代理模型参数率定方法在TOPKAPI模型中的应用

为提高复杂水文模型参数优化效率,通过Morris参数敏感性分析确定敏感参数,随后将多目标自适应代理模型优化(MO-ASMO)算法应用在TOPKAPI模型的参数率定中,通过最小欧几里得距离筛选Pareto解集中的相对最优解,从解集分布和每场洪水模拟效果两个维度与传统多目标优化方法NSGA-Ⅱ、NSGA-Ⅲ进行比较。结果表明:在相同模型运行次数下,MO-ASMO相较于NSGA-Ⅱ和NSGA-Ⅲ具有更优的Pareto前沿;无论是率定期还是验证期,MO-ASMO算法的评价指标均表现较好,综合表现优于NSGA-Ⅱ、NSGA-Ⅲ算法,MO-ASMO算法有效提升了模型参数优化效率。

基于机器学习的洪水预报实时校正

为了提高临沂流域水文模型的实时洪水预报精度,基于临沂流域的下垫面特征,建立了临沂流域的TOPKAPI网格模型,采用BP神经网络和LSTM模型对TOPKAPI模型模拟结果在不同预见期内进行了校正,在此基础上使用了堆叠方法并选用Transformer模型作为二级学习器,对BP和LSTM的校正结果进行了二次学习。结果表明,经过BP和LSTM模型的实时校正,TOPKAPI模型模拟精度得到了明显提高,预见期越短,校正效果越好;在经过堆叠方法进行二次学习后,校正效果最佳,可有效提升临沂流域洪水预报精度。

基于多流域同步率定的HBV模型参数移植方法研究

无资料地区洪水预报是水文学研究的难点之一。为提高无资料地区HBV模型参数移植的精度,以安徽屯溪流域为例,基于多目标优化函数实现多个流域HBV模型同步率定,获得同时适用于多个流域的模型参数,并对参数的移植效果进行验证。结果表明:基于单个流域率定的参数移植不确定性较高,移植效果不稳定;多流域同步率定的参数移植效果普遍较优,能够有效提高无资料地区参数移植稳定性和洪水预报的精度。