融合马尔科夫链-蒙特卡洛算法的改进通用似然不确定性估计方法在流域水文模型中的应用

本文在Blasone研究工作的基础上,进一步提出了基于马尔科夫链-蒙特卡洛算法的改进通用似然不确定性估计方法(Markov Chain_Monte Carlo based Modified Generalized Likelihood Uncertainty Estimation,MMGLUE)。该方法结合近年来被广泛用于推求参数后验分布的MCMC方法,对基于Monte Carlo随机取样方法的传统GLUE方法进行改进,并以预测区间性质最优为标准,对可行参数组阈值进行判断与选择,提出了衡量预测区间对称性的标准,并就预测区间性质与可行参数组个数的相关关系进行了探索。在汉江玉带河流域的实例研究证明,MMGLUE方法较传统的GLUE方法能够推求出性质更为优良的预测区间,从而更真实合理地反映水文模型的不确定性。     

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。     

基于FCM-SCEMUA的水文模型参数不确定性估计方法

引入模糊C-均值聚类(FCM)方法对水文过程进行分类,结合SCEMUA方法,建立了基于FCM-SCEMUA的水文模型参数不确定性分析方法。选择南水北调水源区所在的汉江上游的江口流域,以新安江模型为例进行了实例研究。结果表明,FCM-SCEMUA方法通过对不同分类的似然函数分别设置阈值,在阈值同样为70%的情况下,所得到的有效参数组比通过SCEMUA方法得到的减少了64.8%的不合理参数组。所推求的参数后验分布更能够朝着高概率密度区进化,推导出更加合理的水文模型参数的后验分布,从而得到更加合理的预测区间,有效地减少了水文模拟与预测的不确定性。     

一种改进的参数区间选取方法及 在 WEP2L 模型中的应用

分布式水文模型由于参数众多, 各参数之间不能完全独立, 在参数自动率定中存在部分参数的优选过程相互 抑制情况。以 WEP2L( Water and Ener gy transfer Pr ocess in Lar ge river basins) 分布式水文模型为例, 基于 GLUE 算法推求模型参数的后验分布, 将参数全局敏感性分析的 Sobol 方法与概念性水文模型的参数区间优选方法相结 合, 给出了在较少参数采样次数条件下分布式水文模型不完全独立的多参数自动优选方案, 并在白河流域进行了应 用。结果表明: ( 1) 用 GLUE 算法推求参数后验分布, 结合 Sobol 分析及参数的区间优选方法, 可对 WEP2L 实现参 数自动率定, 模拟精度能达到 01 633; ( 2) 将 Sobol 全局敏感度分析与参数的区间优选方法相结合, 可进一步优化参 数区间确定的原则, 提高模拟的精度。研究结果可为分布式水文模型的参数率定提供借鉴。     

一种改进的参数区间选取方法及在WEP-L模型中的应用

分布式水文模型由于参数众多,各参数之间不能完全独立,在参数自动率定中存在部分参数的优选过程相互抑制情况。以WEP-L(Water and Energy transfer Process in Large river basins)分布式水文模型为例,基于GLUE算法推求模型参数的后验分布,将参数全局敏感性分析的Sobol方法与概念性水文模型的参数区间优选方法相结合,给出了在较少参数采样次数条件下分布式水文模型不完全独立的多参数自动优选方案,并在白河流域进行了应用。结果表明:(1)用GLUE算法推求参数后验分布,结合Sobol分析及参数的区间优选方法,可对WEP-L实现参数自动率定,模拟精度能达到0.633;(2)将Sobol全局敏感度分析与参数的区间优选方法相结合,可进一步优化参数区间确定的原则,提高模拟的精度。研究结果可为分布式水文模型的参数率定提供借鉴。     

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MCMC的新安江模型参数不确定性分析及应用

针对新安江模型参数不确定性分析过程中出现的参数多、收敛慢、计算负担重等问题，提出基于MCMC方法的新安江模型参数不确定性分析，该方法通过Markov链MonteCarlo抽样方法求解得到模型各参数后验分布，显著提高了算法的计算速度和求解质量。参数后验分布结果为区间预报提供了条件，实例研究表明，以该结果进行不确定预报是可行的。     

基于贝叶斯模型加权平均方法的水文模型不确定性分析

贝叶斯模型加权平均（BMA）方法是通过综合几个模型预报值的后验分布来推断预报量的更可靠概率分布分析工具。它不仅能提供一个综合的预报值,还能提供一个综合的预报区间。本文采用3个水文模型,统一用SCE-UA算法率定参数,得到3组不同的预报值用于BMA方法的综合,着重分析比较BMA和单个模型的预报不确定性区间,来检验贝叶斯模型加权平均方法是否能提高预报的可靠性。结果表明,BMA方法不仅能提高预报精度,还能推求出性质更为优良的预报区间,提高预报的可靠性。     

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。     

水文模型不确定性研究方法耦合分析

为了探索解决在提高区间覆盖率的同时降低预测区间平均带宽的问题,将dual EnKF方法与GLUE方法2种水文模型不确定性研究方法进行了耦合分析,得到了dual E-G方法。以新安江模型为例,采用3个评价指标(覆盖率、平均带宽和平均不对称性)评价了dual E-G方法在3个流域(甲河流域、天河流域、灞河流域)的预测区间性质,并与GLUE方法进行了对比。结果表明：dual E-G方法可以同时改善3种不确定性指标。该成果可为水文模型预报、洪水决策风险分析等方面的深入研究提供有益参考。