Abstract. Modelling multiple hazard interrelations remains a challenge for practitioners. This article primarily focuses on the interrelations between pairs of hazards. The efficacy of six distinct bivariate extreme models is evaluated through their fitting capabilities to 60 synthetic datasets. The properties of the synthetic datasets (marginal distributions, tail dependence structure) are chosen to match bivariate time series of environmental variables. The six models are copulas (one non-parametric, one semi-parametric, four parametric). We build 60 distinct synthetic datasets based on different parameters of log-normal margins and two different copulas. The systematic framework developed contrasts the model strengths (model flexibility) and weaknesses (poorer fits to the data). We find that no one model fits our synthetic data for all parameters but rather a range of models depending on the characteristics of the data. To highlight the benefits of the systematic modelling framework developed, we consider the following environmental data: (i) daily precipitation and maximum wind gusts for 1971 to 2018 in London, UK, and (ii) daily mean temperature and wildfire numbers for 1980 to 2005 in Porto District, Portugal. In both cases there is good agreement in the estimation of bivariate return periods between models selected from the systematic framework developed in this study. Within this framework, we have explored a way to model multi-hazard events and identify the most efficient models for a given set of synthetic data and hazard sets.

中文翻译：

---

评估双变量极端建模方法对多灾害情景的有效性

摘要。对多种危险相互关系建模仍然是从业者面临的挑战。本文主要关注成对危害之间的相互关系。六个不同的双变量极端模型的功效通过它们对 60 个合成数据集的拟合能力进行评估。选择合成数据集的属性（边际分布、尾部依赖结构）以匹配环境变量的双变量时间序列。这六个模型是 copulas（一个非参数，一个半参数，四个参数）。我们基于对数正态边距的不同参数和两个不同的 copula 构建了 60 个不同的合成数据集。开发的系统框架对比了模型的优势（模型灵活性）和弱点（对数据的拟合较差）。我们发现没有一个模型适合我们所有参数的合成数据，而是根据数据特征的一系列模型。为了突出所开发的系统建模框架的好处，我们考虑了以下环境数据：(i) 英国伦敦 1971 年至 2018 年的日降水量和最大阵风，以及 (ii) 1980 年至 2005 年的日平均温度和野火数量在葡萄牙波尔图区。在这两种情况下，从本研究开发的系统框架中选择的模型之间的双变量回报期估计有很好的一致性。在这个框架内，我们探索了一种对多灾害事件建模的方法，并为给定的合成数据和灾害集确定最有效的模型。为了突出所开发的系统建模框架的好处，我们考虑了以下环境数据：(i) 英国伦敦 1971 年至 2018 年的日降水量和最大阵风，以及 (ii) 1980 年至 2005 年的日平均温度和野火数量在葡萄牙波尔图区。在这两种情况下，从本研究开发的系统框架中选择的模型之间的双变量回报期估计有很好的一致性。在这个框架内，我们探索了一种对多灾害事件建模的方法，并为给定的合成数据和灾害集确定最有效的模型。为了突出所开发的系统建模框架的好处，我们考虑了以下环境数据：(i) 英国伦敦 1971 年至 2018 年的日降水量和最大阵风，以及 (ii) 1980 年至 2005 年的日平均温度和野火数量在葡萄牙波尔图区。在这两种情况下，从本研究开发的系统框架中选择的模型之间的双变量回报期估计有很好的一致性。在这个框架内，我们探索了一种对多灾害事件建模的方法，并为给定的合成数据和灾害集确定最有效的模型。(ii) 葡萄牙波尔图区 1980 年至 2005 年的日平均温度和野火数量。在这两种情况下，从本研究开发的系统框架中选择的模型之间的双变量回报期估计有很好的一致性。在这个框架内，我们探索了一种对多灾害事件建模的方法，并为给定的合成数据和灾害集确定最有效的模型。(ii) 葡萄牙波尔图区 1980 年至 2005 年的日平均温度和野火数量。在这两种情况下，从本研究开发的系统框架中选择的模型之间的双变量回报期估计有很好的一致性。在这个框架内，我们探索了一种对多灾害事件建模的方法，并为给定的合成数据和灾害集确定最有效的模型。