EN中文

PROGRESS IN GEOGRAPHY >

2023 , Vol. 42 >Issue 6: 1162 - 1171

DOI: https://doi.org/10.18306/dlkxjz.2023.06.011

Articles

Compound flood from storm surge and runoff in the Pearl River Delta

  • GUO Ting , 1, 3 ,
  • ZHANG Wei , 1, 2, * ,
  • JI Xiaomei 1 ,
  • XU Yanwen 1 ,
  • LUO Xiaoya 1
Expand
  • 1. Jiangsu Key Laboratory of Coast Ocean Resources Development and Environment Security, Hohai University, Nanjing 210024, China
  • 2. Engineering Research Center of Dredging Technology of the Ministry of Education, Hohai University, Nanjing 210024, China
  • 3. Shanghai Engineering Research Center of Coastal Zones, Shanghai 200061, China

Received date: 2022-12-01

  Revised date: 2023-04-25

  Online published: 2023-06-26

Supported by

National Key Research and Development Program of China(2021YFC3001000)

The Fundamental Research Funds for the Central Universities(B2102022026)

Fold

Abstract

Due to the changing environment such as damming and storm surges, delta regions are extremely prone to compound flooding. Analyzing the occurrence probability of compound floods caused by storm surges and runoff, and clarifying the dominant factors of compound floods are of great significance for improving flood protection standards and preventing compound flood disasters. With the help of the Spearman correlation coefficient, Mann-Kendall trend test, and Copula function, the runoff and storm surge data of the river network in the Pearl River Delta (PRD) from 1961 to 2017 were selected to explore the correlation of factors and quantify the return period of compound floods. The results show that the compound floods at the North River stations were dominated by the extreme value of runoff, but showed a significant trend towards dominated by the extreme value of storm surges; while the compound floods at the West River stations were dominated by the extreme value of storm surges. Compound floods at the Huangjing and Xipaotai stations showed a significant trend towards dominated by the extreme value of runoff, and the transformation trends of other stations were the same as that of the North River stations. The degree of difference of the correlation coefficients of stations in the flood and dry seasons varied, and the sequence dominated by runoff extreme values showed a larger difference, especially in the flood season, with the maximum difference of 0.35. The combined return period of compound floods was about 50% shorter than that of the univariate ones. In the case of the univariate once-in-a-decade situation, the stations with the highest probability of occurrence of the bivariate flood are: Wanqingshaxi Station dominated by runoff extremes (5.71 years) and Hengmen Station (5.54 years) dominated by storm surge extremes, and significantly correlated stations in the runoff extremes dominant sequence are more sensitive to storm surge changes. The research results can provide protection schemes focusing on different dominant disaster-causing factors (such as storm surge, runoff, and so on) for flood control and disaster risk reduction of the PRD river network.

Key words： compound flood; storm surge; Copula; runoff; Pearl River Delta

Cite this article

GUO Ting , ZHANG Wei , JI Xiaomei , XU Yanwen , LUO Xiaoya . Compound flood from storm surge and runoff in the Pearl River Delta[J]. PROGRESS IN GEOGRAPHY, 2023 , 42(6) : 1162 -1171 . DOI: 10.18306/dlkxjz.2023.06.011

在两种或两种以上致灾因子同时作用下产生的洪水被称为复合洪水[1]，河口三角洲地区因其地理位置，容易发生多因素作用下的洪涝灾害。现阶段，中国[2]和美国[3]通常基于单变量方法进行海岸工程极端高水位计算和洪水灾害评估，这种不考虑河口复合性质的方法将在一定程度上低估复合洪水的发生概率[4]。Moftakhari等[3]对美国沿岸河口系统建立海平面上升与径流作用下的洪水评估框架，指出单变量概率为20年一遇的事件在双变量影响下将减小至10年左右，洪水风险被低估，而考虑变量完全独立时的联合重现期小于考虑变量相关的联合重现期，洪水风险被夸大，这表明开展复合洪水中变量相关性研究具有重要意义。
近年来，诸多学者基于多种二维致灾因子组合对复合洪水进行研究，侧重海平面上升与径流[3]、风暴潮与径流[5-6]、风暴潮与降雨[7-8]、风暴潮与波浪[9]、海岸水位与径流极值[10]等方面，分析了致灾因子间相关结构与复合洪水的发生特征。如Wahl等[7]在2015年指出由风暴潮与降雨引发复合洪水的3种机制：① 风暴潮与降雨同时发生，抬高水位，引发或加剧洪水；② 在强烈风暴潮发生后，发生中小型降雨，增加洪水淹没范围；③ 在不足以引发洪水的中等风暴潮发生期间，局部区域壅水，排水受阻，此时叠加强降雨，将引发洪水。这些机制的明确有利于后续进行双变量复合洪水研究时样本事件的选取。
Couasnon等[11]对全球河口径流与风暴潮作用下的复合洪水发生概率进行评估，指出这2种致灾因子在中国沿海具有复杂的相关性。目前，有诸多学者在中国沿海地区及城市[12⇓-14]对降雨与风暴潮共同作用下的复合洪水进行研究，其中，Fang等[13]指出，在东南沿海区域忽略复合效应将低估其洪水风险。位于东南沿海的珠江三角洲，一直都是风暴潮灾害的高发区，而在全球变暖等气候变化背景下，未来风暴潮将具有更强的致灾性[15]。同时，人类高强度活动导致的河床下切，使得径潮非线性作用下河道壅水，叠加天文潮后，中腹部河网区复合洪水危险性将增加[16]。珠江河口的风暴潮对河道径流具有敏感性[17]，二者的耦合作用将带来更严重的危害。Wang等[18]在东海—小榄—横门水道区域建立HEC-RAS水力模型，发现二者的复合作用将加剧水道下游30 km的极端洪水，但对不同主导因子作用下复合洪水的特点及发生概率没有进一步探究。因此，本文主要关注以下2个问题：① 不同测站中致灾因子相关性将呈现怎样的时空分布特征；② 径流与风暴潮作用下复合洪水联合重现期与现有洪水标准下(基于单变量方法)的重现期的差异。
本文选取珠江三角洲内三水站与马口站的逐日径流流量资料，及其控制下的7个不同测站的逐时风暴增水资料，分别以年径流极值主导的序列和年风暴增水极值主导的序列作为复合洪水样本事件，借助Spearman系数对两序列分别进行相关性分析，评估各测站处主导洪水事件的致灾因子；利用Mann-Kendall(简称M-K)趋势检验，分析测站内相关性随时间的变化趋势；通过选择合适的Copula函数计算复合事件的联合重现期，以期为当地洪水的应对与防护提供一定的参考建议。

1 研究区域、数据与方法

1.1 研究区域

珠江三角洲位于中国南部，南临南海。流域内包含三大水系：西江、北江和东江，河网交错，由八大口门汇入海洋，总流域面积约为17200 km2。三大水系河道径流平均流量由大到小分别为：西江7100 m3/s、北江1500 m3/s、东江720 m3/s。当洪水发生时，受径流平均流量的影响，河道洪峰流量值分布表现为西江最大、北江次之、东江最小。马口站(R1)和三水站(R2)靠近西江与北江短暂交汇后的分汊(图1)，是径流观测的重要节点，因此，选择这2个测站分别作为西江、北江的径流观测站。
图1 珠江三角洲及测站位置分布

注：本图基于自然资源部标准地图服务网站下载的审图号为GS(2019)4342号的标准地图制作，底图无修改。下同。

Fig.1 Distribution of hydrologic stations in the Pearl River Delta

每年7—9月，珠江三角洲将遭受来自海洋的高频风暴潮，据《珠江流域水文资料》统计，风暴增水普遍在60~280 cm之间。2018年，超强台风“山竹”在广东登陆，通过三灶站观测到其最大风暴增水达到339 cm。本文选取西江马口站与北江三水站以下河网地区作为研究区域，区域内共选取7个潮位测站，分别位于西江与北江水系的分支旁，依次为三沙口站(T1)、南沙站(T2)、万顷沙西站(T3)、横门站(T4)、灯笼山站(T5)、黄金站(T6)、西炮台站(T7)，具体位置分布如图1所示。2个径流测站到7个潮位测站的平均距离约为99 km。

1.2 数据来源与预处理

7个潮位测站的逐时潮水位资料与2个径流测站的日径流流量资料均来自《中华人民共和国水文年鉴第8卷: 珠江流域水文资料》，资料年限为1962—2017年。为获得本文研究所需的风暴增水样本数据，利用Pawlowicz等[19]提出的MATLAB T_Tide程序包，通过调和分析手段，从逐时潮水位资料中剥离出天文潮位，并用潮余值作为风暴潮水位，即风暴增水，在这个过程中，去除了平均海平面上升的影响以及带来的数据非稳定性。

1.3 研究方法

1.3.1 洪水事件的选取

对于研究径流与风暴潮共同作用下的复合洪水，以北江、西江2支不同的径流作为划分依据，将径流测站分别与所在径流流经的风暴潮测站进行两两组合，具体测站组合如表1所示，其中北江、西江均流经T4横门站，因此横门站分2个组合，即R2T4与R1T4。
表1 测站组合

Tab.1 Combinations of stations

径流 组合代号 测站组合 径流 组合代号 测站组合
北江 R2T1 三水—三沙口 西江 R1T4 马口—横门
R2T2 三水—南沙 R1T5 马口—灯笼山
R2T3 三水—万顷沙西 R1T6 马口—黄金
R2T4 三水—横门 R1T7 马口—西炮台
基于Couasnon等[11]在2020年开展的对全球风暴潮与径流进行的模拟工作，本文选取2种数据序列，分别为以第n年最大径流Qn为主的序列(Qn, sn)和以第n年最大风暴增水Sn为主的序列(Sn, qn)。其中sn为第n年最大径流Qn发生的前后Δ天内的最大风暴增水，qn为第n年最大风暴增水Sn发生的前后Δ天内的最大径流，即：
s n = m a x ( s t n - Δ , ⋯ , s t n + Δ ) ， t n = t ( Q n )
q n = m a x ( q t n - Δ , … , q t n + Δ ) ， t n = t ( S n )
间隔时间Δ为复合洪水发生时，引起风暴潮的寒潮(大风)或热带气旋(台风)移动到三角洲并产生水位影响的时间，或者上游径流经水道抵达潮位测站的滞后时间，与流域面积A(km2)有关[10]，Δ=0.11A0.4 d，珠江三角洲取Δ=4 d。

1.3.2 Spearman相关性分析与Mann-Kendall趋势检验

本文所选用的复合洪水事件观测数据符合Spearman相关系数的适用范围，因此，在后续计算中选用Spearman系数ρs对洪水事件进行相关性分析[20]。
M-K趋势检验法是一种检验数据序列趋势的非参数检验法，所选数据序列可以不服从具体的概率分布，个别异常值对结果无影响，因此被广泛应用于水文序列趋势判断领域。对于径流量与风暴潮序列中存在的会放大趋势显著性的自相关性，采用预置白处理方法[21]消除序列中的自相关性。

1.3.3 二维Copula函数选择

多变量因子共同作用下的复合事件存在一定的相关结构，Copula函数被广泛应用于多维联合分布并在水文领域中取得一定的研究成果[22]。Copula函数因边缘分布的差异而种类繁多，本文选取水利工程中常用的3类阿基米德Copula函数[23]中的Clayton Copula函数、Frank Copula函数、Gumbel Copula函数，椭圆Copula函数中的二元Student t Copula函数[15]以及Plackett Copula函数[24]作为最优Copula候选函数。
为确定Copula函数的具体表达式，可通过AIC(Akaike Information Criteria)与BIC(Bayesian Information Criteria)同时进行拟合优度检验，二者的表达式为：
A I C = 2 k - 2 l n   l
B I C = k l n   n - 2 l n   l
式中：k为参数的数量，l为似然函数，本文采用极大似然估计，n为样本数量。
采用2种准则能够更好地选择符合变量的Copula函数，BIC弥补了AIC在样本数量过多时模型精度和复杂度过高的不足。对数据序列进行AIC和BIC计算，AIC和BIC均为最小值时所对应的Copula函数为当前数据序列的最优Copula函数。

1.3.4 二维Copula联合重现期

二维Copula函数的重现期分为2种：联合重现期(OR return period)和同重现期(AND return period)[3]。当至少有一个变量超过其风险值时，称此类事件为“或”事件，此时的重现期为联合重现期；当2个变量同时超过风险值时，称此类事件为“和”事件，此时的重现期为同重现期。联合概率、联合重现期和同重现期表达式分别为：
P ( X > x , Y > y ) = 1 - F ( x ) - G ( y ) + C ( u , v )
T ( X > x ⋃ Y > y ) = 1 P ( X > x ⋃ Y > y ) = 1 1 - C ( u , v )
T ( X > x ⋂ Y > y ) = 1 P ( X > x ⋂ Y > y ) = 1 1 - u - v + C ( u , v )
式中：X和Y分别为2类连续随机变量，x和y分别为变量的风险值，u和v分别为其边缘分布函数，F(x)、G(y)分别为其概率密度函数，C(u,v)为两变量相关时的Copula函数。
对于风暴潮与径流共同作用下的复合洪水，两变量间存在一定的相互作用，发生复合洪水的情景多样，因此选择联合重现期进行后续研究。

2 风暴潮与径流相关性时空分布

2.1 风暴潮与径流相关性的空间分布

对(Qn, sn)和(Sn, qn)序列(下文简写为(Q, s)、(S, q)序列)两变量间的相关性进行计算，其结果的空间分布如图2所示。
图2 不同序列下测站组合Spearman相关系数ρs的空间分布

注：北江、西江均流经T4横门站，分2个组合；边缘描黑表示相关系数显著(P<0.05)。

Fig.2 Spatial distribution of Spearman correlation coefficient ρs in different series

2种序列下的风暴潮与径流均呈正相关，相关系数的区间为0~0.50。对比同一序列的不同测站，发现2种序列邻近横门与磨刀门的测站(T4、T5)相关性相对强，且(Q, s)序列中万顷沙西站(T3)、横门站(T4，北江)、灯笼山站(T5)与(S, q)序列中横门站(T4)、灯笼山站(T5)显著相关，而西南部入海口黄金站(T6)与西炮台站(T7)因分流少相关性弱；2种序列所有测站中，(S, q)序列中西江径流控制下的横门站相关性最高，为0.42；对比不同序列下的同一测站，发现北江控制的测站在(Q, s)序列中相关系数较高；而西江控制的测站在(S, q)序列中相关系数较高，且(Q, s)序列的显著相关测站数量高于(S, q)序列。万顷沙西站在(Q, s)序列中显著相关，但在(S, q)序列中相关性相对弱，说明相较于风暴增水的变化，此测站对径流极值的变化更为敏感，在此发生的复合洪水多为径流极值主导。对于由2支径流控制的横门站，在(Q, s)序列中北江径流控制下相关性显著，(S, q)序列中西江、北江的径流组合均显著，但西江径流控制下相关性更强，因此横门站复合洪水概率取决于北江径流极值下的风暴增水大小和风暴增水极值下的西江径流值大小。

2.2 风暴潮与径流相关性的长时间变化趋势

以25年为滑动窗口，对2种序列下的数据进行Spearman相关系数计算，得到相关系数随时间的变化趋势，随后通过M-K趋势检验计算出不同序列下各测站的ρs随时间变化的趋势值，将测站组合的M-K趋势绝对值绘制如图3所示。
图3 不同序列下测站组合M-K趋势绝对值|Z|的空间分布

注：T4横门站左、右边的三角形分别表示西江、北江组合，边缘描黑表示趋势显著(P<0.05)。

Fig.3 Spatial distribution of M-K trend absolute value |Z| in different series

由图3可知，(Q, s)序列下北江测站除三沙口站的相关性随时间降低外，其余测站组合的相关性均随时间呈增加趋势且不显著，西江各测站的M-K趋势值均大于北江各测站的值，且除灯笼山外的西江测站趋势显著；(S, q)序列下均为显著趋势，且东入海口测站M-K趋势值更大。对比两序列下的同一测站，发现除黄金站和西炮台站以(Q, s)序列趋势为主外，其余测站均为(S, q)序列趋势更强，说明过去几十年来这些测站的风暴增水极值逐渐与径流相关紧密，复合洪水将逐渐以风暴增水极值为主导。
对(Q, s)序列下相关性显著的测站万顷沙西站(T3，北江)、横门站(T4，北江)和灯笼山站(T7)进行分析(图2a、图4)，发现测站组合的相关系数随时间呈周期性波动变化，北江径流控制下的万顷沙西站和横门站的波动周期约为23年左右，峰值出现在1967年与1989年，且都为显著相关；而西江控制下的灯笼山站的波动周期约为20年左右，仅在1989年的峰值为显著相关。3个测站组合中，三水站—横门站组合下相关性显著的年数高于其余2个组合。
图4 (Q, s)序列下显著相关测站Spearman相关系数ρs随时间的变化趋势

注：滑动窗口为25年，实心圆表示相关性显著(P<0.05)。

Fig.4 Trends of Spearman correlation coefficient ρs of stations with significant correlation in (Q, s) series

2.3 风暴潮与径流相关性的季节性变化

风暴潮的高发具有季节性，珠江三角洲径流流量在洪枯季也表现出显著差异。比较洪季(4—9月)和枯季(10月—次年3月)(Q, s)和(S, q)序列下各测站组合的相关性及其差异能更好地对复合洪水的发生特征进行分析，两序列下各测站组合的季节相关性如图5所示。
图5 不同序列下测站组合Spearman相关系数ρs洪季、枯季及差值的空间分布

注：T4横门站左、右边的柱状图分别表示西江、北江组合，边缘描黑表示相关系数显著(P<0.05)。

Fig.5 Spatial distribution of Spearman correlation coefficient ρs in flood season (orange), dry season (yellow), and the difference (blue) in different series

对比同一序列下不同季节与差值的Spearman相关系数分布，发现(Q, s)序列下，主要以洪季相关性占优，且万顷沙西站、横门站、灯笼山站在洪季具有显著的相关性，而枯季测站组合的相关性较弱，这表明在洪季极端径流更容易与风暴潮相继发生，引发复合洪水的概率较大，枯季则不相继发生。但黄金站与西炮台测站组合相关性枯季强于洪季，分析其原因可能是枯季流量相较于洪季整体减少，径流极值年际量级差降低，使其年际变化与对应时间内风暴增水的年际变化趋势更加接近，相关性得到增强。不同测站间相关系数洪枯季差异较明显，最大差值在横门站(北江)，约为0.35，最小差值在黄金站，约为0.09；在(S, q)序列下，整体相关性较弱，仅在横门站(西江)有显著相关性，即极端风暴潮与径流相继发生概率较小。不同测站间季节性差值变化不大，差值普遍小于0.15，最大差值在横门站(北江)，约为0.16，最小差值在灯笼山站，约为0.03。横门站在不同径流控制下季节相关性差异较大，对其进一步分析可知，在风暴增水极值出现时，横门站与西江马口站径流量的相关性更强。

3 风暴潮与径流联合重现期分布

3.1 最优Copula函数选择

对不同序列中显著相关的测站组合进行AIC和BIC计算，结果如表2所示。(Q, s)序列中R2T3与R2T4组合选用Plackett Copula函数，R1T5组合选用二元Student's t Copula函数；(S, q)序列中R2T4组合选用Frank Copula函数，R1T4与R1T5选用二元Student's t Copula函数。
表2 各测站组合在不同Copula函数下的AIC与BIC值

Tab.2 AIC and BIC value of all combinations in different Copula functions

序列 测站
组合		 AIC BIC
Clayton Frank Gumbel Student's t Plackett Clayton Frank Gumbel Student's t Plackett
(Q, s) R2T3 -2.44 -6.21 -5.99 -5.59 -7.01* -2.40 -6.17 -5.95 -5.52 -7.01*
R2T4 -2.76 -8.45 -8.59 -8.74 -10.31* -2.73 -8.41 -8.55 -8.67 -10.31*
R1T5 -1.16 -3.34 -3.48 -3.77* -3.69 -1.13 -3.30 -3.45 -3.70* -3.69
(S, q) R2T4 -0.73 -3.70* -2.81 -3.06 -3.28 -0.69 -3.67* -2.78 -2.99 -3.28
R1T4 -8.55 -9.94 -6.94 -10.16* -9.01 -8.51 -9.90 -6.90 -10.09* -9.01
R1T5 -7.34 -8.51 -9.04 -10.26* -7.95 -7.30 -8.48 -9.00 -10.19* -7.95

注：*表示AIC、BIC的最小值，二者均为最小值时对应的Copula函数为最优选择。

3.2 联合重现期分析

当两变量完全独立时，其联合重现期可通过对给定的单变量概率进行简单计算得到，且与测站无关；当两变量相关时，联合重现期可根据表2的拟合优度选定各测站的最优Copula函数计算。分别计算各显著相关测站在给定单变量重现期为10、20、50及100年的情况下，两变量独立和相关时的联合重现期大小，结果如表3所示。
表3 显著相关测站在不同单变量重现期下联合重现期大小

Tab.3 OR return period in stations with significant correlation under different univariate return periods

序列 测站组合 重现期
10年 20年 50年 100年
变量独立 5.26 10.26 25.25 50.25
(Q, s) 三水—万顷沙西 5.71 10.79 25.86 50.89
三水—横门 5.89 11.03 26.16 51.22
马口—灯笼山 5.78 11.30 27.82 55.30
(S, q) 三水—横门 5.54 10.56 25.57 50.58
马口—横门 6.07 11.58 27.73 54.19
马口—灯笼山 6.00 11.44 27.43 53.66
显著相关测站的联合重现期均远远小于给定的单变量重现期(10、20、50、100年)，相较于单变量重现期，联合重现期约减少了50%，说明在多变量因素共同作用下的洪水发生概率将远大于单一变量作用下的洪水发生概率。对比分析变量独立时与变量相关时的联合重现期，发现变量相关时的联合重现期均大于变量独立时的联合重现期，说明以变量完全独立考虑联合重现期将高估复合洪水发生概率。
对比不同序列下同一测站，发现北江控制下的横门站，在(S, q)序列下复合洪水的发生概率大于(Q, s)序列，结合图3b分析其原因可能是横门站北江径流下风暴增水极值与径流相关性随时间呈显著上升趋势。对于灯笼山站，在(Q, s)序列下复合洪水的10年/20年一遇的发生概率大于(S, q)序列，但随着重现期的增大，(S, q)序列下洪水的发生概率反超(Q, s)序列，分析其原因可能是灯笼山站在短时间内获得较高量级的马口径流量，洪水发生概率高，但由于(S, q)序列下相关系数M-K趋势显著，测站主导因子便逐渐转为风暴增水极值，所以(S, q)序列下洪灾概率升高；对比同一序列下的各测站，(Q, s)序列下联合重现期最小值出现在万顷沙西站，为5.71年，(S, q)序列下联合重现期最小值出现在北江径流控制的横门站，为5.54年，在所有测站中风险最大。
对多变量的共同作用进行合理的分析，全面考虑估算复合洪水发生概率对洪水防护有着重要作用，绘制(Q, s)序列下显著相关测站在变量相关时联合分布下不同重现期等值线，结果如图6所示。
图6 (Q, s)序列显著相关测站组合中不同联合重现期等值线图

Fig.6 Contour map of different return periods of stations with significant correlation in (Q, s) series

由图6可知，对于不同的测站，其联合重现期等值线的分布趋势一致，相比横轴，不同年份的等值线在纵轴分布更为紧密，说明万顷沙西站、横门站和灯笼山站的复合洪水重现期对径流变化不敏感，而对风暴增水变化较为敏感，微小水位变化都可能引起重现期的改变，分析其原因是这3个测站均位于入海口附近，更容易受到海上风暴潮的影响，因此应该加强针对风暴潮的防护工作。其中灯笼山站重现期内流量显著大于其余2个测站，前者约为后两者的3倍，原因是西江的平均流量要远超北江。万顷沙西站与横门站重现期的径流区间相同，但风暴增水区间最大值前者显著高于后者。通常对于某一确定的联合重现期，其变量最可能达到的值为联合概率密度最大时对应的值[25]，在联合重现期较小时(如5、10、20年)，万顷沙西站风暴增水设计值与其他2个站点相差不大。

4 讨论与结论

在人类活动与全球气候变暖的影响下，三角洲河网区将受到河道径流与风暴增水双重作用，这种双变量复合洪水的发生概率将远超单一变量引起的洪水发生概率，给沿海城市群带来严重的人员伤亡与经济损失。本文利用1962—2017年珠江三角洲逐时风暴增水和日径流流量数据，组成年径流极值主导序列与年风暴增水极值主导序列，计算两序列下各选定测站的Spearman相关系数，通过选择合适的Copula函数，得到显著相关测站的联合重现期大小，主要结论如下：
(1) 北江与西江流经的测站发生的复合洪水分别由径流极值与风暴增水极值主导。(Q, s)序列下，北江流经的三沙口站、南沙站、万顷沙西站、横门站的相关系数大于(S, q)序列下对应测站的相关系数，说明这些测站需要关注极端径流事件的发生；(S, q)序列下，西江流经的横门站、灯笼山站、黄金站、西炮台站的相关系数大于(Q, s)序列下对应测站的相关系数，说明这些测站需要关注极端风暴增水事件的发生，其中(S, q)序列中西江径流控制下的横门站相关系数最高，为0.42，且显著相关。这是因为北江与西江存在流量差异，(Q, s)序列中，年际量级差异小的北江径流极值与对应风暴增水的趋势更符合，而(S, q)序列中，由于风暴增水取年极值，此时量级更大的西江径流趋势与其更符合。
(2) 在滑动窗口为25年时，由M-K趋势可知，除黄金站和西炮台站以(Q, s)序列趋势为主外，其余测站均为(S, q)序列趋势更强，说明在1961—2017年，黄金站与西炮台站复合洪水逐渐以径流极值为主导，其余测站的复合洪水将逐渐以风暴增水极值为主导。对于(Q, s)序列下显著相关的测站，致灾因子相关性随时间呈周期性波动变化，万顷沙西站与横门站周期为23年，灯笼山站周期为20年。在季节性变化中，相较于(S, q)，(Q, s)序列下致灾因子相关性以洪季占优，不同测站间洪枯季相关系数的差值在空间分布上差异较大，最大差值发生在北江流经的横门站，为0.35，最小差值在黄金站，为0.09。
(3) 双变量下的洪水联合重现期比给定的单变量重现期缩短50%，万顷沙西站和横门站分别为(Q, s)与(S, q)序列下显著相关测站中联合重现期最小的测站，复合洪水发生可能性较大，在给定单变量为10年一遇的概率下，联合重现期分别为5.71年和5.54年。两变量相关时的联合重现期略大于假设两变量完全独立时的联合重现期，(S, q)序列下西江流经的横门站在单变量10年一遇时的联合重现期为6.07年，相比变量独立时的联合重现期增幅最大，为15%，说明仅通过单变量或者假设变量完全独立，从而计算洪水发生概率的方式存在着低估或高估的情况，需要考虑变量的相关性。
本文揭示了在珠江三角洲西北江河网区，以单变量重现期作为洪水标准而低估洪水发生概率这一不合理之处，分析得到了各测站处引发复合洪水的主导致灾因子及变化趋势，并量化了其联合重现期，能够为当地复合洪涝灾害提供新的防范角度。但还存在一些不足之处，如本文采用八大口门附近共7个测站进行分析，在数据的选取上，局限于现有的历史数据，无法根据气候变化来对复合洪水进行预测，未来可结合数学模型与气象指标细化致灾因子对复合洪水的贡献度，进一步明确其物理机制。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
方佳毅, 殷杰, 石先武, 等. 沿海地区复合洪水危险性研究进展[J]. 气候变化研究进展, 2021, 17(3): 317-328.

[Fang Jiayi, Yin Jie, Shi Xianwu, et al. A review of compound flood hazard research in coastal areas. Climate Change Research, 2021, 17(3): 317-328.]

[2]
中华人民共和国交通运输部. 港口与航道水文规范(JTS 145—2015) [S]. 北京: 人民交通出版社, 2015.

[Ministry of Transport of the People's Republic of China. Code of Hydrology for Harbour and Waterway (JTS 145-2015). Beijing, China: China Communications Press, 2015.]

[3]
Moftakhari H R, Salvadori G, AghaKouchak A, et al. Compounding effects of sea level rise and fluvial flooding[J]. PNAS, 2017, 114(37): 9785-9790.

DOI PMID

[4]
Wu W Y, Westra S, Leonard M. Estimating the probability of compound floods in estuarine regions[J]. Hydrology and Earth System Sciences, 2021, 25(5): 2821-2841.

DOI

[5]
Svensson C, Jones D A. Dependence between sea surge, river flow and precipitation in south and west Britain[J]. Hydrology and Earth System Sciences, 2004, 8(5): 973-992.

DOI

[6]
Klerk W J, Winsemius H C, van Verseveld W J, et al. The co-incidence of storm surges and extreme discharges within the Rhine-Meuse Delta[J]. Environmental Research Letters, 2015, 10(3): 035005. doi: 10.1088/1748-9326/10/3/035005.

DOI

[7]
Wahl T, Jain S, Bender J, et al. Increasing risk of compound flooding from storm surge and rainfall for major US cities[J]. Nature Climate Change, 2015, 5(12): 1093-1097.

DOI

[8]
Wu W Y, Mclnnes K, O'Grandy J, et al. Mapping dependence between extreme rainfall and storm surge[J]. Journal of Geophysical Research: Oceans, 2018, 123(4): 2461-2474.

DOI

[9]
Chen Y P, Li J X, Pan S Q, et al. Joint probability analysis of extreme wave heights and surges along China's coasts[J]. Ocean Engineering, 2019, 177: 97-107.

DOI

[10]
Ganguli P, Merz B. Trends in compound flooding in northwestern Europe during 1901-2014[J]. Geophysical Research Letters, 2019, 46(19): 10810-10820.

DOI

[11]
Couasnon A, Eilander D, Muis S, et al. Measuring compound flood potential from river discharge and storm surge extremes at the global scale[J]. Natural Hazards and Earth System Sciences, 2020, 20(2): 489-504.

[12]
许瀚卿, 谭金凯, 李梦雅, 等. 中国沿海地区雨潮复合灾害联合分布及危险性研究[J]. 地理科学进展, 2022, 41(10): 1859-1867.

DOI

[Xu Hanqing, Tan Jinkai, Li Mengya, et al. Joint distribution and risk of the compound disaster caused by rainfall and storm surge across Chinese coastal region. Progress in Geography, 2022, 41(10): 1859-1867.]

DOI

[13]
Fang J Y, Wahl T, Fang J A, et al. Compound flood potential from storm surge and heavy precipitation in coastal China: Dependence, drivers, and impacts[J]. Hydrology and Earth System Sciences, 2021, 25(8): 4403-4416.

DOI

[14]
Xu H S, Xu K, Bin L L, et al. Joint risk of rainfall and storm surges during typhoons in a coastal city of Haidian Island, China[J]. International Journal of Environmental Research and Public Health, 2018, 15(7): 1377. doi: 10.3390/ijerph15071377.

DOI

[15]
冯爱青, 高江波, 吴绍洪, 等. 气候变化背景下中国风暴潮灾害风险及适应对策研究进展[J]. 地理科学进展, 2016, 35(11): 1411-1419.

DOI

[Feng Aiqing, Gao Jiangbo, Wu Shaohong, et al. A review of storm surge disaster risk research and adaptation in China under climate change. Progress in Geography, 2016, 35(11): 1411-1419.]

DOI

[16]
Zhang W, Cao Y, Zhu Y L, et al. Flood frequency analysis for alterations of extreme maximum water levels in the Pearl River Delta[J]. Ocean Engineering, 2017, 129: 117-132.

DOI

[17]
罗志发, 谭超, 黄本胜, 等. 珠江河口风暴潮对径流的敏感性研究: 以台风“山竹”为例[J]. 热带气象学报, 2022, 38(4): 521-528.

[Luo Zhifa, Tan Chao, Huang bensheng, et al. Effect of runoff on storm surge in Pearl River estuary. Journal of Tropical Meteorology, 2022, 38(4): 521-528.]

[18]
Wang X W, Guo Y, Ren J, et al. The coupling effect of flood discharge and storm surge on extreme flood stages: A case study in the Pearl River Delta, South China[J]. International Journal of Disaster Risk Science, 2021, 12(4): 1-15. doi: 10.1007/s13753-021-00355-5.

DOI

[19]
Pawlowicz R, Beardsley B, Lentz S. Classical tidal harmonic analysis including error estimates in MATLAB using T_TIDE[J]. Computers & Geosciences, 2002, 28(8): 929-937.

DOI

[20]
杜鸿. 气候变化背景下淮河流域洪水极值概率统计分析与研究[D]. 武汉大学, 2014.

[Du Hong. Probability and statistical analysis of flood extreme events under climate change in the Huaihe River Basin, China. Wuhan, China: Wuhan University, 2014.]

[21]
Kulkarni A, von Storch H. Monte Carlo experiments on the effect of serial correlation on the Mann-Kendall test of trend[J]. Meteorologische Zeitschrift, 1995, 4: 82-85.

DOI

[22]
刘章君, 郭生练, 许新发, 等. Copula函数在水文水资源中的研究进展与述评[J]. 水科学进展, 2021, 32(1): 148-159.

[Liu Zhangjun, Guo Shenglian, Xu Xinfa, et al. Application of Copula functions in hydrology and water resources: A state-of-the-art review. Advances in Water Science, 2021, 32(1): 148-159.]

[23]
Fang H B, Fang K T, Kotz S. The meta-elliptical distributions with given marginals[J]. Journal of Multivariate Analysis, 2002, 82(1): 1-16. doi: 10.1006/jmva.2001.2017.

DOI

[24]
Plackett R L. A class of bivariate distributions[J]. Journal of the American Statistical Association, 1965, 60: 516-522.

DOI

[25]
Stamatatou N, Vasiliades L, Loukas A. Bivariate flood frequency analysis using Copulas[J]. Proceedings, 2018, 2: 635. doi: 10.3390/proceedings2110635.

DOI

Options
Outlines

/

〈 〉