基于GLUE和PEST的CERES-Maize模型调参与验证研究

作物模型已逐渐成为干旱和半干旱地区优化农田水肥管理和实施节水灌溉的有力决策支持工具。为了探讨CERES—Maize模型模拟不同生育期受旱情况下夏玉米的生长发育、产量形成和土壤水分状况的模拟精度，进行了2013和2014年连续两季夏玉米田间分段受旱试验。试验将夏玉米整个生育期划分为苗期、拔节、抽雄和灌浆4个主要生长阶段，采用单个生育期受旱其他生育期灌水的方式，形成4个不同的受旱时段水平（Dl～D4），又根据夏玉米多年生育期降雨量，设置了70和110mm两个灌水水平（11和12），共形成8个处理，每个处理3次重复，在遮雨棚内按照裂区试验布设，此外设置1个各生育期均灌水110mm的对照处理（CK）。利用两年试验数据，采用DSSAT—GLUE和PEST两种不同的模型参数估计工具，对CERES—Maize模型的遗传参数进行估计，并对该模型的模拟精度和可靠性进行验证，此外还使用交叉验证法对CERES—Maize模型的整体模拟精度进行评估。结果表明，GLUE和PEST两种调参工具所得的模型参数均有较好的稳定性和收敛性，但PEST调参工具耗时较少，效率较高；CERES-Maize模型能较好地模拟充分灌水条件下夏玉米的生长发育、产量和土壤水分变化，绝对相对误差（ARE）和相对均方根误差（RRMSE）均在6％一8％之间；但是现有CERES—Maize模型无法模拟由于不同生育期受旱造成的夏玉米物候期的差异。此外，交叉验证结果发现夏玉米生长前期（特别是拔节期）受旱处理的数据参与模型校正时，模型的总体平均模拟误差较大，精度较低。CERES-Maize模型模拟前期受旱对玉米籽粒产量的影响时结果不够准确，这可能是由于该模型低估了早期水分胁迫条件下的LAI值，进而使得ET模拟不准确所造成的。总之，CERES-Maize模型对生育期前期（特别是拔节期）受早条件下夏玉米生长发育、产量形成和土壤水分变化的模拟还存在一定的不足，若将CERES-Maize模型应用于我国干旱和半干旱地区水分胁迫条件下玉米的生产管理和科学研究，应对模型进行相应的修正。

优化、RSA和GLUE方法在非线性环境模型参数识别中的比较

参数识别是数学模型应用的前提 ,本文对非线性环境模型常用的 3种参数识别方法进行了比较分析 .优化方法是出现最早、应用最广泛的参数识别方法之一 .但在观测误差存在的情况下 ,采用优化方法识别的最优参数进行模型预测 ,存在很大的决策风险 .考虑到这种不足 ,RSA方法和GLUE方法摒弃了识别单一最优参数的传统思维 ,而把识别参数扩大到多点组成的参数集 .RSA方法与GLUE方法不同的是 ,RSA方法把可行的参数点看成是同等接受的 ,而GLUE方法则根据模拟值与实测值的差别 ,确定其似然度 ,代表参数的可信度水平 .除参数识别以外 ,RSA方法和GLUE方法也是全局灵敏度分析的重要工具 .

似然度函数对GLUE方法的影响

GLUE方法是不确定性条件下参数识别的重要方法,似然度函数的选择是GLUE方法的关键.为克服观测误差和模型结构误差对研究结果的影响,利用合成的数据序列,以污染物衰减模型为基础,分析了似然度函数对参数识别和模型预测结果的影响.从识别结果来看,由于似然度函数的变化改变了参数似然度之间的对比,因此对参数识别及灵敏度分析的结果都产生了影响,甚至能够改变参数全局灵敏度的相对排序.从预测结果来看,似然度函数的变化影响了模型预测的分布,但即使预测结果的模糊性在减少,精度并没有相应地提高.因此,似然度函数的恰当选择对分析结果具有重要的影响,应结合研究问题的具体特点和对模拟结果的要求,采用概率论等相关方法选择出尽可能体现参数真实重要性的函数.

基于GLUE方法的城市雨洪模型参数不确定性分析

以北京市大红门排水片为例,构建基于SWMM(Storm Water Management Model)的城市雨洪模型,并基于GLUE方法(Generalized Likelihood Uncertainty Estimation)对模型参数的不确定性进行了分析。结果表明,所建城市雨洪模型能够较好的模拟区域的雨洪过程。在模型参数中,管道曼宁系数、不透水区洼蓄量以及河道曼宁系数的不确定性对模型结果的影响较为显著。GLUE方法能够在分析模型结果不确定性的同时给出敏感性参数,为城市雨洪模型的参数率定和进一步研制提供了有效工具。

基于GLUE方法的流域水文模型的不确定性分析

以东江流域中的星丰流域为研究对象,采用GLUE方法探讨了TOPMODEL模型在水文预报中的不确定性.研究结果表明,模型中的参数m、T0和RV较为敏感,它们的微小改变都将影响模拟结果,而参数SR0不太敏感.从两场次洪水的流量过程线可看出,模拟得到的流量过程线的上、下边界并不能完全包含实测流量过程线,总有一些实测流量落在90%的置信区间之外,说明TOPMODEL模型并不能完全模拟出该流域的流量过程,这正是由于模型的不确定性而引起的.

Embryo Glue在IVF-ET临床应用的前瞻性研究

目的：研究EmbrycGlue是否有利于IVF-ET妊娠率的提高。方法：将2003年2月～2004年2月在本中心接受常规体外受精-胚胎移植（IVF-ET）或单精子卵母细胞浆内注射（ICSI）治疗周期的180例不孕患者随机分成两组进行双盲试验，实验组共100例，使用EmbryoGlue作为胚胎移植液，对照组80例，使用IVF-20胚胎培养液作为移植液。结果：实验组平均移植胚胎数为2．5个，对照组为2．4个（P〉0．05），实验组临床妊娠率及胚胎种植率分别为46．0％、32．7％，对照组为38．7％、26．4％，实验组临床妊娠率及胚胎种植率与对照组相比有上升趋势。结论：使用Embryo Glue作为胚胎移植液有助于提高妊娠率。

基于多目标GLUE算法的新安江模型参数不确定性研究

针对新安江水文模型参数的不确定性问题,以湘江湘潭断面控制流域为例,采用新安江日模型和两个纳什效率系数作为水文模型参数率定的目标函数,结合SCE-UA优化算法,分析了不同目标函数对实测径流的模拟能力,在此基础上进一步分析了单目标GLUE方法、多目标GLUE方法和NSGA-Ⅱ优化算法获得不确定性区间特征值。结果表明,不同目标函数对径流过程显示了不同的模拟性能;NSGA-Ⅱ算法可优化多目标拥有较小的不确定性区间,但区间对实测值的覆盖率较小;与单目标算法相比,在相同的区间宽度下,多目标GLUE方法具有更高的区间覆盖率。

GLUE法分析水文模型参数不确定性的研究

应用新安江模型,采用普适似然不确定估计(GLUE)方法,对梁辉水库洪水预报中参数的不确定性问题进行研究并对预报误差进行分析,结果发现,模型参数中存在大量的"异参同效"参数组,即存在许多可接受的似然估计值的参数值组合。据此,将参数分为敏感性参数和不敏感性参数两大类。深入了解新安江模型参数的意义及其敏感性问题为今后流域水文模拟提供参考,以助于新安江模型参数的率定和模型的推广应用。

基于Copula-Glue的水文模型参数的不确定性

利用现行的Copula函数来描述模型参数之间的相关性,提出基于Copula-Glue的水文模型参数不确定性估计方法。选取采样次数为10 000、50 000和100 000,阈值为0.5、0.6和0.7的6种组合,进行了模型参数的不确定性模拟,并与Glue方法的模拟结果进行了对比。结果表明基于Copula-Glue的水文模型参数不确定性估计方法用联合分布代替单独的参数的分布,能够很好地考虑参数之间的相关性,在同样的采样次数下能够生成更多有效的参数组合,从而更加全面地估计参数的不确定性。

基于GLUE和标准Bayesian方法对TOPMODEL模型的参数不确定性分析

目前,水文模型不确定性的量化问题在水文研究中受到很大关注,在一些文章中提到了许多不确定性量化的方法,其中,GLUE方法和标准Bayesian方法是两种最常用的方法。主要讨论这两种方法在研究TOPMODEL模型时计算有效性和不同之处.通过用GLUE和标准Bayesian方法估计TOPMODEL模型参数的不确定性和模拟的不确定性,对这两种方法的结果进行评价,并讨论产生不同的原因,研究的主要结果为:(1)由Bayesian方法得到的参数后验分布比GLUE方法得到的离散型小。(2)给定GLUE中阈值(=0.8)的情况下,由Bayesian方法得到模拟流量的不确定性置信区间与GLUE方法得到的很接近。

基于GLUE的土壤溶质运移参数反演及不确定性

溶质运移模型参数的识别结果常存在较高的不确定性,制约了模型的实际应用。以土壤中Cu2+运移过程为例,采用广义似然不确定性估计(Generalized likelihood uncertainty estimation,GLUE)并引入最大似然值(MaximumNash-Sutcliffe,MNS)等三种定量指标,探讨了数值反演估计弥散系数等参数的不确定性。结果表明,非线性最小二乘法(Nonlinear least squares,NLLS)得到的唯一"最优"参数组合对Cu2+出流曲线拟合效果很好(R2>0.937),但因"异参同效",无法刻画预测结果的不确定性。GLUE则可明确溶质运移参数及其响应界面的不确定性,MNS对应的参数组合对Cu2+出流曲线拟合R2>0.937,效果与NLLS的拟合结果高度一致。GLUE计算的95%置信区间覆盖了80%以上的观测点(NLLS为46.3%),其反演参数的取值范围也远大于NLLS的结果。在模型参数及响应界面不确定性分析两方面GLUE方法均优于NLLS方法。

GLUE方法分析新安江模型参数不确定性的应用研究

采用普适似然不确定估计(GLUE)方法,研究新安江流域水文模型参数的不确定性问题。通过江西乐安河流域资料的模拟分析表明,模型参数间存在“异参同效”现象,即存在许多可接受的似然估计值的参数值组合。利用这些参数组的概率分布,可以对模型模拟的不确定性范围进行分析。

Embryo Glue和G2两种移植液对冻融卵裂胚移植结局的影响比较

目的:探讨Embryo Glue移植液和G2两种移植液对冻融卵裂胚移植的临床妊娠率、早期流产率、异位妊娠率的影响。方法:回顾性分析2015年1月~2017年5月底期间1 068例以Embryo Glue和G2为移植液的冻融卵裂胚的临床妊娠率、早期流产率、异位妊娠率。结果:以G2和Embryo Glue为移植液的1 068例冻融卵裂胚的临床妊娠率、早期流产率、异位妊娠率分别为50.99%vs 47.96%、10.34%vs10.88%、3.45%vs2.38%,差异无统计学意义(P>0.05)。结论:Embryo Glue移植液不能提高冻融周期的临床妊娠率、降低流产率,不能提高宫内妊娠率。

基于GLUE方法的分布式水文模型BTOPMC参数不确定性分析

为了解分布式水文物理模型BTOPMC参数不确定性对模拟精度和预测结果的影响程度,以湄公河为例,采用GLUE方法对BTOPMC参数的不确定性进行了研究。在选定参数的先验分布为均匀分布的基础上,选择用累计似然分布的5%和95%的评价作为预测不确定性的界限,得到90%置信区间的降雨径流(洪水)过程线。结果表明,大部分时段实测洪水流量都落在了90%置信区间之内,说明采用GLUE方法对BTOPMC模型的参数进行不确定性分析是可行的。

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。

GlueVaR失真风险度量下的最优再保险（英文）

受到文献[1]和文献[2]的启发,本文从保险人的角度,研究了GlueVaR失真风险度量下的最优再保险问题.假设保险标的的损失为X,保险人为分散风险签订了以索赔总额为计算基础的分保合同.按合同,分保人承担的风险为f(X),保险人承担剩下的风险X-f(X).此外基于期望保费原则,保险人需支付分保人再保险费(1+ρ)E[f(X)](其中ρ为安全负载系数).采用文献[2]中的技术方法,我们得出此时最优转移损失函数是一类增凸函数.从而可知最优再保险策略为停止损失再保险.

基于GLUE方法的植被界面过程模型(VIP)的不确定性分析

生态系统模型一般参数较多,且在应用时存在时空尺度问题,易产生不确定性。通过模型不确定性分析,可以加深对模型结构的理解,提高模型预报的可靠性。植被界面过程模型(VIP)是一个综合考虑了陆地生态系统能量收支、水文循环和碳氮等生命元素吸收转化等过程的生态/水文动力学模型。本文采用GLUE(General-ized Likelihood Uncertainty Estimation)方法,以拟合度系数作为似然判据,利用华北平原冬小麦生长季内的田间观测数据分析VIP模型中的作物生长、土壤水分运动以及光合速率模块中8个参数以及模型预报的不确定性。研究表明,最大光合速率Vmax、饱和含水量wcsat、田间持水量wcfield参数为敏感性参数,其对似然判据的影响大,其余参数是相对不敏感参数。在置信度为95%水平下,发现观测值大都接近或者包含在置信预报区域内,说明可以通过参数校准得到很好的模型模拟效果。

基于GLUE的新安江模型参数不确定性分析及应用

结合新安江模型在东洋河流域的应用,提出了基于GLUE方法的新安江模型参数不确定性分析。采用GLUE算法抽样结果对东洋河流域进行不确定性预报,选用水文模拟中常用的确定性系数作为似然判据,通过设定0.7为阀值,得到的90%置信区间的流量过程,实例研究表明,以该结果进行不确定预报是可行的。

BLUE和GLUE及主要点估计方法的评价

考虑到工程技术及科学实验的需要,本文对样本数据点估计的最佳线性无偏估计(BLUE)和简单线性无偏估计(GLUE)方法进行讨论,并相应地对主要的样本数据点估计方法予以评价。

利用GLUE方法不同算法分析TOPMODEL模型不确定性

以丹江的西峡流域为研究对象,采用GLUE方法探讨TOPMODEL模型不确定性。分析不同似然函数算法、调节参数、模型参数和结果预测区间的不确定性,结果表明不同算法的似然函数值既有差异又有相似性,值变化会引起不同似然函数分布的变化,也影响模型参数与似然值的关系。分析不同阈值的90%置信区间的实测值覆盖率、预测区间宽度及预测区间对称性等特征,结果说明阈值越小,预测区间的可靠性越高,但不确定性范围越大;阈值越大则情况相反。说明选定似然函数和阈值时需综合考虑多方面因素。