Materiał przygotowany z pomocą AI

Treść tego wpisu została wygenerowana z wykorzystaniem sztucznej inteligencji i nie została jeszcze zweryfikowana merytorycznie.

Rozkłady prawdopodobieństwa w analizie opadów i przepływów

Spis treści

1. Wprowadzenie — rola rozkładów w hydrologii
2. Rozkład Gamma / Pearson III
3. Rozkład log-normalny
4. Rozkład Gumbela (EV1)
5. Rozkład Weibulla
6. Rozkład GEV — uogólnienie
7. Porównanie rozkładów i kryteria doboru
8. Metody estymacji parametrów
9. Parametry rozkładów jako zmienne opadowe w MCDA
10. Standardy i regulacje
11. Źródła

---

1. Wprowadzenie — rola rozkładów w hydrologii

Analiza częstości zdarzeń ekstremalnych — opadów i przepływów — jest podstawą projektowania infrastruktury wodno-inżynieryjnej i oceny ryzyka powodziowego. W jej centrum leży pytanie: jakie jest prawdopodobieństwo przekroczenia danej wartości w danym roku?

Formalna definicja: przepływ (lub opad) maksymalny o prawdopodobieństwie przewyższenia $p$ to kwantyl rzędu $1-p$ rozkładu maksimum rocznego:

$Q_{max,p}=F^{-1}(1-p)$

Odwrotność tego prawdopodobieństwa daje okres powtarzalności $T=1/p$, np. $p=0.01$ odpowiada zdarzeniu stuletniemu ($T=100$ lat).

Kluczowy problem to dobór rozkładu teoretycznego $F$ do danych empirycznych. W hydrologii stosuje się kilka głównych rodzin rozkładów, omówionych poniżej.

---

2. Rozkład Gamma / Pearson III

2.1 Definicja

Rozkład Pearson III (PE3), nazywany też rozkładem gamma z przesunięciem, oznaczany $X\sim P3(\epsilon ,\alpha ,\beta )$, ma gęstość:

$f(x)=\{\begin{array}{ll}0& \text{dla }x\le \epsilon \\ \frac{(x-\epsilon {)}^{\alpha -1}\cdot e^{-(x-\epsilon )/\beta }}{{\beta }^{\alpha }\cdot \Gamma (\alpha )}& \text{dla }x>\epsilon \end{array}$

Parametr	Symbol	Znaczenie
Położenie	$\epsilon$	dolna granica rozkładu (może być 0)
Kształt	$\alpha >0$	określa asymetrię; $\alpha \to \infty$ zbliża do rozkładu normalnego
Skala	$\beta >0$	„rozciągnięcie” rozkładu

Wartość oczekiwana i wariancja: $EX=\epsilon +\alpha \beta ,D^{2}X=\alpha {\beta }^2$

Współczynnik asymetrii: $\gamma =2/\sqrt{\alpha }$.

2.2 Wariant: Log-Pearson III (LP3)

Jeśli $Y=\ln X$ ma rozkład Pearson III, to $X$ ma rozkład Log-Pearson III. Jest to standard w analizie przepływów w USA (Bulletin 17C, USGS/IACWD) i Australii.

2.3 Zastosowania

• Roczne sumy opadów, roczne maksima przepływów (Polska, Europa kontynentalna)
• Polska metodyka KZGW (2017): Pearson III jako jeden z trzech rekomendowanych rozkładów do obliczania przepływów maksymalnych prawdopodobnych

2.4 Zalety i ograniczenia

Zalety: elastyczność (obejmuje rozkłady symetryczne i silnie skośne), dobrze opisuje prawostronnie skośne dane hydrologiczne, dolna granica może być różna od zera.

Ograniczenia: trzy parametry wymagają dłuższych serii; estymacja bywa niestabilna dla bardzo skośnych rozkładów przy małych próbach.

---

3. Rozkład log-normalny

3.1 Definicja

Zmienna $X$ ma rozkład log-normalny $X\sim LN(\epsilon ,\mu ,\sigma )$, gdy $Y=\ln (X-\epsilon )$ ma rozkład normalny $N(\mu ,{\sigma }^2)$. Gęstość:

$f(x)=\{\begin{array}{ll}0& \text{dla }x\le \epsilon \\ \frac{1}{(x-\epsilon )\sigma \sqrt{2\pi }}\exp \left(-\frac{[\ln (x-\epsilon )-\mu {]}^2}{2{\sigma }^2}\right)& \text{dla }x>\epsilon \end{array}$

Wartość oczekiwana i wariancja: $EX=\epsilon +e^{\mu +{\sigma }^2/2},D^{2}X=(e^{{\sigma }^2}-1)e^{2\mu +{\sigma }^2}$

Wersja dwuparametryczna ($\epsilon =0$, LN2) jest najczęściej stosowana w praktyce.

3.2 Zastosowania

• Roczne maksima przepływów i opadów (bardzo szerokie zastosowanie)
• Polska metodyka KZGW: log-normalny rekomendowany dla opadów dobowych; jeden z trzech rozkładów dla przepływów
• Nachylenia stoków, czas trwania niżówek, stężenia zanieczyszczeń w wodach
• USA: Bulletin 17C (USGS 2019) zaleca LP3, ale LN jest alternatywą

3.3 Zalety i ograniczenia

Zalety: wynikanie z multiplikatywnego mechanizmu (iloczyn wielu czynników daje log-normalność), prosta transformacja do skali logarytmicznej pozwala stosować metody statystyki normalnej.

Ograniczenia: ogon prawostronny cięższy niż normalny, ale lżejszy niż Fréchet — może nie być wystarczający dla regionów z bardzo ekstremalnymi opadami konwekcyjnymi.

---

4. Rozkład Gumbela (EV1)

4.1 Definicja

Rozkład Gumbela (Fisher-Tippett typ I, EV1), $X\sim Gumbel(\mu ,\alpha )$, ma gęstość:

$f(x)=\alpha \cdot \exp (-\alpha (x-\mu )-e^{-\alpha (x-\mu )}),x\in \mathbb{R}$

Parametry: $\mu \in \mathbb{R}$ — położenie (moda rozkładu), $\alpha >0$ — skala (odwrotność parametru rozproszenia).

Kwantyl rzędu $p$ (przydatny przy wyznaczaniu opadów i przepływów prawdopodobnych):

$x_p=\mu -\frac{1}{\alpha }\ln (-\ln p)$

Wartość oczekiwana i wariancja: $EX=\mu +\frac{{\gamma }_E}{\alpha }\approx \mu +\frac{0.5772}{\alpha },D^{2}X=\frac{{\pi }^2}{6{\alpha }^2}$

gdzie ${\gamma }_E=0.5772\dots$ to stała Eulera-Mascheroniego.

4.2 Związek z GEV

Rozkład Gumbela jest szczególnym przypadkiem GEV przy $\xi =0$: $GEV(\mu ,\sigma ,0)\equiv Gumbel(\mu ,1/\sigma )$. Ogon prawostronny jest lekki, wykładniczy — kwantyle rosną logarytmicznie z okresem powtarzalności.

4.3 Zastosowania i historia

• Spopularyzowany przez Emila Gumbela — monografia z 1958 r. podsumowała jego prace z lat 30.-50. XX w. nad analizą ekstremalnych wartości przepływów
• Przez dekady standard europejski i polski w analizie opadów ekstremalnych
• Nadal stosowany w wielu regionalnych metodykach (Niemcy, Austria, Czechy)
• PANDA (IMGW-PIB 2020): Gumbel jako jeden z ośmiu testowanych rozkładów dla krzywych IDF

4.4 Zalety i ograniczenia

Zalety: prosty wzór na kwantyle, długa tradycja stosowania, jeden mniej parametr niż GEV.

Ograniczenia: brak parametru kształtu — nie może modelować ciężkich ogonów (Fréchet) ani ograniczonego górnie ogona (Weibull). Dla danych z obszarów konwekcyjnych często niedoszacowuje ekstremalnych kwantyli.

---

5. Rozkład Weibulla

5.1 Definicja

Rozkład Weibulla, $X\sim Weibull(\mu ,\sigma ,k)$, ma gęstość:

$f(x)=\{\begin{array}{ll}0& \text{dla }x\le \mu \\ \frac{k}{\sigma }{\left(\frac{x-\mu }{\sigma }\right)}^{k-1}\exp \left[-{\left(\frac{x-\mu }{\sigma }\right)}^k\right]& \text{dla }x>\mu \end{array}$

gdzie $\mu \in \mathbb{R}$ — położenie, $\sigma >0$ — skala, $k>0$ — kształt.

Wartość oczekiwana: $EX=\mu +\sigma \Gamma \left(1+\frac{1}{k}\right)$

5.2 Dwa znaczenia „Weibulla” w hydrologii

Uwaga terminologiczna

W hydrologii słowo „Weibull” funkcjonuje w dwóch różnych znaczeniach:

1. Rozkład Weibulla (powyżej) — rozkład stosowany m.in. dla prędkości wiatru, niżówek, niezawodności urządzeń. Parametr kształtu $k>0$, ogon prawostronny malejący szybciej niż wykładniczy.
2. GEV z $\xi <0$ (odwrócony Weibull, Fisher-Tippett typ III) — wartość zmienna ma górne ograniczenie, ogon jest skończony. Jest to szczególny przypadek GEV przy ujemnym parametrze kształtu.

5.3 Zastosowania

• Prędkość wiatru (meteorologia), niezawodność urządzeń technicznych
• Polska metodyka KZGW (2017): Weibull jako jeden z trzech rekomendowanych rozkładów dla przepływów maksymalnych
• Analiza niżówek i czasów trwania stanów poniżej progu
• PANDA: Weibull w zbiorze testowanych rozkładów dla opadów krótkotrwałych

5.4 Zalety i ograniczenia

Zalety: modeluje zmienne z ograniczeniem dolnym, elastyczny kształt (od wykładniczego do zbliżonego do normalnego), intuicyjna interpretacja w analizie niezawodności.

Ograniczenia: nie modeluje ekstremalnie ciężkich ogonów, może słabiej pasować do danych z dominacją konwekcji.

---

6. Rozkład GEV — uogólnienie ekstremalnych wartości

6.1 Twierdzenie Fishera-Tippetta-Gnedenko

Fundamentalne twierdzenie statystyki ekstremalnej: jeśli znormalizowane maksimum $n$ niezależnych zmiennych losowych zbiega do nietrywialnego rozkładu granicznego, to tym rozkładem musi być GEV (Generalized Extreme Value). Jest to odpowiednik centralnego twierdzenia granicznego dla wartości ekstremalnych. Twierdzenie sformułowali Fisher i Tippett (1928), a pełny rygorystyczny dowód dostarczył Gnedenko (1943).

6.2 Definicja

Rozkład GEV, $X\sim GEV(\mu ,\sigma ,\xi )$, ma gęstość:

$f(x)=\frac{1}{\sigma }{\left(1+\xi z\right)}^{-1/\xi -1}\exp \left[-(1+\xi z{)}^{-1/\xi }\right],\xi \ne 0$

$f(x)=\frac{1}{\sigma }{e}^{-z-e^{-z}},\xi =0$

gdzie $z=(x-\mu )/\sigma$, przy warunku $1+\xi z>0$.

Parametr	Symbol	Znaczenie fizyczne
Położenie	$\mu$	„Typowa” wartość ekstremalnych opadów — centrum rozkładu
Skala	$\sigma >0$	Zmienność/rozrzut ekstremalnych opadów
Kształt	$\xi \in \mathbb{R}$	„Ciężkość ogona” rozkładu

Wartość oczekiwana ($\xi <1$): $EX=\mu +\frac{\sigma }{\xi }[\Gamma (1-\xi )-1],\xi \ne 0$ $EX=\mu +\sigma {\gamma }_E,\xi =0$

6.3 Trzy typy — zależnie od parametru kształtu $\xi$

Typ	$\xi$	Ogon rozkładu	Odpowiada rozkładowi	Interpretacja hydrologiczna
Gumbel (I)	$\xi =0$	Lekki, wykładniczy	Gumbel	Wzrost kwantyli logarytmiczny z $T$
Fréchet (II)	$\xi >0$	Ciężki, potęgowy	Fréchet	Możliwe bardzo duże ekstrema — „fat tail”. Regiony tropikalne, konwekcja
odwr. Weibull (III)	$\xi <0$	Ograniczony górnie	Weibull (odwrócony)	Ekstrema mają fizyczne ograniczenie górne

6.4 Metody estymacji

• L-momenty (Hosking & Wallis, 1997) — preferowane dla małych prób ($n<50$), odporne na obserwacje odstające. Standard w hydrologii regionalnej.
• MLE — optymalne asymptotycznie, ale niestabilne przy $\xi <-0.5$ i małych próbach.
• Bayesian — umożliwia włączenie wiedzy a priori (np. o $\xi$ z sąsiednich stacji lub z regionalnych badań).

---

7. Porównanie rozkładów i kryteria doboru

7.1 Charakterystyki porównawcze

Rozkład	Parametry	Ogon	Asymetria	Ograniczenie górne
Gamma/PE3	3	umiarkowany	elastyczna (prawostronna)	nie
Log-normalny	2-3	umiarkowanie ciężki	prawostronna	nie
Gumbel	2	lekki (wykładniczy)	stała, prawostronna	nie
Weibull	2-3	lekki/malejący	zależy od $k$	nie (ograniczenie dolne $\mu$)
GEV	3	elastyczny	elastyczna	zależy od $\xi$

7.2 Kiedy który rozkład?

Pearson III / Log-Pearson III: dobre dopasowanie do rocznych maksimów przepływów w umiarkowanych strefach klimatycznych; Log-PE3 gdy dane mają prawostronnie asymetryczny logarytm.

Log-normalny: naturalne zastosowanie gdy zmienna jest iloczynem wielu niezależnych czynników (intensywność opadu = wypadkowa wielu procesów atmosferycznych). Dobry dla opadów dobowych.

Gumbel: historycznie szeroko stosowany; dobry gdy brak podstaw do odrzucenia $\xi =0$; prosta interpolacja kwantyli na papierze Gumbela.

Weibull: przepływy niżówkowe, prędkości wiatru, czas trwania suszy; Polska metodyka KZGW dla przepływów maksymalnych.

GEV: gdy nie chcemy a priori zakładać kształtu ogona; elastyczność pozwala dopasować zarówno lekkie jak i ciężkie ogony; preferowany w regionach konwekcyjnych ($\xi >0$) i w analizach globalnych/klimatycznych.

7.3 Kryteria doboru rozkładu

Gdy kilka rozkładów nie jest odrzucanych przez testy zgodności, możemy je wszystkie stosować — wyniki stanowią zakres niepewności szacowania. Jeśli konieczny jest wybór jednego rozkładu:

1. Kryterium informacyjne Akaike (AIC): $AIC=2k-2\ln \hat{L}$, gdzie $k$ = liczba parametrów, $\hat{L}$ = maksymalna wartość funkcji wiarygodności. Mniejszy AIC = lepszy model. PANDA stosuje AIC jako kryterium wyboru.
2. Kryterium BIC (Bayesowskie): $BIC=k\ln n-2\ln \hat{L}$ — silniej penalizuje dodatkowe parametry.
3. Testy zgodności:

Test	Zasada	Zalety	Zastosowanie
${\chi }^2$ Pearsona	Porównanie częstości teoretycznych i empirycznych w klasach	Prosty, dla zmiennych dyskretnych i ciągłych	KZGW, PANDA
Kołmogorowa (${\lambda }_K$)	Max odchylenie dystrybuanty empirycznej od teoretycznej	Nie wymaga klas	KZGW, PANDA
Andersona-Darlinga	Ważona odległość dystrybuant, większy nacisk na ogony	Czulszy na dopasowanie w ogonach	PANDA
Cramera-von Misesa	Całkowa odległość kwadratowa dystrybuant	—	—

---

8. Metody estymacji parametrów

8.1 Metoda momentów (MOM)

Parametry wyznaczane przez przyrównanie momentów próby (średnia, odchylenie standardowe, skośność) do momentów teoretycznych rozkładu. Prosta, ale wrażliwa na obserwacje odstające — szczególnie skośność jest niestabilna dla małych prób.

8.2 Metoda największej wiarygodności (MLE)

Poszukiwanie parametrów ${\theta }_1,\dots ,{\theta }_p$ maksymalizujących funkcję wiarygodności:

$L(x_1,\dots ,x_n;{\theta }_1,\dots ,{\theta }_p)={\prod }_{i=1}^{n}f(x_i;{\theta }_1,\dots ,{\theta }_p)$

Asymptotycznie optymalna (najefektywniejsza), ale niestabilna dla małych prób i ekstremalnych wartości $\xi$ w rozkładzie GEV.

8.3 Metoda momentów liniowych (L-momenty)

L-momenty (Hosking & Wallis, 1997) są kombinacjami liniowymi statystyk porządkowych — z definicji odporne na obserwacje odstające. Dla próby $x_{(1)}\le x_{(2)}\le \dots \le x_{(n)}$:

${\ell }_1=\bar{x},{\ell }_2=\frac{1}{\left(\genfrac{}{}{0ex}{}{n}{2}\right)}{\sum }_{j>i}(x_{(j)}-x_{(i)})/2,\dots$

L-współczynnik zmienności (${\tau }_2={\ell }_2/{\ell }_1$) i L-skośność (${\tau }_3={\ell }_3/{\ell }_2$) są podstawą diagramu ${\tau }_3$-${\tau }_4$ (L-moment ratio diagram), który umożliwia wizualną identyfikację najlepiej pasującego rozkładu.

L-momenty są preferowaną metodą w:

• hydrologii regionalnej (RFFA — Regional Flood Frequency Analysis)
• estymacji GEV dla małych prób
• metodykach opartych na reanalyzach klimatycznych (ERA5-Land)

---

9. Parametry rozkładów jako zmienne opadowe w MCDA

9.1 Tradycyjne podejście a problem subiektywności

Klasyczne podejście w hydrologii:

1. Dopasuj rozkład do rocznych maksimów opadowych
2. Wybierz okres powtarzalności $T$ (np. 10, 50, 100 lat)
3. Oblicz poziom powrotowy $x_T$ i użyj go jako wejścia do modelu

Wybór $T$ jest jednak arbitralny i zależy od kontekstu. Nie istnieje „właściwy” $T$ dla globalnego modelu podatności na powodzie — każdy wybór uprzywilejowałby pewne regiony kosztem innych.

9.2 Alternatywa: parametry rozkładu jako zmienne

Zamiast kompresować informację o rozkładzie do jednego kwantyla, można stosować same parametry jako zmienne w modelu MCDA. Podejście to jest niezależne od wyboru konkretnego rozkładu:

Zmienna	Co wnosi do modelu
Location / $\mu$ / $\epsilon$	Jak intensywne są typowe ekstrema opadowe
Scale / $\sigma$ / $\beta$	Jak nieprzewidywalne/zmienne są ekstrema
Shape / $\xi$ / $\alpha$	Ciężkość ogona — możliwość bardzo dużych zdarzeń
Ratio 3h/24h	Dominacja opadów konwekcyjnych vs frontalnych

Zaleta: unika subiektywnego wyboru $T$; każdy parametr niesie odrębną informację o charakterze zagrożenia opadowego. Model „widzi” pełną charakterystykę klimatu opadowego.

9.3 Stosunek intensywności 3h/24h jako wskaźnik konwekcyjności

$ratio=\frac{{\mu }_{3h}/3}{{\mu }_{24h}/24}$

Czyli stosunek znormalizowanej intensywności 3-godzinowej do 24-godzinowej.

Wartość	Interpretacja	Typ opadów	Znaczenie dla FF
> 1	Intensywność 3h jest proporcjonalnie wyższa	Konwekcyjne — krótkie, intensywne burze	Wyższe zagrożenie FF
= 1	Intensywność proporcjonalna do czasu	Mieszane	Umiarkowane
< 1	Intensywność 24h dominuje	Frontalne — długie, umiarkowane opady	Niższe zagrożenie FF

9.4 Transformacje parametrów i obsługa edge cases

• Log-transformacja parametrów location i scale: kompresuje outlierów i wyrównuje wagi między regionami o bardzo różnych intensywnościach opadów (np. tropiki vs. arktyka)
• Clipping parametru ratio do $[0,10]$ — eliminacja fizycznie nierealistycznych wartości
• Parametr scale w GEV często przechowywany jako $\log (\sigma )$ — wymaga exponentiacji przed użyciem w formule kwantyla
• $\mu =0$: $\log (0)=-\infty$ — wymaga obsługi (clipping do $[\epsilon ,\infty )$)

9.5 Kierunek reklasyfikacji

W odróżnieniu od czynników powierzchniowych (nachylenie, akumulacja przepływu), zmienne opadowe zachowują ten sam kierunek reklasyfikacji niezależnie od typu zlewni:

Zmienna	Kierunek	Uzasadnienie
Location ($\mu$)	wyższy = wyższe zagrożenie	Więcej opadu = więcej wody
Scale ($\sigma$)	wyższy = wyższe zagrożenie	Większa zmienność = większe ryzyko ekstremalnych zdarzeń
Shape ($\xi$)	wyższy = wyższe zagrożenie	Cięższy ogon = możliwe bardzo duże zdarzenia
Ratio 3h/24h	wyższy = wyższe zagrożenie	Dominacja konwekcji = krótsze, intensywniejsze opady

Opad jest czynnikiem wymuszającym (forcing), nie odpowiedzią zlewni — dlatego jest niezależny od filtra powierzchniowego.

→ Porównanie z czynnikami powierzchniowymi: reklasyfikacja per typ

---

10. Standardy i regulacje

10.1 Polska — Metodyka KZGW (2017)

Metodyka obliczania przepływów i opadów maksymalnych prawdopodobnych KZGW:

• Dane: ciąg co najmniej 30-letni, bez trendu (test Manna-Kendalla) i jednorodny (np. test Pettita lub Buishand Range)
• Rozkłady dla przepływów: Pearson III, log-normalny, Weibull (poprzednia wersja: GEV)
• Rozkłady dla opadów dobowych: log-normalny
• Testy zgodności: ${\chi }^2$ Pearsona, Kołmogorowa (${\lambda }_K$)
• Przedziały ufności: podane dla LN, PE3 i Weibulla (str. 18-25, 30-35, 54-62)

10.2 Polska — PANDA (IMGW-PIB, 2020)

Polski Atlas Natężeń Deszczów — metodyka krzywych IDF (natężenie-czas trwania-częstość):

• Zakresy czasów trwania: 5 min do 4320 min (3 doby) — do projektowania systemów kanalizacyjnych
• Testowane rozkłady: log-normalny, gamma, wykładniczy, Gumbel, Fréchet, GEV, Pareto, Weibull
• Kryterium wyboru: AIC (Akaike Information Criterion)
• Testy zgodności: ${\chi }^2$, Kołmogorowa, Andersona-Darlinga

10.3 Europa — standardy regionalne

Kraj/Region	Preferowany rozkład	Uwagi
Polska	PE3, LN, Weibull	KZGW 2017
Niemcy	Gumbel / GEV	DWA
Wielka Brytania	GEV	FEH (Flood Estimation Handbook)
USA	Log-Pearson III	Bulletin 17C (USGS/IACWD 2019)
Australia	LP3 / GEV	ARR (Australian Rainfall and Runoff)
Analizy globalne	GEV	ERA5-Land, CMIP6

---

11. Źródła

Statystyka ekstremalna — fundamenty

• Coles, S. (2001). An Introduction to Statistical Modeling of Extreme Values. Springer, London. doi:10.1007/978-1-4471-3675-0
• Hosking, J.R.M. & Wallis, J.R. (1997). Regional Frequency Analysis: An Approach Based on L-Moments. Cambridge University Press. doi:10.1017/CBO9780511529443
• Katz, R.W., Parlange, M.B. & Naveau, P. (2002). Statistics of extremes in hydrology. Advances in Water Resources, 25, 1287-1304. doi:10.1016/S0309-1708(02)00056-8
• Gumbel, E.J. (1958). Statistics of Extremes. Columbia University Press, New York.

Statystyka opadowa i rozkłady w hydrologii

• Koutsoyiannis, D. (2004). Statistics of extremes and estimation of extreme rainfall: I. Theoretical investigation. Hydrological Sciences Journal, 49(4), 575-590. doi:10.1623/hysj.49.4.575.54430
• Overeem, A., Buishand, A. & Holleman, I. (2008). Rainfall depth-duration-frequency curves and their uncertainties. Journal of Hydrology, 348(1-2), 124-134. doi:10.1016/j.jhydrol.2007.09.044
• Villarini, G., Smith, J.A., Baeck, M.L., Vitolo, R., Stephenson, D.B. & Krajewski, W.F. (2011). On the frequency of heavy rainfall for the Midwest of the United States. Journal of Hydrology, 400(1-2), 103-120. doi:10.1016/j.jhydrol.2011.01.027
• Szolgay, J., Parajka, J., Kohnová, S. & Hlavčová, K. (2009). Comparison of mapping approaches of design annual maximum daily precipitation. Atmospheric Research, 92(3), 289-307. doi:10.1016/j.atmosres.2009.01.009

Polskie metodyki

• Rutkowska, A. & Młocek, W. (2024/25). Zastosowanie metod statystycznych w hydrologii i meteorologii [materiały wykładowe]. Katedra Zastosowań Matematyki, Wydział Inżynierii Środowiska i Geodezji, Uniwersytet Rolniczy w Krakowie.
• KZGW (2017). Metodyka obliczania przepływów i opadów maksymalnych prawdopodobnych. Krajowy Zarząd Gospodarki Wodnej, Warszawa.
• IMGW-PIB (2020). Metodyka opracowania Polskiego Atlasu Natężeń Deszczów (PANDA). Instytut Meteorologii i Gospodarki Wodnej, Warszawa.
• Stachý, J. & Fal, B. (1987). Zasady obliczania największych przepływów rocznych o określonym prawdopodobieństwie. IMGW, Warszawa.
• Bogdanowicz, E. & Stachý, J. (1998). Maksymalne opady deszczu w Polsce — charakterystyki projektowe. IMGW, Warszawa.

Fundamenty teoretyczne i standardy międzynarodowe

• Fisher, R.A. & Tippett, L.H.C. (1928). Limiting forms of the frequency distribution of the largest or smallest member of a sample. Proceedings of the Cambridge Philosophical Society, 24, 180-190.
• Gnedenko, B.V. (1943). Sur la distribution limite du terme maximum d’une série aléatoire. Annals of Mathematics, 44, 423-453.
• Hosking, J.R.M. (1990). L-moments: Analysis and estimation of distributions using linear combinations of order statistics. Journal of the Royal Statistical Society B, 52(1), 105-124.
• Hosking, J.R.M., Wallis, J.R. & Wood, E.F. (1985). Estimation of the generalized extreme-value distribution by the method of probability-weighted moments. Technometrics, 27(3), 251-261.
• USGS/ASCE (2019). Bulletin 17C: Guidelines for Determining Flood Flow Frequency. U.S. Geological Survey Techniques and Methods, Book 4, Chapter B5.
• Robson, A. & Reed, D. (1999). Flood Estimation Handbook, Vol. 3: Statistical Procedures for Flood Frequency Estimation. Centre for Ecology & Hydrology, Wallingford.
• Koutsoyiannis, D., Kozonis, D. & Manetas, A. (1998). A mathematical framework for studying rainfall intensity-duration-frequency relationships. Journal of Hydrology, 206(1-2), 118-135.

Flash floods i opady konwekcyjne

• Collier, C.G. (2007). Flash flood forecasting: What are the limits of predictability? Quarterly Journal of the Royal Meteorological Society, 133(622), 3-23. doi:10.1002/qj.29
• Marchi, L. et al. (2010). Characterisation of selected extreme flash floods in Europe. Journal of Hydrology, 394(1-2), 118-133. doi:10.1016/j.jhydrol.2010.07.017

ERA5-Land

• Muñoz-Sabater, J. et al. (2021). ERA5-Land: a state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 13(9), 4349-4383. doi:10.5194/essd-13-4349-2021

---

Uwaga: Wszystkie linki i DOI były aktualne na dzień kompilacji (12.02.2026). Dostępność może ulec zmianie.

Zobacz także

• Statystyka — indeks metod statystycznych w hydrologii
• Badanie jednorodności ciągów hydrologicznych — testy statystyczne jednorodności (procedura przed dopasowaniem rozkładu)
• Modele klimatyczne GCM i RCM oraz projekt CORDEX — pochodzenie danych opadowych z modeli oraz pułapki estymacji parametrów rozkładów z opadu polowego (punkt vs siatka)
• Równanie Clausiusa-Clapeyrona i skalowanie opadów ekstremalnych — ocieplenie przesuwa parametry rozkładu GEV (położenie, skala) i podważa założenie stacjonarności analizy częstości
• Powodzie błyskawiczne — definicje i regulacje europejskie dla flash floods
• Hydrologia — domena zastosowań