基于不同目标函数GLUE方法参数不确定性研究

水文模型在防洪预报中发挥着重要作用,然而由于模型参数具有不确定性,即使有实测的降雨资料,也可能会产生较大的预报误差。针对参数的不确定性问题,以半湿润的陈河流域为研究区域,基于单目标GLUE方法和多目标GLUE方法,分析不同目标函数GLUE方法对实测径流的模拟能力以及参数的敏感性。研究结果表明,参数可分为敏感性参数(SM,CS)和非敏感性参数(K,KG,KI,CG,CI),不同的似然目标函数对径流具有不同的模拟能力,相对于单目标函数,多目标函数预报的不确定性范围较大,区间覆盖率较大,洪水预报的精度更高。

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.

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。

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。

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。

基于GLUE方法的新安江模型参数不确定性研究

由于流域水文模型本身参数众多且相互制约,参数优选是一项十分复杂的工作。针对水文模型参数初始优化范围广、优化耗时长、精度不够且优选过程中易陷入局部优化的问题,采用多目标GLUE方法分析新安江模型中较敏感参数的不确定性,确定了其后验分布范围。在此基础上,以龙湾流域12场洪水为例,相同条件下分别在模型参数先验分布和后验分布范围内对参数进行优化率定。结果表明,取后验分布范围作为参数优选范围提高了参数率定效率,提升了模型预报整体性能和预报精度,可为缺资料地区参数识别和参数移植提供参考。

基于GLUE方法的饱和多孔介质中溶质运移模型参数不确定性分析

模型参数的不确定性分析是模型不确定性研究的重要内容之一。本文以示踪剂Br和反应性溶质Cu在石英砂中的运移为例,采用GLUE方法探讨了多孔介质中溶质运移模型参数的不确定性。研究结果表明,仅对水力学参数θs和λ进行识别时,θs和λ的可识别性较强。对耦合Freundlich等温吸附的模型参数进行识别时,由于参数间的相互作用,θs和λ的可识别性降低;吸附特性参数kF的后验分布基本呈均匀分布,可识别性较差,吸附特性参数β、ω、f的取值区间则相对收敛,可识别性较强。K-S检验结果表明,参数区域敏感度由高到底的排序为f、ω、β、kF、λ、θs,主要是因为石英砂对Cu的吸附以动力学反应为主,而f和ω是与动力学吸附反应相关的两个参数。上述结论有助于加深对溶质运移模型参数的理解和提高模型预测的可靠性。

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。

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。

基于新安江模型的潢河流域径流模拟分析研究

潢河是淮河上游右岸一条重要支流,模拟研究其径流变化过程,对潢河及淮干上游水文预报工作具有重要意义。在GIS技术的支持下,基于DEM提取潢河流域水系,收集相关降雨、蒸发、径流等水文气象监测资料,采用GLUE法优化率定模型参数,通过新安江模型模拟潢川水文站汛期日径流过程。结果表明,模拟效果良好,NSE纳什效率系数多在0.6以上,丰水年在0.85以上,实测-模拟径流量相关关系为0.96,研究结论可为潢河径流变化研究及水文预报工作提供技术思路。

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。

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。

基于IHACRES和GLUE的降雨径流过程模拟

根据降雨径流过程的特征,修正了IHACRES水文模型,并将其与GLUE方法结合,提出了资料缺乏区域降雨径流的分析方法,该方法包括模型参数范围的确定、参数组的筛选与权重的计算、验证与不确定性评价、预测等。利用该方法对深圳石岩河流域两场降雨径流过程的分析表明:模型校准和验证的Nash效率系数R2分别为0.917和0.59,验证时实测径流量基本位于90%置信度预测区间内。该方法对研究流域降雨径流过程的模拟效果较好,径流预测及其不确定性分析可靠,其结果可为资料缺乏区域初期雨水截留规模的设计和方案优化提供依据。

GLUE框架下似然函数对水文模型不确定性的影响

似然函数的选取对模型参数不确定性结果存在较大影响。本文以淮河上游大坡岭水文站控制流域为例,采用GLUE不确定性分析方法、SCE-UA优化算法与流域水循环系统模型(HEQM)耦合,探索Nash-Sutcliffe系数与水量平衡系数这两个似然函数对模型参数敏感性、取值分布特征以及不确定性的影响。结果表明:从敏感性分析结果来看,Nash-Sutcliffe系数作为似然函数时,所选择的9个参数均为敏感性参数,而水量平衡系数作似然函数时,仅有1个敏感性参数,Nash-Sutcliffe系数更适合作似然函数;从不确定性区间评价结果来看,水量平衡系数作为似然函数时,模拟结果的覆盖率和对称性均优于Nash-Sutcliffe系数。以上研究可为GLUE方法似然函数的选取提供参考,也为多目标GLUE方法中权重的分配提供理论依据。

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。

基于全局和局部方法的城市雨洪模型参数敏感性——以济南市主城区为例

开展模型参数敏感性分析是进行参数率定及提高模型模拟效果的重要前提。以山东省济南市主城区为研究对象,基于SWMM模型构建城市雨洪模型,从全局和局部角度分别采用GLUE方法与修正Morris筛选法,以流域出口流量数据为模型率定依据,对不同暴雨情景下SWMM模型中11个参数进行敏感性分析。结果表明:①GLUE方法筛选出河道糙率系数(RoughnessR)、衰减常数(Decay Constant)、不透水区洼蓄量(S-Imperv)为敏感参数;②采用修正Morris筛选法时,不同暴雨情景下各参数对径流总量的影响大致相同,对洪峰流量影响不尽相同,对径流总量表现出中高敏感性的参数有河道糙率系数、排干时间(Drying Time)、衰减常数、最大入渗率(MaxRate)、最小入渗率(MinRate)、透水区洼蓄量(S-Perv)、管道糙率系数(RoughnessP),对洪峰流量表现出中高敏感性的参数有河道糙率系数、衰减常数、透水区曼宁系数(N-Perv);③两种方法均可准确识别SWMM模型参数敏感性,均显示河道糙率系数与衰减常数对模拟结果的影响较为显著,具体区别在于GLUE方法可考虑参数间相互作用,判断参数是否为敏感参数,而修正Morris筛选法可对参数敏感性进行量化分级并排序。

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。