Journal of Marine Sciences >

2023 , Vol. 41 >Issue 3: 73 - 82

DOI: https://doi.org/10.3969/j.issn.1001-909X.2023.03.007

Calculation of design wave height and its application base on independent sample

  • LIU Guilin , 1 ,
  • FANG Dan 1 ,
  • SONG Shichun , 2, * ,
  • LIU Bohu 3
Expand
  • 1. College of Engineering, Ocean University of China, Qingdao 266000, China
  • 2. Qingdao Military-Civilian Integration Development Group Co. Ltd., Qingdao 266100, China
  • 3. Qingdao Haida Marine Engineering Technological Development Co. Ltd., Qingdao 266100, China

Received date: 2022-10-27

  Revised date: 2023-05-05

  Online published: 2023-10-24

Fold

Abstract

The selection of extreme value samples and the determination of distribution models are two crucial aspects when calculating the design wave height. When selecting extreme value samples using the peaks over threshold method, the standard storm length method is commonly used to “de-cluster” the exceedances in order to make the samples conform to independence standards. However, the crucial parameter in the standard storm length method needs to be manually selected which increases the uncertainty of samples. In this paper, an automatic standard storm length estimation method is proposed, then the wave height peaks over threshold sample in the western Guangdong sea area is selected based on this method. To accurately fit the sharp peak and heavy tail of the wave height peaks over threshold sample, the combined distribution method is used to construct a new model: Gumbel-Pareto distribution model. Based on this model, the design wave height calculation is carried out in the western Guangdong sea area. The result shows that the goodness of fit for the Gumbel-Pareto distribution model to the wave height peaks over threshold sample is higher than that of Gumbel distribution and Generalized Pareto distribution, which can offer a reasonable reference for the design of large offshore engineering.

Key words： independent samples; standard storm length; Gumbel-Pareto distribution; design wave height calculation

Cite this article

LIU Guilin , FANG Dan , SONG Shichun , LIU Bohu . Calculation of design wave height and its application base on independent sample[J]. Journal of Marine Sciences, 2023 , 41(3) : 73 -82 . DOI: 10.3969/j.issn.1001-909X.2023.03.007

0 引言

在全球气候变暖的背景下,海洋灾害的发生频次和强度呈现波动增加的趋势[1],严重威胁着海洋与海岸工程建筑物的安全。海浪灾害作为常见的海洋灾害,是各种涉海工程规划设计中必须考虑的动力因素[2]。粤西海域常年受到季风气候和热带气旋的影响,是我国受海浪灾害影响最严重的地区之一[3-4],合理地确定多年一遇设计波高,对于保证粤西海域海洋与海岸工程结构安全具有重要意义。
设计波高推算时有两个关键环节,一是选取波高极值样本,二是针对样本确定波高的分布模型[5]。独立性标准是选取波高极值样本的标准之一。为保证样本独立性,取样时需尽量避免选取相关性较强的波高,降低特例情形对样本统计特征造成的影响。常用的取样方法有年极值法和阈值法[6⇓-8]。年极值法是从原始波高序列中选取每年的最大值作为极值样本,这些最大值可以认为是相互独立的,但由于原始波高序列通常观测年限较短,使用年极值法取出的样本数量较少,可能导致外推结果不稳定。阈值法是选取序列中超过某一阈值的独立波高作为极值样本(即波高过阈样本),从而达到扩充样本数量、提高预测稳定性的目的。然而,波高极值通常伴随风暴出现,若直接选取波高超出量序列(即原始波高序列中超过某一阈值的全部波高)作为样本,则样本中很可能存在由同一场风暴引起的多个波高,即存在“聚类”现象,导致选取的样本不符合独立性标准。因此在使用阈值法取样时需要使用“去聚类”方法处理波高超出量序列[9]。
常用的“去聚类”方法有固定窗法、双阈值法、移动窗法、Runs法和标准风暴长度(standard storm length, SSL)法等。其中,固定窗法[10]是取固定的时间窗中的最大波高作为极值样本,认为不同时间窗的最大波高之间是独立的。然而,固定窗法中,由同一场风暴导致的波高可能被划分在两个不同的时间窗内,导致对独立事件的错误划分。双阈值法[11]使用一个小阈值区分不同的风暴过程,这种方法除了需要确定一个较高的阈值之外,还需要确定四个参数:小阈值、风暴最小持续时间、峰值间隔以及风暴过程首尾间隔,在实际应用中较为复杂。移动窗法、Runs法和SSL法[12⇓-14]具有准确性较高、应用简便的优势。移动窗法是改进的固定窗法,通过移动时间窗使窗内的最大波高位于时间窗中心,同时限制两个相邻极值之间的波高不得大于较小极值的75%;Runs法认为,如果两个相邻的极值之间至少有连续k个低于阈值的波高,则这两个极值是独立的;SSL法定义标准风暴长度$\tau$为风暴的平均最短持续时间,认为两个相邻波高极值的发生时间至少应相差一个标准风暴长度。然而,这三种方法中,关键参数(时间窗的长度、k值或$\tau$值)的选取目前没有确定的标准,通常根据经验或图形诊断选定[15⇓-17]。其中,SSL法通过绘制设计波高-标准风暴长度图,观察图形中的稳定区间,人为地选择标准风暴长度。受研究经验的影响,不同研究者选择的标准风暴长度可能不同,导致选取的样本具有不确定性。因此,需要研究自动的标准风暴长度估计方法。
设计波高推算的另一关键环节是针对极值样本选取适当的分布模型。当阈值相对较低时,波高过阈样本通常具有尖峰、厚尾的统计特征[18-19]。极值理论已经证明区间最大值的极值分布为广义极值分布(GEV)[20-21]。GEV的尾部厚度由形状参数决定,对于厚尾的波高过阈样本,若要准确地拟合样本的峰值部分,必然会牺牲尾部拟合的准确度。特别地,GEV的形状参数趋近于0时的极限分布为Gumbel分布,Gumbel分布具有指数型尾部(也称轻尾),此类尾部趋近于0的速度过快,难以准确拟合样本的厚尾。广义Pareto分布(GPD)对样本的尾部具有很强的适应性[22],然而GPD的概率密度函数是单调递减的无峰函数,难以拟合样本的尖峰部分。因此,现有模型无法准确地描述波高过阈样本在整个定义域上的统计特性,有必要开发一种能同时拟合样本的尖峰和厚尾的新模型。一种常用的方法是建立混合模型[23],通过将某种概率密度函数(如GPD)的尾部缝合到有峰的密度函数中,构建新的分布模型,如混合极值模型[24]和混合Pareto模型[25],其中混合Pareto模型可以同时反映样本的尖峰和厚尾的特征,已应用于降雨[26]、径流[27]等样本的拟合。然而,混合Pareto模型的密度函数为分段函数,需要强制密度函数和密度函数的导数在连接点处连续;另外,在估计混合Pareto模型的参数时,GPD的位置参数需要手动选取[28],导致混合Pareto模型的灵活性较低。因此,仍需构建新的分布模型,以期能够灵活、准确地拟合波高过阈样本的尖峰和厚尾。
本文对多年一遇设计波高的推算做了两方面的研究:其一,针对目前SSL法中的标准风暴长度需要人为选取的问题,提出了一种自动的标准风暴长度估计方法;其二,针对现有模型不能同时拟合波高过阈样本的尖峰和厚尾的问题,基于组合模型原理构建了一种新的分布模型——Gumbel-Pareto分布模型。基于这两方面的研究,本文选取了粤西海域的波高过阈样本,检验了Gumbel-Pareto分布对样本的拟合优度,并计算了该海域的多年一遇设计波高。

1 波高过阈样本选取

1.1 SSL法介绍

为了提取出符合独立性标准的波高过阈样本,本文使用SSL法对波高超出量序列进行“去聚类”。假设由不同风暴引起的波浪是独立的,那么不同风暴引起的最大波高必然也是独立的。因此,由大到小依次取每个风暴期间的最大波高为样本点,直至某个风暴的最大波高小于阈值为止,即可得到一系列独立的波高过阈样本。SSL法假设所有风暴的持续时间相同,称这个统一的风暴持续时间为标准风暴长度$\tau$,并且假设风暴只发生在最大值前后$\tau$/2的历时内,即以每场风暴中最大波高的发生时刻为风暴历时的中心。当$\tau$已知时,SSL法按照以下步骤选取独立的波高过阈样本:
1)从原始波高序列中挑选出最大波高作为样本点;
2)以最大波高的发生时刻为中心,丢弃发生在该时刻前后$\tau$/2时间内的波高;
3)对剩余序列重复进行步骤1)~2),直到提取的下一个最大波高不超过设定的阈值。
可以看出,在SSL法中,标准风暴长度$\tau$的选择十分关键,如果$\tau$太小,那么提取出的样本可能不符合独立性标准;如果$\tau$太大,那么独立的波高可能被排除在样本之外,造成数据浪费,外推的稳定性和精度降低。然而目前的研究中,标准风暴长度需要通过图形诊断人为选取,受研究者研究经验的影响较大,导致样本的不确定性增加。针对当前SSL法中标准风暴长度的选择问题,本文基于极值指数提出了一种自动的标准风暴长度估计方法。

1.2 自动的标准风暴长度估计方法

在随机过程理论中,极值指数与序列中“簇”的数量相关,能够描述数据的“聚类”趋势。LEADBETTER[29]证明,极值指数的倒数为超出量序列中簇的平均大小,即极值指数具有如下性质:
θ = M N
式中:θ为极值指数,N为超出量总数,M为超出量序列中的簇数。极值指数θ∈[0,1],在θ=1的极端情况下,每个超出量都是一个独立的簇;而θ=0时,超出量序列中没有簇。本文使用FERRO等[30]提出的方法估计极值指数,如式(2)所示:
θ ^ (u) =   2 [ ∑ j = 1 N - 1 T j - 1 ] 2 ( N - 1 ) ∑ j = 1 N - 1 ( T j - 1 ) ( T j - 2 ) , m a x ( T j ) > 2 2 [ ∑ j = 1 N - 1 T j ] 2 ( N - 1 ) ∑ j = 1 N - 1 T   j 2 , m a x ( T j ) ≤ 2
式中:   θ ^ ( u ) 表示当阈值为u时极值指数的估计值,   T j为第j个超出量与第j+1个超出量之间的时间间隔。对于一个确定的阈值u,可根据式(2)估计超出量序列的极值指数, 再由式(1)确定簇数的估计值 M ^。
在伴随风暴发生的波高序列中,可以认为“簇”表示风暴,因此簇数 M ^即为波高超出量序列中独立风暴的个数,也即独立的波高过阈样本数。使用SSL法选取波高过阈样本时仅有一个可变参数——标准风暴长度,因此,可使用试错迭代法计算标准风暴长度,当SSL法取出的样本数逼近 M ^时停止迭代。自动的标准风暴长度估计方法的主要步骤如图1所示。
图1 自动的标准风暴长度估计方法

Fig.1 Procedures for automated standard storm length estimation

2 Gumbel-Pareto分布模型

为了更为准确地拟合尖峰、厚尾的波高过阈样本,本文基于ALZAATREH等[31]提出的组合模型原理构建了Gumbel-Pareto分布模型,以综合Gumbel分布和GPD在拟合样本峰值和尾部时的优势,提升分布模型对样本的拟合优度。
设H(x)和h(x)分别是随机变量X的累积密度函数(cumulative distribution function,c.d.f.)和概率密度函数(probability density function,p.d.f.)。W[H(x)]是H(x)的函数,且满足以下条件:
W [ H ( x ) ] ∈ [ a , b ] W [ H ( x ) ] 可 导 且 单 调 不 减 x → - ∞ 时 , W [ H ( x ) ] → a ; x → ∞ 时 , W [ H ( x ) ] → b
式中:a和b为常数,-∞≤a<b≤∞。
设G(t)和g(t)分别是随机变量T∈[a,b]的c.d.f.和p.d.f.,则可构建组合分布模型,组合分布模型的c.d.f.如式(4)所示:
F ( x ) = ∫ 0 W [ H ( x ) ] g ( t ) d t
当T∈[a,∞)时,积分上限W[H(x)]取H(x)的对数函数表达式-log[1-H(x)]即可满足公式(3)所示的条件[31],此时组合分布模型的c.d.f.如式(5)所示:
F ( x ) = G { - l o g [ 1 - H ( x ) ] }
本文取组合分布模型中的H(x)为Pareto分布(即GPD-II型分布的标准形式[23]),G(t)为位置参数为0的Gumbel分布函数,以构建新的分布模型。Pareto分布和Gumbel分布的c.d.f.分别为式(6) 和式(7):
H ( x ) = 1 - σ α x - α , x ≥ σ
式中:α为形状参数,α≥0;σ为尺度参数,σ>0。
G (t) = e x p - e x p - t β , - ∞ < t < ∞
式中:t为自变量,β为尺度参数,β>0。
将式(6)、式(7)代入式(5),可得新模型的c.d.f.,如式(8)所示:
F ( x ) = e x p - x σ - β α , x > 0
式中:β,α和σ为大于0的参数。将新模型记为Gumbel-Pareto分布模型。Gumbel-Pareto分布模型的p.d.f.可由c.d.f.求导得出,如式(9)所示:
f ( x ) = β α σ x σ - 1 - β α e x p - x σ - β α , x > 0
Gumbel-Pareto分布模型的p分位数Q(p)如式(10)所示:
Q ( p ) = - σ [ l o g ( p ) ]   - 1 β α , 0 < p < 1
选取不同的参数组合,绘制Gumbel-Pareto分布的p.d.f.曲线,如图2所示。可以看出,Gumbel-Pareto分布的p.d.f.定义域为x>0,在不同的参数组合下均有单峰、右偏的特征。参数β和α影响着变量的总体标准差,随着β和α增大,随机变量在众数附近的概率密度增大,也即p.d.f.曲线的峰值变高,尾部变薄,表明新分布具有较为灵活的尾部;参数σ主要影响p.d.f.曲线峰值所在的位置,σ越大,峰值对应的自变量越大。
图2 Gumbel-Pareto分布的p.d.f.曲线

Fig.2 The p.d.f. curves of Gumbel-Pareto distribution

从图2可以看出,Gumbel-Pareto分布结合了Gumbel分布和GPD的优势。相对于Gumbel分布来说,Gumbel-Pareto分布引入了额外参数,使p.d.f.曲线的尾部更灵活;相对于GPD来说,Gumbel-Pareto分布是对GPD在整个定义域上的拓展,它的p.d.f.曲线同时具有尖峰和厚尾,因此Gumbel-Pareto分布能够用于拟合尖峰、厚尾的波高过阈样本。

3 工程算例

工程算例数据来自南海粤西海域国家海洋局硇洲海洋环境监测站(20.90°N,110.55°E),选取1980—2016年(2004年与2007年数据缺失)的风浪观测资料,使用日最大波高作为研究的特征波高。

3.1 样本选取

阈值对于波高过阈样本的选取十分重要[32-33],如果阈值过高,大于阈值的超出量较少,选取的波高过阈样本无法完全反映波高的总体分布特征,可能导致结论不合理或不稳定,同时也造成了观测资料的浪费;如果阈值过低,则过阈样本不符合极值理论的要求,难以使用极值分布模型拟合样本。平均剩余量是阈值的线性函数,且合适的阈值应当使样本的GPD参数估计值保持稳定,因此阈值可以根据平均剩余量图和GPD参数图(图3)确定[11]。由日最大波高数据的平均剩余量图可以看出,当阈值处于2.1~2.8 m及2.9~3.4 m区间内时,平均剩余量近似呈线性,其中,2.9~3.4 m的阈值区间对应的形状参数和尺度参数更稳定。为使样本数尽可能多,选择此范围内的较小值(2.9 m)作为阈值。
图3 日最大波高数据的平均剩余量图(a)和GPD参数图(b,c)

Fig.3 Mean excess plot (a) and GPD parameters’ stability plot (b,c) of wave height daily maxima data

根据图1所示步骤估计标准风暴长度为12天,之后通过SSL法选取独立的波高过阈样本,取样结果如图4所示。可以看出,SSL法能够较为准确地识别不同风暴的最大波高。此外,波高过阈样本的样本容量为51个,年均样本数为1.457个/年,这表明波高过阈样本的样本容量比年极值样本更大,用于设计波高推算时计算结果更可靠。波高过阈样本中不包含低于阈值的波高,因此相较于过程极值样本(以每场风暴引起的最大值作为样本),波高过阈样本的均值更高,即波高过阈样本比过程极值样本更符合极值理论的要求。
图4 原始波高序列、波高超出量序列、波高过阈样本及阈值

Fig.4 Original wave height series, wave height exceedences, wave height peaks over threshold sample and the threshold

自相关系数能够度量同一事件在不同时期的相关程度,自相关系数为±1表示完全正(负)相关,自相关系数为0则表示不相关。因此自相关图可用于判断样本的独立性,若自相关系数落在95%置信区间内,则样本符合独立性标准。原始波高序列和波高过阈样本的自相关图如图5所示。由图5a可知,原始波高序列的自相关系数大部分位于95%置信区间之外,这表示原始波高序列中,不同时期的波高之间相关性较强,不符合独立性标准;SSL法选取的波高过阈样本的自相关系数全部落在置信区间内(图5b),说明SSL法选取的样本符合独立性标准。
图5 原始波高序列(a)和波高过阈样本(b)的自相关图

Fig.5 Autocorrelation plot of original wave height series (a) and wave height peaks over threshold sample (b)

3.2 分布拟合与检验

为研究Gumbel-Pareto分布对不同样本的适用性,分别选取了波高过阈样本和波高年极值样本,两组样本的主要统计特征量如表1所示。其中,尾部指数表示样本的尾部厚度,通过Hill法[34]进行估计,尾部指数越小,则样本的尾部越厚。由表1可以看出,波高过阈样本的尾部指数小于波高年极值样本的尾部指数,即波高过阈样本具有更厚的尾部。
表1 样本的主要统计特征量

Tab.1 Main statistical characteristics of samples

样本 尾部指数 均值/m 方差/m2 偏度/m3 峰度/m3
波高过阈样本 3.059 4.351 1.798 1.092 3.124
波高年极值样本 9.958 4.610 2.611 0.437 2.354
分别使用Gumbel-Pareto分布、Gumbel分布和GPD拟合两组样本,采用数值方法[35]进行参数的极大似然估计,通过K-S(Kolmogorov-Smirnov)检验评估分布模型对样本的拟合优度。K-S检验是一种非参数假设检验,通过计算样本的经验分布与待测分布的误差统计量,检验该样本是否来自于待测分布。可使用p值进行统计决策,若p值>0.05则认为样本符合该分布有95%的可信度,p值越大则分布模型对样本的拟合优度越高。各分布模型的参数估计值及K-S检验的p值如表2所示。可以看出,Gumbel-Pareto分布用于拟合波高过阈样本时的K-S检验的p值最高,即Gumbel-Pareto分布对波高过阈样本的拟合优度高于Gumbel分布和GPD;另外,Gumbel-Pareto分布用于拟合年极值样本时,K-S检验的p值大于0.05,说明Gumbel-Pareto分布可以用于拟合尾部较轻的样本,具有灵活的尾部曲线。
表2 分布参数估计及K-S检验结果

Tab.2 Results of parameters’ estimation and K-S tests

样本 分布模型 参数 参数估计值 K-S检验的p值
波高过阈
样本		 Gumbel-Pareto
分布		 β 2.839 0.807
α 1.695
σ 3.677
Gumbel
分布		 尺度 0.894 0.419
位置 3.772
GPD 形状 0.076 0.322
尺度 2.120
位置 2.900
波高年极值
样本		 Gumbel-Pareto
分布		 β 2.497 0.305
α 0.970
σ 3.584
Gumbel
分布		 尺度 1.362 0.689
位置 3.855
GPD 形状 0.268 0.272
尺度 3.110
位置 1.500
除K-S检验外,还可通过图形诊断检验分布模型对样本的拟合优度。Gumbel-Pareto分布对波高过阈样本的拟合优度检验图如图6所示,包括P-P图、Q-Q图、重现水平图和概率密度图,其中,重现水平图中虚线表示重现水平的95%置信区间临界值[20]。由图6可以看出,P-P图和Q-Q图中Gumbel-Pareto分布拟合样本的线性较好,重现水平图中所有经验点均落在95%置信区间内,概率密度图中分布曲线对直方图的外包络线拟合较好,表明Gumbel-Pareto分布能够较为准确地拟合波高过阈样本。
图6 Gumbel-Pareto分布对波高过阈样本的拟合优度检验图

Fig.6 Goodness of fit test plot of Gumbel-Pareto distribution for wave height peaks over threshold sample

图7对比了Gumbel-Pareto分布、Gumbel分布和GPD的p.d.f.曲线对波高过阈样本直方图的拟合情况。可以看出,Gumbel分布的p.d.f.曲线的尖峰部分对样本的拟合较准,但其尾部趋于0的速度过快,对波高过阈样本的尾部拟合不足。GPD的p.d.f.曲线尾部最厚,但其p.d.f.曲线呈单调递减趋势,无法拟合样本直方图的峰值部分。Gumbel-Pareto分布的尾部厚度介于Gumbel分布和GPD之间,且对样本直方图的峰值部分拟合良好,表明Gumbel-Pareto分布能够同时反映样本尖峰和厚尾的统计特征。
图7 波高过阈样本直方图及不同分布的p.d.f.曲线

Fig.7 Histogram of the wave height peaks over threshold sample and p.d.f. curves of different distributions

3.3 设计波高推算

基于粤西海域的波高过阈样本,分别用Gumbel-Pareto分布、Gumbel分布和GPD计算了当地的20年、50年、100年和500年一遇的设计波高,计算方法见式(11):
x T = F - 1 1 - λ T
式中:T为重现期,   x T表示T年一遇设计波高,   F - 1为分布函数的逆函数,λ为年均样本数。
设计波高计算结果列于表3。可以看出,当重现期为20~500年时,Gumbel-Pareto分布计算出的设计波高介于Gumbel分布和GPD之间,比Gumbel分布提高了2%~35%,比GPD降低了21%~30%,说明新模型的尾部厚度适中。另外,当重现期分别为20年、50年、100年和500年时,Gumbel-Pareto分布的设计波高比Gumbel分布的设计波高分别提高了2%、9%、15%和35%,二者之差呈递增趋势,即重现期越大,Gumbel-Pareto分布提高设计波高的作用越显著,说明Gumbel-Pareto分布体现了波高过阈样本的厚尾特性,能够为使用年限较长的大型海洋建筑物提供更安全的设计波高。
表3 不同分布模型计算的20年、50年、100年和500年一遇设计波高

Tab.3 20-, 50-,100-, 500-year return levels of design wave height calculated by different distribution models

重现期/年 设计波高/m
Gumbel-Pareto分布 Gumbel分布 GPD
20 6.037 5.904 7.646
50 7.346 6.748 10.060
100 8.500 7.376 11.990
500 11.890 8.821 16.910

4 结论

本文从极值样本的选取与极值分布模型的确定两方面研究了设计波高的推算方法。针对当前SSL法中标准风暴长度需要人为选取的问题,基于极值指数提出了一种自动的标准风暴长度估计方法;针对现有极值分布模型不能准确拟合尖峰、厚尾的波高过阈样本的问题,基于组合模型原理建立了一种新的分布模型——Gumbel-Pareto分布模型。基于这两方面的研究,选取了粤西海域的波高过阈样本,检验了Gumbel-Pareto分布对波高过阈样本的拟合优度,并计算了粤西海域的多年一遇设计波高,得到以下结论。
1)本文提出的自动的标准风暴长度估计方法是可行的,基于该方法选取的波高过阈样本符合独立性标准。
2)相较于年极值样本,波高过阈样本具有更大的样本容量;相较于过程极值样本,波高过阈样本更符合极值理论的要求。
3)Gumbel-Pareto分布模型结合了Gumbel分布和GPD的优势,可以同时反映波高过阈样本的尖峰和厚尾,与Gumbel分布和GPD相比,Gumbel-Pareto分布对波高过阈样本的拟合优度更高。
4)Gumbel-Pareto分布比Gumbel分布的尾部更厚。重现期越大,Gumbel-Pareto分布与Gumbel分布计算出的设计波高之间的差异越显著,即Gumbel-Pareto分布能够为使用年限较长的大型海洋建筑物提供更安全的设计波高。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
LIU G L, LI X, WANG J H, et al. Research on the statistical characteristics of typhoon frequency[J]. Ocean Engineering, 2020, 209: 107489.

DOI

[2]
殷玉齐, 侯一筠, 冯兴如, 等. 汕尾市引发灾害性海浪的热带气旋特征研究[J]. 海洋与湖沼, 2021, 52(1):66-74.

YIN Y Q, HOU Y J, FENG X R, et al. Characteristics of tropical cyclones that cause disastrous waves in Shanwei city[J]. Oceanologia et Limnologia Sinica, 2021, 52(1): 66-74.

[3]
自然资源部海洋预警监测司. 2019年中国海洋灾害公报[EB/OL].(2020-05-20) [2022-09-25]. http://www.nmdis.org.cn/hygb/zghyzhgb/2019nzghyzhgb/

Marine Early Warning and Monitoring Division of the Ministry of Natural Resources. Bulletin of China marine disaster in 2019[EB/OL].(2020-05-20) [2022-09-25]. http://www.nmdis.org.cn/hygb/zghyzhgb/2019nzghyzhgb/

[4]
潘冬冬, 周川, 王俊, 等. 粤东近岸深水区周年波浪特征分析[J]. 南方能源建设, 2020, 7(4):34-40.

PAN D D, ZHOU C, WANG J, et al. Analysis of the annual wave characteristics in the deep water area near the east coast of Guangdong Province[J]. Southern Energy Construction, 2020, 7(4): 34-40.

[5]
CHEN B Y, KOU Y, WANG Y F, et al. Analysis of storm surge characteristics based on stochastic process[J]. AIMS Mathematics, 2021, 6(2): 1177-1190.

DOI

[6]
SHAO Z X, LIANG B C, LI H J, et al. Study of sampling methods for assessment of extreme significant wave heights in the South China Sea[J]. Ocean Engineering, 2018, 168: 173-184.

DOI

[7]
LIU G L, YU Y H, KOU Y, et al. Joint probability analysis of marine environmental elements[J]. Ocean Engineering, 2020, 215: 107879.

DOI

[8]
WANG L P, XU X, LIU G L, et al. A new method to estimate wave height of specified return period[J]. Chinese Journal of Oceanology and Limnology, 2017, 35(5): 1002-1009.

DOI

[9]
TAWN J A. An extreme-value theory model for dependent observations[J]. Journal of Hydrology, 1988, 101(1-4): 227-250.

DOI

[10]
SIMIU E, HECKERT N A. Extreme wind distribution tails: A “peaks over threshold” approach[J]. Journal of Structural Engineering, 1996, 122(5): 539-547.

DOI

[11]
李晓恩. 超阈法-Copula函数在极端水位重现期值计算中的应用研究[D]. 广州: 华南理工大学, 2020.

LI X E. Research on POT-Copula method in the calculation of extreme water level and its application[D]. Guangzhou: South China University of Technology, 2020.

[12]
KIRAN K G, SRINIVAS V V. A mahalanobis distance-based automatic threshold selection method for peaks over threshold model[J]. Water Resources Research, 2021, 57(1): e2020WR027534.

[13]
DING J, CHEN X Z. Assessment of methods for extreme value analysis of non-Gaussian wind effects with short-term time history samples[J]. Engineering Structures, 2014, 80: 75-88.

DOI

[14]
GUEDES SOARES C, SCOTTO M G. Application of the r largest-order statistics for long-term predictions of significant wave height[J]. Coastal Engineering, 2004, 51(5/6): 387-394.

DOI

[15]
GAO H J, WANG L Q, LIANG B C, et al. Estimation of extreme significant wave heights in the Yellow Sea, China[C]// Proceedings of the 28th International Ocean and Polar Engineering Conference.[S.l.]: ISOPE, 2018: 387-391.

[16]
CHAPON A, HAMDI Y. A bivariate nonstationary extreme values analysis of skew surge and significant wave height in the English channel[J]. Atmosphere, 2022, 13(11): 1795.

DOI

[17]
HALTAS I. Estimating extreme high still water levels in North San Francisco Bay: Comparison of annual maxima method with direct and indirect methods[J]. Journal of Waterway, Port, Coastal, and Ocean Engineering, 2022, 148(1): 04021040.

[18]
MARKOVICH N. Nonparametric analysis of univariate heavy-tailed data: Research and practice[M]. New York: Wiley, 2007.

[19]
LIU G L, NIE C, KOU Y, et al. Elevation calculation of bottom deck based on stochastic process and compound distribution[J]. Journal of Marine Science and Engineering, 2021, 9(7): 697.

DOI

[20]
史道济. 实用极值统计方法[M]. 天津: 天津科学技术出版社, 2006:8-70.

SHI D J. Practical extreme value statistical method[M]. Tianjin: Tianjin Scientific & Technical Publishers, 2006: 8-70.

[21]
CHEN B Y, KOU Y, WU F, et al. Study on evaluation standard of uncertainty of design wave height calculation model[J]. Journal of Oceanology and Limnology, 2021, 39(4): 1188-1197.

DOI

[22]
CHEN B Y, KOU Y, ZHAO D, et al. Maximum entropy distribution function and uncertainty evaluation criteria[J]. China Ocean Engineering, 2021, 35(2): 238-249.

DOI

[23]
HU Y, SCARROTT C. evmix: An R package for extreme value mixture modeling, threshold estimation and boundary corrected kernel density estimation[J]. Journal of Statistical Software, 2018, 84(5): 1-27.

[24]
BEHRENS C N, LOPES H F, GAMERMAN D. Bayesian analysis of extreme events with threshold estimation[J]. Statistical Modelling, 2004, 4(3): 227-244.

DOI

[25]
CARREAU J, BENGIO Y. A hybrid Pareto model for asymmetric fat-tailed data: The univariate case[J]. Extremes, 2009, 12(1): 53-76.

DOI

[26]
LI C, SINGH V P, MISHRA A K. Simulation of the entire range of daily precipitation using a hybrid probability distribution[J]. Water Resources Research, 2012, 48(3): W03521.

[27]
MEKONNEN B A, NAZEMI A, MAZUREK K A, et al. Hybrid modelling approach to prairie hydrology: Fusing data-driven and process-based hydrological models[J]. Hydrological Sciences Journal, 2015, 60(9): 1473-1489.

DOI

[28]
FURRER E M, KATZ R W. Improving the simulation of extreme precipitation events by stochastic weather generators[J]. Water Resources Research, 2008, 44(12): W12439.

[29]
LEADBETTER M R. Extremes and local dependence in stationary sequences[J]. Zeitschrift für Wahrschein-lichkeitstheorie und Verwandte Gebiete, 1983, 65(2): 291-306.

[30]
FERRO C A T, SEGERS J. Inference for clusters of extreme values[J]. Journal of the Royal Statistical Society Series B: Statistical Methodology, 2003, 65(2): 545-556.

DOI

[31]
ALZAATREH A, LEE C, FAMOYE F. A new method for generating families of continuous distributions[J]. METRON, 2013, 71(1): 63-79.

DOI

[32]
LIU G L, CUI K, JIANG S, et al. A new empirical distribution for the design wave heights under the impact of typhoons[J]. Applied Ocean Research, 2021, 111: 102679.

DOI

[33]
LIU G L, GAO Z K, CHEN B Y, et al. Study on threshold selection methods in calculation of ocean environmental design parameters[J]. IEEE Access, 2019, 7: 39515-39527.

DOI

[34]
MANDELBROT B B. The variation of certain speculative prices[M]//Fractals and scaling in finance. New York: Springer, 1997: 371-418.

[35]
MARINHO P R D, SILVA R B, BOURGUIGNON M, et al. Adequacy Model: An R package for probability distributions and general purpose optimization[J]. PLoS One, 2019, 14(8): e0221487.

Options
Outlines

/

〈 〉