孟加拉国恒河—布拉马普特拉—梅克纳流域复合洪水驱动因子的随机依赖性与风险评估

《Water》：Stochastic Dependence and Risk Assessment of Compound Flood Drivers in the Ganges–Brahmaputra–Meghna Basin, Bangladesh

　　

气候诱发的水文气象极端事件对恒河—布拉马普特拉—梅克纳（GBM）流域构成持续威胁，传统的单变量洪水评估系统性地低估了复合灾害风险。本研究提出了一种跨境风险方法，将流域尺度的季风因子（GBM降水与土壤湿度）与孟加拉国三角洲的季节性洪水足迹联系起来。传统评估通常关注特定水文站的河流流量，而本研究利用一致的31年卫星衍生记录，对前期土壤湿度与下游淹没范围之间的关系进行了综合评估。利用1988–2021年间ERA5-Land驱动因子和JRC全球地表水足迹的纵向档案，研究人员应用双变量copula框架来表征季风降水、前期土壤湿度和季节性洪水范围之间的非线性依赖关系。分析确定Gumbel copula为最优模型，揭示了显著的上尾依赖性（λ_u = 0.227），证实了极端事件期间的强烈效应。水文归因表明，上游流域饱和是一个显著的前期因子，与中位条件相比，将三角洲极端洪水概率放大了1.16倍。联合“AND/OR”重现期矩阵建立了复合灾害的概率双变量风险评估模型。这些结果为季节性洪水预测提供了前瞻性标尺，并可能通过跨境流域前期条件调节增强支持，从而提高极端淹没的迫近可能性。

### 论文解读：孟加拉国GBM流域复合洪水驱动因子的随机依赖性与风险评估

#### 1. 研究背景与问题
南亚洪水灾害是21世纪最具持续性和经济破坏性的水文气象灾害之一。孟加拉国位于全球最大且气候最不稳定的河流系统——恒河—布拉马普特拉—梅克纳（Ganges–Brahmaputra–Meghna, GBM）流域的终端顶点，该流域横跨五国，排水面积约170万平方公里。传统降雨—径流模型将降水视为唯一近端驱动因子，系统性地低估了复合洪水灾害的复杂性，无法捕捉影响孟加拉国灾难性淹没的随机依赖结构。近年研究指出，前期土壤湿度作为复合灾害的重要前期因子，可使流域在中等降雨条件下产生极端径流。然而，鲜有研究量化GBM流域前期土壤湿度对孟加拉国季节性洪水足迹的乘数效应，存在关键归因空白。双变量及多变量copula模型已成为表征水文驱动因子间非线性、非对称依赖结构的主流统计框架，但尚未应用于耦合流域尺度驱动因子与局地洪水足迹的跨境系统。本研究旨在系统评估流域尺度驱动因子与三角洲尺度洪水之间的联合依赖关系，重点量化土壤湿度对季节性洪水面积的额外贡献。

#### 2. 研究内容与结论
研究人员利用1988–2021年31年的ERA5-Land再分析驱动数据和JRC全球地表水淹没足迹数据，构建了跨境GBM流域与孟加拉国边界的耦合随机系统。通过四阶段统计框架：边际分布拟合、双变量copula建模、条件概率水文归因、联合重现期风险评估，系统分析了季风降水（P）、平均季风土壤湿度（SM）与孟加拉国年季节性洪水面积（W）之间的随机依赖关系。主要结论包括：
- 季风降水是灾难性淹没的主导驱动因子，Gumbel copula上尾依赖系数λ_u = 0.227，证实极端降水和极端淹没具有显著的协同发生倾向。
- 前期土壤湿度通过放大效应而非尾端主导效应起作用：饱和流域将极端洪水概率相对于中位条件提高1.16倍，相对于干燥条件提高1.76倍。
- 联合“AND/OR”重现期矩阵揭示了约7倍的差异，为早期预警和基础设施设计提供了不同的风险视角。

该研究发表于《Water》期刊，为季节性洪水预测提供了可复制的概率工具，跨越了跨境数据共享的障碍。

#### 3. 关键技术方法
研究采用的主要技术方法包括：
- **边际分布拟合**：对31年季风降水（P）、平均季风土壤湿度（SM）和年季节性洪水面积（W）分别拟合广义极值分布（GEV）、对数正态分布、皮尔逊III型分布和正态分布，通过AIC/BIC准则和K-S检验选择最优模型。
- **双变量copula建模**：基于Sklar定理，评估Archimedean（Clayton、Gumbel、Frank、Joe）和椭圆（Gaussian、Student-t）copula族，对P–W对采用Gumbel copula（上尾依赖），对SM–W对采用Clayton copula（下尾依赖）。
- **条件概率归因**：利用拟合copula推导条件概率P(W>w|SM=sm)，评估干、正常、饱和三种流域状态下的极端洪水概率。
- **联合重现期计算**：基于年间隔时间（1年），计算“AND”和“OR”联合重现期。
- **非参数bootstrap验证**：生成1000个重采样数据集，重新拟合边际和copula，计算关键指标（上尾依赖系数、乘数效应、联合重现期）的95%置信区间。

#### 4. 研究结果
**4.1 历史水文基线（1988–2021）**
31年档案显示，流域季风降水（P）平均1158 mm，范围从1992年最小到2008年最大；根区土壤湿度（SM）平均0.222 m3/m3，1988年和2008年出现饱和峰值；孟加拉国年季节性洪水面积（W）平均32,515 km2，最大1988年48,534 km2，最小1995年11,423 km2，表明非线性和高随机性。

**4.2 概率特征与边际分布拟合**
季风降水（P）最优拟合为GEV分布（AIC = 376.794，Dn = 0.081，p = 0.978），显著上尾偏斜；土壤湿度（SM）和洪水面积（W）均最优拟合正态分布（SM：AIC = ?226.458，p = 0.993；W：AIC = 650.012，p = 0.702），说明季节聚合平滑了极端，呈现居中行为。

**4.3 随机耦合与依赖建模**
P–W对最优为Gumbel copula（对数似然LL = 1.410），上尾依赖λ_u = 0.227，历史灾难年（1988、2004、2007）在秩空间右上象限聚类；SM–W对最优为Clayton copula（LL = 1.147），强调下尾依赖，表明土壤湿度影响基线敏感度而非极端尾部。

**4.4 洪水异常的水文归因**
条件概率分析显示，极端洪水（W>0.8分位数）概率在干燥条件下为11.10%，正常条件下为16.82%，饱和条件下为19.49%。饱和相对于中位状态的乘数效应为1.16，相对于干燥状态为1.76，归因于流域前期饱和的放大作用。

**4.5 联合风险评估与重现期映射**
对于1-in-20年事件（u = 0.95, v = 0.95），AND重现期约为76.40年，OR重现期约为11.51年，差距约6.6倍。在0.98分位数极端情况下，AND超过200年，OR约28年，差距约7.3倍。该差异映射了早期预警（OR型）与基础设施设计（AND型）的不同规划需求。

**4.6 模型验证与不确定性**
基于Cramér-von Mises统计量的bootstrap GoF检验显示，P-W Gumbel模型p = 1.000，SM-W Clayton模型p = 0.955，均不能拒绝原假设。1000次bootstrap的95%置信区间：上尾依赖系数λ_u为[0.014, 0.474]，乘数效应为[1.005, 1.514]，支持统计显著性。OR重现期11.5年的95% CI为[10.3, 13.2]年，AND重现期76.4年的95% CI为[41.5, 319.1]年，反映了31年数据外推长期重现期的固有不确定性。

#### 5. 讨论与结论
**讨论**：研究支持从线性降雨—径流推理向复合、流域到三角洲风险解释的转变。降水作为上尾主导驱动因子，与近期事件研究和气候模型预测一致；土壤湿度作为前期放大器而非触发因子，通过Clayton copula的下尾依赖体现其基线敏感度调节作用。边际分布选择展示了时间聚合尺度对变量统计特征的影响。OR/AND重现期差异具有直接操作价值，早期预警系统需关注更频繁的OR型极端，而基础设施设计需考虑更罕见的AND型复合极端。与近期三角洲尺度研究相比，本研究采用流域尺度copula框架，仅使用可免费获取的再分析和卫星产品即可恢复有意义的水文归因和预警价值，在跨境数据不完整或共享困难的情况下具有独特优势。局限性包括31年记录对超过50–100年重现期的约束、copula族和边际分布选择引入的模型不确定性，但结果仍为当代水文情势提供了稳健的估计。

**结论**：研究通过31年空间一致记录，构建了基于copula的框架，证明季风降水、前期土壤湿度和三角洲淹没是联合分布而非独立分布。主要发现：①季风降水是灾难性淹没的主导驱动因子，上尾依赖系数0.227提供了可检验的量化值；②前期土壤湿度通过放大效应起作用，饱和流域使极端洪水概率提高1.16倍（相对中位）和1.76倍（相对干燥），16%的概率增加对应数千平方公里的额外淹没面积；③AND/OR重现期约7倍的差异为早期预警（OR）和基础设施设计（AND）提供了不同的规划参考。方法论贡献在于证明了基于遥感产品的流域尺度copula框架可以在无需水文站流量数据的情况下恢复跨境洪水归因和预警价值。未来研究应引入河流流量、陆地水储量异常、非平稳copula和海岸回水效应，以扩展复合框架。