簡介這份資源聚焦皮爾遜III型曲線的擬合與繪圖面向水文學(xué)、統(tǒng)計學(xué)及水資源管理領(lǐng)域的學(xué)習(xí)者與工程人員幫助解決流量、降雨等連續(xù)隨機(jī)變量的分布建模與頻率計算問題。壓縮包共3個文件均為m腳本文件體積約3KB分別承擔(dān)曲線擬合、參數(shù)計算與繪圖插值等核心環(huán)節(jié)結(jié)構(gòu)精簡、便于直接運行與二次修改。內(nèi)容圍繞形狀參數(shù)κ、尺度參數(shù)θ和位置參數(shù)μ的估計展開涵蓋最大似然估計思路、概率密度函數(shù)繪制以及通過插值獲取不同累積概率對應(yīng)流量值的方法可用于風(fēng)險評估與防洪規(guī)劃等場景。目前已有1303人學(xué)習(xí)下載適合希望快速掌握皮爾遜III型曲線參數(shù)求解、圖形展示與頻率插值實操的讀者參考。1. 皮爾遜III型曲線擬合與繪圖從一組水位數(shù)據(jù)說起手上有一組 30 年的年最大洪峰流量或者一批降雨極值領(lǐng)導(dǎo)要你給出百年一遇的設(shè)計值還要一張能放進(jìn)報告的頻率曲線圖。這時候繞不開的就是皮爾遜III型曲線P-III 型曲線。它本質(zhì)上是伽馬分布的一個變種靠三個參數(shù)——均值、變差系數(shù) Cv、偏態(tài)系數(shù) Cs——把經(jīng)驗點據(jù)擬合成一條光滑的理論頻率曲線再外延到稀遇頻率。標(biāo)題里那串doingni2、thusnwe看著像隨手敲的亂碼但核心訴求很清楚p3曲線的參數(shù)怎么定、皮爾遜曲線怎么擬合、圖怎么畫出來。這篇筆記就按我實際干活的順序把參數(shù)估計、擬合、繪圖、避坑一條線講透適合水文水利、可靠性分析、極值統(tǒng)計方向、手上正拿著 Excel 或 Python 準(zhǔn)備動手的人。2. 皮爾遜III型曲線的三個參數(shù)到底怎么估2.1 先搞清楚 P-III 型曲線的數(shù)學(xué)形態(tài)皮爾遜III型分布的概率密度函數(shù)長這樣f(x) [β^α / Γ(α)] * (x - a0)^(α-1) * exp[-β(x - a0)]其中 α 是形狀參數(shù)β 是尺度參數(shù)a0 是位置參數(shù)。水文上不直接用這三個而是換成均值 x?、變差系數(shù) Cv、偏態(tài)系數(shù) Cs換算關(guān)系是α 4 / Cs2β 2 / (x? · Cv · Cs)a0 x? · (1 - 2Cv / Cs)這三個參數(shù)里均值最穩(wěn)Cv 次之Cs 最玄學(xué)。為什么說 Cs 玄學(xué)因為 Cs 反映的是分布的不對稱程度而實測樣本里極端值就那么幾個去掉一個最大值Cs 可能從 2.0 掉到 1.2。這就是為什么規(guī)范里對 Cs 有各種經(jīng)驗約束而不是讓你純靠矩法硬算。2.2 矩法、權(quán)函數(shù)法、線性矩法選哪個參數(shù)估計主流三條路我按實操推薦度排方法核心思路優(yōu)點缺點適用場景矩法用樣本矩直接算簡單、快Cs 偏差大需大量樣本樣本 50 年粗算權(quán)函數(shù)法對矩法加權(quán)修正Cs 估計更穩(wěn)實現(xiàn)稍復(fù)雜樣本 30~50 年推薦線性矩法用線性組合代替冪矩對極端值不敏感需排序、公式多樣本含特大值首選我一般會均值用矩法Cv 用矩法Cs 先用線性矩法算再對照規(guī)范做適線調(diào)整。線性矩法對異常值穩(wěn)健這是血淚經(jīng)驗——早年直接用矩法算 Cs一個特大洪水把 Cs 拉到 3.5適線時怎么調(diào)都別扭。2.3 用 Python 算三個參數(shù)的最小代碼import numpy as np from scipy import stats # 假設(shè) data 是年最大洪峰流量序列單位 m3/s data np.array([320, 450, 510, 380, 620, 290, 540, 470, 390, 580, 410, 360, 500, 440, 330, 610, 480, 420, 350, 560]) # 1. 均值 mean_x np.mean(data) # 2. 變差系數(shù) Cv 標(biāo)準(zhǔn)差 / 均值 cv np.std(data, ddof1) / mean_x # 3. 偏態(tài)系數(shù) Cs矩法 n len(data) cs_moment n * np.sum((data - mean_x)**3) / ((n-1)*(n-2)*np.std(data, ddof1)**3) # 4. 線性矩法估 Cs更穩(wěn)健 sorted_data np.sort(data) n len(sorted_data) # 線性矩l1均值, l2尺度, l3偏度 b0 np.mean(sorted_data) b1 np.sum([(i)/(n-1) * sorted_data[i] for i in range(1, n)]) / n b2 np.sum([(i*(i-1))/((n-1)*(n-2)) * sorted_data[i] for i in range(2, n)]) / n l1 b0 l2 2*b1 - b0 l3 6*b2 - 6*b1 b0 t3 l3 / l2 # L-skewness # 線性矩與 Cs 的近似換算水文常用 cs_lmom t3 * 3.0 # 粗略換算精確需查表或迭代 print(f均值 {mean_x:.2f}) print(fCv {cv:.3f}) print(fCs(矩法) {cs_moment:.3f}) print(fCs(線性矩) {cs_lmom:.3f})邏輯說明先算均值和 Cv這兩個基本沒爭議。Cs 給了兩套矩法公式里(n-1)*(n-2)是無偏修正樣本小于 30 時這個修正很關(guān)鍵。線性矩部分b0/b1/b2 是概率權(quán)重矩t3 是 L-偏度乘 3 是水文上常用的粗略換算精確值要用多項式或迭代反解。參數(shù)說明ddof1表示樣本標(biāo)準(zhǔn)差除以 n-1別用默認(rèn)的 0。線性矩里i從 1 開始sorted_data[i]是第 i1 個排序值索引別搞錯這是翻車高發(fā)區(qū)。3. 適線法讓理論曲線穿過經(jīng)驗點據(jù)3.1 經(jīng)驗頻率公式怎么選適線的前提是算出每個實測值對應(yīng)的經(jīng)驗頻率。常用公式數(shù)學(xué)期望公式P m / (n1)海森公式P (m - 0.5) / n切哥達(dá)耶夫公式P (m - 0.3) / (n 0.4)我一般用數(shù)學(xué)期望公式因為它無偏且規(guī)范推薦。m 是降序排列的序號n 是樣本數(shù)。注意洪水、降雨極值用降序m1 對應(yīng)最大值的頻率最小別排反了。3.2 適線法的操作步驟適線不是讓程序自動擬合就完事而是人機(jī)交互調(diào)參。標(biāo)準(zhǔn)流程用矩法/線性矩法算出初始 x?、Cv、Cs固定 x?微調(diào) Cv一般 ±0.05 步長再調(diào) Cs一般 ±0.1 步長觀察曲線頭部和尾部目測理論曲線與經(jīng)驗點據(jù)的貼合度重點看頭部幾個大值和尾部外延段確定最終參數(shù)計算設(shè)計頻率對應(yīng)的設(shè)計值為什么固定 x?因為均值是實測樣本的客觀統(tǒng)計量適線時動它沒有物理依據(jù)。Cv 控制曲線的陡緩Cs 控制曲線的彎曲方向。3.3 用 scipy 做適線并計算設(shè)計值import numpy as np from scipy import stats import matplotlib.pyplot as plt data np.array([320, 450, 510, 380, 620, 290, 540, 470, 390, 580, 410, 360, 500, 440, 330, 610, 480, 420, 350, 560]) n len(data) mean_x np.mean(data) cv np.std(data, ddof1) / mean_x cs 2.0 # 先給個初值后面手動調(diào) # 經(jīng)驗頻率數(shù)學(xué)期望公式 sorted_desc np.sort(data)[::-1] m np.arange(1, n1) p_emp m / (n 1) # P-III 型理論頻率scipy 的 pearson3 用偏度參數(shù) # scipy.stats.pearson3 的 skew 參數(shù)就是 Cs # 換算scipy 的 scale 標(biāo)準(zhǔn)差loc 均值 std_x mean_x * cv p_theory np.linspace(0.001, 0.999, 500) # pearson3.ppf 輸入累積概率輸出分位數(shù) q_theory stats.pearson3.ppf(1 - p_theory, skewcs, locmean_x, scalestd_x) # 計算設(shè)計值P1% 百年一遇 q_1pct stats.pearson3.ppf(1 - 0.01, skewcs, locmean_x, scalestd_x) q_01pct stats.pearson3.ppf(1 - 0.001, skewcs, locmean_x, scalestd_x) print(fP1% 設(shè)計值 {q_1pct:.1f}) print(fP0.1% 設(shè)計值 {q_01pct:.1f})邏輯說明pearson3.ppf輸入的是累積概率所以用1 - p把頻率轉(zhuǎn)成累積概率。skewcs直接對應(yīng)偏態(tài)系數(shù)scale是標(biāo)準(zhǔn)差不是 Cv這里容易搞混。設(shè)計值就是查 ppf。參數(shù)說明cs初值給 2.0 是水文常見范圍1.5~3.0實際要調(diào)。p_theory從 0.001 到 0.999 是為了畫圖時曲線覆蓋全范圍。注意ppf在 p 接近 0 或 1 時可能返回 inf畫圖時要截斷。4. 繪圖把頻率曲線畫成能進(jìn)報告的樣子4.1 海森概率格紙是標(biāo)配水文頻率曲線不能畫在普通坐標(biāo)紙上要用海森概率格紙——縱軸是流量線性橫軸是頻率正態(tài)分位刻度。這樣 P-III 型曲線在圖上接近直線方便目測適線效果。用 matplotlib 實現(xiàn)import numpy as np import matplotlib.pyplot as plt from scipy import stats data np.array([320, 450, 510, 380, 620, 290, 540, 470, 390, 580, 410, 360, 500, 440, 330, 610, 480, 420, 350, 560]) n len(data) mean_x np.mean(data) cv np.std(data, ddof1) / mean_x cs 2.0 std_x mean_x * cv # 經(jīng)驗點 sorted_desc np.sort(data)[::-1] m np.arange(1, n1) p_emp m / (n 1) # 理論曲線 p_theory np.linspace(0.001, 0.999, 1000) q_theory stats.pearson3.ppf(1 - p_theory, skewcs, locmean_x, scalestd_x) fig, ax plt.subplots(figsize(10, 6)) # 橫軸用正態(tài)分位刻度把頻率轉(zhuǎn)成標(biāo)準(zhǔn)正態(tài)分位數(shù) def freq_to_z(p): return stats.norm.ppf(1 - p) # 畫理論曲線 z_theory freq_to_z(p_theory) ax.plot(z_theory, q_theory, b-, linewidth2, labelfP-III (Cs{cs})) # 畫經(jīng)驗點 z_emp freq_to_z(p_emp) ax.scatter(z_emp, sorted_desc, colorred, zorder5, label經(jīng)驗點據(jù)) # 設(shè)置橫軸刻度標(biāo)簽為頻率值 ticks_p [0.01, 0.1, 0.5, 1, 2, 5, 10, 20, 30, 40, 50, 60, 70, 80, 90, 95, 99] ticks_z [freq_to_z(p/100) for p in ticks_p] ax.set_xticks(ticks_z) ax.set_xticklabels([f{p} for p in ticks_p]) ax.set_xlabel(頻率 P (%)) ax.set_ylabel(流量 (m3/s)) ax.set_title(皮爾遜III型頻率曲線) ax.grid(True, linestyle--, alpha0.5) ax.legend() plt.tight_layout() plt.savefig(p3_curve.png, dpi300) plt.show()邏輯說明核心技巧是freq_to_z把頻率轉(zhuǎn)成標(biāo)準(zhǔn)正態(tài)分位數(shù)這樣橫軸就變成了概率格紙的刻度。理論曲線用plot連線經(jīng)驗點用scatter。ticks_p是你要顯示的頻率刻度轉(zhuǎn)成 z 值后設(shè)置xticklabels。參數(shù)說明dpi300是報告插圖的最低要求低了打印發(fā)虛。zorder5讓經(jīng)驗點蓋在曲線上。linspace(0.001, 0.999, 1000)保證曲線兩端平滑點數(shù)少了會折線感明顯。4.2 適線調(diào)整的目測要點圖畫出來后重點看三處頭部P 5%理論曲線是否穿過最大的幾個經(jīng)驗點。如果曲線明顯低于最大點說明 Cs 偏小或 Cv 偏小。中部P 20%~80%曲線應(yīng)穿過點群中心偏離說明均值或 Cv 有問題。尾部P 90%外延段是否合理不能出現(xiàn)負(fù)值或急劇上翹。我一般會先調(diào) Cv 讓曲線整體陡緩合適再調(diào) Cs 讓頭部貼合。如果怎么調(diào)都不順回頭檢查經(jīng)驗頻率公式和數(shù)據(jù)里有沒有混入非極值樣本。5. 避坑皮爾遜III型擬合里最容易翻車的 5 個地方5.1 現(xiàn)象Cs 算出來是負(fù)數(shù)曲線反向彎曲原因樣本里小值偏多或存在系統(tǒng)性偏小導(dǎo)致偏度統(tǒng)計量為負(fù)。但水文極值分布理論上 Cs 應(yīng)大于 0。解決檢查數(shù)據(jù)是否混入了非年最大值比如把月最大值當(dāng)年最大值。如果數(shù)據(jù)沒問題用線性矩法重算或按規(guī)范取 Cs 2~3 倍 Cv 作為約束。別硬用負(fù) Cs 去適線外延會出負(fù)值。5.2 現(xiàn)象設(shè)計值 P0.1% 算出來比 P1% 還小原因pearson3.ppf的累積概率方向搞反了或者頻率和累積概率換算錯誤。解決記住P頻率越小設(shè)計值越大。ppf(1-p)里 p 是頻率1-p 是累積概率。P0.001 對應(yīng)累積概率 0.999分位數(shù)最大。檢查代碼里有沒有寫成ppf(p)。5.3 現(xiàn)象經(jīng)驗點畫在圖上位置全亂和理論曲線對不上原因排序方向錯了。頻率最小的點應(yīng)該對應(yīng)最大值如果升序排列m1 對應(yīng)最小值頻率和值就反了。解決用np.sort(data)[::-1]降序排列或者np.sort(data)[::-1]后 m 從 1 開始。畫圖前打印前 5 個(p_emp, sorted_desc)對確認(rèn) P 小值大。5.4 現(xiàn)象matplotlib 畫出來橫軸刻度擠在一起頻率標(biāo)簽重疊原因概率格紙的刻度是非線性的兩端密中間疏默認(rèn)刻度會重疊。解決手動指定ticks_p只保留關(guān)鍵頻率點0.01, 0.1, 0.5, 1, 2, 5, 10, 20, 50, 80, 90, 95, 99用set_xticksset_xticklabels控制。必要時旋轉(zhuǎn)標(biāo)簽rotation45。5.5 現(xiàn)象換一組數(shù)據(jù)后 Cs 從 2.0 跳到 3.5設(shè)計值差一倍原因樣本容量太小 30Cs 對極端值極度敏感這是 P-III 型曲線的固有缺陷。解決小樣本時用地區(qū)綜合法——把鄰近站點的 Cs 綜合成一個區(qū)域值或者用線性矩法降低敏感度。如果必須單站適線在報告里注明 Cs 的不確定性范圍給出設(shè)計值的區(qū)間而不是單點。6. 進(jìn)階用線性矩法自動適線并做不確定性評估手動調(diào)參適合出報告但如果你要批量處理幾十個站點或者想量化設(shè)計值的不確定性得換自動化思路。我現(xiàn)在的習(xí)慣是線性矩法估初值 優(yōu)化算法微調(diào) Bootstrap 重采樣給置信區(qū)間。線性矩法的優(yōu)勢前面提過對極端值穩(wěn)健。自動適線的目標(biāo)函數(shù)用經(jīng)驗點與理論曲線的加權(quán)殘差平方和權(quán)重取經(jīng)驗頻率的倒數(shù)讓頭部大值權(quán)重更高import numpy as np from scipy import stats, optimize data np.array([320, 450, 510, 380, 620, 290, 540, 470, 390, 580, 410, 360, 500, 440, 330, 610, 480, 420, 350, 560]) n len(data) sorted_desc np.sort(data)[::-1] m np.arange(1, n1) p_emp m / (n 1) def objective(params): mean_x, cv, cs params if cv 0 or cs 0: return 1e10 std_x mean_x * cv q_theory stats.pearson3.ppf(1 - p_emp, skewcs, locmean_x, scalestd_x) # 加權(quán)殘差頭部權(quán)重高 weights 1.0 / p_emp return np.sum(weights * (sorted_desc - q_theory)**2) # 初值矩法 mean0 np.mean(data) cv0 np.std(data, ddof1) / mean0 cs0 2.0 result optimize.minimize(objective, [mean0, cv0, cs0], methodNelder-Mead, options{xatol: 1e-4, fatol: 1e-4}) mean_fit, cv_fit, cs_fit result.x print(f適線結(jié)果: 均值{mean_fit:.1f}, Cv{cv_fit:.3f}, Cs{cs_fit:.3f}) # Bootstrap 不確定性評估 n_boot 500 q_1pct_boot [] for _ in range(n_boot): sample np.random.choice(data, sizen, replaceTrue) s_desc np.sort(sample)[::-1] p_b np.arange(1, n1) / (n 1) def obj_b(params): mx, cv, cs params if cv 0 or cs 0: return 1e10 q_t stats.pearson3.ppf(1 - p_b, skewcs, locmx, scalemx*cv) return np.sum((1.0/p_b) * (s_desc - q_t)**2) res_b optimize.minimize(obj_b, [np.mean(sample), np.std(sample, ddof1)/np.mean(sample), 2.0], methodNelder-Mead) mx, cv, cs res_b.x q_1pct_boot.append(stats.pearson3.ppf(0.99, skewcs, locmx, scalemx*cv)) q_1pct_boot np.array(q_1pct_boot) print(fP1% 設(shè)計值 90% 置信區(qū)間: [{np.percentile(q_1pct_boot, 5):.1f}, {np.percentile(q_1pct_boot, 95):.1f}])邏輯說明objective是加權(quán)殘差平方和權(quán)重1/p_emp讓 P 小的點大值在擬合中占更大比重這符合水文關(guān)注稀遇事件的邏輯。Nelder-Mead不需要梯度適合這種參數(shù)有約束的優(yōu)化。Bootstrap 重采樣 500 次每次重新適線得到設(shè)計值的分布取 5% 和 95% 分位數(shù)作為 90% 置信區(qū)間。參數(shù)說明xatol和fatol控制收斂精度1e-4 對工程夠用。n_boot500是精度和耗時的折中要求高可以上 1000。Bootstrap 里每次都要重新優(yōu)化計算量是 500 倍樣本大時要有耐心。這套流程跑下來你不僅能給出設(shè)計值還能告訴領(lǐng)導(dǎo)「這個值有 90% 把握落在某個區(qū)間內(nèi)」比單點值有說服力得多。我現(xiàn)在的習(xí)慣是任何要簽字的設(shè)計值都附一個 Bootstrap 置信區(qū)間這是給自己留的后悔藥——萬一后面數(shù)據(jù)更新至少能說清楚當(dāng)時的不確定性范圍。皮爾遜III型曲線擬合不難難的是知道它的邊界在哪希望幫到你。本文還有配套的精品資源點擊獲取