针对分布式水文模型的率定过程海量计算难题,本研究提出了基于Hadoop和Redis集群的泛化似然不确定估计(GLUE)率定算法——HR-GLUE。该方法通过Redis缓存模型输入,利用MapReduce算法实现的GLUE率定方法并行计算。研究以典型分布式水文模...针对分布式水文模型的率定过程海量计算难题,本研究提出了基于Hadoop和Redis集群的泛化似然不确定估计(GLUE)率定算法——HR-GLUE。该方法通过Redis缓存模型输入,利用MapReduce算法实现的GLUE率定方法并行计算。研究以典型分布式水文模型——SWAT(Soil and Water Assessment Tool)的并行率定为例对该方法的计算效率和效果进行了验证。结果表明HR-GLUE可以显著堤高模型的率定速度,在14个作业节点的Hadoop集群满负荷工作时,可将模型的速度提高28.9倍,且利用其速度优势,可获得更优的率定效果。展开更多
文摘针对分布式水文模型的率定过程海量计算难题,本研究提出了基于Hadoop和Redis集群的泛化似然不确定估计(GLUE)率定算法——HR-GLUE。该方法通过Redis缓存模型输入,利用MapReduce算法实现的GLUE率定方法并行计算。研究以典型分布式水文模型——SWAT(Soil and Water Assessment Tool)的并行率定为例对该方法的计算效率和效果进行了验证。结果表明HR-GLUE可以显著堤高模型的率定速度,在14个作业节点的Hadoop集群满负荷工作时,可将模型的速度提高28.9倍,且利用其速度优势,可获得更优的率定效果。
