珠江河口區(qū)復(fù)合洪水事件多要素非一致性的時變遭遇分析

張 卡，劉丙軍,2，胡仕焜，曾 慧，張明珠，李 丹

（1.中山大學(xué) 土木工程學(xué)院，廣東 珠海 519085；2.中山大學(xué) 水資源與環(huán)境研究中心，廣州 510275；3.廣州市水務(wù)科學(xué)研究院有限公司，廣州 510220）

近年來，中國南海沿岸極端臺風(fēng)發(fā)生的頻率與強(qiáng)度逐年增大，上游洪水、臺風(fēng)和天文潮疊加引起的復(fù)合洪水事件問題日趨嚴(yán)重，嚴(yán)重威脅三角洲地區(qū)人民的生命財產(chǎn)安全（羅志發(fā) 等，2022）。上游洪水、臺風(fēng)和天文潮的時空分布不均，引發(fā)的潮位增水，洪水、狂風(fēng)等事件組合存在高度不確定性。針對自然事件的風(fēng)險特征，開展上游洪水、臺風(fēng)和天文潮復(fù)合事件的主控因子診斷及其和多要素遭遇分析，對河口地區(qū)防范復(fù)合洪水事件有重大的現(xiàn)實意義。

復(fù)合洪水事件多要素遭遇分析是研究復(fù)合洪水事件規(guī)律的重要手段之一，利用Copula函數(shù)連接多個變量邊緣分布構(gòu)建聯(lián)合分布函數(shù)的水文統(tǒng)計方法，既能通過篩選不同的連接函數(shù)體現(xiàn)隨機(jī)變量之間關(guān)聯(lián)性，又能通過構(gòu)造多變量不同的邊緣分布（關(guān)帥 等，2015），使得每種邊緣分布函數(shù)保留自己分布的特點，反映單個隨機(jī)變量分布特征。Copula函數(shù)可以反映水文事件隨機(jī)性、相依性的特點，近年來被廣泛應(yīng)用到水文要素的頻率分析（趙鐵松等，2020）。目前，國內(nèi)基于上海地區(qū)降水、風(fēng)速、潮位、雨量的年極值時間序列，探討了“雨洪風(fēng)”“雨洪潮”和“雨風(fēng)潮”3種致災(zāi)因子碰頭情況下的聯(lián)合分布函數(shù)，并進(jìn)行了組合風(fēng)險分析（賀芳芳等，2021）。高月嬌等（2023）構(gòu)建降水廣義可加模型的二維Copula模型分析得出，1982—2015年黃土高原地區(qū)旱澇復(fù)合事件極端情景顯著上升，且復(fù)合事件動態(tài)變化的主導(dǎo)因子為北極濤動指數(shù)和太陽黑子指數(shù)；侯靜惟等（2019）構(gòu)建了熱帶氣旋災(zāi)害的主要致災(zāi)因子大風(fēng)和降水之間的二元Copula 函數(shù)，研究了不同Copula的聯(lián)合重現(xiàn)期的相關(guān)性。許瀚卿等（2022）通過構(gòu)建上海極端降水和極值水位兩變量的聯(lián)合分布函數(shù)，評估不同聯(lián)合重現(xiàn)期下降水和潮汐增水組合的復(fù)合洪澇風(fēng)險。Bevacqua 等（2019）利用Copula 結(jié)構(gòu)研究發(fā)現(xiàn)，意大利拉文納2015年2月的復(fù)合洪水是通過一個低壓系統(tǒng)在多個河流集水區(qū)產(chǎn)生臺風(fēng)、天文潮和強(qiáng)降水形成的。Ohlwein 和Friederichs（2008）基于Copula 的方法運用多元關(guān)聯(lián)分析工具箱（MvCAT）、Vine Copula中C藤和D藤、貝葉斯概率等方法，擴(kuò)展了多元模型的數(shù)量。Olbert 等（2023）以愛爾蘭南海岸的科克市為例，將統(tǒng)計和流體動力學(xué)模型聯(lián)系起來，利用Copula函數(shù)確定浪涌、沿海水位、河流流量關(guān)系的聯(lián)合概率，提高了MSN_Flood模型模擬不同洪水情景下洪水傳播情況的精度。Yang 和Qian 等（2019）提出了一種有效的粒子群優(yōu)化（PSO）估計風(fēng)速、極端水位、降水邊際累積分布和Copula函數(shù)的參數(shù)，該方法計算Copula 條件聯(lián)合分布誤差較小。目前利用二元Copula函數(shù)對復(fù)合事件進(jìn)行遭遇分析的方法成熟且研究廣泛，這些研究表明極端復(fù)合事件發(fā)生概率正顯著上升，復(fù)合事件中主要致災(zāi)因子的影響程度不同。受氣候變暖的影響，復(fù)合事件中各個致災(zāi)因子并非呈現(xiàn)出一致性，且復(fù)合事件的發(fā)生受多種致災(zāi)因子影響，二元Copula函數(shù)方法應(yīng)用受限，未來仍需深入研究多元Copula函數(shù)技術(shù)以及復(fù)合事件中非一致性水文資料的遭遇分析。

當(dāng)前對沿海地區(qū)復(fù)合洪水事件遭遇分析的研究大多以水文因子一致性假設(shè)為基礎(chǔ)，要求水文序列的統(tǒng)計特征不隨時間改變。珠江河口河網(wǎng)縱橫交錯，天文大潮、臺風(fēng)等極端氣候背景和人類活動雙驅(qū)動作用下，會導(dǎo)致對洪水概率分布描述的偏差（顧西輝 等，2014）。傳統(tǒng)以固定Copula 參數(shù)分布的研究方法，忽略了各個水文序列的非一致性，會導(dǎo)致復(fù)合洪水事件遭遇等級有所偏差。因此，本研究以珠江河口為研究對象，在傳統(tǒng)復(fù)合洪水事件聯(lián)合分布風(fēng)險評估框架內(nèi)，進(jìn)一步考慮潮位、風(fēng)速、流量3 種因子潛在的非一致性，并利用GAMLSS模型（Durocher et al., 2015） 和Copula 似然比方法（Huang et al.,2017）構(gòu)建三變量聯(lián)合時變分布函數(shù)，分析不同等級復(fù)合洪水事件的時變特征和遭遇規(guī)律。以期為珠江河口復(fù)合洪水事件防御提供理論與技術(shù)支撐。

1 研究區(qū)概況與數(shù)據(jù)

珠江河口位于廣東省中南部、珠江下游，該地區(qū)總面積為5.54 萬km2，珠江干流全長2 214 km，主要由西江、北江和東江匯合而成。水道縱橫交錯形成密集的河網(wǎng)流經(jīng)虎門、蕉門、洪奇門、橫門、磨刀門、雞鳴門、虎跳門和崖口八大口門匯入南海。這些密集的河網(wǎng)攜帶的泥沙在珠江口河口灣內(nèi)堆積形成了包括惠州市、東莞市、廣州市、佛山市、江門市、中山市、深圳市、珠海市、肇慶市九大城市的珠江三角洲（圖1）。珠江入海的水量約為3 742 億m3，其中，西江是珠江的主干流，西江、北江的中下游干流水道主要從珠江的磨刀門入海，三水站和馬口站分別位于北江和西江中下游干流處，可代表珠江上游總徑流量，而澳門站和三灶站位于珠江河口，能較好的代表珠江河口地區(qū)受臺風(fēng)影響時的潮位和風(fēng)速。每年汛期西北太平洋海面發(fā)生的臺風(fēng)大多在珠江河口地區(qū)登陸，若同時和天文潮、上游洪水疊加往往會造成嚴(yán)重的水位抬升，導(dǎo)致漫灘漫堤，造成重大的生命財產(chǎn)損失（李闊 等，2010）。2018-09-07“山竹”臺風(fēng)在西太平洋海面生成，9月16日在中國廣東省臺山市海晏鎮(zhèn)登陸，引發(fā)珠江河口測站最大增水達(dá)3.37 m，造成廣東省5人死亡，約252 萬人緊急避險轉(zhuǎn)移和安置，600 余間房屋損毀，103.5千hm2農(nóng)作物受災(zāi)，直接經(jīng)濟(jì)損失32.1 億元（劉士誠 等，2021）。粵港澳大灣區(qū)位于珠江河口地區(qū)，地理位置特殊，經(jīng)濟(jì)發(fā)達(dá)，受上游洪水、臺風(fēng)和天文潮復(fù)合洪水事件影響巨大。

圖1 研究區(qū)域示意Fig.1 Schematic diagram of study area

基于珠江河口地帶1988—2017年共30 a的三灶站每日最大潮位、澳門氣象站每日平均風(fēng)速，采用年最大值法篩選三灶站日極值潮位，并找到該天文潮事件對應(yīng)的日最大風(fēng)速、日最大流量。其中，極值潮位表征珠江河口地區(qū)復(fù)合洪水事件的天文潮量級，三水和馬口兩站每日總流量代表復(fù)合洪水事件的洪水洪峰量，澳門日最大風(fēng)速表征復(fù)合洪水事件的臺風(fēng)量級構(gòu)建三要素時變聯(lián)合分布函數(shù)，分析珠江河口3種因子時變特征及其遭遇規(guī)律。

2 研究方法

2.1 GAMLSS函數(shù)

以時變矩法的內(nèi)容作為基本思路，Rigby 等（2005）提出水文序列中位置、尺度和形狀的廣義可加模型（Generalized Additive Models for Location, Scale and Shape, GAMLSS），用于模擬不同水文序列的時變參數(shù)邊緣分布。模型定義研究變量Y的n個獨立觀測值yi服從概率分布f(yi|Θi)，其中Θi=(θi1，θi2，θi3，θi4)=(μi，σi，νi，τi)為概率分布參數(shù)組成的向量，μi和σi對應(yīng)為變量Y的均值向量以及變差系數(shù)向量，νi和τi定義為偏度和峰度參數(shù)。利用連接函數(shù)gk(θk)建立概率分布參數(shù)和解釋變量之間的聯(lián)系，連接函數(shù)的一般表達(dá)式為（Rigby et al., 2005）：

式中：gk(θk)代表n個時段的解釋變量Xk對已知設(shè)計矩陣Zjkτμ的連接函數(shù)，k= 1，2，3，4；βk為待求解的參數(shù)向量；Zjk為已知的設(shè)計矩陣；τμ是由隨機(jī)變量組成的列向量，選取不同的概率分布曲線和概率分布參數(shù)可以構(gòu)建多個GAMLSS 模型，本文GAMLSS 模型主要基于R 語言中的GAMLSS 包，通過其中可選擇的伽馬分布（Gamma, GA）、耿貝爾分布（Gumbel, GU）、邏輯斯諦分布（Logistic,LO）、 正 態(tài) 分 布（Normal, NO）、 韋 伯 分 布（Weibull, WEI）、廣義帕累托分布（Generalized pareto, GP）等選取最優(yōu)時變邊緣分布曲線。

2.2 時變Copula函數(shù)

不同類型Copula函數(shù)與參數(shù)分別代表多個變量耦合的形狀以及耦合強(qiáng)度?；贑opula函數(shù)的似然比方法（Copula-based likelihood-rat io test, CLR test）可以檢驗不同變量耦合強(qiáng)度（Huang et al.,2017）。假設(shè)Copula 函數(shù)的類型不變，檢測Copula函數(shù)的參數(shù)是否發(fā)生變化，其原理為：已知yi是序列觀測值，且服從概率分布函數(shù)F(y1|θc，n)，其中θc,n為不同時段的Copula函數(shù)的參數(shù)，H0假設(shè)Copula函數(shù)不同時段的參數(shù)不發(fā)生變化。

構(gòu)造與Copula函數(shù)參數(shù)有關(guān)的似然比Xk，當(dāng)Xk較小時，拒絕原假設(shè)H0，兩者擬合而成的Copula函數(shù)存在變點K， 似然比Xk與Copula 函數(shù)參數(shù)θc，0，θc，1，θc，2極大似然值的解析式為（方偉，2020）：

式中：Ln()為數(shù)據(jù)數(shù)量為n的水文序列似然函數(shù)；Lk()和Ln-k()為Copula 突變點前后的似然函數(shù)；c()為Copula 函數(shù)的概率密度函數(shù)；η0，η1，η2為Copula函數(shù)參數(shù)θc,0，θc,1，θc,2的極大似然估計值。

若Xk的對數(shù)統(tǒng)計檢驗值Zn概率值＜5%，表明在5%顯著性水平下拒絕原假設(shè)，即該變量的Copula關(guān)系存在突變點，其突變點位于（方偉，2020）：

若Copula 函數(shù)存在突變則其參數(shù)θk為時變參數(shù)。當(dāng)Copula 參數(shù)隨時間發(fā)生變化時，引入年份t作為解釋變量，其解析式為（方偉，2020）：

采用邊際函數(shù)推斷法（Inference function for Marginal method, IFM），通過最大化對數(shù)似然公式求Copula參數(shù)θ的表達(dá)式（方偉，2020）。

式中：c為Copula的概率密度函數(shù)；f1、f2分別代表潮位、風(fēng)速的已知邊緣分布函數(shù)，將等號右側(cè)第一項最大化即可得到Copula時變參數(shù)的最優(yōu)β0和β1。

Joe（1993）引入嵌套阿基米德Copula 即分層Copula，來改善不同變量的相關(guān)性。本文應(yīng)用完全嵌套Copula 函數(shù)（陳沖，2020），將潮位、風(fēng)速二變量時變Copula函數(shù)與和時變流量邊緣分布函數(shù)進(jìn)行擬合，構(gòu)建時變?nèi)兞柯?lián)合分布函數(shù)，其表達(dá)式為（張野 等，2017）：

式中：un指不同變量的邊緣分布函數(shù)；C表示不同的Copula連接函數(shù)。

3 結(jié)果分析

3.1 時變聯(lián)合分布函數(shù)優(yōu)選

根據(jù)單位根檢驗（Augmented Dickey-Fuller test）得到潮位、風(fēng)速、流量時間序列均為非一致性序列，選用GAMLSS模型估計3組水文時間序列的時變統(tǒng)計參數(shù)，利用貝葉斯信息度量（Bayesian information criterion）BIC值，判斷不同邊緣分布曲線的擬合程度，如表1 所示。BIC 值最小的Normal分布、Gamma分布和Weibull分布的擬合程度越高，它們分別為潮位、風(fēng)速、流量擬合的最優(yōu)邊緣分布函數(shù)。圖2顯示：擬合后的邊緣分布函數(shù)偏差點均位于95%置信區(qū)間（虛線）內(nèi)，且均靠近偏值為0的黑色虛線周圍，即3種變量非一致性邊緣分布函數(shù)擬合效果較好，擬合后的邊緣分布函數(shù)各年份偏差值較小，擬合誤差小，精度高，能較好地模擬不同水文序列概率密度的時變特征。

表1 GAMLSS模型擬合的潮位、風(fēng)速、流量BIC值Table 1 Tide level, wind speed and flow BIC values fitted by GAMLSS model

圖2 基于Worm plot的潮位（a）、風(fēng)速（b）、流量（c）擬合優(yōu)度檢驗Fig.2 Tide(a), wind speed(b) and flow(c) fitting effect test based on Worm Plot

潮位和風(fēng)速的相依關(guān)系呈現(xiàn)非一致性特征，利用Copula 似然比方法進(jìn)行擬合。選取BIC 最小的Frank Copula 函數(shù)作為最優(yōu)的Copula 函數(shù)。優(yōu)選的Frank Copula函數(shù)參數(shù)θ和時間的函數(shù)關(guān)系為ln (θ-1)= 0.84 -0.54t（其中t為時間年份與初始時間1988年之間的差值），構(gòu)建時變參數(shù)的潮位-風(fēng)速時變Copula參數(shù)（圖3）。在潮位-風(fēng)速時變Copula參數(shù)圖中，當(dāng)潮位、風(fēng)速耦合結(jié)構(gòu)呈現(xiàn)非一致性關(guān)系時，選取的最優(yōu)Copula的參數(shù)隨時間不斷減小，由于Copula 函數(shù)類型均為Frank Copula，潮位和風(fēng)速相依結(jié)構(gòu)的形狀不變，兩者尾部相關(guān)性不強(qiáng)。選取不同年份的潮位-風(fēng)速聯(lián)合分布函數(shù)，與時變最優(yōu)流量邊緣分布函數(shù)構(gòu)建第三層Copula函數(shù)，通過嵌套結(jié)構(gòu)獲得1990、1999、2017年的三變量聯(lián)合分布函數(shù)（圖4），可知，隨著時間變化3種變量耦合后的聯(lián)合分布的概率有小幅度增大。

圖3 潮位-風(fēng)速時變Copula參數(shù)Fig.3 Time-varying Copula parameter diagram of combined tidal level and wind speed

圖4 各年三變量聯(lián)合分布函數(shù)（a.1990年，θ=3.17；b.1999年，θ=2.94；c.2017年，θ=2.54）Fig.4 Three-variable joint distribution function in 1990(a.θ=3.17), 1999(b.θ=2.94), 2017(c.θ=2.54)

3.2 不同等級臺風(fēng)重現(xiàn)期時變分析

利用非線性Copula函數(shù)，分析2008-09-19—26“黑格比”、2012-07-21—24“韋森特”與2013-09-18—222“天兔”3場不同等級復(fù)合洪水事件在1988—2017年不同年份時變聯(lián)合重現(xiàn)期，利用三場等級復(fù)合洪水事件的潮位、流量、風(fēng)速極值計算時變聯(lián)合重現(xiàn)期，結(jié)果如圖5所示，通過分析得出如下幾點認(rèn)識：

圖5 不同臺風(fēng)事件時變聯(lián)合重現(xiàn)期Fig.5 Combined return periods of different storm surge events

1）時變聯(lián)合分布函數(shù)能更好地體現(xiàn)水文序列的非穩(wěn)定性和時變特征，能較好地反映隨時間變化下各等級臺風(fēng)危險性的變化。假設(shè)水文序列為平穩(wěn)序列，利用傳統(tǒng)的邊緣分布函數(shù)和傳統(tǒng)恒定Copula參數(shù)可以計算得到“黑格比”“韋森特”“天兔”復(fù)合洪水事件的恒定參數(shù)聯(lián)合重現(xiàn)期分別為11.9、4.37、6.51 a。但利用Copula 似然比方法計算的時變情況下1988—2017年“黑格比”復(fù)合洪水事件平均約為12.28 a一遇，2008年“黑格比”復(fù)合洪水事件的重現(xiàn)期為11.74 a，比傳統(tǒng)恒定Copula參數(shù)計算的聯(lián)合重現(xiàn)期??；利用恒定參數(shù)的聯(lián)合分布函數(shù)求得的“韋森特”事件“天兔”事件的重現(xiàn)期分別為4.37 和6.51 a，比復(fù)合洪水事件發(fā)生年份的時變聯(lián)合分布函數(shù)的重現(xiàn)期4.19 和6.53 a 長，且3 場復(fù)合洪水事件重現(xiàn)期隨時間變化不斷縮小，利用時變聯(lián)合分布函數(shù)比傳統(tǒng)恒定Copula參數(shù)方法計算的3場典型復(fù)合事件的重現(xiàn)期更長，即復(fù)合洪水事件等級較強(qiáng)，利用時變聯(lián)合分布函數(shù)比傳統(tǒng)恒定Copula參數(shù)計算的重現(xiàn)期更符合實際。

2）在變化環(huán)境下，隨著時間推移，不同等級復(fù)合洪水事件聯(lián)合重現(xiàn)期不斷縮短，發(fā)生的頻率不斷增大，且等級較大的復(fù)合洪水事件重現(xiàn)期減小的趨勢更快，說明未來相同復(fù)合事件發(fā)生頻率將會不斷增加，同一場復(fù)合洪水事件在未來發(fā)生的危險性增強(qiáng)。1999年發(fā)生“黑格比”等級復(fù)合洪水事件的重現(xiàn)期約為13.06 a，2017年該等級復(fù)合洪水事件的重現(xiàn)期為10.80 a，且在1999—2004 年其復(fù)合洪水事件重現(xiàn)期縮短較快，表明該等級復(fù)合洪水事件未來發(fā)生的頻率在增大，未來大約每12 a將可能出現(xiàn)一場該等級的復(fù)合洪水事件?！昂诟癖取薄绊f森特”“天兔”3 場復(fù)合洪水事件重現(xiàn)期在1988—2017 年的變化特征一致，在1988—2017 年“黑格比”“韋森特”天兔“復(fù)合洪水事件的重現(xiàn)期均縮短了2.26、1.06、0.97 a，整體上，等級越高的復(fù)合洪水事件縮短的趨勢越快，則未來相同等級的復(fù)合洪水事件重現(xiàn)期將會縮短，發(fā)生的概率將會增大。

3.3 復(fù)合洪水事件主控因子分析

基于珠江河口潮位、風(fēng)速、流量的非平穩(wěn)性變化特點與復(fù)合洪水事件遭遇組合，利用敏感性分析方法，探討該河口區(qū)不同重現(xiàn)期基準(zhǔn)下上游洪水、臺風(fēng)和天文潮復(fù)合洪水事件的主控因子，若潮位、風(fēng)速、流量單變量重現(xiàn)期均為5、10、20、50 a 一遇時，控制潮位、風(fēng)速、流量中2 種水文變量重現(xiàn)期不變，將某一因子的重現(xiàn)期提高到10、20、50、100、200、500、1 000 a 一遇，計算該致災(zāi)因子重現(xiàn)期提高后的2013 年復(fù)合洪水事件的同現(xiàn)重現(xiàn)期（圖6），通過分析4幅熱力圖得出如下幾點認(rèn)識：

圖6 以5、10、20、50 a為基準(zhǔn)單變量不同頻率下三變量同現(xiàn)重現(xiàn)期Fig.6 The recurrence period of three variables with one variable and different frequencies by 5, 10, 20, 50 a

1）當(dāng)以5 a為基準(zhǔn)重現(xiàn)期時，復(fù)合洪水事件主要受臺風(fēng)影響較大；以10、20、50 a為基準(zhǔn)重現(xiàn)期時，重現(xiàn)期逐漸增大，復(fù)合洪水事件主要受天文潮影響較大。整體上天文潮對復(fù)合洪水事件的影響程度最大。潮位和流量2種因子的重現(xiàn)期不變均為5 a一遇時，降低風(fēng)速因子發(fā)生頻率，使其風(fēng)速單變量重現(xiàn)期增長，則復(fù)合洪水事件危險性變化最強(qiáng)。風(fēng)速重現(xiàn)期從5 a一遇增大到100 a一遇時，復(fù)合洪水事件的同現(xiàn)重現(xiàn)期從11.91 a 一遇增大到42.94 a 一遇，其增大幅度為260.54%，表明復(fù)合洪水事件對天文潮的敏感程度更高。當(dāng)潮位的重現(xiàn)期從5 a 一遇提高到100 a 一遇時，復(fù)合洪水事件同現(xiàn)重現(xiàn)期從11.91 a 一遇變?yōu)?6.47 a 一遇，整體變化幅度為206.21%；但隨著上游流量的發(fā)生頻率減小，流量重現(xiàn)期增大，復(fù)合洪水事件同現(xiàn)重現(xiàn)期的變化程度較小，當(dāng)潮位和風(fēng)速為5 a一遇，流量為100 a一遇時，復(fù)合洪水事件的同現(xiàn)重現(xiàn)期僅為18.59 a一遇，整體變化幅度為56.09%。當(dāng)以10、20、50 a為基準(zhǔn)重現(xiàn)期時，潮位重現(xiàn)期改變?yōu)? 000 a一遇時，三變量同現(xiàn)重現(xiàn)期為323.72、357.54、494.38 a，比流量和風(fēng)速改變導(dǎo)致的同現(xiàn)重現(xiàn)期更長，表明復(fù)合洪水事件對天文潮更為敏感，更容易受其影響。

2）重現(xiàn)期基準(zhǔn)改變時其同現(xiàn)重現(xiàn)期改變幅度也有所不同，當(dāng)重現(xiàn)期基準(zhǔn)為5 a時，風(fēng)速從5 a一遇改變?yōu)? 000 a 一遇時，同現(xiàn)重現(xiàn)期從11.91 a 增長到81.28 a，重現(xiàn)期增長了69.37 a；重現(xiàn)期基準(zhǔn)為50 a時，隨著潮位這一單變量重現(xiàn)期增長，同現(xiàn)重現(xiàn)期增長到420.17 a，增長幅度最大。因此當(dāng)3種因子的基準(zhǔn)較大時，某一變量重現(xiàn)期改變，三變量同現(xiàn)重現(xiàn)期變化幅度最大。

4 結(jié)論

基于珠江河口1988—2017年三灶站潮位、澳門氣象站風(fēng)速、三水和馬口流量的逐日極值數(shù)據(jù)，利用GAMLSS 模型和時變Copula 函數(shù)構(gòu)建了復(fù)合洪水事件發(fā)生時3種因子的時變聯(lián)合分布函數(shù)，分析了變化環(huán)境下上游洪水、臺風(fēng)和天文潮3種事件的遭遇分析以及該復(fù)合事件的主控因子，得到以下主要結(jié)論：

1）復(fù)合洪水事件中潮位、風(fēng)速、流量水文序列呈現(xiàn)非平穩(wěn)特征，且互相之間有一定的相依關(guān)系，因此，在進(jìn)行復(fù)合洪水事件遭遇評估時，需考慮3種因子的非平穩(wěn)性特征。本文所構(gòu)建的時變聯(lián)合分布函數(shù)能較好地反映3種水文序列的非平穩(wěn)特征，對研究復(fù)合洪水事件多要素的遭遇特征適用程度更高，更符合實際情況。

2）與傳統(tǒng)恒定Copula參數(shù)的聯(lián)合重現(xiàn)期相比，非線性時變聯(lián)合分布函數(shù)計算的3次典型復(fù)合洪水事件的重現(xiàn)期隨時間推移不斷減小，表明該等級復(fù)合洪水事件發(fā)生概率不斷增大，未來該等級復(fù)合洪水事件的周期性會不斷縮小，重現(xiàn)期將縮短，即未來復(fù)合洪水事件將增多。且等級越高的復(fù)合洪水事件重現(xiàn)期縮短的趨勢越快。如“黑格比”臺風(fēng)引起的復(fù)合洪水事件在1988—2017年的聯(lián)合重現(xiàn)期隨著時間演變呈現(xiàn)不斷減小的趨勢，從13.06 a一遇，減小至10.80 a一遇，未來大約每12 a將可能出現(xiàn)一場該等級的復(fù)合洪水事件。

3）當(dāng)3種因子重現(xiàn)期較小時，復(fù)合洪水事件主要受臺風(fēng)影響較大；重現(xiàn)期逐漸增大，復(fù)合洪水事件主要受天文潮影響較大。當(dāng)其余2種致災(zāi)因子均為5 a 一遇時，隨著風(fēng)速和潮位的發(fā)生等級增長到100 a一遇，其同現(xiàn)重現(xiàn)期增長到42.94和36.47 a一遇，增長了31.03 和21.56a，流量所引起的聯(lián)合重現(xiàn)期的增幅僅為56.09%，即天文潮和臺風(fēng)對上游洪水、臺風(fēng)和天文潮的復(fù)合洪水事件規(guī)模的影響程度較大，上游洪水的影響作用相對偏小。當(dāng)以10、20、50 a為基準(zhǔn)重現(xiàn)期時，隨著潮位重現(xiàn)期改變?yōu)? 000 a一遇，三變量同現(xiàn)重現(xiàn)期增長幅度最大，復(fù)合洪水事件更容易受天文潮影響。