Et值上升和下降都较迅速，这与降雨整个重现期的空间分布有关系。
根据前文的定义，降雨极端指数Eto即为降雨评估指数Et的最大值，其对应的影响面积a0即为洪灾最严重面积。
然后，根据灾情统计资料，由公式(1)计算得到2003年和2007年洪灾灾害损失系数，分别为0.24和0.15，同时根据公式(5)，依次分别计算2003年和2007年洪灾事件过程每日洪灾极端指数Wt，绘制2003年和2007年淮河流域重大洪灾事件的洪灾极端指数变化曲线，见图13。
由洪灾极端指数Wt的变化曲线(图13)可见，2003年洪灾从6月10日开始，持续至7月22日结束，历时42天，在7月5日达到最大值。2007年洪灾从6月19日开始，持续至8月12日才结束，历时54天。
最后，根据公式(6)、(7)计算，2003年洪灾综合极端指数Wcom为30.59(单位同前所述，后文略)，平均极端指数Wa为0.76，7月5日最严重影响面积9.79万km2，为2003年洪灾过程中的最大值；2007年综合极端指数W’com为31.54，平均极端指数W’a为0.73，7月5日最严重影响面积最大，为8.45万km2。结果显示2007年淮河洪灾历时较长，综合极端指数略高于2003年，但2003年洪灾平均极端指数更大，同时2003年7月5日的单日极端指数Wt及洪灾最严重影响面积a0均为所有计算日期中的最大值，因此2003年夏季的洪灾极端性更强，是淮河流域新世纪以来最极端的洪涝灾害。
3、结论
本实例从降雨极端性和洪灾损失两个角度出发，构建了降雨重现期、影响直径和洪灾损失系数三参数的极端降雨洪灾事件评估方法与系统，并对淮河流域2003年和2007年夏季洪涝灾害事件进行实例应用，结果表明2007年淮河洪灾的历时和综合极端指数略大，但2003年洪灾的极端性更强，是淮河流域2000年以后极端性最强的洪水灾害。
传统的洪灾事件评价多从某灾害的某一方面进行分析，例如降雨量(雨情)，水位值(水情)或灾害损失(灾情)等方面。但由极端洪灾事件包括了灾害天气的罕见性、高强度性和大破坏性三个方面特征，是极端天气事件和人类社会作用的综合过程，而传统的评价方法明显具有局限性，如现有文献从降雨量的角度出发，指出2007年淮河流域洪灾是仅次于1954年的历史第二大洪水。由降雨资料分析表明2003年降雨量小于2007年，主要是因为其降雨历时较短，但其极端降雨重现期更大，覆盖范围更广，造成的损失也更为严重，因此2003年洪灾极端性比2007年更强，这与前文洪灾事件极端性评估最终结果基本一致。
为了验证模型的辨识能力，对普通年份2009年进行计算，由于没有造成灾害损失，仅比较2009年和2003年的降雨极端指数，发现普通年份2009年在6月10日至7月22日期间也有多日降雨，但降雨极端指数仅为19.72，远小于灾害年，可见普通年份和灾害年份计算结果差别较大，本申请具有较为精确的辨识能力。
由历史灾害资料发现，淮河流域在1991年也发生过罕见的重大流域性洪灾事件，损失较惨重。因此，本实例对1991年、2003年和2007年淮河流域3次全流域重大洪灾的灾情进行比较，见图14，降雨量比较发现，洪灾过程降雨量2007年最大，2003年次之，1991年最小；灾情数据比较显示，1991年各损失指标均大于2003和2007年，2003年综合损失情况大于07年，考虑到随着社会生产力进步，经济人口总量都在增长，1991年洪灾损失的比例更是远大于03年和07年。采用洪灾评估模型对1991年洪灾事件进行分析，通过计算得到1991年淮河洪水事件的综合极端指数Wcom为45.22，平均指极端数Wa为1.19，均大于2003年和2007年的两次洪灾，与灾害总体分析结果基本一致。因此，目前采用的仅仅靠降雨量或灾害损失来评价洪灾的极端性比较片面，并不合理，同时洪灾极端性定义也较模糊。而本实例采用降雨重现期来反映洪灾事件中极端降雨的罕见性，并分析了灾害过程降雨重现期的时空分布特征，同时考虑了洪灾损失综合指数系数，定量计算洪灾各极端性指标，最终实现了对重大洪灾事件极端性全面合理的评估。
本申请另一实施例还提供了一种强降雨诱发洪灾事件的极端性评估系统，参照图15，该系统可以包括：
重现期计算模块1501，被配置为根据降雨数据，计算预设时段的降雨重现期；
空间插值模块1502，被配置为对预设时段的降雨重现期进行空间插值，确定预设时段的降雨极端指数以及洪灾最严重面积；
损失系数获取模块1503，被配置为获取洪灾损失系数；
极端指数计算模块1504，被配置为根据预设时段的降雨极端指数以及所述洪灾损失系数，计算洪灾的综合极端指数和平均极端指数；
极端性评估模块1505，被配置为输出所述洪灾最严重面积、所述综合极端指数以及所述平均极端指数，以对强降雨诱发洪灾事件的极端性进行评估。
本实施例提供的强降雨诱发洪灾事件的极端性评估系统，能够实现图1所示方法实施例中的各个过程和效果，为避免重复，这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句″包括一个......″限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种强降雨诱发洪灾事件的极端性评估方法及系统进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (7)

1.一种强降雨诱发洪灾事件的极端性评估方法，其特征在于，所述方法包括：
根据降雨数据，计算预设时段的降雨重现期；
对预设时段的降雨重现期进行空间插值，确定预设时段的降雨极端指数以及洪灾最严重面积；
获取洪灾损失系数；
根据预设时段的降雨极端指数以及所述洪灾损失系数，计算洪灾的综合极端指数和平均极端指数；
输出所述洪灾最严重面积、所述综合极端指数以及所述平均极端指数，以对强降雨诱发洪灾事件的极端性进行评估；
所述根据降雨数据，计算预设时段的降雨重现期的步骤，包括：
根据雨量站的降雨数据，构建联合序列样本，所述联合序列样本包括年最大降雨值和极端降雨值；
采用概率分布函数对所述联合序列样本的频率分布进行拟合；
采用K-S检验和χ2检验对拟合结果进行检验，确定所述雨量站的最优概率分布函数；
根据所述雨量站的最优概率分布函数，确定预设时段的降雨重现期；
其中，所述概率分布函数包括广义极值分布函数和伽马分布函数；所述采用概率分布函数对所述联合序列样本的频率分布进行拟合，包括：采用广义极值分布、伽马分布和正态分布分别对所述联合序列样本的频率分布进行拟合，并采用极大似然法进行频率参数估计；
所述广义极值分布的概率密度函数和分布函数分布如下：
Figure FDA0003727568750000011
Figure FDA0003727568750000012
所述k为形状参数，且所述k≠0；所述μ为位置参数；所述σ为尺度参数；
所述伽马分布的概率密度函数和分布函数如下：
Figure FDA0003727568750000021
Figure FDA0003727568750000022
所述x＞0，所述α为形状参数；所述β为尺度参数；所述г(α)为伽马函数；
其中，所述对预设时段的降雨重现期进行空间插值，确定预设时段的降雨极端指数以及洪灾最严重面积的步骤，包括：
利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系；
将降雨评估指数的最大值确定为预设时段的降雨极端指数，将预设时段的降雨极端指数对应的降雨影响面积确定为洪灾最严重面积；
其中，利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系，包括：利用地理信息系统对预设时段的降雨重现期进行空间插值，计算第t个预设时段内的降雨影响面积为a的所述降雨评估指数Et，计算公式为：Et＝PtRt；
所述Pt为第t个预设时段内暴雨事件的所述降雨影响面积a的面平均重现期，所述Rt为第t个预设时段内的所述降雨影响面积a相等面积的几何直径，所述Pt和Rt的计算公式为：
Figure FDA0003727568750000023
Figure FDA0003727568750000024
2.根据权利要求1所述的方法，其特征在于，所述根据雨量站的降雨数据，构建联合序列样本的步骤，包括：
取所述雨量站各年在预设时段内的最大降雨值，得到年最大降雨值；
将所述雨量站在所有预设时段的降雨值按照升序排列，取第95百分位的降雨值作为极端降雨阈值，将所有预设时段的降雨值中大于或等于所述极端降雨阈值的降雨值确定为极端降雨值；
将所述年最大降雨值和所述极端降雨值进行排列和去重处理，得到所述联合序列样本。
3.根据权利要求1所述的方法，其特征在于，所述利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系的步骤，包括：
利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内降雨影响面积对应的面平均重现期以及降雨影响直径；
根据所述面平均重现期与所述降雨影响直径的乘积，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系。
4.根据权利要求1所述的方法，其特征在于，所述利用地理信息系统对预设时段的降雨重现期进行空间插值的步骤，包括：
利用地理信息系统对预设时段的降雨重现期进行克里金空间插值。
5.根据权利要求1所述的方法，其特征在于，所述获取洪灾损失系数的步骤，包括：
将受灾人口占总人口比例、倒塌房屋数占总房屋数的比重、农作物受灾面积占总农田面积的比例以及直接经济损失占总的国民生产总值的比例进行求和，得到所述洪灾损失系数。
6.根据权利要求1所述的方法，其特征在于，所述根据预设时段的降雨极端指数以及所述洪灾损失系数，计算洪灾的综合极端指数和平均极端指数的步骤，包括：
根据预设时段的降雨极端指数与所述洪灾损失系数的乘积，确定预设时段的洪灾极端指数；
将洪灾在所有预设时段的洪灾极端指数进行加权求和，得到综合极端指数；
将所述综合极端指数在所有预设时段内求平均，得到平均极端指数。
7.一种强降雨诱发洪灾事件的极端性评估系统，其特征在于，所述系统包括：
重现期计算模块，被配置为根据降雨数据，计算预设时段的降雨重现期；
空间插值模块，被配置为对预设时段的降雨重现期进行空间插值，确定预设时段的降雨极端指数以及洪灾最严重面积；
损失系数获取模块，被配置为获取洪灾损失系数；
极端指数计算模块，被配置为根据预设时段的降雨极端指数以及所述洪灾损失系数，计算洪灾的综合极端指数和平均极端指数；
极端性评估模块，被配置为输出所述洪灾最严重面积、所述综合极端指数以及所述平均极端指数，以对强降雨诱发洪灾事件的极端性进行评估；
其中，所述重现期计算模块，具体用于根据雨量站的降雨数据，构建联合序列样本，所述联合序列样本包括年最大降雨值和极端降雨值；采用概率分布函数对所述联合序列样本的频率分布进行拟合；采用K-S检验和χ2检验对拟合结果进行检验，确定所述雨量站的最优概率分布函数；根据所述雨量站的最优概率分布函数，确定预设时段的降雨重现期；其中，所述概率分布函数包括广义极值分布函数和伽马分布函数；所述采用概率分布函数对所述联合序列样本的频率分布进行拟合，包括：采用广义极值分布、伽马分布和正态分布分别对所述联合序列样本的频率分布进行拟合，并采用极大似然法进行频率参数估计；
所述广义极值分布的概率密度函数和分布函数分布如下：
Figure FDA0003727568750000041
Figure FDA0003727568750000042
所述k为形状参数，且所述k≠0；所述μ为位置参数；所述σ为尺度参数；
所述伽马分布的概率密度函数和分布函数如下：
Figure FDA0003727568750000043
Figure FDA0003727568750000044
所述x＞0，所述α为形状参数；所述β为尺度参数；所述г(α)为伽马函数；
其中，所述空间插值模块，具体用于利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系；将降雨评估指数的最大值确定为预设时段的降雨极端指数，将预设时段的降雨极端指数对应的降雨影响面积确定为洪灾最严重面积；其中，利用地理信息系统对预设时段的降雨重现期进行空间插值，得到预设时段内的降雨评估指数与降雨影响面积之间的对应关系，包括：利用地理信息系统对预设时段的降雨重现期进行空间插值，计算第t个预设时段内的降雨影响面积为a的所述降雨评估指数Et，计算公式为：
Et＝PtRt；
所述Pt为第t个预设时段内暴雨事件的所述降雨影响面积a的面平均重现期，所述Rt为第t个预设时段内的所述降雨影响面积a相等面积的几何直径，所述Pt和Rt的计算公式为：
Figure FDA0003727568750000051
Figure FDA0003727568750000052
CN201911102496.2A 2019-11-12 2019-11-12 一种强降雨诱发洪灾事件的极端性评估方法及系统 Active CN111242404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911102496.2A CN111242404B (zh) 2019-11-12 2019-11-12 一种强降雨诱发洪灾事件的极端性评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911102496.2A CN111242404B (zh) 2019-11-12 2019-11-12 一种强降雨诱发洪灾事件的极端性评估方法及系统

Publications (2)

Publication Number Publication Date
CN111242404A CN111242404A (zh) 2020-06-05
CN111242404B true CN111242404B (zh) 2022-08-12

Family

ID=70866157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911102496.2A Active CN111242404B (zh) 2019-11-12 2019-11-12 一种强降雨诱发洪灾事件的极端性评估方法及系统

Country Status (1)

Country Link
CN (1) CN111242404B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709564B (zh) * 2020-06-08 2023-09-12 黄河水利委员会黄河水利科学研究院 一种气候变化条件下的流量历时曲线动态预测方法
CN112394424B (zh) * 2020-09-28 2022-04-26 南京信息工程大学 一种区域极端降水事件的监测方法
CN112288151B (zh) * 2020-10-22 2022-05-13 武汉大学 一种面向灾害应急的灾害链构建与灾害分析方法
CN113487070B (zh) * 2021-06-23 2023-10-10 中国长江三峡集团有限公司 洪水频率的分析方法、装置和计算机设备
CN113780138B (zh) * 2021-08-31 2022-09-13 中国科学技术大学先进技术研究院 自适应鲁棒性VOCs气体泄漏检测方法、系统及存储介质
CN113469587A (zh) * 2021-09-03 2021-10-01 南京信息工程大学 一种评估气候变化对区域滑坡发生时空影响方法及装置
CN115510393A (zh) * 2022-09-13 2022-12-23 中国长江电力股份有限公司 基于分布函数优选的极端降雨重现期分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651004A (zh) * 2016-11-18 2017-05-10 上海师范大学 一种基于降雨洪灾时空数据库的洪灾预测方法
CN107463901A (zh) * 2017-08-07 2017-12-12 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
CN109858647A (zh) * 2018-12-21 2019-06-07 河海大学 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9466038B2 (en) * 2014-02-21 2016-10-11 Safety Key Solutions FZ-LLC Worksite monitoring and management systems and platforms

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651004A (zh) * 2016-11-18 2017-05-10 上海师范大学 一种基于降雨洪灾时空数据库的洪灾预测方法
CN107463901A (zh) * 2017-08-07 2017-12-12 中国科学院遥感与数字地球研究所 多尺度区域洪涝灾害危险性遥感评估方法和系统
CN109858647A (zh) * 2018-12-21 2019-06-07 河海大学 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"尺度模型在水文频率分析中的应用";许月萍等;《中山大学学报(自然科学版)》;20091130(第06期);127-131 *
"沿淮湖泊洼地区域暴雨洪涝风险评估";盛绍学等;《地理研究》;20100331(第03期);416-422 *

Also Published As

Publication number Publication date
CN111242404A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111242404B (zh) 一种强降雨诱发洪灾事件的极端性评估方法及系统
Pal et al. Trends in seasonal precipitation extremes–An indicator of ‘climate change’in Kerala, India
Pingale et al. Spatial and temporal trends of mean and extreme rainfall and temperature for the 33 urban centers of the arid and semi-arid state of Rajasthan, India
Shan et al. Characteristics of dry-wet abrupt alternation events in the middle and lower reaches of the Yangtze River Basin and the relationship with ENSO
Dong et al. Characteristics and changes of extreme precipitation in the Yellow–Huaihe and Yangtze–Huaihe Rivers Basins, China
Leahy et al. Short duration rainfall extremes in Ireland: influence of climatic variability
Niroomandi et al. Extreme value analysis of wave climate in Chesapeake Bay
CN108983324B (zh) 一种基于卡尔曼滤波的气温预报方法及系统
CN110674467A (zh) 基于swat模型的水文过程对气候变化的响应监测方法
Su et al. Simulation of extreme precipitation over the Yangtze River Basin using Wakeby distribution
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
Das Performance of region‐of‐influence approach of frequency analysis of extreme rainfall in monsoon climate conditions
Supari Spatiotemporal characteristics of extreme rainfall events over Java Island, Indonesia
Zhu et al. Predictability and skill of convection-permitting ensemble forecast systems in predicting the record-breaking “21· 7” extreme rainfall event in Henan Province, China
Kumar et al. Detection of variations in air temperature at different time scales during the period 1889–1998 at Firenze, Italy
Huang et al. Non-stationary statistical modeling of extreme wind speed series with exposure correction
Wang et al. Spatial Variation of Extreme Rainfall Observed From Two Century‐Long Datasets
Yan et al. Climate change detection and annual extreme temperature analysis of the amur river basin
Zhu et al. Statistical modeling of CMIP5 projected changes in extreme wet spells over China in the late 21st century
Hasegawa et al. Drought assessment in the Pampanga River basin, the Philippines–Part 2: A comparative SPI approach for quantifying climate change hazards
CN116795897B (zh) 一种百年尺度复合高温-水文干旱演变的检测与归因方法
Zhang et al. Simulation of daily precipitation from CMIP5 in the Qinghai-Tibet Plateau
Nawaz et al. Spatiotemporal assessment of temperature data products for the detection of warming trends and abrupt transitions over the largest irrigated area of Pakistan
CN113610436B (zh) 一种承灾体动态脆弱性评估方法及系统
Rana et al. Performance evaluation of regional climate models (RCMs) in determining precipitation characteristics for Gothenburg, Sweden

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230728

Address after: 430014 Sanyang Center, No. 88, Sanyang Road, Jiang'an District, Wuhan, Hubei Province

Patentee after: CHINA YANGTZE POWER Co.,Ltd.

Patentee after: China Institute of Water Resources and Hydropower Research

Address before: 100038, Fuxing Road, Beijing, Haidian District

Patentee before: China Institute of Water Resources and Hydropower Research

TR01 Transfer of patent right