拓端tecdat|R语言POT超阈值模型在洪水风险频率分析中的应用研究
原文链接:http://tecdat.cn/?p=15301
结合POT模型的洪水风险评估能够从有限的实测资料中获取更多的洪水风险信息,得到更贴近事实的风险评估结果,能为决策者提供更多的依据,从而使决策结果更加可靠实用。
对于这些同样面临挑战的人,我希望这个博客将有助于简化工作。
案例POT序列在47年的记录期内提供了高于74 m 3 / s 阈值的47个峰值。
我们的目标是将概率模型拟合到这些数据并估算洪水分位数。
我从获取了每次洪水的日期,并将其包含在文件中。有趣的是,最早的洪水流量是1943年,而最后一次是1985年,是43年的记录,而不是47年。这是因为1939年至1943年的洪水都小于74 m 3 / s的阈值。
首先计算这些数据点的绘制位置。
- T给定排放超标之间的平均间隔(年)
- R是POT系列中的流量等级(最大流量是等级1)
- n是数据的年数。
请注意,这是记录的年数,而不是峰值数。
同样,重要的是要认识到,方程式1对POT系列的作用与年度系列不同。让我们看一个显示这种差异的示例。考虑以下情况:我们根据47年的数据分析了POT系列的94个峰。在这种情况下,最小的峰的等级为94。重复间隔为:
这大约是半年或6个月,这似乎是合理的(47年中有94个高峰,因此平均每年有2个高峰,平均相隔约6个月)。
将绘图位置解释为年度超出概率将得出以下结果:
也就是说,概率大于1,这没有意义。因此,我们不能使用绘图位置公式来计算阈值峰值序列中的数据的AEP。取而代之的是,方程式1的逆可以解释为EY,即每年的预期超出次数。
ARR示例将指数分布拟合为概率模型。
为了计算L2,我们使用QJ Wang(Wang,1996)的公式
L2 <- function(q){q <- sort(q)n <- length(q)0.5*(1/choose(n,2))*sum((0:(n-1) - (n-1):0)*q)
}
- qi从最小到最大的顺序是流量(POT)
- n是流的数量
L2 = 79.12
指数分布的参数可以用L矩表示。我们使用的是广义帕累托(GP)公式。
对于指数分布:
这些参数估计值的置信区间可以使用bootstrapping计算得出。
Beta的95%置信区间是(37.4,89.4)和(120.6,244.7)。参数之间的相关性约为-0.5。参数的不确定性如图1所示。
param_errors_df %>% ggplot(aes(x = V1, y = V2)) +geom_point(size = 0.1) +scale_x_continuous(name = 'beta') +scale_y_continuous(name = bquote('q'['*'])) +stat_ellipse(colour = 'red') + # 95% 置信区间theme_gray(base_size = 7)
图1:参数的不确定性。椭圆显示置信限度为95%
指数分布将超出概率与流的大小相关。在这种情况下,在任何POT事件中,峰值流量超过某个值的概率为:
这是针对超额概率的。在水文学中,我们通常使用超出概率(洪水大于特定值的概率),因此所需方程式为一个减去所示方程式。
通过将每年超过阈值的洪峰平均数乘以POT概率,我们可以将POT概率转换为每年的预期超标次数。
74 m 3 / s阈值,POT系列中有47个值,并且有47年的数据,因此每年的平均峰值数为1。因此,EY可以表示为:
其中,q是每年POT洪水的平均数量,
w也可以与EY以下内容相关 :
我们还可以EY通过以下公式与年度超出概率相关:
因此,通过以下等式,洪水幅度可以与AEP相关,而AEP可以与洪水幅度相关。
这些方程式可用于估计标准EY值的分位数。使用bootstrap自举法估计了置信区间(95%)(表1)。
res
EY | AEP | AEP (1 IN X) | ARI | Q | LWR | UPR |
---|---|---|---|---|---|---|
1.00 | 0.63 | 1.6 | 1.0 | 68 | 39 | 90 |
0.69 | 0.50 | 2.0 | 1.4 | 127 | 106 | 150 |
0.50 | 0.39 | 2.5 | 2.0 | 178 | 151 | 215 |
0.22 | 0.20 | 5.1 | 4.5 | 308 | 253 | 404 |
0.20 | 0.18 | 5.5 | 5.0 | 323 | 267 | 427 |
0.11 | 0.10 | 9.6 | 9.1 | 417 | 335 | 565 |
0.05 | 0.05 | 20.5 | 20.0 | 542 | 434 | 754 |
0.02 | 0.02 | 50.5 | 50.0 | 687 | 548 | 965 |
0.01 | 0.01 | 100.5 | 100.0 | 797 | 627 | 1167 |
现在绘制数据和拟合度(图2)。x值是根据等式1的逆计算的EY;y值是流量。拟合基于等式6。使用bootstrap自举法计算分位数的置信区间。
图2:河流的部分序列显示契合度和置信区间
我个人更希望该图向右增加,这通常是洪水频率曲线的绘制方式。这仅涉及使用ARI作为纵坐标(图3)。
图3:河流部分序列显示契合度和置信区间
参考文献
1.R语言基于ARMA-GARCH-VaR模型拟合和预测实证研究
2.R语言时变参数VAR随机模型
3.R语言时变参数VAR随机模型
4.R语言基于ARMA-GARCH过程的VAR拟合和预测
5.GARCH(1,1),MA以及历史模拟法的VaR比较
6.R语言时变参数VAR随机模型
7.R语言实现向量自动回归VAR模型
8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型
9.R语言VAR模型的不同类型的脉冲响应分析
拓端tecdat|R语言POT超阈值模型在洪水风险频率分析中的应用研究相关推荐
- 拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
- 拓端tecdat|R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险 逻辑回归Logistic模型原理和R语言分类预测冠 ...
- 拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出. 目的 房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子 人口众多 独生子女政策: ...
- 拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解(STL)进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
- POT超阈值模型和极值理论EVT分析
全文链接:http://tecdat.cn/?p=16845 本文依靠EVT对任何连续分布的尾部建模.尾部建模,尤其是POT建模,对于许多金融和环境应用至关重要(点击文末"阅读原文" ...
- R语言GARCH族模型:正态分布、t、GED分布EGARCH、TGARCH的VaR分析股票指数
全文链接:http://tecdat.cn/?p=31023 如何构建合适的模型以恰当的方法对风险进行测量是当前金融研究领域的一个热门话题(点击文末"阅读原文"获取完整代码数据). ...
- R语言用Garch模型和回归模型对股票价格分析
原文链接:http://tecdat.cn/?p=18310 为了找出影响价格波动的主要因素,我们使用逐步回归法来剔除一些对于应变量即价格影响很小的自变量剔除出我们的模型(点击文末"阅读原文 ...
- R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
原文链接:http://tecdat.cn/?p=23934 在本文中,我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型(点击文末"阅读原文"获取完整代码数据). 相 ...
- R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列...
原文链接:http://tecdat.cn/?p=26897 风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量,也被投资组合经理等从业者用来解释未来市场风险(点击文末"阅读原文 ...
- R语言ECM误差修正模型、均衡修正模型、受限VECM、协整检验、单位根检验即期利率市场数据...
全文下载:http://tecdat.cn/?p=29221 传统上,协整检验是在非常长的时间内进行的,本案例研究A测试了1960-2010年期间T-Bill利率和国债收益率之间的均衡(点击文末&qu ...
最新文章
- 让植物“张嘴说话”!新加坡“植物机器人”可成为环境探测器促进农业生产...
- iPhone屏幕知识点
- 网页title上面添加图片
- foreach无法给外部变量赋值(Local variable decimal defined in an enclosing scope must be final or effectively )
- pyecharts第四节、漏斗图
- 动态规划(二)——经典问题之最长上升子序列
- abaqus利用python实现部件合并_在abaqus python中使用Element()构造函数创建部件元素...
- PyTorch实战福利从入门到精通之七——卷积神经网络(LeNet)
- python数据库定时更新脚本——(一)GitPython拉取代码
- 集群介绍 keepalived介绍 用keepalived配置高可用集群
- Ubuntu20.04配置mysql环境及远程连接
- ADS板级PCIE_SI仿真
- Allennlp 安装和使用问题
- 央视《家有妙招》整理版,值得永远收藏!
- PMP考试必备-常见翻译问题(三)
- 下午的一杯清茶,慢了下来
- 利用SQL语句创建、修改、删除、查看与使用数据库
- 100个替代昂贵商业软件的开源应用/100 Open Source Replacements for Expensive Applications
- Android 穿过点画平滑曲线
- randint用法 python_Python randint()用法及代碼示例