基于多层土壤湿度数据同化的小流域径流模拟

土壤水分状态在水文循环中起关键作用,对径流预报的准确性影响很大。以美国宾西法尼亚州中部的Shale Hills流域为例,研究多层实测土壤湿度数据同化对径流模拟的作用。首先利用新安江模型对研究区内2008~2012年的日径流进行模拟,同时通过集合卡尔曼滤波算法构建基于新安江模型的水文数据同化模型,并设置未同化的开环试验作为对比,研究模型同化土壤湿度对改善径流模拟和土壤水分的能力。模拟结果显示,新安江模型在该流域有较好的适用性;相比于同化前,模型同化多层土壤湿度后径流量相对误差降低了5.2%,纳什效率系数从0.62提高到0.66,土壤含水率的均方根误差从16.4 mm减小到3.0 mm。其次对单层土壤含水率同化结果进行比较,结果表明,下层土壤含水率同化比上层同化对径流模拟作用更明显,但仅加入上层实测土壤含水率同化能够降低下层土壤水模拟的不确定性。研究结果表明同化多层土壤湿度可提高径流模拟精度,同时也能够有效优化土壤水的模拟结果。

基于改进BP神经网络的多层土壤湿度反演

为了获取有时空连续性的表层至深层土壤湿度数据,以美国McClellanville站和青藏高原MAWORS站为研究区域,利用有限气象观测数据,基于BP神经网络(Back Propagation Neuron Network,BPNN),融合天牛须搜索算法(Beetle Antennae Search Algorithm,BAS),构建BAS-BP模型(Beetle Antennae Search-Back Propagation Neural Networks),对表层至深层土壤湿度进行反演。结果表明:①融合优化的BAS-BP模型对各层土壤湿度的反演效果优于BP模型,两个站使用BP模型反演测试集的RMSE量值在0.016~0.191 m^(3)/m^(3)之间,MAE在0.012~0.177 m^(3)/m^(3)之间,R在0.390~0.987之间。使用BAS-BP模型得到的测试集RMSE在0.014~0.143 m^(3)/m^(3)之间,MAE在0.010~0.131 m^(3)/m^(3)之间,R在0.504~0.994之间。②BP和BAS-BP模型对各站不同深度土壤湿度的反演效果均在土层10 cm处达到最佳,RMSE和MAE均小于0.016 m^(3)/m^(3),R均大于0.879,随着土壤深度增加,反演效果减弱。③各模型受驱动要素影响显著,BP和BAS-BP模型在McClellanville站的反演效果和稳定性较优,而在MAWORS站的反演效果和稳定性较差。在McClellanville站,基于BP和BAS-BP模型训练集与测试集的R平均变化幅度分别为10.789%、5.061%,而在MAWORS站分别增长至38.531%、14.624%。④综合比较两种模型,BAS-BP模型反演精度更高,稳定性更好,更适应于表层至深层土壤湿度的反演。