This content was uploaded by our users and we assume good faith they have the permission to share this book. If you own the copyright to this book and it is wrongfully on our website, we offer a simple DMCA procedure to remove your content from our site. Start by pressing the button below!
T15(i) mit cp = ^ ( n - ° ' 2 5 - 0 , 3 6 9 ) .
(3.4b)
Die Werte des 15-Minutenregens mit einjahriger Eintrittswahrscheinlichkeit sind regional festgelegt [3.16], schwanken in Nordwestdeutschland zwischen 74 und 150 1/sha und weisen in Siiddeutschland Werte zwischen 105 und 200 1/s-ha auf. Seltenere Wiederholungszeitspannen werden durch Erhohung von j erhalten, z.B. fur r15: cp = 1,8 fur n = 0,2 bzw. Tn = 1/n = 5 Jahre. Heute wird die Starkregenauswertung nach [3.22] fur Dauerstufen D > 24 h bevorzugt, welche die Angabe eines Regens definierter Dauer und Jahrlichkeit fur Raster von 71,5 km2 gestattet. Beim Fehlen eines dichten Regenschreibernetzes muss von taglichen Beobachtungen ausgegangen werden. Diese Tageswerte N Tag konnen in 24 Stundenwerte N24h durch eine einfache statistische Beziehung umgewandelt werden z.B. nach [3.17]: N24h=U4NTag
in mm.
(3.5)
Fur die Abnahme der Niederschlagshohe mit kurzerer Regendauer bestehen Regressionen, die z.B. fur das Emscher-Lippe-Gebiet lauten [3.18]:
3.3 Erste Auswertung von Niederschlagsbeobachtungen N t h =N 2 4 h (D/24) 0 ' 2 5 fur 0,25 < D <168h(7Tage)
97
(3.6)
oder alsRegenspende r = 166,6Ntn/D in l/(s-ha). Nth : Niederschlagshohen in t Stunden in mm, N24h: Niederschlagshohe fur 24 Stunden Dauer nach Gl.(3.5), D : Niederschlagsdauer in Stunden. Anhand der RegenhOhen bestimmter Eintrittswahrscheinlichkeit konnen auch kennzeichnende Intensitatsverlaufe bestimmt werden [3.19]. Als Eingabe fur Niederschlag-Abfluss-Modelle werden typische Intensitatsverlaufe herangezogen, die aus statistischen Auswertungen abgeleitet werden. Sollen Niederschlagshohen bestimmter Eintrittswahrscheinlichkeit fur ein Gebiet vorgegebener FlachengrQBe berechnet werden, kann von jedem Regenereignis die grb'Bte Niederschlagshohe, die innerhalb des betrachteten Gebiets gemessen wurde, fur die statistische Untersuchung verwendet werden. Diese gebietsabhangige, nicht ortsfeste Auswertung setzt ein dichtes Beobachtungsnetz und geringe orographische Effekte voraus. 1st diese Forderung nicht erfullt, kann der punktformig gemessene Niederschlag pauschal in Abhangigkeit von der GroBe des Uberregnungsgebiets abgemindert werden, wenn er als Gebietsniederschlag verwendet werden soil. Dabei wird i.a. eine schnellere Abnahme der Uberregnungsfla'chen bei kurz andauernden Niederschlagen festgestellt als bei langeren Regendauern. Die jahrliche Niederschlagssumme dient zur Klassifizierung des meteorologischen Jahres. Jahre mit bis zu 20 mm Abweichung von der jahrlichen mittleren Niederschlagshohe gelten als Normaljahr. In Trocken- bzw. NaBjahren wird das langjahrige Jahresmittel um etwa 100 mm unter- bzw. uberschritten. Jahre mit mehr als 100 mm Abweichung werden in Deutschland als Extremjahr eingestuft.
3.3.2 Methoden zur Ermittlung von Gebietsniederschlagen Gebietsniederschlage, in denen die Ungleichfb'rmigkeit des Niederschlags in einem Einzugsgebiet zum Ausdruck kommt, werden fur vorgegebene Zeitintervalle, z.B. eine Stunde, ein Tag, ..., ein Jahr gebildet. Sie werden als EingangsgroBe fur Gebietsbilanzen benotigt. Die Methode zur Berechnung des Gebietsniederschlags hangt von der GroBe und Morphologie des Einzugsgebiets, der Ungleichformigkeit der Niederschlagsverteilung und der Zahl der auswertbaren Messstellen ab. Bei kleinen Einzugsgebieten (AEo < 10 km2) und einer Messstelle wird der Messwert dieser Punktmessung als Gebietsniederschlag fur das gesamte Gebiet angesetzt. Bei groBeren Gebieten sollen mindestens drei Messstationen herangezogen werden, um sich iiber die raumliche Verteilung des Niederschlags AufschluB zu verschaffen. Bei groBeren Gebieten konnen das arithmetische Mittel, die Polygonmethode, das Isohyetenverfahren oder das Rasterverfahren zur Bestimmung des Gebietsniederschlags verwendet werden (Bild 3.13). Falls der Gebietsniederschlag fur ein ebenes Gelande mit annahernd gleichfb'rmiger Verteilung der Stationen oder fur ein Einzugsgebiet, bei welchem die ein-
98
3 Aufbereitung und erste Auswertung der hydrologischen Beobachtungen
3.3 Erste Auswertung von Niederschlagsbeobachtungen
99
Abb. 3.13. Ermittlung des Gebietsniederschlags fur das Oker/Allergebiet bis Celle ( A E 0 = 4387 km2) nach verschiedenen Verfahren. a) Isoheytenmethode; b) Rasterverfahren; c) Polygonmethode; d) Dreiecknetze
100
3 Aufbereitung und erste Auswertung der hydrologischen Beobachtungen
zelnen Messwerte keine groBen Abweichungen z.B. bei Jahreswerten voneinander aufweisen, bestimmt werden soil, fiihrt die Verwendung des arithmetischen Mittels zu guten Ergebnissen. Der Gebietsniederschlag wird errechnet aus der Summe der NiederschlagshOhen, die an alien Stationen des Einzugsgebiets fur ein bestimmtes Regenereignis gemessen wurden, unter anschliefiender Division der Summe durch die Anzahl der verwendeten Stationen: N =--SNi n
(3.7)
i=i
N Gebietsniederschlag in mm, Niederschlagssumme der Station i in mm, Anzahl der Stationen.
Infolge der Einschrankungen bei der Verwendung von Gl.(3.7) wird haufiger die Polygon- oder Thiessen-Methode benutzt. Die Polygonmethode tragt einer ungleichformigen Verteilung der Stationen dadurch Rechnung, dass der Messwert jeder Station mit einem Flachengewicht versehen wird. Jeder Punkt im Einzugsgebiet wird der jeweils nachstgelegenen Niederschlagsstation zugeordnet. Die Stationen konnen im Gebiet selbst oder in den Randfla'chen auBerhalb des Gebiets liegen, da eine flachengewichtete Mittelbildung durchgefuhrt wird. Die Umrandung aller Punkte, die zu einer bestimmten Station nSher liegen als zu alien iibrigen Stationen, ist ein Polygon, das aus den Mittelsenkrechten der Verbindungslinien von benachbarten Stationen gebildet wird (Bild 3.11). Die jeweils eine Station umgebende und in Prozent des gesamten Einzugsgebiets ausgedriickte Polygonflache ist das Flachengewicht. Der Gebietsniederschlag ergibt sich zu: N=Zgi-Ni _
(3.8)
i=l
N : Gebietsniederschlag in mm, n : Anzahl der Teilflachen, gi : Flachengewicht der Station i, Nj : Niederschlagssumme der Station i in mm. Die Anwendung der Polygonmethode ist dann vorteilhaft, wenn stets die gleichen Polygone verwendet werden, da bei Ausfall einer Station die Gewichte erneut bestimmt werden miissen. Die Annahme, dass durch eine Messstation das ihr zugewiesene Polygon reprasentiert wird, ist in einem nicht zu stark hiigeligen GelSnde mit gleichformiger Stationsdichte annahernd erfullt. Nur bei gleichseitigen Polygonen liegt die Station im Schwerpunkt der Polygonflache. Im Gebirge sollte die Polygonmethode auf Polygonflachen < 10 km2 beschrankt werden. Das arbeitsaufwendigere Isohyetenverfahren kann auf Einzugsgebiete beliebiger GroBe ausgedehnt werden. Die Isohyetenmethode geht von den in die Karte des Einzugsgebietes ubertragenen NiederschlagshOhen aus. Linien gleicher Niederschlagshohe (Isohyeten) werden durch geradlinige Interpolation der Niederschlagshohen benachbarter Stationen unter Berucksichtigung der Orographie ent-
3.3 Erste Auswertung von Niederschlagsbeobachtungen
101
worfen. Der Gebietsniederschlag wird erhalten, indem die mittlere Niederschlagshohe zwischen je zwei aufeinander folgenden Isohyeten durch die Flache zwischen diesen Isohyeten gewichtet und nach Aufsummierung dieser Produkte durch die Flachen des Einzugsgebiets dividiert wird: (3.9) _ N A Eo AFj n Nj
A
Eo i=l
: Gebietsniederschlag in mm, : Flache des Einzugsgebiets in km2, : Flache zwischen zwei aufeinanderfolgenden Isohyeten in km2, : Anzahl der Isohyeten, : mittlerer Niederschlag im Teilniederschlagsgebiet AF in mm.
Beim Entwurf der Isohyetenmethode, die meteorolgische Erfahrung voraussetzt, konnen orographische Effekte eingearbeitet werden. D i e lokale Anpassung der Isohyeten wird anhand der jahrlichen Niederschlagssummen vorgenommen. Im Gebirge muss bei Talstationen eine Korrektur angebracht werden, u m ein naturahnliches Bild der Niederschlagsverteilung zu erhalten. die hauptsachlich bei groBen EinzugsgeBei A n w e n d u n g der Rastermethode, bieten eingesetzt wird, wird das Einzugsgebiet mit einem Gitternetz uberdeckt. Die Berechnung des Niederschlags wird zunachst fur jeden Gitterpunkt im Einzugsgebiet wie folgt durchgefuhrt: Die von Nord nach Sud und von Ost nach West durch die Gitterpunkte verlaufenden Linien teilen das umgebende Gebiet in vier Quadranten. Unter Verwendung der geographischen Koordinaten der Stationen wird an j e d e m Quadranten die jeweils nachstgelegene Station bestimmt. Der N i e derschlag im Aufpunkt wird als gewichtetes Mittel der so festgelegten vier Stationen berechnet. Das Gewicht jeder Station ist umgekehrt proportional dem Quadrat der Entfernung z u m Referenzpunkt. Der Niederschlag N G i am Gitterpunkt G ; ergibt sich zu:
f/
j
(3.10)
dj : Abstand zwischen Gitterpunkt und Station i in km, Nj : Niederschlagssumme der Station i in mm. Wird dieser Vorgang fur alle Gitterpunkte im Einzugsgebiet wiederholt, erhalt man den Gebietsniederschlag als arithmetisches Mittel der Gitterpunkte: N =-ZNGi.
(3.10a)
Dieses Verfahren ermoglicht auch die Festlegung von Gewichten (Gitterpunktgewichte). Dabei werden fur jeden Gitterpunkt die vier Stationsgewichte berechnet [3.20]. Bei der Wettervorhersage und atmospha'rischen Modellen wird von Gitternetzen ausgegangen.
102
3 Aufbereitung und erste Auswertung der hydrologischen Beobachtungen
Fiir die Genauigkeit der Bestimmung des Gebietsniederschlags ist die Netzdichte maBgebend. Im Allgemeinen kann die Netzdichte grobmaschig sein, wenn das Einzugsgebiet groB ist und die Niederschlagsdauer mehrere Tage betragt. Bei Aufgleitregen konnen in einem malMg gegliederten Gebiet bei einer Netzdichte von einem Regenmesser pro 50 km2 und einem Regenschreiber pro 500 km2 eintagige Gebietsniederschlage mit einem Fehler von 20 % erzielt werden. Bei konvektiven Niederschlagen und eintagigen Niederschlagssummen mtifite eine Netzdichte von 10 km2 pro Station bei einem Einzugsgebiet von 500 km2 Grb'Ge vorhanden sein, damit der Fehler beim Gebietsmittel ebenfalls weniger als 20 % ausmacht. Bei Netzdichten von 50 km2/Station sinkt der Fehler des Gebietsmittels unter 20 %, wenn 10 Tagessummen von konvektiven Niederschlagen betrachtet werden [3.21]. Bei Jahressummen > 1000 mm/a sind fast keine Unterschiede zwischen Polygon- und Isohyetenmethode [3.23]. Liegen keine Regenschreiberaufzeichnungen und nur wenige Regenmesserbeobachtungen vor, kann der Regenverlauf anhand von Beobachtungen in vergleichbaren benachbarten Gebieten abgeschatzt werden. Fiir die Ermittlung von Bemessungsniederschlagen empfiehlt es sich, auf typische Intensitatsverlaufe zuruckzugreifen.
Einige Verfahren zur Ermittlung des Gebietsniederschlags sollen fur ein 259 km2 groBes Einzugsgebiet und die Niederschlage des Hochwassers vom 11./12.6.1978 gezeigt werden. Beobachtet wurden zweistundige Niederschlagssummen in mm anhand der Regenschreiber Rj und R2. AuBerdem lagen folgende 700-Ablesungen von Regenmessern vor (Bild 3.14): 10.6.78 11.6.78 12.6.78
0 34 2
0 55 8
0 44 4
0 84 0
0 102 0
Hieraus errechnen sich fur das Niederschlagsereignis:
1) Mittlerer Gebietsniederschlag als arithmetisches Mittel nach Gl.(3.7): N = (67 + 115 + 36 + 63 + 48 + 84 + 102)/7 = 74mm. 2) Mittlerer Gebietsniederschlag nach der Polygonmethode nach Gl.(3.8): Station
Niederschlagssumme N Polygonflache AF [mm] lkm 2 l
NAF
Ri Ri R6 Ri
36 67 84 115 Summe:
1080 7638 3024 9085 20827
Gebietsmittel N =20827/259 =80,4 mm.
30 114 36 79 259
3.4 Uberpriifung der Homogenitat
103
Isohyeten
Einzugsgebietsgrenze
0
2
4
6"
6 8 10 km
t2»
16"
24"
Abb. 3.14. Isohyeten und Polygonflachen fur ein Einzugsgebiet
3) Mittlerer Gebietsniederschlag nach der Isohyetenmethode: Isohyete [mm] <40 40-50 50-60 60-70 70-80
Mittel N [mm] 38 45 55 65 75
AF [km2l 2 24 32 22 52
NAF 76 1080 1760 1430 3900
Isohyete [mml 80-90 90-100 100-110 > 110
Mittel N [mm] 85 95 105 115
AF [km2l 51 34 32 10
NAF 4335 3230 3360 1150
Gebietsmittel N = 20321/259 = 78,5 mm
3.4 Uberpriifung der Homogenitat Zufallige Fehler in den Daten, die durch fehlerhafte Ablesung oder Abschrift der Messwerte entstehen, lassen sich durch optischen Vergleich von Ganglinien mehrerer benachbarter Stationen qualitativ feststellen. Einfache Plausibilitatskontrollen durch synoptische Betrachtung von mehreren Komponenten wie Niederschlag und Abfluss konnen helfen, stark hervorspringende Unstimmigkeiten auszugleichen. Oft mttssen pauschale Fehlerschranken eingefuhrt werden. So werden Abflilsse, deren Mittel um mehr als 10 % vom langjahrigen Wert abweichen, als inhomogen angesehen. Systematische Fehler oder Fehler im Langzeitverhalten lassen sich mit dem Verfahren der Doppelsummenlinie aufzeigen. Beim Doppelsummenlinienverfahren werden fur eine Zeitreihe die fortlaufend summierten Werte, die an der zu uberprilfenden Station beobachtet wurden, gegen die aufsummierten Werte von zeitgleichen Beobachtungen an einer oder mehreren vergleichbaren Basisstationen, die als unbeeinflusst angesehen werden konnen, im linearen MaBstab aufge tragen. Bei mehreren Basisstationen wird das Mittel ihrer Beobachtungen verwendet. So kann die Niederschlagssumme einer zu uberprufenden Messstation gegen
104
3 Aufbereitung und erste Auswertung der hydrologischen Beobachtungen
70CH
600-
500-
400-
.300-
2001955
homogene Station mit unterschiedl. Nieder schlagscharakter © I inhomogene I Station Jahre
100-
»Bau einer Talsperre
XX) 200 300 mrttl. Summe aus 6 Stationen
400
Abb. 3.15. Doppelsummenlinien bei a) Homogenitat und einem temporaren Ruckgang des Abflusses von trockenen Jahren, b) sprunghafter Veranderung durch eine Talsperre die mittlere Niederschlagssumme von bis zu sechs Basisstationen aufgetragen werden. Die zeitgleich summierten Wertepaare ergeben gegeneinander aufgetragen einen steigenden Linienzug, der als Gerade verlauft, wenn keine Inhomogenita't in der zu uberprufenden Reihe vorliegt. Ein Knick hingegen bringt eine Inhomogenitat zum Ausdruck. Werden z.B. die Abfiusssummen langs eines Flusses verglichen, kann der Einfluss eines Speichers oder einer Wasserentnahme aufgezeigt werden (Bild 3.15). Zwei parallel versetzte Geraden deuten einen temporaren Sprung an, der z.B. festgestellt wird, wenn in einer Jahresreihe mehrere unterdurchschnittliche Abflussjahre aufeinanderfolgen (Bild 3.15). Weicht die Doppelsummenlinie von einer Diagonalen, die ein konstantes Verhaltnis zwischen der zu uberprufenden GroBe und den Basisstationen ausdriickt, in Form einer Kurve ab, liegt ein Trend vor. Zur Uberprufung von Inhomogenitaten konnen auch statistische Testverfahren, die in Kapitel 4 behandelt werden, herangezogen werden.
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen 4.1.1 Hydrologische Zufallsvariable und Wahrscheinlichkeit Wenn der Ablauf eines hydrologischen Prozesses bzw. die Ergebnisse von Beobachtungen als Folge von Zufallsvariablen aufgefaBt werden, unterliegen alle Beobachtungen einer Wahrscheinlichkeitsverteilung. Der Umfang aller Beobachtungen wird als Stichprobe oder Kollektiv bezeichnet, z.B. die (taglichen) Wasserstandsablesungen an einem Pegel, die aus der Grundgesamtheit, also den unendlich vielen Wasserstanden entnommen sind. Dabei wird ein wesentliches Merkmal (hier: Wasserstand) benutzt, um Stichprobe und Grundgesamtheit zu beschreiben. Wird auBerdem die Zeitabhangigkeit der hydrologischen GroBe beriicksichtigt, spricht man meist von einer stochastischen GroBe, sonst von einer statistischen GroBe. Wasserwirtschaftliche Projekte werden u.a. nach hydrologischen Ereignissen definierter EintrittshSufigkeit ausgelegt. Bei einer Reihe von wasserwirtschaftlichen MaBnahmen werden daher Angaben ttber die Variabilitat und Wahrscheinlichkeit des Abflusses benotigt, was zur Einfuhrung der probabilistischen Konzepte fur Hoch- und Niedrigwasser fuhrte. Ein einfacher Ansatz zur Beschreibung einer hydrologischen ZufallsgroBe ist, eines ihrer Merkmale, z.B. den Hochwasserscheitel, als ZufallsgroBe zu betrachten und die Struktur der zeitlichen Aufeinanderfolge dieser Zufallsvariablen auBer acht zu lassen. Ziel der Untersuchung ist, zu bestimmen, welche GroBe die hydrologische Variable fur eine vorgegebene Wahrscheinlichkeit mindestens annehmen wird oder zu ermitteln, welche Wahrscheinlichkeit einem beobachteten hydrologischen Wert, z.B. einem Extremwert, zuzuordnen ist. Bei der wahrscheinlichkeitstheoretischen Behandlung der hydrologischen GroBen als Stichprobe von Zufallsvariablen miissen einige Annahmen getroffen werden, wie die Reprasentanz der Beobachtungsreihe, die gegenseitige Unabhangigkeit und die zeitliche Aquidistanz der untersuchten Werte. Die Annahme der Unabhangigkeit ermoglicht, die Werte herausgelfist aus der Zeitreihe, in welcher sie beobachtet wurden, zu betrachten. Die Annahme von zeitlich aquidistanten Wer-
106
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
ten wird benutzt, um die Wiederholungszeitspanne T n als durchschnittliche Zeitspanne der Lange von n Jahren zwischen dem Eintreten von Ereignissen mit gleicher Eintrittswahrscheinlichkeit zu defmieren. Damit laBt sich eine einfache Beziehung zwischen der Wiederholungszeitspanne und der Wahrscheinlichkeit P tt (X) herstellen. Mit Pfl wird die Uberschreitungswahrscheinlichkeit bezeichnet, die angibt, wie haufig ein Ereignis von beliebig vorgegebener Gr6Be erreicht oder iiberschritten wird. Wird die Wiederkehrzeit T n auf Eins bezogen, ergibt sich P a = 1/Tn. So wird einem 50-jahrlichen Ereignis die Uberschreitungswahrscheinlichkeit von P a = 1/50 = 0,02 oder 2 % zugewiesen. Die Unterschreitungswahrscheinlichkeit P u als komplementares Ereignis betragt dann P u = (1-Ptt) = 1-1/Tn oder 98 % fur das obige Beispiel. Die Wahrscheinlichkeit P(A) eines Zufallsereignisses A liegt in dem Bereich 0 < P(A)< 1. Die Wahrscheinlichkeit 0 bezeichnet das praktisch unmogliche Ereignis und 1 das mit Sicherheit eintretende Ereignis. P(A+B) = P(A)+P(B) gilt, wenn sich zwei Ereignisse A und B ausschlieBen. Wenn A+B = 1 gesetzt wird, ist P(A) = l-P(B), wovon bei der Erklarung der Unterschreitungswahrscheinlichkeit Gebrauch gemacht wurde. Die so eingefiihrte Wahrscheinlichkeit ist das theoretische Gegenstiick der empirischen relativen HSufigkeit. Die absolute Haufigkeit nj ist identisch mit der Besetzungszahl und ist die Zahl, die angibt, wie oft der gleiche Wert X; oder die gleiche Wertegruppe in einer Reihe statistisch gleichwertiger Werte ( x ^ < X; < x max ) vorkommt. Die fortlaufende Addition der Besetzungszahlen, beginnend mit x m j n , ergibt die Summenhaufigkeit. Aus den absoluten Haufigkeiten nj (Kontrolle: 2 n( = N) ergibt sich die relative Haufigkeit fj zu: N
fj=iij/N
mitO
4.1 Grundlegende Konzepte fir hydrologische Zufallsvariablen
107
Haufigkeitsverteilung Dichtefunktion f (XI (Gesamtflacheninhalt = 1 )
C
!
Abb. 4.1. Dichte- und Verteilungsfunktion, Unter- und Uberschreitungswahrscheinlichkeit des Wertes c und Wahrscheinlichkeit a < x < b; (die schraffierte Flache entspricht Pu(x) bzw. P(a < x < b))
lim prob(A) = ---( n 1"). ~ n->a, Durch die Einfuhrung der Grundgesamtheit werden die Wahrscheinlichkeiten 0 und 1 in Bereiche verlegt, die auRerhalb der Lange einer Beobachtungsreihe liegen. Die mathematische Vorstellung der Grundgesamtheit erlaubt die Aussage, einem bestimmten Ereignis xi eine Unterschreitungswahrscheinlichkeit zuzuordnen. Da jede diskrete oder stetige Verteilung von ZufallsgrBDen durch ihre Wahrscheinlichkeitsfunktion beschrieben werden kann, mu0 die empirische Haufigkeitsverteilung der Stichprobe durch eine geeignete theoretische Verteilungsfunktion der Grundgesamtheit ersetzt werden. Die Verteilungsfunktion P(x)= f(x,p,o,y) wird durch die statistischen Parameter, deren Werte aus der Stichprobe P(x) = f(x, X ,s,Cs) gewonnen wurden, reprasentiert. Die Erweiterung auf die Grundgesamtheit hat zur Folge, dass der Verlauf der Summenhaufigkeit sich asymptotisch dem der Verteilungsfunktion annahert. Die empirische Haufigkeitsverteilung wird in die theoretische Dichtefunktion bzw. die Summenhaufigkeit in die Verteilungsfunktion als Integral der Dichtefunktion uberfuhrt. Ziel der Wahrscheinlichkeitsanalyse einer Beobachtungsreihe von Extremwerten ist es, eine mathematisch theoretische Dichte- bzw. Verteilungsfunktion zu finden, die sich der empirischen Haufigkeitsverteilung bzw. Summenhaufigkeit der
108
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
MeBwerte mOglichst gut anpaflt. Anhand der gefundenen Dichtefunktion diirfen theoretisch nur Aussagen abgeleitet werden, die in den beobachteten Wertebereich fallen (Interpolation). Praktisch werden aber Aussagen ilber den Bereich der Beobachtungen hinaus benotigt (Extrapolation). Im Hinblick auf die begrenzte Reprasentanz einer Stichprobe fur das Verhalten der Grundgesamtheit, sollte der Extrapolationsbereich je nach Aufgabenstellung auf die zwei- bis dreifache Lange der Beobachtungsreihe begrenzt werden, um den statistischen Fehler in Grenzen zu halten. Die Anwendung der statistischen Verfahren hangt daher auch von der verfugbaren Lange der Beobachtungsreihe ab, da ihre begrenzte Extrapolationsmoglichkeit mit der kalkulatorischen Lebensdauer der Anlage bzw. dem Wiederkehrintervall fur das Bemessungsereignis korrespondieren mufi. Die Wahrscheinlichkeit, mit welcher ein vorgegebener Extremwert erreicht und unterschritten wird, wird zweckmaBig mit der Verteilungsfunktion bestimmt. Die Dichtefunktion lafit die Anordnung der Werte iiber den Definitionsbereich gut erkennen. In der Hydrologie werden meist eingipflige Verteilungen verwendet. Bei einer stetigen mehrgipfiigen Verteilung kann eine Zerlegung in mehrere eingipflige (Normal-) Verteilungen vorgenommen werden [4.1, 4.2]. Bekannte Beispiele von diskreten Verteilungen, bei denen die ZufallsgroBe X diskrete (z.B. ganzzahlige) Werte annehmen kann, sind die Binomial- und Poisson-Verteilung, die in der Wasserwirtschaft hauptsachlich bei Risikobetrachtungen herangezogen werden. Bei Wahrscheinlichkeitsverteilungen, bei denen x, jeden Wert annehmen kann, ist dem Wert x, eine Flache zwischen der Dichtefunktion f(x) und der x-Achse zugeordnet (Bild 4.1). Der Flacheninhalt links bzw. rechts des Wertes X; entspricht der Unter- bzw. Uberschreitungswahrscheinlichkeit des Wertes Xj. Werden die Flacheninhalte integriert und zur Verteilungsfunktion P(x) aufgetragen, lassen sich die Unter- bzw. Uberschreitungswahrscheinlichkeit als Ordinate direkt ablesen. Ein Schnittpunkt auf der Wahrscheinlichkeitsachse entspricht dem Flacheninhalt unter der Dichtefunktion bis zum Wert xj; es gilt also fur die Unterschreitungswahrscheinlichkeit Pu: P u ( X < c ) = }f(x)dx -oo<x< + oo.
(4.3)
— 00
Die Uberschreitungswahrscheinlichkeit Pa dieses Wertes ist gleich dem Flacheninhalt der Dichtefunktion oberhalb dieser Grenze: P U ( X > C ) = Jf(x)dx - o o < x < + oo u n d P u + P u = 1 .
(4.4)
c
Die Wahrscheinlichkeit fur das Eintreten eines bestimmten Wertes ist bei einer stetigen Verteilung Null, da der Wahrscheinlichkeit stets ein Flacheninhalt unter der Dichtefunktion zugeordnet ist. Die Wahrscheinlichkeit fur einen bestimmten Wert c kann nur als Unter- oder Uberschreitungswahrscheinlichkeit angegeben werden oder als Wahrscheinlichkeitsbereich fur Werte zwischen den Grenzen a undb.
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen
109
4.1.2 Statistische Eigenschaften der Zufallsvariablen 4.1.2.1 KenngroRen fur das zentrale Verhalten EingangsgroBen zur Berechnung einer Verteilungsfunktion sind ihre Parameter. Durch diese statistischen MaBzahlen wird der Informationsgehalt der Stichprobe verdichtet und so ausgedriickt, dass auf das Verhalten der Grundgesamtheit geschlossen werden kann. An die Gewinnung von optimalen Parametern werden mehrere Forderungen gestellt. So mttssen die MaBzahlen erwartungstreu sein, d.h. das Mittel jeder Stichprobe von gleichem Umfang geht gegen das Mitttel der Grundgesamtheit. Die MaBzahlen miissen ubereinstimmend sein und mit wachsenden Stichprobenumfang gegen den Parameter der Grundgesamtheit streben (Konsistenz). Sie sollen erschOpfend sein (Suffizienz) und fur Stichproben gleichen Umfangs die kleinstmOgliche Streuung liefern (Effizienz). Da die Parameter aus der Stichprobe berechnet werden mussen, stellt ihr Zahlenwert eine Naherung (Schatzung) fur den Wert der Grundgesamtheit dar. Die statistischen Kennwerte werden benutzt, um drei wichtige gemeinsame Eigenschaften aller Werte einer Stichprobe zu beschreiben. Ausgangspunkt ist das zentrale Verhalten, d.h. der zentrale Wert (Mittel), um den sich alle Beobachtungswerte haufen (LagemaBe). Die zweite GroBe ist das MaB der Streuung oder Dispersion aller Werte um den zentralen Wert (StreumaBe). Dabei kb'nnen Maximal- und Minimalwerte, welche die Stichprobe nach oben bzw. unten begrenzen, gesondert erfasst werden (Spannweite). Die dritte GroBe betrifft die Asymmetrie der Verteilung der Werte, d.h. die Lage der statistischen Masse zum Mittel. Die Parameter werden durch die statistischen Momente ausgedruckt. Die im Folgenden angegebenen Schatzformeln fur Mittel, Varianz und Schiefe werden nach der Momentenmethode aus dem ersten bis dritten zentralen Moment abgeleitet (Ableitungen s. [4.3]). Aus dem vierten Moment wird der ExzeB erhalten und ein MaB fur die Wolbung der Dichtefunktion, das jedoch selten benutzt wird. Eine verbesserte Schatzung der Parameter ist mit der Maximum-Likelihood-Methode mo'glich, wobei vorausgesetzt wird, dass der Typ der Verteilungsfunktion bereits vor Ermittlung der Parameter festliegt. Die Methode liefert fur die Parameter dann diejenigen Werte, die fur die gegebene Stichprobe die grOBte Wahrscheinlichkeit des Auftretens haben [4.3, 4.4]. Der Lageparameter einer Zufallsvariablen ist sein Durchschnittswert (= Mittel; Erwartungswert bei der Grundgesamtheit). Die MaBzahl fur das zentrale Verhalten ist das Mittel, das die gleiche MaBeinheit aufweist wie die Werte Xj einer Stichprobe vom Umfang N, aus denen es berechnet wird, und ist definiert als das arithmetische Mittel x: 1 N X=-ZXJ.
(4.5)
Ni=1 Fur einen Stichprobenumfang N, der in k Klassen der Klassenbreite b eingeteilt ist, berechnet sich das arithmetische Mittel fur klassifizierte Werte, wenn ns die Zahl der Beobachtungen in der i-ten Klasse (Klassenhaufigkeit) darstellt, zu:
110
4 Anpassung von Verteilungsfiinktionen an hydrologische Daten
(4.6)
N
wobei X; einen markanten Wert darstellt, z.B. den Wert der Klassenmitte. Gl.(4.6) gilt ftlr das gewichtete Mittel, wenn anstelle der HSufigkeiten n, die statistischen Gewichte w; und fur N = Zw; eingesetzt werden. Bekanntes Beispiel fur ein gewichtetes Mittel ist die Ermittlung der mittleren taglichen Lufttemperatur TL aus den 7-, 14- und 21-Uhr-Ablesungen, wonach sich TL ergibt zu: TL = 0,25(T7+Ti4 +2T2I). Das arithmetische Mittel hat die Eigenschaft, dass die Summe der Abweichungen der einzelnen Werte vom Mittel gleich Null ist (Schwerpunkteigenschaft). Aulterdem ist die Summe der Quadrate der Abstande aller Werte vom arithmetischen Mittel kleiner als der Abstand von irgendeinem anderen Wert (quadratische Minimumeigenschaft). Addiert oder subtrahiert man zu dem Wert x; eine Konstante c, so wird das Mittel urn diesen Wert verandert: ^ Z (
i
c )
x±c.
(4.7)
Bei Multiplikation und Division mit der Konstanten c gilt entsprechend:
NT-
) = C UM
'
N ? ( X ' / C ) = (1/C)"
(4>7a)
Das geometrische Mittel x g das die gleiche MaBeinheit wie Xj aufweist, ist die nte Wurzel aus dem Produkt der Werte x^ xg=(x1x2x3-..xN)1/N.
(4.8)
Werden anstelle der Werte x; ihre Logarithmen verwendet, tritt dieser Fall der Mittelbildung auf. Fur Stichproben kann die allgemeine Form des Mittels angegeben werden zu [4.3, 4.5]: x= ^ I x j a
(4.9)
mit: a = -1 : harmonisches Mittel Xj,, falls das Mittel durch die inversen GroBen 1/XJ bestimmt werden mufJ; a = 0 : geometrisches Mittel x g (Beweis mit Hilfe der Regel von l'Hospital [4.5]; a = 1 : arithmetisches Mittel x. Fur die verschiedenen Arten des Mittels, die aus einer Stichprobe mit dem Wertebereich xmin < x* < xmax gebildet werden konnen, gilt: x
min
<x
h
<x
g
<x<x
max-
Neben den MaBzahlen, die aus den statistischen Momenten gebildet werden, konnen auch die Werte x, die mit vorgegebenen Prozentanteilen der Flache unter der Dichtefunktion zusammenfallen (Perzentile), zur Beschreibung der Dichtefunktion
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen
111
benutzt werden. Werden die Werte einer Stichprobe in aufsteigender Form geordnet, ergibt sich das j-te Perzentil Q = 1, 2, ..., 99) durch den Wertj(N+l)/100. Ein Punkt der Dichtefunktion, bei dem die Dichtefunktion einen runden Prozentanteil annimmt (P(xp) = p) heiGt p-Quantil. Das 50 %-Quantil ist der Median, der bei der Dauerlinie als Zentralwert Z bezeichnet wird. Er halbiert die statistische Masse und wird ebenso haufig ttber- wie unterschritten (PU(Z) = 50%) (Bild 4.2). Bei nicht klassifizierten Daten steht der Median bei (N+l)/2, wenn N eine ungerade Zahl ist und bei l/2(X(N/2)+X(N/2)+l). Wenn die Werte x eine gerade Stichprobe von N aufweisen. Der Median IaBt sich am einfachsten zeichnerisch mit Hilfe der Verteilungsfunktion oder rechnerisch durch Auszahlen bestimmen. Die Summe der absoluten Betrage der Abweichungen der Werte X; vom Median ist kleiner als von irgendeinem anderen Wert (lineare Minimumeigenschaft). Der Median gibt bei kurzen Beobachtungszeitreihen, die Extremwerte enthalten konnen, das mittlere Verhalten der Grundgesamtheit oft besser wieder als das Mittel. Der Median ist im Vergleich zum arithmetischen Mittel unempfindlich gegen kleine Beobachtungswerte, die in einer Reihe von Maximalwerten auftreten konnen, wie z.B. bei monatlichen Hochwasserabflussen. Der Median kann in Verbindung mit den Quartilen (= Viertelpunkte auf der Wahrscheinlichkeitsachse bei Pu = 25 % bzw. 75 %; d.h. j(N+l)/4 fur j = , 2, 3) oder Dezilen (= Zehntelpunkten bei Pu = 10, 20,...%; d.h. j(N+l)/10 fur j = 1, 2, ..., 9) mit den zugehorigen x-Werten auch zur Darstellung einer Verteilungsfunktion verwendet werden [4.2].
Dichtefunktionen I) Modatwert | l Median 3) arithm. Mittel Normalverteilung (NV)
©
«(k)=-7L=-e-|-11
\ V r on
V2T
Normierter Abszissenwert k
99;
Verteilungsfunktionen
t
90c
•
•«—
a.
w-
i - • * •
1 -
Normierter Abszissenwert k
•-
Abb. 4.2. Lage von Mittel, Modalwert und Merian bei asymmetrischen Verteilungen
112
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Der Modalwert D (Dichtemittel oder Mode) ist der haufigste Wert. Er entspricht dem Maximum der Dichtefunktion bzw. dem Wendepunkt der Verteilungsfunktion (Bild 4.2). Der Modalwert wird zur Beschreibung der Asymmetrie benutzt. Bei einer symmetrischen Dichtefunktion fallt er mit dem Median und arithmetischen Mittel zusammen. Filr eingipflige Dichtefunktionen mit maBiger Asymmetrie kann naherungsweise gesetzt werden: Modalwert = Mittel-3(Mittel-Median) [4.4]. Der Modalwert laBt sich anhand einer Haufigkeitsverteilung am einfachsten graphisch, rechnerisch nur filr klassifizierte Daten ermitteln. Bei Abflussdauerlinien kann er zur Charakterisierung eines Einzeljahres ha'ufig besser dienen als MQ. 4.1.2.2 KenngroBen fur die Streuung Die wichtigste MaBzahl filr die Dispersion der Werte XJ ist die Varianz (Streuung) als der mittlere quadratische Abstand der einzelnen Werte von ihrem arithmetischen Mittel: Var(x) = s 2 =— S(x; - x ) 2 . (4.10) N Die Varianz einer Konstanten c ist Var(c) = 0. Werden die Werte x jedoch um einen Faktor c linear verandert, so verandert sich die Varianz zu Var(cx) = c2Var(x). Wird zusatzlich eine GroBe b addiert, ergibt sich Var(b+cx) = c2Var(x). Von diesen Beziehungen der Varianz wird bei Veranderung des MaBstabes oder Nullpunktverschiebungen Gebrauch gemacht. Der Betrag der Quadratwurzel der Varianz ist die Standardabweichung sx, welche die gleiche MaBeinheit aufweist wie die Werte xP Filr kleine Stichprobenumfange (N < 30) wird der Freiheitsgrad der Stichprobe um 1 vermindert und anstelle von N wird N-eingesetzt, so dass die Standardabweichung sx der Werte Xj betragt: I(XJ-X)2/(N-1) furN<30. (4.11) Li=l J Werden die Werte x mit einer Konstanten c multipliziert, Sndert sich die Standardabweichung um diesen Betrag scx = csx. Durch die Addition einer Konstanten c zu den Werten x bleibt die Standardabweichung unverandert, sx+c = sx. Filr Tabellenrechnungen kann Gl.(4.11) umgeformt werden in:
sx =
Z(Xi 2 -x 2 )/(N-l)l
.
(4.11a)
oder:
sx = (px^-^x/N^J^N-l)/
2
(4.11b)
Filr klassifizierte Daten der gleichen Klassenbreite b wird die Varianz um b2/12 gro'Ber berechnet als fur nicht klassifizierte Daten. Um diesen Betrag kann gegebenenfalls die Varianz, die sich bei Anwendung von Gl. (4.12) ergibt, abgemindert werden zur Erhaltung einer korrigierten Varianz (Sheppardsche Korrektur) [4.9].
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen
113
(4.12) n, : Haufigkeit der Klasse i, x, : Klassenmitte der i-ten Klasse.
Der Variationskoeffizient Cv als dimensionsloses Verhaltnis von Standardabweichung und Mittel wird z.B. fur Vergleiche von Abflussschwankungen in unterschiedlich groBen Einzugsgebieten benutzt: Die Verwendung des Variationskoeffizienten fur Vergleichszwecke setzt in der Regel die Verwendung arithmetischer Werte voraus. Cv=sx/x
mit x * 0 .
(4.13)
Als weiteres DispersionsmafJ wird gelegentlich die Spannweite der Werte x; verwendet. Diese Variationsbreite Rx = xmax-xmin als Differenz zwischen dem grofiten und kleinsten beobachteten Wert gibt AufschlufJ ilber das absolute MafJ der Streuung. Bei kurzen Beobachtungsreihen (10 < N < 20) kann die Variationsbreite manchmal vorteilhafter als die Schiefe verwendet werden. Eine dimensionslose Darstellung der Werte X; ist ihre Reduktion auf die standardisierte Variable k (Standardvariable): k = (Xj-x)/sx
bzw. Xj = x + k - s x .
(4.14)
Diese lineare Transformation, bei welcher der Schiefekoeffizient unverandert bleibt, ist die Ausgangsgleichung fur analytische Wahrscheinlichkeitsuntersuchungen, wenn der Wert k als Haufigkeitsfaktor eingefuhrt wird, der von der standardisierten Verteilungsfunktion mit x = 0 und sx = 1 und von der gewahlten Unterschreitungswahrscheinlichkeit abhangt. Bei der Darstellung als k-Wert konnen positive Variable negativ werden, was z.B. durch Logarithmieren der Werte oder EinfUhrung des Modularkoeffizienten ms = (x( /x) anstelle von x; umgangen wird. Anstelle von Modularkoeffizienten kann eine Umformung der Beobachtungswerte mit Hilfe der Spannweite erfolgen. Wird als SpannmaB Rx = xmax-xmin eingefuhrt, ergeben sich normierte Werte zu: x' = ( X j - x m i n ) / R x
mit
0<x'
(4.15)
Die Standardabweichung in Verbindung mit dem Mittel wird benutzt, um Zufallsbereiche abzugrenzen. Wird symmetrisch zum Mittel x ein Bereich h des Vielfachen der Standardabweichung hsx abgegrenzt, betragt die Wahrscheinlichkeit, dass eine Mindestanzahl von P Werten ftlr jede beliebige Verteilung nach der Ungleichung von Tschebyscheff in dem Bereich enthalten ist (Tab. 4.1): P = ( | x - x | > h s x ) < l / h 2 Werte.
(4.16)
Fur eingipflige Verteilungen betragt fur Bereiche um den Modalwert D nach der Ungleichung von Camp-Meidell die Wahrscheinlichkeit [4.6]: P = ( | x - D | > h s x < ( 2 / 3 ) 2 Werte.
(4.17)
114
4 Anpassung von Verteilungsfimktionen an hydrologische Daten
Tabelle 4.1. Bereiche x±hseiner beliebigen Verteilung und Mindestanzahl der darin enthaltenen Werte nach verschiedenen Verfahren Mindestanteil P in % der Gesamtheit der Werte bei: Bereich der Verteilung Gl. (4.16) x±ls x±2s x±3s x±4s x + 5s
bel. Verteilung (Tschebyscheff) Gl. (4.17) >0 >25,0 >88,9 >93,8 >96,0
eingipfliger Vertlg. (Camp - Meidell) Gl. (4.33) >66,6 >88,9 >95,1 >97,2 >98,2
Normalverteilung
68,26 95,5 99,7 99,994 99,99994
Der Vergleich der Ungleichungen ftir verschiedene Bereiche der Zufallsvariablen von x ± ls x bis x + 5s x mit der Normalverteilung zeigt, dass die Kriterien fur hydrologische Fragestellungen bedingt geeignet sind. 4.1.2.3 KenngroRen fur die Symmetrie KenngroBe fur die Asymmetrie ist der Schiefekoeffizient Cs, der bei Symmetrie den Wert Cs = 0 aufweist. Bei einer linksschiefen Dichtefunktion, bei welcher die Hauptmasse der Werte links liegt im Vergleich zur symmetrischen Verteilung, wird Cs > 0 (Bild 4.2). Die Lage des Modalwertes D zum Mittel x kann zur Kennzeichnung der Schiefe dienen (D < x linksschief; D = x symmetrisch; D > x rechtsschief). Urn die Schiefe unabhangig von der Dimension zu machen, wird die Schiefe G nach Pearson fur Dichtefunktionen mit ma'IMger Schiefe (-3 < G < 3) gesetzt zu: G=3(x-D)/sx.
(4.18)
Da der Modalwert D schwierig und direkt nur aus einer klassifizierten Stichprobe zu ermitteln ist, wird meist der dimensionslose Schiefekoeffizient Cs, der aus dem dritten statistischen Moment abgeleitet ist, vorgezogen. Er betragt fur die Stichprobe vom Umfang N: Cs = I ( X i - x ) 3 / [ ( N - l ) ( N - 2 ) s x 3 ] .
(4.19)
i=l
Gleichung (4.19) kann auch umgeschrieben werden zu:
c
^
^
(
N(N-l)(N-2)sx3 Bei der Beriicksichtigung der Schiefe in Verteilungsfunktionen sollte beachtet werden, dass die Schiefe infolge der fur ihre Berechnung benfitigten hoheren Momente empfindlich auf nicht homogene Mefireihen reagiert. Bei derartigen Mess-
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen
115
reihen sollte fur die Schiefe ein regional giiltiger, gewichteter Wert angesetzt werden [4.7]. Anhalt hierfur gibt das Verhaltnis Cs/Cv von langjahrigen Beobachtungen.
4.1.2.4 Weitere Kenngrolien bei vereinigten Zufallsvariablen Wenn die Zufallsvariablen X und Y in einer Funktion v = g(x,y) vereinigt sind, konnen die Parameter nach der Momentenmethode bestimmt werden. Aus dem zweiten zentralen Moment wird fur diskrete Werte die Kovarianz Cov(X,Y) = sxy abgeleitet. Fur eine Stichprobe berechnet sich die (empirische) Kovarianz zu: Sxy = I [ ( x i - x ) ( y i - y ) ] / ( N - l ) = Z ( x i - y i - N - x - y ) / ( N - l ) . i=l
(4.20)
i=l
Die Varianz kann als Sonderfall der Kovarianz Cov(X,X) = Var(X) gelten. Da fur die Kovarianz zwischen Werten X; und einer Konstante K Cov(X,K) = 0 gilt, folgt daraus Cov(K, X,Y) = KCov(X,Y) bzw. fur Cov(aX+b, cY+d) = ac-Cov(X,Y). Fur den Ausdruck Cov (X,X+Y) kann geschrieben werden Cov(X,X+Y) = Var(X) +Cov(X,Y). Es laBt sich zeigen, dass fur Var(X±Y) = Var(X)+Var(Y)±2Cov(X,Y) gesetzt werden kann. Die Dimension der Kovarianz entspricht dem Produkt der Einheiten von x und y. Die normierte Kovarianz wird als totaler KorrelationskoefFizient p (X,Y) bezeichnet:
3W VVar(x)Var(y)
mit
-
Filr Stichproben wird er erhalten zu: r
xy
=s
xy ^ s x s y
=
M~ mit-l
4.1.3 Diskrete Verteilungsfunktionen und Risiko Diskrete Verteilungen, deren mathematische Grundlagen in vielen Handbilchern, z.B. [4.8, 4.9, 4.10], behandelt werden, werden bei der Betrachtung des hydrologischen Risikos bevorzugt verwendet, wenn die Eintrittswahrscheinlichkeit eines bestimmten Ereignisses innerhalb einer vorgegebenen Zeitspanne gesucht wird. Die Wiederholungszeitspanne ist hierfur wenig geeignet, da sie als Durchschnittswert angibt, dass das 100-jahrliche Ereignis in 1000 Jahren im Mittel 10-mal eintritt bzw. uberschritten wird. Mit diskreten Verteilungen kann auch die statistische Zuverlassigkeit von Beobachtungen in MeBnetzen getestet werden oder die erfor-
116
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
derliche Anzahl von Beobachtungen angegeben werden, wenn bestimmte Werte unter Vorgabe einer Sicherheitsschranke beobachtet werden sollen. Ein Beispiel fur diskrete Verteilungen ist die hypergeometrische Verteilung. Wird eine Stichprobe von n ZufallsgroBen aus einer endlichen Gesamtheit vom Umfang N ohne Zurucklegen gezogen, werden zwei Gruppen erhalten, von denen eine h Elemente enthalten moge. Es gibt
Moglichkeiten, diese Gruppen zu
bilden. Die Wahrscheinlichkeit, dass prob(X = x) in der Gruppe n ist, betragt prob(X) = nx/N, wenn die Grundmenge Nh Elemente von X enthalt. Die Anzahl der Moglichkeiten x zu ziehen bzw. n-x nicht zu ziehen aus der Grundmenge, die N-h
. Die Wahrscheinlichkeit fur x ergibt sich
h Elemente von x enthalt, ist h-x
als hypergeometrische Dichtefunktion fur positive, ganzzahlige Werte zu [4.8]: f(x;N;n;h)=
-
N-h
mitx
(4.22)
n-x
Die Verteilungsfunktion lautet: (4.23)
: = i) = P(x;N;n;h)= £ mit dem Erwartungswert (Mittel) E(x) = nh/N und der Varianz:
Var(x) = nh(N -h)(N -n)/[N 2 (N -l)j. In der Hydrologie wird die hypergeometrische Verteilung bei der Bildung von reprasentativen Stichproben bei groBem Datenanfall herangezogen, z.B. bei Tageswerten von Niederschlagen oder Abflussen von langen MelJreihen oder bei der Abschatzung von Fehlmessungen in einem Beobachtungsnetz. Als Beispiel soil die Auswertung von Niederschlagsdaten nach Regentagen in einem Monat, z.B. im August dienen, wobei die Regentage unabhangig voneinander sein sollen. Es sollen aus den Beobachtungen des August Stichproben von jeweils 15 Tagen gezogen werden. Die Wahrscheinlichkeit, dass a) 5 Regentage und b) weniger als 5 Tage Regentage enthalten sind, erhalt man mitN = 31, n = 15 und h = 15 nach den Gln.(4.22, 4.23):
a ) f (5; 3 1 ; 1 5 ; 15) 7i5Yi6>i
= 1 = 0 , 0 8 0 ,
fi5Y16>i
f15Y16!
= 64790570 / 300540195 = 0,02.
f Y !
f Y i
f
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen
117
'n1
Die Binomialkoeffizienten I I konnen aus Tabellen entnommen oder berechnet werden nach der Formel:
r
=n!/(n)!r! und
(4.24)
W n!=n(n-l)(n-2)...(2)(l) und r < N . Fiir n > 10 wird n! nach der Stirlingschen Formel berechnet zu: n!«(27t) 1/2 e"- n n n+0 > 5 .
(4.25)
Fiir die Herleitung der Binomialverteilung wird ein Bernoulli'scher Prozeft angenommen. Die Wahrscheinlichkeit p, dass ein Hochwasser bestimmter Grofie zu jedem Zeitpunkt auf einer diskreten Zeitachse, z.B. in jedem Jahr, eintritt, sei uberall gleich und unabhangig von vorausgegangenen Ereignissen. Die Wahrscheinlichkeit des Nichteintretens des Wertes bzw. des Nichtiiberschreitens sei q = 1-p. Wahrscheinlichkeiten werden multipliziert, wenn sie als Schnittmenge auftreten. Die Uberschreitungswahrscheinlichkeit im 4. Jahr (und nicht in den Jahren 1, 2, 3) betragt also qqqp, da der Bernoulli-Prozefi zeitunabhanigig ist. Die Wahrscheinlichkeit einer Uberschreitung in einem der vier Jahre betragt danach pqqq+qpqq+qqpq+qqqp = 4pq3. Entsprechend ist die Wahrscheinlichkeit von zwei p2q2 = 6p2q2, da die Anordnung von p Ele-
Uberschreitungen in vier Jahren
menten in funf Elementen auf verschiedenen Wegen moglich ist. Allgemein ist die Wahrscheinlichkeit von X = x Uberschreitungen in n Jahren pxqn'x, was identisch mit der Dichtefunktion der Binomial-Verteilung ist. Die Dichte- bzw. die Verteilungsfunktion lautet: f(x;n;p)=
pxqn
=
'• p x ( l - p ) n x!(n-x)! |pq
,
mitx = 0,l,2,...,n,
(4.26)
(4.27)
i=0 fU)
i n 1
-p l q n
bzw.P(X = i)=
ViJ
("1 '
=
p(l-p)
1
,
(4.27a)
\0
mit dem Mittelwert E(x) = np, der Varianz Var(x) = npq sowie der Schiefe Cs = (q-p)/(npq)"2. Die Verteilung ist symmetrisch fiir p = q, d.h. p = 0,5 und linksschief fiir q < p, d.h. p > 0,5. Die Binomialverteilung kann als Approximation fur die hypergeometrische Verteilung benutzt werden unter der Voraussetzung, dass n < N ist. Fiir grolJe
118
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Werte npq > 9 kann die Binomialverteilung durch eine Normalverteilung approximiert werden. Wichtigste Anwendung der Binomialverteilung ist die Ermittlung des Risikos, dass ein Hochwasser vorgegebener Wiederholungszeitspanne innerhalb einer bestimmten Zeitspanne ein- oder mehrfach eintritt. Wird gefragt, wie oft ein zweijahrliches Hochwasser (p = 0,5) innerhalb einer Zeitspanne von zehn Jahren eintritt, laBt sich dies anhand der Wiederholungszeitspanne mit durchschnittlich funfmal beantworten. Wird hingegen gefragt, wie groB die Wahrscheinlichkeit ist, dass genau flinf zweijahrliche Hochwasser wahrend einer Zeitspanne von zehn Jahren eintreten, lautet die Losung (Gl.(4.27a)): E(x) = np = 10-0,5 = 5, f (x; n; p) = I " p x q n ~ X =
,5,
• 0,55 • 0,55 = 0,246 « 25%.
In 75 % aller Jahresperioden wird das zweijahrliche Hochwasser nicht funfmal eintreten. Mit der Binomialverteilung kann auch die Frage beantwortet werden, wie groB die Chance des Eintreffens des Bemessungsereignisses wahrend der kalkulatorischen Lebensdauer W einer wasserwirtschaftlichen MaBnahme ist (Bild 4.3). Im Allgemeinen ist die Chance bzw. das Risiko R, dass ein Tn-jahrliches Ereignis mindestens einmal in W Jahren eintritt: l-f(O;T n ;l/T n ) = l - ( l - l / T n ) w = R .
(4.28)
Wenn W = Tn ist und sehr groB (Tn > 50 a) gewahlt wird, nahert sich der Ausdruck dem Wert 1-1/e = 0,632, d.h. die Chance betragt 63 %, dass das Bemessungsereignis wahrend der Lebensdauer eintritt. So laBt sich aus Bild 4.3 ablesen, dass ein 100-jahrliches Bemessungsereignis wahrend einer 50-jahrlichen Abschreibungsdauer einer Anlage mit einem Risiko von 36 % nicht eintritt, d.h. die Chance ist 100-36 = 64 %, dass die Entwurfskriterien nicht uberschritten werden. Falls die Chance des Eintretens wahrend der Lebensdauer einer Anlage vorgegeben wird, mufi die Eintrittswahrscheinlichkeit des zugehorigen Bemessungsereignisses bedeutend geringer gewahlt werden. Die Chance, dass das Bemessungsereignis wahrend einer Abschreibungsdauer von W = 100 Jahren eintritt, wird mit 1 % vorgegeben. Gesucht ist das Wiederkehrintervall, das diese Chance erfullt. Wenn p die Uberschreitungswahrscheinlichkeit ist, wird die Wahrscheinlichkeit des Nichtuberschreitens (Gl. (4.26)) (vergl. auch Bild 4.3): f(0;100;p) =
-p q
und0,99 = ( l - p )
,
R = 1 - (0,99) 1 / 1 0 0 = 0,0001« 0,01%; T n = 1/R = 10000 Jahre. Falls ein 100-jahrliches Ereignis der Bemessung zugrunde gelegt wird, betragt die Chance | 0,01°0,99100 = 0,63. Fur ein
des Eintritts bzw. Uberschreitens: l-f(0; 100; 0; 0,1)= 1- | 0
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen
119
200-jahrliches Ereignis betragt das Risiko 39 %, und fur ein 1000-jahrliches Ereignis ist die Eintrittschance 10 % innerhalb einer Zeitspanne von 100 Jahren. Betragt z.B. ftlr eine Talsperre die kalkulatorische Lebensdauer 50 a und soil ein kalkulierbares Risiko von 10 % (1 %) in Kauf genommen werden, dass die Hochwasserentlastung in den nachsten 50 Jahren voll anspringt, ergibt sich ein Entwurfswiederkehrintervall von 475 (4975) Jahren; die HW-Entlastung muB auf ein HQ5oo (HQ5000) ausgelegt werden (Bild 4.3). Es sei die Wahrscheinlichkeit p gegeben, dass ein Ereignis wahrend des betrachteten Zeitintervalls eintritt. Wird das Zeitintervall verkleinert, wird die Wahrscheinlichkeit p kleiner (p < 0,1). Wird gleichzeitig die Zahl der Versuche n so erhoht (n > 30), dass np = X = const, ist, nahert sich die Binomialverteilung einer Poisson-Verteilung an. Die Dichte der Poisson-Verteilung wird erhalten durch Einsetzen von X in die Dichte der Binomialverteilung: f(x;A,) = A,xe
(4.29)
/x! mitx = l,2,... undA,>0.
Die Verteilungsfunktion lautet: P(x;^) = P ( X < x ) = £ X'e~X/i\
(4.30)
mitx = 0,1,2,...
i=0
bzw. mit A. =
——t
a
/
So-
/ O
a XI to
I u on
c
/
< /< ///f s' // / / / 1/ / V / y./ 4
y
/ /
/
r
r
/
f
1-
/
/
y
/
'
/
10
/--
/
7
4.
/ AT
A
/ <-. d
A
/
//
y /
&
/
y
/
/ / /
5
yy.
/ / / /
/ /
/ /
/
/
lo-
/ // v\/
w R=1-0-4-)
J
2
/
/
50
100
Wiederholungszeitspanne
500
1000
Tn in Jahren
Abb. 4.3. Risiko des Eintretens eines Bemessungsereignisses mit dem Wiederkehrintervall Tn wahrend der kalkulatorischen Lebensdauer W eines Bauwerks
120
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
X ist zugleich Mittel und Varianz. Die Schiefe betragt C s = ^'°' 5 und fur groBe Werte geht die positive Schiefe in Symmetric iiber. In der Poisson-Verteilung bedeutet x die Zahl der Eintritte eines Ereignisses, das eine kleine Wahrscheinlichkeit in einer grofien Anzahl n hat. Dem Parameter X (0 < X < oo) konnen verschiedene hydrologische Bedeutungen zugewiesen werden. Er kann mit der mittleren Zeit zwischen zwei seltenen Hochwassern gleichgesetzt werden oder mit der durchschnittlichen Wartezeit auf ein seltenes Hochwasser, das zum ersten Mai von einem bestimmten Zeitpunkt aus gerechnet eintritt. Die Poisson-Verteilung kann fur grolJe Werte von X (d.h. X > 9) durch die Normalverteilung approximiert werden. Wird nach der Wahrscheinlichkeitsverteilung der Zeit bis zum n-ten Ereignis gefragt, erhalt man die Gammaverteilung fur ganzzahlige Werte von n (Bild 4.4):
,n,X) = Xx"-ie~Xx/(n-\)\;
x > 0; X >0; n =1,2,...
(4.31)
Wenn n jeden beliebigen Wert h annehmen kann, wird die Dichtefunktion erhalten zu: f (x) =
(4.31a)
I T(ri) x, X, \i > 0,
wobei F(TI) = { tn~ e" l dt die Gammafunktion bedeutet. 0
Es gilt ferner
|~(TI)
= (r| -1)! fur r| = 1, 2, 3 ...
fix) 10-
•"2=0,5
0,8-
mit x,ij>0und A=1 \
«*'
0.40.2
^
1-1.0
m 1
2
•«i=ao •a=10.0
3
4
5
6
7
8
9
Abb. 4.4. Dichte der Gammaverteilung fur beliebige Werte r| und A. = 1 = const.
10
x
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen
121
4.1.4 Normalverteilung und logarithmische Normalverteilung Von den stetigen Verteilungen ist die Normal- oder GauB-Verteilung als Verteilung fur eine groBe Anzahl zufalliger Ereignisse von besonderer Bedeutung. Obwohl sie fur hydrologische Untersuchungen direkt nur bedingt zur Anwendung kommt, bildet sie die Grundlage fur eine Reihe von Verfahren, wie Anpassung von Verteilungsfunktionen, Verteilung von zufalligen MeBfehlern, Vergleich mit anderen Verteilungsfunktionen, Stichprobenverteilung von Parametern sowie Erzeugung von normal verteilten Zufallszahlen. Die Normalverteilung ist eine symmetrische zweiparametrige Verteilung, deren Dichtefunktion fur Stichproben lautet[4.6,4.9]: f(x) = — ! ? = e x p - ( l / 2 ) [ ( x - x ) 2 / s x 2 ] , -oo<x< + oo. (4.32) 2 Das Mittel x bestimmt die Lage des Gipfels auf der x-Ebene (Lageparameter) und die Standardabweichung die Form der Kurve (MaBstabsparameter). Kleine Standardabweichungen rufen eine steile Kurvenform hervor. Zur Vereinheitlichung wird die Standardvariable k = ( x - x ) / s x eingefuhrt und fur x = 0und sx=l erhalten: f(k)=-rLexp-(k2/2)«0,4e~(k V2
/2)
, -oo
(4.33)
Die Verteilungsfunktion der Normalverteilung zur Berechnung der Unterschreitungswahrscheinlichkeit betragt:
P(X<x) = — l j= } exp-[(l/2) [x-x]2/sx2]dx,
(4.34)
SV27l
bzw. fur die Standardnormalverteilung (x = 0, s x = l): 1
k
i
•>
P(k
(4.35)
V27t .oo
Die Werte der Dichte- oder Verteilungsfunktion der Standardnormalverteilung liegen tabelliert vor. Die Werte der Normalverteilung sind in Tab. 4.2 fur Cs = 0 enthalten [4.10, 4.11]. Die Flachenabschnitte unter der Dichtefunktion, die durch symmetrisch zum Mittel angeordnete Bereiche x±ks x ,gebildet werden kb'nnen, werden fiir die Darstellung der Normalverteilung benutzt. Im Bereich x ± ls x sind 68,26 % aller Werte enthalten. Bezuglich der Verteilungsfunktion wird damit der symmetrisch zum Mittel liegende Bereich von den Unterschreitungswahrscheinlichkeiten 15,87 % bis 84,13 % gekennzeichnet (Tab. 4.1). Infolge der Symmetric entspricht das Mittel dem Median bzw. Modalwert (Bild 4.2). Die Symmetric der Normalverteilung wird benutzt, um die Normalverteilung auf einem geeigneten Wahrscheinlichkeitspapier als Gerade darzustellen (Bild 4.5). Die Verteilungsfunktion stellt bei linearer Teilung beider Achsen eine S-for-
122
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Tabelle 4.2. k-Werte fur positive Schiefe C s (Pearson-Typ-III-Verteilung; fur C s = 0 Werte der Normaiverteilung) [4.11]
Schiefe 1,0101
Q 3,0 2,9 2,8 2,7 2,6 2,5 2,4 2,3 2,2 2,1 2,0 1,9 1,8 1,7 1,6 1,5 1,4 1,3 1,2 1,1 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0
99 -0,667 -0,690 -0,714 -0,740 -0,769 -0,799 -0,832 -0,867 -0,905 -0,946 -0,990 -1,037 -1,087 -1,140 -1,197 -1,256 -1,318 -1,383 -1,449 -1,518 -1,588 -1,660 -1,733 -1,806 -1,880 -1,955 -2,029 -2,104 -2,178 -2,252 -2,326
1,0526
1,2500
95
80
-0,665 -0.688 -0,711 -0,736 -0,762 -0,790 -0,819 -0,850 -0,882 -0,914 -0,949 -0,984 -1,020 -1,056 -1,096 -1,131 -1,168 -1,206 -1,243 -1,280 -1,317 -1,353 -1,388 1,423 -1,458 1,491 -1,524 -1,555 -1,586 -1,616 -1,645
-0,636 -0,651 -0,666 -0,681 -0,696 -0,711 -0,725 -0,739 -0,752 -0,765 -0,777 -0,788 -0,799 -0,808 -0,817 -0,825 -0,832 -0,838 -0,844 -0,848 -0,852 -0,854 -0,856 -0,857 -0,857 -0,856 -0,855 -0,853 -0,850 -0,846 -0,842
Wiederkehrintervall in Jahren 2 5 10 25
50
Haufigkeit in % 20 10
2
50 -0,396 -0,390 -0,384 -0,376 -0,368 -0,360 -0,351 -0,341 -0,330 -0,319 -0,307 -0,294 -0,282 -0,268 -0,254 -0,240 -0,225 -0,210 -0,195 -0,180 -0,164 -0,148 -0,132 -0,116 -0,099 -0,083 -0,066 -0,050 -0,033 -0,017 0,000
0,420 0,440 0,460 0,479 0,499 0,518 0,537 0,555 0,574 0,592 0,609 0,627 0,643 0,660 0,675 0,690 0,705 0,719 0,732 0,745 0,758 0,769 0,780 0,790 0,800 0,808 0,816 0,824 0,830 0,836 0,842
1,180 1,195 1,210 1,224 1,238 1,250 1,262 1,274 1,284 1,294 1,302 1,310 1,318 1,324 1,329 1,333 1,337 1,339 1,340 1,341 1,340 1,339 1,336 1,333 1,328 1,323 1,317 1,309 1,301 1,292 1,282
4 2,278 2,277 2,275 2,272 2,267 2,262 2,256 2,248 2,240 2,230 2,219 2,207 2,193 2,179 2,163 2,146 2,128 2,108 2,087 2,066 2,043 2,018 1,993 1,967 1,939 1,910 1,880 1,849 1,818 1,785 1,751
3,152 3,134 3,114 3,093 3,071 3,048 3,023 2,997 2,970 2,942 2,912 2,881 2,848 2,815 2,780 2,743 2,706 2,666 2,626 2,585 2,542 2,498 2,453 2,407 2,359 2,311 2,261 2,211 2,159 2,107 2,054
100
200
1000
1
0,5
0,1
4,970 4,909 4,847 4,783 4,718 4,652 4,584 4,515 4,444 4,372 4,298 4,223 4,147 4,069 3,990 3,910 3,828 3,745 3,661 3,575 3,489 3,401 3,312 3,223 3,132 3,041 2,949 2,856 2,763 2,670 2,576
7,152 7,034 6,915 6,794 6,672 6,548 6,423 6,296 6,168 6,039 5,908 5,775 5,642 5,507 5,371 5,234 5,095 4,955 4,815 4,673 4,531 4,388 4,244 4,100 3,956 3,811 3,666 3,521 3,377 3,233 3,090
4,051 4,013 3,973 3,932 3,889 3,845 3,800 3,753 3,705 3,656 3,605 3,553 3,499 3,444 3,388 3,330 3,271 3,211 3,149 3,087 3,022 2,957 2,891 2,824 2,755 2,686 2,615 2,544 2,472 2,400 2,326
mige Wendelinie dar. Sollen z.B. Werte bis ca. 99,9 % dargestellt werden, sind die normierten Abszissenwerte ttber den Bereich k = ± 3 auf einer linear geteilten Achse aufzutragen. Durch Stauchung an einer Geraden, die durch den Mittelpunkt (x = 0) geht, werden die Ordinaten so transformiert, dass eine Ordinatenachse erhalten wird, die nach dem Integral der Normaiverteilung geteilt ist. Dadurch wird der oft benOtigte Extrapolationsbereich (90 < Pu < 99,9 %) auf die Gro'Be des Wahrscheinlichkeitspapiers gestaucht. In einem derartigen Wahrscheinlichkeitspapier liegen Beobachtungswerte, die einer Normaiverteilung gehorchen, auf einer
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen
123
Geraden. Die Gerade wird durch Punkte gelegt, die sich besonders einfach ermitteln lassen, namlich das Mittel x bei Pu = 50 % und die Werte x ± l s x , die bei 84,13 % bzw. bei 15,87 % liegen. Die Normalverteilung schliefit mit den Abszissenabschnitten x + l,96sx bzw.x + 2,58sx 95 bzw. 99 % aller Werte ein, was bei einigen Testverfahren benutzt wird (vgl. Tab. 4.1). Die Anwendung der Normalverteilung soil am Beispiel der Station Hohenheim gezeigt werden, fur welche die jahrlichen Niederschlagssummen iiber 80 Jahre beobachtet wurden. Zur Reduzierung des Datenumfanges werden die Jahresniederschlage in Klassen mit b = 50 mm Klassenbreite eingeteilt. Durch Auszahlen wird die absolute Klassenhaufigkeit nj bestimmt und anschlielknd die relative Klassenhaufigkeit fl gebildet und aufsummiert (Tab. 4.3). Die statistischen Parameter der Normalverteilung sind Mittel (Gl.(4.6)) und Standardabweichung(Gl.(4.12)): Mittel: x = E n i x i / N = 54400/80 = 680 mm; Standardabweichung: s x = [ S n i ( x - x ) 2 / ( N - l ) ] 1 / 2 =1273000/79 = 126,9 mm, Werte der Dichtefunktion der Normalverteilung (Gl.(4.33)): x = x : f o = e ° b / ( s [ 2 7 r ] ) 1 / 2 =50/(126,9) [2-3,14] 1 / 2 =0,157, x = x ± s x : f! = e" 1 / 2 b/(s[2;t]) 1 / 2 = 0,6065 • 0,157 = 0,095, x = x ± 2 s x : f2 =e" 2 b/(s[27i] 1 / 2 ) =0,1353-0,157 =0,021, x = x ± 3 s x : f3 = e " 9 / 2 b / ( s [ 2 7 t ] 1 / 2 ) = 0,0111-0,157 = 0,001, Werte der Verteilungsfunktion der Normalverteilung (Bild 4.5):
Bei Pu = 50%: x = x =680 mm; bei Pu = 84,13 % : x = x + s x = 680 +126,9 = 806,9 mm; beiP u =15,87%: x = x - s x =680-126,9 = 553,1 mm. Wenn auch nur 0,13 % aller Werte aufierhalb des Bereiches x + 3s x liegen, ist es dennoch ein theoretischer Nachteil der Normalverteilung, dass ihr kleinster Wert bei -oo liegt, d.h. fur viele hydrologische Variable physikalisch wenig sinnvoll festgelegt ist. Um nur den positiven Wertebereich zu erhalten, konnen anstelle der Beobachtungswerte x; ihre logarithmischen Werte yj = logXj oder lnx; verwendet werden (logarithmische Normalverteilung oder Fechner-Verteilung). Wird von den dekadischen Logarithmen y = logx ausgegangen, lauten die Dichte- bzw. Verteilungsfunktion der logarithmischen Normalverteilung:
f(y) =
^=exp-(l/2)[(y-y) 2 /s y 2 ]dy, sy-x-v27t
(4.36)
124
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Tabelle 4.3. Jahrliche Niederschlagssummen der Station Hohenheim fur 80 Beobachtungsjahre, geordnet in Klassen der Breite b = 50 mm Klassen- Klassen- SummenKlashaufigsen- Klassen- haufigHaufigP(x) = keit keit rel. Gren- Mitte keit n m/(N+l)-100 f=n|/N zen . (Anzahl) (%) (mm) (mm) (%) (%) 375 400
2
425 450
1 4 9 9 18 10 13 4 3 3 2 2
80
53,75
53,09
66,25
65,43
82,50
81,48
87,50
86,42
91,25
90,12
95,00
93,82
97,50
96,30
100,00
98,77
2,50
1025
Summe:
30,86
2,50
975 1000
31,25
3,75
925 950
19,75
3,75
875 900
20,00
5,00
825 850
8,64
16,25
775 800
8,75
12,50
725 750
3,70
22,50
675 700
3,75
11,25
625 650
2,47
11,25
575 600
2,50
1,00
525 550
0
1,25
475 500
0 2,50
100
.
Xj-X
(mm)
(mm)
(mm)
800
-280
156800
450
-230
52900
2000
-180
129600
4950
-130
152100
5400
-80
57600
11700
-30
16200
7000
20
4000
9750
70
63700
3200
120
57600
2550
170
86700
2700
220
145200
1900
270
145800
2000
320
204800
54400
exp-(l/2)[(y-y)2/sy2]dy,
Pu(X<x) = S y -V-iTC
wobei bedeuten:
und
1/2 sy=|
1
(
N-l
I
lOgXj B
'
N
-.2
Xjtlj
ni(xi- x)
1273000
(4.37)
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen
125
S3
Abb. 4.5. a) Entwicklung einer normalverteilten Wahrscheinlichkeitsachse und Darstellung der Normalverteilung als Gerade, b) Benutzung der Wahrscheinlichkeitsachse zur Darstellung der Verteilung der Jahresniederschlage der Station Hohenheim als Gerade, c) wie b), jedoch bei logarithmischer Teilung der Merkmalsachse als log. Normalverteilung
126
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Aus einer logarithmischen Normalverteilung, in welcher y = lnx gesetzt wurde, kann die Verteilung fur x gefunden werden, die als Lognormalverteilung bezeichnet wird. Die Verteilung von x wird gefunden aus f(x) = f(y) | dy/dx |. Da y = lnx eine Funktion von x ist, gilt allgemein f(x) = f(y) I dy/dx | = f(y)[dlnx/dx] oder I dy/dx I = 1/x ftlr x > 0. Die Dichte bzw. Verteilungsfunktion der LognormalVerteilung lautet: f(x) = ( 2 7 i s y 2 x 2 ) " 1 / 2 - e x p [ ( l n x - y ) 2 / 2 s y 2 ] f u r x > 0 , sonstO.
P(X<x) = P(lnX
1
exp-(ln<;-y)2 /(2s2)dC
(4.38)
(4.39)
00 •
In dieser Verteilung ist y = lnx normalverteilt und x lognormal verteilt. Die Parameter werden bestimmt zu y = £y; / N mit yi = lnx; und sy2 = (Syj-N^^N-l). Anstelle des Wertes x kann auch eine Nullpunktverschiebung vorgenommen werden durch Einfuhrung von x' = (x-x0), wobei x0 die untere Grenze der Verteilung ist. Zwischen den statistischen Parametern der Normalverteilung und der Lognormal-Verteilung besteht naherungsweise folgender Zusammenhang [4.4]: y = ln(x 2 /[C v x 2 +1])/2 und s y 2 = ^ ( C ^ 2 +1). Mittel E (x) = x und Varianz Var(x) = sx2 der Lognormal-Verteilung lautet: = exp(y + s y 2 / 2 ) und Var(x) = [exp(s y 2 )-l][exp(y + s y 2 / 2 ) ] 2 bzw. Cvx=[exp(sy2)-I]1/2. Durch das Logarithmieren der Grofie x sind die Werte x nur positiv. Die Normalverteilung wird so gestaucht, dass sie linksseitig begrenzt wird und eine stets positive Schiefe Csx = CVX3+3CVX erhalt. Durch die Begrenzung in einem beliebigen Schwellenwert xmin und anschlieBender Bildung von y = ln(x,-xmin) wird die Symmetrieeigenschaft der Normalverteilung aufgegeben. Fur die Berechnung werden die k-Werte fUr Cs = 0 nach Tab. 4.2 benutzt. Das Wahrscheinlichkeitspapier, auf dem sich die Lognormal-Verteilung als Gerade darstellt, ist in der Merkmalsachse logarithmisch geteilt und in der Ordinate normalverteilt. Die Gerade wird konstruiert, indem bei P u = 50 % der Wert x g =10^angetragen wird. Fur P u = 84,13 % bzw. 15,87 % werden die Werte y ± s y gebildet, entlogarithmiert und anschlieBend eingetragen. Sollen bei einer graphischen Losung die logarithmischen Werte unmittelbar abgetragen werden, muB dies unter Beachtung des logarithmischen MafJstabes von 1 aus erfolgen.
4.1 Grundlegende Konzepte fur hydrologische Zufallsvariablen
127
Die Anwendung der Lognormalverteilung auf die Werte der Station Hohenheim ist in Bild 4.5c gezeigt. Die Werte XJ in Tab.4.3 werden in ihre Logarithmen transformiert: yi = logxj. Mit den Werten y; wird das Mittel y = 2,825 nach Gl.(4.6) und die Standardabweichung sy = 0,0789 nach Gl.(4.12) berechnet. Das geometrische Mittel x g = 10^ betragt damit 102'825 = 668 mm und wird bei Pu = 50 % angetragen. Weitere Punkte der Verteilungsfunktion sind fur Pu = 84,13 %: x84 = 10(2,825+0,0789) =
m
m m
^
^
^
=
^37
%
. ^
=
^(2,825-0,0789) = 5 5 7
4.1.5 Empirische Wahrscheinlichkeiten Mit den statistischen Parametern und einer Verteilungsfunktion konnen fur vorgegebene Werte x die zugehorigen theoretischen Wahrscheinlichkeiten Pu berechnet werden. Aus den Werten einer Beobachtungsreihe kann aber auch direkt die Haufigkeit einer Beobachtung P(xj) abgeleitet werden. Diese empirischen Wahrscheinlichkeiten entsprechen den aufsummierten relativen Haufigkeiten, wenn die Beobachtungswerte der GroBe nach geordnet werden. Erhalt bei Hochwasser (bzw. Niedrigwasser) der groBte (bzw. kleinste) beobachtete Wert den Rang m = N und der kleinste (bzw. groBte) Wert m = 1, kann die empirische Unterschreitungswahrscheinlichkeit Pu angegeben werden mit: lim ?u=
fm A T7 •
(4-40)
Bei Stichproben liefert Gl.(4.40) fur den mittleren Haufigkeitsbereich befriedigende Ergebnisse, fiihrt jedoch an den beiden Enden der Verteilung zu den Werten 0 und 1, die nur fur die Grundgesamtheit definiert sind. Um diese Falle auszuschlieBen, werden die empirischen Wahrscheinlichkeiten umgeformt. Da eine theoretische Begriindung fur eine einzige Art der Berechnung und Auftragung der empirischen Wahrscheinlichkeiten in einem Wahrscheinlichkeitspapier nicht gegeben werden kann, sind folgende praktische Gesichtspunkte maBgebend [4.12]: Alle Beobachtungswerte x> = 1,2, ..., N miissen fur den Bereich 0 < f(x) < 1 angegeben werden konnen, jedoch ist die Wahrscheinlichkeit 0 und 1 auszuschlieBen. Die Auftragungsart eines beliebigen Wertes x; mit der Rangzahl m ist frei; sie sollte zwischen den beobachteten Haufigkeiten m/N und (m-l)/N liegen. Die Wahrscheinlichkeit des groBten und kleinsten Wertes sollte nahe bei 1/N bzw. (N1)/N liegen. Die beobachteten Werte sollten moglichst gleichmaBig verteilt uber den gesamten Bereich eingetragen werden. Dabei sollte der Auftragspunkt nur eine Funktion von N sein. Der Auftragspunkt soil einfach zu berechnen sein. Zur Berechnung der empirischen Wahrscheinlichkeit P(x) werden mehrere Formeln verwendet, die diesen Anforderungen geniigen. Zur Vermeidung des Eintretens des sicheren Ereignisses wird Gl.(4.40) um einen Wert c erweitert, der unterschiedlich angegeben wird. Die empirische Unterschreitungswahrscheinlichkeit P(XJ) bzw. das zugehorige Wiederkehrintervall Tn, das ein Ereignis X| gleich oder kleiner ist als der nachstehend errechnete Wert, betragt:
128
4 Anpassung von Verteilungsfunktionen an hydrologische Daten ~ P(x) =
m-c
. ,,/T, . N+ l-2c (4.41) = 1 - (1 / T n ) bzw. Tn = . N +l-2c N+l-m-c N : Stichprobenumfang; z.B. Anzahl der Beobachtungsjahre, m :Rangzahl; m = I: hochster (kleinster) Wert bei Minimal- (Maximal-)werten mit dem Stichprobenumfang N; m = N: grofiter (kleinster) Wert bei Hoch- (Niedrig-)wasser, c : Beiwert, der angegeben wird zu (Literaturhinweise in [4.13]): Wertc:
Autor:
Anwendung bei:
c=0 c = 0,5 c = 0,3 c = 0,4 c = 0,44 c = 3/8
Weibull Hazen Chegodayev Young, Cunnane Gringorten Blom
Hochwasser ( = HQ ), Cs * 0 schiefer Verteilung, HQ unbekannter Verteilung, HQ Niedrigwasser ( = NQ ),CS ~ 0 Hochwasser bei Gumbel - Papier HQ, NQ bei GauB-Papier.
Die Wahl des Wertes c in Gl.(4.41) wirkt sich bei kleinen Stichprobenumfangen aus. Der Einfluss des Wertes c ist jedoch kleiner als der des Stichprobenumfanges und ist in den Randbereichen besonders deutlich (Bild 4.6 und Tab. 4.4).
100
P(x) m 80
y
p(x)_ 2m-1 ••'./.
ftw
log Pearson
60
40
20
2000
4000
6000
8000
10000 Abfluss in m3/s
Abb. 4.6. Vergleich von empirischen Wahrscheinlichkeiten nach verschiedenen Anfangswerten mit einer theoretischen Verteilung (Log. Pearson Typ-III-Verteilung fur die jahrliche Hochwasserscheitelabflusse des Rheins, Pegel Koln, fur die Jahresreihe 1824/1973)
129
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
Tabelle 4.4. Empirische Unterschreitungswahrscheinlichkeiten Pu in % der Punkte mit m = N/2, N-l und N nach verschiedenen Auftragungsformeln (Gl.(4.41)) fur Stichprobenumfange von N = 20, 40 und 80 Werten Wertc(Gl.(4.41)):
c=0
empirische Wahrscheinlichkeit:
p
N = 20 m = N/2 N = 40 m = N/2 N = 80 m = N/2 N = 20m = N-l N = 40m = N-l N = 80m = N-l N = 20m = N N = 40 m = N N = 80m = N
47,6 48,8 49,4 90,5 95,1 97,5 95,2 97,6 98,8
m
c = 0,3
c = 0,4
b = 0,5
p
~
p
N+l 47,6 48,8 49,4 91,7 95,8 97,9 96,6 98,3 99,1
m-0,3 N + 0,4
47,5 48,8 49,4 92,1 96,0 98,0 97,0 98,5 99,3
m-0,4 N + 0,2
m-0,5 N
47,5 48,8 49,4 92,5 96,3 98,1 97,5 98,8 99,4
Die empirischen Wahrscheinlichkeiten bilden eine wichtige Grundlage fur die Annahme einer gewahlten theoretischen Verteilungsfunktion durch einen statistischen Anpassungstest, da die Testverfahren von kennzeichnenden Unterschieden zwischen beiden Verteilungen ausgehen. Die empirischen Verteilungen, die stark vom Datenkollektiv abhangen, haben den Nachteil, dass sie gleichen oder wenig unterschiedlichen Werten verschiedene Wahrscheinlichkeiten zuordnen und keine Aussagen iiber Wiederkehrintervalle, die seltener als die Beobachtungsreihe sind, zulassen.
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit 4.2.1 Typen und Merkmale von Hochwasser Die Wiederholungszeitspanne fur die BemessungsgroBe muss oft so groB gewahlt werden, dass sie die Lange der Beobachtungsreihe weit ubertrifft. Die Ermittlung von extrapolierten Werten setzt voraus, dass ihre Wiederholungszeitspannen nicht gro'Ber sein sollen als die dreifache Lange der Beobachtungsreihe. Brauchbare statistische Aussagen fur Hochwasser setzen eine Beobachtungsdauer von mindestens 20 Jahren voraus. Zur Absicherung von zu stark extrapolierten Werten werden oft Niederschlag-Abflussmodelle oder regionale Vergleiche z.B. mehrere Pegel desselben Flussgebiets herangezogen. Vorteile des statistischen Verfahrens sind der verhaltnismalMg geringe Arbeitsaufwand sowie die direkte Berechnung der Eintrittswahrscheinlichkeit des gesuchten extremen Ereignisses. Diese Vorteile sollten aber nicht dazu fuhren, die statistischen Analysen schematisch durchzufuhren. Vielmehr erfordern sie grundliche Datenanalysen und umfassende Kenntnisse der statistischen Methoden einschliefilich ihrer Aussagefahigkeit. Statistische Verfahren haben den Nachteil, dass nur ein Merkmal des extremen Ereignisses,
130
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
z.B. der Scheitelabfluss oder die Abflussfulle erfasst wird, da die Interpretation mehrdimensionaler Wahrscheinlichkeiten nur in Sonderfallen moglich ist. Um diesen Nachteil teilweise auszugleichen, konnen zusatzliche Merkmale eines Hochwassers iiber Regressionen miteinander verknupft werden. Hochwasser ist das kurzzeitige Ansteigen des Wasserstandes bzw. des Abflusses iiber den Mittelwasserbereich. Hochwasser kann durch natiirliche Ursachen wie Starkregen, Schneeschmelze oder Eisversetzung entstehen und gegebenenfalls durch anthropogene Einflusse wie grolte Versiegelungsflachen verscharft werden. Wichtigste Merkmale des Hochwassers zur Bemessung von Bauwerken im, Uber oder entlang des Gewassers wie Wehre, Brticken von talkreuzenden Verkehrswegen, Flussdeiche und Ruckhalteraume, sind der Hochwasserscheitelabfluss, die Hochwasserabflusssumme bzw. -abflussfulle sowie die Hochwasserdauer als Uberschreitungsdauer von kritischen Wasserstanden, die z.B. fur die Ausbildung von Sickerlinien in Deichen oder Hochwasserdammen mafigeblich werden kann (Bild 4.7). Der Abfluss, der vor und nach dem Hochwasser im Gewasser herrscht (Basisabfluss), geht auf andere Ursachen zurttck, z.B. Grundwasserzufluss, und ist im Vergleich zum Scheitelabfluss meist vernachlassigbar klein. 24
Zeit in h
Abb. 4.7. Schematische Aufteilung des Niederschlag-Abfluss-Vorgangs in einem kleinen Einzugsgebiet
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
131
Fur statistische Auswertungen wird nach Jahreszeiten oder nach Entstehungsursachen wie Schmelz- und Regenhochwasser, unterschieden, wobei Dammbruchwellen oder andere anormale Ereignisse ausgeklammert werden. Nach DIN 4049 ist Hochwasser eine zeitlich begrenzte Anschwellung in einem oberirdischen Gewasser, die einen vorgegebenen Schwellenwert uberschreitet. Danach ist nur eine statistische Einteilung der Abflusse in einen Hoch-, Mittel- und Niedrigwasserbereich moglich. Die jahreszeitliche Einstufung der Hochwasser nach Winterhochwasser (ab 1.11.), Sommerhochwasser (ab 1.5.) oder Hochwasser wahrend der Vegetationsperiode wird angewendet, um saisonbedingte Hochwasserschutzbediirfnisse festzulegen, z.B. fur die Landwirtschaft, flir Flussbauten, Baugrubensicherungen von Wasserbauten und die Binnenschifffahrt. Die Untersuchung der Entstehungsursachen erfordert die Synoptik mit Niederschlagen, da die meisten Niederschlage nicht zu ausgepragten Hochwasser fuhren (Bild 3.4). Als Hochwasser werden nur Ereignisse in die Auswertung aufgenommen, bei denen der Gebietsniederschlag einen Schwellenwert, z.B. von 12 mm/d oder 20 mm in 2 Tagen, Uberschreitet und zu grofleren effektiven Niederschlagen fuhrt. Der Teil des Niederschlags, der als Hochwasser abflieflt, wird als effektiver oder abflusswirksamer Niederschlag bezeichnet. In kleinen Einzugsgebieten unter rd. 100 km2 fuhren im Sommer kurz andauernde, konvektive Niederschlage (Wolkenbruch) mit Intensitaten von 50 bis 90 mm/h und eng begrenzten Niederschlagsgebieten zu sehr hohen Scheitelabfliissen. In grb'fieren Einzugsgebieten fuhren advektive, uber Tage andauernde Regen (Frontenniederschlage und AufgleitvorgSnge) mit annahernd gleichmaBiger zeitlicher und raumlicher Verteilung (< 20mm/h) zu extremen Regenhochwassern. Treffen ergiebige Aufgleitniederschlage auf eine Schneedecke, kommt es zum Abschmelzen und zu extremen Hochwassern. Bei Schneeschmelzhochwasser kommt der Wassergehalt der abtauenden Schneedecke schnell zum Abfluss, ohne dass grofiere Verdunstungsverluste entstehen. Dieser Vorgang ist hauptsachlich in gebirgigen Einzugsgebieten zu beobachten. Haufiger treten Mischtypen von Regen- und Schneeschmelzhochwasser auf.
4.2.2 Jahrliche und partielle Serien Fur die Aufstellung von jahrlichen oder partiellen Serien mussen die Tagesmittel des Abflusses und die Scheitelwerte vorliegen und vorab auf homogenes Verhalten gepruft werden. Aus der Beobachtungsreihe der Tagesmittel werden fur jedes Jahr die drei bis vier hochsten Hochwasser herausgesucht, ihre Scheitelabflilsse bestimmt, der Gro'Be nach geordnet und tabellarisch zusammengestellt. Dabei sind Kriterien fUr die Unabhangigkeit von zwei Ereignissen zu beachten. Fur Hochwasser kann dies entweder anhand der Wellenform oder des zeitlichen Abstandes der Hochwasserscheitel erfolgen. Sinkt der Abfluss zwischen zwei benachbarten Hochwasserscheiteln mindestens auf die halbe H6he des kleineren Scheitelwertes bezogen auf das MQ der betrachteten Jahresreihe ab, konnen die Spitzen als selbstandig angenommen werden. Ein anderes Kriterium geht von dem Absinken um zwei Drittel der ersten Spitze aus. Diese Bedingung ist meist erfullt, wenn die Eintrittsdaten von benachbarten Scheitelwerten um mindestens sieben Tage oder die
132
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
dreifache Anstiegszeit auseinander liegen. Diese Bedingungen schliefien nicht in jedem Fall die Unabhangigkeit der einzelnen Hochwasserscheitelwerte ein, so dass dieses TrennmaB im Einzelfall gepriift werden muss. In vielen Fallen muss daher zur Gewinnung von unabhangigen Ereignissen eine Ganglinienseparation anhand der aufgetragenen Hochwasserwellen vorgenommen werden durch Trennung der Wellen mit einer Rezessionskurve. Bei langeren Beobachtungsreihen (Beobachtungszeitraume > 20 Jahre) wird die jahrliche Serie zur Extrapolation auf seltene Ereignisse bevorzugt. Zu ihrer Aufstellung wird die Beobachtungsreihe in gleichlange Zeitabschnitte (Jahre, Halbjahre, Monate) eingeteilt, der Hochstwert jedes Zeitabschnittes herausgesucht und in einer neuen Reihe der beobachteten maximalen Werte zusammengestellt, z.B. die jahrlichen HQ-Abflilsse. Filr die Wahrscheinlichkeitsaussage wird jedem beobachteten und berechneten Hochstwert der gewahlte gleiche Zeitabschnitt z.B. ein
jahrl. Serie (N = 20)
c § 30" 20 10 " 1961
65
70
75
1980
w 50
partielle Serie (M=20) g30Schwellenwerl 0, =21,3 m'/s
20-
10
1961
65
70
75
1980
partielle Serie (M= 40)
1961
75
1980
Abb. 4.8. Jahrliche sowie partielle Serien tiber einen Schwellenwert Q s von Hochwasserscheitelabflussen HQ fur eine 20-jahrige Beobachtungsreihe (Pegel Herzberg/Sieber: AEo = 69,2 km2, MQ = 2,0 m3/s, MHQ = 22,4 m3/s, Jahresreihe 1961/80
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
133
Jahr zugeordnet. Die beobachteten Hochstwerte, die jedoch zu unterschiedlichen Terminen innerhalb der einzelnen Zeitabschnitte eintreten, werden als zeitlich aquidistant angesehen. Bei der Bildung von jahrlichen Serien kfinnen unter Umstanden in Trockenjahren Werte in das Kollektiv aufgenommen werden, die unter den Scheitelabfliissen des zweit- oder drittgr5(5ten Hochwassers eines Nassjahres liegen (Bild 4.8). Dies vermindert die Aussagekraft von kurzen jahrlichen Serien, besonders wenn sie AusreiBer enthalten. Bei der Aufstellung der Datenreihen fur monatliche extreme Abflusse in groBeren Einzugsgebieten ist haufig die gegenseitige Unabhangigkeit nicht erfullt. Bei jahrlichen Serien kann die Wiederholungszeitspanne Tn mit der Unter- bzw. Uberschreitungswahrscheinlichkeit Pu bzw. Po in % ermittelt werden zu: Tn =100/(100-P u ) bzw. T n =100/P u in Jahren,
(4.42)
Gleichung (4.42) gilt fur Tn > 1 Jahr, da die Beobachtungsreihe aus den Extremwerten jeden Jahres gebildet wird. Fur Wiederkehrintervalle Tn < 5a ist folgende Korrektur zweckmSBig [4.4]: Tn =(e 1 / T *)/(e 1 / T *-l) bzw.T n * =
l
furT n *<5a (4.43) ln(T n /(T n -l)) Tn : rechnerisch zu verwendendes Wiederkehrintervall, fur das der Haufigkeitsfaktor k Wert abgelesen wird, z.B. nach Tab. 4.2 (Wiederholungszeitspanne des JahresgroBtwertes); z.B. fur Tn* = la ist aus der jahrlichen Serie der wert HQ fur Tn = 1,58a zu berechnen. T: tatsachliche Wiederholungszeitspanne z.B. 1 Jahrfflrdas HCh (s. Bild 4.12). Tn* = la -> Tn = 1,58a; Tn* = 2a -VTn = 2,54a; Tn* = 5a -> Tn = 5,48a. Der Unterschied zwischen Tn und T* betr> fur Tn > 10a weniger als 3 %. n
Bei der Bildung von partiellen Serien aus einer Beobachtungsreihe werden die voneinander unabhangigen Hochwasserereignisse ausgewahlt, deren Scheitelabfltisse einen vorgegebenen Schwellenwert uberschreiten. Der Schwellenwert Qs, der dem Kleinstwert der partiellen Serie entspricht, wird meist nach statistischen Gesichtspunkten festgelegt und durch Auszahlen der Ereignisse so bestimmt, dass die Zahl der extremen Ereignisse ungefahr der Zahl der Beobachtungsjahre oder einem Vielfachen entspricht (Bild 4.8). Partielle Serien werden bei Hochwasseruntersuchungen bei Beobachtungsreihen von N < 15 Jahren bevorzugt. Qs wird dann so gelegt, dass die partielle Serie 2 bis 3N Werte umfasst. Der Umfang des Datenkollektivs der partiellen Serie sollte hochstens so viele Werte enthalten wie die vierfache Lange der Beobachtungsreihe Jahre. Die Wahl des Schwellenwert.es kann aber auch nach wasserwirtschaftlichen Gesichtspunkten erfolgen, z.B. nach der Gro'Be des schadlosen Abflusses. Die Anzahl der Ereignisse ist dann nicht gleich dem Vielfachen der Beobachtungsreihe. Dadurch wird der Arbeitsaufwand bei der Haufigkeitsuntersuchung etwas vergroltert. Bei der Bildung von partiellen Serien wird durch die VergroBerung der Zahl der Werte zwangslaufig im gleichen MaBe einer Verbesserung der Daten im statistischen Sinne herbeigefuhrt. Die Extrapolation der Werte ist aber auch hier eingeschrankt und sollte die doppelte bis dreifache Lange des Beobachtungszeitraums nicht uberschreiten.
134
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Bei Verwendung von partiellen Serien muss folgende Umrechnung zur Berechnung der Wiederholungszeitspanne Tn der jahrlichen Serie nach Gl.(4.42) erfolgen: T* = (M/N)-T n bzw. T n = N / M T *
flirM>N
(4.44)
T* : Wiederholungszeitspanne der partiellen Serie, N : Anzahl der Beobachtungsjahre, M : Anzahl der Werte der partiellen Serie. So muss fur ein gesuchtes 10-jahrliches Ereignis, das aus 50 Stichprobenwerten einer 25-jahrigen Beobachtungsreihe berechnet werden soil, das fiktive 20-jahrige Ereignis nach der partiellen Serie verwendet werden. Gesicherte Scheitelabfliisse groBer historischer Hochwasser, die auGerhalb der verwendeten Beobachtungsreihen liegen, konnen bei der Extrapopulation beriicksichtigt werden, z.B. nach [4.50].
4.2.3 Verteilungsfunktionen fiir Hochwasser 4.2.3.1 Anpassung von Verteilungsfunktionen an Hochwasserdaten Von den zahlreichen Verteilungsfunktionen werden einige fur Hochwasseruntersuchungen bevorzugt, da eine mathematische Begrtlndung fur die Auswahl einer einzigen Verteilungsfunktion nicht gegeben werden kann. Fiir die Analyse von Hochwasserscheitelabflussen werden als Verteilungsfunktionen die (log.) Pearson Typ-III-, die Extremwert Typ-I- (Gumbel-) und die (logarithmische Normalverteilung herangezogen. Daneben werden noch eine Reihe weiterer Verteilungen angewendet [4.13,4.14][4.50]. In mehreren Landern gibt es Standardverfahren fur die Berechnung der Hochwasserwahrscheinlichkeit [4.7, 4.13, 4.15]. In diesen Standardverfahren werden einheitlich eine Verteilung und ein Verfahren zur Parameterermittlung empfohlen, um regional vergleichbare Bemessungswerte zu erhalten. So wird fur Hochwasser am haufigsten die Pearson Typ-III-Verteilung in ihrer logarithmischen oder einfachen Form vorgeschrieben oder die Extremwert Typ-I-Verteilung. Bei Niederschlagen wird die Extremwert Typ-I-Verteilung bevorzugt [4.13]. Samtlichen Verteilungsfunktionen liegen eingipflige Dichtefunktionen zu Grunde. Bei ausgepragten mehrgipfligen Dichtefunktionen kann eine Aufspaltung der Stichprobe. z.B. nach den Entstehungsursachen der Hochwasser, vorgenommen werden. Die ausgewahlte theoretische Verteilungsfunktion soil sich mo'glichst gut an die empirischen Wahrscheinlichkeiten anpassen. Die Anpassung kann auf verschiedenen Wegen erreicht werden. Im ersten Fall wird eine Verteilungsfunktion vorgegeben und gepruft, ob die empirischen und theoretischen Wahrscheinlichkeiten gut iibereinstimmen. Falls dies nicht zutrifft, werden die Werte Xj so transformiert, dass sie sich der gewahlten theoretischen Verteilung anpassen (Bild 4.9). Wenn sich dies nicht erreichen lasst, wird eine andere theoretische Verteilungsfunktion gewahlt und das gleiche Schema durchlaufen. Dieses Vorgehen wird insbesondere
4.2 Ermittlung von Hochwasser bestimmter HSufigkeit
135
Homogenitatstest (t-F-Test) Aufstellung jtihrlicher oder partieller Serien Berechnen der statistischen Parameter (Mittet, Standard abweichung, Schiefe)
J_
Ordnen der Werte Berechnen der empirischen Wahrscheinlichkeiten
X
Auswahl d.theoretischen Verteilungsfunktion und d. Wahrscheinlichkeitspapiers
X
Ermittlung d. empirischen u, ttieoret. Verteilung
Transformation d.Werte x oder Wahl anderer theoretischer Verteitung
Anpassungstest f. Verteilung (x2-Test,K-S.Test)
nein
Bestimmen des XrOder des Tn fur gegebenes x
Abb. 4.9. Ablaufdiagramm zur analytischen Ermittlung eines Hoch- oder Niedrigwassers vorgegebener EintrittshSufigkeit mit Anpassungstest
bei zweiparametrigen Verteilungsfunktionen bevorzugt, da sie sich auf geeignetem Wahrscheinlichkeitspapier als Gerade darstellen lassen und sich dann fur die Extrapolation besonders gut eignen.Im zweiten Fall wird eine dreiparametrige Verteilungsfunktion, welche die unterschiedliche Schiefe beriicksichtigt, gewahlt und die Anpassung durch den kurvenformigen Verlauf erreicht, wobei eine Transformation der Werte nur noch in beschranktem Umfang vorgenommen wird. Die Auswahl einer Verteilungsfunktion hat den Vorteil, dass die theoretischen Wahrscheinlichkeiten stets nach dem gleichen Verfahren ermittelt werden und miteinander vergleichbar sind.
136
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Fur die Haufigkeitsanalyse wird fur ein Ereignis xT mit der Wiederholungszeitspanne T n folgender Ansatz gewahlt: x T = x + k - s x bzw. x T = x [ l + kC v ],
(4.45)
wobei der Ha'ufigkeitsfaktor k(Tn,Cs) nur noch von der gewahlten Verteilung abhangt. Die k-Werte liegen in Abhangigkeit von der Wiederholungszeitspanne Tn und dem Schiefekoeffizienten Cs tabelliert vor; Tabellen in [4.7, 4.14,4.16]. 4.2.3.2 Pearson Typ-lll-Verteilung und Verfahren zur Berechnung von Hochwasserhaufigkeiten Von Pearson wurden auf der Grundlage der Gammafunktion mehrere Typen von Verteilungsfunktionen entwickelt. Die Verteilung vom Typ-III wird haufig als Verfahren zur Ermittlung der Hochwasserhaufigkeit bei jahrlichen Serien herangezogen [4.7, 4.15]. Die Dichtefunktion lautet: f(x) =
x-d (b-a)
1
ar[(b/a) + l] i, a
CVCS_ mita=——-x;
b 4 , — =—r—1; d =
2 a cs2 wobei d den kleinsten Wert festlegt. Ferner ist:
•exp-
x-d
(4.46)
x; x > d ,
r A 4,0
Extremwert in 2,0
Extremwert I
Normal (Cs = 0) 0,5
Abb. 4.10. Zusammenhang zwischen Variationskoeffizient Cv und Schiefe Cs verschiedener Verteilungen fur Extremwertuntersuchungen
137
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit oder mit eingesetztem C v und C s :
f(x) =
2 x-d
x-d
exp
sxcsr(4/cs2) [cs I s
(4.47)
Die Verteilungsflinktion ergibt sich zu: P(x) =
rx[(b/a) r[(b/a) +
mit 0 < x < oo und — > -1, a
wobei Fx[(b/a)+l] die unvollstandige Gammafunktion bedeutet. Die Pearson Typ-III-Verteilung entspricht fur Cs = 0 der Normalverteilung. Die normierten Abszissenwerte k der Verteilungsfunktion sind tabelliert (Tab. 4.2). Die Werte k im Bereich -0,5 < Cs < 0,5 kOnnen angenahert bestimmt werden zu: r
s
~r\r
-1
6 I 6 wobei kNV der k-Wert der Standardnormalverteilung ist [4.7]. Die Pearson Typ-III-Verteilung hat die Eigenschaft, dass sie einseitig begrenzt ist, linksseitig bei positiver Schiefe Cs und rechtsseitig bei negativer Schiefe (Bild 4.10 und vgl. Bild 4.4). Bei zu groBer Schiefe wird eine J-ft>rmige Verteilung erhalten. Die Pearson Typ-III-Verteilung ist mit der 3-parametrigen Gammaverteilung identisch. Die Lage der Pearson Typ-III-Verteilung lasst sich veranschaulichen, wenn fur die Dichtefunktion geschrieben wird: x/d b/d f(x) = f0 •e (l + x / b )
fo d b
(4.48)
Wert der Dichtefunktion (Wahrscheinlichkeit) beim Modalwert, Differenz zwischen Mittel x und Modalwert D, Differenz zwischen Modalwert und unterer Grenze (f(x) = 0).
Wenn der Modalwert D = 0 ist, d.h. der Gipfel der Dichtefunktion bei x = 0 mit f(x) = Po' Hegt, findet sich die untere Grenze bei x = -b und 2d wird gleich CVCS. Durch b und d ist also P o bestimmt. Das Standardverfahren nach [4.15] lasst daher nur positive Werte C s zu. U m zu vermeiden, dass der Ursprung der Kurve im N e gativen liegt, muss C s > 2 C v sein. Die Berechnung des Hochwasserabflusses fur eine vorgegebene Wiederholungszeitspanne wird nach dem Verfahren nach 4.15, dem die Pearson Typ-IIIVerteilung zu Grunde liegt, in folgenden Schritten vorgenommen (Bild 4.11): 1. Umformen der Beobachtungswerte X; in ihre dekadischen Logarithmen y ; = logXj.
2. Berechnen der statistischen Parameter y, Cvy und Csy aus den y;: Arithmetisches Mittel:
138
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
= (l/N)Syi
nach Gl.(4.5)
Standardabweichung:
sy=P(yi-yr/(N-i)]l / 2
nachGl.(4.11)
Variationskoeffizient: nachGl.(4.13)
Cw=s v /y
Legende :
'//C yy, Cjy
X
. Scheitelabfluss [m3/s]
y
. Logarithmischer Wert von x Mittelwert [m3/s]
x.7 sx , s y
Standardabweichung [m3/s]
CVx • Cyy
Variationskoeffizient
^SX . C S y k(C S : T)
Schiefe
T
Wiederholungszeitspanne
d
Tabellierter Wert der Pearson-Verteilung
:
7(1-
2
CVX )
Abb. 4.11. Ablaufdiagramm zur Berechnung der Hochwasserwahrscheinlichkeiten fur die Pearson Il-Verteilung nach [4.15] (k-Werte s. Tab. 4.2)
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
139
Schiefekoeffizient Csy = N Z ( y j - y ) 3 / [ ( N - l ) ( N - 2 ) s y 3 ]
nachGl. (4.19)
i=l
3. 1st Csy > 0, berechnet sich der gesuchte T-jahrliche Hochwasserabfluss xT fur die Wiederholungszeitspanne Tn (Gl.(4.45)): y T = y + syk(Csy;T)
bzw. y T = yTl +
C y ^
Die k-Werte nach Pearson sind aus Tab. 4.2 zu entnehmen und ggf. linear zu interpolieren. Durch Entlogarithmieren wird das Ereignis x T mit der Wiederholungszeitspanne T n erhalten: x T = 1 0 y T bei Verwendung dekadischer Logarithmen, xT = expyT
bei Verwendung naturlicher Logarithmen y; = lnxj.
4. 1st Csy negativ, wird die Berechnung mit den Werten x; wiederholt und die Parameter x , Cvx, C sx und d aus den Werten Xj ermittelt. Die verwendete Verteilungsfunktion ist einseitig begrenzt durch d:
5. Ist Csx oder d kleiner Null, wird Csx = 2C™ gesetzt und anschlieltend xT berechnet. 6. Sind Csx und d grofier oder gleich Null, wird der Hochwasserabfluss xT berechnet zu (k-Werte aus Tab. 4.2): x T = x + s x -k(C s x ;T) bzw. x T = x [ l + C vx k(C sx ;T)] Die Anwendung des Verfahren nach Pearson III zur Berechnung der Hochwasserhaufigkeit soil fur eine 36-jahrige Beobachtungsreihe von Winterhochwasser am Pegel Brenneckenbriick / Aller (AEo = 1639 km2; MQ = 7,8 mVs) gezeigt werden. Die hochsten Scheitelabflusse der Winterhalbjahre xj in m3/s wurden der Grofie nach geordnet in Tab. 4.5 aufgelistet. In dieser Tabelle sind aus Platzgrunden auch Gro'Ben zur Berechnung der statistischen Parameter der Werte x aufgefuhrt, obwohl diese gegebenenfalls erst als vierter Rechenschritt in Frage kommen (Bild 4.11). Da Csy = -0,52 errechnet wird, sind die Werte x( zu nehmen und die statistischen Parameter erneut zu bestimmen, mit dem Ergebnis Csx = +0,13, aber d = -202. Fur die Rechnung muss Csx = 2C™ gesetzt werden, d.h. C5X = 0,83. Die Hochwasserabflilsse vorgegebener Wiederholungszeitspanne werden einzeln nach Gl.(4.45) berechnet, wobei die k-Werte fur Cs = 0,83 nach Tab. 4.2 geradlinig interpoliert werden. Die vorhergehende Zusammenstellung zeigt die Auswertung der Gleichung: x T =39,2 + 16,3k(0,83;T) i n m 3 / s . Pu k xT
1 5 10 20 50 80 90 96 98 99 99,5 -1,711 -1,377 -1,160 -0,856 -0,137 0,777 1,337 2,001 2,467 2,911 3,339 11,38 16,80 20,33 25,29 36,98 51,83 60,93 71,72 79,30 86,52 93,47
Die Werte fur xT werden in ein NV-Wahrscheinlichkeitspapier eingetragen und zu der Verteilungsfunktion verbunden. Fur Wiederholungszeitspannen Tn < 15a erfolgt eine Korrektur der Wiederholungszeitspanne nach Gl.(4.43) (Bild 4.12).
140
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Tabelle 4.5. Hochwasserabflusse in m3/s der Aller am Pegel Brenneckenbrilck und HilfsgroBen zur Ermittlung der Pearson Typ-III-Verteilung Xi
m
(mVs) 70,7 69,0 64,0 58,4 57,5 57,2 56,0 54,9 53,5 52,7 48,6 48,5 46,7 44,5 44,3 43,7 43,5 41,7 38,5 38,1 35,2 32,0 29,5 29,0 28,7 28,2 25,2 23,7 23,3 22,6 21,5 19,4 18,2 14,9 14,9 12,9 1:1411,2
Rang 36 35 34 33 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
P = (m/(N + l))-10i0 (%) 97,29 94,59 91,89 89,18 86,48 83,78 81,08 78,37 75,67 72,97 70,27 67,56 64,86 62,16 59,45 56,75 54,05 51,35 48,64 45,94 43,24 40,54 37,83 35,13 32,43 29,72 27,02 24,31 21,61 18,91 16,21 13,51 10,80 8,10 5,40 2,70
(xj-x) 31,5 29,8 24,8 19,2 18,3 18,0 16,8 15,7 14,3 13,5 9,4 9,3 7,5 5,3 5,1 4,5 4,3 2,5 -0,7 -1,1 -4,0 -7,2 -9,7 -10,2 -10,5 -11,0 -14,0 -15,5 -15,9 -16,6 -17,7 -19,8 -21,0 -24,3 -24,3 -26,3 0
(Xi - X ) 2
(x; - x ) 3
992,25 888,04 615,04 368,64 334,89 324,00 282,24 246,49 204,49 182,25 88,36 86,49 56,25 28,09 26,01 20,25 18,49 6,25 0,49 1,21 16,00 51,84 94,09 104,04 110,25 121,00 196,00 240,25 252,81 275,56 313,29 392,04 441,00 590,49 590,49 691,69 9372,06
31255,88 26463,59 15252,99 7077,98 6128,49 5832,00 4741,63 3869,89 2924,21 2460,38 830,58 804,36 421,88 148,88 132,65 91,13 79,51 15,62 -0,34 -1,33 -64,00 -373,25 -912,67 -1061,21 -1157,62 -1331,00 -2744,00 -3723,88 -4019,68 -4574,30 -5545,23 -7762,39 -9261,00 -14348,91 -14348,91 -18191,45 19074,22
Mittel: x = 1411,2/36 = 39,2 m 3 / s , Standardabweichung:s x =(9372,06/35) 1/2 =16,3m 3 /s, Variationskoeffizient: C ^ = 16,3/39,2 = 0,415, Schiefekoeffizient: c sx = (36 • 19074,22)/[35 • 34(16,3)3] = 0,13, Haufigkeitsgleichung bei Normalverteilung : x T = 39,2 + 16,3k(0;T)(Tab.4.2),
141
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit Tabelle 4.5. (Fortsetzung) Parameter fiir logarithmisch transformierte Werte
Xi(m7s)
1OgXj
70,7 69,0 64,0 58,4 57,5 57,2 56,0 54,9 53,5 52,7 48,6 48,5 46,7 44,5 44,3 43,7 43,5 41,7 38,5 38,1 35,2 32,0 29,5 29,0 28,7 28,2 25,2 23,7 23,3 22,6 21,5 19,4 18,2 14,9 14,9 12,9 Summe:
,84942 ,83885 ,80618 1,76641 1,75967 1,75740 1,74819 1,73957 1,72754 1,72181 1,68664 1,68574 1,66932 ,64836 ,64640 ,54048 ,63649 ,52014 ,58546 ,58092 ,54654 ,50515 ,46982 ,46240 ,45788 ,45025 1,40140 1,37475 ,36736 ,35411 ,33244 ,28780 ,26007 ,17319 ,17319 ,11059 '55,8422
logx; -logx 0,2983 0,2877 0,2550 0,2153 0,2085 0,2063 0,1970 0,1884 0,1764 0,1707 0,1355 0,1346 0,1182 0,0972 0,0953 0,0893 0,0873 0,0690 0,0343 0,0298 -0,0045 -0,0459 -0,0812 -0,0887 -0,0932 -0,1008 -0,1497 -0,1763 -0,1837 -0,1969 -0,2186 -0,2633 -0,2910 -0,3779 -0,3779 -0,4405
(logXj -logx) 2 0,0889 0,0827 0,0650 0,0463 0,0434 0,0425 0,0388 0,0354 0,0311 0,0291 0,0183 0,0181 0,0139 0,0094 0,0090 0,0079 0,0076 0,0047 0,0011 0,0008 0,0000 0,0021 0,0065 0,0078 0,0086 0,0101 0,0224 0,0310 0,0337 0,0387 0,0477 0,0693 0,0846 0,1428 0,1428 0,1940 1,4361
(logxj -logx) 3 0,0265 0,0237 0,0165 0,0099 0,0090 0,0087 0,0076 0,0066 0,0054 0,0049 0,0024 0,0024 0,0016 0,0009 0,0008 0,0007 0,0006 0,0003 0,0000 0,0000 -0,0000 -0,0000 -0,0005 -0,0006 -0,0008 -0,0010 -0,0033 -0,0054 -0,0033 -0,0054 -0,0061 -0,0076 -0,0104 -0,0182 -0,0246 -0,0854 -0,1432
VergleichsgroBe: d = -202. Mittel:y = 55,8422/36 = 1,551172; geom.Mittel:x g = 33,58m 3 /s, Stan dardabweichung :s y =(0,14361/35) 1/2 =0,2026, Schiefekoeffizient;Csy = [36(-0,1432)]/[35 • 34(0,20)3] = -0,52,
142
99,9 1 99,8-99,5-99,0 98,0" "
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
f
\
x empirische Wahrscheinlichkeit P (x) = m/N+1
3
Statistische Parameter: x = 39,2 m3/s s =16,3m 3 /s C=, = 0,83
1 I
50,0- -
—
2Q0--
c
Verlauf korrigiert nach Gl. 4.43
30
50
60
70
80
90
100
110
Abfluss in m3/s
Abb. 4.12. Haufigkeit von Winterhochwasser nach der Pearson Typ-III-Verteilung fur den Pegel Brenneckenbruck/Aller fur eine 36-jahrige Reihe (stark ausgezogene Kurve: Verteilung nach [4.15], im unteren Bereich nach Gl. (4.43) berechnet; dttnn ausgezogene Kurve: Pearson Typ-III-Verteilung; gestrichelt: Klasseneinteilung fur den x2-Test Log. Pearson TYP - III - Verteilung: y T =1,551172 + 0,2026k(-0,52; T).
4.2.3.3 Extremwert Typ-I-Verteilung Extremwertverteilungen, deren Grundlagen in [4.12, 4.17-4.19] behandelt werden, entstehen, wenn aus normalverteilten Stichproben nur die groBten (Extremwert Typ-I) bzw. die kleinsten (Extremwert Typ-III) Werte ausgewahlt und zu einer Stichprobe von Extremwerten zusammengestellt werden. Die Wahrscheinlichkeitsverteilung der Extremwertvariablen ha'ngt ab vom Stichprobenumfang N sowie von der Verteilungsfunktion der Grundgesamtheit, aus der die Extremwerte gezogen wurden. Die Verteilungsfunktionen der Teilreihen mttssen vom gleichen Typ sein wie die der Ursprungsreihe. Der Anteil der Extremwerte bezogen auf den Stichprobenumfang muss in beiden Fallen gleich sein. Da dies nur fur sehr groBe Stichprobenumfange gilt, heiBen die Extremwertverteilungen auch asymptotische Verteilungen. Haufig ist die Ursprungsverteilung, aus welcher der einzelne beobachtete Extremwert stammt, unbekannt und auch nicht bestimmbar. Ist jedoch der Stichprobenumfang groB, kann das asymptotische Verhalten benutzt werden, um auf die Ursprungsverteilung zu schliefien.
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
143
Von den Extremwertverteilungen wird Typ-I haufig fur GrOBtwerte und seltener fur Kleinstwerte verwendet. Die Extremwert Typ-I-Verteilung (Gumbel- oder Fisher-Tippett-Typ-I-Verteilung), die von Gumbel eingehend untersucht wurde, ist die asymptotische Verteilung fur die Normalverteilung, die Lognormal- und die Exponentialverteilung. Die Dichtefunktion der Extremwert Typ-I-Verteilung lautet: f (x) = exp{-(x - a) / - exp[-(x - a) /]}/ a(GroBtwerte),
(4.49)
f (x) = exp{+ (x - a) / - exp[+(x - a) /]}/ a(Kleinstwerte), - o o < x < + oo; -oo 0 . Die Werte a und a werden als MaBstabs- bzw. Lageparameter bezeichnet, wobei a dem Modalwert entspricht. Wird yT = (x-a)/oc als standardisierte oder reduzierte Variable eingefuhrt, lautet die Dichtefunktion (Minuszeichen fur GroGtwerte): f(y) = exp[±y T -exp(±y T )].
(4.50)
Durch Integration ergibt sich die Verteilungsfunktion zu: P(X < x 0 ) = exp[-exp(-y T )] (GrOBtwerte),
(4.51)
P(X > x 0 ) = 1 - exp[-exp(-y T )] (Kleinstwerte) oder nach yT aufgelost: yT
= - l n [ - l n P ( X > x ) ] = - l n [ - l n ( l - P u ) ] = -ln[ln(l/P u )].
(4.52)
Mit dem Wiederkehrintervall nach Gl.(4.42) wird Gl.(4.52): y T = -ln[ln(T n /(Tn -1))] bzw. y T = -ln[-ln(l - 1/Tn)]
(4.52a)
bzw. fur dekadische Logarithmen erhalt man (Tab. 4.6): y T = -[0,83405 + 2,302591og[log(Tn /[Tn -1])].
(4.52b)
Die Parameter konnen nach der Momentenmethode berechnet werden. Sie nehmen fur die Werte x der Stichprobe folgende Ausdrilcke an. In Klammern ist hinter dem Ausdruck fur die Stichprobe der Ausdruck fur die Grundgesamtheit und yT gesetzt. Mittel: E(x) = a + 0,5772a (GroBtwerte), Mittel: E(x) = -0,5772a (Kleinstwerte), (Mittel: \i = 0,5772 = y), Modalwert a: a = x - (V6 /7t)ysx; a = x - 0,450s x ; (Modalwert: £ = 0), Median : x = a + 0,36651/a, (Median :p = -ln(ln 2 ) = 0,36651),
144
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Tabelle 4.6. Wiederholungszeitspanne Tn und reduzierte Variable yT bei der Extremwert Typ-I-Verteilung red. Variable yT -1,5293 -1,1133 -0,8380 -0,4759 0,3665 1,4999 2,2504 3,1985 3,9019 4,6001 5,2958 6,2136 6,9073
Wiederkehrintervall Tnina 1,01 1,05 1,11 1,25 2 5 10 25 50 100 200 500 1000
Uberschreitungswahrscheinlichkeit PQ(X > x) in % 99 95 90 80 50 20 10 4 2 1 0,5 0,2 0,12
Varianz:s x 2 01,6449-a 2 ; (Varainz:a 2 = 7t 2 /6 = 1,6449), Schiefe: C sx = 1,1396 (GroBtwerte); C sx = -1,1396 (Kleinstwerte). Da die Gumbel-Verteilung eine feste Schiefe hat, werden bei Kollektiven mit Schiefen Cs < 1,14 die Werte geringer Wahrscheinlichkeit iiberschatzt und bei Cs > l,14unterschatzt. Der Parameter a berechnet sich nach der Momentenmethode zu: a = 7i /V6s7 = 1,28225 / s x . Mit den Zahlenwerten fur a und a wird fur GroBtwerte: y = l,28225[x-(x-0,45005s x )]/s x =l,28225(x-x)/s x +0,57706.
(4.53)
Fiir Stichproben werden folgende Beziehungen fur die Parameter erhalten: a = x - y N - l / a ; l/a = s x / s N .
(4.54)
Die Ausdrucke y N und sN sind Mittel- und Standardabweichung der reduzierten Variablen yT (Tab. 4.7). Sie sind vom Stichprobenumfang N abhangig und lassen sich aus folgenden Ausdriicken berechnen [4.12]: N
yN=(l/N)I
, mit i = l,2,...,N;
-ln| -In
sN2=(l/N)Z
ll-lnl-ln:
1 = 1 y|_
V
Der k-Wert nach Gumbel ergibt sich durch Auflosung von Gl.(4.55) nach k:
145
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
Tabelle 4.7. Mittel y N und Standardabweichung sN der reduzierten Variablen yT fur die Gumbel-Verteilung in Abhangigkeit vom Stichprobenumfang N (y = 0,57726 = Eulersche Konstante)[4.12]
N
YN
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
0,4843 0,4902 0,4952 0,4996 0,5035 0,5070 0,5100 0,51280 0,5157 0,5181 0,5202 0,5220 0,52355 0,5252 0,5268 0,5283 0,5296 0,53086 0,5320 0,5332 0,5343 0,5353 0,53622 0,5371 0,5380 0,5388 0,5396 0,54034 0,5410 0,5418 0,5424 0,5430 0,54362 0,5442 0,5448 0,5453 0,5458 0,54630 0,5468 0,5473 0,5477
E
N
(),9043 (),9288 (),9497 (),9676 (),9833 (),9972 ,0095 ,02057 ,0316 ,0411 ,0493 ,0566 ,06283 ,0696 ,0754 ,0811 ,0864 ,09145 ,0961 ,1004 ,1047 ,1086 ,11238 1,1159 1,1193 1,1226 1,1255 1,12847 1,1313 1,1339 1,1363 1,1388 1,14132 1,1436 1,1458 1,1480 1,1499 1,15185 1,1538 1,1557 1,1573
N 49 50 51 52 53 54 55 56 57 58 59 60 62 64 66 68 70 72 74 76 78 80 82 84 86 88 90 92 94 96 98 100 150 200 250 300 400 500 750 1000 00
YN
0,5481 0,54854 0,5489 0,5493 0,5497 0,5501 0,55040 0,5508 0,5511 0,5515 0,5518 0,55208 0,5527 0,5533 0,5538 0,5543 0,55477 0,5552 0,5557 0,5561 0,5565 0,55688 0,5572 0,5576 0,5580 0,5583 0,55860 0,5589 0,5592 0,5595 0,5598 0,56002 0,56461 0,56715 0,56878 0,56993 0,57144 0,57240 0,57377 0,57450 0,57722
*N ,1590 ,16066 ,1623 ,1638 ,1653 ,1667 ,16810 1 ,1696 1 ,1708 1 ,1721 ,1734 ,17467 ,1770 ,1793 ,1814 ,1834 ,18536 ,1873 ,1890 ,1906 ,1923 ,19382 ,1953 ,1967 ,1980 ,1994 ,20073 ,2020 ,2032 ,2044 ,2055 ,20649 ,22534 ,23598 ,24292 1,24786 ,25450 ,25880 1,26506 ,26851 1,28255
146
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
k = ( y T - y N ) / s N b z w . f u r g r o B e N : k = -^-[0,5772 + ln(ln(Tn /(T n -1))]
(4.56)
71
wobei yT nach Gl.(4.52) und y n , sN, nach Gl.(4.55) oder Tab. 4.7 berechnet werden. Fur die Berechnung der Hochwasserhaufigkeit nach Gumbel kann auch die allgemeine Haufigkeitsgleichung x T = x + ks x direkt verwendet werden, wenn Tab. 4.7 mit Gl.(4.56) zu k-Werten in Abhangigkeit von Tn und N umgerechnet wird; k-Wert Tabellen z.B. in [4.16, 4.17,4.19]. Fur die Konstruktion eines Wahrscheinlichkeitspapiers nach Gumbel wird zuerst fur yT eine linear geteilte Skala angelegt, die etwa den Bereich -2 < yT < 7 umfasst. Punktweise wird ftlr vorgegebene Werte von Tn = 1, 2, ..., 1000 Jahre der zugehorige Wert yT nach Gl.(4.52a) berechnet (Tab. 4.6) und die Wertepaare yT, Tn werden auf zwei parallelen Achsen angetragen. Die Abschnitte auf der TnAchse bilden die Einteilung der Wahrscheinlichkeitsachse des Gumbel-Papiers. Falls erforderlich kann die Unter- bzw. Uberschreitungswahrscheinlichkeit als gesonderte Achse aus der Tn-Achse nach Gl.(4.42) entwickelt werden (Bild 4.13). Eine Gumbel-Verteilung ist in diesem Wahrscheinlichkeitsnetz eine Gerade, die durch Eintragung von zwei einfach zu berechnenden Punkten gewonnen werden kann. Das arithmetische Mittel x bzw. MHQ wird fur die Grundgesamtheit bei einer Wiederholungszeitspanne von 2,33 Jahren angetragen, wie durch Einsetzen von x = yT = 0,577 in Gl.(4.51) erhalten wird. Der Modalwert wird bei T(0) = e/(e1)= 1,582 angetragen.
-2-\
500
1000
1500
2000
2500
3000
3500
4000
4500
Scheitelabfluss in m3/s
Abb. 4.13. Hochwasserhaufigkeit nach Gumbel-Verteilung fur den Pegel Neu-Darchau/ Elbe fur die jahrliche Serie 1940/78 mit Konfidenzgrenzen fur a = 5%
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
147
Als Beispiel zur Berechnung der Gumbel-Verteilung soil die Haufigkeit des Winterhochwassers der Elbe am Pegel Darchau (AEo = 131950 km2, Jahresreihe 1940/78) untersucht werden. Die empirischen Haufigkeiten P(x) = m/N+1 sind in Bild 4.13 eingetragen. Fur die Stichprobe der jahrlichen Serie wurden ermittelt x = 1869 m3/s, sx = 727 m3/s und Csx = 0,645. Das Ereignis xT mit dem Wiederkehrintervall Tn erMlt man zu: xT = y T / a + a mit yT: reduzierte Variable; a = sN/sx und a = x - yN / a . Werden die GroBen eingesetzt, ergibt sich: xT = ( s x / s N ) y T + [ x - y N ( s x / s N ) ] = x + ( s x / s N ) ( y T - y N ) oder: x T = x + s x [ ( y T - y N ) / s N ] = x + k sx . Fur N -> oo wird y N = y = 0,5772 (Euler-Konstante) und sN = 7t/V6 = 1,28225; fur die Stichprobe mit dem Umfang N werden die Werte der Tab. 4.7 entnommen, d.h. fur N = 48 wird y N = 0,54769 und sN = 1,1574. Zur Konstruktion der Verteilungsfunktion im Gumbel-Papier werden zwei Punkte ermittelt. Fur T = 5a wird yT = 1,4999 nach Tab. 4.6 und: x 55 = x + sxx 1 ' 4 9 " ~ ° ' 5 4 7 7 =1869+727(0,8228) = 2467m 3 /s. 1,1573 Fur T = 100 a wird yT = 4,6001 und: xino=x + sxx 4 ' 6 0 0 1 ~°' 5 4 7 7 =1869+727(3,5016) = 4415m 3 /s. 100 1,1573 Zum Vergleich sind auch die Vertrauensbereiche fur a = 5 % angetragen. Als Beispiel fur eine spezielle Anwendung der Gumbel-Verteilung soil die Auswertung von Niederschlagen vorgegebener Dauern behandelt werden [4.20]. Fur die jahrlichen Serien berechnet man die reduzierte Variable nach der Extremwertverteilung. Die Wahrscheinlichkeitsachse ist geteilt entsprechend x = -ln[lnT n /(T n -l)]. Da bei Niederschlagskollektiven verschiedener Dauern in vielen Fallen von der partiellen Serie ausgegangen werden muss, wird die Verteilungsfunktion als lineare Regression y = a+bx berechnet, wobei y die Niederschlagshohe bedeutet. Als x wird ein Ausdruck verwendet, welcher vom logarithmischen Wert der empirischen Wahrscheinlichkeit ausgeht. Die NiederschlagshOhe h N einer bestimmten Dauerstufe erhalt man zu: M T n ) = up+wp(lnTn)
(4.57)
hN(Tn): Niederschlagshohe in mm, : Wiederholungszeitspanne aus der empirischen Wahrscheinlichkeit; Tn es wird gesetzt: T^K = [(M + 0,2)/(K - 0,4)][N/M], N : Anzahl der Beobachtungsjahre, M : Stichprobenumfang (= Anzahl der Werte der partiellen Serie pro Dauerstufe), K : Laufindex der Stichprobenwerte (K = 1 grSBter, K = M kleinster Wert der Stichprobe),
4 Anpassung von Verteilungsfiinktionen an hydrologische Daten
148
Tabelle 4.8. Niederschlagshoherl hN in mm von 15-minutigen Regen der Station Braunschweig (partielle Serie 1950/77) Jahr 195... 196... 197...
1 15,6 10,7 9,5
0 16,7 11,1 9,9
2 15,2 10,6 9,4
3 15,1 10,5 9,3
4 14,5 10,5 9,2
5 13,4 10,5 9,2
6 13,3 10,3 9,1
7 11,9 10,3 9,1
8 11,3 10,2
9 11,2 10,0
Up : Nullabschnitt; u p = h N - w p l n T n , wp : Regressionskoeffizient,
= [ z (bN,K-lnTn,K)-MbN lnT n l/[l U=l
J LK=1
(4.58)
-MlnT n
Als Zahlenbeispiel sollen die Niederschlage der groBten 15-Minuten-Regen der Station Braunschweig untersucht werden (Tab. 4.8). Aus der Jahresreihe 1950/77 wurden die 28 gr5Bten Niederschlagshohen hN in mm zusammengestellt und die statistischen Parameter berechnet (hN = 11,34 mm und T ^ = [ (28+0,2) / (K - 0,4)] (28/28).
80-
1
2
3
4
5 678910
20 25 30
40 50 60TO8090100
200
Tn injahren
Abb. 4.14. Niederschlagshaufigkeit verschiedener Dauerstufen als Regressionsgeraden nach Gl. (4.57) fur die Station Braunschweig
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
149
Fur die Rechnung empfiehlt sich folgende Tabellenform: K
hN
Tn
lnT n
h N lnT
(h N (lnT n )) 2
1
16,7
47
3,850
64,297
4234,164
Die Regressionsgerade h N (T n ) = 9,0575 + 2,33994 ln(T n ) wird fur verschiedene Dauerstufen in ein halblogarithmisches Papier aufgetragen (Bild 4.14)
4.2.4 Anpassungstests fiir Verteilungsfunktionen 4.2.4.1 Chi-Quadrat-Test Die Giite der Anpassung der gewahlten Verteilungsfunktion an die Beobachtungen kann durch einen Anpassungstest gepriift werden. Ublicherweise erfolgt dies durch den %2-Test (Chi-Quadrat-Test) oder den K-S-Test (Kolmogorov-SmirnovTest). Fiir die Anwendung des Tests sind zwei Fragestellungen moglich: ob eine gewShlte Verteilungsfunktion geeignet ist oder ob aus mehreren Verteilungen eine besonders geeignet ist. Bei der Anwendung der Anpassungstests ist nur der Typ der Verteilung das Testobjekt. Die Parameter mussen aus der gleichen Stichprobe geschatzt werden, fur die auch der Test durchgefuhrt werden soil, was eine Einschrankung der Aussagekraft bedeutet. Da die Ubereinstimmung der empirischen Verteilung P (x) mit der vermuteten theoretischen Verteilung der Grundgesamtheit P(x) getestet werden soil, muss tiber die Verteilung der Grundgesamtheit eine Hypothese getroffen werden. Die mit dem Test zu prufende Hypothese wird als Nullhypothese bezeichnet. Fur den Fall, dass diese abzulehnen ist, kann eine Gegenannahme (Alternativhypothese) gewahlt und uberpriift werden. Beim Test konnen zwei Arten von Fehlern begangen werden. Der Fehler 1. Art besteht in der Ablehnung der Nullhypothese, obwohl sie richtig ist. Die Wahrscheinlichkeit, mit der dieser Fehler auftritt, ist die Irrtumswahrscheinlichkeit 1-oc. Wird eine Nullhypothese nicht abgelehnt, so bedeutet dies zwangslaufig nicht, dass sie damit bewiesen oder richtig ist. Daraus kann der Fehler 2. Art resultieren, d.h. die Annahme der Nullhypothese, obwohl sie falsch ist. Die Wahrscheinlichkeit wird mit |3 bezeichnet. Aus der Annahme einer Hypothese darf nicht gefolgert werden, dass die Hypothese die einzig mogliche ist. Es wird lediglich der Fehler 1. Art gering gehalten, iiber den Fehler 2. Art wird nichts ausgesagt [4.9]. Die Scharfe der Testverfahren lasst es im Allgemeinen nicht zu, eine einzige Verteilungsfunktion auszuwahlen, insbesondere, wenn der Schiefekoeffizient nahe bei Null liegt. Bevor ein Anpassungstest durchgefuhrt wird, sollten die empirischen und theoretischen Verteilungen aufgetragen und durch in Augenscheinnahme verglichen werden. Dabei konnen auch AusreiBer oft auf einfache Weise festgestellt werden.
150
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Der x2-Test eignet sich fur alle Verteilungen, setzt jedoch eine Klasseneinteilung voraus, die frei wa'hlbar ist. Die Anwendung des Verfahrens erfordert verhaltnismafiig grofie Stichprobenumfange (N > 25). Zunachst wird das MaB x2 fur die Abweichung zwischen den Dichtefunktionen der Stichprobe und der Grundgesamtheit berechnet und gepriift, ob die Abweichung signifikant ist, d.h. ob die vermutete Verteilung der Grundgesamtheit bestatigt wird oder nicht. Das MaB %2 folgt der x2-Verteilung, einer zweiparametrigen Gammaverteilung (Tab. 4.9). Es wird verglichen mit einem vorgegebenen Wert c, der abhangig ist vom Umfang der Stichprobe und von der gewahlten statistischen Sicherheit (Bild 4.15). Die Dichtefunktion der x2-Verteilung ist abhangig vom Stichprobenumfang N und geht fur groBe N in die Normalverteilung Uber (Tab. 4.9). Der Freiheitsgrad beim X2-Test ist vom Stichprobenumfang, von der Anzahl der Klassen und der Anzahl der statistischen Parameter, die fur die zu testende Verteilungsfunktion benotigt werden, abhangig. Die Hypothese wird angenommen, falls das ermittelte MaB der Abweichung kleiner ist als der Wert c. Die statistische Sicherheit von 95 oder 99 % wird vorgegeben. Die Irrtumswahrscheinlichkeit von 1-a, dass die Annahme nicht zutrifft, betragt dann 5 bzw. 1 %. Die Aussagekraft des Tests wachst mit zunehmendem Stichprobenumfang und wachsendem a. Tabelle 4.9. Werte fur c nach der x2-Verteilung in Abhangigkeit vom Signifikanzniveau a und der Anzahl der Freiheitsgrade F a = F 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20*
0,01 0,00 0,02 0,11 0,30 0,55 0,87 1,24 1,65 2,09 2,56 3,05 3,57 4,11 4,66 5,23 5,81 6,41 7,01 7,63 8,26
0,1 0,05 0,5 0,75 0,9 0,95 0,975 0,99 0,02 0,00 1,32 2,71 3,84 5,02 6,63 0,45 0,21 0,10 2,77 4,61 5,99 7,38 9,21 1,39 0,35 0,58 4,11 7,81 9,35 11,34 2,37 6,25 0,71 1,06 11,14 13,28 3,36 5,39 7,78 9,49 9,24 1,15 1,61 11,07 12,83 15,09 4,35 6,63 1,64 2,20 10,64 16,81 5,35 7,84 12,59 14,45 2,17 2,83 9,04 12,02 14,07 16,01 18,48 6,35 2,73 3,49 7,34 10,22 13,36 15,51 17,53 20,09 16,92 19,02 21,67 3,33 4,17 8,34 11,39 14,68 3,94 4,87 9,34 12,55 15,99 18,31 20,48 23,21 4,57 5,58 19,68 21,92 24,73 10,34 13,70 17,28 5,23 6,30 11,34 18,55 21,03 23,34 26,22 14,85 5,89 7,04 12,34 15,98 19,81 22,36 24,74 27,69 7,79 6,57 13,34 17,12 21,06 23,68 26,12 29,14 7,26 8,55 14,34 18,25 22,31 25,00 27,49 30,58 7,96 9,31 15,34 19,37 23,54 26,30 28,85 32,00 8,67 10,09 16,34 20,49 24,77 27,59 30,19 33,41 9,39 10,86 17,34 21,60 25,99 28,87 31,53 34,81 10,12 11,65 18,34 22,72 27,20 30,14 32,85 36,19 12,44 10,85 19,34 23,83 28,41 31,41 34,17 37,57 Fur groBere Freiheitsgrade sind die Werte (2%2) ungefahr normal verteilt urn (2F-1)1' mit der Standardabweichung s = 1.
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
151
Der Test gilt theoretisch nur fur den Bereich der Verteilung, fur den Beobachtungen vorliegen. Folgende Rechenschritte fallen an (Tab. 4.10): 1. Der Wertebereich der Variablen wird in k Klassen Ij (j = 1, 2,..., k) mit gleicher Klassenbreite eingeteilt. Fiir jede Klasse wird die Klassenbesetzung b bestimmt. In jede Klasse sollen moglichst funf Werte fallen (bj > 5). Die Klassenbreite kann als das 0,6-fache der Standardabweichung s vorgegeben werden. Eine andere Moglichkeit besteht darin, die Klassenbreite gleich 51ogN zu wahlen. Wird die Klassenbreite variabel gehalten und dafur das Wahrscheinlichkeitsintervall Apj konstant gelassen, kann als Richtwert fur Apj ~ 0,2N angenommen werden. 2. Anhand der Verteilungsfunktion P(x) wird fur jedes Intervall Ij die theoretische Wahrscheinlichkeit Puj berechnet oder einfacher aus einer groBmaBstablichen graphischen Darstellung der Verteilung im Wahrscheinlichkeitsnetz abgegriffen. Die Differenz der Unterschreitungswahrscheinlichkeiten der unteren und oberen Klassengrenze ergibt Apj = Puj-Puj.i. Daraus berechnet sich die theoreti sche Anzahl der zu erwartenden Stichprobenwerte ej = N-Apj. Wird die Klassenbreite mit 0,6s vorgegeben, kOnnen die zugehorigen Werte p direkt aus speziellen Tabellen entnommen werden[4.16]. 3. Die theoretische Anzahl ej wird mit der Anzahl der beobachteten Werte bj klassenweise verglichen und daraus die Testgro'Be %2 am zweckma'IMgsten tabellarisch berechnet zu: ( )
2
(4.59)
4. Nach Wahl der Signifikanzzahl a wird der Wert der x2-Verteilung abgelesen (Tab. 4.9) und mit %2 nach Gl.(4.59) verglichen. Bei %2 < c wird die Hypothese nicht verworfen, bei y?> z abgelehnt. In die x2-Verteilung geht der Freiheitsgrad der Stichprobe ein. Der Freiheitsgrad F ermittelt sich aus F = k-r-1, wobei k die Anzahl der Klassen und r die Anzahl der statistischen Parameter der gewahlten Verteilungsfunktion sind. ^
moglicher Annahme bereich
Bereich der Ablehnung
f(x)
Abweichungsmara •
Abb. 4.15. Lage des kritischen Wertes c beim % -Test
152
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Tabelle 4.10. Durchfuhrung des x2-Tests fur die HQ-Abflusse der Aller/Pegel Brenneckenbruck Klasse bi j (Anz.) 1 6 2 8 3 5 4 7 5 7 6 3 36 E:
Klassenbereich (rnVs) 12-22 22-32 32-2 42-52 52-62 62-72
Puj an Klassengrenzen (-) 0,014-0,122 0,122-0,36 0,36-0,63 0,63-0,81 0,81-0,912 0,912-0,965
Apj (-)
0,11 0,24 0,27 0,18 0,10 0,05
e
J
bj-ej
(Anz.) 3,9 8,6 9,7 6,5 3,7 1,9
(Anz.) 2,1 -0,6 -4,7 0,5 3,3 1,1
(bj-ej)2/ej (-)
1,15 0,04 2,29 0,04 3,02 0,62 X2 = 7,16
Fur die Winterhochwasser am Pegel Brenneckenbriick/Aller wird nach Tab. 4.5 die Pearson Typ-III-Verteilung als Verteilungsfunktion gewahlt. Mit dem x2-Test soil auf einem Signifikanzniveau von a = 95 % gepriift werden, ob diese Verteilung angenommen wird. Als konstante Klassenbreite wird 0,6s* = 0,6-16,3 » 10 m3/s vorgegeben und die Klasseneinteilung iiber den beobachteten Wertebereich (xmin = 12,9 m3/s; xmax = 70,7 m3/s) vorgenommen. Die Klassengrenzen sind in Bild 4.12 gestrichelt eingetragen. Die zugehorigen P u Werte werden entweder aus der Zeichnung abgegriffen oder berechnet, z.B. fur die Klassengrenze 12 nr7s xT = 39,2+16,3k -> k(0,83; Pu) = -1,669 -> Pu = 98,5 % (Tab. 4.2). Die beobachteten Haufigkeiten bj pro Klasse werden durch Auszahlen bestimmt, die theoretischen durch Bildung ej = 36 Ap, und in Tab. 4.10 zusammengestellt. Die Zahl der Klassen k betragt 6, die Zahl der Parameter betragt r = 2, da Cs = 2CV angenommen wurde. Mit F = 6 - 2 - 1 und a = 95 % wird nach Tab. 4.9 c = 7,81 abgelesen. Da x2 = 7,16 < c = 7,81 ist, wird der Test auf dem Niveau von 1-a = 5 % angenommen. 4.2.4.2 Kolmogorov-Smirnov-Test (K-S-Test) Anstelle aller Differenzen zwischen empirischer und theoretischer Wahrscheinlichkeit wird beim K-S-Test nur die maximale Abweichung an einem Punkt der Verteilung bewertet. Der K-S-Test kann graphisch oder rechnerisch durchgefuhrt werden. Da die maximale Abweichung zwischen empirischer und theoretischer Verteilung sowohl positiv als auch negativ werden kann, wird dieses MaB d als Absolutbetrag ausgedruckt: d = max[|P(xi)-P(xi-l)| + |P(xi)-P(xi)||
(4.60)
P(Xj) =Unterschreitungswahrscheinlichkeit nach der theoretischen Verteilungsfunktion an der Stelle Xj,
P(xi) =empirische Verteilungsfunktion an der Stelle X;; z.B. P(x ; ) = m/(N+l) mit m = Rang der nach der Gro'Be geordneten Beobachtungswerte (groBter Wert bei Niedrigwasser: m = 1). Fur die Ermittlung der PrufgroBe c wird Tab. 4.11 benutzt. Der K-S-Test ist verteilungsfrei. Der K-S-Test umgeht die Klassenbildung, die sich beim x 2 -Test
153
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
Tabelle4.11. Werte c fur den Kolmo§;orov-Smirnov-Test N
a=20% a=10% a=5%
a=2%
a=l%
N
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
0,900 0,684 0,565 0,493 0,447 0,410 0,381 0,359 0,339 0,323 0,308 0,296 0,285 0,275 0,266 0,258 0,250 0,244 0,237 0,232 0,226 0,221 0,216 0,212 0,208 0,204 0,200 0,197 0,193 0,190
0,950 0,776 0,636 0,565 0,509 0,468 0,436 0,410 0,387 0,369 0,352 0,338 0,325 0,314 0,304 0,295 0,286 0,279 0,271 0,265 0,259 0,253 0,247 0,242 0,238 0,233 0,229 0,225 0,221 0,218
0,990 0,900 0,785 0,689 0,627 0,577 0,538 0,507 0,480 0,457 0,437 0,419 0,404 0,390 0,377 0,366 0,355 0,346 0,337 0,329 0,321 0,314 0,307 0,301 0,295 0,290 0,284 0,279 0,275 0,270
0,995 0,929 0,829 0,734 0,669 0,617 0,576 0,542 0,513 0,486 0,468 0,449 0,432 0,418 0,404 0,392 0,381 0,371 0,361 0,352 0,344 0,337 0,330 0,323 0,317 0,311 0,305 0,300 0,295 0,290
31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 55 60 65 70 75 80 85 90 95 100
0,975 0,842 0,708 0,624 0,563 0,519 0,483 0,454 0,430 0,409 0,391 0,375 0,361 0,349 0,338 0,327 0,318 0,309 0,301 0,294 0,287 0,281 0,275 0,269 0,264 0,259 0,254 0,250 0,246 0,242
o=20% a=10% a=5% a=2% 0,187 0,184 0,181 0,179 0,177 0,174 0,172 0,170 0,168 0,165 0,163 0,162 0,160 0,158 0,156 0,155 0,153 0,151 0,150 0,148 0,142 0,136 0,131 0,126 0,122 0,118 0,114 0,111 0,108 0,106
0,214 0,211 0,208 0,205 0,202 0,199 0,196 0,194 0,191 0,189 0,187 0,185 0,183 0,181 0,179 0,177 0,175 0,173 0,171 0,170 0,162 0,155 0,149 0,144 0,139 0,135 0,131 0,127 0,124 0,121
0,238 0,234 0,231 0,227 0,224 0,221 0,218 0,215 0,213 0,210 0,208 0,205 0,203 0,201 0,198 0,196 0,194 0,192 0,190 0,188 0,180 0,172 0,166 0,160 0,154 0,150 0,145 0,141 0,137 0,134
0,266 0,262 0,258 0,254 0,251 0,247 0,244 0,241 0,238 0,235 0,232 0,229 0,227 0,224 0,222 0,219 0,217 0,215 0,213 0,211 0,201 0,193 0,185 0,179 0,173 0,167 0,162 0,158 0,154 0,150
a=l% 0,285 0,281 0,277 0,273 0,269 0,265 0,262 0,258 0,255 0,252 0,249 0,246 0,243 0,241 0,238 0,235 0,233 0,231 0,228 0,226 0,216 0,207 0,199 0,192 0,185 0,179 0,174 0,169 0,165 0,161
1,07
1,22
1,36
1,52
1,63
Nl/2
Nl/2
Nl/2
Nl/2
Nl/2
nachteilig auswirken kann. Er hangt aber auch von der Auftragungsart der empirischen Wahrscheinlichkeiten ab. Der Test wird in folgenden Schritten durchgefuhrt: 1. Ordnen der Werte x der GroBe nach und berechnen der empirischen Wahrscheinlichkeiten P(x), z.B. P(x) =m/(N+l),(Gl.(4.41)). 2. Berechnen der theoretischen Unterschreitungswahrscheinlichkeiten Pu der Werte X; nach der gewahlten Verteilung. Bei der Berechnung muss Gl.(4.45) nach k = ( x j - x ) / s aufgelost und fur die k-Werte die zugehorigen Unterschreitungswahrscheinlichkeiten nach Tab. 4.2 interpoliert werden. Bei graphischer Darstellung mit ausreichend groltem MaBstab konnen die Werte Pu(x) abgegrif-
154
4 Anpassung von Verteilungsfiinktionen an hydrologische Daten
P(x) ^ - * f
m c
'-*•
P(x)
/
J- v /
P(xO-P"(x,)
El 3
^ *
S 5
VL
A
I-
P(x3)-P(x3)
T1
y 0 X
1
X
i
3X4
Variable x Abb. 4.16. Definition der Prufgrofie d beim Kolmogorov-Smirnov-Test
fen werden. Zu beachten ist, dass die GroBtabstande haufig im mittleren Bereich auftreten. 3. Die vertikalen Abstande zwischen theoretischer und empirischer Verteilung werden ermittelt (Bild 4.16): d l ( | P ( x m ) - P ( x r a ) | u n d d 2 = |P(x m )-P(x m _ 1 )|.
(4.60a)
4. Der maximale Abstand dmax wird bestimmt. Aus der Gleichung P(d < c) = 1 - a wird die Losung c bestimmt, wobei der Wert c aus Tab. 4.11 in Abhangigkeit von N und a abgelesen wird. 5. Die Prufung, ob die Hypothese angenommen wird, erfolgt fur dmax < c. Ist die Bedingung erfullt, kann die Hypothese mit der gewShlten Signifikanzzahl nicht verworfen werden. Ein Beispiel fur den K-S-Test ist in Abschnitt 4.3.3.2 enthalten. 4.2.5 Konfidenzintervalle fur Verteilungsfunktionen Die Giite, mit der die berechnete Verteilungsfunktion das Verhalten der Grundgesamtheit reprasentiert, hangt vom Umfang der Stichprobe und dem beobachteten Wertebereich ab und kommt in den Vertrauensbereichen zum Ausdruck. Die Konfidenzgrenzen vermitteln entweder ein Mafi der Unbestimmtheit der Uberschreitungswahrscheinlichkeit eines vorgegebenen Hochwasserabflusses, oder sie geben Aufschluss tiber das Mafi der Unbestimmtheit eines Abflusses fur eine vorgegebeneUberschreitungswahrscheinlichkeit. Fur die Berechnung von Konfidenzgrenzen wird meist von jahrlichen Serien ausgegangen. Ein nach Gl.(4.45) berechneter Wert xT fur das Wiederkehrintervall
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
155
Tn wird als Mittelwert einer Normalverteilung angenommen, die durch diesen Punkt gelegt wird. Von diesem Mittelwert wird nach beiden Seiten das Konfidenzintervall t(a)s(x) gebildet. Der Wert t = (x -
U).^/N/SX
liegt als t-Verteilung ta-
belliert vor und entspricht fur N -> oo der Normalverteilung. Die Endpunkte des Intervalls sind der obere Grenzwert xT° und der untere Grenzwert xTu: x T ° = x T '+t(a)s(x T ) u n d x T u = x T ' - t ( a ) s ( x T ) ,
(4.61)
a t
: vorgegebener Vertrauensbereich, z.B. a = 1, 5, 10 %, : Wert der t-Verteilung, z.B. \{ %) = 2,576; t(5 %) = 1,960; t(io%)= 1,645; t(2o%)= 1,282; t(68%)= 1; (s. auchTab. 5.6), xT- : berechneter Wert nach der Verteilungsfunktion fur das Wiederkehrintervall Tn; entspricht dem Wert bei 50 %, s(x T ) : Standardabweichung dieses Mittelwertes; s(x T ) = pTsx/(N)'/2, wobei sx die Standardabweichung der Stichprobe bedeutet, (3T : Faktor zur Berucksichtigung der Schiefe der Verteilungsfunktion: Normalverteilung: pTN = (1+O,5k2)1/2; (k-Werte s. Tab. 4.2) Gumbelverteilung:PTG = (l+l,14k+l,10k2)1/2;k= ( y T = y N ) / s N ; (Werte y N , sN s. Tab. 4.7), Pearson-III-Verteilung: PTP = [l+kCsx+k2(0,5+0,375Csx2)]1/2 k-Werte s. Tab. 4.2).
Die Auswertung von Gl.(4.61) erfolgt fur einzelne Werte xT. Die einzelnen Punkte werden zu den Konfidenzbandern verbunden. Bei der Anwendung der log. Pearson Typ-III-Verteilung kann die Rechnung durch Benutzung der k-Werte nach Tab. 4.2 vereinfacht werden. Es ist dann von einem Wert kpc auszugehen, in dem der t-Wert und der Koeffizient P zusammengefasst sind [4.8]. Filr den oberen Wert der Konfidenzgrenze gilt mit dem Wert k(Csy>T): yT0=y
+
k p c °s y mit k p c ° = [ k + ( k 2 - a b ) 1 / 2 ] / a .
(4.62)
Fur den unteren Grenzwert gilt entsprechend: y T U = y + kpc U s y mit
kpcu=[k-(k2-ab)1/2]/a.
Fur die HilfsgroBen wird gesetzt: a = l - z 2 a / [ 2 ( N - l ) ] und b = k 2 - ( z 2 a /N), wobei z a die standardisierte normalverteilte Variable fur die Unterschreitungswahrscheinlichkeit P u (a) ist, d.h. dem k-Wert bei Cs = 0 nach Tab. 4.2 entspricht, z.B. a = 5 %, z a = +1,6449 bei Ptt = 95 %. Als Beispiel sollen die 95 %-Konfidenzgrenzen an eine log. Pearson Typ-III-Verteilung bestimmt werden. Die Verteilung wurde fur eine 90-jahrige Beobachtungsreihe der jahrlichen hochsten Werte der taglichen Niederschlagssummen X; der Station Braunschweig aufgestellt. Filr diese lahresreihe 1889/78 betragen die statistischen Parameter der Werte Yj =
156
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
logxj: Mittel y = 1,5057, Standardabweichung sy = 0,1478 und Schiefekoeffizient Csy = 0,3678. Fur das 100-jahrliche Ereignis N1Oo berechnen sich die Konfidenzbereiche fur k(0,37, 100) = 2,5924 wie folgt: Mitz 5 % = 1,645 (=k(0;95%) und N = 90 werden a und b bestimmt: a = l-l,645 2 /2(90-l) = 0,9848 und b = (2,5924) 2 -1,6452/90 = 6,7023. Damit werden die Koeffizienten in Gl.(4.62) erhalten zu: k o o l ° =2,5924+ [(2,5924)2 -0,9848-6,7023] 1/2 /0,9848 = 2,9443, k 0 0 ] u = 2,5924 - [(2,5924)2 - 0,9848 • 6,7023]'' 2 /0,9848 = 2,2405. Die oberen und unteren Grenzen des Konfidenzintervalls von 95 % bei T = 100a betragen: y l o o ° = 1,5057 + 0,1478 • 2,9443 = 1,9409 bzw. x l o o ° = 87,2 mm, y 100 u =1,5057 + 0,1478-2,2405 = 1,8368 bzw. x 100 o = 68,7 mm. Das 100-jahrliche Ereignis berechnet man nach Gl.(4.45): =1,5057 + 0,1478-2,5924 = 1,8889 bzw. Xi OO =77,4mm. Vergleichsweise werden fur Tn = 100a fur den 90%-Konfidenzbereich mit ZiO% = 1,282 die obere Konfidenzgrenze zu 86,9 mm und die untere zu 70,1 mm berechnet. Das Ergebnis darf nicht so interpretiert werden, dass der Wert NJOO mit 95%-iger Sicherheit zwischen den Grenzen von 33,7 mm und 90,2 mm liegt. Vielmehr zeigt das Konfidenzband den Schwankungsbereich an, der infolge des Stichprobenumfangs besteht, ohne jedoch anzugeben, ob mit wachsendem Stichprobenumfang der Wert sich der oberen oder unteren Konfidenzgrenze nahert. Die Wechselwirkung zwischen Konfidenzintervall und Stichprobenumfang wird anhand von Teilreihen, die aus der 90-jahrigen Beobachtungsreihe gebildet werden, deutlich. Fur die einzelnen Teilreihen, deren Verteilungen ebenfalls nach der log. Pearson Typ-III-Verteilung berechnet wurden, wurden folgende Parameter ermittelt: Reihe
...889/78:
y = 1,5057;
sy= 0,1478;
Csy = 0,3678
1889/18:
y = 1,5009;
sy = 0,1552;
Csy = 0,2222
1919/48:
y = 1,4940;
sy = 0,1078;
Csy = 0,9106
1949/78:
y = 1,5220;
sv = 0,1759;
Csv = 0,1876.
Die 100-jahrlichen Ereignisse der einzelnen Teilreihen betragen: Nioo(98/18) = 77,1 mm; N100(19/48) = 65,1 mm und N100(49/78) = 90,2 mm. Diese Werte und die Verteilungsfunktion der Teilreihen liegen im Konfidenzbereich der 90-jahrlichen Zeitreihe (Bild 4.17). Die 95%-Konfidenzbereiche fur die einzelnen Teilreihen, die nicht in Bild 4.17 dargestellt sind, liegen z.T. auBerhalb des Konfidenzbandes der langen Reihe (Bild 4.17). Sie konnen mit dem Konfidenzbereich der langen Reihe zur Deckung gebracht werden, wenn der Vertrauensbereich a fur die Teilreihen hoher angesetzt wird, z.B. zu a = 90 %. Durch die Konfidenzbereiche wird zum Ausdruck gebracht, dass jede Verteilungsfunktion verbessert werden kann und kleinere Schwankungsbreiten erhalten werden, wenn der Stichprobenumfang vergrofiert wird.
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
Jahresreihe
157
1889/78
"
1889/18 1919/48 " 1949/78 Hullkurve Jahresreihe1889/78
Tagesniederschlag in mm
Abb. 4.17. Log. Pearson Typ-III-Verteilung fur eine 90-jahrliche Beobachtungsreihe mit 95%-Konfidenzbereichen und drei Teilreihen von je 30 Jahren fur die jahrlichen hochsten Tagessummen an der Station Braunschweig
4.2.6 AusreiBertest fur Extremwerte Bei der Auftragung von Hoch- oder Niedrigwasserabflussen in ein Wahrscheinlichkeitspapier konnen ein oder zwei extreme Ereignisse abseits des allgemeinen Verlaufs der ubrigen Beobachtungen liegen. Besonders bei kurzen Beobachtungsreihen muss dieser Extremwert mit einer groBeren Wiederholungszeitspanne belegt werden als aufgrund der empirischen Wahrscheinlichkeit berechnet wird. Werden diese Werte im Datenkollektiv behalten, konnen die statistischen Parameter erheblich beeinflusst werden. Ob Werte als Ausreifier zu behandeln sind, ist schwierig zu beurteilen. Ausreilter sollten nicht nur deswegen aussortiert werden, weil sie ungewohnlich erscheinen. Die Wahrscheinlichkeit, dass ein T-jahrliches Ereignis in einer Beobachtungsreihe von N Jahren auftritt, berechnet sich nach Gl.(4.28) zu P(x) = 1-(1-1/T)N. Bei einem Ausreifier wird davon ausgegangen, dass er signifikant iiber dem Wert liegt, der nach Gl.(4.45) berechnet wird. Uberschlfiglich kann bei einer kurzen Messreihe (N > 10) ein Wert als AusreiBer angesehen werden, wenn er aufierhalb des Be-
158
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Tabelle 4.12. kN-Werte fur den Ausreilkr-Test nach [4.7] fur ein Signifikanzniveau von 10%
N
1CM
10 2,036 2,088 u 12 2,134 13 2,175 14 2,213 15 2,247 16 2,279 17 2,309 18 2,335 19 2,361 20 2,385 21 2,408 22 2,429 23 2,448 24 2,467
N
kN
N
kN
N
kN
N
25 26 27 28 29 30 31 32 33 34 35 36 37 38 39
2,486 2,502 2,519 2,534 2,549 2,563 2,577 2,591 2,604 2,616 2,628 2,639 2,650 2,661 2,671
40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
2,682 2,692 2,700 2,710 2,719 2,727 2,736 2,744 2,753 2,760 2,768 2,775 2,783 2,790 2,798
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69
2,804 2,811 2,818 2,824 2,831 2,837 2,842 2,849 2,854 2,860 2,866 2,871 2,877 2,883 2,888
70 71 72 73 74 75 76 77 78 79 80 81 82 83 84
kN
N
kN
2,893 85 2,961 2,897 86 2,966 2,903 87 2,970 2,908 88 2,973 2,912 89 2,977 2,917 90 2,981 2,922 91 2,984 2,927 92 2,989 2,931 93 2,993 2,935 94 2,996 2,940 95 3,000 2,945 96 3,003 2,949 97 3,006 2,953 98 3,011 2,957 99 3,014
N
kN
100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
3,017 3,021 3,024 3,027 3,030 3,033 3,037 3,040 3,043 3,046 3,049 3,052 3,055 3,058 3,061
reiches x ± 4sx liegt, wobei x und sx ohne den vermuteten AusreiBer bestimmt werden. Dieser Bereich enthalt bei einer eingipfligen Verteilung > 97 % aller Werte (vgl. Tab. 4.1). Bei kurzen Reihen von Hochwasserbeobachtungen (N < 10) kann uberschlaglich als AusreiBer ein Wert angesehen werden, der groBer als das Dreifache des Medians Z der jahrlichen Hochstwerte ist. Speziell fur Hochwasseruntersuchungen mit der log. Pearson Typ-III-Verteilung wurde fur ein Signifikanzniveau von a = 10 % ein AusreiBertest entwickelt, der auf der Normalverteilung beruht. Wird in Gl.(4.45) ein vom Stichprobenumfang N abhangiger Faktor k^ uberschritten, gilt der zugehorige Wert von yT als AusreiBer. EingangsgroBe fur den Test ist Cs. Wenn Cs < -0,4 ist, wird zunSchst der Test fur untere AusreiBer nach Gl. (4.63) durchgefuhrt. Bei positivem Ausgang werden die statistischen Parameter bereinigt und anschlieBend der Test fur obere AusreiBer nach Gl. (4.63) vorgenommen. Ist Cs > 0,4, wird umgekehrt vorgegangen und zunachst der obere AusreiBer bereinigt. Fur -0,4 < Cs < 0,4 erfolgt zunachst eine Uberprufung auf untere Extremwerte, bevor der Test auf obere AusreiBer angewendet wird. Als unterer bzw. oberer AusreiBer kann vereinfacht der kleinste bzw. groBte Wert der Stichprobe angesehen werden. Als oberer AusreiBer yAo bzw. unterer AusreiBer yAu wird gesetzt: y A ° < y + k N s y bzw. y A u > y - k N s y
(4.63)
yA°>yAU : oberer (unterer) Grenzwert, bei dessen liber- (Unter-)schreiten der Wert als Ausreifier betrachtet wird, y,s y : Mittel bzw. Standardabweichung der Logarithmen der Scheitelabflusse der Jahresreihe, die von Ausreifiern bereits bereinigt ist kN : k-Wert nach Tab. 4.12.
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
159
Falls ein Wert als AusreiBer eingestuft wird, wird er beim Fehlen von seltenen historischen Hochwassern an der Pegelstelle oder an Nachbarstationen fortgelassen. Liegen jedoch Informationen iiber groBe Hochwasser vor Beginn der regelmafligen Beobachtungen vor, sollten diese herangezogen werden. Hierfur werden in [4.17], [4.7] und [4.50] verschiedene Verfahren vorgeschlagen. So wird nach [4.7] bei Reihen mit N < 50 Jahren zusatzlich zur Haufigkeitsstatistik ein Vergleich mit ahnlichen Gebieten gefordert und bei Reihen von 10 < N < 25 Jahren wird die zusatzliche Anwendung von Niederschlag-Abfluss-Modellen verlangt. Filr die jahrliche Serie 1876/1961 der Hochwasserabfliisse des Rheins am Pegel Rheinfelden (AEo = 34550 km2; MQ = 1020 m3/s) soil gepruft werden, ob in der 86-jahrigen Reihe AusreiBer enthalten sind. Die drei hochsten Werte werden fur 1876 mit 5530 m3/s (Rang m = 86), fur 1881 mit 4764 m3/s (m = 85) und fur 1882 mit 4371 m3/s (m = 84) angegeben. Der kleinste Wert wurde 1949 mit 1361 m3/s (m = 1) beobachtet. Die statistischen Parameter wurden fur die gesamte Reihe der regelmaBigen Beobachtungen ermittelt zu y = 3,3989, Sy = 0,1073 und Csy = 0,190. Nach der log. Pearson Typ-III-Verteilung berechnet sich fur diese Parameter das HQ100 zu 4721 m3/s und das HQ2oo zu 5260 m3/s. Da Csy zwischen -0,4 < Cs < 0,4 liegt, wird der Test fur obere und untere AusreiBer durchgefuhrt fur die gesamte Reihe ohne vorherige Bereinigung von moglichen Extremwerten. Fur N = 86 wird kN = 2,966 abgelesen (Tab. 4.12). Der Grenzwert fur obere und untere AusreiBer betragt: y A ° =3,3989 + 2,966-0,1073 = 3,7172 bzw. x A ° > 5 2 1 0 m 3 / s und y A u =3,3089-2,966-0,1073 = 3,0806 bzw. x A u <1204m 3 /s. Da der hochste Wert den Grenzwert uberschreitet, liegt ein oberer AusreiBer vor. Die Parameter werden ohne diesen Wert neu ermittelt und betragen fur N = 85: y = 3,4020; sy = 0,1040 und Csy = 0,4824. Das zugehorige HQ100 betragt 4779 m3/s bzw. HQ200 = 5196 m3/s. Falls der hochste beobachtete Wert berilcksichtigt wird, sollte er bei einem groBeren empirischen Wiederkehrintervall, das iiber ein statistisches Gewicht bestimmt wird, angetragen werden.
Fiir Niederschlagsauswertung wurde ein spezielles Verfahren zur Elimination von AusreiBern vorgeschlagen [4.13, 4.21]. Danach wird der Mittelwert x und die Standardabweichung sx aus der Stichprobe einschlielMich xA, sA sowie unter Ausschluss des groBten Wertes der Stichprobe berechnet. AnschlieBend erfolgt eine Korrektur von x und s hinsichtlich des Einflusses von AusreiBern iiber graphische Darstellungen.
4.2.7 Abschatzung regional gultiger Hochwasserscheitelabfliisse auf statistischer Grundlage Bemessungshochwasser werden haufig fur einen Flussquerschnitt gefordert, fur den nicht ausreichende oder keine Pegelbeobachtungen vorliegen. Auch erfordert eine regionale Hochwasseranalyse die raumliche Interpolation der Pegel- bzw. Niederschlagsaufzeichnungen, wenn als Ziel Angaben uber Abfliisse in Abhangigkeit von der Haufigkeit ihres Auftretens und der EinzugsgebietsgroBe erhalten
160
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
werden sollen. Die Ergebnisse werden flussgebietsweise in Form von Abflusslangsschnitten, Abflussspendendiagrammen oder Abflussspendenkarten dargestellt [4.22, 4.23, 4.24] und dienen fur einfache Bemessungsfalle zum Abschatzen von Hochwasserabflilssen ausgewahlter Wiederholungszeitspannen. Unter Heranziehung von jahrlichen Serien und einer Verteilungsfunktion, z.B. der Extremwert Typ-I-Verteilung werden fur jeden Pegel einer Region die berechneten Werte HQT durch MHQ als Bezugswert dividiert. Die dimensionslosen Quotienten HQT/MHQ werden in AbhSngigkeit von Tn aufgetragen und fur vergleichbare Pegel, z.B. Pegel an einem Wasserlauf gemittelt (Bild 4.18). Dadurch wird eine dimensionslose empirische Verteilungsfunktion fur einen Fluss oder ein Einzugsgebiet erhalten. Die Abflusse an den Pegeln langs eines Wasserlaufes, die fur ausgewahlte Tn mit der regional giiltigen Verteilung berechnet wurden, werden zu einem Abflussspendenlangsschnitt verbunden. Um die Nebengewa'sser ohne Pegelaufzeichnungen zu erfassen, werden Regionen, die den gleichen Quotienten HQT/MHQ aufweisen, kartenmaflig ausgewiesen. Durch eine nicht lineare Regression wird zwischen MHq und der EinzugsgebietsgroBe AEo eine Beziehung hergestellt. Das so ermittelte MHq kann zweckmafiig fur eine gewahlte EinheitsflachengroBe, z.B. 100 km2, angegeben werden und in topographischen Karten fur einzelne Regionen ausgewiesen werden (Bild 4.19). Durch Multiplikation mit HQT/MHQ wird fur eine vorgegebene FlSchengrOBe das gesuchte HQT bestimmt. Aufgrund der verschiedenen Unsicherheiten einer solchen flachenhaften Regionalisierung konnen die Werte H Q T / M H Q mit einem Sicherheitszuschlag belegt werden, der etwa dem Vertrauensbereich bei einer Irrtumswahrscheinlichkeit von 5% entspricht (Bild 4.20). Eine andere MOglichkeit, um die Veranderung von MHq mit der GebietsgroBe zu erhalten, besteht in dem Ansatz fur die Hochwasserabflussspende Hq in 1/skm2: = Hq 0 -exp(-K-A E o ),
(4.64)
4..
HQT MHQ
5
D
20
50
Wiederkehrintervall Tn in Jahren Abb. 4.18. Regionalisierte Verteilung fur Hochwasserscheitelabflusse fur 5 Pegel der Murr [4.22]
161
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
-— AEo in km2
5000
10000
Abb. 4.19. Regionalisierung von MHq fur das Neckargebiet nach [4.22] wobei Hq0 die Hochwasserabflussspende aus einem sehr kleinen Gebiet und K eine Retentionskonstante bedeuten [4.25]. Die beiden GroBen werden durch Auftragen der MHq aus den Pegelbeobachtungen in einer logarithmischen Skala gegen die Einzugsgebietsflache in einer linearen Teilung und anschliefiendem Ausgleich gefunden (vergl. Bild 4.19). Aus der regional gultigen Beziehung fur MHq lasst sich die Hochwasserabflussspende angeben als Hq(Tn,AEo) = f(Tn-MHq(AEo)). Das Verfahren wird auch als Bezugs-Hq-Verfahren bezeichnet [4.23]. Bei den empirischen Ansatzen auf rein statistischer Grundlage wird von Gl.(4.45) ausgegangen, wobei fur k ein regional gtiltiger Wert eingesetzt wird [4.24]. Mittel und Standardabweichung werden regional durch kartenmaBige Darstellung festgelegt. Dieser Ansatz eignet sich auch zur Abschatzung des statistisch maximal moglichen Ereignisses, das durch einen Maximalwert kmax festgelegt ist. Fur tagliche Niederschlagssummen betragen regionale maximale k-Werte fur Nordwestdeutschland: kmax= 9 [4.26]; Sachsisches Muldegebiet: kmax= 7 [4.17]; Donau-Traungebiet westlich von Linz: kmax = 10,8. Den wahrscheinlich maximalen taglichen Niederschlag erhalt man zu: N max = N + k m a x s mit der mittleren maximalen taglichen Niederschlagssumme N und der Standardabweichung s. Die Werte N , s liegen z.T. ausgewertet vor [4.26, 4.27, 4.28]. Eine Eingrenzung der Maximalwerte kann auch durch Hullkurven vorgenommen werden (Bild 4.21). Der maximierte Gebietsniederschlag kann durch numerische Simulation von atmospharischen Prozessen bestimmt werden, wird aber meist unter Maximierung von beobachteten, den Niederschlag bestimmenden Parametern, z.B. Taupunkt und Wind, berechnet. Regionalisierte maximierte Gebietsniederschlage (MGN) bis 1000 km2 Flache liegen beim DWD vor [4.51]. Fiir extreme Hochwasserscheitelabflusse wird eine ahnlich aufgebaute Formel max HQ = MHQ(l+aC v b ) vorgeschlagen, wobei a und b anhand regionaler Beobachtungen zu eichen sind [4.14]. Naherungsweise kann fur MHQ = AEoc mit c « 0,75 gesetzt werden [4.13]. Der Variationskoeffizient schwankt im Bereich 0,3 <
162
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
s/ £ uu U|
Abb. 4.20. Hydrologischer Langsschnitt der Rems/Neckar fur Extremwertereignisse ausgewahlter Wiederholungszeitspannen nach [4.22, 4.88]
4.2 Ermittlung von Hochwasser bestimmter Haufigkeit
163
1000
1000
720 © (2) ©
Maximalwerte der Erde nach Marx Norddeutschland einschliefllich Mittelgebirge Norddeutschland nur Flachland
© (5)
Reinhold n= 0,01 Maximalwerte GroObritannien Untere Grenze von Starkregen nach Wussow
• o » A
1440 2880 Regendauer D in min
Beobachtungen Mittelgebirge und Hugelland dito, Flachland Beobachtungen nach Hellmann, Mittelgebirge und Hugelland Beobachtungen nach Hellmann,Flachland
Abb. 4.21. Vergleich maximaler Niederschlage in verschiedenen Regionen und Hullkurven fiir Extremwerte
Cv < 0,8. Niedrige Werte von 0,1 < Cv < 0,2 werden fUr Gebiete erhalten, in welchen der Hochwasser produzierende Mechanismus ziemlich einheitlich verlauft, z.B. in verhaltnismafiig undurchlassigen Gebieten (Siedlungsgebieten) oder in den Tropen. Werte von Cv > 1 treten in Gebieten mit AusreiBern auf, z.B. bei Hochwasser in semiariden Gebieten. Eine weitere Abschatzung des maximal moglichen Hochwassers kann mit Hilfe der Hullkurven, die durch die beobachteten Maximalwerte einer Region gelegt werden, erfolgen [4.29, 4.52, 6.91]. Dabei lassen sich empirische Grenzkurven angeben, die z.B. von 10 % bzw. 50 % der beobachteten Werte uberschritten werden (Bild 4.22). Einen noch einfacheren Aufbau weisen empirische Formeln auf, die einen extremen Hochwasserabfluss von nicht definierter Haufigkeit in Abhangigkeit von der EinzugsgebietsgrOBe oder einem mittleren Abfluss wie MQ ausdrilcken. Die Entstehung der Formeln ist haufig zurilckzufuhren auf Regressionen, die anhand einer geeigneten Auftragung von Hochwasserabflussen einer Region uber ausgewahlten Merkmalen der zugehorigen Einzugsgebiete gewonnen werden. Aufgrund des formalen Aufbaus konnen die empirischen Ansa'tze unterschieden werden nach der Abhangigkeit von der Topographie in der Form HHQ = f(AEo), z.B. HQ = mAEop wobei (3 < 1 ein empirischer Exponent und m ein topographischer oder regional gultiger Koeffizient ist, sowie nach dem Zusammenhang zwischen HQ
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
164
100000=
Hullkurve fur berechnete Werte HOllkurve fur beobochtetc Werte
100 - ?
x Werte mit NA Modell berechnet o Meflwerte deutscher Mittelgebirge (P<90%) • weitere beobachtete deutsche Extremwerte
oo
woo
EinzugsgebietsgroBe AEo in km
10000
2
Abb. 4.22. Maximale gemessene und berechnete Hochwasserabflusse und Vergleich mit den Hullkurven nach Wundt (1: HHq Erde, 2: MHq Deutschland, 3: 90 % und 4: 50 % Ebenen u. ozeanische Lagen)
und MQ in der Form HHQ = cMQb, z.B. HHQ = 90MQ2/3 (Zusammenstellung s. [4.30]). Die so berechnete Abflussspitze wird meist mit HHQ bezeichnet, entspricht aber nicht dem Wert HHQ als hOchstem beobachteten Wert einer Zeitreihe. In den Formeln werden als Beiwerte einfach feststellbare morphometrische GroBen verwendet, wie Gefalle, Seehohe, Bodenart, Bewuchs sowie der mittlere Jahresniederschlag. Die richtige Auswahl der Formel und Beiwerte ist schwierig und erfordert sehr gute Kenntnisse der ortlichen Hochwasserentwicklung.
4.3 Niedrigwasser 4.3.1 Entstehungsursachen und kennzeichnende Grolien Weitaus haufiger als beim Hochwasser werden beim Niedrigwasser mehrere Merkmale wie das Eintrittsdatum, die GroBe des Abflusses und seine Dauer gemeinsam angesprochen, da mit Niedrigwasseruntersuchungen das gesamte Ausmafi des Wassermangels erfasst werden soil. Der Niedrigwasserbereich kann in dem humiden Klimabereich von mehreren Wochen bis etwa zu einem Halbjahr reichen. Fur die Speicherbewirtschaftung ist zusatzlich die Aufeinanderfolge von mehreren trockenen Jahren, in denen der Abfluss unter dem langjahrigen Durch-
4.3 Niedrigwasser
165
schnitt bleibt, von Bedeutung. In semiariden Regionen erstrecken sich Trockenperioden Uber zwei und mehr Jahre, wobei Niederschlage nahezu vollig ausbleiben. Es muss zwischen Niedrigwasser, Dttrre oder Trockenheit unterschieden werden, da sie sich auf verschiedene hydrologische, meteorologische, landwirtschaftliche und okonomische Grb'fien beziehen. Der Begriff Niedrigwasser als saisonales Abflussminimum ist verkniipft mit dem Sonnenzyklus und seinen regionalen oder lokalen Klimaeffekten. Zeitabschnitte mit anormal trockenem Wetter werden als Durre eingestuft, wenn die Zeitspanne sehr ausgedehnt ist und die Wasserbilanz stark unausgeglichen ist. Der spiirbare Mangel an Wasser im Hinblick auf die Wassernutzung wird dabei mit angesprochen. Eine landwirtschaftliche Trockenheit bezieht sich dagegen uberwiegend auf den Wassermangel in der Wurzelzone. Eine Trockenheit im Sinne der Meteorologie ist zu verzeichnen, wenn der Niederschlag unter dem mittleren Niederschlag bleibt, wobei vorangegangene Zustande, Verdunstung und die zeitliche Verschiebung zwischen Niederschlag als Eingabe und Abfluss als Antwort des hydrologischen Systems unberucksichtigt bleiben. Fur Trockenperioden gibt es unterschiedliche Definitionen. Fur humide Gebiete wird haufig ein Niederschlag von weniger als 0,25 mm pro Tag, der wahrend einer Zeitspanne eines halben oder vollen Monats unterschritten wird, als Kriterium fur eine Trockenperiode angesehen. Nach anderen Vorschlagen, die von der Messgenauigkeit der Niederschlagsbeobachtung ausgehen, darf die Niederschlagssumme innerhalb eines bestimmten Zeitintervalls einen vorgegebenen Grenzwert, z.B. 0.9 bzw. 4,9 mm in 15 bzw. 30 Tagen, nicht uberschreiten, um noch als Trockenperiode zu gelten [4.31, 4.32]. Diese meteorologischen Trockenperioden haben nicht unbedingt ein Abflussminimum zur Folge. Eine andere Definition erfolgt durch den Trockenheitsindex nach Palmer, der auf hydrologisch einheitliche Gebiete angewendet werden kann [4.33]. Der Trockenheitsindex basiert auf einer modifizierten Wasserbilanz, die fur Wochen oder Monate gebildet wird. Berechnet wird die Differenz zwischen dem tatsachlichen und einem hypothetischen Niederschlag, der unter den gegebenen Witterungsbedingungen die Wasserbilanz ausgleichen wiirde. Diese hypothetische Niederschlagshohe entspricht der Summe von gewichteter potentieller Evapotranspiration, der moglichen Aufnahme an Bodenfeuchte, des moglichen Abflusses und der moglichen Abgabe an Bodenwasser. Als statistische Gewichte werden die Verhaltniswerte von mittlerem beobachteten Wert zur maximal moglichen, potentiellen GroBe eingefuhrt. So berechnet man den monatlichen Trockenheitsindex fur den Monat i aus dem 0,9-fachen Wert des Indexes des Vormonats zuziiglich der gewichteten Differenz aus beobachtetem und theoretisch erforderlichem Niederschlag, der aufgrund der Witterung zur Kompensation der Austrocknung des Gebiets rechnerisch erforderlich ist. Ist die Differenz 0 bis -0,5 sind normale Witterungsbedingungen vorhanden. Indexwerte von -2 bis -3 werden als malMge und von -4 bis -6 als extreme Trockenheit eingestuft. Fur Niedrigwasser im mitteleuropaischen Raum, die schwerpunktmaBig im Spatsommer einsetzen, sind ausbleibende Niederschlage verbunden mit hoher Temperatur und Verdunstung die meteorologische Ursache. Maftgebend fur die Scharfe der zu erwartenden Niedrigwasserperiode sind daneben noch der Verlauf des Ruckgangs des Grundwasservorrats im Einzugsgebiet, der sich im vorange-
166
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
gangenen Winterhalbjahr gebildet hat, und der Abfluss im Spatwinter, worauf Verfahren einer mittelfristigen Vorhersage beruhen [4.34]. Die Alpenflusse zeigen infolge der Schneelagen im Hochgebirge einen abweichenden Verlauf des jahrlichen Abflussgangs. Langere Niedrigwasserperioden setzen hier erst im Oktober bis Dezember ein und werden von der Dauer der Kaltetemperaturen und den HQhenlagen des Einzugsgebietes bestimmt. Wird im nichtalpinen Raum ein Niedrigwasser durch langeren Frost mit Speicherung des Wassers im Einzugsgebiet in Form von Eis und Schnee verursacht, bleibt es haufig unberilcksichtigt, da es nicht einen mangelnden Wasservorrat im Einzugsgebiet bedeutet. Eine umfassende Definition des Niedrigwassers, die den Abfluss im Gewasser, den Fullungsgrad von Speichern und den Wassermangel im Gebiet anspricht, besteht nicht. Von Interesse fur die Speicherwirtschaft sind die Fehlmengen (= Abflussdefizite) zwischen einem festgelegten zulassigen Mindestabfluss und dem tatsachlich vorhandenen (sichtbaren) Abfluss im Gewasser. Nach der Grofie dieses Defizits richtet sich z.B. die Zuschusswassermenge aus Talsperren zur Erhohung sowie die Entnahme bzw. die Einleitung von Kuhl- und Brauchwasser aufgrund wasserrechtlicher Auflagen [4.53, 4.54], Niedrigwasser konnen durch mehrere statistisch erfassbare Merkmale einschlieBlich ihrer Eintrittswahrscheinlichkeit beschrieben werden, wie GroBe und zeitlicher Verlauf des Niedrigwasserabflusses, Dauer und Aufeinanderfolge der Niedrigwasserperioden, Eintrittsdatum und raumliche Ausdehnung des Niedrigwassers. Fur Niedrigwasseranalysen wird zweckmSfiig eine Folge von trockenen bzw. niederschlagsarmen Tagen betrachtet, an denen ein bestimmter (mittlerer) Niedrigwasserabfluss unterschritten wird. Dieser Grenzwert hangt von der Gewassernutzung ab, da die einzuhaltende Mindestwasserfuhrung an die einzelnen Nutzer gekoppelt ist. Ein Schwellenwert wird als Mindestabfluss vorgegeben bei Einleitungen, um ein angestrebtes Verdiinnungsverhaltnis einhalten zu konnen. Zum Niedrigwasserbereich werden uberschlaglich Abflusse gerechnet, die 0,15 bis 0,30MQ unterschreiten. Bei der Entnahme von Kuhl-, Brauch- und Bewasserungswasser oder bei der Erzeugung von Wasserkraft wird ebenfalls der Grenzabfluss benotigt. Im Hinblick auf die Wasserversorgung kann als Trockenheitsindex das Verhaltnis von projektiertem zu aktuellem Wasserverbrauch im Trockenjahr zur Einschatzung der Bemessungsgrundlagen eines Versorgungssystems herangezogen werden. Von einem minimalen Wasserstand als Grenzwert ist auszugehen fur die Landwirtschaft im flussnahen Bereich (Grundwasserstand), fur die Schiffahrt (Mindesttauchtiefe) oder fur den Wassersport und die Volkserholung (Mindestwasserflachen). Als niedrigster Wert jeden Jahres dient der mittlere minimale Abfluss an sieben aufeinander folgenden Tagen als stellvertretend fur das Wochenmittel. Mit diesem Mittel wird der unterschiedlich verlaufende Niedrigwasserabfluss an Werktagen und Wochenenden erfasst. Der Vergleich des Tagesminimums eines jeden Jahres als unterer Grenzwert der Abflusse nach DIN 4049 mit MNq-Werten in einem Flussgebiet lasst bedingt Ruckschlusse auf die NiedrigwasserfUhrung zu. Der tSgliche Minimalwert als niedrigster Wasserstand oder Minimalabfluss kann durch fehlende Niederschlage, starken Wasserverbrauch oder Zuriickhalten des Abflusses durch Verkrautung, Eis oder Stauanlagen verursacht werden. Storungen des
4.3 Niedrigwasser
167
nattirlichen Abflusses konnen durch die Entnahme von Bewasserungswasser, durch Veranderung der Brauchwasserentnahme an Wochenenden und Feiertagen, durch Ablassen oder Fullung von Flussstauhaltungen, durch Schleusenwasser verbunden mit Schwall- und Sunkwellen oder Riickstau von Stauanlagen auftreten. Um die Dauer von Niedrigwasser und den zugehorigen mittleren Minimalabfluss zu erfassen, werden Vielfache der Dauer von sieben Tagen gebildet oder es wird auf Dauern von 15, 30, ... Tagen ubergegangen, um Vielfache des mittleren Monats zu erhalten. Bei der Ermittlung von mehrmonatigen mittleren Minimalwerten bleiben kurzfristige Anschwellungen des Abflusses dann unberiicksichtigt, wenn sie keine nennenswerte Veranderung der allgemeinen Niedrigwassersituation zur Folge haben, da Schaden mit zunehmender Dauer der Trockenperiode sich meist umgekehrt proportional vergroBern oder irreversibel sind. Ruckschliisse iiber die Dauer und das raumliche AusmaB von Niedrigwasserperioden in einem Flussgebiet konnen aus dem mittleren Eintrittsdatum gezogen werden, insbesondere wenn jahreszeitliche oder durch steigende Wasserentnahmen bedingte Verschiebungen iiber Jahrzehnte beurteilt werden sollen. In unserem Klimabereich fallen Niedrigwasserperioden von mehreren Wochen bis zu drei Monaten Dauer bevorzugt in die Zeit von Juli bis September. Fur eine Dauer von 180 Tagen verschiebt sich das mittlere Eintrittsdatum bis in den April und entspricht etwa der Einteilung eines hydrologischen Jahres. Da Niedrigwasserperioden sich meist als Folge von groBraumigen und langer andauernden, stabilen GroBwetterlagen (Hochdruckgebiete, antizyklonale Wetterlagen) einstellen, sind die Zusammenhange z.B. zwischen dem 7-tagigen und 30-tSgigen Niedrigwasserabfluss im Allgemeinen entsprechend straff [4.31]. Die zeitliche Aufeinanderfolge von extremen jahrlichen Trockenperioden wird auch in Verbindung mit kosmischen Erscheinungen gebracht wie dem Sonnenfleckenzyklus. Diese Perioden von vier bis fiinf und ca. elf Jahren sind jedoch kaum schlussig nachzuweisen und wenig geeignet zur Vorhersage von extremen Trockenperioden [4.35].
4.3.2 Datenkollektive fur Niedrigwasseranalysen Das Niedrigwasserkollektiv kann in der Regel aus den minimalen Abflusssummen vorgegebener Dauern gebildet werden, deren mittlerer Abfluss als Merkmal dient. Dieser minimale Wert jeden Jahres wird gefunden, indem ein Zeitabschnitt ZA der Dauer von einem Jahr wie ein Zeitfenster kontinuierlich iiber die gesamte Beobachtungsdauer geschoben wird (Bild 4.23). Die Ermittlung der einzelnen jahrlichen Werte sollte mit Abschluss der wasserreichen Periode, z.B. dem Winterende, beginnen. Der Zeitabschnitt ZA sollte so lang gewahlt werden, dass die jahrliche Periode nicht zerschnitten wird. Es empfiehlt sich daher eine Einteilung vom 1. April bis 31. Marz des folgenden Jahres, da sich extreme Niedrigwasserperioden bis in den Dezember erstrecken konnen. Im Alpengebiet wird haufig vom 1. Oktober ausgegangen. Beim Aufbereiten von Niedrigwasserdaten ist die Gttte der Niedrigwasserbeobachtung zu tiberprufen. Die Wasserstandsbeobachtung kann empfindlich beein-
168
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
flusst werden durch kurzfristige anthropogene Eingriffe (Einleitungen oder Entnahmen), durch naturliche Storungen (Verkrautung, Veranderung der Sohlenlage) oder durch Ruckstau. AuBerdem konnen zunehmende Einleitungen von neu angeschlossenen Klaranlagen oder steigende Entnahme von Brauch- oder Beregnungswasser in der Niedrigwasserentwicklung einem linearen oder exponentiell verlaufenden Trend zur Folge haben. Bei Niedrigwasser sollte eine Trenduntersuchung stets vorgenommen werden, wenn durch zunehmende anthropogene Eingriffe eine Inhomogenitat vermutet wird. Neben stetig oder sprungartig verlaufenden anthropogenen Veranderungen im Einzugsgebiet kfinnen auch langjahrige Klimaschwankungen, die schwer zu erkennen sind, die Ursache von Inhomogenitaten bilden. Eine einfache Methode zur Eliminierung saisonaler Effekte besteht in der Verwendung standardisierter Werte. Die zyklischen Abweichungen vom Mittelwert lassen sich bei graphischer Darstellung durch in Augenscheinnahme feststellen. Auf einfache Weise kOnnen auch Schwankungen durch Bildung von gleitenden Mitteln deutlich gemacht werden. Fur eine Zeitreihe von N Squidistanten Beobachtungen X|, x2, x3, ..., xN, ergibt sich das gleitende Mittel von drei aufeinanderfolgenden Werten zu: y N _i = 0,33(w!X N _ 2 + w 2 x N _ ! + w 3 x N ) ,
(4.65)
mit den statistischen Gewichten: 0,33 (wj + w 2 + w 3 ) = 1. Bei Niedrigwasserdaten konnen zwei Arten von Fehlern auftreten: Messfehler und Fehler der Stichprobe. Zu den Messfehlern geho'ren Geratefehler und Beobachtungsfehler; Fehler bei der Aufstellung der Abflusskurve sind hier ebenfalls einzuordnen. Stichprobenfehler hangen vom Umfang N des verwendeten Datenkollektivs ab und nehmen mit kleiner werdendem N zu. Bei normal verteilten Werten und groBen Stichprobenumfangen mit dem Mittel x und der Standardabweichung sx betragen die Standardfehler des Mittels sM = (sx2/N)"2, der Standardabweichung ss = (sx2/(2N))1/2 und des Schiefekoeffizienten sCs = ([6N(N-1)]/[(N-2)(N+1) (N+3)])1/2. Bei Anwendung von Verteilungsfunktionen sollte darauf geachtet werden, in welcher Grofienordnung die statistischen Parameter infolge des Stichprobenumfangs schwanken konnen. Auf die Verwendung von Verteilungsfunktionen mit mehr als drei Parametern sollte daher verzichtet werden. Im Hinblick auf eine einfach durchzufuhrende Analyse kann es ausreichen, nur einzelne Merkmale einer Niedrigwasserperiode anzusprechen. So ist der mittlere Niedrigwasserabfluss von mehreren aufeinander folgenden Tagen zur Beurteilung von Entnahmen und Einleitungen geeignet (Bild 4.23). Die variable Unterschreitungsdauer eines Schwellenwertes fur eine vorgegebene Niedrigwasserabflussspende steht bei Fragen im Vordergrund, die auf die Bereitstellung von Ersatzwasser zum Abflussausgleich durch Speicher beim Unterschreiten kritischer Niedrigwasserabfliisse abzielen. Das Abflussdefizit zwischen diesem konstanten Schwellenwert und der Ganglinie Q(t) dient zur Ermittlung des Zuschusswassers zur Anreicherung einer Niedrigwasserperiode.
169
4.3 Niedrigwasser
s/Ew u| ssnuqv
i oo
o
Abb. 4.23. Festlegungen fur Niedrigwasserabfluss, -dauer, -defizit und Uberschuss bei der Auswertung von Niedrigwasser; Beziehungen nach [4.36]
Die minimalen Abflusse jeden Jahres fur eine vorgegebene Dauer D von 7, 15, 30, ..., 120 und 183 Tagen bilden das Datenkollektiv fur die Haufigkeitsuntersuchungen. Gelegentlich werden auch die mittleren minimalen Abflusse an zehn aufein-
170
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
ander folgenden Tagen oder Vielfache einer Dekade untersucht. Der mittlere Niedrigwasserabfluss einer Dauer von x Tagen und einem Wiederkehrintervall Tn von n Jahren wird als NMxQ(Tn) bezeichnet, z.B. von 7 Tagen Dauer und einem Wiederkehrintervall von Tn = 50 Jahren als NM7Q(50) [4.36]. Die Ermittlung der mittleren jahrlichen Niedrigwasserabflusse ist bereits fur Dauern bis zu 7 Tagen arbeitsaufwendig, so dass sich fur groBere Dauern der Einsatz der Datenverarbeitung empfiehlt. Anstelle der mittleren Niedrigwasserabflusse fur eine Dauer von 6 Monaten ko'nnen naherungsweise die MQ-Werte des Sommerhalbjahres verwendet werden. Bei der Verwendung von minimalen Monatswerten ergeben sich Werte, die 5 bis 15 % groBer sind als das NM30Q jeden Jahres. Bei der Vorgabe einer Dauer von mehr als einem Monat wird fur jedes Jahr ein Wert fur den minimalen jahrlichen Abfluss erhalten. Die Lange der Beobachtungsreihe von N Jahren weist jedoch einen Umfang von N-l Werten auf, falls beim N-ten Jahr die Niedrigwasserperiode sich iiber das Ende des Sommerhalbjahres erstreckt. Die Unabhangigkeit zwischen zwei Niedrigwasserwerten ist in der Regel dann gewahrleistet, wenn zwischen den beiden Stichprobenelementen die jahrliche Grundwasserneubildungsperiode liegt. Fur Dauern von weniger als einem Monat kann auch der zweit- oder drittkleinste Abfluss je Jahr ermittelt werden, so dass partielle Serien gebildet werden ko'nnen. Von partiellen Serien fur Niedrigwasserabflusse von wenigen Tagen Dauer ist aber aufgrund der zu fordernden Unabhangigkeit der Werte bei der Haufigkeitsuntersuchung abzuraten und den jahrlichen Serien der Vorzug zu geben, insbesondere, wenn mehrere Dauerstufen zusammen betrachtet werden. Partielle Serien milssen jedoch gebildet werden, wenn die untersuchte Dauer groBer als 12 Monate ist. Der Extrapolationsbereich von Niedrigwasserhaufigkeiten ist infolge der groBen Sto'ranfSlligkeit der Abflussdaten durch anthropogene Eingriffe meist stark eingeschrankt. Bei einer Extrapolation der Minimalwerte sollten auBerdem die geologischen Eigenarten des Einzugsgebietes beriicksichtigt werden, insbesondere bei Karstgebieten, wo Nq-Spenden von Null auftreten. Durch Talsperrenabgaben kann umgekehrt das Niedrigwasser ttber langere Zeitraume aber auch erho'ht und vergleichmaBigt werden. Da Wasserwirtschaftsplane, in welche Niedrigwasser einbezogen werden, fur Zeitspannen von 20 bis 30 Jahren ausgelegt werden, lassen sich daraus Hinweise fur den Extrapolationsbereich ableiten. So erhalt man als obere Grenze fur die Extrapolation das 50-jShrliche Ereignis, wenn eine 15- bis 25-jahrige homogene Beobachtungsreihe zugrunde gelegt wird.
4.3.3 Anpassung von Verteilungsfunktionen an Niedrigwassermerkmale 4.3.3.1 Einseitig begrenzte Verteilungsfunktion und freie Anpassung Bevor theoretische Verteilungen verwendet werden, sollten zunachst immer die empirischen Wahrscheinlichkeiten von Niedrigwasser bestimmt und in ein Wahrscheinlichkeitspapier eingetragen werden. Falls der in Betracht kommende Extrapolationsbereich weniger als N/3 der N Beobachtungsjahre ausmacht, kann die
4.3 Niedrigwasser
171
Ausgleichskurve nach Augenschein durch die Beobachtungswerte, welche nach der empirischen Wahrscheinlichkeit aufgetragen wurden, gelegt werden. Bei groBerer Extrapolation werden theoretische Verteilungsfunktionen angewendet. In einigen Fallen kann die theoretische Verteilungsfunktion trotz Korrekturen nicht hinreichend genau an die empirische Haufigkeit angepasst werden, da geologische und klimatologische Besonderheiten ungewOhnliche Verlaufe der empirischen Verteilung hervorrufen kOnnen. In diesen Fallen empfiehlt sich stets der graphische Ausgleich. In kleinen Einzugsgebieten wird haufig der Abfluss Null erhalten. Dies erfordert eine besonders kritische Bewertung der Ergebnisse, falls eine Verteilungsfunktion verwendet wird, die eine logarithmische Transformation enthalt. Bei Verwendung von theoretischen Verteilungsfunktionen ist es zweckmalMg, NiedrigwasserabflUsse verschiedener Dauern auf demselben Wahrscheinlichkeitspapier einzutragen, da fur den gesamten Niedrigwasserbereich eine gute Anpassung zwischen der gewahlten theoretischen und empirischen Verteilung anzustreben ist (Bild 4.24). Das Verfahren zur Berechnung der Verteilungsfunktion und die Anpassungstests entsprechen denen fur Hochwasser. Bei einigen Einzugsgebieten ergibt die empirische Verteilung einen Knick beim Ubergang von einer mehrmonatigen Trockenzeit zu den kleinsten Abfliissen von mehr als einem Jahr Dauer. Diese Knickpunkte konnen durch eingipflige Verteilungsfunktionen im Allgemeinen nicht wiedergegeben werden, so dass der Ausgleich sich durch bereichsweise lineare Regressionen empfiehlt. Zur Beschreibung von Niedrigwasserereignissen seltener Eintrittswahrscheinlichkeit werden Verteilungsfunktionen benotigt, die fur extreme Ereignisse sehr kleine Abfliisse oder den Wert Null ergeben. Negative Abflusse sind unlogisch, wenn auch in dem Grenzfall (Tn -> co) mathematisch nicht vollkommen auszuschlieften [4.16]. Eine linksseitige Begrenzung lasst sich auf zwei Arten erreichen. Die einfachste Art ist, anstelle der Messwerte ihre Logarithmen zu verwenden. Fur den linken Rand ergibt sich dann nach Entlogarithmieren von y(P=l) Null. Durch das Logarithmieren werden die ursprunglichen Werte im oberen Bereich gestaucht und im unteren Bereich entzerrt, was eine systematische Verkleinerung der Schiefe zur Folge hat. Als Verteilungen werden in diesen Fallen meist die Normal-, die Pearson Typ-III-Verteilung bei Cs < 0 und die Extremwert Typ-I-Verteilung verwendet. Die zweite MOglichkeit besteht in der Verwendung von linksseitig begrenzten Verteilungen, wie der Extremwert Typ-III-, der Pearson Typ-I und der Pearson Typ-III-Verteilung bei Cs > 0 [4.37]. Bei einigen Verteilungen konnen sich negative Abflusse bei sehr seltenen Haufigkeiten ergeben. Auch kann der Fall eintre ten, dass der theoretische Wert x(P=l) groBer ist als der kleinste beobachtete Wert. Um dieses zu vermeiden, sollten die Verteilungsfunktionen so transformiert werden, dass der theoretische Wert x(P=l) = 0 wird. FUr eine linksseitige Begrenzung einer Verteilungsfunktion fur Minimalwerte gilt mit Null im Ursprung die ForderungGI.(4.38): x T = 0 = x(l + C v k) mit k = f(C s ;P u = 1,0), C v =-l/[k(C s ;l,0)].
(4.66)
172
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Qinm^50
1 -2-1
5001000 Tfa) '"'fe' '9b 99 99,5' ' 99,9 Rx*x)% 0
1
Abb. 4.24. Haufigkeit von mehrtagigen Niedrigwasserabflussen der Ems am Pegel Rheine nach der Extremwert E> Typ-III-Verteilung (AEo = 3696 km2; MQ41/80 = 34,9 nrVs; SoMQ = 18,9 m3/s)
Die Transformation in den Ursprung wird dadurch erreicht, dass die Parameter, die von der Schiefe abhangen, tiber den Variationskoeffizienten bestimmt werden. Durch Festlegung von Cs = 2CV werden dreiparametrige Pearson Typ-III-Verteilungsfunktionen in zweiparametrige umgewandelt. Fur Niedrigwasseruntersuchungen wird haufig die Extremwert Typ-III-Verteilung benutzt, aber auch die Lognormal-, die Pearson Typ-I- und die Typ-III-Verteilung werden angewendet. Bei der freien Anpassung der empirischen Wahrscheinlichkeiten wird meist ein Wahrscheinlichkeitspapier mit einer Achse geteilt nach der Gumbel-Verteilung und einer logarithmisch geteilten Achse verwendet [4.4, 4.17, 4.38]. Auch wird die gleichwertige Anwendung der Normal-Verteilung, der Extremwert Typ-III-Verteilung und der Pearson Typ-III-Verteilung auf ein Kollektiv von logarithmisch transformierten NQ-Werten vorgeschlagen [4.36] (Bild4.10).
4.3 Niedrigwasser
173
4.3.3.2 Extrem wert- Typ-lll- Verteilung Der Extremwert Typ-III-Verteilung oder Weibull-Verteilung liegt die Annahme zugrunde, dass aus einer Reihe von normalverteilten Teilkollektiven die Extremwerte herausgesucht und zu einem neuen Kollektiv zusammengestellt werden, das Gegenstand der weiteren Analyse ist [4.39^1.41]. Da eine Begrenzung in Richtung des gewiinschten Wertes erfolgt, wird sie bei Kleinstwerten bevorzugt. Die Werte der Extremwert Typ-III-Verteilung sind nach unten durch den kleinstmoglichen Abfluss e begrenzt. Die Verteilungsfunktion der Uberschreitungswahrscheinlichkeit lautet nach GI.(4.49) (Bild 4.10): P(X > x) = exp-
x - s "
mit 8 < x < + oo und P > e,e > 0.
(4.67)
Fiir die Dichtefunktion f(x) = dP(x) / dx wird erhalten:
|
f^lil
(4.68)
Die Parameter a, p, und 8 gelten fur die Grundgesamtheit und werden fur die Stichprobe oft mit a, b und u bezeichnet. Es bedeuten: a: dimensionsloser Parameter (a > 0), der die HilfsgroBen A(a) und B(a) bestimmt in Abhangigkeit von der Schiefe C s (a); (I/a) wird auch als MaBstabsparameter bezeichnet; P: Parameter (P > 0), der gleich dem Abfluss in m3/s ist, fur dessen Uberschreitung sich der Wert Pfl(x) = 1/e = 0,368 ergibt. Dieser Lageparameter wird als charakteristische Trockenheit bezeichnet und durchschnittlich in 36,8 % der Falle unterschritten; s: Parameter, der den kleinstmoglichen Abfluss in m3/s (= untere Grenze) bezeichnet; d.h. fur Niedrigwasser wird e > 0. Die Parameter werden wie folgt berechnet [4.3]: xA(oc)
und s = P-s x B(a)
(4.69)
mit: A(a) = [ l - r ( l + l/a)]B; B(a) = [r(l + 2 / a ) - r 2 ( l + l / a ) ] " 1 / 2 ,
(4.70)
Das Kriterium fur s > 0 lautet: P + sx[A(a) - B(a)] > 0. Die Werte A(a), B(a), I/a sind in Abhangigkeit von der Schiefe Cs tabelliert (Tab. 4.13) oder konnen aus Bild 4.25 abgegriffen werden. Fiir die numerische Berechnung wird vereinfacht gesetzt: P(x) = e" y mit y = [(x-e)/(P-e)f.
(4.71)
174
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Tabelle 4.13. HilfsgroBen zur Ermittlung der Parameter der Extremwert Typ-III-Verteilung Cs 2,0 1,9 1,8 1,7 1,6 1,5 1,4 1,3 1,2 1,1 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 -0,1 -0,2 -0,3 -0,4 -0,5 -0,6 -0,7 -0,8 -0,9 -1.0
A (a) 0,0000 0,0144 0,0296 0,0454 0,0619 0,0791 0,0968 0,1151 0,1340 0,1532 0,1728 0,1925 0,2123 0,2321 0,2516 0,2708 0,2894 0,3074 0,3245 0,3406 0,3558 0,3698 0,3827 0,3943 0,4048 0,4141 0,4222 0,4294 0,4355 0,4407 0,4451
13 (a) ,0000 ,0490 ,1017 ,1582 ,2190 ,2845 ,3552 1,4316 1,5146 1,6048 1,7032 1,8110 1,9293 :2,0602 :',2055 :',3680 :1,5511 :2,7593 :2,9976 :5,2739 :5,5985 :5,9862 <1,4563 5,0386 5,7795 (5,7557 !5,0952 10,0469 13,1531 18,8668 :52,7720
e -1,0000 -1,0346 -1,0721 -1,1128 -1,1571 -1,2055 -1,2584 -1,3165 -1,3806 -1,4516 -1,5304 -1,6184 -1,7170 -1,8281 -1,9538 -2,0972 -2,2617 -2,4519 -2,6731 -2,9332 -3,2427 -3,6164 -4,0737 -4,6443 -5,3748 -6,3417 -7,6730 -9,6175 -12,7176 -18,4261 -32,3269
a ,0000 ,0348 ,0729 ,1146 ,1605 ,2111 ,2672 ,3294 ,3988 1,4766 1,5639 ,6626 ,7743 ,9017 ;2,0475 ;2,2155 :',4102 ;2,6377 ;2,9049 :5,2218 :5,6020 ' 1,0644 i1,6343 i5,3496 (5,2703 7,4944
Bei Niedrigwasserhaufigkeiten entsprechen die Unterschreitungswahrscheinlichkeiten den Oberschreitungswahrscheinlichkeiten, da die Extremwerte in abnehmender Reihenfolge betrachtet werden. Die Wahrscheinlichkeit, dass der Wert x erreicht oder unterschritten wird, ist: = l - e ~ y =1/T n
(4.72)
oder: lnTn=[-ln(x-e) oder: log(x-E) = l o g ( p - e ) - 0 , 4 3 y / a
mit y = -log(-logPu(x)).
Fur die Rechnung wird Tn vorgegeben, so dass yT direkt berechnet oder aus Tab. 4.6 abgelesen werden kann. Dabei kehrt sich jedoch das Vorzeichen von yT in
4.3 Niedrigwasser
175
Beispiel: 6egeben X s = 0 , Gesucht i £ = 0 4 2 2
A =0.286 B =2.513
Abb. 4.25. Parameter der Extremwert Typ-III-Verteilung (Weibull-Verteilung)
Tab. 4.6 um, da die dort angegebene Uberschreitungswahrscheinlichkeit der Unterschreitungswahrscheinlichkeit bei der Extremwert Typ-III-Verteilung entspricht. Fur das 100-jahrige Wiederkehrintervall nach der Extremwert Typ-IIIVerteilung betragt yT = -4,6001 und die Uberschreitungswahrscheinlichkeit 99 %. Mit den GroBen p und s, die mit Hilfe der Schiefe C s (a) und den zugehOrigen Werten A(a) und B(a) berechnet werden kOnnen, ergibt y = [(xT-e)/((3-e)]a nach xT aufgelost: ,1/a.
x T =y 1/a ((3-s)
(4.73)
Die Extremwert Typ-III-Verteilung ist linksseitig begrenzt durch den Minimalwert, wenn der kleinste Wert x = e ist: x
m i n = x + s x 6 Oder x m i n = x + s x [ A ( a ) - B ( a ) ] .
Zur Berechnung der Uberschreitungswahrscheinlichkeit wird die inverse Funktion P"'(x) der Verteilungsfunktion benotigt [4.16]: = A(a) -
= k(Cx;l-P).
(4.74)
176
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Tabelle 4.14. Haufigkeitsfaktoren k der Unterschreitungswahrscheinlichkeit P fur die Extremal Typ-III-Verteilung (Weibull-Verteilung) Wiederholungszeitspanne Tn in Jahren 100 50 25 10 Schiefe Unterschreitungswahrscheinlichkeit P in Prozent 1,0 2,0 4,0 0,0 10,0 Cs -3,053 -2,547 -2,029 -1,316 -1,0 -32,323 -0,9 -18,421 -2,988 -2,511 -2,015 -1,323 -2,919 -2,471 -1,999 -1,329 -0,8 -12,717 -0,7 -2,845 -2,427 -1,980 -1,333 -9,616 -0,6 -7,672 -2,767 -2,379 -1,958 -1,337 -0,5 -6,341 -2,685 -2,328 -1,933 -1,338 -0,4 -2,600 -2,273 -1,905 -1,338 -5,375 -2,512 -2,215 -1,873 -1,336 -4,644 -0,3 -2,422 -2,154 -1,839 -1,332 -0,2 -4,073 -2,331 -2,090 -1,802 -1,325 -0,1 -3,616 -2,239 -2,025 -1,762 -1,316 0,0 -3,243 -2,148 1,958 0,1 -1,720 -1,305 -2,933 -2,058 - 1,891 -1,292 0,2 -1,676 -2,673 -1,969 0,3 -2,542 1,823 -1,631 -1,276 1,756 -1,585 0,4 -2,262 -1,883 -1,259 -1,800 ,690 -1,538 -1,240 0,5 -2,097 -1,721 ,626 -1,491 -1,219 0,6 -1,954 -1,645 ,563 -1,445 -1,197 0,7 -1,828 -1,573 -1,399 -1,174 0,8 -1,717 1,503 -1,354 0,9 -1,505 1,445 -1,151 -1,618 -1,441 -1,390 -1,310 -1,126 1,0 -1,530 -1,380 -1,337 -1,268 -1,102 -1,452 1,1 ,324 -1,381 -1,288 -1,227 -1,077 1,2 - ,317 ,272 -1,240 -1,187 -1,053 1,3 ,222 -1,196 -1,150 -1,029 ,258 1,4 ,177 -1,154 -1,114 -1,005 ,205 1,5 - ,157 - ,234 -1,115 -1,080 -0,982 1,6 - ,094 -1,078 -1,047 -0,959 ,113 1,7 ,057 -1,043 -1,016 -0,937 ,072 1,8 - ,022 -1,010 -0,987 -0,915 ,035 1,9 -0,990 -0,980 -0,959 -0,895 2,0 ,000 00
5
2
1,01
20,0 -0,739 -0,754 -0,768 -0,783 -0,797 -0,811 -0,825 -0,838 -0,850 -0,860 -0,870 -0,878 -0,884 -0,889 -0,893 -0,894 -0,894 0,892 -0,889 -0,884 -0,878 -0,870 -0,862 -0,853 -0,843 -0,833 -0,822 -0,811 -0,800 -0,788 -0,777
50,0 0,152 0,142 0,131 0,119 0,106 0,092 0,077 0,061 0,044 0,026 0,008 -0,011 -0,031 -0,051 -0,070 -0,090 -0,110 -0,129 -0,148 -0,166 -0,183 -0,200 -0,215 -0,230 -0,244 -0,256 -0,268 -0,279 -0,289 -0,298 -0,307
99,0 1,697 1,740 1,786 1,835 1,886 1,941 1,999 2,059 2,122 2,188 2,256 2,326 2,398 2,471 2,546 2,621 2,696 2,771 2,846 2,919 2,992 3,063 3,132 3,199 3,264 3,327 3,388 3,446 3,501 3,555 3,605
Der Ausdruck kann benutzt werden, um die normierten Abszissenwerte k zu berechnen (Tab. 4.14). Werden die normierten k-Werte verwendet, so kann xT nach Gl.(4.45) berechnet werden. Bei Anwendung der Gleichung muss beachtet werden, dass die Werte des Niedrigwassers mit wachsendem Wiederholungszeitraum kleiner werden miissen. Bei Niedrigwasser, das seltener als das Mittel eintritt, wird dies durch ein Minuszeichen in Gl.(4.45) erreicht, was bei der Verwendung von Tab. 4.2 zu beachten ist. Werden bei der Extremwert Typ-III-Verteilung die Parameter a, fi und mit der Momentenmethode ermittelt, sind Plausibilitatskontrollen angebracht. Die Verteilungsfunktionen fur Niedrigwasser unterschiedlicher Dauer z.B. NM15Q, NM30Q usw., die aus derselben Beobachtungsreihe berechnet werden, konnen sich bei graphischer Darstellung uberschneiden.
4.3 Niedrigwasser
177
Fur seltene Wiederkehrintervalle ergeben sich dann kleinere Niedrigwasserabfliisse bei groBerer Dauer als bei kiirzerer Dauer, so dass eine Verbesserung des kleinstmoglichen Abflusses angebracht ist. Werden empirische Haufigkeiten der Niedrigwasserwerte in ein Wahrscheinlichkeitspapier eingetragen und die aufgetragenen Punkte nach Augenschein ausgeglichen, entfallt in der Regel das Problem der Uberschneidung. Es werden dann allerdings Verteilungsfunktionen erhalten, die unterschiedliche Bildungsgesetze aufweisen kQnnen. Die Extremwert Typ-III-Verteilung soil auf die Niedrigwasserabfliisse der Ems am Pegel Rheine angewendet werden. Zusatzlich zur Trenduntersuchung kann das mittlere Eintrittsdatum zur Beurteilung der Homogenitat der Reihe herangezogen werden mit dem Ergebnis, dass kein signifikanter Trend festzustellen ist. Aus den Abflussaufzeichnungen der Jahre 1881/1970 sind fiir die letzten 30 Jahre die mittleren Eintrittsdaten zusammengestellt (Tab. 4.15). Zur Berechnung der Haufigkeit der siebentagigen Werte (NM7Q) werden zunachst die empirischen Wahrscheinlichkeiten ermittelt. Dazu werden die Werte der GroBe nach geordnet, wobei der kleinste Wert den Rang m = 1 erhalt. Die empirische Wahrscheinlichkeit wurde nach P(x) = (N + l)/m ermittelt. Dem kleinsten beobachteten Wert wird eine Wiederholungszeitspanne von 81 Jahren und dem grofiten eine von 81/80 = 1,0125 Jahren zugeordnet. Jeder Wert wird entsprechend seinem Wiederkehrintervall und seiner Grofie in einen Netzdruck, dessen Abszisse nach der Gumbel-Verteilung und dessen Ordinate logarithmisch geteilt ist, eingetragen. Wird eine Ausgleichskurve nach Augenschein durch die Punkte gelegt, lassen sich bei Verwendung dieses Netzdruckes die Schwanze der Verteilung als Geraden darstellen. Werden mehrere Niedrigwasser von unterschiedlicher Dauer eingetragen, diirfen sich die Kurven nicht schneiden und sollten zueinander etwa parallel verlaufen (Bild 4.24). Die statistischen Parameter wurden anhand der Jahresreihe 1941/70 nach Gln.(4.5), (4.11) und (4.19) bestimmt: Mittel: x = 6,27m 3 /s; Standardabweichung: sx = 2,75 m3/s; Schiefe Csx = 0,42. Die Berechnung der theoretischen Wahrscheinlichkeit kann auf zwei Wegen erfolgen. Bei Verwendung von Tab. 4.14 erfolgt die Bestimmung nach Gl.(4.45). Das 50-jahrige Ereignis wird fur k(0,42;0,98) = -1,743 nach dem ersten Losungsweg berechnet zu: NM7Q 50 = 6,27 + (-1,73 • 2,75) = 1,48 m 3 /s.
Tabelle 4.15. Eintrittsdatum des n-tagigen mittleren Niedrigwassers in der Ems (Pegel Rheine, AEo 3696 km2, SoMQ = 19,2 m3/s) Jahresreihe 1941/45 1946/50 1951/55 1956/60 1961/65 1966/70 1941/70
Mittleres Eintrittsdatum des n-TSgigen Niedrigwassers NM7Q NM30Q NM60Q NM15Q 12.8. 10.8. 30.7. 12.7. 26.8. 13.8. 7.9. 8.8. 10.8. 12.8. 9.8. 18.7. 21.8. 13.7. 16.6. 24.8. 23.8. 25.9. 21.9. 29.8. 26.8. 2.9. 6.8. 20.8. 24.7. 11.8. 23.8. 28.8.
178
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Fur den zweiten Losungsweg wird von Tabelle 4.13 oder Bild 4.25 ausgegangen und fur Csx = 0,42 abgelesen: I/a = 0,422; a = 2,369; A = 0,286 und B = 2,513. Nach Gl.(4.69) wird: P = 6,27 + 0,286 • 2,75 = 7,057 mVs; 8 = 7,057 - 2,513 . 2,75 = 0,1463 nrVs und P - e = 6,911 mVs. Mit diesen Parametem berechnet sich NM7Q50 nach Gl.(4.73) zu: l - e ~ y = — = 0,02; e" y =0,98 bzw.y = 0,0202; NM7Q50 = 0,02020-422 • 6,911 + 0,1463 = 1,48 m3 /s. Die Niedrigwasserabflilsse fur weitere Wiederkehrintervalle werden in den Netzdruck eingetragen und zur theoretischen Verteilungsfunktion verbunden (Bild 4.24). Zur besseren Schatzung der Parameter fur die Extremwert Typ-III-Verteilung kann ein graphisches Anpassungsverfahren herangezogen werden. Fur die Anpassung wird ein Wahrscheinlichkeitspapier benutzt, dessen Wahrscheinlichkeitsachse nach Gumbel und dessen Merkmalachse dekadisch logarithmisch geteilt ist. Im Wahrscheinlichkeitsnetz nach Gumbel werden die Abflusswerte Xj iiber der reduzierten Variablen yT aufgetragen. Dazu wird nach Gl.(4.52) verwendet: P(x) = exp[-exp(-y)] bzw. yT = In (-In P(x)). In die Gleichung der Verteilungsfunktion fur die Extremwert Typ-III-Verteilung eingesetzt, ergibt sich: X-6
, ,
und daraus: ln(x-y) = ln(p- S ) + (l/a)y.
(4.75)
Dieser Ausdruck entspricht einer Geradengleichung y = a+bx und kann zur Parameterbestimmung von a, b und e verwendet werden. Zur graphischen Bestimmung der Parameter werden die NQ-Werte (Xj) der Grofie nach geordnet, ihre empirische Wahrscheinlichkeit berechnet, die Werte Xj in das Wahrscheinlichkeitsnetz eingetragen und die aufgetragenen Punkte per Hand ausgeglichen. Die Extrapolation dieser Ausgleichskurve fuhrt zu einem ersten Naherungswert fur e. Fur diesen Wert e werden die Werte ln(x-e) gebildet und entsprechend ihren empirischen Wahrscheinlichkeiten aufgetragen. Wird fur e der zutreffende Wert gewahlt, stellt sich die neue Ausgleichskurve als Gerade dar. Falls dies nicht zutrifft, wird anschlieBend solange korrigiert, bis ein geradliniger Ausgleich moglich ist. Nachdem auf diese Weise s festgelegt ist, konnen a und (3 aus der Graphik abgelesen werden. In der Geradengleichung ist der Anstieg I/a = tan a. Bei der Verwendung von Wahrscheinlichkeitspapier, dessen eine Achse dekadisch logarithmisch geteilt ist, wird: a = logexp
Ayj
(4.76)
Alog(x-s) AyT : Abschnitt auf der yT-Achse zwischen yT = -1 und yr bei 8, Alog(x-s) : zugehoriger Abschnitt auf der Merkmalsachse. Der Zahlenwert fur e wird auf der yT-Skala als Achsenabschnitt bei yT = 0 abgelesen, d.h. P(x) = exp(-exp[0]) = l/e = 0,368 = 36,8 %.
4.3 Niedrigwasser
179
Als Beispiel fur eine Parameterkorrektur sollen die mittleren siebentagigen Niedrigwasserabflusse NM7Q am Pegel Herrenhausen/Leine der Jahresreihe 1941/71 herangezogen werden (Tab. 4.16). Der Verlauf der empirischen Wahrscheinlichkeiten ist gekrummt und strebt gegen den Abflusswert von 6 mVs. Dieser Wert wird in erster Naherung fur die Auftragung der Werte ln(x-e)Xi nach den empirischen Haufigkeiten verwendet (Bild 4.27). Da sich die verbesserten Werte bereits durch eine Gerade ausgleichen lassen, wird auf eine erneute Korrektur verzichtet und e = 6m3/s als kleinstmoglicher Abfluss angesehen. Der haufigste Wert P wird bei yT = 0 zu P = 20,6 m3/s abgelesen. Der Winkel zwischen der yTAchse und der Ausgleichsgeraden betragt 8 = 57°, der Maflstabsfaktor a = tan 8 = 1,55. Die Unterschreitungswahrscheinlichkeit Pu bzw. x erhalt man: P u (x) = exp-
(x-6,0) 1 ' 55
^ 20,6-6,0 J
bzw. x = e + ( P - e ) e y / a
und x = 6,0 + 14,6-e y / 1 - 5 5 .
Anhand von 52 langjahrig beobachteten Pegeln, die liber das Gebiet der Bundesrepublik Deutschland annahernd gleichmalMg verteilt sind, bestehen zwischen den Parametern a, e und p der Extremwert Typ-III-Verteilung und ausgewahlten GroBen der einzelnen Stichproben der Niedrigwasserabflusse folgende Zusammenhange [4.34]:
P(Xix)*/.Wahrscheinlichkeitsnetz
nach
Gumbel
e=o empirische Werte durch Ausgleichskurve verbunden
5 ED 7 8 9 10 2 0 " " 30 40 50 60 Niedrigwasserabfluss xi in m3/s Abb. 4.26. Anpassung einer Extremwert T^-III-Verteilung und Ermittlung der Parameter fur die 7-tagige Niedrigwasser der Leine am Pegel Herrenhausen (AEo = 5329 km2, MQ = 50,1 m3/s, SoMQ = 35,2 m3/s)
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
180
(3D = aMNxQ, 8 D = a'NNxQ und ocD = f ( D ) MNxQ NNxQ a: a' <x D
Mittleres Niedrigwasser der Dauer D = x Tage in mVs ( = Mittel der Stichprobe), Niedrigster Niedrigwasserabfluss der Dauer D = x Tage in m3/s ( = kleinster Wert der Stichprobe), Koeffizient, a « 1,07; Abhangigkeiten a von D siehe [4.34], KoefFizient, a' * 0,82; Abhangigkeiten a' von D siehe [4.34], Exponent, abhangig von der Dauer D = x in Tagen: D aD
7 2,06
15 1,99
30 1,90
60 1,80
120 1,73
90 1,78
Tage
Bei kurzen Beobachtungsreihen, die ausgepragte Trockenperioden wie 1959 nicht enthalten, ist der kleinste Wert der Stichprobe NNxQ nicht mehr reprasentativ, so dass gesetzt wird e = 0,51NxQ(5). NxQ(5) ist fur die gewahlte Dauer x der Wert der Stichprobe, dem eine empirische Wahrscheinlichkeit von P(x) = m/(N+l) » 80 % oder rd. 5 Jahren zugeordnet werden kann. Mit den obigen Parametern erhalt man die Uberschreitungswahrscheinlichkeit eines vorgegebenen Niedrigwasserabflusses xT nach der Extremwert Typ-III-Verteilung uberschlaglich (Gl.(4.71)) zu:
P(x)« exp- [(xT - 0,82NNxQ)/ (1,07MNXQ - 0,82 • NNxQ)] a D .
(4.77)
Bei vorgegebener Uberschreitungswahrscheinlichkeit P(x) erhalt man die GroBe des Niedrigwasserabflusses xT zu:
x T = 0,82NNxQ + (l,07MNxQ - 0,82NNxQ)exp(y/a D )
(4.77a)
Tabelle 4.16. Siebentagige Niedrigwasserabflusse NM7Q in m3/s am Pegel Herrenhausen/ Leine, empirische Wahrscheinlichkeiten P(x) und reduzierte Variable yT nach Gl.(4.52). Theoretische Wahrscheinlichkeit P(x) und d b d2 fur den K-S-Test NM7Q YT 30,57 29,46 28,04 27,75 25,20 24,59 24,56 21,80 21,54 20,45 20,43 20,10 20,10 19,41 18,41 18,37
1,24 1,02 0,86 0,73 0,62 0,51 0,42 0,33 0,24 0,15 0,06 -0,02 -0,10 -0,19 -0,28 -0,37
P(x) = m/N+1 0,031 0,062 0,094 0,125 0,156 0,187 0,219 0,250 0,281 0,312 0,344 0,375 0,406 0,437 0,469 0,500
P(x)
d,
d2
NM7Q YT
0,030 0,042 0,064 0,070 0,136 0,157 0,158 0,284 0,298 0,362 0,364 0,384 0,384 0,429 0,498 0,501
0,001 0,020 0,030 0,055 0,020 0,030 0,061 0,034 0,017 0,050 0,020 0,009 0,022 0,008 0,029 0,001
0,030 0,011 0,002 0,024 0,011 0,001 0,029 0,065 0,048 0,081 0,052 0,040 0,009 0,023 0,061 0,032
18,28 17,27 17,16 16,97 16,11 15,67 15,24 15,21 15,08 13,59 13,17 13,02 12,49 10,06 10,03
-0,46 -0,55 -0,65 -0,75 -0,86 -0,98 -1,11 -1,24 -1,40 -1,57 -1,77 -2,01 -2,32 -2,74 -3,45
P(x) = m/N+1 0,531 0,562 0,594 0,625 0,656 0,687 0,719 0,750 0,781 0,812 0,844 0,875 0,906 0,937 0,969
P(x)
d,
d2
0,507 0,579 0,587 0,601 0,663 0,694 0,724 0,726 0,735 0,830 0,854 0,863 0,890 0,980 0,980
0,024 0,017 0,007 0,024 0,007 0,007 0,005 0,024 0,046 0,018 0,010 0,012 0,016 0,043 0,011
0,007 0,048 0,025 0,007 0,038 0,038 0,037 0,007 0,015 0,049 0,042 0,019 0,015 0,074 0,043
4.3 Niedrigwasser
181
Fur die siebentagigen Niedrigwasserabflusse der Leine am Pegel Herrenhausen der Jahresreihe 1941/71 (Tab. 4.16) soil mit dem K-S-Test auf einem Niveau von a= 5% gepruft werden, ob die Stichprobe der Extremwert Typ-III-Verteilung folgt. Kleinster Wert der Stichprobe ist NN7Q = 10,03 m3/s; das Mittel betragt MN7Q = 19,04 m3/s. Zunachst werden fur die geordneten Werte x = NM7Q die empirischen Wahrscheinlichkeiten P(x) ermittelt; im Beispiel P(x) = m/(N + 1) (Tab. 4.16). Die theoretischen Wahrscheinlichkeiten werden angenahert nach Gl.(4.77) bestimmt. Die Parameter fur die Dauer D = 7 betragen: Exponent: ct7 = 2,06; kleinster Wert: 8 = 0,82NNxQ = 0,82-10,03 = 8,22 m3/s, haufigster Wert: P = 1,0719,03 = 20,36 m3/s. Damit wird: P(x) = exp-[(x-8,22)/12,14]206. Falls nicht von Gl.(4.77) Gebrauch gemacht wird, empfiehlt es sich, P(x) graphisch zu ermitteln. Fur die xT-Werte x = NM7Q wird die theoretische Wahrscheinlichkeit berechnet. Nach Tab. 4.16 betragt der Maximalabstand (Gl.(4.60a)): d 1 = | P ( x m ) - P ( x m ) | = | 0,158-0,219| = 0,061, d 2 = | P ( x m ) - P ( x m - l ) | = |0,362-0,050| = 0,081. Aus der Gleichung P(d
4.3.3.3 Vergleich von Verteilungen bei Niedrigwasseruntersuchungen Fur Beobachtungsreihen von mehr als 20 Jahren wird nach [4.36] die gemeinsame Anwendung der Normal-, Extremal Typ-III- und Pearson Typ-III-Verteilung auf ein homogenes Datenkollektiv empfohlen. Als Ergebnis wird ein Bereich von wahrscheinlichen Werten erhalten. Nach Bildung der Stichprobe durch Berechnung der mittleren Niedrigwasserabflusse vorgegebener Dauer x fur jedes Jahr werden die Werte NMxQ auf Trend und Zyklus ilberpruft. Dies geschieht durch Sichtpriifung, indem die Werte als Zeitreihe aufgetragen werden, bevor gegebenenfalls eine Trendberechnung durchgefuhrt wird. AnschliefJend wird die Berechnung mit den trendbereinigten Daten in folgenden Schritten vorgenommen: 1. Ordnen und Umformen der Werte NMxQ; in ihre naturlichen oder dekadische Logarithmen yj = In NMxQj bzw. y; = logx;. Berechnen der empirischen Wahrscheinlichkeit nach Gl.(4.41) fur c = 0,4. Auftragung der empirischen Ha'ufigkeiten P(xO der NMxQi (y-Werte) auf Wahrscheinlichkeitspapier, dessen Wahrscheinlichkeitsachse nach dem GaufJschen Integral und dessen Merkmalsachse dekadisch logarithmisch geteilt ist. 2. Berechnen der statistischen Parameter (Mittel y, Standardabweichung sy und Schiefe Csy) nach den Gln.(4.5, 4.12 und 4.19) mit den bereinigten Werten. Die Schiefe soil zwischen -1 < Cs < 1 liegen, andernfalls miissen die Werte auf AusreiBer ilberpruft werden. 3. Berechnen von Werten der Verteilungsfunktionen x(Tn). Dazu wird fur die gewahlte Wiederholungszeitspanne Tn, fur welche das NMxQ(Tn) berechnet wer-
182
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Tabelle 4.17. Jahrliche Niedrigwasserabfltisse in m3/s der Dauer 7 bis 120 Tage der Jahresreihe; 1936/84 am Pegel Schmittlotheim/Eder (AEo = 1202 km 2 ; MQ(41/80) = 19,0 m3/s, SoMQ = 9,32 nrVs) 193..
194..
195..
196..
197..
198..
NM7Q NM15Q NM30Q NM60Q NM90Q NM120Q NM7Q NM15Q NM30Q NM60Q NM90Q NM120Q NM7Q NM15Q NM30Q NM60Q NM90Q NM120Q NM7Q NM15Q NM30Q NM60Q NM90Q NM120Q NM7Q NM15Q NM30Q NM60Q NM90Q NM120Q NM7Q NM15Q NM30Q NM60Q NM90Q NM120Q
0
1
2
3
4
5
1,29 1,59 1,80 2,23 2,34 3,01 2,20 3,14 3,36 4,88 4,78 5,88 3,41 3,92 4,44 5,57 8,50 8,90 2,84 3,05 4,09 6,56 9,98 9,35 3,89 4,20 4,33 6,01 6,93 10,2
1,88 2,48 2,56 3,92 6,84 6,92 2,96 3,05 3,39 4,86 5,87 6,34 3,89 4,05 4,98 7,36 8,74 8,88 1,91 2,00 2,16 2,21 2,33 2,79 5,77 5,86 0,85 8,74 9,54 11,0
2,97 3,32 3,69 4,83 5,48 6,72 1,34 1,41 1,61 1,98 2,20 2,35 2,23 2,70 2,96 3,30 3,92 4,97 1,04 1,20 1,76 2,67 4,51 4,81 1,76 1,86 1,90 2,28 2,96 4,51
3,10 3,37 3,50 4,10 5,11 5,76 2,11 2,11 2,06 2,60 2,71 3,14 2,23 3,50 3,79 4,24 4,95 5,57 0,18 0,23 0,40 1,01 1,18 1,36 0,90 1,03 1,33 1,95 2,26 2,64
3,50 3,74 4,47 6,35 8,39 12,2 3,06 3,20 3,68 3,86 4,95 8,86 0,59 0,64 0,91 1,03 1,06 1,17 2,80 2,94 3,27 3,48 4,30 7,41
2,32 2,77 3,33 4,90 7,53 7,87 3,99 4,65 5,26 5,38 6,90 7,12 2,70 3,06 3,62 4,49 5,41 8,16 1,40 1,73 2,07 2,41 3,04 4,03
6 1,86 1,99 2,09 3,04 4,46 4,67 2,73 2,84 3,19 3,69 5,23 6,34 3,42 3,76 4,61 9,17 13,3 14,7 1,83 1,96 2,24 3,08 7,10 11,3 0,47 0,61 0,88 1,03 1,19 1,36
7 1,01 1,25 1,63 1,79 2,03 1,98 0,68 0,69 0,78 0,91 1,06 1,25 1,38 1,70 2,03 2,60 3,41 3,98 2,01 2,12 2,80 3,49 4,13 5,29 2,83 3,05 4,15 4,24 6,54 6,42
8 1,39 1,80 2,59 3,09 4,31 5,29 1,51 1,56 1,75 2,45 3,18 4,33 4,36 4,97 5,47 6,71 9,64 9,50 3,94 4,31 4,50 4,77 4,96 5,90 1,05 1,44 2,17 4,44 6,97 6,53
9 1,21 1,57 1,86 1,99 2,09 2,19 0,63 0,68 0,75 1,04 1,19 1,27 0,53 0,56 0,60 0,64 0,80 0,87 2,01 2,31 2,49 3,41 6,98 6,44 1,36 1,53 1,69 2,14 4,24 4,17
den soil, der Haufigkeitsfaktor k in Gl.(4.45) in Abhangigkeit von der gewahlten Verteilungsfunktion ermittelt als kNV fllr Normal-Verteilung (NV) aus Tab. 4.2 mit Cs = 0, als kPV fur Pearson Typ-III-Verteilung (PV) aus Tab. 4.2 und als kEV fur Extremwert Typ-III-Verteilung (EV) aus Tab. 4.14. 4. Fur alle Verteilungen wird gepriift, ob xmin < x0 ist. Dafur gibt es fur die Normal-Verteilung keine Prufmoglichkeit. Fur die Pearson Typ-III-Verteilung ist eine Priifung nur mbglich, wenn Cs > 0 und fur die Extremwert Typ-III-Verteilung kann ein Vergleich mit x bei P = 0 erfolgen. Gegebenenfalls wird die Anpassung mit dem K-S-Test getestet. 5. Festlegung des Tn-jahrlichen Niedrigwasser-Abflusses NMxQ(Tn) durch Vergleich der Werte nach den Verteilungen.
183
4.3 Niedrigwasser
Als Beispiel soil die Eintrittswahrscheinlichkeit der Niedrigwasserabflilsse der jahrlichen Serie am Pegel Schmittlotheim/Eder fur eine vorgegebene Dauer von 7, 15, 30, ..., 120 Tagen nach der Extremwert Typ-III-Verteilung berechnet und mit anderen Verteilungen verglichen werden. Die Trenduntersuchung fur die jahrlichen NQ-Werte verschiedener Dauern nach Tab. 4.17 ftthrte zu dem Ergebnis, dass ein Trend zu vernachlassigen ist. Die statistischen Parameter sind ftir die Werte Xj und die transformierten Werte yi = logXj in Tab. 4.18 zusammengestellt. Aufierdem wurden einige Niedrigwasserabfliisse, die nach der Extremwert Typ-III-Verteilung berechnet wurden, in die Tabelle aufgenommen. Nach Ordnen der NMxQ-Werte mit zunehmender GroBe werden die empirischen Wahrscheinlichkeiten nach Gl.(4.41) berechnet, hier P (x) = m/(N + 1). Die Auftragungen der empirischen Wahrscheinlichkeiten erfolgen in einem Wahrscheinlichkeitspapier, dessen Wahrscheinlichkeitsachse nach Gumbel und dessen Abszisse logarithmisch geteilt sind (Bild 4.27). Die punktweise Berechnung der Wahrscheinlichkeiten der Extremwert Typ-IIIVerteilung nach Gl.(4.45) und mit Tab. 4.14, der Normal- bzw. Pearson Typ-III-Verteilung mit Hilfe von Tab. 4.2 soil fur das Wiederkehrintervall von Tn = 100 Jahren und die Dauer von 30 Tagen aufgezeigt werden: EV: x 100 = 2,83 +1,440• k(0,474;100) = 2,83-1,440(1,822) = 0,207 m 3 Is, NV :y 100 = 0,384-0,268-k(0;100) = 0,384-0,268(2,326) = - 0,239 >x 1 0 0 =0,576 m 3 / s , PV: yioo = 0,384 + 0,268 • k(0,904;100) = 0,784 - 0,268(-2,957) = - 0,008 >x 1 0 0 =0,981 m 3 / s . Tabelle 4.18. Statistische Parameter der Werte Xi und logarithmisch transformierte Werte y, = lox, sowie tiberschreitungswahrscheinlichkeiten der Extremwert Typ-III-Verteilung der NMxQ-Werte von 7 bis 183 Tage Dauer am Pegel Schmittlotheim/Eder (Jahresreihe 1936/84). Statistische Parameter
NM7Q
NM15Q NM30Q NM60Q NM90Q NM120Q NM150Q NM183Q
X
2,176 1,201 0,619 0,552 0,257 0,298 -1,044 1,161
2,448 1,285 0,426 0,525 0,313 0,289 -1,084 0,925
2,830 1,440 0,474 0,509 0,384 0,268 -0,904 0,699
3,686 2,003 0,772 0,543 0,495 0,286 -0,630 0,541
4,907 2,800 0,666 0,571 0,607 0,296 -0,679 0,487
5,739 3,214 0,541 0,560 0,674 0,301 -0,786 0,446
6,619 3,677 0,600 0,555 0,742 0,287 -0,720 0,386
7,796 3,712 0,517 0,476 0,834 0,246 -0,992 0,295
5,44 3,81 3,17 2,04 1,11 0,396 0,235 0,127
5,77 4,17 3,54 2,35 1,30 0,421 0,209 0,058
6,59 4,77 4,04 2,71 1,55 0,593 0,370 0,207
9,35 6,43 5,31 3,40 1,90 0,853 0,648 0,496
12,6 8,73 7,21 4,56 2,42 0,808 0,471 0,219
14,3 10,1 8,43 5,42 2,88 0,855 0,386 0,058
16,5 11,6 9,67 6,21 3,35 1,14 0,625 0,294
17,6 12,8 10,9 7,45 4,49 2,11 1,56 1,16
Sx
cs cm
y %
Cv,
Po ti ti "
"
1% 10% 20% 50% 80% 96% 98% 99%
184
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
Extremwert-Typlll-Verteilung ——— Normal -Verteilung ••••••••" Pearson-Typ Hl-Verteilung
Q2
Q3 Q4 Q50)5 0,8 1,0
4
5 6 7 8910
Abfluss in m3/s
Abb. 4.27. Vergleich verschiedener Verteilungsfunktionen fur Niedrigwasserperioden unterschiedlicher Dauer am Pegel Schmittlotheim/Eder (MQ =19,1 mVs, SoMQ = 9,4 mVs, Jahresreihe 1936/84) Die Verteilungsfunktionen sind in Bild 4.27 dargestellt. 1959 betrug NM30Q = 0,60 m3/s. Der errechnete Wert der PV und NV ist hoher als der Messwert in einer Beobachtungsreihe von 49 Jahren.
4.3.4 Zweidimensionale Wahrscheinlichkeiten Zur Kennzeichnung der Scharfe einer Niedrigwasserperiode kann die eindimensionale Behandlung nicht ausreichen, wenn z.B. ein Ereignis von der Wasserfuhrung her als extrem eingestuft werden muss, von der Dauer hingegen nicht. In die-
4.3 Niedrigwasser
185
sem Fall muss die Haufigkeit der Wasserfuhrung und der Dauer zusammen betrachtet werden und bildet ein zweidimensionales Wahrscheinlichkeitsproblem. Weitere zweidimensionale Probleme treten auf bei Regenintensitat und -dauer, Hochwasserscheitel und -fulle und Zusammentreffen von Tide- und Binnenhochwasser in Astuarien oder Hochwasser im Haupt- und Nebenfluss [4.55]. Verteilungsfunktionen mit zwei oder mehreren Variablen sind seit langerem bekannt [4.9, 4.42, 4.43]. So wurde die zweidimensionale Normalverteilung bereits von Galton beschrieben. Die Dichtefunktion der zweidimensionalen Normalverteilung fur die Variablen x und y, die den Korrelationskoeffizient r aufweisen, lautet:
f(x,y,r) =
,
2
a xas y1 /(l-r ) 2*s x y\
(x-x)2 , (y-y) 2
l
exp -
,_(x-x(y-y))
2r-
(4.78)
2
[ 2(l-r )
mit den Randverteilungen (= eindimensionale Verteilungen nach Gl. (4.36)):
, ,
f f(x) =
17=expf --i((i xx -xj x)j) 2 -IIL ff.f(y) .. = 1 j / ^
V2
2 / 2s
(y-y) y) 2 2s
)
2
Fur die normierte Verteilung (x = y = 0, s x = s y = 1) vereinfacht sich die zweidimensionale Dichtefunktion zu: L
f(x,y,r)=
exp 2
27tV(l-r )
^ ( x 2 - 2 r x y + y 2 ). 2(1-r 2 )
(4.79)
Die Verteilungsfunktion der Unterschreitungswahrscheinlichkeit wird erhalten zu:
P(x,y,r) = —
^
T dx f
27i(l-r 2 ) 1/2 -co
-oo
e x p _(l-(x + y-2xy)l d y
(,
2-(l-r 2 )
(4 . 80)
J
Der geometrische Ort aller Punkte gleicher Wahrscheinlichkeit ist eine Ellipse, die k-fache Streuungsellipse (Bild 4.28): k2 =
(x-|f + (y-|)i_ 2 r (x-xXy-y) sx2
sy2
sxsy
FUr r = 0 sind die Symmetrieachsen der Ellipse parallel zu den Koordinatenachsen. Da die GroBen x und y unabhangig voneinander sind, ergibt sich die Gesamtwahrscheinlichkeit P(x,y) des gleichzeitigen Eintreffens von x und y aus dem Produkt P(x)P(y) der Einzelwahrscheinlichkeiten. FUr r = 1 ist die zweidimensionale Wahrscheinlichkeit gleich der eindimensionalen Wahrscheinlichkeit. Zwischenwerte sind in Schritten von 0,05r fur die Normalverteilung tabelliert [4.44]. Die Wiederkehrintervalle konnen mit speziellen Tabellen der Unterschreitungswahrscheinlichkeit direkt zugeordnet werden [4.45, 4.46].
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
186 Anzahl der Regen in 100 Jahren
v in l/s ha Regenintensitat
T in min Regendauer
Abb. 4.28. Zweidimensionale Verteilung von Regenintensitat und Regendauer an der Station Esslingen Die Anwendung der mehrdimensionalen Normalverteilung setzt in der Regel eine Merkmalstransformation voraus, da Grofien wie Niedrigwasserfuhrung und -dauer nur in wenigen Fallen normalverteilt sind (Bild 4.30). Um die Randverteilungen in Normalverteilungen zu uberfuhren, konnen folgende nichtlineare AnsStze verwendet werden: ,x/a Xtransformiert = e
fUr
C
s < 0, X t r a n s f o r r n i e r t = In (x - b) fflr C s > 0.
(4.82)
Die Parameter a und b werden z.B. durch wiederholtes Anwenden der Gl. (4.82) auf die Daten gefunden. Durch die Transformation wird der urspriingliche Informationsgehalt der Daten schwerer durchschaubar. Mit der zweidimensionalen Normalverteilung kann dann eine Gesamtwahrscheinlichkeit fur ein Niedrigwasser, gekennzeichnet durch Abfluss und Dauer, berechnet werden. Die Interpretation der mehrdimensionalen Wahrscheinlichkeit bereitet Schwierigkeiten, da fur die praktische Beurteilung eines Niedrigwasserereignisses nicht die Gesamtwahrscheinlichkeit von Dauer und Abfluss von Bedeutung ist, sondern die Einstufung des Wiederkehrintervalls fur das gesamte Ereignis Vorrang hat. Fur die Haufigkeit von Regendauer, -hbhe und -spende liegen regionale Untersuchungen vor [4.49].
187
4.3 Niedrigwasser
Haufigkeit f %
Randverteilung der transformierten Dauer
30 20
Randverteilung
Abb. 4.29. Zweidimensionale Verteilung von Niedrigwasserabfluss NM7Q und zugeordneter Dauer der Salzach am Pegel Burghausen (AEo = 6649 km2; MQ = 254 m3/s; NMQ = 77,4 m3/s; Cv = 0,29; Cs = -0,29)
4.3.5 Maligebliche Trockenperioden fur die Speicherwirtschaft Soil der Nutzraum eines Speichers auf die Uberbriickung einer Trockenperiode ausgelegt werden, muss der Bemessung eine kritische Niedrigwasserperiode, die eine vorgegebene Eintrittswahrscheinlichkeit aufweist, zugrunde gelegt werden. Die Niedrigwasserperiode vorgegebener Eintrittswahrscheinlichkeit kann u.a. aufgrund einer Auswertung, die mit der fur Niedrigwasserabfliisse vorgegebener Dauern vergleichbar ist, berechnet werden. Soil wahrend der Trockenperiode eine bestimmte konstante Abgabe eingehalten werden, so entspricht diese dem Schwellenwert (Bild 4.23 und 4.30). Der erforderliche Speicherinhalt entspricht der Fehlmenge zwischen Zufluss und der einzuhaltenden Abgabe, falls eine Niedrigwasseraufhehung bis zu diesem Mindestabfluss erfolgen soil (Bild 4.30). In An lehnung an die Methodik des Summenlinienverfahrens erfolgt die fortlaufende Summierung der Differenzen zwischen Niedrigwasserzufluss und Schwellwert (Entnahmesummenlinie) ab einem bestimmten Datum, z.B. 1. April. Bei positiver Differenz erfolgt eine Zuweisung als Uberschuss, sonst als Defizit. Diese Differenzbildung kann ilber eine Zeitspanne innerhalb eines Jahres z.B. fur eine Vegetationsperiode oder fortlaufend iiber mehrere Jahre vorgenommen werden. Zur
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
188
Trennung einzelner jahrlicher Perioden kann als Schranke eingefuhrt werden, dass der Schwellenwert an mehr als 15 zusammenhangenden Tagen ilberschritten werden muss. Das Kollektiv der Defizite kann nach der Eintrittshaufigkeit ausgewertet werden. Aufbauend auf der Methodik zur Bildung mehrtagiger Niedrigwasserabflusse werden jahrliche und uberjahrliche minimale Wasserdargebote auf ihre Eintrittswahrscheinlichkeit untersucht [4.47]. Da die Anwendung des Summenlinienverfahrens nicht direkt die Eintrittshaufigkeit bestimmter Speicherzustande angibt, wird die Abflussganglinie verwendet und fortlaufend die n-monatige Abflusssumme gebildet. Die feste Zeitspanne D, liber welche die Abflusssumme gebildet wird, wird mit 6 < D < 120 Monaten vorgegeben. Anstelle der Abflusssumme des Monats n wird die Abflusssumme des Monats n und der n-1 Vormonate gebildet und fur den Monat n auf der Zeitachse aufgetragen. Dieses Vorgehen entspricht der Bildung des gleitenden Mittels. Diese Ganglinie der fortlaufenden Summen von jeweils n Monaten weist etwa in jahrlichen Abstanden Minimalwerte auf, wenn D < 12 gewahlt wird. Die Unabhangigkeit der einzelnen Minimalwerte ist dann gegeben, wenn ihr Abstand untereinander mehr als D Monate betragt. Durch Variation des Zeitabschnittes D ftlr die Summenbildung werden unabhSngige Werte fur minimale Zuflussdargebote ftlr D aufeinander folgende Monate Dauer gefunden, die in einem Wahrscheinlichkeitspapier nach GauB eingetragen und per Hand ausgeglichen werden. Diese Auftragung des kleinsten Dargebots erfolgt nach: Pmin=l-(0,5) l/N
(4.83)
6 4NWP2f HW
E
HW-PeriodT^V A
j
-
••**!
W
^
,
'
Uberschud Winter
I_
/^ —
Ende der ' Ende der Untersuchung NW-Periode I fur das Wa-Wi-Jahr !
Beginn einer NW-Periode
•
'
N
^
O
^
J
F
M
A
M
J
J
A
S
O
N
D
J
F
M
A
M
J
J
A
S
O
N
Zeit
Abb. 4.30. Anwendung der Summenlinie zur Auswertung von Niedrigwasserperioden bezvlglich eines Schwellenwertes und zur Ermittlung von Abflussdefiziten wahrend Niedrigwasserperioden vorgegebener Grenzwerte fur den einzuhaltenden Abfluss
4.3 Niedrigwasser
189
wobei N die Anzahl der D-monatigen Abflusssummen darstellt. Alle weiteren Werte werden aufgetragen nach (Bild 4.32): (4.83a) Da es bei groBeren Dauern zwangslaufig zur Bildung von partiellen Serien kommt, werden nur die Werte, deren empirische Wahrscheinlichkeit 50% unterschreitet, berucksichtigt. AnschlieBend werden in Bild 4.31, das die Unterschreitungshaufigkeit der Abflussvolumen verschiedener Dauer enthalt, fur vorgegebene Wahrscheinlichkeiten Linien parallel zur Abszisse gelegt und an den Schnittpunkt mit den Verteilungen gleicher Dauer die zugehorigen Abflussvolumen abgelesen. Die so erhaltenen Abflussvolumen einer Unterschreitungswahrscheinlichkeit werden iiber der Dauer aufgetragen und ergeben die minimalen Wasserdargebote bestimmter Eintrittswahrscheinlichkeit (Bild 4.32). Mit dem Verfahren werden Haufigkeitsaussagen fur mehrere aufeinander folgende Jahre mit unterdurchschnittlichem Wasserdargebot erhalten. Diese Aussagen schlieBen an die Zeitspannen der saisonalen Niedrigwasserabfliisse nach Tab. 4.17. Fur Niedrigwasser innerhalb eines Jahres konnen ahnlichen Kurven entwickelt werden. Wenn anstelle des Defizits eine konstante Zuschusswassermenge beim Unterschreiten eines Schwellenwerts zur Verfugung stehen muss, werden ebenfalls partielle Serien erhalten. Dieses Problem tritt auf, wenn beim Unterschreiten eines Mindestabflusses Kuhlwasser aus einem Speicher bereitgestellt werden muss. Im Normalfall wird das Gewa'sser zur Entnahme von Kuhlwasser herangezogen. Die Haufigkeitsuntersuchung umfasst die Lange der Zeitspannen, in denen der Mindestabfluss unterschritten wird. Zur Abschatzung von regionalen Niedrigwasserabflussen werden Niedrigwasserabflusslangsschnitte verwendet [4.48]. In diesem Langsschnitt sind die mehrtagigen NMxQ-Werte von verschiedenen Pegeln langs eines Wasserlaufes fur ausgewahlte Haufigkeiten in Verbindung gebracht, so dass auch fur nicht beobachtete Gewasserabschnitte daraus Informationen iiber Nq-Verlaufe erhalten werden (Bild 4.20).
«O
1000
4000
Abflussvolumen in him3
Abb. 4.31. Unterschreitungswahrscheinlichkeit von Abflussvolumen iiber eine vorgegebene Dauer fur den Pegel Schmittlotheim/Eder
190
4 Anpassung von Verteilungsfunktionen an hydrologische Daten
200
300
400 500
1000
2000
Abflussvolumen in Mio m3
Abb. 4.32. Minimales Wasserdargebot fiber vorgegebene Zeitspanne und Emtrittswahrscheinlichkeit fur den Pegel Schmittlotheim/Eder
Anstelle von zusammenhangenden Niedrigwasserperioden kann auch von den Dauerzahlen ausgegangen werden [4.54]. Fur eine vorgegeben Dauer von z.B. D = 30d wird fur einen Zeitabschnitt von 1 Jahr, der sich vom 1. April bis zum 31. Marz des folgenden Kalenderjahres erstreckt, aus der Dauerlinie der zugehorige Abfluss herausgesucht bzw. linear interpoliert und damit eine jahrliche Serie gebildet. Anschliefiend werden die Werte mit den empirischen Haufigkeiten an eine theoretische Verteilungsfunktion, z.B. die Extremwert-Typ-III-Verteilung, angepasst. Unter Zugrundelegung der Dauerzahlen wird in ahnlicher Weise wird mit den Abflussdefizits verfahren um ihre Eintrittswahrscheinlichkeiten zu bestimmen. Im Hinblick auf die anthropogene Beeinflussung der Niedrigwasser wird auch bei diesem Vorgehen eine Homogenitatsuntersuchung der Wahrscheinlichkeitsuntersuchung vorangestellt. Die Beobachtungsreihen sollten eine Lange von 20 bis 30 Jahren aufweisen, um eine zuverlassige Extrapolation auf seltene Niedrigwasser vornehmen zu konnen. Als Dauerstufen werden D = 1, 4, 14, 30 d empfohlen, wobei die maximale Dauer 90 d nicht iiberschreiten sollte. Die iibrigen Dauerstufen werden fur Abfluss-Stufen AQs = (MQ-NQ)/m gebildet, wobei fur m ein Wert von 20 bis 50 empfohlen wird
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
5.1 Anwendung von Regressionen 5.1.1 Mathematische Grundlagen und einfache lineare Regression Durch die Korrelation werden ZusammenhSnge zwischen mehreren Kollektiven von ZufallsgroBen untersucht. Dieser Zusammenhang ist nicht streng funktional, wird aber in der Form y = f(x) ausgedrilckt und verbindet hydrologische Beobachtungen, zwischen denen eine sachlogische Beziehung hergestellt werden soil. So hangen die Wasserstande langs eines Flusses voneinander ab. Im Allgemeinen hat das Steigen des Wasserstandes an einem Punkt auch einen steigenden Wasserstand an einem flussabwarts gelegenen Punkt zur Folge. Niederschlage im Zwischeneinzugsgebiet, seitliche Zuflusse und andere StorgroBen sind Ursachen dafiir, dass einem bestimmten Wasserstand am ersten Pegel nicht eindeutig ein bestimmter Wasserstand am zweiten unterhalb gelegenen Pegel entspricht. Vielmehr kann dem Wasserstand am ersten Pegel nur ein Kollektiv von Wasserstanden am zweiten Pegel zugeordnet werden. Die Vorhersage des Wasserstandes am unterhalb gelegenen Pegel kann mit der Korrelationsrechnung gelost werden. Neben der Vorhersage von hydrologischen Grofien werden Regressionen bei der Trendanalyse von Beobachtungsreihen, der SchlieBung von Messlucken und der Verdichtung von regionalen hydrologischen Informationen durch raumliche Interpolation angewendet. Bei Trenduntersuchungen ist die unabhangige Variable die Zeit, z.B. ein Jahr. Regressionsrechnungen dienen auch zur Erganzung von ungleich lang beobachteten Zeitreihen sowie zur Extrapolation auf Extremwerte, die aufierhalb der Beobachtungen liegen. Durch die Regression kann iiber die Eintrittshaufigkeit der Werte keine Aussage gemacht werden. Bei der Korrelationsanalyse werden stochastische Beziehungen zwischen gleichwertigen (normal verteilten) Variablen untersucht. Durch die Korrelationsrechnung wird die Straffheit des Zusammenhanges zwischen den Zufallsvariablen x und y ermittelt; dabei kann sowohl von der ersten auf die zweite Variable geschlossen werden als auch umgekehrt. Eine Abhangigkeit nach Ursache und Wirkung wird bei voneinander abhangigen Kollektiven angenommen und durch die Regression ausgedrilckt. Eine Abgrenzung der Begriffe Korrelation als Zusammenhang der Grundgesamtheit und Regression als Zusammenhang der Stichprobe wird nicht vorgenommen.
192
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Bei der Regression besteht ein Zusammenhang zwischen einer oder mehrerer als unabhSngig aufgefasster Variablen Xj und der abhangigen y; in linearer oder nichtlinearer Form (Bild 5.1). In Erganzung zum Trend kOnnen gleitende Mittel verwendet werden, die durch fortlaufende Mittelung von n aufeinander folgenden Werten (n < 5) und Auftragung des Mittels anstelle des Wertes x bei (n+l)/2 entstehen. Sind x und y zeitabhangige Variable, kann die innere Struktur der Zeitreihe untersucht werden, indem der Zusammenhang von nicht zeitgleichen Beobachtungen ermittelt wird. Wird die lineare Korrelation zwischen den Werten Xj(t) und dem um k verschobenen Wert Xi(t+k) aufgestellt, handelt es sich um eine Autokorrelation mit der Zeitverschiebung k; wird x(t+k) durch y(t+k) ersetzt, erhSlt man die Kreuzkorrelation. ZusStzlich zur Bestimmung von Mittel und Varianz muss bei der Korrelationsrechnung die Kovarianz ermittelt werden, da durch die Kovarianz die Starke des Zusammenhangs der Datenkollektive ausgedrttckt wird. Die Aufstellung einer Regression zwischen den Beobachtungen x b y^ x2, y 2 ;... kann auf die Berechnung einer Ausgleichskurve nach dem Prinzip der kleinsten Quadrate zuruckgefuhrt werden; Ableitungen in [5.1]. Die Abstande zwischen den beobachteten Werten der abhangigen Variablen und der Ausgleichskurve werden so bestimmt, dass die Summe dieser Abstandsquadrate S zum Minimum wird. Die lineare Regression lautet: y(x) = b o + b 1 x 1 + b 2 x 2 + . . . + b n x n + . . . + b m x m .
(5.1)
Die nichtlineare Regression kann die Form annehmen: y(x) = a 0 + a ^ + a 2 x 2 2 +... + a m x m .
(5.2)
Die Quadratsumme der AbstSnde der beobachteten y;-Werte von der Regressionskurve y(x;) betragt fur die nichtlineare Regression nach Gl.(5.2): S=I (yn-ao-aixn-a2xn2- -
-amxnm)2.
(5.3)
i=l
Die notwendige Bedingung fur ein Extremum von S ist: SS/Sa o =O, SS/Sa^O, 8S/8a 2 =0, ..., 8 S / 8 a m = 0 .
(5.4)
Durch Bildung der partiellen Ableitungen von S nach den einzelnen Regressionskoeffizienten und Setzen des Ausdruckes gleich Null werden Normalgleichungen erhalten. Mit ihnen werden die Regressionskoeffizienten bestimmt (Tab. 5.1). Die Regressionskoeffizienten unterliegen keinerlei Einschrankungen, sie treten in der Hydrologie meist als positive Werte auf; negative Werte bilden die Ausnahme, z.B. bei der Korrelation von Frosttemperaturen mit Schneehohen. Die m+1 linearen Bestimmungsgleichungen enthalten ebenso viele Unbekannte, so dass Gl.(5.4) mit dem Gaufischen Algorithmus aufgelost werden kann. Die manuelle Berechnung ist zeitintensiv und praktisch auf m < 3 beschrankt. In der Hydrologie gelingt es nur in wenigen Fallen, bis zu ftlnf unabhSngige Variablen zu erhalten, so dass in der Regel eine Beschrankung auf ein bis zwei erfolgt.
193
5.1 Anwendung von Regressionen
unabhdngige Vhriabie x abhdngige Vhriable y
Xi=f(yi) f()
x=f(t) y=f!i)
xt=f(yt-k) y =f(xt-k)
Tabellen der TestgrbBe
x+=f(xt-n) y =f(yt-k)
Vtirianzen, Kovarianzen SxJ.SyJ.S^
Sxy , Sxt
I
Regressionsanalyse Regressionsgerade Regressionskoeffizient b Korrelationskoeffizient rxy
Linearisierung der Variablen durch Transformation z.B. log y=x
Test auf Stgnrfikanz des Korrelationskoeffizienten Zusammenhang statistisch nicht gesichert
Zusammenhang stat'stisch gesichert
Abb. 5.1. Zusammenhang zwischen zwei Stichproben von Zufallsvariablen
Tabelle 5.1. Naherung funktionaler Gleichungen durch Normalgleichungen Funktion y = a+bx y = abx bzw. logy = loga+xlogb y = a+bx+cx2
y = ab x c x
bzw. 2
logy = loga+xlogb+x logc
Normalgleichung: an + b£x + b2x2 aSx Nloga + logbSx + logbSx2 logaSx aN + b2x + b2x2 aSx 2 + blx 3 aSx
+cEx2 +cSx3 +cSx4
= Zy = E(xy) = Slog y = Z(x log y) = Zy = Zxy = S(x2y)
Nloga logalx logaSx2
+logcl 2 +logcEx3 +logclx 4
= Elog y = 2(x log y) = I(x 2 logy)
+logbZx +logbZx2 +logbZx3
194
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Bei der einfachen linearen Regression besteht folgende Beziehung zwischen der unabhangigen Variablen X] und der abhangigen y, wenn mit b 0 das Absolutglied und bi der RegressionskoefFizient bezeichnet werden: y = bo+b,x1.
(5.5)
Zur Bestimmung der Parameter der Regressionsgleichung werden eingefuhrt Ay = y - y und AXJ = Xj - X j und die partiellen Ableitungen gebildet: 5 S / 5 b o = - 2 S ( y i - b o - b 1 x i ) und 5S/5b, = -2Sxi(yj - b 0 b,=Z(Ax 1 Ay)/Z(Ax 1 ) 2 ,
bx = s x , y / s x i 2 .
(5.6)
Werden 2(Ax)2 = Ix2r(Exj)2/N und I(AyAx) = X(yx)-Iylx/N umgeformt, erhalt man: bj = (NSxy- £xSy)/(NZx 2 -(Zx) 2 ).
(5.6a)
Das Einsetzen der Mittel xundy in Gl.(5.5) ergibt das Absolutglied: bo=y-b1x1.
(5.7)
Gleichung (5.6) wird erhalten, wenn die Quadratsumme der Abstande zwischen Messwerten und Regressionsgeraden in y-Richtung minimiert wird. Wird dagegen der quadratische Abstand in x-Richtung minimiert, wird b\ = s x . y /Sy
erhalten. Der Korrelationskoeffizient ryx entspricht dem geometri-
schen Mittel aus beiden Regressionskoeffizienten. ner Stichprobe berechnet sich zu:
Der Korrelationskoeffizient ei-
oder in anderer Schreibweise fur Tabellenrechnungen: r yX
NSfriyQ-PVSyj) ( [ ^ ^ O ^ t 2 ^ ) 2 ] )
1 7 2
'
wobei als BestimmtheitsmaB B = r (0 < B < 1) eingefuhrt wird. B ist ein normiertes MaB fur den Anpassungsgrad einer Regression an die Messpunkte. Der Korrelationskoeffizient entspricht dem Winkel zwischen den beiden Regressionsgeraden, die den Anstieg bi bzw. bi' aufweisen. Stehen die beiden Geraden senkrecht aufeinander, ist r^ = 0. Der Korrelationskoeffizient ist abhangig von der LSnge der Messreihe; Je langer die Beobachtungsreihe, desto hoher der Korrelationskoeffizient, falls die
5.1 Anwendung von Regressionen
195
Streuung gleich ist. Bei kleinem Stichprobenumfang N wird daher r unterschatzt, so dass fur alle Erwartungswerte p von r gesetzt werden kann: p=r
1-r2 2(N-3)
furN>8.
Ist aufgrund der physikalischen Zusammenhange unklar, welche GroBe die abhangige ist, z.B. bei zwei Grundwassermessstellen, bietet sich die orthogonale Regression an, bei der die Ausgleichsgerade so bestimmt wird, dass die Quadratsumme der Abstande beobachteter Wertepaare rechtwinklig (orthogonal) zur Regressionsgerade ein Minimum wird. Dies wird durch Standardisieren der Wertepaare erreicht in der Form k x = ( X j - x ) / s x und k y = ( V j - y ) / s y . Mit den Wertepaaren kxi und kyj in Gl. 5.5 eingesetzt wird die Regression ermittelt. Die Regressionsbeziehung wird durch die Transformation eindeutig umkehrbar. Der Korrelationskoeffizient wird nach Gl. 5.8 bestimmt fur die Werte x und y. Eine Reihe von Funktionen lassen sich durch Transformation auf lineare Regressionen zuruckfuhren (s. Kap. 5.1.3). 5.1.2 Lineare Mehrfachregression Werden zwei oder mehr Kollektive von unabhangigen Variablen verwendet um eine gemeinsame lineare Beziehung zur Abhangigen y herzustellen, erhalt man die lineare multiple Regression. So besteht eine mehrfache lineare Regression in der Abhangigkeit der Wasserstande von zwei Pegeln langs eines Wasserlaufes, wenn als dritte Veranderliche der Pegelstand des Seitenvorfluters oder der Niederschlag des zwischen den Pegeln gelegenen Gebietes hinzugefugt wird. Es besteht die Aufgabe, fur die gegebenen drei Kollektive y;, x; und z; die Abhangigkeit des yKollektivs gleichzeitig vom x- und z-Kollektiv zu bestimmen. Bei einer linearen zweifachen Regression kann das Ergebnis dargestellt werden als Geradenschar y = b 0 + ^ x , wobei b 0 von z abhangt. Infolge der Linearitat der Korrelation ist b 0 = b + b2z. Damit wird die Beziehung y = y (XJ;ZJ): y(x i ,z i ) = bo + b 1 x i + b 2 z i .
(5.9)
Zur Bestimmung der Koeffizienten b 0 , b] und b 2 wird die minimale quadratische Abstandssumme bestimmt:
[
]
2
[
p
(5.10)
Durch die partielle Ableitung dieser Gleichung nach den Koeffizienten b0, bi und b2 werden folgende drei Normalgleichungen fur die Bestimmung der Koeffizienten erhalten: 8S/Sb o =O->E ( y i - b 0 - b 1 x i - b 2 z i ) ( - l ) ) = 0,
196
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
5S/5b!=0^.Z (y i -b 0 -b 1 x i -b 2 z i )(-x i ) = 0, i=l N
6S/5b2=0-> I (y i -b 0 -b 1 x i -b 2 z i )(-z i ) = 0, i=l
oder Zyi - Nb 0 - b t • SXJ - b 2 • SZJ = 0, lyjX; - b 0 • SXJ - b t • SXJ 2 - b 2 • EZJXJ = 0,
(5.11a)
SyjZ, - b 0 • SZJ - b{ • ZXJZJ - b 2 • SZJ 2 = 0.
Wird fur y ; Ay; = y; - y eingefuhrt und die entsprechenden Ausdrticke Ax; und AZJ, erhalt man nach einigen Umformungen die Koeffizienten zu: bo=y-b!X-b2z,
EAxjAyjEAzj b
=
l
5
(5.12)
SAyjAzj
5 (
)
SAXJAZJ 2
^
(5-13)
= 2
2
Das BestimmtheitsmaB B = ryxz r 2 betra'gt: 2
r
yxz
mit:
_p p_Sy B B -
2 s
2
y
~
N
I l
s y 2 (x i ,z i ) = S ( b 1 x i + b 2 z i ) 2 / ( N - l ) = [b! • ZAXiAyj + b 2 • ZAyjAzJ^N -1) oder nach Einfuhrung von Ax; = x ( - x usw.: B = (b r SAx i Ay i +b 2 -2Ay i Az i )/2Ay i 2
mit 0 < B < l .
(5.15a)
Als Streuung der Vorhersage wird der Ausdruck sy2(l-B) bezeichnet. Fur die lineare Mehrfachregression von m unabhangigen Variablen nach Gl. (5.1) dient folgendes Gleichungssystem fur die Bestimmung der Regressionskoeffizienten, wenn eingefuhrt werden AXJ = Xj - x usw. [5.3]:
5.1 Anwendung von Regressionen
197
+ b 2 SAx 2 2 +... + b m Z(Ax 2 Ax m ) = 2(AyAx2), (5.16)
Das Gleichungssystem wird nach den Koeffizienten bi, b2, ..., bm aufgelost und b0 durch Einsetzen der Mittel in Gl.(5.1) erhalten. Der Korrelationskoeffizient ry ^ berechnet sich zu : 2
.
(5.17)
Die Einfliisse der einzelnen Veranderlichen xj bzw. Zj auf y; sind durch den einfachen Korrelationskoeffizienten nach Gl.(5.8) ausgedruckt. Ein Vergleich der Bestimmtheitsmasse, die durch die einfache Korrelation erhalten werden, mit dem der Mehrfachkorrelation ist erforderlich, wenn eine Verbesserung der Ergebnisse durch Einbeziehung einer weiteren Veranderlichen beurteilt werden soil. Lineare Mehrfachregressionen werden als kurzfristige Wasserstands- bzw. Abflussvorhersage von weniger als 48 Stunden Vorhersagezeit bei dem Hochwasserwarndienst und der Schifffahrt sowie als mittelfristige Abflussvorhersage bei der Wasserkraftnutzung angewendet. Als Abflussvorhersage wird die Vorausschatzung des Abflusses mit Angabe des Eintrittsdatums bezeichnet; Prognose ist die Vorausschatzung ohne Angabe der Eintrittszeit. Operationelle Vorhersagen werden wahrend des Ablaufs des Hochwassers vorgenommen und stehen im unmittelbaren Zusammenhang mit dem aktuellen Niederschlags- und Abflussereignis. Die operationelle Vorhersage beruht auf der Regression von zeitgleichen Beobachtungen an mehreren Stellen, die beim Hochwasserablauf nacheinander durchlaufen werden. Als Vorhersagezeitraum (Vorwarn- oder Vorlaufzeit) wird der Zeitabstand zwischen zwei Zeitpunkten wahrend der Vorhersage bezeichnet, namlich der Ausgabe der Vorhersage und dem Eintreffen des Ereigniswertes. Zum Beispiel erfolgt bei einer 12-Stunden-Vorhersage am 18.1.86 die Ausgabe um 600; am selben Tag wird um 1800 der Ereigniswert eintreten. Die ZielgrOBe der operationellen Vorhersage wird anhand der unabhangigen Vorhersagevariablen (EinflussgroBen), deren Messwerte vor der Ausgabe bekannt sein mussen, berechnet. So ist bei der Abflussvorhersage die Abflussganglinie am Vorhersagepegel (Ausgangspegel) bis zum Zeitpunkt To bekannt. Zurzeit To soil der Abfluss, der sich zu den Zeitpunkten lAt, 2At,..., nAt einstellen wird, ermittelt werden. Die zukunftige Ganglinie wird durch m Stutzstellen aus den Vorhersagevariablen x(t) gebildet. Sollen die Abfliisse Qt' fur die Zeitintervalle At; (i = 1,2, ..., n) vorhergesagt werden, kann folgendes Gleichungssystem fur To aufgestellt werden (Bild 5.2):
198
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
QlAt'=a 0 +aixj + a 2 x 2 +... + a m x m , Q2At'= b 0
+b x
l l +b2x2 + - +bmxm)
(5-18)
QnAt'=gO + g l x l +§2 X 2 + - + gm x mDie Regressionskoeffizienten a{, bj, ..., g; mttssen vorab anhand einer Reihe von abgelaufenen Abflussereignissen ermittelt werden. Nach Ablauf des Vorhersagezeitraumes von At wird die alte Vorhersage (To) durch eine neue (T0+At) ersetzt, in welche die neuen Vorhersagevariablen eingehen. Auf diese Weise werden tiberlappende vorhergesagte Ganglinien erhalten, die sich mit fortschreitender Vorhersage dem tatsachlichen Verlauf immer besser anpassen. Wichtige Vorhersagevariablen sind der Abfluss am Ausgangspegel und an den davon oberhalb gelegenen Pegeln, die Abflussanderung AQ, der Gebietsniederschlag sowie ggf. die Schneehohe mit Lufttemperatur. Wasserstande weisen bei nicht einheitlichem Verlauf der Durchflussprofile, z.B. bei gegliedertem Querschnitt oder bei Profilwechsel, nur bereichsweise lineare Zusammenhange auf und erfordern nichtlineare Ansatze. Um die wichtigsten Variablen auszuwahlen, wird die Regression schrittweise um jeweils eine Variable vergroliert und der Einfluss dieser Variable auf die Verbesserung der ZielgroBe ermittelt, z.B. aufgrund der Zunahme des Betrags des Korrelationskoeffizienten. Die Vorhersagevariablen werden nach der Rangfolge, die der GroBe ihres Einflusses auf y entspricht, geordnet (schrittweise multiple Regression). Die Giite der Vorhersage nimmt mit wachsendem Verhaltnis von Vorhersagezeit und FlieBzeit im Einzugsgebiet ab. Regressionsmodelle konnen vorteilhaft eingesetzt werden, wenn die Laufzeit der EingabegrOBen bis zum Vorhersagepegel dem Vorhersagezeitraum entspricht. GutemaBstab ist der Korrelationskoeffizient, der aus den Werten der gemessenen und mit Hilfe der Regression berechneten Ganglinie gebildet wird. Zusatzlich kann das Verhaltnis der Standardabweichungen von berechneten und beobachteten Abfliissen der Hochwasserperiode herangezogen werden. Bei der Abflussvorhersage muss in Verbindung mit der geforderten Genauigkeit beachtet werden, dass der zugeordnete Schwankungsbereich der Wasserstande meist kleiner ist (Bild 5.2). Zahlenwerte fur die Gttte des Korrelationskoeffizienten enthalt Tab. 5.2. Ein weiteres Gutekriterium bilden die Abweichungen der gemessenen von den gerechneten Abfliissen in m3/s, ihre Ha'ufigkeitsverteilung bzw. ihr Variationskoeffizient. So kann fur den Rhein bei Kaub (AEo = 103729 km2, MQ = 1280 m3/s) eine Hochwasservorhersage von mehr als 48 Stunden und eine Niedrigwasservorhersage von mehr als 72 Stunden mit ausreichender Genauigkeit durchgefuhrt werden [5.4]. Bei Flussgebieten unter 2000 km2 ist der Vorhersagezeitraum bei der Vorhersage ilber Pegel allein auf weniger als 1 Tag begrenzt. Meist werden Vorhersagen fur Gebiete ab 4000 km2 fur At > 6 erstellt, damit das Schadenpotential infolge Hochwasser in einem vertretbarem Verhaltnis zur Aufwendung fur die Vorhersage steht. Eine VergroBerung der Vor-
5.1 Anwendung von Regressionen
199
hersagezeitspanne ist in mittleren Einzugsgebieten durch Einbeziehung des Niederschlags moglich [5.4, 5.5]. Weitere Anwendung findet die lineare Mehrfachregression bei der Prognose von Grundwasserstanden aus Niederschlagen, Temperatur und KenngroBen der Bodenfeuchte. Auch konnen langere sommerliche Niedrigwasserperioden aus Grundwasserstanden, dem Niederschlagsiiberfluss des Winters und mittlerem Ab-
- tatsachliche Abflussganglinie vorhergesagte Abflussganglinie: • Vorhersagezeit T = 12 Std. - Vorhersagezeit T = 24 Std. • Vorhersagezeit T = 48 Std.
£ _c O tooo
3500
3000
2500
2000-
Abflussganglinien: — tatsachliche — zum Zeitpunkt To zum Zeitpunkt To+t vorhergesagt
1500
Af 1000 18.3.65
20.
22.
24.
26.
28.
Datum
Abb. 5.2. Anwendung auf die Abflussvorhersage des Rheins bei Kaub mit Angabe eines Dezimeterintervalls fur die Wasserstande in verschiedenen Abflussbereichen; (Nebenfigur) Schema der Abflussvorhersage mit linearen Regressionen
200
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Tabelle 5.2. Bewertungsmassstabe fur den Korrelationskoeffizienten r nach Chaddock und Appollov Bereich vonr <0,3 0,3 bis 0,5 0,5 bis 0,7 0,7 bis 0,9 0,9 bis 1,0 r=l
Grad der Korrelation nach Chaddock sehr gering maBig deutlich eng sehr eng, straff funktional
Bereich vonr
Giite der hydrologischen Vorhersage nach Appollov
< > > >
unzureichend gering ausreichend gut
0,6 0,6 0,8 0,9
fluss gegen Ende des Winterhalbjahres vorhergesagt werden [5.6-5.9]. Die saisonale Vorhersage fur zukiinftige Zustande, die in mehreren Monaten eintreten konnen, erfolgt uberwiegend mit Modellen auf statistischer Grundlage. Bei der kurzbis langfristigen operationellen Vorhersage, bei welcher der Ablauf bis zu zwei bzw. zehn Tagen vorhergesagt wird, werden zusatzlich deterministische Modelle eingesetzt. Als Beispiel sollen fur die Blies (Saar) die Hochwasserstande am Pegel Neunkirchen (Blies, AEo = 311 km2) vorhergesagt werden aus den Wasserstanden des Pegels Ottweiler (Blies, AEo = 141,3 km2) und des Pegels Hangard (Oster, AEo = 114,8 km2), der in einem Nebengewasser der Blies liegt. Durch die Hinzunahme des Pegels in der Oster wird eine Verbesserung der Vorhersage angestrebt. Die Vorhersage soil sich auf Winterereignisse beschranken, von denen folgende Scheitelwasserstande beobachtet wurden (Tab. 5.3) Tabelle 5.3. Scheitelwasserstande (HW) in cm von 12 Winterhochwassern der Blies an den Pegeln Neunkirchen und Ottweiler und an der Oster am Pegel Hangard (Jahresreihe 1963/71) Tag Monat Jahr Wasserstande Neunkirchen y Ottweiler
27. 03. 63 in cm: 172
20. 11. 63
18. 01. 65
31. 01. 65
06. 12. 65
02. 01. 66
11. 12. 66
24. 12. 67
15. 01. 68
14. 03. 69
23. 02. 70
27. 01. 71
309
302
283
443
298
319
419
361
267
337
230
93
193
187
174
291
184
205
260
212
169
216
144
Hangard
120
258
255
238
317
246
265
304
292
242
272
191
a) Einfach lineare Regression; HWNeunkirchen = f(HWottweiier) Fur die einfache lineare Regression y = b 0 + b ^ betragen: Mittel: (Gl. (4,5)) Varianzen: (Gl.(4.10))
*l
y s
2
= Sxi/N = Sy/N
=23,28/12
= 1,940 m
=37,40/12
=3,117m
= Z(x,-
= 2,857/11
= 0,260 m2
=6,118/11
=0,556m 2
=
s(y-y
5.1 Anwendung von Regressionen Standardabweichungen: (Gl. (4.11)) Kovarianz:
s
201
"1
s'y s
xly
= 0,2601/2
= 0,510 m
= 0,5561/2
= 0,746 m
= 4,144/11
= 0,377 m
(Gl, (4.20)) Regressionskoeffizienten (Gln.(5.7 und 5.8)): t>i = s x i y / s X [ 2 = 0,377/0,260 = 1,450, b 0 = y - bjxj = 3,177 - (1,450 • 1,940) = 0,304 m. Die einfache lineare Regression fur die HW-Stande in Metern lautet (Bild 5.3a): HW Neunkirchen = 0,304+ l,450HWOttweiler. KorrelationskoefFizient r und BestimmtheitsmaB B betragen (Gl.(5.8)): rxy = s X ] y / s x l s y =0,377/(0,510 0,746) = 0,991, B = r x y 2 =0,991 2 =0,982. Sollen die KoefFizienten der Regression mit den Normalgleichungen nach Tab. 5.1 geschatzt werden, erhalt man fur y = b 0 + b]X, mit Ix] 2 = 48,02 und Zxy = 76,70: aN + bEx : 12a + 23,28b = 37,40 -> a = 0,31 = b 0 , aZx + bSx 2 = S(xy): 23,28a + 48,02b = 76,70 -* b, = 1,45.
-
b)
3,0 •v
2P
1,0
2,0
3,0
X, = HW-Stand Ottweiler in m
i n
/ / / /
1
1C
ip
3,0
X, = HW-Stand Ottweiler in m
Abb. 5.3. Lineare Regressionen zwischen Hochwasserstanden an Pegeln im Einzugsgebiet der Blies (Saar). Vorhersagepegel: Neunkirchen/Blies (y); Vorhersagevariable: a) Pegel Ottweiler/Blies (xi) sowie b) die Pegel Ottweiler/Blies (xj) und Hangard/Oster (x2)
202
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
b) Lineare Mehrfachregression HWNeunkirchen = f (HWOttweiier, HWHangard Filr die lineare multiple Regression y = bo + bixi + b2X2 betragen: Mittel (Gl.(4.5)): xx= 1,940m; y = 3,117m; x 2 = ( I x 2 ) / N = 2,500m. Standardabweichungen (Gl.(4.11)): sxl = 0,510 m; sy = 0,746 m; sX2 = S[(x2 - x 2 ) 2 / ( N - l ) ] 1 / 2 =(3,057/I l ) 1 / 2 = 0,527 m Varianzen (Gl.(4.10)): s^ = 0,5272 = 0,278 m2;
sy2 = 0,556 m2.
Kovarianzen (Gl.(4.20)): s x[y = 0,377m 2 ; s X 2 y = S[(x 2 - x 2 ) ( y - y ) / ( N - 1 ) ] = 4,100/11 = 0,373m 2 . s
x1x2=s[(x1-x)(x2-x2)]/(N-l)=2,798/H=0,254m. s x l X 2 2 =0,254 2 =0,0645m 2 ;
Regressionskoeffizienten (Gln.(5.12), (5.13) und (5.14)):
(0,278 • 0,377 - 0,254 • 0,373) /(0.260 • 0,278 - 0,0645) = 1,324,
"2 ~ vsxj
' s x 2 y ~ s xjx 2 ' s xjy/'(, s x]
s
x2
~ s xjx 2
)~
(0,260 • 0,373 - 0,254 • 0,377)/(0,260 • 0,278 - 0,0645) = 0,129,
b 0 = y - bjX! - b 2 i 2 = 3,117 -1,324 • 1,940 - 0,129 • 2,500 = 0,266 m. Die lineare multiple Regression fur die Wasserstande in m lautet: HW Neunk . = 0,226 +l,324HW Ottw . +0,129HW Hangard . Korrelationskoeffizient r und BestimmtheitsmaB B betragen (Gl.(5.15)): r = [(b,sxly+b2sX2y)/sy2]1/2 = [(1,324 • 0,377 + 0,129 • 0,373)/ 0,556] 1/2 = 0,992; B = r 2 = 0,9922 = 0,984. Die Mehrfachregression ist als Geradenschar dargestellt (Bild 5.3b).
5.1 Anwendung von Regressionen
203
5.1.3 Nichtlineare Regressionen und Transformationen Soil eine nichtlineare Regression aufgestellt werden, ist oft die Funktion der Regressionskurve unbekannt. Bei einer Variablen vermittelt die graphische Darstellung der Werte x, y einen Uberblick tiber den Verlauf der Ausgleichskurve und gibt einen Anhalt iiber den Funktionstyp. Transformationen der Variablen werden durchgefuhrt mit dem Ziel, Normalverteilung bzw. Linearitat zu erreichen oder die Varianz zu stabilisieren. Haufig kann eine nichtlineare Regression auf eine lineare durch Transformation der Variablen zuruckgefuhrt werden, z.B. durch Logarithmieren einer oder mehrerer Variablen. So konnen die Ausdrilcke y = beax und y = axb durch Logarithmieren der Groften y bzw. y und x linearisiert werden. Ausdriicke y = a+b/x und y = a/(b+cx) werden linearisiert, indem als Variable 1/x bzw. 1/y eingefiihrt werden. Weitere Transformationen enthalt [5.2]. Mit der Transformation soil erreicht werden, dass eine einfache (lineare) Beziehung zwischen den Variablen auftritt und die Verteilung der Werte iiber den Bereich der Regressionskurve vergleichmaBigt wird. AuBerdem wird angestrebt, dass die Haufigkeitsverteilungen der einzelnen Variablen (Randverteilungen) sich der Normalverteilung nShern. Urn die Varianz der abhangigen Variablen zu stabilisieren, tragt man Mittel und Varianz von mehreren Stichproben, die aus Teilmengen der gesamten Beobachtungen gewonnen werden, gegeneinander auf. Falls die Varianz linear vom Mittel abhangt, z. B. in der Form s2 = (ay)2, wird z = lny gewa'hlt um die Varianz zu stabilisieren (vergl. Tab. 5.4). Zur Transformation in normalverteilte Werte, insbesondere bei positiven y, dient der Ansatz [5.26](s. Gl. 4.28): und z = lny mit X = 0.
Ein geeigneter Wert X verringert die Schiefe der Stichprobe, optimal auf Null; A,wird durch Probieren gefunden. Graphisch stellen sich bei einem optimalen X die Werte der Stichprobe als Gerade in einen geeigneten Wahrscheinlichkeitspapier dar.
Tabelle 5.4. Transformation der Variablen zur Stabilisierung der Varianz [5.50] Verteilungsfunktion der Variablen y
Varianz, ausgedruckt durch das Mittel y
Transformation
Empinsch
a-y
Poisson
y
fy fy
Empirisch
ay2
Binomial (proportional) y ( i - y ) / N
Angenaherte Varianz im neuen transformatierten MaBstab 1,4 a 0,25
lny
a
logy
0,189a 1/4N
sin""1- fy
204
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Die Quadrate der Abweichungen erreichen bei der einfachen nichtlinearen Regression ein Minimum, wenn die Koeffizienten ao und a] einen bestimmten Wert annehmen. Die Form von x ist unabhangig davon und kann ohne Anderung der Allgemeingiiltigkeit der Gleichung der Regression die Form annehmen y = ao+a,f(x). Fur f(x) = lnx bzw. logx lautet die Regression: y = a o + a 1 l n x bzw. x = exp[(y-a o )/a!].
(5.19)
In einem Koordinatensystem mit logarithmisch geteilter x-Achse und linear geteilter y-Achse ergibt Gl.(5.19) eine Gerade. Haufig wird auch der Ansatz: y = a o -exp(a 1 x).
(5.20)
gewahlt, der sich als Gerade lny = lna0 + a)X in einem Koordinatensystem mit nichttransformierter x-Achse und logarithmisch geteilter y-Achse ergibt. Die Regressionskoeffizienten werden ilber Normalgleichungen bestimmt (Tab. 5.1). Eine Parabel beliebiger Ordnung y = a o x a i stellt sich als Gerade dar, wenn anstelle f(y) log y bzw. lny gesetzt wird. Bekanntes Beispiel hierfur ist die Abflusskurve eines Pegels, die zumindest bereichsweise in der Form Q = a 0 W a ' dargestellt werden kann (s. Bild 2.13). Die Transformation ergibt: logy = loga 0 + &\logx oder y = a o - x a i .
(5.21)
Werden log y = Zy und log x = zX] gesetzt, wird die lineare Beziehung Zy = logao + aiz x . erhalten. Die Koeffizienten der Regression und der Korrelationskoeffizient werden wie fur die lineare Regression bestimmt. Bei den logarithmischen Transformationen ergeben sich angenahert die Regressionskoeffizienten, da Z[lnyi-lny(Xj)] 2 =ln[yi/y(Xi)] 2 zum Minimum gesetzt wurde anstelle von S[yj -y(xj)] 2 . Bei der logarithmischen Transformation erhalten die kleineren Werte ein hoheres Gewicht. Die graphische Darstellung der Parabel als Gerade erfolgt im doppelt logarithmischen Netz. Ergibt das Auftragen der Wertepaare in diesem Netz eine kontinuierlich gekriimmte Kurve, kann sie haufig in eine Gerade verwandelt werden, indem eine Konstante x0 zu x oder eine Konstante y0 zu y oder zu beiden Variablen addiert wird, so dass die allgemeine Parabelgleichung erhalten wird: y-yo =ao(x-xo)aiUnabhangig von der Form der Gleichung ko'nnen auch andere Funktionen f(x) bzw. f(y) zur Linearisierung eingefuhrt werden; Zusammenstellungen enthalten z.B. [5.1,5.2]. Wird ftir nichtlineare Mehrfachregressionen von dem Ansatz ausgegangen: x 2 a 2 X 3 a 3 ... X n an >
(5.22)
5.1 Anwendung von Regressionen
205
kann die Linearisierung durch folgende Transformation erfolgen: = loga0+a1logx1+a2logx2+... + anlogxn, da fur log y = Zy und logXj = zx Gl.(5.1) erhalten wird. Die nichtlineare Mehrfachregression kann auch als Naherung einer Kurve durch eine Potenzreihe angegeben werden (Gl.(5.2)). Die Koeffizienten werden durch Anwendung des Prinzips der kleinsten Abstandsquadrate bestimmt. Es wird gefordert, dass die Gleichung S =(y-ao-aiX-...-amxm) zum Minimum wird. Dazu werden die partiellen Ableitungen nach den Koeffizienten gebildet, und fur die m Koeffizienten werden m Gleichungen erhalten. 5S/5a 0 = S(y ; - a 0 - ajXj - a 2 x; 2 -... - a m Xj m ) = 0, 5S/5 a i = -Sxifri - a 0 - a lXj - a 2 X i 2 -... - a m X i m ) = 0,
(5.23)
5S/5a 2 = - I x ^ y j - a 0 - axx{ - a 2 Xj 2 -... - a m Xi m ) = 0,
5 S / 5 a n = - Z x i m ( y i - a 0 - a 1 x i - a 2 x i 2 - . . . - a m x i m ) = 0. Nach Auflosung werden m+1 Normalgleichungen erhalten: - Zy; + Na 0 + ajSxj + a 2 Zxj 2 +... + a m Sx m = 0, + a 0 S X i + a^Xj 2 + a 2 £xj 3 +... + a m Sx m + 1 = 0,
(5.24)
+ a 0 Zxj 2 + a^Xj 3 + a 2 Sx, 4 +... + a m S x m + 2 = 0,
m+1 +, a „ Lvx m+2 +... , + , „a vix ..2m m
n =0.
Die Losung der m+1 Normalgleichungen nach ai,..., am ist fur einige Fa'lle in Tab. 5.1 angegeben. Durch die NichtlinearitSt bleibt die Definition fur das Bestimmtheitsmass unverandert: B = r 2 = s y 2 ( X i ) / s y 2 = S(y(xj)-y) 2 /2(yj - y ) 2 .
(5.25)
Dabei sind die Werte y(xi) durch die angenommene Gleichung der Regressionskurve gegeben. Mit der linearen Regressionsanalyse steht ein gutes Hilfsmittel zur Verfugung, um Parameter von linearen hydrologischen Modellen zu bestimmen. Falls eine Regression zwischen den vorgegebenen Variablen nicht hergestellt werden kann, lasst sich oft durch Zusammenfassen mehrerer Variabler ein besseres Ergebnis erzielen. Dabei konnen jedoch Scheinkorrelationen auftreten. Die Ursache fur das
206
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Versagen einer linearen Regression liegt meist in der Nichtlinearitat zwischen den Variablen. So hangt der Abfluss des einzelnen Hochwasserereignisses von einer Reihe von ereignisabMngigen Parametern ab, die durch ereignisunabhangige GroBen, wie GefHlle, Flussentwicklung und Flachennutzung, nur grob erfaBt werden. Nichtlineare Regressionen werden haufig fur regionale Abflussanalysen herangezogen, um mittlere Hoch- und Niedrigwasserspenden aus gebietsspezifischen Daten abschatzen zu konnen [5.7, 5.10]. Weitere Anwendungsbeispiele der nichtlinearen Mehrfachregression sind die operationelle Vorhersage von Hochwasserstanden und die Vorhersage des Abflusses aus Niederschlagen mit Koaxialdiagrammen [5.11, 5.12].
Am Beispiel der Einzugsgebiete von Lippe und Emscher soil mit nichtlinearen Regressionen der Zusammenhang von mittlerer Hochwasserabflussspende und GebietsgrOBe bzw. Versiegelungsgrad hergestellt werden. Aus 13 Beobachtungsjahren werden die mittleren Hochwasserabflussspenden MHq in 1/skm2 (= y), die zugehorigen EinzugsgebietsgroBen AEo in km2 (= X]) und die Versiegelungsgrade A v in Prozent (= x2) nach [5.13] zusammengestellt (Tab. 5.5). Tabelle 5.5. Mittlere Hochwasserabflussspende MHq in 1/skm2 und Bebauungsanteile A v in % von Teileinzugsgebieten (AEo in km2) des Lippe- und Emschergebietes
MHq y 41,9 47,2 56,2 53,1 56,2 144,8 194,5 109,5 161,0 188,0 244,1 436,0 174,2
logMHq zy 1,62221 1,67394 1,75282 1,72509 1,74974 2,16084 2,28892 2,03941 2,20683 2,27416 2,38757 3,63949 2,24105
AEo
logAEo
Av
3,68467 3,49998 3,45347 3,30212 3,00346 2,88309 2,39967 2,13354 2,04139 2,00432 1,55630 1,04139 1,57978
x2 4,9 5,2 5,0 2,1 2,2 50,0 41,6 10,9 36,4 49,6 33,6 41,3 3,8
Xl
4838 3162 2841 2005 1008 764 251 136 110 101 36 11 38
logAEo z
*2
0,69020 0,71600 0,69897 0,32222 0,34242 1,69897 1,61909 1,03743 1,56110 1,69548 1,52634 1,61595 0,57978
a) Abhdngigkeit des mittleren Hochwassers von der Einzugsgebietsgrofie als einfache nichtlineare Regression MHq =f(AEa) Der gewahlte Ansatz y = a o xi a i ergibt nach Transformation in Logarithmen: logy = log ao+ailogX]. Fur die weitere Rechnung werden die Bezeichnungen logy = zy und logX] = zxl eingefiihrt. Die Parameter fur die einfache lineare Regression mit logarithmisch transformierten Werten sind: Mittel: z x , = 2 z x ] / N = 32,5819/13 = 2,5063; z y = 2 z y / N ; z y =26,7605/13 = 2,0585.
5.1 Anwendung von Regressionen
207
Varianz und Kovarianz: s2Zxl = 8,8216/12 = 0,7351; sz s z ,, z
2
= 1,2519/12 = 0,1043;
=-3,0900/12 = -0,2575.
xl z y
'
'
Regressionskoeffizienten: a, =-0,2575/0,7351 = -0,3503; a 0 =2,9365. Die Regressionsgleichung lautet: Zy = 2,9365-0,3503 z X [ . Nach Entlogarithmieren erhalt man folgende Abhangigkeit zwischen der Einzugsgebietsgro'Be xi in km 2 und der mittleren Hochwasserabflussspende y in 1/skm2: y = 863,97xf0-3503. Die graphische Darstellung ergibt eine Gerade im doppelt logarithmischen Papier (Bild 5.4a). Korrelationskoeffizient r und BestimmtheitsmaB B betragen: rxy =-0,2575/0,85740,3230 = -0,9298; B = 0,8645.
b) Abhangigkeit des mittleren Hochwassers vom Einzugsgebiet und von der Versiegelung als mehrfache nichtlineare Regression MHq = /(AEO, AV) Der Ansatz y = agXjai • x 2 a 2 ergibt nach Transformation in Logarithmen: zy=loga0+a,zxl+a2zX2. Die Parameter betragen: Mittel:z xl =2,5063; z X2 =1,0848; z y = 2,0585. Varianzen und Kovarianzen: s 7z x l
2
=0,7351; s zz X 2 2 =0,2977; s zz y2 =0,1043; sz
, X
=0,1403; s z
2 y
z
,
=-0,2694.
xj z X2
Regressionskoeffizienten:
) = 0,2309;
loga 0 = z y - a ] Z x l - a 2 z X 2 =2,4739. Die Regressionsgleichung lautet: z y =2,4739-0,2657z X] +0,2309z X2
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
208
500 400
o
a) - — .
200
Q
o
o
cr 0
100
^
60 40
,
c
20
200
60 80 K>0
400
o
600 8001000
*»,n
2000
WOO
X, = Einzugsgebietsgrolle AEo in km2 500 400
b)
I
>—
M 200
cr 100 80
A
1
—
.
. - - ^
20
40
60 80 100
200
400
600 8001000
2000
20»/o 13 %
4000
X, = EinzugsgebietsgroBe AEo in km2
Abb. 5.4. Nichtlineare Regression zur Beurteilung des Einflusses der Versiegelung A v in % des Einzugsgebietes AEo auf die mittlere Hochwasserspende MHq als a) einfache nichtlineare Regression MHq = f(AEo) und b) als zweifache nichtlineare Regression MHq = f(AEo, Av) oder entlogarithmiert: y = 297,78xf 0 > 2657 x 2 0 > 2309
= 298A Eo -°- 27 A v 0 - 23 .
bzw.
Korrelationskoeffizient und Bestimmtheitsmafi: •=[(a,s Zxi z y + az2 szzx
2 1/2
)/s z
z
]
=0,9831; B = 0,9665.
y
Die Berechnung des mittleren Hochwassers wird durch Hinzunahme des Versiegelungsgrades besser beschrieben als durch die Abhangigkeit von der FlachengroCe allein (Bild 5.4b). Uber die Einbeziehung weiterer hydrologisch relevanter KenngroBen des Einzugsgebiets und des Gebietsniederschlags und die dabei auftretenden Fehler bestehen regionale Untersuchungen, z.B. [5.53]. Als Beispiel einer nichtlinearen Regression soil die Hochwasservorhersage aus Wasserstanden behandelt werden. Die Hochwasserprognose nach dem Pegelbezugslinienverfahren ist in graphischer Form bereits sehr lange bekannt. Es werden Regressionen zwischen den Scheitelwasserstanden an Pegeln langs eines Flusses aufgestellt (Bild 5.5). Wird am ober-
209
5.1 Anwendung von Regressionen
Systemskizze © Hochw.-Scheitel HWA in A Hochw.-Schiitel HWC in C (D Hoch*.-Scheit«l HWn in B
C CD
D) CO
3 0)
a.
8 o o
Hochwasserstand Vorhersagepegel B W_ in cm
Hochwasserstand Vorhersagepegel D WD in cm
Abb. 5.5. Vorhersage der Hochwasserscheitelstande an den Pegeln B und D mit Pegelbezugslinien an einem groCeren Flussgebiet als Beispiel einer nichtlinearen mehrfachen Regression halb gelegenen Pegel (Pegel A) der Scheitelwasserstand beobachtet, kann fur die unterhalb gelegenen Pegel der voraussichtliche Scheitelwasserstand als erste Vorhersage angegeben werden (Vorhersagewerte WB1 bzw. WD1 am Pegel B bzw. D). 1st spater am ersten Unterwasserpegel (Pegel B) der Hochstwert HWB eingetreten, kann die Vorhersage verbessert werden. Die Zuflilsse eines bedeuten den Nebenflusses (Pegel C), die ggf. zwischen den Pegeln dazukommen, werden durch einen Scharparameter der Wasserstandsbezugslinien berucksichtigt. Da die Werte streuen, wird ein Bereich angegeben, mit dem ein unterer (WBiu, WD|U) und ein oberer (WB,0, WDi0) Grenzwert der ersten Vorhersage angegeben werden kann. Das Pegelbezugslinienverfahren wird meist bei grSBeren Einzugsgebieten angewendet und eignet sich besonders fur Vorhersagen bis zum Hochwasserscheitel [5.14]. Das Pegelbezugslinienverfahren und die Methode der zeitgerechten Abflusssummen sind empirische Verfahren der Hochwasservorhersage, die an groBen Flussen und Stromen haufig angewendet werden. Kombinationen von NiederschlagAbflussmodellen und hydrologischen Ablaufmodellen sind an kleinen und mittleren Flussen verbreitet. Der Vorhersagezeitraum betragt bei den meisten Vorhersagen 24 Stunden; er kann bei Stromen wie Oder bis 1,5 Tage und bei der Elbe bis 7 Tage betragen. Bei der Hochwasservorhersage wird als Anlaufzeit eines Hochwassers oft die Zeitspanne vom Meldebeginn bis zum Scheitel eines 20-jahrlichen Hochwassers
210
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
verwendet. Der Hochwassermeldedienst ist wasserstandsorientiert. Die erste Meldestufe beginnt beim Eintreten von Ausuferungen und kleineren Uberflutungen landwirtschaftlicher Flachen. Die nSchste Stufe vieler Hochwassermeldeordnungen ist die Hochwasserbedrohung von Siedlungen. Die hOchste Meldestufe ist der Hochwasseralarm, d. h. die akute Gefahr grofierer Uberschwemmungen aufgrund auBergewohnlich hoher zu erwartender Wasserstande [5.51].
5.1.4 Konfidenzintervalle von Regressionen Die Gleichung der Regressionsgeraden richtet sich danach, ob der Fehlerausgleich in y- oder x-Richtung vorgenommen wird. Daneben hangt die Lage der Regressionsgeraden vom Stichprobenumfang ab, so dass viele Lagen moglich sind. Ahnlich wie bei der zweidimensionalen Normalverteilung liegen Punkte gleicher Wahrscheinlichkeit auf Ellipsen, die um den Schwerpunkt der Regression gelegt werden konnen. Ein Schnitt parallel zur y-Achse ergibt bei angenommener Normalverteilung den Wert der Regressionsgeraden als den haufigsten Wert. Fur jeden Schnitt lasst sich symmetrisch zum haufigsten Wert ein Bereich angeben, der einen vorgegebenen Wahrscheinlichkeitsprozentsatz einschliefit (vgl. Tab. 4.1). Der Bereich wird mit der t-Verteilung festgelegt und entspricht den Konfidenzintervallen an die Regression. Der Regressionsgeraden y = a+bx entspricht die Varianz Var(y) = Var(a)+x2 Var(b) +2xCov(a,b), wobei fur die Kovarianz Cov(a,b) = s2x/IAx2 gesetzt werden kann. Die Varianz wird mit Ax = x - x [5.2]: Var(y) = s 2 (l/N + Ax 2 /£Ax 2 i)
(5.26)
und der Standardfehler als Quadratwurzel der Varianz s y = s y 2 ( l / N + Ax 2 /2Ax 2 i) I / 2 .
(5.26a)
Die Konfidenzbereiche ergeben sich, indem der Standardfehler mit dem Wert der t-Verteilung fur eine vorgegebene Vertrauensgrenze a multipliziert wird (Tab. 5.6). Da die Vertrauensgrenzen sich nach beiden Seiten erstrecken, handelt es sich um einen zweiseitigen Test. Damit lautet die Gleichung des Konfidenzintervalles Konf(yc) beziiglich der Werte x,y der Regressionsgeraden: Konf(yG) = b 0 + b l X ± t a ; F (s y N " 1/2 )[l + (x-x) 2 /s
2 1/2 x
]
.
(5.27)
Der Freiheitsgrad F betragt F = N - 2 und die Standardabweichung der Regression ist s y ,s x , wenn sy, sx die Standardabweichungen der Stichprobe sind: sy=sy[(N-l)(l-r2)/(N-2)]1/2, sx=sx[N/(N-l)]1/2.
(5.28)
5.1 Anwendung von Regressionen
211
Tabclle 5.6. Werte der t-Verteilung in Abhangigkeit von der Irrtumswahrscheinlichkeit a und dem Freiheitsgrad F F 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 22 24 26 28 30 40 60 120 00
Irrtumswahrscheinlichkeit a fur einseitige Fragestellungen 0,40 0,025 0,10 (),05 0,30 0,25 0,20 0,325 0,727 1,000 12,706 1,376 3,078 (3,134 0,289 0,617 0,816 1,886 :1,920 4,303 1,061 3,182 0,277 0,584 0,765 0,978 1,638 :1,353 0,271 0,569 0,741 0,941 2,776 1,533 ;1,132 0,267 0,559 0,727 0,920 2,571 1,476 :1,015 0,265 0,553 0,718 0,906 2,447 1,943 1,440 0,263 0,549 0,711 0,896 2,365 1,895 1,415 0,262 0,546 0,706 0,889 2,306 1,860 1,397 2,262 0,261 0,543 0,703 0,883 1,833 1,383 0,260 0,542 0,700 0,879 ,812 2,228 1,372 0,260 0,540 0,697 0,876 ,796 2,201 1,363 0,259 0,539 0,695 0,873 1,356 ,782 2,179 0,259 0,538 0,694 0,870 1,350 ,771 2,160 0,258 0,537 0,692 0,868 ,761 2,145 1,345 0,258 0,536 0,691 0,866 1,341 1,753 2,131 0,258 0,535 0,690 0,865 1,337 1,746 2,120 0,257 0,534 0,689 0,863 1,333 1,740 2,110 0,257 0,534 0,688 0,862 1,330 ,734 2,101 0,257 0,533 0,688 0,861 1,328 ,729 2,093 0,257 0,533 0,687 0,860 1,325 1,725 2,086 0,256 0,532 0,686 0,858 1,321 1,717 2,074 0,256 0,531 0,685 0,857 2,064 1,318 1,711 0,256 0,531 0,684 0,856 1,706 2,056 1,315 0,256 0,530 0,683 0,855 1,701 1,313 2,048 2,042 0,256 0,530 0,683 0,854 1,697 1,310 1,684 2,021 0,255 0,529 0,681 0,851 1,303 0,254 0,527 0,679 0,848 1,671 1,296 2,000 0,254 0,526 0,677 0,845 1,658 1,289 1,980 0,253 0,524 0,674 0,842 1,645 1,282 1,960 0,80 0,60 0,50 0,40 0,20 (),10 0,05 Irrtumswahrscheinlichkeit a fur zweiseitige Fragestellungen
0,01 31,821 6,965 4,541 3,747 3,365 3,143 2,998 2,896 2,821 2,764 2,718 2,681 2,650 2,624 2,602 2,583 2,567 2,552 2,539 2,528 2,508 2,492 2,479 2,467 2,457 2,423 2,390 2,358 2,326 0,02
0,005 63,657 9,925 5,841 4,604 4,032 3,707 3,499 3,355 3,250 3,169 3,106 3,055 3,012 2,977 2,947 2,921 2,898 2,878 2,861 2,845 2,819 2,797 2,779 2,763 2,750 2,704 2,660 2,617 2,576 0,01
Das Konfidenzintervall fur die Messwerte ist weiter als das fur die Regressionsgerade, da zu der Var(y) noch s2 addiert werden muss, also s(l+l/N+Ax2/ZAx2j)1/2 fur sy eingesetzt wird: = b0+b1x±ta;Fsy[l
( x - x ) 2 / N s x 22 ] 1 / 2
(5.29)
Die Breite des Konfidenzintervalles ist von x abhangig und ist am kleinsten beim Mittel. Fur die lineare Regression HWNeunkirchen = 0,304+1,450 HWOttweiier berechnen sich die Konfidenzintervalle der Regressionsgeraden fur a = 95 % zu (t^siio) = 2,23 bei zweiseitiger Fragestellung): s =0,746[ll(l-0,9909 2 )/10] 1 / 2 =0,1053,
212
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
s x =0,510[12/ll] 1 / 2 =0,5327, Konf(y G ) = 0,304 + l,450x±0,0683[l + 3,5517(x-l,940) 2 ] 1/2 . Durch Einsetzen von Werten x wird der Konfidenzbereich punktweise ermittelt; z.B. flir dasMittel y = 3,117: Konf(y G ) = 3,117 ±0,0683 = 3,05 bzw. 3,18m. Fiir die Messwerte berechnen sich die Konfidenzgrenzen zu: Konf (y w ) = 0,304 + l,450x ± 0,2346 [1,0833 + 0,2937(x - 1 , 9 4 0 ) 2 ] 1 / 2 . Der Konfidenzbereich beim Mittel betragt: Konf(y w ) = 3,117±0,2561 = 2,86 bzw. 3,37m.
5.2 Anwendung der Korrelationsrechnungen 5.2.1 Korrelationskoeffizienten und ihre Bewertung Der totale Korrelationskoeffizient r^ als Quotient von Kovarianz und Produkt der Standardabweichungen driickt das MaB der Straffheit des Zusammenhangs zwischen zwei Zufallsvariablen aus. Werden zwei Stichproben, die aus nicht miteinander korrelierten Grundgesamtheiten stammen (Korrelationskoeffizient der Grundgesamtheit p = 0), miteinander korreliert, wird dennoch in vielen Fallen ein Korrelationskoeffizient r * 0 errechnet. Es wird dann mit dem t-Test gepriift, ob der Korrelationskoeffizient der Stichprobe signifikant von Null verschieden ist. Bei kleinen Werten von r wird p = 0 als Nullhypothese angenommen. Ist p * 0, gehorcht die Menge t o = | r | - [ F / ( l - r 2 ) ] 1 / 2 mit F = N - 2
(5.30)
einer t-Verteilung (Tab. 5.6). Beim t-Test fiir den einfachen Korrelationskoeffizienten wird die Hypothese Ho fur p = 0 verworfen, wenn t0 > t(a;F) nach Tab. 5.6 ist. Der Freiheitsgrad betragt F = N-2. Bei groBen Stichprobenumfkngen (N > 120) kann man anstelle von Tab. 5.5 die Signifikanzschwellen der Standardnormalverteilung benutzen (vgl. Tab. 4.1). Ist r > 0, konnen qualitative Bewertungsmassstabe angegeben werden (Tab. 5.2). Bei groBeren Werten von r wird als Nullhypothese p ^ 0, angenommen und dies mit dem F-Test geprtift. Ist der Korrelationskoeffizient r * 0 , weicht seine Verteilung umso starker von der Normalverteilung ab, je kleiner N und je grolter I r I sind. Die Annaherung an die Normalverteilung erfolgt durch die Transformation z = tanh"'r von R.A. Fisher [5.1] (Tab. 5.7). Fiir z wird gesetzt:
5.2 Anwendung der Korrelationsrechnungen
213
Tabelle 5.7. Korrelationskoeffizient r in Abhangigkeit von der HilfsgroBe z (zitiert nach R.A. Fisher [5.1]) z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
0,000 0,0000 0,0997 0,1974 0,2913 0,3800 0,4621 0,5370 0,6044 0,6640 0,7163
0,01 0,0100 0,1096 0,2070 0,3004 0,3885 0,4699 0,5441 0,6107 0,6696 0,7211
0,02 0,0200 0,1194 0,2165 0,3095 0,3969 0,4777 0,5511 0,6169 0,6751 0,7259
0,03 0,0300 0,1293 0,2260 0,3158 0,4053 0,4854 0,5580 0,6231 0,6805 0,7306
0,04 0,0400 0,1391 0,2355 0,3275 0,4136 0,4930 0,5649 0,6291 0,6858 0,7352
0,05 0,0500 0,1489 0,2449 0,3364 0,4219 0,5005 0,5717 0,6351 0,6911 0,7398
0,06 0,0599 0,1586 0,2543 0,3452 0,4301 0,5080 0,5784 0,6411 0,6963 0,7443
0,07 0,0699 0,1684 0,2636 0,3540 0,4382 0,5154 0,5850 0,6469 0,7014 0,7447
0,08 0,09 0,0798 0,0898 0,1781 0,1877 0,2729 0,2821 0,3627 0,3714 0,4462 0,4542 0,5227 0,5299 0,5915 0,5980 0,6527 0,6584 0,7064 0,7114 0,7531 0,7574
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9
0,7616 0,8005 0,8337 0,8617 0,8854 0,9051 0,9217 0,9354 0,9468 0,9562
0,7658 0,8041 0,8367 0,8643 0,8875 0,9069 0,9232 0,9366 0,9478 0,9570
0,7699 0,8076 0,8397 0,8668 0,8896 0,9087 0,9241 0,9379 0,9488 0,9579
0,7739 0,8110 0,8426 0,8692 0,8917 0,9104 0,9261 0,9391 0,9498 0,9587
0,7779 0,8144 0,8455 0,8717 0,8937 0,9121 0,9275 0,9402 0,9508 0,9595
0,7818 0,8178 0,8483 0,8741 0,8957 0,9138 0,9289 0,9414 0,9517 0,9603
0,7857 0,8210 0,8511 0,8764 0,8977 0,9154 0,9302 0,9425 0,9526 0,9610
0,7895 0,8243 0,8538 0,8787 0,8996 0,9170 0,9316 0,9436 0,9535 0,9618
0,7932 0,8275 0,8565 0,8810 0,9015 0,9186 0,9329 0,9447 0,9544 0,9625
0,7969 0,8306 0,8591 0,8832 0,9033 0,9201 0,9341 0,9458 0,9553 0,9633
2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9
0,9640 0,9704 0,9757 0,9801 0,9836 0,9866 0,9890 0,9910 0,9926 0,9939
0,9647 0,9710 0,9762 0,9804 0,9839 0,9868 0,9892 0,9911 0,9927 0,9940
0,9654 0,9715 0,9766 0,9808 0,9843 0,9871 0,9894 0,9913 0,9929 0,9942
0,9660 0,9721 0,9771 0,9812 0,9846 0,9873 0,9896 0,9915 0,9930 0,9943
0,9667 0,9726 0,9775 0,9816 0,9849 0,9876 0,9898 0,9917 0,9932 0,9944
0,9673 0,9732 0,9780 0,9819 0,9852 0,9878 0,9990 0,9918 0,9933 0,9945
0,9680 0,9737 0,9784 0,9823 0,9855 0,9882 0,9902 0,9920 0,9934 0,9946
0,9686 0,9742 0,9788 0,9826 0,9857 0,9883 0,9904 0,9921 0,9935 0,9947
0,9692 0,9747 0,9792 0,9830 0,9860 0,9885 0,9906 0,9923 0,9937 0,9948
0,9698 0,9752 0,9797 0,9833 0,9863 0,9888 0,9908 0,9924 0,9938 0,9949
z = - - l n [ ( l + r)/(l-r)]=tanh"1r. (5.31) 2 Mit der Standardabweichung sz = 1/(N-3)1/2 erhalt man die obere bzw. untere Konfidenzgrenze fllr den Korrelationskoeffizienten zu: Konf(z o ) = z + t ( a ; F ) s z
und Konf(zu) = z - t ( a ; F ) s z .
(5.32)
Fur N > 100 entspricht t(a;p) den Werten der Normalverteilung (Tab. 5.6). Die Konfidenzgrenzen werden Gl.(5.32) fur z berechnet. AnschlieBend erfolgt die Riicktransformation r = tanh z mit Tab. 5.7. Die z-Transformation kann benutzt werden, um Korrelationskoeffizienten, die aus zwei unterschiedlich groften Stichproben berechnet werden, miteinander zu vergleichen [5.1]. Liegen Korrelationen zwischen mehreren Variablen x, y und z vor, kann der Korrelationskoeffizient r auf verschiedene Weise gebildet werden (Ableitung z.B. in [5.1, 5.16]). Wenn mit rxy der Korrelationskoeffizient zwischen x und y bezeichnet wird und mit r^ bzw. ryz die jeweils paarweisen Korrelationskoeffizienten
214
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
zwischen x bzw. y und z, so ergibt sich der partielle Korrelationskoeffizient zwischen x und y bei Konstanthaltung von z zu: r
xy ~ rxzryz
_
r
yx ~ rzxrzy
_
rxyjZ
.
.,
Der partielle Korrelationskoeffizient bestimmt die Beziehung zwischen zwei normalverteilten Variablen unter Ausschaltung des Einflusses der dritten Variablen. Da der partielle Korrelationskoeffizient den Zusammenhang zwischen der abhangigen und einer beliebigen unabhangigen Variablen ausdriickt, wird er bei Konstanthaltung von y bzw. x durch zyklische Vertauschung der Indizes erhalten. Die Konstanthaltung von y ergibt: r
y
xz~rxyryz 2
_ 2
"• " [d-r xy )(l-r yz )f
r
zx- r zy r xy
,
2
Die Konstanthaltung von x ergibt: b
Formeln fur partielle Korrelationskoeffizienten mit mehr als drei Zufallsvariablen sind z.B. in [5.1, 5.17, 5.18] angegeben. Der partielle Korrelationskoeffizient kann Werte zwischen -1 < r < 1 annehmen und sein Vorzeichen entspricht dem des Regressionskoeffizienten. Die Berechnung des partiellen Korrelationskoeffizienten verschafft AufschluB ilber die gegenseitige Bedeutung der Variablen. Der partielle Korrelationskoeffizient gibt die Gtite des Zusammenhangs zwischen zwei Variablen in einer Mehrfachregression zuverlassiger wieder als der totale. Der partielle Korrelationskoeffizient wird wie der totale geprilft, jedoch wird der Freiheitsgrad fur jede ausgeschaltete Variable um den Wert 1 verringert. Die Abhangigkeit der Variablen x von den anderen Zufallsvariablen y und z wird durch den multiplen Korrelationskoeffizienten rxyz, der zwischen 0 und 1 liegt, ausgedruckt:
rxy,2= r x y I
+rxZ J r
^ yz
H
J
^-OVXl-O]"2.
(5.34)
Die anderen multiplen Korrelationskoeffizienten werden durch zyklische Vertauschung erhalten. Bei vier Variablen ko'nnen partielle Korrelationskoeffizienten zweiter Ordnung gebildet werden (Formelzusammenstellungen s. [5.1, 5.16, 5.17]). Ob der multiple Korrelationskoeffzient r signifikant von Null verschieden ist, wird mit dem F-Test gepruft, dessen Testgr6Be Fo lautet [5.1]:
5.2 Anwendung der Korrelationsrechnungen
215
Tabelle 5.8. Signifikanzschranken der F-Verteilung (zitiert nach R.A. Fisher [5.1]). Bei Uberschreitung des Tabellenwertes ist der Effekt signifikant mit der Irrtumswahrscheinlichkeit
v2
5 6 7 8 9 10 12 14 16 18 20 22 24 26 28 30 40 60 120 00
V! = 1
4,06 3,78 3,59 3,46 3,36 3,29 3,18 3,10 3,05 3,01 2,97 2,95 2,93 2,91 2,89 2,88 2,84 2,79 2,75 2,71
a = 10% =2 =3 3,62 3,78 3,29 3,46 3,07 3,26 2,92 3,11 3,01 2,81 2,92 2,73 2,61 2,81 2,52 2,73 2,46 2,67 2,42 2,62 2,38 2,59 2,35 2,56 2,54 2,33 2,31 2,52 2,29 2,50 2,28 2,49 2,44 2,23 2,18 2,39 2,13 2,35 2,08 2,30
0
a = 5% 6,61 5,99 5,59 5,32 5,12 4,96 4,75 4,60 4,49 4,41 4,35 4,30 4,26 4,23 4,20 4,17 4,08 4,00 3,92 3,84
=3 5,41 4,76 4,35 4,07 3,86 3,71 3,49 3,34 3,24 3,16 3,10 3,05 3,01 2,98 2,95 2,92 2,84 2,76 2,68 2,60
5,79 5,14 4,74 4,46 4,26 4,10 3,89 3,74 3,63 3,55 3,49 3,44 3,40 3,37 3,34 3,32 3,23 3,15 3,07 3,00
r2 (r*-(k-u) -1) (k-u) (1-r 2 )
v2
r2
Vl
(1-r 2 )
v, = 1 16,26 13,75 12,25 11,26 10,56 10,04 9,33 8,86 8,53 8,29 8,10 7,95 7,82 7,72 7,64 7,56 7,31 7,08 6,85 6,63
a = 1% =2 13,27 10,92 9,55 8,65 8,02 7,56 6,93 6,51 6,23 6,01 5,85 5,72 5,61 5,53 5,45 5,39 5,18 4,98 4,79 4,61
=3 12,06 9,78 8,45 7,59 6,99 6,55 5,95 5,56 5,29 5,09 4,94 4,82 4,72 4,64 4,57 4,51 4,31 4,13 3,95 3,78
•
Der Freiheitsgrad V] entspricht der Anzahl der Zufallsvariablen k minus der Zahl der Einflussgrofie (= unabhangige Variable) u, d.h. V] = 2 fur x, y oder x, z oder y, z. Der Freiheitsgrad v 2 = N - v r l beriicksichtigt die ausgeschalteten Variablen mit, also z, y oder x bei der Korrelation zwischen drei MessgrOBen x, y, z. Uberschreitet der Betrag von F den Wert von Tab. 5.8, ist er signifikant verschieden von Null mit der statistischen Sicherheit 1-oc. Ist r , ^ = 0, beruht die Korrelation zwischen x und y nur auf einer gemeinsamen Beeinflussung durch z. Bei einfacher Korrelation ist Vi = 1 und u = 0. Als Beispiel fur partielle und multiple Korrelationskoeffizienten soil filr einen Hochwasserrilckhaltepolder geklart werden, in welchem Zusammenhang Hochwasserscheitelabfluss HQ, Hochwasserftille S und Basisabfluss QB am Pegel Uptloh/Lager Hase (AEo = 515 km2) stehen. Gegeben sind von 33 Hochwasserereignissen (partielle Serie) die Hochwasserscheitelabflusse HQ in m3/s (= x), die HochwasserfUUe S in hm3 (= y) und der Basisabfluss QB in m3/s (= z) zu Beginn des Hochwassers (Tab. 5.9). Gesucht ist die Abhangigkeit aller GroBen voneinander. Die Berechnung wird in folgenden Schritten vorgenommen: 1) Berechnen der totalen Korrelationskoeffizienten fiir die drei Variablen nach Gl.(5.8) ergibt
216
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
rxy =0,94451, rxz = -0,09826 und ryz =-0,13310. Der Test der Korrelationskoeffizienten erfolgt nach der t-Verteilung fur a = 5 % und F = N - 2 = 31. Fur to wird gesetzt (Gl.(5.30)): to=|r|[(N-2)/(l-r2)]1/2>t(a;F). Fur rxy wird to = 16,01 > t(o,O5;31) = 2,04 (Tab. 5.6, zweiseitige Fragestellung) und der Zusammenhang zwischen Hochwasserscheitelabfluss und -fulle bestatigt. Filr r^ wird mit t0 = 0,56 < 2,04 und fur ryz wird mit t0 = 0,74 < 2,04 kein Zusammenhang bezuglich Fulle und Basisabfluss bestatigt. Anstelle des Werts to kann auch durch Auflosung von Gl.(5.30) nach r ein Korrelationskoeffizient f(a;t) verwendet werden, dessen GroBe erreicht sein muss, um den Test anzunehmen. Tabellen von f in [5.1, 5.16]. 2) Berechnung der Konfidenzintervalle des Korrelationskoeffizienten r mit der z-Transformation nach Gl.(5.32): Mit zo,u = z ± 2,04/(30)1/2 wird erhalten fur rxy = 0,994451: z o u = 1,7783 ±0,3724. Fur z0 = 2,15 wird r0 = 0,9732 und fur zu = 1,41 wird ru = 0,8875 (Tab. 5.7). Die Konfidenz•elationskoeffizienten rxy lauten: intervalle fur den Korrelationskoeffizienten ru = 0,888 < rxy < -0,945 < r0 = 0,973. Die Konfidenzgrenzen -0,26
V «=
^ ¥ l 7 7 = ^ ^ % J ' 0,94436, [(l-r x z )(l-r y z )] (0,97280)1/2
-
^ - ^ - ° ' ° 2 7 4 5 =0,08432, [ ( l - r x y 2 ) ( l - r y z 2 ) ] 1 / 2 (0,10599)1/2
yZ>X
-
[a-r^ja-rxz2)]1'2
° ' 0 4 0 2 4 =0,12325. (0,10686)1/2
4) Testen der partiellen Korrelationskoeffizienten nach demselben Verfahren wie fur die Korrelationskoeffizienten nach 2): Der Freiheitsgrad F betragt F = N-2-m bzw. F = 33-2-1 =30, wobei m die Anzahl der Zufallsvariablen ist, die konstant gehalten werden. Der t-Test fur fur rxy z angenommen. Fur den Konfidenzbereich von ry2X erhalt man mit z ou = z ± 2,04/(30)1/2: 0,885 < rxyz = 0,9444 < 0,973. Fur ryZ]X erhalt man sehr groBe Konfidenzintervalle von -0,2449 < ryzx = 0,12325 < ro = 0,4621.
5.2 Anwendung der Korrelationsrechnungen
217
Tabelle 5.9. Hochwasserscheitel HQ in m3/'s, HW-Fulle S in hm3 und Basisabfluss QB in m3/s am Pegel Uptloh , Lager Hase Nr.
S hm3 5,87 21,99 4,58 3,81 3,19 5,00 22,40 2,83 8,03 9,06 4,43
HQ
nrVs 1 2 3 4 5 6 7 8 9 10 11
27,1 54,5 24,0 20,7 16,3 21,9 54,5 16,7 26,6 33,0 20,0
QB m3/s 2,38 4,34 5,41 5,77 3,55 8,66 5,14 7,49 5,15 10,6 14,2
Nr. 12 13 14 15 16 17 18 19 20 21 22
HQ m3/s 21,7 33,4 19,9 17,6 19,8 11,3 21,6 17,3 19,1 29,3 29,8
S hm3 6,49 17,72 6,80 6,18 9,06 2,73 7,47 7,83 6,59 7,78 12,88
Nr.
QB m3/s 11,0 6,68 13,2 2,26 6,46 5,22 5,39 2,36 4,28 11,4 6,60
HQ
nvVs 23 24 25 26 27 28 29 30 31 32 33
10,5 15,9 22,3 16,9 21,7 25,4 52,1 18,7 19,6 17,7 56,9
S hm3 1,18 2,63 6,80 7,73 5,87 10,8 23,1 5,36 5,41 4,69 24,82
QB m3/s 3,86 7,75 3,78 9,23 6,58 27,99 24,73 10,10 1,84 6,34 4,76
Das Ergebnis bestatigt die Aussage der totalen Korrelationskoeffizienteni, wonach Hochwasserscheitel und -fulle sijgnifikant voneinander abhangeri. Der IBasisabfluss ist von beiden GroBen unabhangig. Ihre Abhangigkeit ist in einer linearen Regression einschlieBlich der Konfidenzbereiche nach den Gln.(5.27, 5.29) in Bild 5.6 dargestellt. Durch die partiellen Korrelationskoeffizienten wird diese Tendenz bestatigt. 5) Es soil mit dem multiplen Korrelationskoeffizienten gepruft werden, ob jeweils zwei der drei Variablen gleichzeitig von Einfluss auf die dritte sind. Dazu werden die multiplen Korrelationskoeffizienten nach Gl.(5.34) berechnet:
1
2
2
\ 1/2
r
xy + r xz - 2r xy r xz r yz
l-r y z 2
f 0,87705 Y
J
K ^ - y ^ y>
[
\-rJ
, ,-.
l0,9822 8 J
rwssin J
10,99034 J
( 1 2_2 \V2 f r r yrxzryz x vz = T " 2 + ^ " = ' X>yZ
[
l-r x y
2
J
=0;94538,
0267
xl/2 =0,157172.
l0,10790j
6) Testen des multiplen Korrelationskoeffizienten mit dem F-Test fur a = 5%. Die Zahl der Zufallsvariablen betragt k = 3, die der EinflussgroBen (= unabhangige Variablen) u = 2. Die TestgroBe lautet nach Gl.(5.35): c
*°
_
r2 (N-(k-u)-l) (1-r2) (k-u)
v2 r2 v, ( i _ )
mit vi = 3 - 1 = 2, V2 = 33 - (3 - 1) - 1 = 30 und F(5o/o;2;3o) = 3,32 (Tab. 5.7).
F
x,yz = -
l
*~ r x,yz
- F (a;vi;v 2 )^ Fx,yz = 125,02 > 3,3 1,
J 2
218
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
50-
95 % Vertrauensbereich: © der Messwerte © der Regression r = 0,945 o Messwerte
30-
20"
10-
20
30
40
50
Rechnung
Abb. 5.6. Linearer Zusammenhang zwischen Hochwasserscheitel und -dauer am Pegel Uptloh/Lager Hase mit Konfidenzbereichen F
y,xz=
F
ry> ° 2 • ^ ^ F ( a ; v i ; v 2 ) ; F y x z = 126,17 > 3,31, V l-r y > xz 2
z,xy
F - F ((a;vi;v2)' z,xy = 0,3 8 < 3,31.
Die KorrelationskoefFizienten sind von Null verschieden. Es besteht keine Abhangigkeit zwischen Basisabfluss und Hochwasser. Ein straffer Zusammenhang besteht zwischen Hochwasserscheitel und -fulle.
5.2.2 Scheinkorrelation Eine straffe Korrelation zwischen zwei Variablen schlieBt nicht notwendigerweise eine Ursache-Wirkung-Beziehung zwischen den Variablen ein. Zwar sind voneinander unabhangige Variable nicht miteinander korreliert, jedoch mussen nicht korrelierte Variable nicht unabhangig voneinander sein, da die Abhangigkeit von korrelierten Variablen stochastisch ist. Als Scheinkorrelation wird ein mathematisch formaler Zusammenhang zwischen zwei Variablen bezeichnet, die nicht miteinander korreliert sind.
5.2 Anwendung der Korrelationsrechnungen
^ —
219
Ausgleichsgerade \
oo o^ ^
i
ct&dTb I Hochwasserbereich r H0 = °
Niedrigwasserbereich
Abfluss im Fluss A in m3/s
Abb. 5.7. Scheinbare Korrelation zwischen den Abflilssen in den Fliissen A und B durch Verwendung von heterogenen Datengruppen (Klumpung) Bei Korrelationsuntersuchungen sollen homogene Daten verwendet werden, die ilber den zu untersuchenden Bereich der Werte moglichst gleichmaBig verteilt sind. Bei Datenkollektiven von heterogener Struktur konnen scheinbar straffe Zusammenhange berechnet werden. Weisen Daten Haufungen (Klumpungen, Cluster) in mehreren Gruppen auf, konnen in den einzelnen Datenanhaufungen keine Zusammenhange bestehen, fur das gesamte Kollektiv wird jedoch ein scheinbar straffer Zusammenhang berechnet. So kann sich zwischen niedrigsten und hochsten Monatsabfliissen an zwei Pegeln, die in hydrologisch unterschiedlichen F/lussgebieten liegen, eine straffe Korrelation ergeben (Bild 5.7). Diese Scheinkorrelation ist umso straffer, je weiter die beiden Extremwertkollektive auseinander liegen. Formale Korrelationen infolge von Datenklumpungen konnen durch graphische Darstellung des Datenkollektivs und Ermittlung der Korrelationskoeffizienten der einzelnen Datenanhaufungen verhaltnismaBig einfach erkannt werden. Formale Korrelationen ("Indexkorrelationen") konnen auch auf unerkannte Weise erhalten werden, wenn die Variablen nicht direkt als absolute Gro'Ben sondern als relative Werte bezogen auf eine dritte Gro'Be z.B. als Quotient in die Rechnung eingehen. In diesen Fallen hangen beide Gro'Ben von einem dritten Merkmal ab. Ist auBerdem die Streuung der Variablen, die unerkannt mehrfach in die Berechnung eingeht, groB, werden besonders hohe Korrelationen vorgeta'uscht. Bei der Verwendung von relativen Werten, die in der Hydrologie und Hydraulik fur Vergleichsbetrachtungen benutzt werden, ist vorab mit Hilfe der Dimensionsanalyse zu prtifen, ob die zu korrelierenden Gro'Ben eine oder mehrere gemeinsame GroBen enthalten. Fur zwei Variable Xj und x2 mit a x . = ax. und r (x1; x2) betragt die Korrelation r(x2-xb x2) nach Gl. 4.20: r(x2-xi, x2) = -Vo,5 [1-r (x,, x2)], so dass fur im Fall r(x h x2) = 0 rein formal erhalten wird r (x 2 -x h x2) = -0,71.
220
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Tabelle 5.10. Korrelationskoeffizienten bei Verwendung von Verhaltniswerten als Variable und Sonderfalle (Scheinkorrelationen) nach [5.19] Fall; graphische Darstellung Verhaltniswerte mit gleichem Zahler (y-Achse: y =
Korrelationskoeffizient rvz (angenahert) -r14CiC4+C2
X]/x2, z-Achse: z = Xj/x4
2
+ C 4 2 -2r 1 4 C!C 4 ) 1 / 2
-
Sonderfall: r l2 = r14 = r24 = 0: fuhrt zur
LOsung fur
Cj = C2= C4: C,= 2C2= 2C4: Q = 3C2 = 3C4:
Verhaltniswerte mit gleichem Nenner (y-Achse: X!/x2, z-Achse x3/x2):
ryz = 0,5, ryz = 0,8, ryz = 0,9. r
(C, + C 2 2 -2r 1 2 C 1 C 2 ) 1 / 2 (C 2 2 +C 3 2 -2r 2 3 C 2 C 3 ) 1 / 2
Sonderfall: r12 = r13 = r23 = 0:
Losung fur
13 C l C 3 ~ r 1 2 C l C 2 ~ r 2 3 C 2 C 3 ~ r 2 3 C 2 C 3 '
2
C, = C 2 = C3: C 2 = 2C,= 2C3: C 2 = 3C,= 3C3:
Zahler von z gleich Nenner von y (y-Achse: Xi/x2, z-Achse: x2/x4):
C, (C12+C22)1/2(C22+C32)1/2
y
ryz = 0,8, ryz = 0,9. - C2 2
+ C 2 -2r 1 2 C 1 C 2 )
Sonderfall: r12 = r14 = r24 = 0:
1/2
2
(C 2 + C 4 - 2 r 2 4 C 2 C 4 ) 1 / 2
-C, (C,2+C22)1/2(C22+C42)1/2
Losung fur
C, = C2 = C4: C 2 = 2C,= 2C4: C 2 = 3C,= 3C4:
ryz = -0,5, ryz = -0,8, ryz = -0,9.
r Verhaltniswert mit eigenem Nen12 C l ~ ner (y-Achse: x,/x2, z-Achse: X! (C,2+C22-2ri2C1C2)1/2 oder y-Achse l/x b z-Achse::
Sonderfall r12 = 0: 2
Losung fur
C, =
fuhr zur
C2: 2C2: 3C2:
r^—0,71, ryz = -0,89, rvz = -0,95.
fuhrt zur
2
fuhrt zur
5.2 Anwendung der Korrelationsrechnungen
221
Die Zusammenhange zwischen den einzelnen Variablen, die als relative GroBen verwendet werden, und dem Korrelationskoeffizienten wurden bereits von Pearson untersucht [5.2, 5.18, 5.19]. Werden vier unabhangige Zufallsvariable Xi, x2, x3 und x4 betrachtet, besteht zwischen den Quotienten y = x,/x2 und z = X3/X4 folgender Korrelationskoeffizient ryz: r r
13 C l C 3 ~ r 14 C l C 4 ~ r 23 C 2 C 3 + r 24 C 2 C 4
^ 3^
T]2: Korrelationskoeffizient zwischen Xi und x2; r12 = s122/S]S2; usw., Ci: Variationskoeffizient von x^ C)=Si/x"i; usw., Mittel von Xj/x2: y «(xj / x 2 )(l + C 2 2 - ri 2 C 1 C 2 ), Standardabweichung von Xj/x 2 : s y « x 1 / x 2 ( C ] +C 2 -2ri 2 CiC 2 ) Es wird ryz = 0, wenn r13 = r14 = r23 = r24 = 0. In diesem Fall liegt keine Korrelation vor. Scheinkorrelationen zwischen den GroBen Xi, x2, x3, X4 konnen entstehen, wenn eine Variable in der anderen implizit enthalten ist. Der Korrelationskoeffizient nach Gl.(5.36) nimmt bei bestimmten Verhaltnissen des Variationskoeffizienten der einzelnen Variablen, die nicht miteinander korreliert sind, aber unerkannt in den GroBen y und z auftauchen, Werte von 0,5 < ryz < 0,95 an (Tab. 5.10). Ist der Variationskoeffizient der Variablen xi, x2 etwa gleich und wird eine dritte Variable x3 in beiden zu korrelierenden GroBen gemeinsam verwendet, betragt der Korrelationskoeffizient > 0,5. Das gemeinsame Element kann im Zahler der Variablen y = x,/x2 und z = X1/X4 enthalten sein, wenn die Korrelation ryz zwischen y und z gebildet wird und fur die graphische Darstellung ebenfalls nur die GroBen y und z verwendet werden. Wenn die gemeinsame Variable einen Variationskoeffizienten aufweist, der dreimal so groB ist wie von den beiden zu korrelierenden Variablen, wachst der Korrelationskoeffizient bis auf 0,95 unabhangig davon, ob das gemeinsame Element im Zahler oder Nenner enthalten ist. Andererseits wird ryz = 0,5 und nicht ryz = 1, obwohl die Korrelations- und Variationskoeffizienten sich gleichen (Tab. 5.10). Bei den Formeln in Tab. 5.10 wurde davon ausgegangen, dass ho'here Potenzen als Cv2 zu Null gesetzt werden konnen. Bei der dritten Moglichkeit von Scheinkorrelation weisen die Variablen gemeinsame Summanden auf. Die GroBen x und y sind nicht korreliert; es wird jedoch x mit x+y korreliert. Der Korrelationskoeffizient betra'gt: r y z =l/[(l + ( s x / s y ) 2 ) ] 1 / 2 .
(5.37)
Fur (sx/sy) ~ 1 ergibt sich ein Korrelationskoeffizient von r = 0,71. Als Beispiel soil der Zusammenhang zwischen effektivem Niederschlag und Ruckhalt in einem Flussgebiet aufgezeigt werden, wenn beide Variablen als relative Grdfien verwendet werden (Bild 5.8). Der effektive Gebietsniederschlag Neff in einem Flussgebiet sei Neff = A+R. Mit A wird die jahrliche Abflusshohe und mit R die Rucklage bezeichnet. Wird die Rucklage R als Bruchteil des mittleren Abflusses A ausgedriickt, also R/A, und gegen die
222
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
» = *
y = 0,563 (x-1
0.40
0.00 r = 0,461 CA =0,163 C N r t l = 0,241
-0.40
_J
-0,80
1
0.8
_
1.2
2.0
Abb. 5.8. Lineare zwischen Rilcklagen R als Verhaltniswert des mittleren jahrlichen Abflusses A und effektiven Niederschlags Neff = A+R als Verhaltnis des mittleren effektiven Niederschlags N e f f
Tabelle 5.11. Naherungswerte flir den Korrelationskoeffizienten ryz bei Verwendung von Produkten als Variable und Sonderfalle (Scheinkorrelationen) nach [5.19] Fall; graphische Darstellung Produkte mit gemeinsamen Nenner (y-Ach z-Achse x3x2):
Korrelationskoeffizient rvz (angenahert) + C2 2
2
(C, + C 2 +2r 1 2 C,C 2 )
1/2
2
2
(C 2 + C 3 + 2 r 2 3 C 2 C 3 ) 1 / 2
Sonderfall: r12 = r13 = r23 = 0: (C,2+C22)1/2(C22+C32)1/2 Losung fflr C, = Ci= C2= C2=
C2 = 2C,= 3C,= 3Ci
C3: 2C3: 3C3: 3C3:
Koefflzient als gemeinsame Variable (y-Achse: x,x2, z-Achse: x2)
ryz = 0,5, ryz = 0,8, ryzy z =0,85, r =0,9.
(C12+C22+2r12C1C2)1/2
Sonderfall r12 = 0 Tyz
Losung fur
C, = C2: C2:
c2 (c,2 + Cl2)1/2
ryz = 0,71, r v z >0,71.
fuhrt zur
fuhrt zur
5.2 Anwendung der Korrelationsrechnungen
1
1
0)
1 -
l
A/N a 0,184.0,00077 'N r = 0,037 c^A/N) = 1.13 C V ( N ) = 0,62
O5
sz o £ o>
1
i
15- E c
X
0,5-
223
|,of-
i
A =-0.789, 0.248 N r . 0,570 c v (A) = 1,32 cv(N)=0,62
X X
X
X X
X
v
y, X
0
X 1 *
X
*
s*X X *L
10
i
20
i
30
40
10
Niederschlag N in mm
I
1,0-1
en JS x: o
20
30
40
Niederschlag N in mm
A/N =O,319-O,00867(M-A) r =-0,345 CV(A/N) =1,13 CV(N-A) =0,64
E c
I
40-
I
I
I
I
I
I X
N-A» 0,789. 0,752-N r=0,903 C V (N-A).Q64 c»(N) =0,62
"S
1 < 10
20
30
40
Niederschlag - Abfluss N-A in mm
10
20
30
40
Niederschlag N in mm
Abb. 5.9. Veranderung des Korrelationskoeffizienten bei Niederschlag-Abflussereignissen; a) durch Verwendung des Ruckhalts (N-A) anstelle des Abflusses, b) durch Benutzung des Abflussbeiwerts A/N in Abhangigkeit vom Ruckhalt (unteres Bild) relative GroBe des effektiven Niederschlags als Bruchteil des mittleren jahrlichen Effektivniederschlags, also Nefl/Neff aufgetragen, erhalt man Korrelationskoeffizienten, die vom Verhaltnis der Variationskoeffizienten CA und CNeff abhangen (Tab. 5.9). Im Beispiel ist CNefl/CA = 0,241/0,163, d.h CNeff » 1,5CA. Diese Scheinkorrelation wird verursacht, da R / A mit (A + R) / A korreliert wird. Der Schluss aus dieser Korrelation, dass die Riicklage von der Hohe des Effektivniederschlags des Vorjahres abhangt, ist daher nicht zulassig. Eine scheinbare Verbesserung der Korrelationen zwischen Niederschlag und Abfluss lasst sich haufig erreichen, wenn der Abfluss indirekt zur Niederschlagsho'he in Abhangigkeit gebracht wird (Bild 5.9).
224
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Bei der vierten MOglichkeit, Scheinkorrelationen zu erhalten, werden gemeinsame variable Faktoren verwendet. FUr das Mittel des Produkts X]X2 kann angenahert y «XjX 2 (l+ r 12 CiC 2 )und fur die Standardabweichung des Produktes XiX2: sy«xix2(Ci
+ C 2 +2ri 2 C 1 C 2 ) 1
gesetzt werden. Zwischen den Produkten y
und z = X3X4 besteht dann folgender Zusammenhang: _ rvz vz
r
r
(q
7 2
13 C l C 3 + r 1 4 C l C 4 7 TT1/2 2
+ C 2 + 2r 12 C 1 C 2 )
n
T 2
7
2
T7T1/2
p.Jo;
(C 3 + C 4 + 2r 3 4C 3 C 4 )
FUr die Produkte zwischen den Variablen Xj, ..., X4 lassen sich bei entsprechender Anordnung der Variablen hohe Korrelationskoeffizienten berechnen (Tab. 5.11). Werden die unkorrelierten GroBen X] und X3 mit einer unkorrelierten GrOBe x2 multipliziert, erhait man formal zwischen den beiden Produkten ein Korrelationskoeffizienten von r = 0,5, wenn die drei Variationskoeffizienten ungefahr gleich sind. 1st der Variationskoeffizient C2 der Variablen x2, die als gemeinsamer Faktor verwendet wird, doppelt so hoch wie Q und C3 wird ein Korrelationskoeffizient von r = 0,8 berechnet. 5.2.3 Autokorrelation und Kreuzkorrelation Fur die Strukturanalyse von stochastischen Prozessen wird der einfache Iineare Korrelationskoeffizient zwischen aufeinanderfolgenden Werten eines Prozessablaufes beno'tigt (Autokorrelation) oder zwischen aufeinanderfolgenden Werten von zwei zeitgleich ablaufenden Variablen (Kreuzkorrelation). Die Autokorrelation stellt Iineare Zusammenhange der ZufallsgroBe x(t) innerhalb einer Zeitreihe fest. Dazu wird eine Zeitreihe um ein Zeitintervall t gegen sich selbst verschoben und mit der Ausgangsreihe korreliert. Der Autokorrelationskoeffizient wird als Produktmomentenkoeffizient gebildet und lautet fur die Grundgesamtheit und die Zeitverschiebung: p Cov(x(t),x(t + T)) T [Var(x(t))Var(x(t + x))] 1 / 2 ' Gleichung (5.39) wird auch als Autokorrelationsfunktion oder als standardisierte Autokovarianzfunktion bezeichnet. Durch die Division durch die Standardabweichungen hebt sich die MaBeinheit der Kovarianz in Gl. (5.39) heraus. Der dimensionslose Autokorrelationkoeffizient wird insbesondere bei der Verwendung von endlichen Zeitreihen als Reihenkorrelationskoeffizient bezeichnet. Der Autokorrelationskoeffizient ist ein MaB fur den linearen Zusammenhang der (Zufalls-) GrOBen Xj und xi+k. Er betragt fur eine Stichprobe und die Zeitverschiebung k nach Gl.(5.39): N-k I(Xj-Xj(x i + k - X i
rk=-isi
s s
i i+k
+ k)
mit-l
(5.40)
5.2 Anwendung der Korrelationsrechnungen
225
Fur Tabellenrechnungen wird Gl.(5.40) umgeformt in: N-k N-k
N-k
Z rk
1/2
1
Zxi Zx i + k /(N-k) i-i i=i J
N-k - / N - k I X j 2 - I X j | /(N-k) | i=l lj= k 4
N-k
Y /'N-k
Zx i + k i=k+l
-
/(N
y
Zur Vereinfachung geht man bei Gl.(5.40) von der Naherung xi » x j + k aus, die bei langen Reihen (N > 100) und kleinem k zutrifft. Wird x = k • At gesetzt, ist naherungweise Var(x(t)) » Var(x(t+x)), so dass in Gl.(5.39) der Nenner Var(x(t)) entspricht. Der Schatzwert des Autokovarianzkoeffizienten ck betragt bei langen Zeitreihen angenahert:
ck =—L- N f k (x-x)(x t+k -x) turk>0
(5.41)
N - k t=i
oder naherungsweise 1
N
"
k
/
_N/
_N
ck=— Z (x-xj(x t+k -x).
(5.41a)
N t =i
Fur k = 0 wird c0 = sx2; damit erhalt man uberschlaglich fur den Autokorrelationskoeffizienten den Ausdruck: c
O=
Z(Xi-x)(x i + k -x)|/
(5.42)
furk= 1,2, ...,mundmitm
(5.43)
Da fur k = 0 die Kovarianz gleich der Varianz wird, wird r0 = 1. Die Autokovarianzfunktion ist symmetrisch zum Maximum bei k = 0. Der Wert des Autokorrelationskoeffizienten sinkt auf Null, wenn in dem Zufallsprozess der Wert x(t) unabhangig von den vorausgegangenen Werten wird. Der Abszissenschnittpunkt der Autokorrelationsfunktion gibt einen Hinweis auf den Grad des zeitlichen Zusammenhangs (,,Gedachtnis"), mit dem das Zufallsereignis von den Vorwerten abhangt. Bei Abflussreihen wird die Anzahl der Zeitverschiebungen und die Straffheit des Zusammenhangs hauptsachlich durch die Retentionseigenschaften des Einzugsgebiets beeinflusst. Fur diskrete Zeitschritte wird der Zeitversatz k-At, wobei At zu einem Tag, Monat oder Jahr gewahlt wird. Die maximale Verschiebung sollte zwischen N/10 und 2N/sx liegen, hSufig wird k < N/4 gewahlt, wobei N mehr als 50 Werte umfassen sollte. Die maximale Verschiebung sollte mindestens das Dreifache der grOBten Periodizitat der Variablen betragen.
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
226
Fiir den Autokorrelationskoeffizienten nach Gl.(5.40) lassen sich die Signifikanzgrenzen fiir jede Zeitverschiebung k angeben zu (AndersonTest) [5.23]: / in = [ - l ± t ( a ) ( N - k - i yl/2 ]/(N-k
(5.44)
wobei N die Anzahl der Beobachtungswerte bedeutet. Fiir groBe Stichproben (N > 100) betragt der Wert t fur a = 95% t(a) = 1,645 und fur a = 99% wird t(a) = 2,326 (Tab. 5.6). Die graphische Darstellung der Autokorrelationskoeffizienten iiber der Zeitverschiebung k wird als Korrelogramm bezeichnet (Bild 5.10). Bei der Interpretation von Korrelogrammen treten einige typische Falle auf. Wenn groBe Werte x(t) mit groBen Werten von x(t+k) zusammentreffen, wird rk > 0; treffen groBe Werte x(t) mit kleinen Werten x(t+k) zusammen wird rk < 0. Bei einer Reihe aus rein zufalligen GroBen wird bei groBem N rk = 0 erhalten fiir alle Werte k * 0. Bei normalverteilten Werten liegen 19 von 20 Werten im Intervall ± N1/2. Stationare Reihen zeigen meist nach wenigen Zeitversatzen ein Absinken der rk-Werte unter das ± 2/N1/2 Signifikanzniveau (Bild 5.11). Enthalt die Reihe hingegen einen starkeren ansteigenden linearen Trend, nehmen die rk-Werte etwa linear ab und werden erst
r
Autokorrelogramm Jahresspeicher A = 0,07
0,5-
o -0,5-
1y I
) \20'J
M \lab
3Q"
Zufluss Abgabc
•-/
0,5-
Zeitversotz k (Monote)
V.
V
Autokorrelogromm Oberjahresspeicher 0 = 1,49
«k mQX -At
-0,5-J
periodischer Anteil (T)
Abb. 5.10. Oberes Bild: Korrelogramm der Zuflilsse und Abgaben von Talsperren mit unterschiedlichem Ausbaugrad |3; unteres Bild: Uberlagerung von periodischer (1) und zufalliger (2) Autokovarianz einer Funktion xr(t) (3)
5.2 Anwendung der Korrelationsrechnungen
227
fur sehr groBe k klein, da der Trend alle anderen Eigenschaften uberdeckt. Wenn eine Reihe Saisonschwankungen enthalt, findet man diese auch im Korrelogramm mit der gleichen Frequenz wieder [5.52]. So wird z.B. bei monatlicher Beobachtung r6 groB und negativ sowie xn groB und positiv (Bild 5.10). Wenn bei den xt sinusartige Schwankungen vorliegen, sind sie auch bei den rk vorhanden. 1st x, = a costnt mit a = const und 0 < a < n wird rk » cos(k • co) fur groBe N. In diesen Fallen empfiehlt es sich, die Saisonschwankungen z.B. durch Subtraktion der Monatsmittel von alien einzelnen Werten zu eliminieren, bevor das Korrelogramm aufgestellt wird (Bild 5.11).
Die Autokorrelationsfunktion entsteht aus Gl. 5.41, wenn fur eine stationare Zeitreihe, deren diskrete Werte um den Mittelwert x bereinigt werden (x, = xt - x ) , verwendet wird: i N-k
lin r
T7 X Xi'xi+k-
xx00=
N->« N i=l
Das Verhalten der Autokovarianzfunktion ist fur folgende zwei Sonderfalle wichtig. Als rein zufallige Funktion xr(t) hat sie an der Stelle k = 0 den Wert: 2 xxr(0) = s xr =
r
lin
1 N , — I x; . N^.OT N i= i
Der Wert der Autokovarianzfunktion wird an einer Stelle kmax • AT zu Null r xxr (k max ) = 0, da ohne die Nullbedingung eine deterministische Abhangigkeit vorliegen wilrde (s. Bild 5.10). Filr eine rein periodische Funktion xp (t) der Periode co lautet die Autokovarianzfunktion, wobei xp um den Mittelwert bereinigt ist: 00 1 , 2 , 2^ r xxp( k )= I T K +bn )cos n n=l 2
ol; I Lange Bramke 0,6-
; I^Niederschlag ! VyWintertal a = 99%
0,2 •
u•
20
40
60
80
100
120
140
k in Tagen Abb. 5.11. Korrelogramm der taglichen Abfltisse aus zwei bewaldeten Versuchsgebieten (Wintertal und Lange Bramke; Oker, Harz) fur die Jahresreihe 1949/69. (vom Trend und Mittel bereinigte stationare Werte; Signifikanzgrenzen fur a = 99%) [5.24]
228
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
wobei gilt rxxp(0) = sxp2 und x = k-AT sowie nach einer Fourier-Reihe entwickelt ist: x p (t)= I a n sinn n=l
V
ro
+ £ b n cosn| n=l
)
mit den Koeffizienten t"\ 2 T ( x\ 27in— dtundb n = — £ cos 27tn— dt aj co T = i ^ co,/ Xj sind die um den Mittelwert x bereinigten Messwerte x(t): Xj = x ( t ) - x . T ist die gesamte Beobachtungsdauer der Zeitreihe. Sie muss so gewahlt werden, dass sie einem ganzzahligen Mehrfachen der Periode p entspricht. Bei T = 20 bis 30 co wird etwa eine stabile Parameterschatzung erreicht. Da sich rxxp(0) nach einer Periode p wiederholt, tritt nach jeder Periode der Wert sxp2 wieder auf. Die Autokovarianz einer Funktion, die zufallige und periodische Anteile enthalt, entspricht nach dem Uberlagerungsprinzip der Summe der Autokovarianzen (s. Bild 5.10).
Bei k = 0 liegt die Uberlagerung der Varianzen vor: sx2 = sxp2+sxr2. Das Maximum der Autokovarianzfunktion r ^ x ) fur x > xmax entspricht sxp2, so dass damit auch die Varianz s^2 bestimmt werden kann. Da fur x > xmax rxxr(x) = 0 ist, kann die Periode der Funktion xp(x) direkt aus der Funktion ^ ( x ) fur x > traax abgelesen werden. Wenn die PeriodeTObekannt ist, konnen die Koeffizienten an und bn bestimmt werden. Bei der Kreuzkorrelation wird der statistische Zusammenhang zwischen zwei Variablen x und y hergestellt. Dies erfolgt nicht fur zeitgleiche Beobachtungen; vielmehr ist die Variable y um ein ZeitmaB k verschoben. Analog zur Autokovarianz lautet die Funktion der Kreuzkovarianz: c xy (T) = Cov[x(t),y(t + i:)] und daraus die Funktion der Kreuzkorrelation: Rxy(j) = Cxy<j)/(crxcJy).
(5.45)
Der Kreuzkorrelationskoeffizient der Stichprobe berechnet sich zu: l
' Rk =
N
^
j ^
"
k
'
N-l
A
\2
i_ X
ZxYy
r '
l
5 ^
i__
J Yi+k
N-k
v_^.
(5.46)
5.2 Anwendung der Korrelationsrechnungen
229
Naherungsweise kann fur Gl.(5.46) geschrieben werden, z.B. bei grofiem N und kleiner Verschiebung k: N-k
sxsy(N-k) Die Signifikanzgrenzen werden nach Gl.(5.44) berechnet. Die graphische Darstellung der Koeffizienten Rxy gegen die Zeitverschiebung k ist das Kreuzkorrelogramm. Sein Maximum zeigt, bei welchem Zeitversatz ein linearer Zusammenhang zwischen beiden Variablen besteht (Bild 5.12). Die Kreuzkorrelationsanalyse ist geeignet, um typische Reaktionszeiten eines Systems zu
80
k in Tagen
b.) 1,0-Wittenberge(y)und Hohnstorf Cx)/ Elbe km 455 ^ Elbe km 569' \ \
- . __-J5-''
-0.2--
Neu-Darchau und Cuxhaven Elbe km 536 Elbe km 724
J _ '
20
' ' k in Tagen
Abb. 5.12. Kreuzkorrelogramm a) zwischen den taglichen Abflussen und Niederschlagen aus zwei kleinen benachbarten Einzugsgebieten (Wintertal; Lange Bramke; beide Oker, Harz) fur die Jahresreihe 1949/69. (Signifikanzgrenzen fflr a = 95%) [5.24], b) der Hochwasserstande an den Elbpegeln Wittenberge und Hohnstorf (Binnenhochwasser) und Tidepegel Cuxhaven mit Binnenpegeln Neu-Darchau fur die HW-Periode Zeit von 10.12.74 bis 31.1.75
230
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
bestimmen, z. B. die Konzentrationszeit in einetn Einzugsgebiet [5.24] (Bild 5.12) oder die FlieBzeiten in Flussabschnitten. Daneben wird sie benutzt, um das gleichzeitige Zusammentreffen von Binnen- und Tidehochwasser zu analysieren. Neben der Kreuzkorrelation konnen auch regionale Korrelationsanalysen helfen, Zusammenhange zwischen Nachbarstationen aufzuzeigen, um z.B. auf die erforderliche Netzdichte zu schlieBen [5.20, 5.21].
5.3 Einfiihrung in die Zeitreihenanalyse und einfache stochastische Zeitreihenmodelle
5.3.1 Uberblick iiber mathematische Modelle und Zeitreihenmodelle Der Einfluss der einzelnen hydrologischen Variablen auf die Beschreibung eines hydrologischen Prozesses wird durch physikalische, analoge oder mathematische Modelle aufgezeigt. Hydrologische Modelle als eine vereinfachte Darstellung des komplexen hydrologischen Systems oder eines Teils davon werden heute iiberwiegend als mathematische Modelle konzipiert. Ein hydrologisches System nimmt verschiedene Zustande an. Ihre zeitliche Aufeinanderfolge sind die Prozesse, und eine Anzahl von physikalischen, chemischen und biologischen Prozessen formt die EingabegroBen in AusgabegroBen um. Als Variable wird eine messbare Charakteristik des Systems angesehen, die zu verschiedenen Zeitpunkten unterschiedliche Werte annehmen kann. Wird mit x(t) die Eingabevariable und mit y(t) die Ausgabevariable bezeichnet, besteht das mathematische Modell allgemein aus den GroBen x und y, ihren Ableitungen nach der Zeit und den Parametern P: f[x(t), y(t);5x/5t, 5y/5t;5 2 x/5t 2 , 5 2 y/8t 2 ;..., Plf P2,...] + e(t) = 0. Diese Funktion muss in expliziter Form bekannt sein [5.22]. Die Parameter P; werden durch Messungen am hydrologischen Prototyp oder durch Optimierung bestimmt. Die Variable e(t) erklart den Fehler, d.h. die Abweichungen vom Prototyp zur Zeit t, die auf die vereinfachten Annahmen des verwendeten Modells zuruckzufuhren sind. Wenn eine von den Variablen x, y oder e eine Zufallsvariable ist mit einer Wahrscheinlichkeitsverteilung, reprasentiert die Gleichung ein stochastisches, sonst ein deterministisches Modell. Bei linearen Modellen besteht zwischen Ein- und Ausgabe ein linearer Zusammenhang (Bild 5.13). Wichtiges Ordnungsmerkmal bei der Klassifizierung der mathematischen Modelle mit uberwiegend deterministischen Komponenten im Sinne eines physikalischen Ursachen-Wirkung-Prinzips ist die raumliche Differenzierung der Ein- und Ausgabevariablen. Eine andere Unterscheidung folgt der theoretischen Konzeption. Die Modellierung kann dabei auf eine Wiedergabe der inneren Funktionsweise unter Beriicksichtigung der Systemeigenschaften zielen. Da die dabei entstehenden partiellen Differentialgleichungen fur die relevanten Randbedingungen prak-
5.3 Einfuhrung in die Zeitreihenanalyse und einfache stochastische Zeitreihenmodelle
231
Mqfhem, Modelle in der Hydrologie Determinisfrische Modelle
Komponertfen Modelle Linear
Integrierte Modelle (konzeptionelle Modelle)
Nicht- linear lineare od. Blockmodell od. nicht - lineare M. detaillierte M.
Diskrete od. kontinuierl. M.
[Statistische (Stochastische) Modelie und Methoden]—
Probabilistische Verfahren (reine Ztrfallsprozesse, zeitunabhangig]
Merteilungsfunktion
Stochasttsche Veriahren (nicht re in zufallige Prozesse zertabhdngig)
stat. Sicherheit
Regression und Korrelation Reihen korrelation
Markov Modell
Monte-Carto Modell
Abb. 5.13. Klassifizierung von mathematischen Modellen in der Hydrologie, verandert nach [5.25]
tisch nicht direkt losbar sind, miissen numerische Methoden eingefuhrt werden. An Modelltypen treten dabei auf: Black-Box-Modelle, Konzept-Modelle und Modelle auf physikalischer Basis. Bei den Black-Box-Modellen besteht eine Vorstellung iiber die abhangige und unabhangige Variable. Das System ist eine undifferenzierte Einheit, z.B. ein Einzugsgebiet ohne innere Differenzierung. Lineare Gleichungen beschreiben das tibergangsverhalten zahlenmafMg und nach Koeffizienten, die uber eine Regressionsanalyse o.a. gewonnen werden. In Konzept-Modellen ist die Wirkung bestimmter Phanomene, z.B. der Speicherung, angesprochen. Teilprozesse oder -systeme (Abflusskomponenten oder Teileinzugsgebiete werden berucksichtigt. Zur Anwendung kommt die Kontinuitatsgleichung zusammen mit einer phanomenbezogenen charakteristischen Gleichung, z.B. einer Speicher-Abflussbeziehung. Die dafur benutzten hydrologisch interpre-
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
232
= K-At
ro
•o t: 0)
c)
Periode P
d)
e)
/J\^»H^b^*tJ^^' Abb. 5.14. Zerlegung einer Zeitreihe in Trend, saisonale und stochastische Komponenten fllr additive Zeitreihenmodelle, z.B. a = b + c + d oder a = b + c + e(a = Beobachtungsreihe, b = Trend (hier: linear); c = periodische Komponenten (hier: saisonal); d = autokorrelative Residuen; e = zufallig verteilte Residuen)
tierten Parameter (z.B. Reaktionszeiten) werden anhand der Beobachtungsdaten optimal angepasst. Die Modelle auf physikalischer Basis benutzen die Kontinuitats- und Bewegungsgleichung als partielle Differentialgleichung mit Anfangsund Randbedingungen. Die physikalisch bestimmbaren Kennwerte sind zum Teil messbar. Statistische oder stochastische Modelle, die vom Parameter Zeit abhangen, werden bevorzugt, wenn der gesamte Komplex der Parameter schwer iibersehbar und messbar ist. Die Klassifizierung der Modelle nach Bild 5.13 entspricht einer haufig gewahlten Einteilung, in der nur die wichtigsten Aspekte des Modellaufbaus und der Anwendungen zum Ausdruck kommen. Die Zeitreihenanalyse handelt von der statistischen Untersuchung von Funktionen fur zeitliche Zufallsvariable. Die Zeitreihen der hydrologischen Variablen xt, z.B. Abflussganglinien, werden als Realisierung eines stochastischen Prozesses und die Zeitreihenwerte xt als Funktionen der Zeit aufgefaBt. Die Zeitreihenanalyse dient zur Beschreibung des zeitlichen Ablaufs eines stochastischen hydrologischen Prozesses, zur Kontrolle des zeitlichen Vorganges, um Veranderungen rechtzeitig erkennen zu konnen oder zur Prognose von zukilnftigen Entwicklungen. Das Vorgehen bei der Zeitreihenanalyse richtet sich nach der Aufgabe und
5.3 Einfuhrung in die Zeitreihenanalyse und einfache stochastische Zeitreihenmodelle 233 wird auch davon bestimmt, welches stochastische Modell fur die Synthese zugrunde gelegt werden soil. Uber die verschiedenen Verfahren der Zeitreihenanalyse liegt umfangreiches Schrifttum vor, Uber die Grundlagen in [5,26-5.30] und uber die Anwendung in der Hydrologie [5.17, 5.31-5.35]. Eine Zeitreihe heifit stochastisch, wenn die Fluktuationen zufdllig sind. Konnen die Fluktuationen jedoch durch statistische Parameter, die uber die Zeitreihe unveranderbar sind, beschrieben werden, handelt es sich um eine stationare Reihe. Bei einer stationaren Zeitreihe sind Werte fur das Mittel und die Varianz als Bruchteil des Mittels unabhangig von der Lange der Zeitreihe. Eine unabhangige Zeitreihe weist keine Abhangigkeiten in Zeit und Raum auf. Die Analyse der Zeitreihe wird in einer bestimmten Reihenfolge vorgenommen. Aus der Zeitreihe werden nacheinander Trend, Saisoneffekte, zyklische Schwankungen eliminiert, so dass unregelmalMge Fluktuationen, die Residuen, ttbrig bleiben. (Bild 5.14). In der ersten Stufe der Analyse werden die Abhangigkeiten von der Zeit geklart und diese Komponenten eliminiert. Die Beobachtungswerte xt einer Zeitreihe ko'nnen sich aus einem glatten Trend (laufendes Mittel) Gt, einer saisonalen (periodischen) St und einer irregularen, zufalligen Komponente Rt (Residuen) additiv zusammensetzen, also xt = Gt+St+Rt (Bild 5.14). Die glatte Komponente kann in eine Trend- und zyklische Komponente aufgeteilt werden. Die Eliminierung des Trends erfolgt durch die Methode der kleinsten Quadrate, gleitende Mittel oder Differenzenbildung. Trends ko'nnen in Abflussreihen durch Zunahme der Siedlungsdichte auftreten. Seltener sind Unstetigkeiten (Sprtinge), die durch plotzliche Anderung der Landnutzung wie Kahlschla'ge, durch Bau von Speichern oder Naturkatastrophen hervorgerufen werden. Sprunghafte Veranderungen kOnnen mit dem Test nach Cochran [5.1] oder der Doppelsummenlinie erkannt werden. In einfachen Fallen wird der Sprung auch durch Betrachtung des Verlaufs der Summenlinie erkannt. Nach Bereinigung des Trends werden die periodischen Anteile ausgeschaltet. Der periodische Anteil muss entweder bei bekannter oder unbekannter Periode bestimmt werden. Saisionale Reihen enthalten Zeitspannen, die Bruchteile eines Jahres umfassen und periodische Anteile enthalten kb'nnen. Bei den hydrologischen Gro'Ben wie Niederschlag und Abfluss sind die astronomisch bedingten, jahrlichen Zyklen von Bedeutung. Wochentliche Zyklen treten in Zeitreihen der Wasserver- und -entsorgung auf. Die saisonale Komponente kann sinusfbrmig verlaufen und wiederholt sich dann regelmalMg nach einer festen Anzahl von Berechnungszeitschritten p(St = St+P). Weist der Saisonverlauf hingegen eine variable Amplitude auf, kann ein multiplikatives Zeitreihenmodell xt = GtStRt angesetzt werden. Durch Verwendung von logarithmisch transformierten Komponenten wird der Saisoneffekt wieder additiv. Die logarithmische Transformation ist zur Stabilisierung der Varianz geeignet, wenn diese Varianz mit zunehmendem Mittelwert wSchst. Gelegentlich werden gemischte Modelle der Form xt = GtSt+Rt vorgeschlagen. Die Anwendung dieser Modelle in der Hydrologie ist selten. Um den Einfluss der einzelnen Komponenten herauszuarbeiten, miissen sie isoliert werden, d.h. bei additiven Zeitreihenmodellen werden die einzelnen Komponenten der Reihe nach von den Werten der Zeitreihe subtrahiert; beim multiplikativen Ansatz herausdividiert.
234
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Wichtiges diagnostisches Hilfsmittel sind die Autokorrelationsfiinktionen als Analyse im Zeitbereich und die Spektralanalyse als Analyse im Frequenzbereich. Bei der Auto- und Kreuzkorrelation werden kennzeichnende Zeitverschiebungen anhand der Korrelationskoeffizienten und des Korrelogramms beurteilt. Bei den frequenzorientierten Verfahren steht die Bestimmung der Frequenz im Vordergrund, z.B. bei der Spektralanalyse oder der Periodogrammanalyse [5.37]. Im Hinblick auf den Abfluss wird meist nur die jahrliche Periode als Zyklus festgestellt (Bild 5.15). Bei einer Reihe von Pegeln kann noch eine zweite schwacher ausgepragte vier- bis fUnfjahrige Periode festgehalten werden, die meist unberucksichtigt bleiben kann [5.24, 5.36]. Die Vorhersage von jahrlichen Abflussen mit der harmonischen Analyse oder Periodogrammanalyse lafit aber einen grolten Streuungsbereichoffen[5.38]. Fur stochastische Komponenten wird davon ausgegangen, dass sie zufallig urn Null schwanken. Bedeutend ist bei der Zeitreihenanalyse ein verallgemeinernder stochastischer Prozess. Er wird auch als weiBes Rauschen (white noise) bezeichnet, ein Begriff, der aus der Akustik stammt. Bei diesem Prozess haben alle Zufallsvariablen st fur alle t den Erwartungswert \i = E(xt) = 0, die Varianz Var(st) = sE2 und rjf = E(xt, xt+k), wobei r^ = crE2 = 1 fur k = 0 und fur alle ubrigen k wird r^ = 0. Ein stochastischer Prozess, der durch eine Zeitreihe ausgedriickt wird, wird als stationar in Bezug auf das Mittel oder als Stationaritat erster Ordnung bezeichnet, wenn die Mittel zeitinvariant sind und zum Zeitpunkt t und t+k von m (Teil)Reihen ubereinstimmen. Wenn zusatzlich die Kovarianz Cov(x) stationar ist, d.h. unabhangig von t aber abhangig von der Zeitverschiebung k, liegt Stationaritat zweiter Ordnung vor. Gilt die Invarianz der statistischen Parameter bis zum r-ten statistischen Moment, wird der Zufallsprozess mit einer Stationaritat r-ter Ordnung belegt. Praktisch wird die Stationaritat iiberpruft, indem die Zeitvarianz von Mittel und Varianz nachgewiesen werden. Im Allgemeinen sind die Komponenten Gt und St nicht stationar und deterministisch im statistischen Sinn, wohingegen das Residuenelement stationar und stochastisch ist. Die meisten hydrologischen Zeitreihen haben einen geringen Grad an Nichtstationaritat, z.B. infolge von anthropogenen Einflussen oder systematischen Datenfehlern. Zur Durchfuhrung der Zeitreihenanalyse mussen aus rechentechnischen Grunden kontinuierliche Beobachtungen in aquidistante diskrete Werte umgeformt werden. Gegebenenfalls kann eine Transformation der Daten erfolgen, um sie praktisch stationar zu machen. Eine (schwach) stationare Zeitreihe kann durch den Erwartungswert, die Varianz und den Autokorrelationskoeffizienten beschrieben werden, da die Autokovarianz nur von der Zeitverschiebung k abhangt und fur k -» oo gegen Null geht. Die Autokovarianzfunktion ist symmetrisch zum Maximum bei k = 0. Die statistischen Eigenschaften von xt mussen in der Regel anhand einer Zeitreihe bestimmt werden. Ein Zerlegen der Zeitreihe in mehrere aufeinanderfolgende Teilreihen scheitert oft an der Ktirze der gesamten Beobachtungsreihe. Die statistischen Eigenschaften einer Zeitreihe beschreiben nicht alle Realisierungen des Zufallsprozesses, da nur durch die Summe aller Realisierungen der Zufallsprozess erfasst wird. Wegen dieser beschrankten Aussage heilk der Prozess
5.3 Einfuhrung in die Zeitreihenanalyse und einfaehe stochastisehe Zeitreihenmodelle 235 ergodisch hinsichtlich der statistischen Eigenschaften. Wenn die statistischen Eigenschaften der einzelnen Zeitreihen mit der Wahrscheinlichkeit 1 gegen die statistischen Eigenschaften der Grundgesamtheit konvergieren, handelt es sich um einen ergodischen stochastischen Prozess. Bei einem ergodischen Prozess konnen die statistischen Parameter fur eine gegebene Zeit t anhand des Prozesses bestimmt werden. Die Parameter sind dabei unabhangig von der Zeitreihe, d.h. ein stationares Verhalten wird vorausgesetzt.
1-10/0,0274: T=365 Tage
6.000-
2.000" 0,0274
50 Zeitverschiebung —•-1
100
0.125 (OI2K
Spektraldichtefunktion fur Tagessummen der Ems
12
b)
Wintertal — Lange Bramke
8CO/
4-
n 200
400
600
800
Tog
Abb. 5.15. Spektral- und Periodogrammanalyse. a) Spektraldichtefunktion fur 10- und 30Tages-mittel einer 90-jahrigen Abflussreihe der Ems (Jahresreihe 1881/1970) [5.36], b) Periodogrammanalyse der Abflusse aus zwei kleinen bewaldeten Gebieten (Wintertal und Lange Bramke/Oker) (Jahresreihe 1949/1969) [5.24]; Originalwerte weisen bei 365 d eine Periode auf, die bei Heraustrennung des Jahrsgangs verschwindet
236
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Fiir die Auswahl eines stochastischen Modells zur Simulation der Zeitreihen nach Bild 5.13 steht u.a. die Autokorrelation als Hilfsmittel zur Verfugung. Anhand des Korrelogramms, das von Trend und periodischen Komponenten bereinigt ist, kann der Grad des Prozesses abgeschatzt werden. Ist der Autokorrelationskoeffizient r^ = 0 fur alle k * 0 , liegt ein reiner Zufallsprozess vor, anderenfalls gibt der Schnittpunkt des Korrelogramms mit der Konfidenzgrenze einen Hinweis auf den Grad der Abhangigkeit (Bild 5.11). Mit der Spektraldichte kann zusatzlich die Periodizitat in der Zeitreihe eingegrenzt werden. Oszilliert die Spektraldichte urn einen konstanten Wert, liegt der Fall des weilien Rauschens vor. Bei der Anwendung von stochastischen Modellen sollte die Zahl der Modellparameter auf ein Minimum beschrankt werden. Die Summe aller verwendeten Parameter sollte nicht groBer als N/l 5 bis N/20 werden, d.h. auf einen Modellparameter sollten mehr als 15 bis 20 Beobachtungswerte fallen. Durch die sparsame Verwendung von Parametern werden einige wichtige Eigenschaften des Naturprozesses im Modell wiedergegeben. Als Kriterium fur die GUte eines Modells wird haufig angesehen, wie gut mit dem Modell zusatzliche stochastische Eigenschaften des Modells, die nicht unmittelbar von den Modellparametern abhangen, simuliert werden, z.B. die Wiedergabe von Extremwerten. 5.3.2 Weitere Techniken der Zeitreihenanalyse Die Daten der Zeitreihen miissen mit einigen Techniken behandelt werden, bevor die Anwendung eines Wahrscheinlichkeitsmodells erfolgen kann. Zeitreihen, die eine langfristige Anderung im Mittel (Trend) enthalten, werden in Abhangigkeit davon analysiert, ob der Trend berechnet und/oder beseitigt werden soil oder ob Fluktuationen erfasst werden sollen. Der Trend kann als Gerade, Polynom m-ten Grades nach Gl.(5.2) als Exponentialfunktion xt = aebt, als Ansatz xt = cabt (Gompertz-Kurve) oder als logistische Funktion xt = l/(l+b [exp(-at)]) vorliegen [5.27, 5.28]. Polynome liefern formal eine gute Approximation, wenn ihr Grad moglichst hoch gewahlt wird. Sie haben aber fur Prognosezwecke den Nachteil, dass sie schnell divergieren, insbesondere ab Polynomen dritten Grades, bei denen ein Wendepunkt auftritt. Ein schwach verlaufender Trend wird eliminiert durch Berechnung der aufeinanderfolgenden jahrlichen Mittel. Nichtsaisonale trendbehaftete Daten konnen mit einer Polynomkurve in der Form y(t) = exp(a + br1) angepafit werden. Die nichtlinearen Trendansatze kommen bei Analysen des Wasserbedarfs in Betracht. Eine weitere Methode zur Ermittlung des Trends ist das Filtern (Glattungsfilter) [5.16]. Ein linearer Filter verwandelt eine Zeitreihe xt in eine Reihe yt durch den linearen Operator:
s yT = 2> r x t _ r , ar:Gewichte, Z a r = l . r=q
(5.48)
r
Diese gleitenden Mittel sind oft symmetrisch mit S = q und aj = a.j. Einfaches Beispiel eines symmetrischen Glattungsfilters ist das einfache gleitende Mittel ar = l/(2q+l) fur r = -q,..., +q. Der geglattete Wert von x lautet:
5.3 Einfuhrung in die Zeitreihenanalyse und einfache stochastische Zeitreihenmodelle
iVr=Sm(Xt) r=_q
237
(5-49)
und die Residuen betragen:
Res(xt) = x t -s m (x t )= I brxt_r.
(5.50)
r=-q
Das Residuum vom geglatteten Wert ist ebenfalls ein linearer Filter, da Ebr = 0, b0 = -ao und br = -a,, fur r = 0 gilt. Oft konnen Glattungen in zwei oder mehr Stufen hintereinander durchgefuhrt werden. Dies entspricht mehreren linearen Filtern in Reihe. Filter I mit dem Gewicht ajL wirkt auf xt und erzeugt yt, Filter II mit dem Gewicht aj2 wirkt auf yt und erzeugt zt usw. Diese Glattungsfilter werden zum Herausfiltern periodischer Vorgange und Trends verwendet [5.16]. AuBerdem werden Filter als Ubertragungssysteme verwendet, um diskrete Einzelfunktionen in Ausgaben zu uberfuhren. Dies wird hauptsachlich benutzt zur Vorhersage von Abfltissen und Niederschlagen in Form des Kalman-Filters [5.39]. Zur Eliminierung von Trends ist die Differenzenbildung geeignet [5.29]. Der lineare Trend xt = ao+a^ lautet fur den Zeitpunkt t-1: xtl = ao+a^t-1). Die Differenz betragt Axt = xt-xt.i oder eingesetzt Axt = ao+ait-ao-a^+ai = ai. Durch die Bildung der ersten Differenz wird das Polynom ersten Grades auf ein Polynom nullten Grades reduziert; der Parameter ao verschwindet. Wird zu dem Trendwert noch der Wert der Residuen addiert, erhalt man den Beobachtungswert. Fur seine Annaherung durch einen Trend kann geschrieben werden xt = ao+ait+et. Die erste Differenz Axt = xt-xt.i betragt fur den linearen Trend: Axt =aj+Ae t = a ] + e t - e t _ ! .
(5.51)
Die zweite Differenz der Beobachtungen lautet: A2xt = x t - A x t _ 1 = x t - x t _ 1 - ( x t _ 1 - x t _ 2 ) ,
=xt-2xt_1-xt_2,
(5.52)
bzw. A2xt =aj + Ae t -(aj+Ae t _i) = A 2 e t , A2et = Aet - A e ^ .
(5.52a)
Ein Trendpolynom n-ten Grades wird durch (n+l)-te Differenzen eliminiert. Dabei werden (n+l)-te Differenzen der Residuen gebildet. Der Grad des Trends ist erreicht, wenn bei der Bildung der Differenz r-ter Ordnung eine Stabilisierung eintritt. Diese wird erkannt, wenn sich die aufeinanderfolgenden Differenzen kaum noch unterscheiden und deutlich um Null schwanken, d.h. positive und negative Differenzen von etwa gleichem Betrag in ziemlich regelmafiiger Folge wechseln [5.30]. Bei einer Zeitreihe von Monatswerten ohne Trendkomponente kann eine Saisonkomponente eliminiert werden, indem die Monatsmittel x ; und das Mittel der gesamten Beobachtungsreihe x eingefuhrt werden. Durch Bildung der Differenz Xj - x werden saisonbereinigte Werte berechnet zu x t l = x tl _j - ( x , - x ) . Saison-
238
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
effekte lassen sich auch durch Differenzenbildung beseitigen, indem bei monatlichen Daten gebildet wird: A
12 x t = x t - x t - 1 2 -
(5-53)
Bei Verwendung stochastischer Modelle treten Zufallselemente in der Zeitreihe auf. Ein Zufallsglied wird aufgefafit als Element einer Grundgesamtheit, das die gleiche Chance wie jedes andere hat, aus der Grundgesamtheit gezogen zu werden. Dabei kann die Grundgesamtheit eine beliebige Verteilungsfunktion aufweisen, wenn nur die Voraussetzung erfullt ist, dass die einzelnen Elemente unabhangig voneinander sind. Zufallszahlen in Gleich- oder Normalverteilung sind in vielen Tabellenwerken veroffentlicht oder konnen als sogenannte Pseudozufallszahlen ttber Rechenprozeduren erzeugt werden. Diese Zufallsgeneratoren erzeugen Zahlen, die praktisch kein Bildungsgesetz aufweisen und nicht konvergieren. Die Zufallszahlen miissen in die Wahrscheinlichkeitsverteilung der Stichprobe transformiert werden. Dazu wird eine Zufallsvariable Z und eine beliebige Dichtefunktion fy(y) gesucht, deren Verteilungsfunktion lautet: Py(y)= I fy(x)dx. — 00
Aus einer Gleichverteilung (0,1) wird eine Zufallszahl ZG ausgewahlt und diese gleich der Unterschreitungswahrscheinlichkeit Py(y) gesetzt (Bild 5.16). AnschlieI3end wird die Gleichung der Verteilungsfunktion nach y aufgelfist. Zum Beispiel ergibt die Umformung der Weibull-Verteilung (Gl.4.67): Py(y) = l-exp(-[(y- E )/((3- E )] a ) bzw. y = (P-e)[-ln(l-Py(y))]1/a +s. Wenn Py (y) durch z substituiert wird, konnen ZufallsgroBen y der ExtremwertTyp-III-Verteilung erzeugt werden, wenn fur y gesetzt wird:
Werte fur andere Verteilungsfunktionen konnen Tab. 5.12 entnommen werden; die zugehorigen Ableitungen sind in [5.21] aufgefuhrt. Wenn ZufallsgrOlten fur mehrere Zeitreihen an verschiedenen Pegeln gleichzeitig erzeugt werden sollen, mttssen die gegenseitigen Abhangigkeiten berucksichtigt werden [5.31, 5.40]. Tabelle 5.12. Ausdruck fur die ZufallsgroBe zur Simulation von ZufallsgroBen einer vorgegebenen Verteilungsfunktion Bezeichnung Log. Normalverteilung (y = lnx)
Dichtefunktion Gl.(4.38)
Pearson-Typ-III-Verteilung
Gl.(4.47)
ZufallsgroBe y' y' = exp(syZN + y) (
-_
2
\\{
Cs [ Extremwert-Typ-III- Verteilung
Gl.(4.68)
ZN: Zufallszahl aus einer Standardnormalverteilung, ZQ\ gleichverteilte Zufallszahl aus dem Intervall (0,1)
2 C Z
s N , Cs
6
y'=(P- E )[-ln(Z G )]
36 1/a
+B
5.3 Einflihrung in die Zeitreihenanalyse und einfache stochastische Zeitreihenmodelle
239
Als Beispiel soil die Simulation einer eingipfeligen empirischen Verteilung dienen, die durch unterschiedlieh grofie DatenkoUektive von Zufallszahlen wiedergegeben werden soil. Anhand der gegebenen Dichte wird die Summenfunktion mit den Klassenbesetzungszahlen berechnet. Die Summenfunktion wird mit gleichverteilten Zufallszahlen belegt und jede Zufallszahl wird ilber die Summenfunktion der empirischen Verteilung einem Klassenelement der simulierten Verteilung zugeordnet (Bild 5.16). Je dichter die Ordinate der Summenfunktion mit Zufallszahlen belegt wird, desto genauer wird die Verteilung simuliert, wie die unterschiedliche Anzahl von Simulationslaufen zeigt (Tab. 5.13). Zur Erzeugung von Zufallszahlen kann von einer Gleichverteilung ausgegangen werden. Eine Gleichverteilung ist einparametrig und definiert durch: x=y
P(y)= J cdx = cx 0<x
X)0%r
0,6821 0,5943
0,2359
Dichtefunktion der gleichverteilten Pseudozufallszahlen
Empirische Verteilungsfunktion
10 Empirische und simulierte Dichtefunktion
Abb. 5.16. Zuordnung der Zufallszahlen zur Simulation einer beliebigen Verteilung
240
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Tabelle 5.13. Wiedergabe einer empirischen Dichtefunktion durch unterschiedlich lange Simulationslaufe Klasse 1 2 3 4 5 6 Klassenbesetzung der empirischen Dichtefunktion 1 2 4 7 10 Klassenbesetzung der simulierten Dichtefunktion nach: n = 1000 Simulationen 1 2 4 6 11 n = 3000 Simulationen 1 2 5 7 10 n = 5000 Simulationen 1 2 4 7 10
7
8
9
10
16
26
37
28
4
18 17 16
27 26 26
35 35 37
27 27 28
4 4 4
und die Dichtefunktion lautet c fur 0 < x < 1/c f(y) = 0 fur x < 0, x > 1/c Die obere Begrenzung ist 1/c, da der Wert der Verteilung fur oo F(oo) = 1 sein muss. Die statistischen MaBzahlen haben die Werte: x = l/2c bzw. s x =l/i2 C 2 und s x = x / v 3 .
5.3.3 Selbsterklarende Zeitreihenmodelle In Zeitreihen konnen hydrologische GroBen nicht als isoliert zu betrachtende Ereignisse aufgefasst werden, sondern als Erscheinungen, bei deren Beobachtung die Zeit- und Ortsangabe als wesentliche Merkmale auftreten. Weist die Reihe eine signifikante Autokorrelation auf, hangt die GroBe der Variablen auch vom Wert der vorangegangenen k Zeitschritte ab. Die Beachtung dieser Eigenart hat zur Folge, dass die Ergebnisse aufeinander folgender Beobachtungen als ein in einer definierten Richtung ablaufender Prozess aufzufassen sind. Solche Ereignisfolgen lassen sich mit bedingten Wahrscheinlichkeiten (Ubergangswahrscheinlichkeiten) als Ausdruck einer stochastischen Beziehung zwischen zwei Ereignissen beschreiben. Eine Ereignisfolge, bei der die Ubergangswahrscheinlichkeit nur vom Ergebnis der unmittelbar vorangegangenen Beobachtungen und nicht zusatzlich vom Ergebnis noch fruherer Beobachtungen bedingt wird, heiBt Markovsche Kette. Der Typ der Ereignisfolgen, die diese Vorausetzungen erfullt, heiBt Markov-Prozess. Jede Zeitreihe kann als endliche Realisation einer Folge von korrelierten Zufallsvariablen: ..., yt_2, yt-i, yt, yt+i, Yt+2, ••• aufgefaBt werden (stochastischer Prozess). Der Wert yt kann aus den ubrigen Werten der Zeitreihe selbst erklart werden. Wenn alle Zufallsvariablen den gleichen Erwartungswert E(yt) = y und die gleiche Varianz Var(yt) = sy2 fur alle t haben, liegt ein (schwach) stationarer Prozess vor. Der Einfachheit halber werden meist nur Prozesse betrachtet, die vom Mittel bereinigt sind, d.h. der Erwartungswert E(yt) = 0, da (y t - y) als Variable verwendet wurde. Der Modellansatz fur eine reine ZufallsgroBe z(tj) = Sj mit i = 1, 2, ... lautet daher z(tj) = z + EjSz, wobei die ZufallsgroBen zx mit einem Zufalls-
5.3 Einfuhrung in die Zeitreihenanalyse und einfache stochastische Zeitreihenmodelle 241 zahlengenerator 8 = 0 und sE = 1 erzeugt werden. Bei dem reinen Zufallsprozess sind die Zufallsvariablen nicht autokorreliert, d.h. die Kovarianz ist gleich Null. Viele Operationen der Zeitreihenanalyse sind Filterungen gleichzusetzen. Ein Filter F ist eine Transformation, die aus der Eingabevariablen x, eine Ausgabevariable yt = F(xt) erzeugt. Beim linearen, zeitinvarianten Filter gilt das Superpositionsprinzip; eine Vervielfachung der Inputvariablen vervielfacht die Outputvariablen in gleicher Weise: F(xlit+x2;t) = yi,t+y2,t- AuBerdem gilt die zeitliche Unveranderlichkeit in der Form F(xt+X) = yt+x. Ein linearer zeitinvarianter Filter kann als Autoregressiver Prozess (AR-Prozess) oder Moving-Average-Prozess (MA-Prozess) dargestellt werden. Der Wert xt einer Zeitreihe kann beschrieben werden als Summe von statistisch-deterministischen Komponenten f(t) und einer Zufallskomponenten Zt. Wenn die Zeitreihe aus einem stationaren Prozess stammt, sind die zeitverschobenen Kovarianzen zwischen den Elementen der Zeitreihe Funktionen der absoluten Differenzen zwischen den Indizes der Elemente (autoregressives Modell p-ter Ordnung, AR(p)). x t = p 0 + Pix t _! + P 2 x t _ 2 +... + PpXt_p + z t
5.54
6;: autoregressive Koeffizienten, z,: unabhangiger, zufallsbedingter Term. Fur p = 1 wird ein autoregressives Modell erster Ordnung erhalten und Gl.(5.54) lautet: xt=P1xt_1+zt
(5.54a)
und durch sukzessive Substitution x
t=Pl(Plxt-2+zt-l)
+ z
t>
Fur einen AR-Prozess unendlicher Ordnung erhSlt man: Xz=Zt+pZt_1+p2Zt_2+mit dem Erwartungswert E(xt) = 0 und der Varianz sx2 = sz2/(l-p2), wenn |I3| < 1 ist. Die Autokorrelationsfunktion ergibt sich zu:
a z z l p'pK+1 furk>0. i=0
Ein Markov-Prozess erster Ordnung liegt vor, wenn der vorangegangene Wert der Zeitreihe bis zu einer Zeitverschiebung berucksichtigt wird. Ein Markov-Prozess erster Ordnung ist nach Gl.(5.54) fur i = 1 bestimmt und lautet fur die vom Mittel bereinigte GroBe x und den Autokorrelationskoeffizienten pi fur k = 1:
242
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
st
(5.55)
Pi: Autokorrelationskoeffizient furk = 1, st: Zufallskomponente E(s) = 0 und Var(s) = aE2, ux: Mittel von x. Betragt die Varianz von Xj ex2, besteht folgende Beziehung zur Varianz der Zufallskomponenten st: Var(Xj) = o x = E[u x +p x j(x i _ 1 - | ^ x ) + Ej + i] 2
-E2(XJ)
= E[...]-(i x 2
a x 2 =p x i 2 CT x 2 +CT e 2
(5.56)
oder aE2=ax2(l-pX;12)
bzw. a x = a E / ( l - P l 2 ) 1 / 2 .
Zur Erzeugung von Werten x;+i milssen die Parameter der Stichprobe x, sx und ^ gebildet sowie eine Zufallszahl t aus einer Gleichverteilung (0,1) gezogen werden. Da der Zufallsterm cii die Verteilung (0,aE2) aufweist, muss der Ausdruck toe = ta x (l-r 2 ) 1/2 gebildet werden. Damit steht ein Markov-Modell erster Ordnung zur Erzeugung von Werten xi; die eine Verteilung (|IX,CTX2) aufweisen, zur Verfugung und lautet: x(l-p1
2 1/2
)
.
(5.57)
Fur die Stichprobe wird erhalten: x< =Xj +b( Xi _! -Xi.O + tjsCO-r 2 )] 1 ' 2 ,
(5.57a)
mit dem Regressionskoeffizienten: bi«r,(s x i/Sxi-i)-
(5-58)
Zur Erzeugung von xi+i werden die Werte x, sx und rk der Stichprobe berechnet und in Gl.(5.57) eingesetzt. Der erste Wert fllr x; wird vorgegeben, z.B. als ein Wert aus der Beobachtungsreihe, die erste Zufallszahl gezogen und xi+i berechnet. Urn den Einfluss der vorgegebenen Anfangszahl auszuschalten, konnen die ersten 50 Werte unberucksichtigt bleiben. Mit Gl.(5.57) werden normalverteilte Werte x erzeugt, falls eine Autokorrelation existiert. Fur rk = 0 wird ein reiner ZufallsProzess erhalten. Gleichung (5.57) kann auch zur Erzeugung von gammaverteilten Werten x benutzt werden. Wird z.B. zur Simulation von jahrlichen Abflussen (x1;..., xN) ein AR(1)-Prozess angewendet, lautet die Rekursionsformel: x t - x = P 1 (x t _ 1 -x) + e t , mit P! als dem Autokorrelationskoeffizienten ^ fUr k = 1 nach Gl. (5.40):
(5.59)
5.3 Einfuhrung in die Zeitreihenanalyse und einfache stochastische Zeitreihenmodelle 243 N-1
-\
- (
N
-2
ii = Z(x t -x)(x t+1 -xj/I(x t -x) . t=l
t=l
Der positive Koeffizient pj nimmt mit wachsender Einzugsgebietsgrofie zu und wird besonders groB bei Flussgebieten, die grofie Seen oder andere Wasserspeicher aufweisen. In Gl.(5.59) ist 8t eine normalverteilte Zufallsvariable mit dem Mittel \i = 0 und der Varianz sE2 als Schatzung:
t=i
Fiir den AR(2)-Prozess wird folgendes Modell erhalten: x t - x = (3 1 (x t _ 1 -x) + P 2 ( x t _ 2 - x ) + Et,
(5.60)
mit den aus der Stichprobe berechneten Parametern [5.31]: x = S x t / N ; P i ^ a - r ^ / d - r ^ ) ; P 2 =(r 2 - r a 2 ) / ( l - r j 2 ) , wobei nach Gl.(5.42) fur ri = C]/c0 und r2 = c2/c0 gesetzt werden. Die Varianz der Zufallskomponente sE2 wird erhalten zu:
Als Moving-Average-Modelle q-ter Ordnung (MA(q)-Prozesse oder Gleitmittelprozess der Ordnung q), wird bezeichnet: x t - | a = et + a 1 z t _ 1 + a 2 z t _ 2 + . . . + a q z t _ q .
(5.61)
Die Abweichung der xt-Werte vom Mittel wird als gewichtete Summe der (voneinander unabhangigen) Zufallsvariablen zt ausgedriickt. Die Zufallsvariable hat den Erwartungswert E(zt) = 0 und die Varianz Var(et) = sz2. Die Zufallsvariablen x sind meist so skaliert, dass oto = 1 wird. Fiir die Variablen erhalt man E(xt) = 0 und 2
»
2
Var(xt) = s z • £ x . Die Autokorrelationsfunktion des MA(q)-Prozesses bei=0 q-k
q-k
tragt:p(k)= 2 0Cja i+k /X; a ; i=0
furk = l,...,q und wird rk = 0 fur k = 0 und
i=0
bzw. k > q. Fur den MA(1)-Prozess xt = Zt+ajZ,.] mit a 0 = 1 lautet die Autokorrelationsfunktion p(l) = p,/(l+Pi 2 ) fur k = ±1 und wird fur k = 0, rk = 1, sonst rk = 0. Die Autokorrelationsfunktion ist Null fur Zeitverschiebungen, die langer sind als das ,,Gedachtnis" des MA-Modells. Anhand des unendlich langen MA-Prozesses kann man nachweisen, dass AR- und MA-Prozesse reziprok zueinander in Beziehungstehen [5.27].
244
5 Abhangigkeiten von Zufallsvariablen und Zeitreihenmodelle
Reine MA-Modelle werden in der Hydrologie wenig eingesetzt, haufiger jedoch Kombinationen von AR- und MA-Modellen (ARMA-Modelle), mit denen stationSre Prozesse simuliert werden konnen. Wahrend bei dem AR-Prozess die Ordnung dadurch bestimmt wird, dass die Autokorrelation verschwindet, ist die Festlegung der Ordnung beim ARMA-Prozess nicht so einfach. Wegen Schatzverfahren wird auf [5.28] verwiesen. Bei nichtstationaren Prozessen werden ARIMA-Modelle (Autoregressive Integrated Moving Average) eingesetzt [5.29, 5.31]. Ein ARIMA (p,d,q)-Prozess bezeichnet mit p bzw. q die Ordnung des ARbzw. MA-Prozesses und mit d die Differenzenordnung nach Gln.(5.51-5.53). Ein ARMA (p,q)-Prozess kann also mit dem ARIMA (p,0,q)-Prozess gleichgesetzt werden. Zur Simulation von jahrlichen Abflussen kann folgendes ARIMA (1,0,1)Modell dienen: (x t - n ) + Pi(x t _! - n ) = s t +a 1 s t _ 1 .
(5.62)
Die Parameter oci und (3j konnen durch Losung der folgenden Gleichungen abgeschatzt werden [5.31]: a 1 2 ) und r 2 = p i r i . Eine verfeinerte Schatzung der Parameter ist in [5.29] angegeben. ARIMA Modelle werden zur Simulation von monatlichen Abflussganglinien herangezogen. So sind ARIMA (l,0,l)-Modelle nach Gl.(5.62) zur Simulation von mittleren monatlichen Abflussen geeignet. Nach [5.41] kommen auch ARIMA (l,0,0)-Modelle in Betracht. Modelle von einer kleinen Ordnung geben das Langzeitverhalten hydrologischer Prozesse nur fur bestimmte GroBen, z.B. die Einzelwerte des Abflusses, hinreichend genau wieder. Bei Speicheruntersuchungen ist die Wahrscheinlichkeitsaussage auf die Summe ZQAt anzuwenden. Bei der Aufstellung von jahrlichen Abflussbilanzen ergibt sich die Differenz Sk zwischen der Zuflusssumme und der mittleren Abgabensumme MQAt = EQAt/N zu: N k K Sk = I Q A t - — I QAt.
t=l
N
(5.63)
t=i
Der Abstand zwischen dem ortlichen Maximum und Minimum der Summenlinie ist das SpannmaB (Spannweite) RN: R N =maxS k +|minS k | mitk = l,...,n. Es gleicht dem erforderlichen Speicherbedarf, wenn die Abgabe dem Mittelwasser entspricht. Bei der Ermittlung der SpeichergrbBe mit Summenlinien tritt der Einfluss der kumulativen GroBen besonders deutlich hervor. Anhand zahlreicher und langer Messreihen hydrologischer und geophysikalischer GroBen wurde von Hurst der Einfluss der Lange der Beobachtungsreihe auf das SpannmaB untersucht und folgender Ausdruck angegeben (Hurst-Phanomen) [5.17, 5.21, 5.42]:
5.3 Einfiihrung in die Zeitreihenanalyse und einfache stochastische Zeitreihenmodelle 245 E ( R N / s N ) = cN H bzw. R N = s N ( N / 2 ) H
(5.64)
c : Konstante, N : Anzahl der Beobachtungsjahre, RN: Spannweite bzw. Speicherinhalt bei Jahresvollausgleich fur N Beobachtungsjahre, sN : Standardabweichung der Zuflusse der N Beobachtungsjahre, H : Exponent (Hurst-Koeffizient); 0,5 < H < 1 (Mittel H = 0,7) von Hurst anhand von sehr langen Messreihen nachgewiesen). Fur normalverteilte unabhangige ZufallsgrbBen wird H = 0,5, und damit erhalt man flir den Erwartungswert der Spannweite RNV: E(R N V ) = cr(7iN/2)1/2 « l,25a(N) 0 ' 5
(5.64a)
und flir die Varianz: Var(R NV ) = CT2(0,272)2N. Die exponentielle Abhangigkeit des SpannmaBes von der Lange der Beobachtungsreihe ist mit ein Grand fur die Verwendung von kiinstlich generierten Zeitreihen bei Speicherplanungen. Das Hurst-Phanomen laBt sich mit Modellen des sog. gebrochenen Rauschens simulieren [5.43, 5.44]. 5.3.4 Autoregressionsmodell zur Simulation monatlicher Abfliisse Haufig verwendete Zeitreihenmodelle gehen auf Markov-Modelle 1. Ordnung (Gl.(5.57)) zurttck [5.21, 5.31]: Fur die Zuflusse einer Saison oder eines Jahres wird Gl.(5.57) mit n als Mittelwert und p als Autokorrelationskoeffizient mit der Zeitverschiebung 1 umgeformt zu: q i = H + p(q i _l-H) + e i .
(5.65)
Wenn der stochastische Anteil ej den Mittelwert |i = 0 hat und die Varianz unabhangig von qM ist, dann ist auch e; normalverteilt, wenn q; normalverteilt ist. Es besteht zwischen der Varianz des stochastischen Anteils
= n + p• (qi_! - n ) + t j a d - a 2 ) 1 / 2 .
(5.66)
Die Anwendung des Fiering-Modells auf eine normalverteilte Stichprobe mit dem Mittel x, der Standardabweichung s und dem Autokorrelationskoeffizienten n ergibt die Rekursionsformel:
246
5 AbhSngigkeiten von Zufallsvariablen und Zeitreihenmodelle
^
j^+tisO-r!2)172.
O
(5.67)
Wird der Stichprobe eine Gammaverteilung zugrundegelegt, gilt: qf = x(l - q) + r iqi _! + ^s(l - r, 2 ) 1 / 2 ,
(5.68)
wobei ^ die gammaverteilten Variablen mit dem Mittel 0 und der Standardabweichung 1 sind. Das Markov-Modell nach Gl.(5.68) setzt einen stationaren Prozess voraus. Wenn die