Kendall检验在水文序列趋势分析中的研究

Kendall检验在水文序列趋势分析中的研究简介：本文通过蒙特卡洛模拟对Kendall非参数秩次相关检验法在水文时间序列趋势检验中的识别能力做了研究。模拟结果表明，该方法的识别能力与之前给定的显著性水平、样本容量、趋势度和变差系数有关。随着趋势度的绝对值、样本容量和显著性水平的增加，Kendall检验法的识别能力增强；随着变差系数的增加，该方法的识别能力减小；当趋势存在时，该方法还与时间序列服从的分布类型和形状参数有关。最后采用Kendall秩次检验法分析了普渡河流域海口、蔡家村和三江口水文站的年径流系列，发现蔡家村和三江口的年径流有增加的趋势，找出了增加的原因。关键字：Mann-Kendall非参数秩次相关检验法蒙塔卡洛模拟水文时间序列趋势分析1、引言水文序列是从工程所在地点或邻近地点水文观测的资料中选取表征水文过程特征值（如洪峰流量或水位、各种时段洪水总量等）的样本。它们是进行频率分析、估计设计水文过程的基础资料。在水文资料的观测期内，如因流域上修建了蓄水、引水、水土保持等工程以及流域的气候发生变化等等，这些人工或天然的原因使流域水文现象的形成条件发生了显著的改变，因而水文变量的概率分布规律也发生了显著的变异，我们把这一问题称为水文资料的“非一致性”问题[1]。如果将“非一致性”的水文资料混杂在一起作为一个样本进行水文频率计算显然违背了用于频率分析的水文序列必须服从同一分布的要求。因此，进行频率分析之前，必须检验序列是否具有一致性，其中趋势检验是一致性检验的内容之一。在水文资料分析研究中，非参数秩次相关统计检验，即Kendall检验用于识别时间序列是否存在趋势成分。本文首先简单介绍了MK趋势检验法；研究了该方法识别正态分布序列趋势的能力与给定的显著性水平、样本容量、趋势度和变差系数的关系；同时探讨该方法识别非正态分布序列趋势的能力与分布类型和形状参数的关系；最后举出该方法的一个应用实例。2、Kendall秩次相关检验Kendall非参数秩次相关检验法已经广泛的用于检验水文气象资料的趋势成分，包括水质、流量、气温和降雨序列等，究其原因主要是，与参数统计检验法相比，非参数检验法更适用于非正态分布或经过删检（删去低于或高于某水平的观测值）的资料，而这些情况在时间序列分析中常常会遇到。过去20年里，国际上关于MK方法应用研究的实例非常之多[2-4]。尽管该方法应用如此之广泛，但我们还是不清楚该方法是不是适用于各种情况下的时间序列的趋势检验。对序列，先确定所有对偶值中与的大小关系（设为）。趋势检验的统计量[5]为：（1）式中：；（2）（3）当大于10时，收敛于标准正态分布。原假设为该序列无趋势，采用双边趋势检验，在给定显著性水平下，在正态分布表中查得临界值，当时，接受原假设，即趋势不显著；若，则拒绝原假设，即认为趋势显著。3、Kendall检验对正态分布序列趋势的识别能力3.1两类错误与识别能力假设检验[7]中有两类错误：第一类错误为“弃真”，即原假设本来是正确的，但检验结果却拒绝了原假设，由数理统计知识可知，犯第一类错误的概率为显著性水平；第二类错误为“纳伪”，即原假设本来是错误的，但检验结果却接受了原假设。犯第二类错误的概率为。定义两种检验方法的识别能力为，也就是当原假设错误时，该检验方法正确拒绝原假设的能力。3.2蒙特卡洛模拟试验步骤因为水文时间序列可看成是多种成分组成。假定这些成分是线性叠加，可按下式表示[5]：式中为确定性的非周期成分（包括趋势，跳跃等暂态成分等）；为确定性的周期成分（包括简单的或复合周期的成分等）；为随机成分（包括平稳的或非平稳的随机成分）。本次研究的时间序列只考虑确定性的非周期成分中的趋势项和随机成分。蒙特卡洛模拟用于评价Kendall检验识别趋势成分的能力，试验步骤如下：①令；②生成正态分布的随机序列，样本容量可取，样本均值均取1.0，方差分别为，其中；样本的标准偏差和变差系数为；③生成趋势成分，，为趋势度，可取-0.01，-0.005，0，0.005和0.01等；④将②和③中生成的序列按序号对应相加得到有趋势的时间序列；⑤原假设为序列不存在趋势，采用Kendall检验法对序列进行趋势检验。如果拒绝原假设，则，否则；⑥重复步骤②~⑤次；⑦根据前面的定义，Kendall检验的识别能力为：式中：为蒙特卡洛模拟的次数；为检验落在拒绝域里的次数。3.3结果分析3.3.1识别能力与显著性水平、趋势度的关系样本容量取50；均值取1.0；变差系数取0.5；显著性水平取0.002，0.005，0.01，0.025，0.05，0.10，0.15，0.20；趋势度取-0.01，-0.005，0，0.005和0.01。Kendall趋势检验法的识别能力与显著性水平和趋势度的关系见表1和图1。从蒙特卡洛模拟结果可以看出，对于同一显著性水平，趋势度绝对值越大，则检验法的识别能力越强；而对于同一趋势度，显著性水平越大，则检验法的识别能力越强；特别的，当时，序列无趋势存在，原假设是正确的，此时，检验法的识别能力均等于事先给定的显著性水平。表1Kendall的识别能力与显著性水平和趋势度的关系趋势度显著性水平0.0020.0050.0100.0250.0500.1000.1500.200-0.0100.1140.1800.2520.3800.4980.6290.7020.757-0.0050.0090.0260.0500.1010.1610.2690.3350.3910.0000.0020.0050.0100.0250.0500.1000.1500.2000.0050.0150.0290.0510.0980.1620.2520.3200.3780.0100.1030.1700.2440.3610.4880.6150.6940.754图1Kendall的识别能力与显著性水平和趋势度的关系3.3.2识别能力与样本容量、趋势度的关系显著性水平取0.05；均值取1.0；变差系数取0.5；样本容量取10~100；趋势度取-0.01，-0.005，0，0.005和0.01。Kendall趋势检验法的识别能力与样本容量和趋势度的关系见表2和图2。从蒙特卡洛模拟结果可以看出，随着样本容量和趋势度绝对值的增加，检验法的识别能力增强；特别的，当时，序列无趋势存在，原假设是正确的，此时，检验法的识别能力均等于事先给定的显著性水平。表2MK的识别能力与样本容量和趋势度的关系趋势度样本容量2030405060708090100-0.0100.0690.1260.2840.4980.7290.8970.9750.9960.999-0.0050.0490.0630.1100.1610.2400.3700.5270.6660.7900.0000.0500.0500.0500.0500.0500.0500.0500.0500.0500.0050.0450.0790.0940.1620.2510.3670.4930.6460.7810.0100.0650.1410.2520.4880.7270.8940.9750.9970.999图2Kendall的识别能力与样本容量和趋势度的关系3.3.3识别能力与趋势度、变差系数的关系样本容量取50；显著性水平取0.05；均值为1.0；变差系数取0.01~1.0；趋势度取-0.01，-0.005，0，0.005和0.01。Kendall趋势检验法的识别能力与变差系数、趋势度的关系见表3和图3。从蒙特卡洛模拟结果可以看出，对于同一变差系数，趋势度绝对值越大，则检验法的识别能力越强；而对于同一趋势度，变差系数越大，则检验法越难识别出序列存在趋势成分；特别的，当时，序列无趋势存在，原假设是正确的，此时，检验法的识别能力均等于事先给定的显著性水平。表3Kendall的识别能力与变差系数和趋势度的关系趋势度变差系数0.010.100.200.300.400.500.600.700.800.901.00-0.0101.0001.0000.9990.9040.6860.4980.3680.2920.2380.1930.161-0.0051.0000.9990.6860.3680.2380.1610.1290.1070.0960.0850.0760.0000.0500.0500.0500.0500.0500.0500.0500.0500.0500.0500.0500.0051.0000.9990.6690.3540.2230.1620.1230.1040.0880.0780.0720.0101.0001.0000.9990.8930.6690.4880.3540.2790.2230.1850.162图3Kendall的识别能力与变差系数和趋势度的关系3.3.4识别能力与样本容量、变差系数的关系显著性水平取0.05；均值为1.0；趋势度取0.005；样本容量取10~100；变差系数取0.01~1.0。两种趋势检验法的识别能力与样本容量和变差系数的关系见表4和图4。从蒙特卡洛模拟结果可以看出，对于同一变差系数，检验法的识别能力随着样本容量的增加而增强；而对于同一样本容量，检验法的识别能力则随着变差系数的增加而减小；特别的，当时，序列无趋势存在，原假设是正确的，此时，检验法的识别能力均等于事先给定的显著性水平。表4Kendall的识别能力与样本容量和变差系数的关系样本容量方差系数0.010.100.200.300.400.500.600.700.800.901.00201.0000.2000.0800.0560.0500.0450.0410.0410.0400.0410.041301.0000.5960.1990.1120.0880.0790.0700.0630.0600.0590.057401.0000.9200.3870.2100.1340.1060.0840.0730.0660.0610.055501.0000.9980.6840.3580.2490.1660.1380.1060.0900.0890.083601.0001.0000.8780.5590.3610.2380.1820.1480.1340.1170.098701.0001.0000.9840.7650.5280.3640.2590.2020.1590.1420.128801.0001.0000.9990.9080.6910.4830.3780.3100.2370.1990.169901.0001.0001.0000.9790.8560.6630.5160.3970.3160.2810.2181001.0001.0001.0000.9960.9370.8170.6270.5180.4280.3290.278图4Kendall的识别能力与样本容量和变差系数的关系4、Kendall检验对非正态分布序列趋势的识别能力前面已经讨论了Kendall检验对正态分布序列趋势的识别能力，然而，水文时间序列通常是有偏的，很少有服从正态分布的，因此，下面进一步探讨Kendall检验法识别非正态分布序列趋势的能力。这里比较的都是水文中常用的几种分布类型，包括三类极值分布（EV1、EV2和EV3）、对数正态分布（LN）和皮尔逊Ⅲ型分布（PE3）。4.1识别能力与分布类型的关系为了方便比较研究，样本容量取为50，均值和方差分别取为1.0和0.5，形状参数取值见表5；趋势度仍取-0.01，-0.005，0，0.005和0.01等；蒙特卡洛模拟次数取2000；显著性水平取0.05。根据3.2的步骤评价两种检验法的识别能力，检验结果列于表5中，并以图5来表示。表5Kendall的识别能力与分布类型的关系分布类型趋势度-0.010-0.008-0.006-0.004-0.0020.0000.0020.0040.0060.0080.010PE3（γ=1.5）0.6850.4950.3180.1730.0790.0500.0860.1620.3170.4990.656EV1（γ=0.0）0.4000.27