水文尺度分析

2024-07-14

水文尺度分析（精选三篇）

水文尺度分析篇1

近年来,EPASWMM,InforWorksICM等雨洪模型在我国得到了较广泛的使用。在雨洪模型的众多参数中,一些参数的变化对模拟结果影响较大,而另一些参数却微乎其微。对敏感性较强参数的准确取值,可提高模拟结果的可靠性。因此,需要根据模型参数变化引起的响应进行分类,即参数敏感性分析,然后对较敏感的参数进行率定,避免了调参过程的盲目性,从而提高参数率定的效率和模型模拟的可靠性。参数灵敏度分析是模型校核的基础,参数灵敏度分析能使人更了解模型的表现规律。灵敏度也是参数识别、检验模型最基本的手段之一[1]。

国内外诸多学者对于各种雨洪模型进行了参数灵敏度的分析研究。谭琼等[2]采用局部灵敏度分析方法来检验单个参数对径流量和洪峰流量的影响,得出径流系数影响因素最大,坡度影响因素最小。黄金良等[3]选取了3场实测降雨,对澳门半岛雅廉坊小流域的SWMM模型相关参数运用Morris筛选法进行局部灵敏度分析,发现不同降雨强度下,模型水文水力模块的灵敏参数有所差异,尤其是与下渗率相关的参数,雨强最大的降雨,最大和最小下渗率为中等灵敏参数,而雨强较小的降雨则为不灵敏参数。张胜杰[4]等对于北京某住宅小区在两场特征不同的实测降雨下的研究表明,对于径流总量和径流峰值,不透水率,子汇水区面积,汇水区宽度为敏感参数,降雨强度较大时下渗参数为中等敏感参数,降雨强度较小时为不敏感参数。先前对于参数灵敏度的研究大都偏重灵敏度本身,较少考虑雨型的及模型尺度的不同对灵敏度的影响,而根据Mun?Ju S[1]等人的研究,参数灵敏度会随着模型尺度、研究区域的大小的不同而变化。本文将以某平原地区一独立排水流域为例,在考虑到降雨因素的同时,探讨灵敏度在排水区不同模型尺度下的变化规律。

1 模型简介及灵敏度分析方法

1.1 ICM计算模型简介

InfoWorks ICM模型系统能够模拟雨水管道系统,广泛应用于排水系统现状评估,城市洪涝灾害预测评估,城市降雨径流控制及调蓄池设计评估[5,6,7],模型由降雨径流模块、管流模块、污水模块、河道模块以及水质模块等构成。根据不同的下垫面,软件采用不同的计算方法,主要的计算单元有产流模型,汇流模型以及管流模型。对于产流模型以及汇流模型,InfoWorksICM整合了多种不同的模型来模拟这两个过程,常用的产流模型有固定比例径流模型,Wallingford固定径流模型,新英国可变径流模型,Horton模型,SCS下渗模型,GreenAmpt下渗模型,固定下渗模型等。常用的汇流模型有双线性水库模型,大型汇水面积径流模型,SPRINT径流模型,Debordes径流模型,SWMM模型。固定径流系数模型原理较为简单,参数数量较少,而SWMM汇流模型使用较为广泛,参数取值依据性较强,所以本次计算产流模型选用固定径流系数模型,汇流模型选用SWMM径流模型。

1.2 灵敏度分析方法

常用的模型灵敏度分析方法有Morris法[8]以及Sobol法[9]。Morris灵敏度方法是Morris在1991年提出的一种全局灵敏度方法,该方法简单,易于操作,计算量小,可以分析多个参数在较大范围内同时发生变化时对模型输出的影响。Sobol灵敏度分析方法是一种基于方差的蒙特卡罗法,Sobol方法可应用在非单调、非线性、非叠加等模型,但相比Morris法,计算量相对较大,操作较为复杂。本文选用Morris法来计算模型的灵敏度。

Morris筛选法选取模型参数中某一变量,其余参数值固定不变,在所选参数阈值范围内随机改变xi,运行模型得到目标函数y(x)=y(x1,x2,x3,…,xn)的值,用影响值ei判断参数变化对输出值的影响程度,用下式计算,

式中:y*为参数变化后的输出值;y为参数变化前的输出值;Δi为参数i的变幅。

本文采用修正的Morris法[10]进行参数敏感性分析,将所选变量以固定步长百分率变化,然后计算Morris系数的多个平均值,求得敏感性判别因子S,如下式:

式中:S为敏感性判别因子;n为模型运行次数;i为模型的第i个状态变量;Yi为模型第i次运行输出值;Y0为参数调整后计算结果初试值;Pi为第i次模型运行参数值相对于校准后参数值的变化百分率;Pi+1为第i+1次模型运算参数值相对于校准后初始参数值的变化百分率。

计算时,对于目标参数,以5%为固定步长对某一参数值进行扰动,分别是目标参数初始值的80%,85%,90%,95%,105%,110%,115%和120%,而其他参数值固定不变,观测不同降雨强度的径流量和峰值流量的水文和水力模块相关参数的灵敏度。根据灵敏度定量表达的结果,可将灵敏度分为4类[10]。为高灵敏参数;0.2≤|S|<1为灵敏参数;0.05≤|S|<0.2为中等灵敏参数;0≤|S|<0.05为不灵敏参数。

2 分析实例及结果

2.1 研究区域介绍

本研究区域为湖南某市城北排水片区,位于市区西北部。研究区域地处湖南省西南部,属亚热带季风气候,多年平均降水量1 423.9mm,降水集多中在3-8月。研究区域属于典型的城市地形,地势平缓,总体坡度较小,区域内大部分属于老旧城区,少部分属于新建成区域。总面积为374.4hm2,不透水面积约占62.5%。根据研究区域内下垫面汇水情况以及排水管线情况将研究区域分为126个子汇水面积。根据实际情况以及模型手册,将各个参数输入到模型中,建立该区域的暴雨径流模型。选取特征宽度、坡度、初期损失值、管长、地表曼宁N值、径流系数以及管道曼宁N值这7个参数为研究对象。各主要参数的初始取值见表1。

在不同的尺度下,模型的参数灵敏度可能会有所不同,甚至参数的灵敏度在每个子流域上都各不相同[1]。如图1,为了考虑区域尺度影响,将研究区域分为A,B,C三个不同大小的区域,A为整个区域;B为区域北部的24个子汇水面积构成的流域,面积为87.78hm2;C为流域末端的1个子汇水面积构成的流域,面积1.78hm2。经过模型验证后,对于3个区域,分别计算各个参数的灵敏度。

图1研究区域及其划分Fig.1 Study area and its scale variations

降水数据由研究区内的雨量站获得.由于部分暴雨洪水资料的缺失,选取2012年资料较完整的2场降雨进行模拟,为了更好地探究雨型与参数灵敏度的关系,在此选用2场较有代表性的降雨,其中2012-05-06降雨为较长历时,降雨强度较小的一场降雨。2012-07-12降雨为当年降雨强度最大且历时较短一场降雨,降雨特征见图2。

图2降雨过程线Fig.2 Graph of precipitation characteristics

2.2 结果与分析

根据修正的Morris筛选法,利用灵敏度公式计算水文水力模块中参数的敏感性S,得到各个参数对研究区径流总量和径流峰值的灵敏度,见表2。模型尺度以及降雨对参数的敏感性分析结果有较大影响。

2.2.1 主要参数的灵敏度分析排序

对于InfoWorksICM模型径流峰值影响较大的参数依次为,径流系数,特征宽度,地表曼宁N,以及坡度,其中径流系数为高灵敏参数,特征宽度以及地表曼宁N一般为灵敏参数,坡度为中灵敏参数。初期损失值,管长以及管道曼宁N这3个参数对径流峰值的影响较小。

对径流总量而言,敏感性较大的参数依次为径流系数,地表曼宁N,初期损失值以及特征宽度。其中径流系数为高灵敏参数,地表曼宁N,初期损失值以及特征宽度一般为中灵敏参数。坡度,管长以及管道曼宁N一般为不灵敏参数。

总的来说,径流系数为最敏感的参数,无论在何种降雨何种尺度下,其均为高灵敏参数,且其灵敏度远远高于其他参数。这种情况下,模型的结果高度依赖一种参数,因此对于这个参数的率定应当非常谨慎[1]。

2.2.2 参数灵敏度随区域尺度的变化

由表2可知,随着区域尺度的增大,管长对于径流峰值以及径流总量的灵敏度也随之增加。图3(a)给出了管长对径流峰值的灵敏度随区域尺度变化的趋势,可看出管长由不灵敏参数变为中等灵敏参数。同样地,随着区域尺度增大,管道曼宁N对于径流峰值以及总量的灵敏度也随之增大。说明随着区域尺度的增大,管道相关参数的影响会随之增大,所以当研究区域较大时,应增强对管道长度以及管道曼宁N取值的精确性。

地面曼宁N也同区域尺度有较明显的相关性,图3(b)表示了2012-05-06降雨下,地面曼宁N的灵敏度随区域尺度的变化。可以看出,无论是对于径流系数或径流总量,地面曼宁N的灵敏度随区域增大而减小。

同时,由表2可知,其余的参数如特征宽度,初期损失值,径流系数以及坡度这几个参数的灵敏度的变化与区域尺度无明显联系。

2.2.3 雨型对参数灵敏度的影响

初期损失值本身的灵敏度较低,一般为不敏感参数,但初期损失值的灵敏度受到雨型的影响较大。初期损失值对径流总量以及径流峰值的灵敏度,在2012-05-06降雨下普遍要高于2012-07-12降雨。图3(c)表示了初期损失值对径流总量的灵敏度在两场降雨下的灵敏度变化。这主要是由于两场降雨的总降雨量相差悬殊,当降雨量很大时,降雨初损对总径流量的影响会相对较小。由表2还可看出,特征宽度、地面曼宁N以及坡度的灵敏度,在2012-05-06降雨下普遍高于2012-07-12降雨,这主要是因为较大的降雨量以及降雨强度削弱了雨水汇流参数的影响。

3 结语

InfoWorks模型对于峰值流量或径流总量,其参数灵敏度总体上一致。径流系数均为最敏感参数,对于峰值流量或径流总量,其灵敏度值都在1以上,因此模型参数率定时应特别注意径流系数的取值。其次为地面曼宁N,坡度,特征宽度这几个汇流模型中的参数,一般属于灵敏参数。初期损失值一般为中灵敏参数。管道长度以及管道曼宁N值属于不灵敏参数。多数参数对于峰值流量的灵敏度高于径流总量的灵敏度。总体而言,产汇流模型的参数更加敏感,而管道流模型参数相对不敏感。

图3不同区域、降雨下的参数灵敏度比较Fig.3 Sensitivity comparisons under different scale and precipitation

在本例中,特征宽度以及初期损失值的灵敏度受到雨型的影响较大。另外,地面曼宁N对于径流总量的灵敏度在不同降雨下也有较大变化。地面曼宁N值以及管道曼宁N值的灵敏度随着区域的增大而减小,管长的灵敏度随着区域尺度的增大而增大。径流系数、坡度、特征宽度则与同区域大小没有明显相关性。

本研究的结果可为今后湖南及相近地区InfoWorksICM水文模型参数率定提供参考,减少建模工作量,提高参数率定效率。

摘要：以湖南省某市一排水流域为例,基于InfoWorksICM模型软件探讨了排水系统主要参数对洪峰及径流总量影响的灵敏度,讨论了在不同的区域尺度及不同的降雨下,参数灵敏度的变化情况。研究发现,径流系数为最敏感参数,其次是地面曼宁N与特征宽度。初期损失值的灵敏度受到降雨的影响较大。地面曼宁N、管道长度的灵敏度与区域尺度密切相关。总体而言各种区域尺度下水文参数较水力参数更为敏感,在建模以及校核时应当优先注意。

关键词：城市排水模型,InfoWorksICM,灵敏度分析,参数灵敏度

参考文献

[1]Mun-Ju S,Joseph H A,Guillaume,et.al.Addressing ten questions about conceptual rainfall-runoff models with global sensitivity analyses in R[J].Journal of Hydrology,2013,503:135-152.

[2]谭琼,李田,周永潮,等.城市雨水管网模型参数的率定与评价[J].湖南大学学报(自然科学版),2008,35(1):31-35.

[3]黄金良,杜鹏飞,何万谦,等.城市降雨径流模型的参数局部灵敏度分析[J].中国环境科学,2007,27(4):549-553.

[4]张胜杰,宫永伟,李俊奇.暴雨管理模型SWMM水文参数的敏感性分析案例研究[J].北京建筑工程学院学报,2012,28(1):45-48.

[5]Christopher Zoppou.Review of urban storm water models[J].Environmental Modelling&Software 2001,16:195-231.

[6]A H Elliott,S A Trowsdale.A review of models for low impact urban stormwater drainage[J].Environmental Modelling&Software,2007,22:394-405.

[7]黄国如,冯杰,刘宁宁,等.城市雨洪模型及应用[M].北京:中国水利水电出版社,2013:227-239.

[8]Morris M D.Factorial sampling plans for preliminary computational experiments[J].Technometrics,1991,33(2):161-174.

[9]I M Sobol.Global sensitivity indices for nonlinear mathematicalmodels and their Monte Carlo estimates[J].Mathematics and Computers in Simulation,2001,55:271-280.

商业街空间尺度设计分析篇2

商业街的主要特点是因商业店铺的集中而形成了室外购物、休闲、餐饮等功能的空间。基于商业街的店铺特色，决定了其设计的核心就是让空间适用。一般商业街宽度都控制在20米以内。又考虑到车行对人流的影响，利用竖向高差的变化将其划分成两个不同的空间。弯曲的街，使步行变得更加有趣，且会减少风力干扰。变换的街道空间，小型广场的穿插使步行的心理距离变短了。人在步行时都爱走近道，所以提供便捷的路线是游线设计的重要原则之一。

商业街的理想气氛应该是使人觉得亲切、放松、平易近人、有人情味，使人有愉悦的消费心情，而不是单纯的行走空间，人们在其中流连的过程本身也是一种体验和休闲！所以购物者所关注的纵向范围主要集中在建筑一层。对一层以上的范围几乎是“视而不见”。而横向关注范围一般也就在10米——20米之间，而超过20米宽的商业街，行人很可能只关注街道一侧的店铺，不会在超20米宽的范围内“之”字前行。商业街的长度不能太长，超过600米，消费者就可能产生疲劳、厌倦的感觉。

人类学家霍尔于1966年在《潜在尺度》（The Hidden Dimension）一书中，提出了美国白人中年男子的四个级别的空间距离：

A．亲密距离（约0.15～0.45m）。在这种距离内可进行爱抚、格斗、安慰、保护等行为动作的发生；

B．个人距离（约0.45～1.2m）。在这种距离内能看清对方表情等，可获取交流信息；

C．社会距离（约1.20～3.60m）。在这种距离内有社会交往的意向；

D．公共距离（约3.60～7.50m）。在这种距离内人们行同陌路。

现代研究认为，人体视野水平方向约180°，垂直方向约120°，其中视平线上方55°，下方65°。正常人的视力范围要比视野小一些，视力范围是要求能迅速地看清目标细节的范围，一般把视野分为三个主要视力范围区：

A．中心视力范围（直视区），视角1.5°到3°，该区域内的物体视觉效果最清晰；

B．瞬间视力范围，视角18°，特点是通过眼球的转动，在有限的时间内就能获得该区域内物体的清晰形象；

C．有效视力范围，视角30°，特点是利用头部和眼球的转动，在该区域内注视物体时，必须集中注意力方有足够的清晰视觉。

人站在竖高的物体旁边会有意无意地向上看，去寻找它的轮廓，如果过于高耸，找不到它的边缘，他就会感到迷茫、无所适从、压抑、不安全，所以，在一定的距离内，必然有一个适宜的高度不致于使人产生这种感觉。在上述视力范围内确定的建筑高度无疑是最人性的：方便、轻松，但在商业街这样特别金贵的地方显然是很不经济的。

现在以“公共距离”W＝3.60～7.50m为基本宽度，来确定最大适宜建筑高度H＝h＋W/2.tga，其中h为人眼的高度，这里取较高人体地区男子正立时眼的高度1.57m另加鞋厚度0.02m为1.59m；a为仰视角，为求得建筑主要视力范围内的最大高度，这里取为30°；W取为7.50m, W/2表示人走在中间的宽带区内。可知，H＝3.76m，这也就是一层房的高度。

如果考虑到区位的经济因素，那么视平线上方a＝55°是最大的仰视角，由此确定的视野内最大经济建筑高度为H＝h＋W/2.tg55°，即H＝6.95m，这也就是二层楼的高度。

水文尺度分析篇3

[摘要]本文以江苏盐城麋鹿生态旅游区为例，采用TRAMO／SEATS模型和小波分析方法进行了游客序列的季节调整和多尺度分解。表明景区游客增长以2003年为界分为两段，后期游客数量明显上升但增速变缓，短期内的异常变化主要受控于景区政策调整及经营策略变化。基于分解组分建立的CART模型揭示了多尺度作用过程，在景区发展初期，游客数量的小幅波动对趋势影响明显，而相对稳定的客源市场形成后，游客变动对趋势影响变小，更多体现于不同尺度波动的耦合作用。

[关键词]游客变动；季节调整；盐城麋鹿生态旅游区

[中图分类号]F59

[文献标识码]A

[文章编号]1002—5006(2009)07—0027一07

旅游流是游客及其相关和伴生要素在空间区域内的迁移现象，其形成不仅与旅游资源条件有关，而且与社会经济发展水平、文化和政治联系及空间距离密切相关。对旅游流变化规律的深入分析，有助于揭示旅游系统内部各要素间相互作用的关系。本文主要研究狭义的旅游流——游客流。景区游客人数及其变化规律是旅游区的开发、经营、管理和效益分析的起点，也是制定旅游业发展规划、确定客源市场、制定对外宣传策略的重要依据。旅游流在时间变化上具有多尺度性，现有的研究主要集中于客流变化特征和预测等方面。游客数量的变化受景点类型、区位、生命周期等因素影响，特别是受季节要素变化及异常事件影响，游客数量往往表现出明显的异常变化。目前基于历史序列的分析往往忽略了隐含在数据中多尺度变化规律及异常处理，这导致了对游客变化内在规律认识上的不足以及预测上的困难。本文基于盐城麋鹿生态旅游区1998—2005年间游客月际变化数据，综合运用TRAMO／SEATS季节调整方法和小波分析以及CART方法对游客序列进行分析，探讨了旅游区游客序列的变化特征及其作用过程。

1研究思路与研究方法

1.1研究思路

游客时间序列包含了一些基本的、潜在的模式和随机波动，受旅游区的自然条件、资源条件、区位和社会经济条件等确定性因素的影响，游客数量一般表现为整体趋势性和周期性变化。随机性因素则反映了政策、经营策略以及特殊事件(如“非典”)等的影响，其规律性不甚明显，但其对旅游区的影响不可忽略。对游客观测序列的深入剖析，一是构成分析，即对序列中的长期趋势、季节变化、循环变化和不规则变化组分进行分解，以获得不同尺度的作用模式；二是序列分析，以理解旅游区游客波动的内在规律，进而开展预测研究。

1.2研究方法

1.2.1TRAMO／SEATS方法

TRAMo／SEATS方法是以ARIMA模型为基础，使用信号提取技术进行季节性调整时间序列的方法。其中TRAMO(Time series Regression withARLMA noise，Missing observation，and Outliers)为具有ARIMA噪声、缺失值和异常值的时间序列回归法，而SEATS(Signal Extraction in ARIMA TimeSeries)为ARIMA时间序列的信号提取法。这两个程序往往联合使用，TRAMO用于数据的预处理，而SEATS将序列分解出趋势、周期、季节以及不规则等因素。其优势在于它可以设定回归变量，引入自己设定的回归因子，从而解决一些特定的季节因素(如中国日期不确定的春节或放长假等)的影响，是应用最广泛的时间序列调整方法之一。

1.2.2小波分析方法

小波分析(Wavelet Analysis)是近年来发展的时间序列分析的新方法，可对信号进行时频域再现和多尺度多分辨率分析。传统的傅立叶变换只能获得信号整体的、单层次的和单分辨率的认识。小波变换的基本思想与傅立叶变换类似，但它既可以分析信号的概貌，又可分析其细节。其优势在于它能够揭示信号的层次特征及尺度行为，即可在预先定义的尺度上对原始信号进行多尺度滤波。小波变换可以有效地提取非线性和非平稳时间序列在不同尺度上的变动规律和异常特征，已被广泛运用于突变检测、特征提取、信号去噪和信号压缩等多个领域。

1.2.3分类回归树

分类回归树(Classification and Regression Tree，CART)是以递推分解原理为基础的选择变量和变量值的强有力的非参数技术，可自动探测出高度复杂资料的潜在结构、重要模式和作用关系，并可用来构造精确和可靠的预测模型。分类回归树算法分为树生长和树剪枝两个部分，从包括所有训练数据的根节点开始，通过穷尽搜索寻找最小化分类误差的分割点，产生分割点后，根节点相应地被分为两个子节点，继续对两个子节点实施同样的划分过程，直至某一个子节点的划分误差减小到小于某一确定值。实际应用中期望建立用少量的节点即能够解释数据的简单模型，即决策树简单、紧凑。

2游客序列多尺度分解及对应关系

2.1游客序列的多尺度分解

分别利用欧洲统计署开发的Demetra和Matlab软件对盐城游客数据进行季节调整和离散小波分解。由于短期内季节组分一般不随趋势变化而变化，季节调整的基础模型选择加法模型。季节调整时仅选择工作日的影响，并增加了“五一”和“十一”两个黄金周作为回归因子对数据进行预调整。离散小波分解的小波基采用双正交小波db15，分解层数为5层。两者分解获得的各组分序列与原始序列对比见图1a、1b。两种方法均能较好地从原始序列中分离出趋势、周期和不规则组分，但在曲线形态上表现出一定的差异，这与两种方法数学背景不同有关。

2.2多尺度对应关系分析

除趋势组分外，TRAMO／SEATS与小波分解分别获得了3个和5个组分(周期与随机波动)，表明季节调整注重整体平均状态的揭示，而小波分解则更注重不同时间尺度上游客变动的局部特征，适合于不同阶段驱动因素对游客变动规律的影响分析。两种方法在年周期尺度及不规则组分间存在较好的对应关系(图2)。TRAMO／SEATS所提取的两个周期组分(T2，T3)均可与小波分解获得的D2组分进行对比，大致反映了年周期的变化，相关系数分别为0.67和0.53。两者的和序列(T2+T3)与D2间表现出良好的对应关系，相关系数达到了0.93。由于D2包含了所有细节波动组分能量的49.34％(占总体能量的2.60％)，因此可以认为D2是麋鹿景区游客年际尺度变动的主导模式。

将季节调整年周期组分和序列与D2序列相减所获得的残差序列与D3同样表现出较好的对应关系(相关系数为0.53)。而该残差序列与D3的差序列与D1间相关系数为0.49，但与季节调整获得的不规则组分间相关系数则为-0.24。这可能与季节调整获得的不规则组分存在极端异常值有关。季节

调整获得的周期组分与D2、D3组分之和间的差异可能由随机噪声所引起的。

3游客序列的多尺度波动特征分析

游客变动分析指从调查获得的数据中发掘游客增长的固有模式，包括游客增长的长期趋势、游客变动的周期分析以及游客数变化的异常分析等。

3.1景区游客变动的长期趋势分析

季节调整和小波分解提取的景区游客数序列的长期趋势分量对比见图3。季节调整提取的趋势以2003年为界划分为两段，2003年前景区游客呈较高速增长状况，年均游客增长率在2000人，月左右。2003年后整体基数明显抬升，但游客增长率降为1000人／月左右。从TRAMO／SEATS方法在预调整时对原始序列线性拟合趋势看，1998—2005年间多年平均游客增长率在1600人／月左右。小波分解提取趋势则表现为非线性趋势，其中，A5与预调整序列提取的平均趋势较为接近，该组分能量占总体能量分布的94.73％。在D4、D5均反映出2003年前后存在显著的周期转型(图1)。将D4、D5与A5相加获得的和序列整体上与季节调整的分段趋势相接近，但存在一些局部性波动。

景区游客数的趋势变化反映了景区建设与游客之间的双向影响。从季节调整和线性拟合的趋势项间的对比看，景区发展初期，游客数呈现较强烈的线性增长，2001年后，游客数达到一个相对较高的水平，而景区由于自身投资不足以及相关配套设施更新不够，使得其对游客的吸引力较之以前有所下降。2003年后，由于景区开设了一系列游客互动类旅游项目，并加大投入改善景区的服务水平和基础设施水平，使得2003年后景区游客有较大的增长，并直接导致趋势项以2003年为界分为两段。从2003年游客的增长率下降来看，景区仍需在基础设施建设、宣传策略等方面加大力度。

3.2景区游客变动的周期分析

景区游客的周期分析有助于揭示景区游客在时间上的波动规律。从季节调整获得的年周期波动看(图4)，除7月、8月、12月4个月游客数相对明显偏低外，其他月份游客数相对较为平均。7月、8月的低值与气温有关，12月份的低值则可能与其处于元旦及春节长假之前出游需求不强烈有关。由于麋鹿景区主要以露天观赏为主，此种变化不仅反映了景区受季节因素影响造成的游客周期性变化，同时也在一定程度上反映了景区的服务和基础设施建设的不足，以及对暑期市场开发的重视不够。

小波分解的D2组分显示年周期波动可划分为3个阶段，1998年到2000年，该阶段处于景区运营的起步阶段，游客总数相对较少，周期波动的振幅也相对较小。2000年到2003年，该阶段游客数量表现为波动上升。2003年到2005年间，游客表现出更大幅度的波动，这与景区政策调整有关。上述阶段性变化在季节调整的12组分中也有反映，但差异不甚明显。T2组分中在2005年7月、8月间表现出明显低值。与景区管理人员沟通表明，这一剧烈变动主要受景区内部决策和管理方向的调整的影响。而2000年11月、2001年9月以及2004年7月3个游客高峰的出现，均由于景区增加了游客活动类旅游项目，从而增加了景区对游客的吸引力。

3.3景区游客变动的不规则组分和异常事件分析

游客序列的不规则组分可揭示突发事件或随机因素造成的游客变化情况。TRAMO／SEATS方法根据统计特性的不同，将序列异常点划分为LS、AO及代型3类。LS型表示水平持久变化的异常点，一般代表机制性的突变；AO型表示单个跳跃点，一般不具有重现性，主要由随机因素引起。TC型表示对后继序列有一定的影响，但最终会回到原始值，一般由具有一定影响力特殊事件所导致。本文以序列的2倍标准差(SD)为基准，分析了D1组分T1组分中可能存在的异常(图5)，并进行了对比分析。

从图5可知，季节调整的T1组分存在2001年7月、2002年11月和2005年6月3个异常点。时间间隔分别是16个月和31个月，功率谱分析显示不存在这两个周期组分，因此可以认为3个异常点均为突变性异常点。根据TRAMO／SEATS对异常的判定结果也表明3个异常点均为AO型。此外，TRAMO／SEATS还显示2003年1月是一个具有长期影响的突变点(LS型)，这与前文景区游客增长趋势的阶段性变化相对应。可见，季节调整所识别出的不同类型的异常点，有助于从机制层面分析其原因及作用方式。基于小波D1组分提取的异常看，在2002年11月和2005年6月两个异常的相邻月份也表现为异常，这可能与小波分解过程有关。而2000年9月和2000年12月在季节调整中未得到反映，其原因有待进一步研究。

从上述两种方法对不规则组分及异常的分析看，TRAMO／SEATS根据统计特征将异常进行分类，一定程度上更有助于判断异常产生的驱动机制及其影响程度的大小。而小波分解的方法更注重局部信息的再现。从功率谱的对比看，小波分解的频率界限非常明显，而季节调整获得的不规则组分更接近于白噪声的功率谱。就简单性和准确性而言，TRAMO／SEATS不失为一种有效的异常提取与判别方法。

4游客序列多尺度作用过程分析

4.1基于组分的CART模型建立

CART通过对自变量进行层次性的划分和归类以揭示因变量与自变量间的统计关系，各因变量自上而下的层次关系可从统计层面上反映各自变量对因变量的作用过程。分别以季节调整和小波分解获取的各组分为自变量，以原始游客序列为因变量建立5层CART模型，计算了模型拟合序列与原始序列的对比及各组分相对重要性(图6a，6b)。可知，2001年前，季节调整分解序列建立的CART模型拟合效果更佳，2001年后，小波分解组分建立的CART对波动和异常拟合效果更佳。这可能与季节调整注重整体平均的序列组分，而小波则更注重于波动的局部特性有关。就因子的相对重要性而言，CART的结果与前文分析相一致。

4.2CART模型揭示的作用过程

基于季节调整与小波分解结果所建立的CART在形式上具有一致性，文中仅以季节调整获取的CART(图7)分析多尺度的作用过程。自根节点起，以T4(趋势)是否大于13392为界(2002年12月至2003年1月间)分为左右两枝，与前文趋势的分段相一致。

左枝据T4是否大于7008为界(2000年10月)划分为两枝，此分界点反映了T2、T3问的相互作用的不同，此前T2和T3大致呈反相位，其主要作用变量为T3、T4，而此后呈正相位，表明2000年lO月到2003年1月间，主导的作用变量为12、T3。该分界点在小波分解组分中也有较好的体现。表明在景区发展初期，游客基数较小，游客数量的小幅波动就可能影响到景区游客整体的趋势性变化。

右枝中T2>4108的节点分别对应于2005年5月、9月和10月3个异常月份。对于T2~<4108的节点，往下再以T1(不规则变动)为基准进行划分。表明2003年后，游客序列趋势变化基本稳定，周期波动幅度也相对较小，序列受异常影响明显。此时景区发展到一定的规模，形成了相对稳定的客源市场后，游客变动一般不直接反映于趋势变动，而是体现于不同周期波动的耦合作用中。小波分解的结果也表明该段异常在D1、D2尺度影响明显，而在更大大尺度上影响甚微。

5结论与讨论

游客人数是衡量旅游区发展水平的重要指标之一。旅游区的发展受到诸多确定性和随机性因素的共同作用，表现为游客序列数据变动一般较大、类型复杂且噪声和异常较多。通过厘定游客序列中长期趋势、周期波动和不规则变化组分等不同尺度的作用模式，有助于理解旅游区游客波动的内在规律及其影响要素。

运用TRAMO／SEATS模型与小波分析方法对麇鹿生态旅游区1998—2005年游客序列进行了多尺度分解，季节调整获取的周期变动更注重整体平均状态的揭示，而小波分解的多尺度组分则更注重在不同时间尺度上游客变动的局部特征。总体上，游客增长以2003年为界划分两段，后期游客数量明显上升，但游客增长速率变缓。在国际尺度的变化上，7月、8月和12月游客数量相对较低，这不仅反映了景区受自然规律(气温等)和特定季节因素(节日分布)影响造成的游客周期性的变化，也表明景区在服务、基础设施和暑期营销策略上仍有待提高。从突变和异常看，游客数量短期内异常变化主要受控于景区政策调整以及经营策略变化的影响。

通过建立CART模型，揭示了各分解组分对游客序列的作用过程。CART中各分界点所揭示的不同阶段的变化特征，与景区游客变化过程之间存在较好的对应关系。即在景区发展初期，游客基数较小的阶段，游客数量的小幅波动就可能作用于游客变化的趋势分量。而当景区发展到一定阶段，形成了相对稳定的客源市场后，游客变动对趋势的影响变小，更多体现于不同周期波动的耦合作用。这种作用尺度上的差异，对于深入分析景区经营策略评价、规划等具有重要的意义。

具有不同数学背景的方法的综合应用与对比，有助于更好地揭示旅游系统演化的过程与趋势，以及景区经营决策对景区游客数量的影响，从而可为减小经营风险、以及景区未来的决策提供可靠的依据。今后应在游客序列分析的基础上，强化预测模型及优化调控对策等方面的研究，从而在追求游客总量增长和经济效益提升的同时，强化旅游资源和生态环境的保护与优化。

[参考文献]

[1]章锦河，张捷，李娜，等，中国国内旅游流空间场效应分析[J]，

地理研究，2005，24(2)：293—302

[3]唐顺铁，郭来喜，旅游流体系研究[J]，旅游学刊，1998，13(3)：

[4]吴必虎，中国旅游研究14年[J]，旅游学刊，2001，16(1)：17—

[5]张捷，周寅康，都金康，等观光旅游地客流时间分布特性的比

较研究[J]，地理科学，1999，19(1)：49—54

[6]陆林，宣国富，章锦河，等，海滨型与山岳型旅游的客流季节性

比较——以山亚、北海、普陀山、黄山、九华山为例[J]地理学

报，2002，57(6)：73l一740

[7 涂建军四川省入境旅游客流时空动态模式研究[J]长江流

域资源与环境，2004，(4)：338—342，