一种改进的参数区间选取方法及 在 WEP2L 模型中的应用

分布式水文模型由于参数众多, 各参数之间不能完全独立, 在参数自动率定中存在部分参数的优选过程相互 抑制情况。以 WEP2L( Water and Ener gy transfer Pr ocess in Lar ge river basins) 分布式水文模型为例, 基于 GLUE 算法推求模型参数的后验分布, 将参数全局敏感性分析的 Sobol 方法与概念性水文模型的参数区间优选方法相结 合, 给出了在较少参数采样次数条件下分布式水文模型不完全独立的多参数自动优选方案, 并在白河流域进行了应 用。结果表明: ( 1) 用 GLUE 算法推求参数后验分布, 结合 Sobol 分析及参数的区间优选方法, 可对 WEP2L 实现参 数自动率定, 模拟精度能达到 01 633; ( 2) 将 Sobol 全局敏感度分析与参数的区间优选方法相结合, 可进一步优化参 数区间确定的原则, 提高模拟的精度。研究结果可为分布式水文模型的参数率定提供借鉴。     

融合MCMC算法的GLUE方法改进研究

近年来GLUE方法被广泛的应用于流域水文模型的不确定性研究工作中。但是，由于方法存在理论上的缺陷，近来国内外研究者对GLUE方法提出一些质疑，如：对模拟结果不加选择、采用主观判断确定可行参数组的阈值、推导得出的后验概率分布过于平坦等。本文在Blasone所做工作的基础之上，进一步提出了MMGLUE（MCMC based Modified GLUE）方法，该方法结合近年来被广泛用于推求参数后验分布的MCMC方法，对基于Monte Carlo随机取样方法传统的GLUE方法进行改进，并以预测区间性质最优为标准，对可行参数组阈值进行判断与选择，首次提出了衡量预测区间对称性的标准，并就预测区间性质与可行参数组个数的相关关系进行了探索。在汉江玉带河流域的实例研究证明，MMGLUE方法较传统的GLUE方法能够推求出性质更为优良的预测区间，从而更真实合理地反映水文模型的不确定性。     

改进的GLUE方法在水文模型不确定性研究中的应用

将近年来广泛应用于推求参数后验分布的MCMC方法，对基于蒙特卡洛随机取样方法的传统的GLUE方法进行了改进。采用两参数月水量平衡模型对改进的GLUE方法进行验证，结果表明：改进的GLUE方法可以有效地提高预测区间的置信度，并且推导的后验分布与实际情况更为吻合。     

WEP模型参数自动优化及在汉江流域上游的应用

本文将全局参效自动优化算法-复形进化算法,引入WEP-L模型,并成功应用于汉江上游流域.通过复形进化算法参数自动优化,可找到WEP-L模型的一套较优的参数.同时,为比较不同目标函数对参数敏感性与自动率定的影响,分别对8种目标函数进行了参数敏感性分析及自动率定.结果显示,如果以水量误差和纳什效率系数为评价标准,排序后的残差平方和及其变化形式的效果较好.WEP-L模型参数敏感性分析及参数自动化率定的实现,可提高WEP-L模型参数率定的科学性和客观性,从而方便WEP-L模型的推广与应用.     

融合马尔科夫链-蒙特卡洛算法的改进通用似然不确定性估计方法在流域水文模型中的应用

本文在Blasone研究工作的基础上,进一步提出了基于马尔科夫链-蒙特卡洛算法的改进通用似然不确定性估计方法(Markov Chain_Monte Carlo based Modified Generalized Likelihood Uncertainty Estimation,MMGLUE)。该方法结合近年来被广泛用于推求参数后验分布的MCMC方法,对基于Monte Carlo随机取样方法的传统GLUE方法进行改进,并以预测区间性质最优为标准,对可行参数组阈值进行判断与选择,提出了衡量预测区间对称性的标准,并就预测区间性质与可行参数组个数的相关关系进行了探索。在汉江玉带河流域的实例研究证明,MMGLUE方法较传统的GLUE方法能够推求出性质更为优良的预测区间,从而更真实合理地反映水文模型的不确定性。     

一种高效的SWAT模型参数自动率定方法

对于SWAT这种复杂的分布式水文模型，参数率定是模型成功应用的难点和关键。虽然SWAT2005模型中已经有了参数自动率定模块，但其运行效率较低，对于大型流域难以推广。本文研究分析了SWAT模型和PSO算法的原理，将PSO算法引入SWAT模型中，构建了新的SWAT模型参数自动率定模块，通过在天津于蓟运河流域实例研究，发现该方法率定精度较高，收敛速度更快，运行结果稳定，整体率定效果优于模型自带的参数率定模块；如果用改进后的模块在Linux平台开展自动率定，可以使模型自动率定效率提高到当前水平的7倍，适用于大型流域或长时间系列模拟。而PSO算法作为一种通用的优化算法，可广泛用于各种水文模型的参数率定。     

融合MCMC 方法的差分进化算法 在水文模型参数优选中的应用

传统差分进化算法在优选水文模型参数时容易出现"早熟收敛"问题,基于马尔可夫链蒙特卡罗方法的差分进化算法——DREAM算法,对嘉陵江流域降雨径流模型的参数优选问题进行了分析。结果发现,DREAM算法融合了自适应Metropolis方法的优点,能有效克服"早熟收敛"问题,适用于推求先验信息较少的复杂水文模型参数后验分布。     

基于贝叶斯模型加权平均方法的水文模型不确定性分析

贝叶斯模型加权平均（BMA）方法是通过综合几个模型预报值的后验分布来推断预报量的更可靠概率分布分析工具。它不仅能提供一个综合的预报值,还能提供一个综合的预报区间。本文采用3个水文模型,统一用SCE-UA算法率定参数,得到3组不同的预报值用于BMA方法的综合,着重分析比较BMA和单个模型的预报不确定性区间,来检验贝叶斯模型加权平均方法是否能提高预报的可靠性。结果表明,BMA方法不仅能提高预报精度,还能推求出性质更为优良的预报区间,提高预报的可靠性。     

WEP模型全局参数敏感性分析及参数自动率定

本文把LH-OAT全局参数敏感性分析算法,SCE-UA全局参数自动优化算法引入WEP-L模型,并成功应用于汉江上游流域。通过LH-OAT参数敏感性分析,可以减少参与参数优化的参数个数,然后再对这些参数进行SCE-UA参数自动优化。同时,为比较不同目标函数对参数敏感性及自动率定的影响,分别对8种目标函数进行了参数敏感性分析及自动率定。结果显示排序后的残差平方和及其变化形式的效果较好,其中排序后二次方根形式变化的残差平方和效果最好。WEP-L模型参数自动化率定的实现,可大大提高WEP-L模型参数率定的科学性和客观性,从而方便WEP-L模型的推广与应用。     

PID优化算法在分布式水文模型参数优化中的应用

采用PID优化算法对分布式水文模型VIC模型进行参数自动优化计算,并对比分析参数优化前后对分布式水文模型模拟精度的影响。研究结果表明:参数优化后,分布式水文模型VIC模型在年尺度和小时尺度的水文模拟精度均有所改善,误差减少13.8%和13.2%,拟合度提高0.28和0.14。研究成果对于分布式水文模型参数优化方法提供参考价值。     

POS优化算法在SWAT模型参数优化中的应用

当前,分布式水文模型SWAT模型在国内水文模拟中应用较为广泛,但模型参数较多,人工经验设定参数存在工作量较为繁杂,且模拟精度不高的缺陷,为此本文引入POS优化算法,对SWAT模型参数进行批量优化,并以汤河西支流域为研究区域,结合区域实测水文数据,对比分析参数优化前后,对SWAT模型模拟精度的影响。研究结果表明： POS优化算法可实现SWAT模型参数的批量优化,相比参数优化前,参数优化后SWAT模型模拟径流深相对误差减少5.7%,流量过程拟合系数提高0.118。研究成果对于水文模型参数优化和自动率定提供参考价值。     

一种高效的SWAT模型参数自动率定方法

本文分析了SWAT模型和PSO算法的原理,将PSO算法引入SWAT模型中,构建了新的SWAT模型参数自动率定模块,通过在天津蓟运河流域实例研究,发现该方法率定精度较高,收敛速度快,运行结果稳定,整体率定效果优于模型自带的参数率定模块。如果用改进后的模块在Linux平台开展自动率定,可以使模型自动率定效率提高到当前水平的7倍,适用于大型流域或长时间系列模拟。而PSO算法作为一种通用的优化算法,可广泛用于各种水文模型的参数率定。     

粒子群算法在新安江模型参数率定中的应用

选用1997年中国水文预报竞赛中降雨、蒸发、径流数据,重点研究在应用粒子群优化算法(PSO)率定新安江模型参数时,PSO算法中惯性权重、加速度常数和种群规模3个参数对算法性能的影响,并优选出适合于该问题的最优PSO参数区间。在此基础上率定出与研究流域匹配的新安江模型参数,定量评价了降雨径流模拟效果的优劣。另外,对PSO算法的效率和稳定性进行了简要分析。研究结果表明,PSO算法率定新安江模型参数的收敛效率较传统方法明显提高,稳定性普遍较好。     

基于GLUE的垂向混合产流模型参数不确定性分析

水文模型能将复杂的水文现象和过程进行概化,其不确定性研究已成为模型研究的重要方向之一。以半湿润地区洛河流域为研究区域,构建了基于垂向混合产流模型的流域产流模拟模型,采用GLUE方法并结合5项相关指标对构建的模型进行不确定性分析。结果表明:使用GLUE方法对垂向混合产流模型进行不确定性评估和参数优选过程中,在置信度为95%的前提下,模型预报区间的覆盖率达到87.5%,对称度S和T接近于0,数据模拟对称度良好。     

基于FCM-SCEMUA的水文模型参数不确定性估计方法

引入模糊C-均值聚类(FCM)方法对水文过程进行分类,结合SCEMUA方法,建立了基于FCM-SCEMUA的水文模型参数不确定性分析方法。选择南水北调水源区所在的汉江上游的江口流域,以新安江模型为例进行了实例研究。结果表明,FCM-SCEMUA方法通过对不同分类的似然函数分别设置阈值,在阈值同样为70%的情况下,所得到的有效参数组比通过SCEMUA方法得到的减少了64.8%的不合理参数组。所推求的参数后验分布更能够朝着高概率密度区进化,推导出更加合理的水文模型参数的后验分布,从而得到更加合理的预测区间,有效地减少了水文模拟与预测的不确定性。     

白洋淀流域分布式水文模型开发与验证

针对白洋淀流域水资源保护工作开发了分布式水文模型WEP-L模型。WEP-L模型是对流域水循环过程与能量循环过程的综合模拟,具有较高的模拟精度。对白洋淀流域1956 } 2000年的径流模拟计算表明:主要水文站的相对误差在5%以内,Nash-Sutcliffe效率系数在0. 8以上,可以用于白洋淀流域的水文循环分析。     

利用 Free Search 算法推求作物水分 响应 Jensen 模型参数

依据最小二乘法原理推求作物水分响应模型参数时可能存在参数不合理、模型模拟精度尚可提升、试验处理少而难于估计模型参数等问题。针对这些问题,以Jensen模型参数推求为例,引入自由搜索(Free Search,FS)算法率定作物水分响应模型参数,将FS单个动物每步探查行走的位置向量作为参数的一组潜在解,利用FS算法的动物群体迁移行为推求一组最优参数,从而改善作物水分响应模型的适用性。三个实例研究结果表明:FS算法概念清晰,操作便捷,可以直接率定作物水分响应模型参数,不需转换作物水分响应模型的数学形式,能够有效避免参数出现负值或大于1等不合理现象,并提升作物水分响应模型的模拟精度;当难于采用线性回归方法时,可以考虑利用FS算法推求作物水分响应模型参数。     

基于BP神经网络的MIKE SHE模型参数率定

为了更精细地对水文全过程进行描述和解析,更准确地构建分布式水文模型,以丹麦Karup流域为例,对MIKE SHE模型的饱和导水率、饱和带水平水力传导系数、河床透水系数进行了参数率定,模拟流域的日径流过程。结果表明:基于BP神经网络反分析的参数率定方法比MIKE SHE模型参数自动率定计算得到的均方根误差RMSE小,模型效率系数Ens更接近1;采用BP神经网络反演率定参数后,3组测试样本的日径流模拟过程的RMSE分别为0.04,0.03,0.08 m³/s,Ens均为0.99,且模拟结果能较好地反映径流的实际变化趋势。因此,这种基于BP神经网络反分析的参数率定方法对构建分布式水文模型具有一定的价值。     

遗传算法在水文预报中的应用

本文简要介绍了遗传算法的基本原理，利用该算法率定新安江模型的参数，并应用于江界河-思南区间的水文预报。结果表明，利用遗传算法率定水文模型参数直观、简便、适用性强，能较大的提高水文预报的效率和精度。     

基于SWAT模型多站点不确定性评价方法的比较

分布式水文模型在拥有众多优点的同时,也面临着参数过多难以率定的问题。SWAT模型作为典型的分布式水文模型,同样存在着参数率定难的问题。基于SWAT模型,选取美国佛罗里达州中部Peace河流域为研究区,采用SUFI-2、GLUE、PARASOL和PSO共4种评价方法进行了SWAT模型参数的敏感性分析、校准、验证以及不确定性研究,通过对4种不确定性方法的模拟结果、难易程度、运行次数以及各方法的理论基础进行对比,总结了4种方法的适用情况。结果表明:4种方法具有各自的优缺点和适用性,SUFI-2方法是半自动的,可以结合分析者的主观和认知,对于较复杂的模型更具有优势;GLUE方法相对简单,要优于SUFI-2方法;PARASOL方法适用于需要找到全局最优纳什系数的模型;PSO方法既适用于较简单的模型,也适用于相对复杂的模型,与PARASOL方法相比,两者得到的纳什系数、相关系数等均差别不大,但PSO方法运行次数大大减少,故PSO方法的整体性能优于PARASOL方法的。