Page 61 - 2021年第52卷第7期

还原或还现法依据的原理是通过对水文变量系统性变化的增量回加到原序列或对水文变量进行
修正，达到使水文变量序列一致的目的。在增量的量化或修正值的量化工作中，由于要求资料的种
类多、数量大，且对资料的准确性依赖程度高，使用不易。同时牵扯的一些概念难以精确界定 ［40］ ，
存在方法失真或失效 ［41］ 等问题。即便用分布式水文模型直接计算增量，也会面临资料的非一致性导
致模型参数率定（优化法）的不确定性加大问题 ［41］ 。正因如此，本文不做具体的分析对比。
分解合成法 ［42］ 认为，“无论水文现象的变化多么复杂，水文序列总可以分解成确定性成分和随机性
成分这两部分。一般来说，水文序列的确定性成分主要受人类活动的影响，但并不排除气候因素（如气
候转型期）和下垫面因素（如火山爆发、地震等）的影响，其变化规律可以在较短的工程年代里发生缓慢
的渐变或剧烈的突变，因此水文序列中确定性成分的变化规律往往是非一致的。而水文序列的随机性
成分则主要受气候、地质等因素的影响，其变化规律需要一个漫长的地质年代才能改变，因此水文序
列中随机性成分的统计规律是相对一致的。”于是谢平等 ［42］ 建议采用成因分析法与统计分析法分别对确
定性成分和随机性成分进行识别与检验，并对确定性成分进行拟合计算，对随机性成分采用传统方法
进行频率分析计算。后者意味着分解合成法获得的随机变量样本是一个简单随机样本。下面将继续以
佳芦河流域年最大洪峰流量序列资料，研究分析分解合成法生成的随机样本特征。
根据分解合成法原理，非一致性水文序列 X 可按下式表示：
t
X = Y + P + S t （21）
t
t
t
式中：Y 为确定的非周期成分（包括趋势、跳跃等）；P 为确定性的周期成分（包括简单的或复合周期
t
t
的成分等）；S 为随机成分。
t
为避免周期对趋势的影响，这里首先进行周期分析，利用小波分析 ［43］ 得到周期序列存在 21 年、9
年两个显著周期，由此获得周期函数如式（22）：
æ 2π ö æ 4π ö
P = -268.50 sin t + 0.31 + 265.44 sin t - 0.42 （22）
t
è 21 ø è 9 ø
剔除周期后发现序列仍存在明显的趋势，通过回归分析得到式（23）所示的趋势成分：
Y = 58372 - 29.07t （23）
t
根据式（21）剔除周期成分与趋势成分后得到随机序列 S ，见图 6，对该随机序列进行趋势检验，
t
结果见表 5。

图 6 分解合成法构建的佳芦河年最大洪峰流量一致性序列
表 5 分解合成法构建的佳芦河年最大洪峰流量序列的一致性检验
Pearson 相关系数检验 Spearman 秩相关检验 Breusch-Pagan 检验
序列
R R α ρ ρ α χ χ α
分解合成法构建一致性序列 0 0.268 0.284 0.269 23.064 3.841
注：各检验的显著性水平均为α=0.05。

分解合成法获得的佳芦河年最大洪峰流量的重构序列十分有效地消除了一阶矩的显著线性趋势，
但 Spearman 秩相关系数依然大于临界值，表明其一阶矩的非线性型非一致性仍然显著存在；方差的非
一致性检验统计量χ为 23.064，几乎没有任何改善，说明分解合成法重构的随机成分并非简单样本。

— 815 —