《大湾区复合灾变特征变异识别规程》征求意见稿

T/CIXXX—2024大湾区复合灾变特征变异识别规程本文件给出了区域单灾种水灾害和多灾害特征遭遇组合复合灾害序列在时间尺度的变异点以及空间尺度上分布变异特征识别方法。本文件适用于水利及其相关行业进行区域性复合灾害特征调查与评估。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T4889数据的统计处理和解释正态性检验GB/T10094正态分布分位数与变异系数的置信限SL44水利水电工程设计洪水计算规范SL/T278水利水电工程水文计算规范3术语和定义下列术语和定义适用于本文件。3.1灾害特征要素disasterelements反映灾害驱动致灾特性的基本要素，是构成某一区域在某一时间的致灾与灾损情势的因素，如暴雨量、洪峰水位、洪水流量、灾害损失量等。3.2单变量singleelement单灾种水灾害要素中的一个水情要素，如洪峰水位或者洪峰流量等。3.3多变量multipleelements单灾种水灾害中的多个水情要素，如一次洪水灾害过程的洪峰水位、洪峰流量、1天洪量、洪水总量等。3.2复合灾害compounddisaster2T/CIXXX—2024在同一区域同一时段内，多个致灾因子在一定条件下遭遇形成的多个极端事件的组合，体现为多个灾种复合的形态。3.3时间序列timeseries某种复合灾害要素特征值随时间而变化的一系列观测值。3.4相关性分析correlationanalysis当一个变量的数值发生变化时，另一个变量的数值也会随之发生相应的变化当一个变量的数值发生变化时，另一个变量的数值也会随之发生相应的变化，这种现象被称为变量间的相关关系。相关性分析是统计学中研究两个或两个以上处于同等地位的随机变量间的相关关系的方法。3.5灾害特征自相关性hydrologicalautocorrelation灾害特征序列在时间上所表现出的特性，如将月径流数据的时间向前推进12个月后与原序列进行相关性分析，会得到自相关系数较大的结果。这种自相关性在数据分析时可能对结果产生影响，因此需要去除。3.6TFPW趋势检验Trend-Free-Pre-Whiteningtrendtest一种用于时间序列数据分析和预测的方法。在检验序列趋势时，通过去趋势处理，实现序列趋势成分和非趋势成分的有效分离，有效降低序列中自相关性对趋势检验结果的影响。3.7变异点changepoint灾害要素序列在时间和空间上的变化点，这些变化点可能是由于气候变化、人类活动、自然灾害等多种因素的影响而产生的。3.8频率分布函数frequencydistributionfunction统计学中用来描述数据的分布特征的函数，将数据按照一定的区间进行分组，然后统计每个区间内数据出现的次数或占比，从而得到一个反应数据分布情况的函数。3.9联合分布函数jointdistributionfunction3T/CIXXX—2024统计学中用于描述多个随机变量之间概率分布关系的函数，它给出了同时考虑所有变量取值时的概率分布情况。3.10Copula函数CopulafunctionCopula函数是描述变量间相关性的函数，是一类通过联合分布函数将变量各自的边缘分布函数连接在一起的函数。3.11最大似然法最大似然法maximumlikelihoodmethod统计学中用于估计函数未知参数的方法，对于函数未知参数的可能取值范围内，选取使参数的自然对数值最大时的参数值作为估计值。3.12正态分布normaldistribution正态分布是一种常用的频率分布形式，其函数曲线呈钟型，两头低，中间高，左右对称。如果随机变量X服从一个数学期望为μ、方差为σ2的正态分布，记为N(μ,σ2)。3.13Shapiro-Wilk检验Shapiro-WilktestShapro-Wilk检验是一种基于相关性的算法，用于检验一组数据是否符合正态分布。3.14正态转换normaltransformation正态转换是将数据分布转换成正态分布的一种数学操作，常见的转化方式有对原始数据进行对数转换、倒数转换、平方根转换。3.15半变异函数semi-variogram也称半变异函数，是地统计学中研究土壤变异性的关键函数。通过给定公式可计算出散点值，可利用不同类型的理论函数对其进行拟合。4区域数据准备4.1复合灾害特征代表站点选择原则所选代表站点在分析区域中应具有反映复合灾害特征的典型性和代表性。应从所选站点与区域在地理位置上的从属关系、所选站点复合灾害特征要素的获取难易4T/CIXXX—2024程度上考量，综合优劣比选确定一个或多个站点作为构建复合灾害特征变异识别典型样本序列的代表站点。选择多个代表站点时，应考虑各站点在分析区域中的空间分布上足够均匀。4.2复合灾害特征要素选择应在所选代表站点可获取的复合灾害数据信息基础上，选择能反映复合灾害基本特性的要素作为复合灾害特征要素。即所选复合灾害特征要素能代表所在区域的复合灾害时空特性，且要素与灾损之间存在明显相关性或物理层面上的因果关系，并能构成历年复合灾害特征时间序列。一般选择复合灾害特征要素的时间间序列。一般选择复合灾害特征要素的时间跨度需有30年及以上。4.3数据预处理4.3.1数据序列的插补延长在进行复合灾害特征变异识别前，应首先对复合灾害特征要素数据资料序列进行合理性检查。对有明显错误或存在监测误差的资料，应予改正。代表站点的实测灾害特征要素序列较短或实测期内有缺测时，应采用不同站点间或不同灾害要素特征值间相关关系较好的同步资料，通过相关分析和参数移植方法插补延长代表站点资料序列。对插补延长的资料，应进行物理成因等多方面的分析论证，检查其合理性。采用相关性方法插补延长资料时，相关线的外延幅度不宜过大。4.3.2去除自相关性在进行复合灾害特征要素序列（待检序列）变异识别时，应处理待检序列的自相关问题，可通过TFPW趋势检验法进行自相关消除。对于待检序列x1,x2,…,xn，步骤如下：Y=Xt-β×t(1)Y,=YY式中，Yt——扣除趋势后的残余序列；,Yt——去除自相关项后的独立白噪声序列；Yt——TFPW处理后得到的新序列；5T/CIXXX—2024β——待检序列的坡度；r——Yt的一阶自相关系数。5区域单灾种水灾害时间变异点识别5.1单变量序列变异点识别5.1.1根据收集的区域水灾害要素特征值，应采用最能反映研究区域水灾害特征的要素作为单变量，以年为时段，构建以该单变量为表征的水灾害特征值的逐年时间序列为单变量，以年为时段，构建以该单变量为表征的水灾害特征值的逐年时间序列。5.1.2应采用两种以上的单变量时间序列变异点识别方法，通过检测区域水灾害特征值序列，对比综合各方法的识别结果以及实际序列的变化过程，确定水灾害序列变异点的形成年份。5.1.3可以采用以下4种常用的单变量变异点识别方法及其变异点判断标准进行变异点识别比较。（1）累积距平法累积距平曲线法是对于给定一个随机序列样本x1,x2,…,xn，计算累积距平序列：si=si-1+(xi-x)(5)式中，si——第i个样本的累积距平值；xi——第i个样本的值； x——随机序列样本的均值。绘制出累积距平序列si的曲线图，曲线的峰值和峰谷出现的时刻则作为最有可能的变异点。（2）有序聚类法有序聚类法为推求序列最优分割点，即为序列最有可能的变异点。对于随机序列样本x1,x2,…,xn，计算离差平方和：式中，Sn——总样本序列离差平方和；f——最优分割点为第f个样本；xi——第i个样本的值； xf——序列第1至第f个样本和的均值；6T/CIXXX—2024 xn-f——序列第f+1至第n个样本和的均值。（3）滑动F识别与检验法滑动F识别与检验法将原始随机样本序列分为变异点f前后两个样本序列即x1,x2,…,xn1和y1,y2,…,yn2，计算：V=n1-1(10)V=n2-1(11)式中，n1——变异点前序列项数；n2——变异点后序列项数；F——F分布计算值；S1——变异点f之前样本序列的方差；S2——变异点f之后样本序列的方差；V1——变异点f之前样本序列的自由度；V2——变异点f之后样本序列的自由度；以V1和V2查附录B的F分布表得出临界值Fα,与计算若F<Fα,则认为f点前后两个样本序列无显著差异，原始序列不存在变异点。若F>Fα,则认为f点前后两个样本序列差异显著，原始序列在f点发生变异。（4）Mann-Kendall检验法Mann-Kendall突变分析法在时间序列随机独立的假设下，在随机序列x1,x2,…,xn的基础上构造秩序列，并定义统计量：7T/CIXXX—2024式中，Sk——第k个样本秩序列的累积数；Ri——样本序列xi大于xj（1≤j≤i）的累积数；E(Sk)——累积数Sk的均值；Var(Sk)——累积数Sk的方差；UFk——正向序列的统计值。按样本序列逆序排序后xn,xn-1,…,x1，再重复上述过程，同时使UBk=-UFk，得到逆向序列的统计值。分析UFk和UBk曲线图，如果两条曲线出现交点，且交点落在显著水平α下的正态分布临界线内，那么交点对应的时刻便是变异开始的时间。5.2多变量序列变异点识别5.2.1单灾种水灾害特征应尽可能以多变量表征，例如以洪峰流量、洪峰水位、洪水总量和洪灾损失4个变量表征一次洪水灾害的特征，变量个数以能够反映灾害基本特征为原则确定。5.2.2以多个变量表征单灾种水灾害特征序列时，历年来的单灾种水灾害多变量序列变异点识别应通过构建多变量联合概率分布，可采用似然比检验法识别其变异点。5.2.3计算多变量中各个单变量的频率频率计算中的计算值序列应分别由多变量中各个单变量的每年特征值组成。在n项连续单个变量序列中，按大小顺序排位的第m项的经验频率pm，可采用数学期望公式计算：式中，n——单变量序列项数；m——单变量序列中的序位；pm——第m项单变量值的经验频率。频率曲线的线型采用单灾种水灾害常用的函数型式，我国目前仍采用P-III型分布。步骤如下：a）采用矩法或其他参数估计法，初步估算统计参数；b）采用适线法调整初步估算的统计参数。调整时，可选定目标函数求解统计参数，也8T/CIXXX—2024可采用经验适线法。当采用经验适线法时，应尽可能拟合全部点据；拟合不好时，可侧重考虑分布较为规律的点据；c）适线调整后的统计参数应根据本站的历史观测数据、设计值变化规律以及上下游、干支流和临近流域各站的成果进行合理性检查，必要时可作适当调整。5.2.4构建单灾种水灾害多变量联合分布单灾种水灾害多变量联合分布可采用Copula函数构建。一个N维联合分布可以被分解为N个边缘分布函数和一个Copula函数，这个Copula函数描述了变量间的相关性。把随机向量把随机向量X1,X2,…,XN的联合分布函数F(x1,x2,…,xN)与各自的边缘分布函数F1(x1),F2(x2),…,FN(xN)相连接，使：F(x1,x2,…,xN)=C[F1(x1),F2(x2),…,FN(xN)](15)构建所选代表站点的联合分布样本序列。步骤如下：a）确定每个变量的边缘分布；b）选择合适的Archimedean型Copula函数，从Gumbel型、Frank型及Clayton型三种函数间选择能表示变量间依赖关系的函数；c）通过最大似然法估计Copula函数参数，计算公式如下：式中，λ——Copula函数的参数；F(x)——变量的边缘分布函数。d）使用估计的参数和选择的Copula函数构建联合分布；e）对构建成的联合分布进行评估和验证，以确保其符合实际数据的特征，通常采用计算赤池信息准则和贝叶斯信息准则的方法，计算公式如下：AIC=2k-2ln(l)(17)BIC=ln(n)k-2ln(l)(18)式中，k——模型的参数个数；l——拟合模型的极大似然值；n——样本数量。5.2.5单灾种水灾害多变量序列变异识别可采用基于Archimedean型Copula函数的似然比9T/CIXXX—2024检验法。假设存在一个变异点f，则原假设H0和对立假设H1分别可以表示为：若拒绝原假设，即f为变异点时刻，可以建立极大似然估计法的Copula对数似然比统计量，计算统计量的最大值f：(λf*;F12iNi2iNi式中，λf——变异点f前样本序列参数的极大似然估计；λf*——变异点f后样本序列参数的极大似然估计；λn——原假设序列参数的极大似然估计。即单灾种水灾害多变量序列的Copula对数似然比统计量的最大值f处为变异点。6区域单灾种水灾害特征空间变异性识别6.1灾害要素空间分布数据集构建针对单灾种水灾害特征空间变异性识别，应按照空间均匀分布的原则选择区域水灾害要素监测站点，收集各监测站点水灾害要素特征值。分析所在区域中所有监测站点的远近距离及其监测值大小，剔除明显不符合整体空间分布特征的站点后，构成水灾害要素特征空间分布数据集。6.2水灾害特征空间变异性识别的主次变量确定应将空间变异性识别的水灾害要素特征值确定为主变量。选择可能对主变量空间分布序列产生影响的其他序列，确定其为次变量候选序列，并与主变量序列两两组合。应对各序列组合进行相关性分析，以确定与主变量序列相关性最显著的为次变量序列。6.3相关性分析对于主变量序列x1,x2,…,xn和次变量序列y1,y2,…,yn，可采用Pearson线性相关系T/CIXXX—2024数ρ、Spearman秩相关系数r、Kendall秩相关系数τ对其进行相关性分析，计算公式如下：式中，x、y——x和y序列的平均值；S2、S2xy——x和y序列的方差；R(xi)、R(yi)——x和y序列的位次；R(x)、R(y)——x和y序列的平均位次。相关系数的计算结果介于-1和1之间：如果两个变量之间的相关系数接近于1，则表明两变量之间的正向相关性很强；如果两个变量之间的相关系数接近于-1，则表明两变量之间的负向相关性很强；如果两个变量之间的相关系数接近于0，则表明两变量之间没有明显的相关性。6.4正态性检验对于主变量序列x1,x2,…,xn和次变量序列y1,y2,…,yn，应通过正态性检验分别判断计算序列是否服从或近似服从正态分布。应避免序列明显不服从正态分布，避免导致后续计算效能下降和计算结果出现明显不合理现象。可采用Shapiro-Wilk（SW）检验分别对主变量与次变量进行正态性检验，对于序列样本x1,x2,…,xn，建立假设：H0：序列样本的总体分布为正态分布H1：序列样本的总体分布不是正态分布构造检验统计量W，计算公式如下：T/CIXXX—2024 式中，x——x和y序列的平均值；n——样本顺序统计量的样本均值；V——样本顺序统计量的协方差矩阵；计算检验统计量计算检验统计量W，查表（见附录D）得出临界值Wα,与计算值比较：若W<Wα,按显著程度α舍弃正态性假设；若W>Wα,接受正态性假设。若所检变量不满足正态分布，则需对其进行转换使转换后的变量满足正态分布，常见的转化方式有对数转换、倒数转换、平方根转换。若变量通过转换后仍然不满足正态分布，则应选择原数据进行后续计算。6.5区间化变量特征检验对拟分析的水灾害要素空间分布序列，当其满足以下方面其中任何一项时，认为其符合区间化变量特征；否则，若以下各项全部不满足，该序列不符合区间化变量特征，不能采用克里金空间插值方法分析序列的空间变异性：a)水灾害特征分布在一个扇形水系流域内b)水灾害特征分布在湖泊水库等连续水体上c)水灾害特征分布在相互贯通的河网区域上d)水灾害特征符合连续率或存在空间关联性6.6水灾害特征空间变异结构分析水灾害特征的空间分布结构采用附录E中克里金空间插值的半变异函数进行分析，给出区域水灾害特征的空间结构变异性——方向性和相关距离。其中变程反映的是在不同方向上水灾害特征空间变化的直接关联性最大空间距离阈值，对应的基台值即最大变异函数值反映的是在不同方向上水灾害特征空间变异性强弱。宜结合区域实际水灾害特征空间分布，分析水灾害特征的空间带状性、梯度和等值线。6.7水灾害特征空间分布插值拟合与统计分析采用附录E中克里金空间插值方法，拟合得到分析区域上水灾害特征的细化空间分布，由此进行水灾害特征空间分布特征统计分析，计算水灾害特征的空间分布均值、模比系数、T/CIXXX—2024均方差，等等，分析水灾害特征的空间分布规律。7区域复合灾害变异识别7.1灾害特征要素确定应根据区域调查收集区域内30年以上历年历次复合灾害事件的驱动因素与灾损量化指标，从历史灾害中总结所在区域的受灾特点，包括灾害的致灾性因子、影响因素、演化过程、灾损程度等，灾害发生位置、河网密度、地貌特性、经济社会指标等当地脆弱性因子。当实测和历史记录数据资料不足时，应通过网络搜索引擎与各类网站数据库当实测和历史记录数据资料不足时，应通过网络搜索引擎与各类网站数据库资料等补充收集所在区域的复合灾害事件及其相关灾害特征。当所确定的灾害特征要素不唯一时，需依据所在区域的具体灾害特性进行分析确定复合灾害特征要素。7.2灾害特征要素的遭遇组合形态应根据历史灾情数据统计区域复合灾害发生的灾害特征遭遇组合形态、时间、次数、灾损严重程度等指标。应对历史灾情指标进行排序并筛选出最常见或最严重的复合灾害多灾害特征遭遇组合作为区域典型的复合灾害遭遇形态。7.3复合灾害变异识别的时间序列区域复合灾害多灾害特征遭遇组合一般由其联合概率来反映。区域复合灾害变异识别的时间序列是区域典型复合灾害遭遇组合形态（例如4个灾害特征遭遇组合）的逐年遭遇组合特征的发生概率时间序列。7.4复合灾害联合概率分布通常应针对区域典型灾害遭遇形态构建复合灾害联合分布模型，优选概率分布模型，确定模型参数。具体采用下列步骤计算。（1）用下列六种分布函数拟合典型灾害遭遇形态中每一类灾害的时间序列的边缘分布。Weibull分布按下式拟合：f(x;λ,k)=),|k-1e-(x/λ)k(28)式中，x——灾害变量的取值；λ——尺度参数；k——形状参数。T/CIXXX—2024Gamma分布按下式拟合：式中，x——灾害变量的取值；Θ——尺度参数；k——形状参数；NormalNormal分布按下式拟合：式中，x——灾害变量的取值；σ——标准差。Lognormal分布按下式拟合：-(31)式中，x——灾害变量的取值;μ——对数均值；σ——对数标准差。Logistic分布按下式拟合：式中，x——灾害变量的取值；s——尺度参数。Poisson分布按下式拟合：式中，k——灾害事件发生的次数；λ——事件的平均发生率。T/CIXXX—2024（2）采用卡方拟合优度检验选取最优的灾害变量的边缘分布函数：式中，χ2——卡方统计量，表示灾害变量观察值与理论值之间的偏差程度；Oi——时间序列第i个实际观察值；Ei——时间序列第i个理论值；k——时间序列的长度。-θ--θ-θ-1θu+v-CopulaCopula函数表达式Generator生成元θGaussianφθ,pφ-1(u),φ-1(v))/)ttθ,p(tk-1(u),tk-1(v))/Claytont-θ-1)/θ（3）构建典型复合灾害形态的联合分布模型。利用CanonicalVineCopula方法将多元灾害变量的最优边缘分布函数联合起来，构建出一个复合灾害的联合依赖结构，以n类复合灾害的联合分布模型建构为例，多维概率密度函数计算公式如下：式中，fk(xk)(k=1,…,n)——边缘密度函数；ci,i+j|1:(i-1)——条件密度函数。常规的参数化Copula函数主要针对二维联合概率，如Gaussian、studentt、Clayton、Gumbel和Frank等。Copula函数的计算按下表1计算。表1Copula函数公式T/CIXXX—2024Frank-1θIn(1+(e-θu-1)(e-θv-1))-In(e-θeθt-1)-In(eθ(-∞,+∞)Gumbel(Int)θJoe-t)θ（4）可采用以下拟合优度检验方法来优选典型灾害形态的联合（4）可采用以下拟合优度检验方法来优选典型灾害形态的联合分布模型：对数似然表示为log-lik（log-likelihood）、赤池信息准则表示为AIC（AkaikeInformationCriterion）、贝叶斯信息准则表示为BIC（BayesianInformationCriterionECP是基于经验联结过程的拟合优度检验；Breymann是基于概率积分变换（PIT）和单变量数据聚合的拟合优度检验；WPBIAS为改进的考虑权重的PBIAS参数（WeightPercentBias,WPBIAS）。各检验方法具体计算公式如下。1）对数似然log-lik采用下列公式计算：:log-lik=logf(36)式中，n——灾害时间序列长度；xi——第i个观测值；f——复合灾害联合分布模型；Θ——复合灾害联合分布模型的参数2）AIC采用下列公式计算：AIC=-2.log-lik+2k(37)式中，k——对于一个参数Copula,log-lik——对数似然。3）BIC采用下列公式计算：BIC=-2log-lik+k.log(n)式中，k——对于一个参数Copula,n——时间序列的长度。则k=1，对于两个参数Copula,则k=2；则k=1，对于两个参数Copula,则k=2；4）Breymann采用下列公式计算：Breymann测试基于多变量概率积分变换(PIT)。通过T/CIXXX—2024不同的聚合函数Γ(·)将多元数据yi转化为单变量数据：5）经验联结过程(ECP)采用下列公式计算：obs式中，Cobs——观测数据的经验联结函数；CsimCsim——复合灾害联合分布函数的经验联结函数；u，v——样本，观测值或模拟值。6）PBIAS和改进的考虑权重的PBIAS参数（WPBIAS）采用下列公式计算：式中，Yi——第i个变量的连续序列；Yobs——为观测值；Ysim——模拟值。式中，un——第n个水文灾害变量的连续序列；uobs——观测值；usim——模拟值；Wn——第n个水文灾害变量的权重，由主成分分析法求出变量的贡献率确定。权重的计算公式如下：W=Corr(Xi,Zj)(43)式中，X——灾害的时间序列；Z——主成分；i,j——样本的个数。W++W=100%T/CIXXX—2024应选择以上拟合优度检验方法中的5种方法同时比选优选复合灾害遭遇组合的联合分布模型，如若Breymann法、ECP方法中计算得到的p值大于显著性水平α(α=0.05则表示在95%显著水平下不能拒绝拟合的概率分布函数，表示可信；为进一步地优选出最优复合灾害遭遇组合概率分布模型，应选择最大的log-lik值，最小的AIC、BIC的值，以及最小的WPBIAS值对应的复合灾害遭遇组合概率的联合分布模型。7.5复合灾害发生概率或重现期计算针对历史逐年份典型形态复合灾害事件组合特征，根据典型形态复合灾害组合特征的联合分布模型和肯德尔联合累积分布函数，计算典型形态复合灾害逐年份组合特征的发生概率合分布模型和肯德尔联合累积分布函数，计算典型形态复合灾害逐年份组合特征的发生概率或重现期。采用复合灾害联合分布模型和肯德尔分布得到各年份复合灾害事件发生概率具体计算步骤如下：（1）根据公式(35)求解n变量复合灾害遭遇的联合累积分布概率值P。以4类复合灾害的联合分布模型建构为例，制定4个灾害遭遇这个典型形态复合灾害的联合累积分布函数值P计算公式：PU1,U2,U3,U4(U1,U2,U3,U4)(44)式中，1~4——表示4个不同的灾害变量；U——灾害变量的边缘分布；C——Copula函数。（2）利用肯德尔联合累积分布函数将多维联合累积分布函数转换为一维的经验分布函式中，P——多维联合累积分布函数；d——灾害变量的数量；q——常数。（3）按下式计算逐年典型形态复合灾害的联合重现期T：式中，Kc——肯德尔联合累积分布函数。通过以上步骤，可以基于典型形态复合灾害遭遇组合的历史数据和构建的联合概率分布T/CIXXX—2024模型，对典型形态复合灾害事件的发生概率或重现期进行计算和分析。7.6复合灾害发生概率时间序列构建由历史各年份典型形态复合灾害事件组合特征，由7.5条的方法逐年计算各年份该典型形态复合灾害事件组合特征的发生概率，构建复合灾害组合特征发生概率时间序列。7.7复合灾害特征时间变异点识别根据复合灾害组合特征逐年发生概率构成时间序列，采用第5条区域单灾种时间变异点识别方法进行复合灾害组合特征发生概率时间序列的变异点识别。应结合区域的实际复合灾害发生概率与危险性，分析变异点的成因与对复合灾害事件的应结合区域的实际复合灾害发生概率与危险性，分析变异点的成因与对复合灾害事件的影响。T/CIXXX—2024大湾区复合灾变特征变异识别规程条文说明针对气候变化和人类活动持续作用下，区域复合灾害特征在时间和空间尺度上发生的分布特性异变，本标准提供了一套水灾害单灾种和多灾害特征遭遇组合复合灾害的变异性识别方法，可作为水利及其相关行业进行区域性复合水灾害特征调查、评估与应急管理的技术支2术语和定义2.1灾害特征要素是导致灾害发生的各种诱因和承受灾害的各种客体的统称。对于一次区域性灾害事件，可通过收集历史资料记录、灾害新闻报道以及当地部门规定以确定特征要素的选取。2.2复合灾害指比单独发生的单个灾害更严重的多重连续灾害，国际上将其定义为几个致灾因子在一定条件下的叠加作用，是一种依赖于多个统计变量的极端事件。2.3实测的水文数据序列通常表现出显著的自相关性，这种特性破坏了研究序列的独立性假设，在进行数据分析时可能对分析结果产生影响，通常需要从原始序列中去除自相关性。2.4TFPW趋势检验提出的自相关移除方法将Mann-Kendall和Pettitt试验相结合，将序列趋势成分和非趋势成分分离，降低序列中自相关性对趋势检验结果的影响。2.5在全球气候变化与人类活动的双重影响下，实测水文序列常表现出显著的非一致性，这一现象表现为水文序列的统计规律在某一变异点前后的显著变化，其变化主要表现为序列特征如均值，参数等的显著变化。2.6根据《水利水电工程设计洪水计算规范》（SL44-2006）规定，水文序列进行频率分析以及特征计算时，采用频率曲线对数据序列进行拟合。拟合包括对曲线线型的选择以及估算频率曲线的统计参数，在通过对结果的合理性检查后，采用拟合的结果对原始数据序列进行描述。2.7针对近年来复合灾害事件的增多，单变量频率分析难以全面了解水文特性的变化过程，因此提出构建联合分布，以多变量频率分析的方式描述复合灾害的特征，且进行多变量频率分析需考虑到不同表征变量间的相关关系。T/CIXXX—20243区域数据准备3.1选择区域研究站点时需确保站点在分析区域中的典型性与代表性。考虑在所选研究区域中，各站点的空间分布关联性，确保代表站点的位置分布足够均匀且能最大程度覆盖研究区域，如河道区域需同时具有上中下游各处的站点数据。同时避免站点分布过于密集，以减少站点间数据相关性对分析结果带来的影响，如同一流域存在相距较近的两个或以上站点，从数据完整性以及典型性上选择更为合适的站点进行研究。3.23.2灾害特征要素的选择需具有代表性以及合理性，能够最大程度描述区域复合灾害的时空分布特征。一般可从记录中的历史灾害资料以及当地防灾减灾部门对灾害的规定以确定灾害特征要素，并确定各灾害要素间的表征变量、物理成因上的因果关系。同时需确保各灾害特征要素具有30年以上的时间跨度，以保证研究分析的精准以及合理性。3.2.1根据《水利水电工程水文计算规范》（SL/T278-2020）规定，对于构成灾害特征要素的实测水文序列，若存在序列较短或实测期内缺测的情况，需采用合理方法进行序列的插补延长。对于流域水文资料，当上、下游或临近流域测站有较长实测资料，且与设计依据站同步资料相关关系较好时，可根据插补延长设计依据站资料序列。对于实测降雨量数据，若设计依据站与临近站距离较近，地形差别不大时，可直接用邻近站降雨资料代替。采用相关法插补延长水文序列资料时，相关线的外延幅度不宜过大。对插补延长的水文序列资料，应进行多方面的分析论证，检查其合理性。3.2.2复合灾害特征要素序列（待检序列）若存在自相关性，一方面影响要素对复合灾害特征的准确表征，另一方面一定程度上掩盖待检序列演变的异变特征，进而影响对待检序列变异性识别的可靠性。因此应消除待检序列的自相关性。4区域单灾种水灾害时间变异点识别4.1单变量序列变异点识别4.1.1对于收集到的不同复合灾害特征要素，选取最可能反映研究区域水灾害特征的要素作为单变量进行分析。对于所选的数据，按时间排序构成以年为单位的时间序列，同时去除序列自相关性，以进行后续的单变量变异点识别。4.1.2为了更全面准确识别灾害特征时间序列的变异特性，避免单一方法识别的时间变异点T/CIXXX—2024偏颇，应采用多种时间序列变异识别方法，并对各种方法识别结果进行对比，结合实际序列统计特征，判定单灾种水灾害序列时间变异特性。4.1.3当前水文系统中单变量序列的变异点识别方法较多，且各具有不同的适用条件与优缺点，考虑采用多种方法对研究数据进行单变量变异识别，通过综合各个方法的识别结果以及结合实际情况分析，确定变异点的具体年份以及可能成因。本规程给出了常用的4中检测方法计算过程以及其变异点判断准则，据此对序列变异点进行比较识别。4.1.4累积距平曲线法检测范围大，定量化程度高，是对水文序列的距平值累积进行判断变异点的一种方法。累计距平曲线的峰值和谷值出现的时刻为序列最有可能的变异点。异点的一种方法。累计距平曲线的峰值和谷值出现的时刻为序列最有可能的变异点。4.1.5有序聚类推求法对均值变异序列的识别能力较强，对于最可能变异点，其实质是寻找序列的最有分割点。4.1.6滑动F识别与检验法将原始序列分为变异点前后两个样本序列，通过对样本的均值和方差进行处理可得到基于序列自由度的计算临界值，基于临界值判断序列变异点的位置。4.1.7Mann-Kendall突变分析在随机序列的基础上构造秩序列，在时间序列随机独立的假设下定义序列正向以及反向的两个统计量值，其正反两条曲线在显著水平上下界内的交点则为序列的最可能变异点。4.2多变量序列变异点识别4.2.1单灾种水灾害的多变量序列变异点应统计尽可能多的灾害特征要素，并确保各要素间不为互相独立状态，以最大程度描述灾害实际特征。4.2.3进行频率计算时选择合适分布函数，可从相关研究中的频率分布适线线型进行参考，或计算检验统计量进行多个分布线型的优选。4.2.4构建联合分布的Archimedean型Copula函数，选择合适的函数分布形式，通过计算检验统计量进行分布函数的优选。Archimedean型Copula函数描述了构建联合分布的变量间的依赖关系。4.2.5根据似然比的检验方法，基于变异点存在假设计算序列的Copula对数似然比统计量，其统计量最大值处即为序列的最可能变异点，反映了构成联合分布的变量间的依赖关系在变异点前后发生明显变化。5区域单灾种水灾害特征空间变异性识别5.1进行单灾种水灾害特征的空间变异性识别，应基于空间一致性、代表性和可靠性原则，构建水灾害要素空间分布数据集。空间数据一致性意味着空间上各监测站点具有统一的基面T/CIXXX—2024高程、统一的数据计量标准和统一的数据采样方法；代表性意味着空间上各监测站点在不同时间监测的特征值能反映该特征的总体时空分布特性并涵盖其极大极小值，可靠性意味着空间上各监测站点对特征数据的监测应符合监测特征的物理原理和成因机制。5.2进行水灾害特征的空间变异性识别，需明确水灾害要素特征值的主变量与次变量。对于研究区域选择最能表现水灾害实际灾害过程的要素序列为主变量，且确保主变量序列的典型性与完整性。查阅资料及文献以确定与主变量序列具有响应关系的其他序列作为候选变量，以相关性分析的方法确定综合相关性最强的候选序列为次变量序列。分析的方法确定综合相关性最强的候选序列为次变量序列。5.3将主变量序列与其它可能影响主变量的候选序列两两组合，使用Spearman与Kendall相关系数对其进行相关性分析，通过计算得到的显著性结果p值来确定相关性是否显著，当p<0.05，即表示通过了95%的显著性检验。选择相关性高且结果显著的一组作为研究样本，即确定好研究序列的主变量与次变量。5.4对序列进行正态性检验，可使空间插值的结果更加准确。若所检序列不满足正态分布，则需对其进行转换使转换后的变量满足正态分布。常见的转化方式有对数转换、倒数转换、平方根转换等。若序列通过转换后仍然不满足正态分布，则应选择原数据进行后续计算。5.5采用基于区域化变量理论的克里金半变异函数分析水灾害特征的空间变异性，应对水灾害特征进行区间化变量特征检验，通常具有连续率或存在空间关联性的水灾害特征符合区域化变量特征。5.6水灾害特征的空间变异性分析主要揭示区域水灾害特征在空间上的分布结构，包括水灾害特征的空间带状性、方向性、相关距离、梯度、等值线等。5.7水灾害特征的空间变异性分析还应通过克里金空间插值插补缺测数据，拟合区域水灾害特征的空间分布，通过计算不同时段水灾害特征空间分布的统计特征如均值、空间模比系数、空间均方差等，揭示不同时段水灾害特征的空间分布规律。6区域复合灾害变异识别6.1灾害特征要素确定区域复合灾害是由多灾害特征要素反映的，复合灾害区别于单灾种灾害的本质是多灾害特征的“多碰头”遭遇组合。应确定具有可靠性、代表性，具有足够时间序列长度，能反映复合灾害多灾害特征遭遇组合形态特性的因素作为复合灾害特征要素。6.2灾害特征要素的遭遇组合形态T/CIXXX—2024复合灾害有各种不同的灾害特征遭遇组合，体现出不同的复合灾害形态。应分析区域历年来不同灾害特征“多碰头”遭遇组合形态，选择其中发生频次高、灾害损失严重的多灾害特征遭遇组合作为区域典型复合灾害遭遇组合形态。6.3复合灾害变异识别的时间序列复合灾害多灾害特征遭遇组合的量化表征与单灾种单个特征值不同，多灾害特征“多碰头”遭遇组合的恰当量化表征是其联合概率或重现期。区域多灾害特征遭遇组合的复合灾害，其变异性识别的时间序列可由该复合灾害多灾害特征遭遇组合逐年发生概率（联合概率）或重现期的时间序列来反映。重现期的时间序列来反映。6.4复合灾害联合概率分布模型复合灾害多灾害特征遭遇组合的联合概率分布模型通过多个分布模型采用多种拟合优度检验方法优化得到。可采用Weibull分布、Gamma分布、Normal分布、Lognormal分布、Logistic分布、Poisson分布等六种分布函数拟合典型复合灾害遭遇形态中每一个灾害特征的时间序列的边缘分布；采用卡方拟合优度检验选取最优的灾害特征的边缘分布函数；采用CanonicalVineCopula方法将多元灾害变量的最优边缘分布函数联合起来，构建出一个复合灾害的联合依赖结构，得到多维概率密度函数计算公式；采用参数化Copula函数构建并由对数似然log-lik、赤池信息准则AIC、贝叶斯信息准则BIC、基于经验联结过程的ECP、基于概率积分变换（PIT）和单变量数据聚合的Breymann、考虑权重PBIAS参数的WPBIAS等多种拟合优度检验方法，优选典型复合灾害形态的联合分布模型。6.5复合灾害发生概率或重现期计算由典型形态复合灾害组合特征的联合概率分布模型，求解多灾害特征变量复合灾害遭遇组合的联合累积分布概率函数；利用肯德尔联合累积分布函数将多维联合累积分布函数转换为一维的经验分布函数，由此计算典型形态复合灾害逐年多灾害特征遭遇组合的发生概率或重现期。6.6复合灾害发生概率时间序列构建历史各年份典型形态复合灾害多灾害特征遭遇组合概率或重现期，构成了复合灾害组合特征发生概率的年时间序列。6.7复合灾害特征时间变异点识别针对构建的复合灾害组合特征逐年发生概率或重现期的时间序列，采用一般单因子时间序列变异性识别方法，识别出复合灾害组合特征的时间变异点，可分析复合灾害的变异统计特性。T/CIXXX—2024附录A单灾种水灾害时间变异点识别程序框图单灾种水灾害时间变异点识别程序框图见图A.1。图A.1单灾种水灾害时间变异点识别程序框图T/CIXXX—2024∞V2V123340601161199.523436.838.940.541.943.945.948.01.94.89.85.81.79.74.7.66.6430.249.1250.1251.1252.2253.3254.328.1919.1619.2519.319.3319.3519.3719.3819.419.4119.4319.4519.4519.4619.4719.4819.4919.530.9.559.28.128.628.598.578.558.534666666665555555555T/CIXXX—20241.94.59.39.26.16.09.04.96.91.86.77.75.72.69.66.63515.795.415.195.054.954.884.824.774.744.684.624.564.5344.464.4344.36695.144.764.534.394.284.214.1544.0643.943.873.843.813.773.7433.67794.744.354.123.973.873.793.733.683.643.573.513.443.413.383.3433.273.23824.464.073.843.693.5833.443.393.353.283.223.153.123.083.043.012.972.93924.263.863.633.483.373.293.233.183.143.073.012.9422.862.832.792.752.711433333332222222222T/CIXXX—202406.71.48.33.22.14.07.02.98.91.85.77.74.66.62.58.54133333222222222222225.89.49.26.11.91.85.75.69.62.54.51.47.43.38.34133322222222222222254.68.29.06.79.71.64.59.54.48.33.29.25.16.11.07233222222222222111105.49.87.71.51.45.39.35.28.12.08.04.99.95.84233222222222211111146.01.78.62.51.42.36.25.18.11.03.98.94.89.84.79.73332222222222111111107.32.92.69.53.42.33.27.21.16.09.01.93.89.84.79.74.68.62403.232.842.612.452.342.252.182.122.0821.921.841.791.741.691.641.581.51T/CIXXX—20248603.152.762.532.372.252.1722.041.991.921.841.7511.651.591.531.471.3913222222111111111112.07.68.45.29.17.09.02.96.91.83.75.66.61.55.43.35.254322.372.2122.011.941.881.831.751.671.571.521.461.391.321.221T/CIXXX—2024单灾种水灾害空间变异点识别程序框图单灾种水灾害空间变异点识别程序框图见图C.1。图C.1单灾种水灾害空间变异点识别程序框图T/CIXXX—2024W检验统计量W的α分位数Wαnα0.010.050.10nα0.010.050.10330.7570.7690.782627281460.890.890.890340.920.920.923560.930.930.93470.6880.7420.792980.8960.9270.93560.6820.7660.803000.9070.9290.94630.7180.7860.823120.9090.9200.94700.7330.8080.833240.9000.9310.94890.7480.8110.853360.9010.9320.94940.7690.8290.853480.9030.9330.9410111120.780.790.80200.840.850.85960.860.870.8835363020.910.910.91450.930.930.93450.940.940.94T/CIXXX—20242593746610.810