{
  "id": "return-period",
  "title": "重现期",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "重现期是在概率模型下特定事件发生的平均时间间隔，常用于描述洪水、降雨及其他极端事件。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "重现周期",
    "再现期"
  ],
  "generated_at": "2026-11-06",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/return-period/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/return-period/",
      "json": "https://aiwiki.page/en/return-period.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "重现期是在给定统计模型下，由特定阈值界定的事件相邻两次发生之间的平均时间间隔。它常用于水文学、气象学和工程领域，将事件的概率或发生率转换为时间间隔。例如，按照通常以年度概率为基础的定义，重现期为100年的洪水，其量级在任意一年被超过的概率为1%。这并不意味着这种洪水每隔一个世纪定期发生一次，也不意味着它发生后，下一年就不会再发生量级相当的洪水。"
    },
    {
      "heading": "定义与年超越概率",
      "text": "设 \\(M\\) 为某个观测量在一年内的最大值，例如河流的年最大流量。其累积分布函数为\n\n\\[F(x)=P(M\\leq x).\\]\n\n阈值 \\(x\\) 的年超越概率为\n\n\\[p(x)=P(M>x)=1-F(x).\\]\n\n相应的重现期以年为单位，通常定义为\n\n\\[T(x)=\\frac{1}{p(x)}=\\frac{1}{1-F(x)}.\\]\n\n因此，年超越概率为0.02对应50年重现期，概率为0.002则对应500年重现期。\n\n上述表达式采用严格超越的定义，即 \\(M>x\\)。对于连续概率分布，超过阈值与达到或超过阈值之间的差别所对应的概率为零。对于离散观测值或经过舍入的观测值，采用哪一种约定可能会影响结果。\n\n相应的重现水平 \\(x_T\\) 是给定重现期所对应的量值：\n\n\\[x_T=F^{-1}\\left(1-\\frac{1}{T}\\right).\\]\n\n这里，\\(F^{-1}\\) 表示分位数函数。因此，重现期和重现水平回答的是不同的问题：前者描述某一给定量值有多罕见，后者则给出某一给定频率所对应的量值。\n\n必须始终说明所用的基准时间间隔。如果概率针对的是相互独立的月度时段，而不是年度时段，那么概率倒数的单位就是月，而不是年。"
    },
    {
      "heading": "等待时间与重复发生",
      "text": "当各年的超越事件相互独立，且具有相同的发生概率 \\(p\\) 时，将重现期解释为平均等待时间尤为直观。若 \\(W\\) 表示距离下一次超越所需的年数，则\n\n\\[P(W=k)=(1-p)^{k-1}p, \\qquad k=1,2,\\ldots.\\]\n\n这是一个几何分布，其期望值为\n\n\\[E[W]=\\frac{1}{p}=T.\\]\n\n其方差为\n\n\\[\\operatorname{Var}(W)=\\frac{1-p}{p^2}.\\]\n\n因此，对于罕见事件，等待时间相对于均值的离散程度很大。重现期并不是事件发生的时间表，也不是对下一次发生时间的预测。\n\n在同样的假设下，\\(n\\) 年内至少发生一次超越的概率为\n\n\\[P(\\text{at least one exceedance})=1-(1-p)^n =1-\\left(1-\\frac{1}{T}\\right)^n.\\]\n\n对于百年一遇事件，该概率约为：\n\n暴露年限 | 至少发生一次超越的概率\n10年 | 9.6%\n30年 | 26.0%\n50年 | 39.5%\n100年 | 63.4%\n\n尤其需要注意，100年重现期并不意味着100年内必然发生一次超越。\n\n如果各年的事件具有统计独立性，今年发生超越并不会改变明年的发生概率。对于存在持续性、聚集性或条件变化的系统，这一结论可能不成立。即使各年的边际超越概率仍为 \\(p\\)，相依关系也会改变等待时间分布及多年内的发生概率。此时仍可采用概率倒数的定义，但这一定义本身并不能确定上述分布。"
    },
    {
      "heading": "年最大值与基于事件发生率的定义",
      "text": "在极端事件分析中，有两种尤为重要的采样方法。\n\n年最大值\n\n年最大值序列只保留每年最大的观测值。其分布描述的是该年的最大值是否超过阈值，而不考虑当年有多少次独立事件超过了该阈值。\n\n这种方法给出如下直接关系：\n\n\\[T=\\frac{1}{P(M>x)}.\\]\n\n它广泛用于洪水流量、指定历时的降水总量、风速及其他环境变量。\n\n超阈值峰值\n\n超阈值峰值分析保留超过某一足够高阈值的事件。一年内可能发生多次此类事件。通常会将同一次物理过程中的观测值归为一组，使最终保留的峰值代表相互分离的事件。\n\n如果符合条件的事件长期平均每年发生 \\(\\lambda\\) 次，则相邻事件之间的平均时间间隔为\n\n\\[T_{\\mathrm{event}}=\\frac{1}{\\lambda}.\\]\n\n这种基于事件发生率的定义，与年超越概率的倒数并不完全相同。如果事件的到达遵循齐次泊松过程，则一年内的事件次数服从泊松分布，并且有\n\n\\[P(\\text{at least one event in a year})=1-e^{-\\lambda}.\\]\n\n因此，\n\n\\[T_{\\mathrm{annual}}=\\frac{1}{1-e^{-\\lambda}}, \\qquad T_{\\mathrm{event}}=\\frac{1}{\\lambda}.\\]\n\n对于罕见事件，即 \\(\\lambda\\) 很小时，两者近似相等；但对于频繁发生的事件，两者可能相差很大。在泊松模型下，事件之间的等待时间服从指数分布。\n\n比较基于年最大值的结果与基于一年内多次事件的结果时，区分这些约定十分重要。"
    },
    {
      "heading": "统计估计",
      "text": "重现期通常根据观测资料估计，而非精确已知。其可靠性取决于记录长度、数据质量、采样方案，以及对分布尾部行为的假设。\n\n经验估计\n\n将年最大值从大到小排序后，一种常见的绘图位置公式为\n\n\\[\\widehat{T}_m=\\frac{N+1}{m},\\]\n\n其中，\\(N\\) 为观测年数，\\(m\\) 为从大到小排列的序号。因此，最大的观测值在图上所对应的重现期约为 \\(N+1\\) 年。\n\n绘图位置是展示经验频率的一种约定，并不能证明记录中最大事件的真实重现期就是该值。其他公式会采用不同的秩次调整方式。对于罕见程度远超记录时长所能涵盖的事件，短期记录几乎无法提供直接信息。\n\n极值模型\n\n极值理论为分布尾部提供了建模方法。两种常见方法是：\n\n- **分块最大值法：**对年最大值或其他分块最大值拟合广义极值分布。\n- **超阈值法：**对超过某一高阈值的超出量拟合广义帕累托分布，并结合其发生率模型。\n\n对于广义极值模型，累积分布函数为\n\n\\[F(x)= \\exp\\left[ -\\left(1+\\xi\\frac{x-\\mu}{\\sigma}\\right)^{-1/\\xi} \\right],\\]\n\n其定义域为 \\(1+\\xi(x-\\mu)/\\sigma>0\\)，其中 \\(\\mu\\) 为位置参数，\\(\\sigma>0\\) 为尺度参数，\\(\\xi\\) 为形状参数。情形 \\(\\xi=0\\) 由连续极限定义。形状参数决定了尾部行为，因此会显著影响外推得到的重现水平。\n\n参数可采用最大似然估计、L矩法或贝叶斯推断进行估计。区域分析可以综合被认为具有足够可比性的多个站点的信息。\n\n不确定性\n\n应当区分估计得到的重现期或重现水平与未知的真实值。置信区间、自助采样方法和贝叶斯不确定性评估，可以描述估计不确定性的不同方面。\n\n长重现期的估计往往具有特别大的不确定性，因为估计结果高度依赖少数极端观测值以及有关尾部的假设。可以根据远短于1000年的记录估计千年一遇的重现水平，但这一结果属于外推，并不是对千年周期的直接观测。测量误差、观测缺失、历史证据和模型选择都可能影响估计结果。"
    },
    {
      "heading": "平稳性与条件变化",
      "text": "通常的解释假定相关概率分布随时间保持稳定。这是一种平稳性假设。气候变化、土地利用变化、河流调控或海岸条件变化，都可能使这一假设不再成立。\n\n在非平稳模型中，年超越概率可能逐年变化：\n\n\\[p_t=P(M_t>x).\\]\n\n如果各年的结果相互独立，但概率不同，那么 \\(n\\) 年内至少发生一次超越的概率变为\n\n\\[1-\\prod_{t=1}^{n}(1-p_t).\\]\n\n可以将 \\(1/p_t\\) 报告为特定时点的重现期，但它通常不等于从第 \\(t\\) 年起的期望等待时间，因为未来的概率可能发生变化。在发生率为 \\(\\lambda(s)\\) 的连续时间非齐次泊松模型下，从时刻 \\(t_0\\) 到 \\(t_1\\) 之间没有事件发生的概率为\n\n\\[\\exp\\left[-\\int_{t_0}^{t_1}\\lambda(s)\\,ds\\right].\\]\n\n因此，非平稳分析可以报告随时间变化的超越概率、重现水平，或指定服役年限内的超越概率，而不是单一且固定的重现期。"
    },
    {
      "heading": "应用与解释的局限",
      "text": "重现期用于基础设施的设计与评估，包括排水系统、桥梁、防洪设施和海岸工程结构。它也用于描述极端降雨、风、海浪、高温和干旱。对于低流量或干旱变量，所关注的极端情况可能是下尾事件，或随时间累积的亏缺量，而不是年最大值。\n\n只有对事件作出精确定义，重现期才有意义。降雨事件需要明确历时、地点或空间平均区域，以及量值。一小时的“百年一遇降雨”不能与一天的“百年一遇降雨”等同。同样，降雨的重现期也不会自动等于由其引发的洪水的重现期：径流还取决于前期湿润状况、流域、蓄水状况，以及暴雨的时空分布。\n\n重现期描述的是事件频率，而不是后果。重现期相同的事件，可能因暴露程度、脆弱性和防护措施不同而造成截然不同的损失。它也不能直接给出结构失效的概率，因为失效取决于荷载与抗力如何相互作用。\n\n对于河流高流量与风暴潮同时发生等复合事件，如果没有明确的事件定义，就不存在唯一的多变量重现期。同时超过两个阈值、超过其中任一阈值，以及超过某一指定的综合影响水平，都是不同的事件，具有不同的概率。这些计算取决于相关变量的联合概率分布。"
    }
  ],
  "links": [
    "probability",
    "cumulative-distribution-function",
    "probability-distribution",
    "quantile",
    "expected-value",
    "variance",
    "statistical-independence",
    "poisson-process",
    "poisson-distribution",
    "exponential-distribution",
    "maximum-likelihood-estimation",
    "bayesian-inference",
    "confidence-interval",
    "bootstrap-sampling",
    "stationary-process",
    "climate-change",
    "infrastructure",
    "drainage-basin",
    "joint-probability-distribution"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}