淮河流域极端径流的时空变化规律及统计模拟

以淮河流域蚌埠闸以上20 个水文站点1956-2010 年日径流量观测数据资料为基础,采用游程检验、趋势检验和Mann-Kendall 检验法分析年最大日径流量的变化规律。分别采用年最大值法(annual maximum,AM) 和超门限峰值法(peaks over threshold,POT) 抽取径流序列样本, 运用广义极值分布(generalized extreme value distribution,GEV) 和广义帕累托分布(generalized Pareto distribution,GPD) 两种极值统计模型对规范化样本进行拟合,分析淮河流域极端径流的时空变化规律。研究表明:1956-2010 年,淮河流域蚌埠闸以上的研究站点中,10 个站点的年最大日径流量有减少的趋势,另外10 个站点有不显著的增加趋势。极端径流事件大多发生在20 世纪60、70 年代,且以汛期居多。淮河流域的极端径流主要来自淮河干流、淮南山区和伏牛山区。使用Kolmogorov-Smirnov (K-S) 法检验发现,GEV和GPD分布分别能较好的拟合AM和POT序列。采用百分位阈值法、平均超出量函数图法和超定量洪峰法三种方法选取阈值,对于淮河流域的极端径流事件模拟而言,百分位阈值法较好。     

近50 年来淮河流域极端降水的时空变化及统计特征

以淮河流域27 个气象站点1960-2009 年逐日降水观测资料为基础,选取年最大降水量序列(AM) 和超门限峰值序列(POT),分析淮河流域年极端降水事件的时空变化趋势,研究淮河流域降水极值的统计特征。研究发现：过去50 年,淮河流域大多数站点年最大日降水量有增加的趋势,少数站点有减少的趋势,但增加和减少的趋势均不明显。从单个气象站点50 年降水序列来看,年最大日降水事件发生的时间大多集中于20 世纪60-70 年代,且以汛期居多。利用L-矩法、K-S 检验等方法,发现GEV和GP分布分别能够较好的拟合AM和POT序列。通过计算比较在不同重现期水平下的降水量,发现POT序列及其对应的GP分布能够更好的模拟淮河流域极端降水序列。     

多种机器学习模型对不同洪水类型特征指标模拟效果评估

洪水过程的特征指标不仅包括洪水量级,还包括时间、形态、动力学等指标。现有模型和方法重点关注洪水量级指标的模拟,对其他指标的模拟仍有待深入。如何实现对洪水过程所有特征指标的模拟已成为目前洪水预报的技术瓶颈。论文采用4种机器学习模型(多元线性回归、多层感知器、随机森林和支持向量机)对淮河上游长台关流域59场降雨—洪水场次7个特征指标(洪水总量、洪峰流量、洪水历时、洪峰时间偏度、高流量历时占比、涨洪和落洪速率)进行模拟,评估不同模型对不同洪水类型和特征指标的模拟效果。结果显示：(1)长台关流域洪水过程可分为3类,第1类洪量中等、历时长且洪峰出现时间偏前(16场);第2类洪量低、形态矮胖且洪峰出现时间靠后(34场);第3类洪量大、涨落水迅速、形态尖瘦(9场)。(2)时间指标模拟效果最优,动力学指标模拟效果最差。多元线性回归和随机森林模拟效果随所有特征指标数值的增加而增强;支持向量机的模拟效果随着洪水历时指标数值的增加而降低,随着其余特征指标数值的增加而增强;多层感知器模拟效果随着洪水总量、洪峰流量、高流量历时占比和涨洪速率等指标值的增加而增强。(3)从各类型洪水特征模拟精度来看,4种模型对第3...