融合AR模型和MCMC方法的水文模拟不确定性分析

为提高水文模型参数识别的可靠性,融合自回归模型与马尔可夫链-蒙特卡洛方法(auto regressive model based modified Markov Chain-Monte Carlo,AR-MCMC),利用自回归模型刻画残差序列的自相关性,修正MCMC方法中的残差协方差矩阵。通过新疆提孜那甫河流域融雪径流模型(SRM)的案例分析发现:融雪径流模拟的残差序列具有显著的自相关性;修正残差协方差矩阵后,边缘似然值更大;综合考虑多项评价指标,AR-MCMC方法在识别期与验证期推求的预测区间均优于MCMC方法;对比2种方法在识别期与验证期的纳什系数,采用AR-MCMC方法依次为0.86、0.89,而采用MCMC方法依次为0.84、0.87,即AR-MCMC方法获取的模型拟合效果更好。分析结果表明,相对于传统的MCMC方法,AR-MCMC方法能够更好地对研究区融雪径流过程进行模拟预测。

基于陆面水文耦合模式CLHMS的淮河流域水文过程的模拟评估及其不确定性分析

利用最新的CFSR（Climate Forecast System Reanalysis）再分析及观测的降水和地表气温资料驱动陆面水文耦合模式CLHMS（Coupled Landsurface and Hydrologic Model System），对淮河流域1980-2003年共24年的水文水循环过程进行了模拟，系统评估了CLHMS对淮河流域水文过程的模拟能力及其不确定性。分析结果表明，CLHMS模式对淮河流域水文过程具有良好的模拟能力，模式尤其对湿润年份流域的水量平衡以及河道流量的季节、年际变化具有很强的模拟能力，而对降水偏少的干旱年份，模式模拟的河道流量通常会高于观测实况，与实况间存在着一定的偏差，而这也是导致CLHMS对流域水文过程模拟能力存在显著年代际差异的主要原因。基于三组不同降水强迫的流域水文过程模拟结果比较表明，降水驱动资料准确与否是陆面水文模拟最主要的不确定性来源之一，正是由于CFSR再分析降水与观测降水之间存在较大的差异，从而导致CFSR降水驱动下模式模拟的淮河流域河道流量与观测存在较大的偏差，其模拟性能相对较差。进一步分析还表明，可以保持较强降水日变化的时间解集方法，也是保证合理模拟流域水文过程的重要因素。