风向作为风荷载变异性的关键因素之一,在极端风速预测中不容忽视。基于安徽省67个气象站点1980—2020年间的历史日极值风速和风向数据,分别对风速和风向进行了概率分布建模分析。结合最优边际分布,采用3种常用的阿基米德Copula函数建立...风向作为风荷载变异性的关键因素之一,在极端风速预测中不容忽视。基于安徽省67个气象站点1980—2020年间的历史日极值风速和风向数据,分别对风速和风向进行了概率分布建模分析。结合最优边际分布,采用3种常用的阿基米德Copula函数建立了风速和风向的二维联合分布模型。最后结合Copula函数的条件概率理论,给出了全省范围内16个风向上50年重现期下的设计风速区划。研究结果表明,Gumbel分布和三阶von Mises分布适用于全省绝大多数站点风速和风向的边际分布。根据赤池信息准则(Akaike information criterion,AIC)可以发现,对于大多数气象站点的二维联合分布,Frank-Copula函数拟合误差最小。各风向下的极值风速大小存在显著差异,忽略风向的极值风速预测,将会导致计算结果不准确。展开更多
文摘风向作为风荷载变异性的关键因素之一,在极端风速预测中不容忽视。基于安徽省67个气象站点1980—2020年间的历史日极值风速和风向数据,分别对风速和风向进行了概率分布建模分析。结合最优边际分布,采用3种常用的阿基米德Copula函数建立了风速和风向的二维联合分布模型。最后结合Copula函数的条件概率理论,给出了全省范围内16个风向上50年重现期下的设计风速区划。研究结果表明,Gumbel分布和三阶von Mises分布适用于全省绝大多数站点风速和风向的边际分布。根据赤池信息准则(Akaike information criterion,AIC)可以发现,对于大多数气象站点的二维联合分布,Frank-Copula函数拟合误差最小。各风向下的极值风速大小存在显著差异,忽略风向的极值风速预测,将会导致计算结果不准确。
