补充资料：水文时间序列分析

    　　结合水文现象的性质与特点，对水文时间序列进行统计分析和推断的技术。目的是为识别控制该序列随时间变化的机理。水文时间序列是指某种水文特征值随时间而变的一系列观测值。它们可以是在离散点上的观测值，也可以是时段上的平均值，或是在时间上连续观测的记录经离散化而得的数值。
　　
　　水文时间序列分析的内容包括对各种常用模型的介绍以及对建模型步骤的讨论。常用的模型有自回归模型(AR)、滑动平均模型（MA）、自回归滑动平均混合模型(ARMA)、 自回归求和滑动平均模型(ARIMA)、疏系数模型(ARIMA)、分数高斯噪声模型(FGN)、破坏线模型(BL)和变移水平模型以及分解模型等。建模的步骤，包括选定模型类型、识别模型形式（或模型定价）、参数估计、模型检验以及模型与参数不确定性的评价。在模型检验中，除重视一般时间序列分析中所应用的检验模型残差的独立性和正态性模型与历史资料的相关图是否相似以外，在水文时间序列分析中，还十分重视保持历史资料的统计特性,即根据选用模型所生成的资料,应有与历史资料相近的主要统计特性。由于模型参数的有限型，不可能保持时间序列的所有统计特性。目前遵循的一般规则是，力求保持为表示所研究的水文序列的变化情况所必需的那些统计量，以及对于所要解决的问题十分重要的那些统计量。由于历史资料一般较短，故由历史资料所确定的统计特性，有一定的抽样误差，对一些重要的统计量，如偏态系数、自相关系数等，其抽样误差尤大。这使得保持统计特性的问题变得比较复杂，有待于进一步研究。
　　
　　

参考书目
　　　C.T.Haan,Statistical Methods in Hydrology,The Iowa State University Press,Iowa,1977.
　　　R.L.Bras and I.Rodrigues-Iturbe, Random Functions　and Hydrology, Addison-Wesley，London，1985.
　　

说明：补充资料仅用于学习参考，请勿用于其它任何用途。