CN113111486B - 一种城市短历时暴雨概率雨型构建方法 - Google Patents

一种城市短历时暴雨概率雨型构建方法 Download PDF

Info

Publication number
CN113111486B
CN113111486B CN202110249325.3A CN202110249325A CN113111486B CN 113111486 B CN113111486 B CN 113111486B CN 202110249325 A CN202110249325 A CN 202110249325A CN 113111486 B CN113111486 B CN 113111486B
Authority
CN
China
Prior art keywords
rainfall
rain
peak
duration
probability
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
CN202110249325.3A
Other languages
English (en)
Other versions
CN113111486A (zh
Inventor
张金萍
张航
方宏远
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202110249325.3A priority Critical patent/CN113111486B/zh
Publication of CN113111486A publication Critical patent/CN113111486A/zh
Application granted granted Critical
Publication of CN113111486B publication Critical patent/CN113111486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种城市短历时暴雨概率雨型构建方法，通过对城市降雨数据进行划分，选择降雨历时时长t为0.5h、1h、1.5h、2h、2.5h和3h的短历时降雨场次，对选择的降雨场次进行处理后，综合考虑了总雨量、峰值雨强和峰后雨量间的内在关联性进行相关分析，基于Copula理论构建三维联合分布函数，然后结合条件概率密度的思想计算特定重现期降雨条件下峰值雨强和峰后雨量的最大可能值，同时兼顾了降雨的随机性。基于此所得到的概率雨型更加符合当地区域的降雨特性，从而为后续的城市洪涝模拟研究提供更加准确的输入条件，进而为城市内涝管理工作提供科学依据。

Description

一种城市短历时暴雨概率雨型构建方法
技术领域
本发明属于城市设计暴雨研究领域，具体涉及一种城市短历时暴雨概率雨型构建方法。
背景技术
在全球变暖的气候环境下，各类极端天气事件呈逐渐增加的趋势,同时城市化的快速发展使城市区域下垫面条件发生了较大改变，由短历时强降雨诱发的城市内涝频发，给公共财产安全和人们的生命健康带来了巨大挑战。城市内涝灾害防治的关键在于对不同降雨情景下城市内涝积水过程的准确模拟。降雨作为输入条件，是城市内涝的主要致灾因子，城市设计暴雨研究至关重要。
城市设计暴雨研究包括总量、历时和降雨时程分配确定三个方面，降雨总量和历时可根据当地暴雨强度公式确定。因此，城市设计暴雨研究工作的难点主要在于对降雨时程分布(即雨型)的确定。
目前国内对暴雨时程分布的确定主要基于特定的雨型，如芝加哥雨型、PC雨型、Huff雨型、三角形雨型等，且以芝加哥雨型应用较多，但上述雨型应用到特定区域均具有一定的局限性。如芝加哥雨型以暴雨强度公式为基础，可计算峰前、峰后的降雨强度，但得到的雨峰较为尖瘦；PC雨型将各时段降雨放在可能出现的位置上，但并未考虑雨量关系；Huff雨型将降雨历时划分为4个时段，并根据累积降水量百分比和累积暴雨时间百分比确定的无量纲曲线进行设计，但并未考虑雨峰的随机性影响；三角形雨型的雨峰位置则较为固定。上述雨型往往不能对特定区域内降雨特征进行准确描述，进而影响城市内涝模拟的准确性，增加排水工程设计的不确定性。
中国发明专利CN201811138142.9公开了基于copula函数的山洪灾害概率雨型推求方法，包括步骤：以小流域为单元收集典型小流域降雨资料；确定雨峰位置系数函数；采用copula函数确定峰值雨强与总雨量的联合分布函数并求解；确定某一概率下的雨型。该方法充分考虑了降雨过程的随机性和不确定性，通过收集整理典型小流域降雨资料，采用基于copula函数的峰值雨强与总雨量的联合分布函数，并结合雨峰位置函数，充分考虑雨峰位置、峰值雨强、总雨量三者的不确定性影响，共同确定研究区小流域不同概率下的暴雨雨型特征。该方法考虑雨型确定过程中关键因素对雨型的不确定性影响，为山丘区小流域不同概率雨型确定研究提供依据和参考。
暴雨作为复杂水文事件，具有多个特征量，如总雨量、峰值雨强、峰后雨量、峰前雨量、雨峰位置等。现有技术中单单使用双变量的联合分布已远远不能反映暴雨的复杂性。本申请在对选择出的暴雨样本场次进行特性分析的基础上发现总雨量、峰值雨强和峰后雨量间存在明显的相关关系，因此结合Copula函数构建了三维的联合分布函数。三变量联合分布由于考虑了更多的暴雨特征量，因此能更加准确反映实际的暴雨特征。现有技术中所谓的概率本质上是一种水文频率(其和重现期具有以下关系，以p代表水文频率，以T代表重现期，P＝1/T(即二者互为倒数))。本申请中所谓的概率雨型则是依据条件概率密度所计算出的在某个重现期降雨条件下峰值雨强和峰后雨量的最大可能值，二者是截然不同的。
发明内容
为了克服现有技术中的问题，本发明提供一种城市短历时暴雨概率雨型构建方法，通过对暴雨特征量中的场次降雨总量、峰值雨强和峰后雨量进行相关分析，充分考虑实际降雨过程的不确定性，构建了特征量的三维联合分布函数，进一步结合条件概率求得不同重现期降雨条件下峰值雨强和峰后雨量的最大可能值，并参照PC雨型计算思路完成概率雨型设计。
为了实现上述目的，本发明通过以下技术方案实现：
本发明提供一种城市短历时暴雨概率雨型构建方法，其特征在于，包括以下步骤：
S1、收集城市逐年分钟降雨数据并对降雨场次进行划分；
S2、对步骤S1得到的降雨场次进行筛选，选择降雨历时时长t为0.5h、1h、1.5h、2h、2.5h和3h的短历时强降雨场次；
S3、以步骤S2筛选得到的短历时强降雨场次作为短历时暴雨样本，对其进行降雨场次分割处理；
S4、对场次暴雨总量、峰值雨强和峰后雨量进行相关分析，并基于Copula理论构建三维联合分布函数；
S5、利用步骤S4得到的三维联合分布函数以及条件概率密度的方法计算不同重现期降雨条件下峰值雨强和峰后雨量的最大可能值；
S6、对步骤S2中得到的短历时降雨场次数据中暴雨样本雨峰位置、时段降雨比例进行统计，参照PC雨型计算方法计算得出不同重现期降雨条件下的概率雨型。
在一个优选的实施方案中，步骤S1中降雨场次划分原则如下：当连续2h及以上时段无雨或降雨量小于等于0.5mm时，视为两场降雨，本申请中降雨场次划分原则参考国内关于降雨时间间隔对自相关系数影响的相关研究确定。
在一个优选的实施方案中，步骤S2中各降雨历时时长t对应的实际范围为t±10min，即判定20～40min降雨事件都属于0.5h降雨场次，50～70min降雨事件都属于1h降雨场次，依次类推。
在一个优选的实施方案中，降雨历时时长t在20～40min范围内的降雨量大于10mm；降雨历时时长t在50～70min范围内的降雨量大于15mm；降雨历时时长t在80～100min范围内的降雨量大于18mm；降雨历时时长t在110～130min范围内的降雨量大于20mm；降雨历时时长t在140～160min范围内的降雨量大于22mm；降雨历时时长t在170～190min范围内的降雨量大于25mm。
在一个优选的实施方案中，将步骤S3中降雨历时为20～40min、50～70min、80～100min、110～130min、140～160min和170～190min分别统一为0.5h、1h、1.5h、2h、2.5h和3h，然后采用时段雨量倍比放大/缩小为每个时段为10min的情况进行处理。
在一个优选的实施方案中，步骤S3中降雨场次的分割过程如下：结合实测降雨资料，对连续50～120min内降雨量≤4mm时，认为该时段降雨过程对集中降雨时段影响较小，将该时段舍弃，保留剩余的降雨过程作为降雨样本。
在一个优选的实施方案中，步骤S4中采用肯德尔秩相关系数、斯皮尔曼秩相关系数和皮尔逊相关系数对场次暴雨总量、峰值雨强和峰后雨量进行相关分析；使用广义极值分布、正态分布、对数正态分布、伽马分布和威布尔分布进行单变量理论分布拟合，并采用Gaussian-Copula构建降雨特征量的三维联合分布函数。
在一个优选的实施方案中，步骤S5中条件概率密度为设三维随机变量(X,Y,Z)的联合概率密度为f(x,y,z)，其中，X的边缘概率密度为fx(x)，若对于固定的x，fx(x)>0，则通过公式
Figure GDA0004121059830000041
计算在X＝x的条件下(Y,Z)的条件概率密度，式中，X变量为总雨量，Y和Z变量分别为峰值雨强和峰后雨量，根据公式
Figure GDA0004121059830000042
计算得出n年一遇重现期降雨条件下联合条件概率密度的最大值，其代表在该降雨量条件下峰值雨强和峰后雨量的最大可能值。
在一个优选的实施方案中，步骤S6中统计暴雨雨峰位置，将利用Copula函数结合条件概率求得的峰值雨量放置于雨峰位置处，统计各时段雨量，参考PC雨型分别对峰后雨量和峰前雨量按比例进行分配，得出各重现期降雨条件下的概率雨型。
在一个优选的实施方案中，还包括对步骤S6得出的概率雨型进行检验，检验方法为从实测暴雨降本中筛选降雨量在±10％范围内的降雨场次，将计算得出的概率雨型与筛选的降雨场次过程进行对比。
在本申请中，短历时暴雨指的是指降雨历时在3h以内，且降雨量达到某种标准的降雨场次；峰值雨强指某场次降雨的最大10min降雨量；峰后雨量指位于雨峰位置之后的雨量值。
在本申请中，mm表示降雨量单位，h表示小时，min表示分钟。Copula理论描述的是变量间的相关性，实际上是一类将联合分布函数与它们各自的边缘分布函数连接在一起的函数。
本发明有益效果如下：
本发明提供一种城市短历时暴雨概率雨型构建方法，综合考虑了总雨量、峰值雨强和峰后雨量间的内在关联性进行相关分析，基于Copula理论构建三维联合分布函数，然后结合条件概率密度的思想计算特定重现期降雨条件下峰值雨强和峰后雨量的最大可能值，同时兼顾了降雨的随机性。基于此所得到的概率雨型更加符合当地区域的降雨特性，从而为后续的城市洪涝模拟研究提供更加准确的输入条件，进而为城市内涝管理工作提供科学依据。
附图说明
图1为本发明中城市短历时暴雨概率雨型构建方法的流程图；
图2为本发明中降雨场次划分示意图；
图3为实施例1中暴雨降本处理示意图；
图4为实施例1中不同重现期历时1h的概率雨型；
图5为实施例1中得出的概率雨型与筛选的降雨场次对比结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本实施例提供一种城市短历时暴雨概率雨型构建方法，如图1的流程图所示，包括以下步骤：
S1、收集城市逐年分钟降雨数据并对降雨场次进行划分。
具体的，步骤S1中的划分原则参考国内关于降雨时间间隔对自相关系数影响的相关研究确定，当连续2h及以上时段无雨或降雨量小于等于0.5mm时，视为两场降雨，如图2所示。
S2、对步骤S1得到的降雨场次进行筛选，选择降雨历时时长t为0.5h、1h、1.5h、2h、2.5h和3h的短历时强降雨场次。
由于实际降雨历时的不确定性，步骤S2中各降雨历时时长t对应的实际范围为t±10min，即判定20～40min降雨事件都属于0.5h降雨场次，50～70min降雨事件都属于1h降雨场次，依次类推。
参考气象部门给出的暴雨标准，进一步确定步骤S2中0.5h强降雨场次是指降雨历时在20～40min范围内降雨量大于10mm的降雨场次；1h强降雨场次是指降雨历时在50～70min范围内降雨量大于15mm的降雨场次；1.5h强降雨场次是指降雨历时在80～100min范围内降雨量大于18mm的降雨场次；2h强降雨场次是指降雨历时在110～130min范围内降雨量大于20mm的降雨场次；2.5h强降雨场次是指降雨历时在140～160min范围内降雨量大于22mm的降雨场次；3h强降雨场次是指降雨历时在170～190min范围内降雨量大于25mm的降雨场次，具体如表1所示：
表1
降雨历时(±10min) 临界值(mm)
0.5h(20-40min) 10
1h(50-70min) 15
1.5h(80-100min) 18
2h(110-130min) 20
2.5h(140-160min) 22
3h(170-190min) 25
S3、以步骤S2筛选得到的短历时强降雨场次作为短历时暴雨样本，对其进行降雨历时进行统一，并对降雨场次进行分割。
降雨历时统一处理过程如下：将步骤S3中降雨历时为20～40min、50～70min、80～100min、110～130min、140～160min和170～190min分别统一为0.5h、1h、1.5h、2h、2.5h和3h，然后采用时段雨量倍比放大/缩小为每个时段为10min的情况进行处理。
降雨场次分割处理过程如下：结合实测降雨资料，对连续50～120min内降雨量≤4mm时，认为该时段降雨过程对集中降雨时段影响较小，将该时段舍弃，保留剩余的降雨过程作为降雨样本。
S4、对场次暴雨总量、峰值雨强和峰后雨量进行相关分析，并基于Copula理论构建三维联合分布函数。
具体的，步骤S4中采用肯德尔秩相关系数、斯皮尔曼秩相关系数和皮尔逊相关系数场次暴雨总量、峰值雨强和峰后雨量进行相关分析；使用广义极值分布、正态分布、对数正态分布、伽马分布和威布尔分布进行单变量理论分布拟合，并采用Gaussian-Copula构建降雨特征量的三维联合分布函数。
S5、利用步骤S4得到的三维联合分布函数以及条件概率密度的方法计算不同重现期降雨条件下峰值雨强和峰后雨量的最大可能值。
具体的，步骤S5中条件概率密度为设三维随机变量(X,Y,Z)的联合概率密度为f(x,y,z)，其中，X的边缘概率密度为fx(x)，若对于固定的x，fx(x)>0，则通过公式
Figure GDA0004121059830000071
计算在X＝x的条件下(Y,Z)的条件概率密度，式中，X变量为总雨量，Y和Z变量分别为峰值雨强和峰后雨量，根据公式
Figure GDA0004121059830000072
计算得出n年一遇重现期降雨条件下联合条件概率密度的最大值，其代表在该降雨量条件下峰值雨强和峰后雨量的最大可能值。
S6、对步骤S2中得到的短历时降雨场次数据中暴雨样本雨峰位置、时段降雨比例进行统计，参照PC雨型计算方法计算得出不同重现期降雨条件下的概率雨型。
具体地，步骤S6中统计暴雨雨峰位置，将利用Copula函数结合条件概率求得的峰值雨量放置于雨峰位置处，统计各时段雨量，参考PC雨型分别对峰后雨量和峰前雨量按比例进行分配，得出各重现期降雨条件下的概率雨型。
PC雨型法包括如下步骤：
①将每一场暴雨划分成n个时段，然后按时段雨量大小对时段进行排序和编号，大雨量对应小编号，即每一场暴雨都有n个序号；
②将每个时段对应的序号取平均值，取值由小到大对应该时段的暴雨强度由大到小；
③计算每场暴雨每个时段降雨量与总降雨量的比值，取平均值；
④以②确定的最大可能次序和③确定的分配比例为前提绘制雨量过程线。
进一步地，还包括对步骤S6得出的概率雨型进行检验，检验方法为从实测暴雨降本中筛选降雨量在±10％范围内的降雨场次，将计算得出的概率雨型与筛选的降雨场次过程进行对比。
实施例1
根据郑州市2011-2018年雨量站资料划分降雨场次，划分标准为当连续2h及以上时段无雨或降雨量小于等于0.5mm时，视为两场降雨，如图2所示。
根据确定的短历时暴雨选样标准选取历时为0.5h、1h、1.5h、2h、2.5h和3h对应的暴雨场次。
对暴雨样本进行处理，包括暴雨样本降雨历时统一及对部分暴雨场次过程的分割。
以1h暴雨场次为例，1h暴雨场次指降雨历时在50～70min范围内降雨量大于15mm的降雨场次。为了后续雨型的推求，需将其统一为60min，此处采用时段雨量倍比放大法。如某1h暴雨场次实际降雨历时为50min，先将其等分为6个时段，每个时段大约8.3min，对各个时段的降雨量进行加和，然后放大到每个时段为10min的情况；若某1h暴雨场次实际降雨历时为70min，先将其等分为6个时段，每个时段大约11.7min，对各个时段的降雨量进行缩放，缩小到每个时段为10min的情况，通过上述过程实现了降雨历时的统一。
部分暴雨场次过程分割如附图3所示，由于前1h的降雨量小于4mm，相比后1h微乎其微，因此将其分割，并保留后1h的降雨过程作为1h降雨样本(要检验其是否满足相应的1h暴雨选样标准，若满足，则保留；不满足，则舍弃)。
采用皮尔逊相关系数、肯德尔秩相关系数和斯皮尔曼秩相关系数对暴雨特征量，包括场次暴雨总量、峰值雨强和峰后雨量进行相关分析，发现其存在明显的正相关关系。对暴雨特征量进行边缘分布拟合时发现场次暴雨总量、峰值雨强以广义极值分布拟合时最优，峰后雨量以对数正态分布拟合时最优。
进一步采用Gaussian-Copula和t-Copula构建三维联合分布函数。正态Copula求得的系数矩阵为：
Figure GDA0004121059830000081
t-copula求得的自由度为13.655，线性相关参数矩阵为：
Figure GDA0004121059830000091
设三维随机变量X，Y，Z的观测样本为(x1,y1,z1),(x2,y2,z2),…，(xn,yn,zn)，n为样本长度，将(xi,yi,zi)按x或y或z由小到大的顺序排列，统计(xj≤xi，yj≤yi，zj≤zi)的数目，记为Nmlp，i＝1,2,…,n，1≤j≤i。则三维随机变量X，Y，Z联合分布的经验频率如式(1)所示：
Figure GDA0004121059830000092
通过计算Copula理论频率和经验频率间的均方根误差确定最优Copula为正态Copula。
设三维随机变量(X,Y,Z)的联合概率密度为f(x,y,z)。其中，X的边缘概率密度为fX(x)，若对于固定的x，fX(x)>0，由公式(2)计算得到的为在X＝x的条件下(Y,Z)的联合条件概率密度。
Figure GDA0004121059830000093
设X变量为总雨量，Y和Z变量分别为峰值雨强和峰后雨量。根据式(2)可求得n年一遇重现期降雨条件下联合条件概率密度的最大值，其代表在该降雨量条件下峰值雨强和峰后雨量的最大可能值。
根据式(3)所示的郑州市暴雨强度公式计算得到1年一遇，3年一遇，5年一遇和10年一遇重现期下1h降雨量分别为31.9mm，46.6mm，53.5mm和62.7mm。
Figure GDA0004121059830000094
通过公式2所示的条件概率计算公式联立三维Copula结果求得各重现期降雨条件下峰值雨强和峰后雨量最大可能值如表2所示；
表2
1年一遇 3年一遇 5年一遇 10年一遇
总雨量(mm) 31.9 46.6 53.5 62.7
峰值雨强(mm/10min) 11.1 16.3 18.7 23.3
峰后雨量(mm) 14.9 18.2 18.7 18.4
对1h暴雨样本的雨峰位置、各时段雨量比例进行统计。参照PC雨型，求得时段序号为5-2-1-3-4-6(序号小者代表该时段雨强大)。雨峰位置位于第3时段，且各时段降雨量所占比例依次为0.05，0.28，0.41，0.15，0.08，0.03。将求得的峰值雨强放置到第三时段，峰后两个时段和峰前三个时段的降雨量按照比例进行分配。求得不同重现期降雨条件下的概率雨型，结果如图4所示。
对求得的概率雨型进行检验。以重现期为1年一遇的概率雨型为例，从实测暴雨样本中筛选降雨量在(P(1年一遇)±10％)范围内的降雨场次，对求得的概率雨型与筛选的降雨场次过程进行对比，结果如图5所示，发现概率雨型对实际降雨过程拟合较好，兼顾了该雨量范围内不同降雨场次的时程分配过程。
本实施例提供的城市短历时暴雨概率雨型构建方法，综合考虑了总雨量、峰值雨强和峰后雨量间的内在关联性进行相关分析，基于Copula理论构建三维联合分布函数，然后结合条件概率密度的思想计算特定重现期降雨条件下峰值雨强和峰后雨量的最大可能值，同时兼顾了降雨的随机性。基于此所得到的概率雨型更加符合当地区域的降雨特性，从而为后续的城市洪涝模拟研究提供更加准确的输入条件，进而为城市内涝管理工作提供科学依据。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只限于这些说明。对于本发明所属领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种城市短历时暴雨概率雨型构建方法，其特征在于，包括以下步骤：
S1、收集城市逐年分钟降雨数据并对降雨场次进行划分；
S2、对步骤S1得到的降雨场次进行筛选，选择降雨历时t为0.5h、1h、1.5h、2h、2.5h和3h的短历时强降雨场次；步骤S2中各降雨历时t对应的实际范围为t±10min，判定20～40min降雨事件都属于0.5h降雨场次，50～70min降雨事件都属于1h降雨场次，依次类推；降雨历时t在20～40min范围内的降雨量大于10mm；降雨历时t在50～70min范围内的降雨量大于15mm；降雨历时t在80～100min范围内的降雨量大于18mm；降雨历时t在110～130min范围内的降雨量大于20mm；降雨历时t在140～160min范围内的降雨量大于22mm；降雨历时t在170～190min范围内的降雨量大于25mm；其中，mm表示降雨量单位，h表示小时，min表示分钟；
S3、以步骤S2筛选得到的短历时强降雨场次作为短历时暴雨样本，对其进行降雨场次分割处理；
S4、对场次暴雨总量、峰值雨强和峰后雨量进行相关分析，并基于Copula理论构建三维联合分布函数；
S5、利用步骤S4得到的三维联合分布函数以及条件概率密度的方法计算不同重现期降雨条件下峰值雨强和峰后雨量的最大可能值；步骤S5中条件概率密度为：
Figure FDA0004121059820000011
设三维随机变量(X,Y,Z)的联合概率密度为f(x,y,z)，其中，X的边缘概率密度为fx(x)，若对于固定的x，fx(x)>0，则通过公式
Figure FDA0004121059820000012
计算在X＝x的条件下(Y,Z)的条件概率密度，式中，X变量为总雨量，Y和Z变量分别为峰值雨强和峰后雨量，根据公式
Figure FDA0004121059820000013
计算得出n年一遇重现期降雨条件下联合条件概率密度的最大值，其代表在n年一遇重现期对应的降雨量条件下峰值雨强和峰后雨量的最大可能值；
S6、对步骤S2中得到的短历时降雨场次数据中暴雨样本雨峰位置、时段降雨比例进行统计，参照PC雨型计算方法计算得出不同重现期降雨条件下的概率雨型。
2.根据权利要求1所述的一种城市短历时暴雨概率雨型构建方法，其特征在于，步骤S1中降雨场次划分原则如下：
当连续2h及以上时段无雨或降雨量小于等于0.5mm时，视为两场降雨。
3.根据权利要求2所述的一种城市短历时暴雨概率雨型构建方法，其特征在于，将步骤S3中降雨历时为20～40min、50～70min、80～100min、110～130min、140～160min和170～190min分别统一为0.5h、1h、1.5h、2h、2.5h和3h，然后采用时段雨量倍比放大/缩小为每个时段为10min的情况进行处理。
4.根据权利要求2所述的一种城市短历时暴雨概率雨型构建方法，其特征在于，步骤S3中降雨场次的分割过程如下：结合实测降雨资料，对连续50～120min内降雨量≤4mm时，认为该时段降雨过程对集中降雨时段影响小，将该时段舍弃，保留剩余的降雨过程作为降雨样本。
5.根据权利要求1所述的一种城市短历时暴雨概率雨型构建方法，其特征在于，步骤S4中采用肯德尔秩相关系数、斯皮尔曼秩相关系数和皮尔逊相关系数对场次暴雨总量、峰值雨强和峰后雨量进行相关分析；使用广义极值分布、正态分布、对数正态分布、伽马分布和威布尔分布进行单变量理论分布拟合，并采用Gaussian-Copula构建降雨特征量的三维联合分布函数。
6.根据权利要求1所述的一种城市短历时暴雨概率雨型构建方法，其特征在于，步骤S6中统计暴雨雨峰位置，将利用Copula函数结合条件概率求得的峰值雨量放置于雨峰位置处，统计各时段雨量，参考PC雨型分别对峰后雨量和峰前雨量按比例进行分配，得出各重现期降雨条件下的概率雨型。
7.根据权利要求1所述的一种城市短历时暴雨概率雨型构建方法，其特征在于，还包括对步骤S6得出的概率雨型进行检验，检验方法为从实测暴雨降本中筛选降雨量在±10％范围内的降雨场次，将计算得出的概率雨型与筛选的降雨场次过程进行对比。
CN202110249325.3A 2021-03-08 2021-03-08 一种城市短历时暴雨概率雨型构建方法 Active CN113111486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110249325.3A CN113111486B (zh) 2021-03-08 2021-03-08 一种城市短历时暴雨概率雨型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110249325.3A CN113111486B (zh) 2021-03-08 2021-03-08 一种城市短历时暴雨概率雨型构建方法

Publications (2)

Publication Number Publication Date
CN113111486A CN113111486A (zh) 2021-07-13
CN113111486B true CN113111486B (zh) 2023-05-09

Family

ID=76710806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110249325.3A Active CN113111486B (zh) 2021-03-08 2021-03-08 一种城市短历时暴雨概率雨型构建方法

Country Status (1)

Country Link
CN (1) CN113111486B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034506B (zh) * 2022-06-29 2023-02-07 珠江水利委员会珠江水利科学研究院 基于降雨数据的防洪方案生成方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2327652A1 (de) * 2009-11-30 2011-06-01 Siemens Aktiengesellschaft Verfahren zur Ermittlung von Position und Orientierung eines dreidimensionalen Objekts, Steuerungsprogramm und Postionierungserfassungssystem
CN107423546A (zh) * 2017-04-18 2017-12-01 武汉大学 基于Copula函数的多变量水文不确定性处理方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3370128B2 (ja) * 1993-02-27 2003-01-27 雅之 井上 豪雨災害予測システム
KR100923455B1 (ko) * 2007-10-26 2009-10-27 연세대학교 산학협력단 기간의 구분에 의한 강우강도의 계측방법
EP2278353B1 (en) * 2009-07-24 2018-02-14 Kabushiki Kaisha Toshiba Weather radar apparatus and rainfall rate calculation method
CN107797968B (zh) * 2017-09-14 2022-06-03 邵丹娜 一种城市设计暴雨雨型统计方法
CN109214588B (zh) * 2018-09-28 2021-10-22 郑州大学 基于copula函数的山洪灾害概率雨型推求方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2327652A1 (de) * 2009-11-30 2011-06-01 Siemens Aktiengesellschaft Verfahren zur Ermittlung von Position und Orientierung eines dreidimensionalen Objekts, Steuerungsprogramm und Postionierungserfassungssystem
CN107423546A (zh) * 2017-04-18 2017-12-01 武汉大学 基于Copula函数的多变量水文不确定性处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Nelson Christopher Dzupire et al..A copula based bi-variate model for temperature and rainfall processes.《Scientific African》.2020,第8卷全文. *
王彬雁 ; 赵琳娜 ; 巩远发 ; 白雪梅 ; .北京降雨过程分型特征及短历时降雨重现期研究.暴雨灾害.2015,(第04期),全文. *

Also Published As

Publication number Publication date
CN113111486A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
Haktanir et al. Trend, independence, stationarity, and homogeneity tests on maximum rainfall series of standard durations recorded in Turkey
Tramblay et al. Modelling extreme dry spells in the Mediterranean region in connection with atmospheric circulation
Pegram et al. A review of the regional maximum flood and rational formula using geomorphological information and observed floods
CN109214588B (zh) 基于copula函数的山洪灾害概率雨型推求方法
Mascaro On the distributions of annual and seasonal daily rainfall extremes in central Arizona and their spatial variability
CN113111486B (zh) 一种城市短历时暴雨概率雨型构建方法
CN112347652B (zh) 基于水文气象地区线性矩频率分析的暴雨高风险区划方法
CN116756481B (zh) 基于时变增益模型和Copula的流域未来水文干旱概率分析方法
CN114896785A (zh) 一种点暴雨降雨量排序方法及点暴雨重现期估算方法
CN114756817A (zh) 一种基于Copula函数的复合洪涝灾害联合概率分析方法
Olsson et al. Sub-daily rainfall extremes in the Nordic–Baltic region
CN109063896B (zh) 一种东北地区融雪径流开始日期的识别方法
Elnesr et al. Effect of climate change on spatiotemporal variability and trends of evapotranspiration, and its impact on water resources management in the Kingdom of Saudi Arabia
CN113506000B (zh) 一种计算城市汇水区域暴雨溢流风险的方法
CN115510393A (zh) 基于分布函数优选的极端降雨重现期分析方法
Cao et al. KDE-Based Rainfall Event Separation and Characterization. Water 2023, 15, 580
CN112949046B (zh) 一种城市设计双峰暴雨雨型的推求方法
bochare et al. Regional Flood Frequency Analysis of River Chambal–A Case Study
CN114994804B (zh) 一种城市降雨内涝分级预警方法
CN116070955B (zh) 一种用于山洪沟流域的区域可能最大降雨确定方法
CN115730769B (zh) 用于评估丰水城市管网排水能力的复合雨型构造方法及装置
Kim et al. Analyzing Uncertainty in Probable Maximum Precipitation Estimation with a Large Ensemble Climate Simulation Data
Rincón et al. Stochastic Flood Risk Assessment under Climate Change Scenarios for Toronto, Canada Using CAPRA. Water 2022, 14, 227
Wahyudi et al. Study Of Evaluation Of Drainage Waterways System In Catchment Area Kertomenanggal Kota Surabaya
Loots et al. Quantifying the influence of urban development on runoff in South Africa

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