CN113378389A - 洪潮遭遇组合风险分析的不确定性评价方法和装置 - Google Patents

洪潮遭遇组合风险分析的不确定性评价方法和装置 Download PDF

Info

Publication number
CN113378389A
CN113378389A CN202110656841.8A CN202110656841A CN113378389A CN 113378389 A CN113378389 A CN 113378389A CN 202110656841 A CN202110656841 A CN 202110656841A CN 113378389 A CN113378389 A CN 113378389A
Authority
CN
China
Prior art keywords
flood
sequence
encounter
tide level
distribution function
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.)
Pending
Application number
CN202110656841.8A
Other languages
English (en)
Inventor
卢韦伟
杨大文
戴会超
刘志武
唐莉华
梁犁丽
蒋定国
杨恒
杨媛
殷兆凯
李梦杰
张玮
翟然
翟俨伟
赵汗青
徐志
刘琨
陈昂
张晓萌
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.)
Tsinghua University
China Three Gorges Corp
Original Assignee
Tsinghua University
China Three Gorges Corp
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 Tsinghua University, China Three Gorges Corp filed Critical Tsinghua University
Priority to CN202110656841.8A priority Critical patent/CN113378389A/zh
Publication of CN113378389A publication Critical patent/CN113378389A/zh
Pending legal-status Critical Current

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种洪潮遭遇组合风险分析的不确定性评价方法、装置、计算机设备和存储介质。方法包括：获取待评价流域的洪水‑潮位联合序列；根据洪水‑潮位联合序列的分布函数构建洪潮遭遇模型；根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合；并基于洪潮双变量对洪潮遭遇组合的不确定性进行定量分析，提升了不确定性分析的准确性，进一步可以得到更加准确的设计洪水值和设计潮位值。

Description

洪潮遭遇组合风险分析的不确定性评价方法和装置
技术领域
本申请涉及水文工程技术领域，特别是涉及一种洪潮遭遇组合风险分析的不确定性评价方法、装置、计算机设备和存储介质。
背景技术
在全球气候变暖的背景下，海平面逐渐上升，沿海洪水发生频繁，大洪水会造成基建设施损坏，继而引发周围人员伤亡和人民财产损失，是威胁经济社会高质量发展的主要自然灾害之一。防洪工程建设是科学防御沿海洪水的重要举措之一。设计洪水是沿海城市防洪工程设计标准、洪涝灾害风险评估等的重要依据之一，其是指防洪工程规划、设计中所指定的各种设计标准的洪水。设计洪水是防灾减灾工作的基础，对保障区域安全性、社会可持续发展具有重要意义。洪水频率分析，作为一种洪灾危险性分析的方法，是推求设计洪水的核心技术环节。
由于防洪工程设计时所推求的设计洪水和设计潮位值存在较大不确定性，定量评估设计洪水和设计潮位不确定性大小对防洪工程设计至关重要。目前，国内外设计洪水或潮位不确定性研究主要基于单变量(洪水或潮位)频率分析法进行分析。
然而，基于单变量的不确定性分析未考虑洪水和潮位的相关性，设计洪水值或者设计潮位值的不确定性分析不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高设计洪水值或者设计潮位值的不确定性分析准确性的洪潮遭遇组合风险分析的不确定性评价方法、装置、计算机设备和存储介质。
第一方面，提供了一种洪潮遭遇组合风险分析的不确定性评价方法，该方法包括：
获取待评价流域的洪水-潮位联合序列；
根据洪水-潮位联合序列的分布函数构建洪潮遭遇模型；
根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合；
计算洪潮遭遇组合的不确定性。
在其中一个实施例中，获取待评价流域的洪水-潮位联合序列，包括：
获取待评价流域的历史水文序列和历史潮位序列；根据预设的洪水序列筛选规则，在历史水文序列中选取待评价流域的洪水序列；在历史潮位序列中确定洪水序列中每个洪峰值在预设时间段内的最大日潮位；将洪水序列以及对应的最大日潮位进行组合，得到待评价流域的洪水-潮位联合序列。
在其中一个实施例中，根据洪水-潮位联合序列的分布函数构建洪潮遭遇模型，包括：
对洪水-潮位联合序列中的洪水与潮位进行相关性分析；
若洪水-潮位联合序列相关，则根据洪水-潮位联合序列分别确定洪水序列的边缘分布函数和潮位序列的边缘分布函数；
根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定洪水-潮位联合序列的目标联合分布函数；
相应地，根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合，包括：
根据目标联合分布函数计算重现期对应的洪潮遭遇组合中的设计洪水值和设计潮位值。
在其中一个实施例中，该方法还包括：
若洪水-潮位联合序列不相关，则根据洪水-潮位联合序列分别确定洪水序列的边缘分布函数和潮位序列的边缘分布函数；根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定洪水-潮位联合序列的目标独立联合分布函数。
在其中一个实施例中，根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定洪水-潮位联合序列的目标联合分布函数，包括：
根据洪水序列的边缘分布函数和潮位序列的边缘分布函数对洪水-潮位联合序列的联合分布函数进行参数估计；检验洪水-潮位联合序列的联合概率分布是否符合参数估计后的预设联合分布函数；在符合参数估计后的预设联合分布函数中选取拟合系数最大的联合分布函数作为洪水-潮位联合序列的目标联合分布函数。
在其中一个实施例中，计算洪潮遭遇组合的不确定性，包括：
计算目标联合分布函数选取引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率；计算参数估计引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率；计算样本抽样引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率。
在其中一个实施例中，计算样本抽样引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率，包括：
从洪水-潮位联合序列中进行采样，得到采样后的洪水-潮位联合序列；根据采样后的洪水-潮位联合序列的分布函数构建采样后的洪潮遭遇模型；根据采样后的洪潮遭遇模型计算重现期对应的采样后的洪潮遭遇组合；计算采样后的洪潮遭遇组合中的设计洪水值或者设计潮位值与洪潮遭遇组合中的设计洪水值或者设计潮位值之间的相对变化率。
第二方面，提供了一种洪潮遭遇组合风险分析的不确定性评价装置，该装置包括：
获取模块，用于获取待评价流域的洪水-潮位联合序列；
构建模块，用于根据洪水-潮位联合序列的分布函数构建洪潮遭遇模型；
计算模块，用于根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合；
不确定性评价模块，用于计算洪潮遭遇组合的不确定性。
第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待评价流域的洪水-潮位联合序列；
根据洪水-潮位联合序列的分布函数构建洪潮遭遇模型；
根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合；
计算洪潮遭遇组合的不确定性。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待评价流域的洪水-潮位联合序列；
根据洪水-潮位联合序列的分布函数构建洪潮遭遇模型；
根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合；
计算洪潮遭遇组合的不确定性。
上述洪潮遭遇组合风险分析的不确定性评价方法、装置、计算机设备和存储介质，通过获取待评价流域的洪水-潮位联合序列；根据洪水-潮位联合序列的分布函数构建洪潮遭遇模型；根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合；并基于洪潮双变量对洪潮遭遇组合的不确定性进行定量分析，提升了不确定性分析的准确性，进一步可以得到更加准确的设计洪水值和设计潮位值。
附图说明
图1为一个实施例中洪潮遭遇组合风险分析的不确定性评价方法的流程图；
图2为一个实施例中沿海城市分布图；
图3为一个实施例中待评价流域的洪水-潮位联合序列的概率分布拟合优度检验图；
图4为一个实施例中洪潮遭遇组合中洪潮设计值的相对变化率；
图5为一个实施例中洪潮遭遇组合风险分析的不确定性评价的整体流程图；
图6为一个实施例中洪潮遭遇组合风险分析的不确定性评价装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
设计洪水，是为防洪等工程设计而拟定的、符合指定防洪设计标准的、当地可能出现的洪水。即防洪规划和防洪工程预计设防的最大洪水。设计洪水的内容包括设计洪峰、不同时段的设计洪量、设计洪水过程线、设计洪水的地区组成和分期设计洪水等。可根据工程特点和设计要求计算其全部或部分内容。
然而，设计洪水和设计潮位值之后，防洪工程设计时所推求的设计洪水和设计潮位值存在较大不确定性，定量评估设计洪水和设计潮位不确定性大小对防洪工程设计至关重要。
目前，国内外设计洪水或潮位不确定性研究主要基于单变量(洪水或潮位)频率分析法进行分析。设计洪水或潮位不确定性主要包含抽样不确定性、线型选择不确定性和参数估计不确定性等三类。在单变量频率分析中，由于水文样本系列较短，样本对总体代表性不高，存在抽样不确定性；洪水频率分析的线型选择为经验拟合，缺乏物理依据，存在线型选择的不确定性；由于资料有限以及参数估计方法的限制，存在参数估计的不确定性。
以往单变量(洪水或潮位)频率分析只挑选某一特征量来进行设计洪水或者潮位分析。在1992年的《城市防洪工程设计规范(CJJ50-92)》中，设计洪水或潮位推求均只基于单变量(河道洪水或潮位)频率分析推求。近些年，国内外学者发现单变量频率分析无法全面反映洪水事件的真实特征，难以达到防洪工程设计的要求。2012年新订正的《城市防洪工程设计标准(GB/T 50805-2012)》也明确了沿海防洪需进行流域洪水、潮位的两变量遭遇分析。洪潮遭遇组合风险分析逐步成为沿海防洪工程设计领域的研究热点。目前，国内外学者广泛应用Copula函数构建多变量联合分布从而进行洪潮遭遇组合风险分析，Copula函数特点是可采用任意形式的边缘分布函数来推求联合分布函数，具有很强的灵活性和适应性。而洪潮遭遇组合风险分析中洪潮设计值不确定性的研究仍处于起步阶段，相关研究在国内则尚未发现。
因此，本申请提供了一种洪潮遭遇组合风险分析中的洪潮设计值的不确定性评价方法，用以定量评价洪潮设计值的不确定性，并将该不确定性在工程设计中加以合理考虑，具有重要意义。
在一个实施例中，如图1所示，提供了一种洪潮遭遇组合风险分析的不确定性评价方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取待评价流域的洪水-潮位联合序列。
其中，待评价流域是指需要设计洪水值和潮位值的流域，例如，待评价流域可以为东南沿海流域河口处受河道洪水和高潮位叠加影响的沿海城市，也可以为其他需要设计洪水值和潮位值的流域，本实施例在此不做限定。洪水-潮位联合序列是由待评价流域的洪水序列和潮位序列组成的双变量洪水-潮位联合序列。
具体地，终端从待评价流域的历史水文序列和历史潮位序列中分别选取洪水序列和潮位序列，将洪水序列与潮位序列中的洪水值与潮位值一一对应组成洪水-潮位联合序列，将洪水-潮位联合序列存储在终端的存储器中，从存储器中获取待评价流域的洪水-潮位联合序列。
步骤104，根据洪水-潮位联合序列的分布函数构建洪潮遭遇模型。
具体地，终端根据Copula函数以及洪水-潮位联合序列构建洪水、潮位的联合分布函数，将洪水、潮位联合分布函数作为洪潮遭遇模型。Copula函数可以描述的洪水与潮位双变量间的相关性，是可以将洪水与潮位双变量的联合分布函数与它们各自的边缘分函数连接在一起的函数。
步骤106，根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合。
其中，重现期是一种表示某种洪水、暴雨或水位可能出现的时间。本申请实施例中以重现期为5、10、20、50、100年为例进行说明，其他情况与之类似。
具体地，终端根据洪水与潮位的联合分布函数计算重现期分别为5、10、20、50、100年时，对应的设计洪潮遭遇组合中的设计洪水值(洪水设计值)与设计潮位值(潮位设计值)。
步骤108，计算洪潮遭遇组合的不确定性。
其中，洪潮遭遇组合的不确定性指的是设计洪潮遭遇组合过程中，由Copula函数选取、参数估计和样本抽样等原因引起的洪潮遭遇组合设计值的不确定性。
具体地，终端计算设计洪潮遭遇组合时由Copula函数选取、参数估计和样本抽样三类引起的设计洪潮遭遇组合中洪潮设计值不确定性。采用设计洪潮遭遇组合区间估计相比于步骤106中的设计洪潮遭遇组合估计值的相对变化率描述设计洪潮遭遇组合三类不确定性大小。
上述洪潮遭遇组合风险分析的不确定性评价方法中，通过获取待评价流域的洪水-潮位联合序列；根据洪水-潮位联合序列的分布函数构建洪潮遭遇模型；根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合；并基于洪潮双变量对洪潮遭遇组合的不确定性进行定量分析，提升了不确定性分析的准确性，进一步可以得到更加准确的设计洪水值和设计潮位值。
在一个实施例可选的实施例中，获取待评价流域的洪水-潮位联合序列，包括：
获取待评价流域的历史水文序列和历史潮位序列；根据预设的洪水序列筛选规则，在历史水文序列中选取待评价流域的洪水序列；在历史潮位序列中确定洪水序列中每个洪峰值在预设时间段内的最大日潮位；将洪水序列以及对应的最大日潮位进行组合，得到待评价流域的洪水-潮位联合序列。
其中，历史水文序列是从待评价流域的水文站资料(即水文站历史数据)中，根据预设的洪水序列筛选规则搜索并筛选的日径流数据，历史潮位序列是从待评价流域的潮位站资料(即潮位站历史数据)中搜索并筛选的日潮位数据。预设的洪水序列筛选规则是指选取的洪水的洪峰的年均发生次数为2次，即挑选出来的洪峰样本数得为2*N个，且挑选出的洪峰需满足相邻洪峰之间的时间间隔必须大于流域面积的对数值。
具体地，基于预设时间段内的历史水文序列，选取洪峰年均发生次数为两次，且相邻洪峰之间的时间间隔大于流域面积的对数值，得到洪水序列。例如，预设时间段可以为1960-2015年，历史水文序列可以为水文站在1960-2015年测得的日径流数据(日潮位数据)，本申请实施例对预设时间段不做限定。对于洪水序列里的每个日径流值，查找该洪峰发生日期的前后1天内的最大日潮位，组成洪水-潮位联合序列。进一步地，将日径流数据进行降序排列，最大洪峰为第1个挑选的洪峰，洪峰样本数为1，纳入已挑选的洪峰样本中；从第2大挑选的洪峰开始，计算其与已挑选的洪峰样本之间的时间间隔，若大于流域面积的对数值，则将其纳入已挑选的洪峰样本，洪峰样本数加1；如此循环到最后一个值，记录下所有入选的洪水样本；选取已挑选的洪峰样本的前2*N个数据，则为挑选的洪水序列。
进一步地，流域面积可以从网上公开的流域信息中获取，例如可以从水利部信息中心出版的《水文年鉴》的电子资料中获取，当然也通过其他方式获取，本实施例在此不做限定。日潮位数据可以从CORA产品内入海口处网格点的日海平面高度值获取。海平面高度数据可以从预设的海区范围内按照预设时间分辨率来获取，预设的海区范围以及预设时间分辨率可以根据具体的设计需求来设定。例如，海平面高度数据可以根据国家海洋信息中心的“国家海洋科学数据共享服务平台”(http://mds.nmdis.org.cn/)的西北太平洋海域海洋再分析产品(China Ocean ReAnalysis，简称CORA)来确定，海区范围为99°E～150°E、10°S～52°N，空间水平网格分辨率按地区划分；时间长度为1960年-2015共56年，时间分辨率为1天。
在一个实施例可选的实施例中，根据洪水-潮位联合序列的分布函数构建洪潮遭遇模型，包括：
对洪水-潮位联合序列中的洪水与潮位进行相关性分析；若洪水-潮位联合序列相关，则根据洪水-潮位联合序列分别确定洪水序列的边缘分布函数和潮位序列的边缘分布函数；根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定洪水-潮位联合序列的目标联合分布函数；相应地，根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合，包括：根据目标联合分布函数计算重现期对应的洪潮遭遇组合中的设计洪水值和设计潮位值。
具体地，计算洪水-潮位联合序列中洪水、潮位的相关系数，并评估在预设显著性水平条件下洪水与潮位是否显著相关，当在预设显著性水平条件下相关系数大于或者等于预设相关阈值，则洪水和潮位不相关，预设显著性水平条件、预设相关阈值可以根据设计需求来确定。例如，对洪水、潮位进行Kendall相关性检验，计算Kendall的相关系数τ(KendallRank correlation coefficient)以及相关性检验的p值，在显著性水平α＝0.05条件下如果p值小于0.05，则认为洪水和潮位显著相关，两者不独立；否则认为两者不显著相关，即两者独立。若洪水-潮位联合序列相关，则根据洪水-潮位联合序列的联合概率分布规律确定洪水序列的边缘分布函数和潮位序列的边缘分布函数，根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定目标联合分布函数，然后，根据目标联合分布函数计算重现期对应的洪潮遭遇组合中的设计洪水值和设计潮位值。
例如，在东南沿海流域河口处受河道洪水和高潮位叠加影响的13个沿海城市分布图如图2所示。从这13个沿海城市选取15个水文站作为待评价流域，这15个待评价流域的表1为这15个待评价流域的洪水-潮位联合序列的相关性系数，加粗代表洪潮显著相关。在显著性水平α＝0.05条件下，柏枝岙、白塔、东桥园、陆屋、宝桥等5个待评价流域的洪水和潮位显著相关，其相关系数为0.11-0.23。
表1洪水-潮位联合序列的相关性系数及p值
Figure BDA0003113341480000091
在一个实施例可选的实施例中，该方法还包括：
若洪水-潮位联合序列不相关，则根据洪水-潮位联合序列分别确定洪水序列的边缘分布函数和潮位序列的边缘分布函数；根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定洪水-潮位联合序列的目标独立联合分布函数。
具体地，计算洪水-潮位联合序列中洪水、潮位的相关系数，并评估在预设显著性水平条件下洪水与潮位是否显著相关，当在预设显著性水平条件下相关系数大于或者等于预设相关阈值，则洪水和潮位不相关。例如，计算洪水-潮位联合序列中洪水、潮位的Kendall秩次相关系数τ以及Kendall相关性检验的p值，在显著性水平α＝0.05条件下如果p值大于或者等于0.05，则认为洪水和潮位不相关，两者独立。除柏枝岙、白塔、东桥园、陆屋、宝桥等5个待评价流域外，其他10个待评价流域的洪水和潮位不相关。根据洪水-潮位联合序列中的洪水序列确定洪水的单变量边缘分布函数，根据洪水-潮位联合序列中的潮位序列确定潮位的单变量边缘分布函数。对洪水和潮位独立的流域，采用独立Copula函数对洪水-潮位联合分布进行拟合，得到洪水-潮位联合序列的目标独立联合分布函数。C(F1(x1),F2(x2))称为目标独立联合分布函数，C(F1(x1),F2(x2))＝F1(x1)·F2(x2)，其中F1(x1)、F2(x2)分别为洪水的单变量边缘分布函数和潮位的单变量边缘分布函数。
单变量边缘分布函数可以从候选的17中单变量概率分布类型中进行确定，它们是：Beta(B)、Birnbaum-Saunders(BS)、Exponential(Exp)、Extreme value(EV)、Gamma(G)、Generalized extreme value(GEV)、Generalized Pareto(GP)、Inverse Gaussian(IG)、Logistic(L)、Log-logistic(LL)、Log-normal(LN)、Nakagami(Na)、Normal(N)、Rayleigh(Ra)、Rician(Ri)、t location-scale(T)、Weibull(W)，边缘累积概率分布函数如表2所示。采用MLE(Maximum Likelihood Estimation，最大似然估计)方法进行参数估计，对概率分布进行K-S(Kolmogorov-Smirnov test，柯尔莫可洛夫-斯米洛夫检验)假设检验，K-S检验可以验证数据是否符合某种分布；在通过了K-S检验的备选概率分布中，采用AIC最小原则(Akaike information criterion，衡量统计模型拟合优良性的一个标准)挑选出拟合效果最好的概率分布函数，并计算了经验频率和理论概率的NSE，结果如表3和表4所示。经验频率和累积概率的NSE均达到0.97以上，证明理论概率分布能够反映洪水、潮位序列的概率特征。对洪水序列来说，绝大部分的最优概率分布函数均是广义极值分布函数；而对潮位序列来说，最优概率分布函数类型较为分散，最优概率分布函数为逻辑分布函数的数目最多。
NSE可以度量概率分布函数的拟合效果，NSE越大说明拟合的效果越好。其表达式如下：
Figure BDA0003113341480000101
其中，Fn(x)为经验频率和F(x)为理论累积概率。
表2单变量边缘分布函数及其参数
Figure BDA0003113341480000111
Figure BDA0003113341480000121
表3洪水-潮位联合序列中洪水序列的参数估计和拟合优度检验结果
Figure BDA0003113341480000122
表4洪水-潮位联合序列中潮位序列的参数估计和拟合优度检验结果
Figure BDA0003113341480000131
在一个实施例可选的实施例中，根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定洪水-潮位联合序列的目标联合分布函数，包括：
根据洪水序列的边缘分布函数和潮位序列的边缘分布函数对洪水-潮位联合序列的联合分布函数进行参数估计；检验洪水-潮位联合序列的联合概率分布是否符合参数估计后的预设联合分布函数；在符合参数估计后的预设联合分布函数中选取拟合系数最大的联合分布函数作为洪水-潮位联合序列的目标联合分布函数。
具体地，对洪水和潮位显著相关的待评价流域，基于贝叶斯统计推断模型，运用马尔科夫链-蒙特卡洛方法(Markov chain Monte Carlo，简称MCMC)对洪水-潮位联合序列进行随机采样，进而根据洪水序列的边缘分布函数和潮位序列的边缘分布函数对Copula函数的参数进行估算；然后，运用Cramér-von Mises(CM)检验确定洪潮序列是否符合参数估计后的备选的Copula函数，当CM校验符合时选取拟合系数最大的Copula函数作为洪水-潮位联合序列的目标联合分布函数。
进一步地，选取的9个候选Copula函数为：1)阿基米德类：Clayton、Gumbel、Frank、Joe和Ali-Mikhail-Haq；2)椭圆类：Gaussian；3)极值类：Galambos；4)混合型：Plackett和Farlie-Gumbel-Morgenstren，函数的累积概率分布函数形式如表5所示。对洪水和潮位显著相关的流域，利用9种Copula函数构建洪水-潮位的联合概率分布。采用基于混合进化的MCMC的贝叶斯方法进行参数估计，利用CM法检验联合概率分布是否符合备选Copula函数，在备选Copula函数中根据AIC最大准则选取最优的Copula函数作为目标联合分布函数。表6给出洪潮相关的5个待评价流域Copula函数拟合优度检验结果，每一个流域的最优Copula为AIC列里标粗的函数。
进一步地，为了说明将洪水、潮位同时纳入防洪标准考量对设计洪水(即日流量或者日径流)值和设计潮位值的影响，计算重现期5、10、20、50和100年时基于单变量频率分布的设计洪水值、设计潮位值。比如，重现期5年时，将得到洪水序列的边缘分布函数中的参数代入对应的边缘分布函数，得到重现期为5年时的基于单变量频率分布的日流量设计值。
再计算重现期5、10、20、50和100年时计算基于洪潮遭遇模型的设计洪潮遭遇组合。比如，重现期5年时，将目标联合分布函数的参数代入对应的联合分布函数以后，得到重现期为5年时的洪潮遭遇组合，选取联合概率密度函数最大的一组，为基于洪潮遭遇模型的设计洪潮遭遇组合，结果如表7所示。基于洪潮遭遇模型的设计洪潮遭遇组合中设计洪水(设计潮位)值均大于基于单变量频率分布的设计洪水(设计潮位)值。重现期分别为5、10、20、50、100年时，基于洪潮遭遇模型的设计洪水相比基于单变量频率分布的增长25％以上，而设计潮位值增长在0～20％之间。鉴于设计洪潮遭遇组合与仅基于洪水或潮位频率分布得到设计洪水值、设计潮位值相差较大，在实际河口处河道和海岸防洪工程设计时，有必要基于洪潮遭遇模型计算设计洪潮遭遇组合，以免过高或过低的估计防洪工程遭遇洪灾的风险。
图3绘制了待评价流域的理论Copula联合概率和经验Copula联合概率的PP(Probability-Probability)图，并在图中给出理论概率和经验Copula概率的NSE。所有通过假设检验的Copula函数的拟合指标NSE可以达到0.97以上。
表5Copula函数的表达式
Figure BDA0003113341480000151
Figure BDA0003113341480000161
表6Copula函数拟合优度校验结果
Figure BDA0003113341480000162
Figure BDA0003113341480000171
表5中列“AIC”加粗为某一流域的最优Copula；列“CM检验”加粗代表Copula函数在显著性水平α＝0.05条件下通过拟合优度检验。
表7洪潮相关流域单变量设计值与基于洪潮遭遇模型的设计洪潮遭遇组合
Figure BDA0003113341480000172
Figure BDA0003113341480000181
本实施例中，CM检验方法是一种比KS检验更加严谨的检验方法，通过CM法检验得到的目标联合分布函数可以更准确地描述洪水-潮位联合序列的分布。
在一个实施例可选的实施例中，计算洪潮遭遇组合的不确定性，包括：
计算目标联合分布函数选取引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率；计算参数估计引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率；计算样本抽样引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率。
具体地，根据可选Copula函数、基于混合进化MCMC的贝叶斯最优Copula函数参数区间估计值、样本抽样所得到的参数估计集，重新计算重现期取5、10、20、50、100年时的设计洪潮遭遇组合，并计算设计洪潮遭遇组合区间估计值相对于初始的设计洪潮遭遇组合估计值的相对变化率。例如，图4给出了设计洪潮遭遇组合中日流量设计值、潮位设计值三种不确定性，第一行为设计洪水值，第二行为设计潮位值。可以看到，设计洪潮遭遇组合中设计洪水值的三类不确定性幅度为：样本抽样>Copula函数选取>参数估计；设计洪潮遭遇组合中设计潮位值的三种不确定性相差不大。因此，样本抽样引起的设计洪潮遭遇组合值不确定性最高，在制定防洪标准时需对样本长度造成的不确定性予以关注。
进一步地，计算由Copula函数选取引起的设计洪潮遭遇组合不确定性时，首先基于贝叶斯统计推断模型，运用马尔科夫链-蒙特卡洛方法(Markov chain Monte Carlo，简称MCMC)对洪水-潮位联合序列进行随机采样，进而根据洪水序列的边缘分布函数和潮位序列的边缘分布函数对Copula函数的参数进行估计。然后，运用Cramér-von Mises(CM)检验确定洪潮序列是否符合参数估计后备选的Copula函数，之后，在预设显著性水平条件下确定符合参数估计后备选的Copula函数是否通过假设检验，若通过则为可选Copula函数。例如，选定显著性水平α＝0.05，选择通过此显著性水平下假设检验的Copula函数为洪水-潮位联合分布的可选Copula函数。而对洪水和潮位独立的流域，采用独立Copula函数对洪水-潮位联合分布进行拟合。最后，用可选Copula函数分别计算洪水、潮位单变量重现期同为5、10、20、50和100年时设计洪潮遭遇组合值，形成设计洪潮遭遇组合的区间估计结果；计算设计洪潮遭遇组合中的设计洪水值(设计潮位值)相比于初始的设计洪潮遭遇组合中的设计洪水值(设计潮位)值相对变化率。
计算由参数估计引起的设计洪潮遭遇组合不确定性时，首先对流域的最优Copula函数运用基于混合进化MCMC的贝叶斯方法进行参数估计，并得到参数的95％置信区间。随后，基于95％置信区间内的所有参数值，计算洪水、潮位单变量重现期同为5、10、20、50和100年时，设计洪潮遭遇组合的设计洪水值所在的区间估计结果或者设计潮位值所在的区间估计结果。计算设计洪潮遭遇组合中的设计洪水值(设计潮位值)相比于初始的设计洪潮遭遇组合中的设计洪水值(设计潮位值)相对变化率。
在一个实施例可选的实施例中，计算样本抽样引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率，包括：
从洪水-潮位联合序列中进行采样，得到采样后的洪水-潮位联合序列；根据采样后的洪水-潮位联合序列的分布函数构建采样后的洪潮遭遇模型；根据采样后的洪潮遭遇模型计算重现期对应的采样后的洪潮遭遇组合；计算采样后的洪潮遭遇组合中的设计洪水值或者设计潮位值与洪潮遭遇组合中的设计洪水值或者设计潮位值之间的相对变化率。
具体地，计算由样本抽样引起的设计洪潮遭遇组合不确定性时，首先运用Bootstrap方法对洪水-潮位联合序列进行有放回的采样，从而得到参数的分布情况，随后依据参数分布情况，计算洪水、潮位单变量重现期同为5、10、20、50和100年时的设计洪潮遭遇组合的区间估计结果。具体的操作步骤为：
1)从原始洪水-潮位联合序列中有放回抽样预设次，形成与原始洪水-潮位联合序列样本长度相同的新洪水-潮位联合序列(新样本)。并对上述过程执行预设循环次数，得到预设循环次数组新洪水-潮位联合序列(新样本集)。例如，对洪水-潮位联合序列{X,Y}＝{(x1,y1),(x2,y2),...,(xn,yn)}进行有放回抽样n次，形成与原始样本长度n相同的新样本{X*,Y*}。重复上述过程NB次(取NB为5000次)，可获得NB组长度为n的新样本集
Figure BDA0003113341480000201
2)对新样本重新计算洪水序列的边缘分布函数和潮位序列的边缘分布函数和基于混合进化MCMC的贝叶斯方法对新样本集的所有样本分别进行原样本最优Copula函数的参数集
Figure BDA0003113341480000202
3)依据参数集
Figure BDA0003113341480000203
分析洪水、潮位单变量重现期同为5、10、20、50和100年时，设计洪潮遭遇组合的区间估计值。
4)计算设计洪潮遭遇组合中的设计洪水值(设计潮位值)相比于初始的设计洪潮遭遇组合中的设计洪水值(设计潮位值)相对变化率。
为了易于理解本申请实施例提供的技术方案，以完整的洪潮遭遇组合风险分析的不确定性评价过程对本申请实施例提供的洪潮遭遇组合风险分析的不确定性评价方法进行简要说明：
(1)获取待评价流域的洪水-潮位联合序列。
(2)对洪水-潮位联合序列中的洪水与潮位进行相关性分析；若洪水-潮位联合序列相关，则根据洪水-潮位联合序列分别确定洪水序列的边缘分布函数和潮位序列的边缘分布函数；根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定洪水-潮位联合序列的目标联合分布函数；若洪水-潮位联合序列不相关，则根据洪水-潮位联合序列分别确定洪水序列的边缘分布函数和潮位序列的边缘分布函数；根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定洪水-潮位联合序列的目标独立联合分布函数。
(3)根据目标联合分布函数计算重现期对应的洪潮遭遇组合中的设计洪水值和设计潮位值。
(4)计算目标联合分布函数选取引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率；计算参数估计引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率；计算样本抽样引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率。
应该理解的是，虽然图1、图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种洪潮遭遇组合风险分析的不确定性评价装置，包括：获取模块602、构建模块604、计算模块606和不确定性评价模块608，其中：
获取模块602，用于获取待评价流域的洪水-潮位联合序列。
构建模块604，用于根据洪水-潮位联合序列的分布函数构建洪潮遭遇模型。
计算模块606，用于根据洪潮遭遇模型计算重现期对应的洪潮遭遇组合。
不确定性评价模块608，用于计算洪潮遭遇组合的不确定性。
在一个实施例中，获取模块602还用于获取待评价流域的历史水文序列和历史潮位序列；以及根据预设的洪水序列筛选规则，在历史水文序列中选取待评价流域的洪水序列；以及在历史潮位序列中确定洪水序列中每个洪峰值在预设时间段内的最大日潮位；以及将洪水序列以及对应的最大日潮位进行组合，得到待评价流域的洪水-潮位联合序列。
在一个实施例中，构建模块604还用于对洪水-潮位联合序列中的洪水与潮位进行相关性分析；以及在洪水-潮位联合序列相关时，根据洪水-潮位联合序列分别确定洪水序列的边缘分布函数和潮位序列的边缘分布函数；根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定洪水-潮位联合序列的目标联合分布函数；计算模块606还用于根据目标联合分布函数计算重现期对应的洪潮遭遇组合中的设计洪水值和设计潮位值。
在一个实施例中，构建模块604还用于在洪水-潮位联合序列不相关时，根据洪水-潮位联合序列分别确定洪水序列的边缘分布函数和潮位序列的边缘分布函数；以及根据洪水序列的边缘分布函数和潮位序列的边缘分布函数确定洪水-潮位联合序列的目标独立联合分布函数。
在一个实施例中，构建模块604还用于根据洪水序列的边缘分布函数和潮位序列的边缘分布函数对洪水-潮位联合序列的联合分布函数进行参数估计；以及检验洪水-潮位联合序列的联合概率分布是否符合参数估计后的预设联合分布函数；以及在符合参数估计后的预设联合分布函数中选取拟合系数最大的联合分布函数作为洪水-潮位联合序列的目标联合分布函数。
在一个实施例中，不确定性评价模块608还用于计算目标联合分布函数选取引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率；以及计算参数估计引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率；以及计算样本抽样引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率。
在一个实施例中，不确定性评价模块608还用于从洪水-潮位联合序列中进行采样，得到采样后的洪水-潮位联合序列；以及根据采样后的洪水-潮位联合序列的分布函数构建采样后的洪潮遭遇模型；以及根据采样后的洪潮遭遇模型计算重现期对应的采样后的洪潮遭遇组合；以及计算采样后的洪潮遭遇组合中的设计洪水值或者设计潮位值与洪潮遭遇组合中的设计洪水值或者设计潮位值之间的相对变化率。
关于洪潮遭遇组合风险分析的不确定性评价装置的具体限定可以参见上文中对于洪潮遭遇组合风险分析的不确定性评价方法的限定，在此不再赘述。上述洪潮遭遇组合风险分析的不确定性评价装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种洪潮遭遇组合风险分析的不确定性评价方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种洪潮遭遇组合风险分析的不确定性评价方法，其特征在于，所述方法包括：
获取待评价流域的洪水-潮位联合序列；
根据所述洪水-潮位联合序列的分布函数构建洪潮遭遇模型；
根据所述洪潮遭遇模型计算重现期对应的洪潮遭遇组合；
计算所述洪潮遭遇组合的不确定性。
2.根据权利要求1所述的方法，其特征在于，所述获取待评价流域的洪水-潮位联合序列，包括：
获取待评价流域的历史水文序列和历史潮位序列；
根据预设的洪水序列筛选规则，在所述历史水文序列中选取待评价流域的洪水序列；
在所述历史潮位序列中确定所述洪水序列中每个洪峰值在预设时间段内的最大日潮位；
将所述洪水序列以及对应的最大日潮位进行组合，得到所述待评价流域的洪水-潮位联合序列。
3.根据权利要求1所述的方法，其特征在于，所述根据所述洪水-潮位联合序列的分布函数构建洪潮遭遇模型，包括：
对所述洪水-潮位联合序列中的洪水与潮位进行相关性分析；
若所述洪水-潮位联合序列相关，则根据所述洪水-潮位联合序列分别确定洪水序列的边缘分布函数和潮位序列的边缘分布函数；
根据所述洪水序列的边缘分布函数和所述潮位序列的边缘分布函数确定所述洪水-潮位联合序列的目标联合分布函数；
所述根据所述洪潮遭遇模型计算重现期对应的洪潮遭遇组合，包括：
根据所述目标联合分布函数计算重现期对应的洪潮遭遇组合中的设计洪水值和设计潮位值。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若所述洪水-潮位联合序列不相关，则根据所述洪水-潮位联合序列分别确定洪水序列的边缘分布函数和潮位序列的边缘分布函数；
根据所述洪水序列的边缘分布函数和所述潮位序列的边缘分布函数确定所述洪水-潮位联合序列的目标独立联合分布函数。
5.根据权利要求3所述的方法，其特征在于，所述根据所述洪水序列的边缘分布函数和所述潮位序列的边缘分布函数确定所述洪水-潮位联合序列的目标联合分布函数，包括：
根据所述洪水序列的边缘分布函数和所述潮位序列的边缘分布函数对所述洪水-潮位联合序列的联合分布函数进行参数估计；
检验所述洪水-潮位联合序列的联合概率分布是否符合参数估计后的预设联合分布函数；
在符合所述参数估计后的预设联合分布函数中选取拟合系数最大的联合分布函数作为所述洪水-潮位联合序列的目标联合分布函数。
6.根据权利要求5所述的方法，其特征在于，所述计算所述洪潮遭遇组合的不确定性，包括：
计算目标联合分布函数选取引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率；
计算参数估计引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率；
计算样本抽样引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率。
7.根据权利要求6所述的方法，其特征在于，所述计算样本抽样引起的洪潮遭遇组合中的设计洪水值或者设计潮位值的相对变化率，包括：
从所述洪水-潮位联合序列中进行采样，得到采样后的洪水-潮位联合序列；
根据所述采样后的洪水-潮位联合序列的分布函数构建采样后的洪潮遭遇模型；
根据所述采样后的洪潮遭遇模型计算重现期对应的采样后的洪潮遭遇组合；
计算所述采样后的洪潮遭遇组合中的设计洪水值或者设计潮位值与所述洪潮遭遇组合中的设计洪水值或者设计潮位值之间的相对变化率。
8.一种洪潮遭遇组合风险分析的不确定性评价装置，其特征在于，所述装置包括：
获取模块，用于获取待评价流域的洪水-潮位联合序列；
构建模块，用于根据所述洪水-潮位联合序列的分布函数构建洪潮遭遇模型；
计算模块，用于根据所述洪潮遭遇模型计算重现期对应的洪潮遭遇组合；
不确定性评价模块，用于计算所述洪潮遭遇组合的不确定性。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110656841.8A 2021-06-11 2021-06-11 洪潮遭遇组合风险分析的不确定性评价方法和装置 Pending CN113378389A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110656841.8A CN113378389A (zh) 2021-06-11 2021-06-11 洪潮遭遇组合风险分析的不确定性评价方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110656841.8A CN113378389A (zh) 2021-06-11 2021-06-11 洪潮遭遇组合风险分析的不确定性评价方法和装置

Publications (1)

Publication Number Publication Date
CN113378389A true CN113378389A (zh) 2021-09-10

Family

ID=77574190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110656841.8A Pending CN113378389A (zh) 2021-06-11 2021-06-11 洪潮遭遇组合风险分析的不确定性评价方法和装置

Country Status (1)

Country Link
CN (1) CN113378389A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114722744A (zh) * 2022-06-08 2022-07-08 水利部交通运输部国家能源局南京水利科学研究院 一种平原流域设计暴雨和潮位协调性的评估方法及系统
CN116187769A (zh) * 2023-05-04 2023-05-30 四川省安全科学技术研究院 基于情景模拟的城镇洪涝灾害风险研判方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105714729A (zh) * 2016-02-29 2016-06-29 武汉大学 一种自适应气候变化的水库多变量设计洪水推求方法
CN106202788A (zh) * 2016-07-20 2016-12-07 中国水利水电科学研究院 一种基于Copula函数的潮洪联合概率分析方法及其应用
CN107491643A (zh) * 2017-08-18 2017-12-19 中国水利水电科学研究院 一种确定设计洪峰流量的方法、装置及系统
CN108320091A (zh) * 2018-01-26 2018-07-24 中国海洋大学 一种计算河口海港极端水位的联合概率方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105714729A (zh) * 2016-02-29 2016-06-29 武汉大学 一种自适应气候变化的水库多变量设计洪水推求方法
CN106202788A (zh) * 2016-07-20 2016-12-07 中国水利水电科学研究院 一种基于Copula函数的潮洪联合概率分析方法及其应用
CN107491643A (zh) * 2017-08-18 2017-12-19 中国水利水电科学研究院 一种确定设计洪峰流量的方法、装置及系统
CN108320091A (zh) * 2018-01-26 2018-07-24 中国海洋大学 一种计算河口海港极端水位的联合概率方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史黎翔等: "基于Copula 函数的两变量洪水重现期与设计值计算研究", 《水力发电学报》, pages 27 - 34 *
郭财秀等: "长江感潮河段洪潮遭遇组合概率分析", 《水电能源科学》, pages 51 - 54 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114722744A (zh) * 2022-06-08 2022-07-08 水利部交通运输部国家能源局南京水利科学研究院 一种平原流域设计暴雨和潮位协调性的评估方法及系统
CN116187769A (zh) * 2023-05-04 2023-05-30 四川省安全科学技术研究院 基于情景模拟的城镇洪涝灾害风险研判方法

Similar Documents

Publication Publication Date Title
Arnal et al. Skilful seasonal forecasts of streamflow over Europe?
Olofintoye et al. Best–fit Probability distribution model for peak daily rainfall of selected Cities in Nigeria
Vanem Non-stationary extreme value models to account for trends and shifts in the extreme wave climate due to climate change
Vogel Regional calibration of watershed models
Villarini et al. On the temporal clustering of US floods and its relationship to climate teleconnection patterns
Yang et al. Regional flood frequency and spatial patterns analysis in the Pearl River Delta region using L-moments approach
Yeganeh-Bakhtiary et al. Machine learning as a downscaling approach for prediction of wind characteristics under future climate change scenarios
Smithers et al. Design rainfall and flood estimation in South Africa
CN113378389A (zh) 洪潮遭遇组合风险分析的不确定性评价方法和装置
Zakaria et al. Regional frequency analysis of extreme rainfalls in the west coast of Peninsular Malaysia using partial L-moments
Feng et al. Extreme water level analysis at three stations on the coast of the Northwestern Pacific Ocean
Supriya et al. Regression analysis of annual maximum daily rainfall and stream flow for flood forecasting in Vellar River Basin
Muraleedharan et al. On the distribution of significant wave height and associated peak periods
Razmi et al. Time-varying univariate and bivariate frequency analysis of nonstationary extreme sea level for New York City
Okoli et al. A systematic comparison of statistical and hydrological methods for design flood estimation
Samiran Das et al. Assessment of uncertainty in flood flows under climate change impacts in the Upper Thames River basin, Canada.
Soukissian et al. Effects of parameter estimation method and sample size in metocean design conditions
Jan et al. Modelling non-stationary extreme streamflow in Peninsular Malaysia
Núñez et al. Resolving regional frequency analysis of precipitation at large and complex scales using a bottom-up approach: The Latin America and the Caribbean Drought Atlas
Maposa et al. Modelling extreme flood heights in the lower Limpopo River basin of Mozambique using a time-heterogeneous generalised Pareto distribution
Brodie An evaluation of a multi-day rainfall–runoff volume–peak discharge transform for flood frequency estimation
Hu et al. Encounter probability analysis of typhoon and plum rain in the Taihu Lake Basin
Wu et al. Local and regional flood frequency analysis based on hierarchical Bayesian model: application to annual maximum streamflow for the Huaihe River basin
Kwon et al. Nonparametric monte carlo simulation for flood frequency curve derivation: an application to a Korean watershed 1
Selvi S et al. Stochastic modelling of annual rainfall at Tamil Nadu.

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