在不同的环境领域、工程风险分析、设计结构、可再生能源、农业经营和气候学中，都需要估算年最大风速(AMWS)的分位数。这些估计对风速的编码具有极大的重要性。利用区域频率分析(RFA)和现场频率分析(ASFA)，可以对不同的有关气象站估计AMWS的分位数。然而，由于风速较短，特别是在巴基斯坦等发展中国家，很多气象站的历史风速数据有时无法获得，而且往往不足。数据的缺乏增加了分位数估计数的不确定性。为了解决这一问题，本论文主要基于我的两篇SCI论文，选择了RFA和ASFA的方法分析风速。
　　结合巴基斯坦Punjab的9个气象站的风速数据，本论文利用线性矩(L-矩)对AMWS进行了区域频率分析。没有发现任何气象站不一致。根据这九个监测站的地理位置，采用主观的方法，由它们组成一个单一的同质区域。从异质性的角度来看，Punjab的这9个监测站构成了一个单一的同质区域。区域分位数估计是通过广义正态分布(GNO)、广义logistic分布(GLO)、皮尔逊3型(P3)、广义帕累托(GPA)、威布尔(WEI)、对数皮尔逊3型(LP3)和广义极值分布(GEV)中最合适的概率分布得到的。Z统计量和L-矩比率图表明，GLO和GNO分布是比其他分布更好的选择。通过相对偏差(RB)和相对均方根误差(RRMSE)来评估两种分布的稳定性，结果表明，总体而言，GLO分布优于GNO。此外，我们还利用样本均值和中位数作为比例因子，从无因次量(区域分位数)中找到了现场分位数。
　　本论文还对在巴基斯坦Punjab和KhyberPakhtunkhwa的9个监测站对AMWS进行了现场频率分析。多参数概率分布(PDs)((如广义logistic(GLO)、广义极值(GEV)、广义正态分布(GNO)、皮尔逊3型(P3)、广义帕累托(GPA)、威布尔(WEI)、对数皮尔逊3型(LP3))。Logistic(LOG)、Normal(NOR)、Gumbel(GUM)、Exponential(EXP)和Uniform(UNI)等双参数概率分布被用来确定9个站点的最合适分布。采用L-矩法对分布参数进行估计。Kolmogorov-Smirnov检验(KS)、Anderson-Darling检验(AD)、最小L-峰度差准则(ML-K)和L-比率图表明，GEV、GNO、GPA、GLO四种分布是最适合不同站点的分布。这些分布优于双参数分布。多参数概率分布的分位数估计值(设计估计值)提供了关于未来最大风速将以多快的速度通过某个地方的信息。因此在不同结构的建设中对决策者和规划人员非常重要。采用多变量Diebold-Mariano(DM)检验从最佳拟合概率分布得到的设计估计值的准确性，结果表明两者存在显著差异。
　　本论文结构如下:
　　第一章:在本章中，我们着重介绍了风速及其重要性，并简要介绍了区域频率分析和现场频率分析。同时也说明了研究的意义和目标。
　　第二章:在第二章中，我们简要回顾了区域频率分析和现场频率分析的相关文献，并给出了参数估计和概率选择。
　　第三章:首先，简要介绍了基于线性矩的区域频率分析方法。然后应用区域频率分析方法对巴基斯坦Punjab的9个站的年最大风速分位数进行估算。利用地理位置确定了年最大风速的潜在同质区域。利用相对偏差和相对均方根误差检验了最佳区域概率分布的稳健性。此外，利用区域分位数计算出最佳拟合区域概率分布的现场分位数(采用样本均值和样本中值作为比例因子)，并利用标准误差比较其精度。
　　第四章:在本章中，我们重点研究了位于巴基斯坦Punjab和KhyberPakhtunkhwa的9个站点的年最大风速的现场频率。它还包括现场频率分析的基本假设。对9个站点的年最大风速进行了不同的概率分布(3个和2个参数)拟合。拟合优度检验包括数值方法和图像方法，用于最佳拟合概率分布的评估。此外，采用多变量Diebold测试检验相对绝对误差的精度，以获得最佳拟合概率分布。
　　第五章:最后，第五章总结了从分析数据中得出的主要结论，并对实际应用和未来研究提出了建议。