Bayes统计模型在出山月均径流极小值研究中的应用

数理统计方法在解决全球气候变化引起的洪水、干旱等极端水文事件中获得了越来越广泛的应用。选取乌鲁木齐河1958—2006年枯水期的月平均出山径流资料,采用广义Pareto极值分布(GPD)模型,并运用Bayes统计模型估计GPD的参数,最后对乌鲁木齐河枯水期月均出山径流极小值变化进行了估算。研究表明:1.参数的初始值、先验分布的均值分别取其极大似然估计值,先验分布的标准差取较小值,随机游走项分布的标准差取较大值,这种方法能使Markov链快速收敛;2.基于Bayes参数估计值的GPD在拟合月均径流量的极小值时具有很高的精确度,与传统的极大似然估计方法相比,Bayes统计模型的推断效果较好;3.乌鲁木齐河重现期为10 a、25 a、50 a和100 a的枯水期月均径流极小值分别约为0.60 m3/s、0.44 m3/s、0.32 m3/s和0.20 m3/s;4.100 a重现水平的95%置信区间的下限为-0.238 m3/s,说明当乌鲁木齐河在枯水期遇上百年一遇的极小值时,有可能出现断流的情况。

A Bayesian Analysis of Monthly Average Runoff Minima in Mountain Areas