机构名称：
¥ 4.0
累积的水）以毫米（mm）为单位。 因此，有非常广泛的文献提出了用于在不同时间尺度（小时，每小时，每日，每月）下降水分布的模型。 例如，用于建模正降水的最流行的分布可能是伽马分布[79]，由于其灵活的形状，它通常也提供适合每月降水量的足够适合，但是伽马分布无法在高时间尺度上捕获大降雨特征，即累积的水）以毫米（mm）为单位。因此，有非常广泛的文献提出了用于在不同时间尺度（小时，每小时，每日，每月）下降水分布的模型。例如，用于建模正降水的最流行的分布可能是伽马分布[79]，由于其灵活的形状，它通常也提供适合每月降水量的足够适合，但是伽马分布无法在高时间尺度上捕获大降雨特征，即每天和每日。建模降水及其聚集体提出了与其他天气变量（例如温度）相比的独特挑战。精确地捕获随着时间或空间的降水的聚集行为对于许多应用至关重要，包括洪水或干旱风险评估。这需要对适当的依赖模型进行典范或隐式规范，以在时空中结合边缘分布，在时间和空间中，不仅极端，而且中度和低降水值都会有助于极端聚集体。特定于降水的另一个方面是其间歇性，这意味着当考虑完整的观察序列时，可以观察到许多零值。这需要将概率分布视为阳性降水的连续成分的混合物，而在没有沉淀的情况下以零为零成分。虽然整个分布对于降水很重要，但它的极端尤其引起了人们的关注，因为它们通过雨水引起的洪水对人们的影响[38]，农业[99]和基础设施[85]。对局部极端的研究是极值分析[50，55]的重要早期应用，也是许多方法论发展的催化剂。的确，如果模型未正确指定，则将参数模型用于整个分布可能会导致尾部分位数估计值的显着偏差。因此，使用源自极值理论的模型来估计降水的尾矿[24，8，33]已成为普遍做法。本章回顾了用于研究极端降水的某些关键方面的统计方法，但没有任何声称是详尽的。第1.2节简要概述了典型的数据特征。第1.3节提出了单变量的概率分布，用于在极值和估计其参数的方法中建模可变性。然后，第1.4节演示了这些分布在代表不同持续时间和频率下的预提取强度或返回值时的应用。第1.5节说明了如何在空间上汇总信息以获得更有效的回报率估计值。上述部分中的方法假设极端降水事件是独立的，并且分布相同。但是，有多种原因认为事实并非如此。例如，季节性和空间模式以及气候变化可能引起非组织性。第1.6节回顾了各种检测和建模非组织降水极端的方法。最后一节是一个讨论，介绍了随机发生器的概念，并阐述了为模拟目的建模极端降雨的重要性。
极度降水的统计建模
主要关键词
相关文件推荐
