Page 109 - 2022年第53卷第8期

P. 109

表１４站日降水量统计值及模型参数
实测日降水量序列统计值模型参数
站点
ｒ
ｘｍｅａｎＣｖＣｓＲｍ１１ π ０ π １ λ １ λ １１ β １１
５１３３００．７３．６１０６．９１１５７．００．１５２０．７３００．２７００．２９１０．４４５０．４０７
５７２７８２．３３．４６９８．１８８２９３．９０．１７４０．６９００．３１００．３６７０．５０３０．２６８
５７５１２３．１３．０８２７．１２５２３２．１０．１５１０．５５４０．４４６０．３１１０．３７２０．３１１
５９８４９６．６２．８６１６．２２７３７３．５０．３８００．４６２０．５３８０．４２１０．６８７０．２７８

注：λ １代表ＤＡＲ（１）模型参数；λ １１和 β １１分别代表ＤＡＲＭＡ（１，１）模型参数

所选择的４个站点多年日平均降水量分别为０．７、２．３、３．１和６．６ｍｍ，且地理位置横跨东西南北。
通过日降水量统计值可以发现，不同站点Ｃ和Ｃ值无明显差异，沿海地区的最大一日降水量大于内陆地
ｓ
ｖ
区，大部分地区不降水概率大于降水概率，而降水概率越大，日降水量序列自相关性越大。
由式（５）和式（１３）分别确定ＤＡＲＭＡ（１，１）和ＤＡＲ（１）模型的理论ＡＣＦ，图解法比较样本和理论
ＡＣＦ如图２。总体而言，各站点的理论ＡＣＦ衰减缓慢，最终在第８天附近趋于零，符合ＤＡＲＭＡ（１，１）
模型的特征，证实ＤＡＲＭＡ（１，１）模型适用于中国气象站点的日降水序列模拟。ＤＡＲ（１）模型的ＡＣＦ
呈指数衰减，以站点５９８４９最为明显，在ＡＣＦ滞时为２后出现明显衰减，导致与样本数据ＡＣＦ出现较
大误差。理论ＡＣＦ检验结果显示，对于中国降水事件干湿序列的模拟，ＤＡＲＭＡ（１，１）更能保持较高
滞后阶数的相关性。

图２理论和实测ＡＣＦ对比图

在确定模型结构和阶数时，湿游程和干游程同样重要［２９］。因此，根据干湿游程样本和理论概率分
布的平方和误差的最小值进行模型选择。通过式（１９）—（３０）计算ＤＡＲＭＡ（１，１）模型和ＤＡＲ（１）模型
的理论干湿游程概率分布，与样本序列进行对比，如图３所示。
从图３可知：（１）ＤＡＲＭＡ（１，１）模型能够在１到１０个连续雨日和连续干日内生成概率误差最小，
优于ＤＡＲ（１）。对于５１３３０站，ＤＡＲＭＡ（１，１）模型单个干日概率为０．２４２７，而实测数据计算概率为
０．２３６８；对于５１３３０站，ＤＡＲＭＡ（１，１）模型连续４个雨天的概率为０．０９０３，而实测数据计算概率为
０．０９４３。（２）ＤＡＲ（１）模型连续干日概率分布的模拟效果较差。对于５７２７８站，ＤＡＲ（１）模型单个干日
概率为０．１９５９，而实测数据计算概率为０．２５５５；对于５９８４９站，ＤＡＲ（１）模型连续４个干日概率为

６
— ９９ —

104 105 106 107 108 109 110 111 112 113 114