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。
定义与年超越概率
设 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
阈值 的年超越概率为
相应的重现期以年为单位,通常定义为
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。
上述表达式采用严格超越的定义,即 。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。
相应的重现水平 是给定重现期所对应的量值:
这里, 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。
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。
等待时间与重复发生
当各年的超越事件相互独立,且具有相同的发生概率 时,将重现期解释为平均等待时间尤为直观。若 表示距离下一次超越所需的年数,则
这是一个几何分布,其期望值为
其方差为
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。
在同样的假设下, 年内至少发生一次超越的概率为
对于百年一遇事件,该概率约为:
| 暴露年限 | 至少发生一次超越的概率 |
|---|---|
| 10年 | 9.6% |
| 30年 | 26.0% |
| 50年 | 39.5% |
| 100年 | 63.4% |
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。
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 ,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。
年最大值与基于事件发生率的定义
在极端事件分析中,有两种尤为重要的采样方法。
年最大值
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。
这种方法给出如下直接关系:
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。
超阈值峰值
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。
如果符合条件的事件长期平均每年发生 次,则相邻事件之间的平均时间间隔为
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
因此,
对于罕见事件,即 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。
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。
统计估计
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。
经验估计
将年最大值从大到小排序后,一种常见的绘图位置公式为
其中, 为观测年数, 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 年。
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。
极值模型
极值理论为分布尾部提供了建模方法。两种常见方法是:
- **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。
- **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。
对于广义极值模型,累积分布函数为
其定义域为 ,其中 为位置参数, 为尺度参数, 为形状参数。情形 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。
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。
不确定性
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。
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。
平稳性与条件变化
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。
在非平稳模型中,年超越概率可能逐年变化:
如果各年的结果相互独立,但概率不同,那么 年内至少发生一次超越的概率变为
可以将 报告为特定时点的重现期,但它通常不等于从第 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 的连续时间非齐次泊松模型下,从时刻 到 之间没有事件发生的概率为
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。
应用与解释的局限
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。
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。
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。
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。