改进的垂向混合产流模型在大凌河流域的运用

考虑传统垂向混合产流模型在河道汇流演算时将槽蓄系数设置为定值的缺点,引入变动态存储系数法对其进行改进,并将两种模型在大凌河流域进行对比分析。此外,基于改进的垂向混合产流模型定量分析不同蒸发输入和不同计算时段对水文模拟的影响。研究结果表明:相比于传统垂向混合产流模型,改进的垂向混合产流模型模拟的平均相对误差降低1.06%,确定性系数提高0.1;计算的蒸发输入相比于实测蒸发输入,平均相对误差减少0.61%,确定性系数提高0.03,计算的蒸发可代替实测蒸发作为大凌河流域无资料地区水文模拟的蒸发输入,研究成果可为大凌河流域水文模拟提供新的方法。     

不同水文模型在滦河流域对比运用研究

为对比研究不同水文模型在滦河流域的模拟精度,分别选取垂向混合产流模型和VIC模型,以滦河滦县水文站以上流域为研究流域,基于滦县水文站1980—1989年水文资料,对比分析不同水文模型的模拟精度,并在此基础上,定量分析不同蒸发输入和不同计算时段对水文模型模拟的影响。研究结果表明:垂向混合产流模型相比于VIC模型,在滦河流域具有更好的适用性,日模拟相对误差均小于VIC模拟的相对误差,且确定性系数均高于VIC模型;时段步长为0.5 h的次洪模拟,不论是在洪峰峰值模拟还是整个洪峰过程的拟合程度方面模拟精度都要优于计算步长为1 h的次洪模拟;运用Penman-Monteith公式计算的潜在蒸散发作为垂向混合产流模型蒸发输入,模拟的日径流过程总体上优于运用实测蒸发皿蒸发作为蒸发输入的模拟精度。模型的研究成果可以为滦河流域水文模拟和模型研究提供参考价值。     

不同蒸发计算方法对水文过程模拟影响的分析

为研究不同蒸发输入对流域水文模拟的影响,以印江河流域印江水文站以上集水区域为对象,将蒸发站蒸发皿实测资料和P-M公式计算的参考作物蒸散发作为模型蒸发输入,应用于垂向混合产流模型进行日径流过程模拟。研究结果表明,以P-M公式计算的参考作物蒸散发为蒸发输入的垂向混合产流模型,其模拟精度总体上要高于以蒸发皿实测蒸发为输入的模拟精度,能够更合理地模拟印江河流域的日径流过程。     

改进粒子群优化算法在水文模型参数优化中的应用研究

引入改进的粒子群优化算法,对垂向混合产流模型计算参数进行优化,并对比参数优化前后水文模拟精度。研究结果表明：改进的粒子群优化算法模型可较快完成参数优化,相比于参数优化前,垂向混合产流模型年尺度模拟相对误差减少6.15%,模拟的过程确定性系数平均提高0.11;在次洪模拟中,模拟相对误差平均减少3.03%,模拟的洪水过程确定性系数平均提高0.19,水文模拟精度得到较大程度提高。研究成果对于区域水文模型参数优化提供参考价值。     

改进的垂向混合产流模型在辽西干旱半干旱区域洪水模拟中的应用

本文引入改进的Grenn-Ampt下渗曲线对垂向混合产流模型的下渗计算进行改进,并以辽西干旱半干旱区域为研究区域,对区域洪水进行模拟分析。研究结果表明:相比于传统模型,改进的垂向混合产流模型在洪水模拟精度上有明显改善,日尺度和小时尺度洪水模拟的相对误差分别减少8.7%和10.6%,洪水过程拟合系数分别提高0.26和0.30,改进模型更适用于辽宁西部干旱半干旱区域的水文模拟。研究成果对于北方干旱半干旱区域洪水模拟提供方法参考。     

时空变源混合产流模型及其在小流域洪水模拟中的应用——以四川省、甘肃省的4个小流域为例

近年来山洪灾害造成的人员伤亡和财产损失不断增加,基于GIS和遥感数据的水文模型为山洪预报提供了新的思路。利用DEM和遥感数据提取小流域基础属性并划分地貌水文响应单元,利用垂向混合产流计算产流量,采用包气带非饱和土壤计算下渗,建立垂向上的时空变源混合产流模型。利用时空变源混合产流模型,模拟四川省和甘肃省4个流域多场次洪水过程,通过SCE算法进行参数率定和产流分析。结果表明:模型模拟与实测数据基本吻合,纳什效率系数均超过0.8;四川和甘肃两省小流域受到下垫面信息影响,主导产流成分不同。模型能够提供较为精确的山丘区流域洪水预报。     

基流分割对城市雨洪模拟不确定性分析的影响

为了探究基流分割对城市雨洪模拟的影响,以济南市主城区流域为例构建SWMM模型,采用2005—2010年7场基流分割前后的实测洪水资料校验模型,应用GLUE方法,以均方根误差为似然评判依据对模拟结果进行不确定性分析,探讨了基流分割前后流量数据对模拟结果不确定性的影响。结果表明：各场次暴雨基流占洪峰流量的比例均值为13.38%,对洪水模拟效果影响较大;GLUE方法能够有效提取高精度参数集,相比于原始流量序列,应用基流分割后流量作为校验模型依据,流量过程90%置信区间覆盖率增大100%,平均偏移幅度和平均对称度分别减小42.60%和87.19%。通过基流分割可有效降低流量数据作为模型校验数据导致的模拟结果不确定性,提升洪水预报性能,获取更精确对称的流量预报区间。     

SWAT模型径流模拟的校正与不确定性分析

为比较SUFI-2和GLUE两种常用的SWAT模型校正与不确定性分析方法的优劣,以三峡库区大宁河流域为研究对象,应用Arc SWAT 2012对大宁河流域进行径流模拟,并分别基于SUFI-2和GLUE方法进行校正和不确定性分析,进而从模型模拟结果的不确定性、拟合效果、运算效率和参数不确定性分析等方面对SUFI-2和GLUE进行比较。结果表明:SUFI-2和GLUE都可以较好地应用于大宁河流域SWAT模型的校正和不确定性分析,但SUFI-2方法能通过较少的模拟次数获得更小的模拟不确定性带以及更佳的拟合效果,而GLUE方法在参数不确定性分析方面的表现更佳。对于SWAT模型径流模拟,建议用SUFI-2方法进行校正和模拟结果不确定性分析,用GLUE方法进行参数不确定性分析。     

基于GLUE的流域水文模型参数不确定性研究

通过对三水源新安江水文模型参数分析,针对模型中的自由水蓄水容量、壤中流消退系数、地下水消退系数和河网消退系数4个敏感参数,以淮河息县流域为例,应用基于Bayesian理论的GLUE方法对参数进行不确定性分析。结果表明,GLUE方法以确定性系数0.85为临界似然判据,得到90%置信区间的洪水过程概率分布,能够很好地模拟实况流量过程。     

闽江流域洪水预报模型比较研究

应用新安江模型与垂向混合产流模型对闽江流域干流以上的15个子流域进行了模拟验证,进一步论证了这两种概念性流域水文模型结构的合理性,并得出了如下结论:大闽江流域,新安江模型与垂向混合产流模型都适用,且均能取得良好的效果。由于不同的洪水预报模型考虑产流机理的不同,采用的结构与参数不同,对不同洪水特征的计算结果也有差别,在实际使用中,设置不同结构的洪水预报模型是必要而且是有效的。同时,还对历史洪水根据其涨洪前段的实测流量过程与模型计算流量过程的确定性系数最大作为选择模型的标准,进行模型选择模拟预报。由此还得出另一个结论:在实时洪水预报中,根据不同的预知信息实时选择最佳的模型,能提高洪水预报的精度。     

基于信息熵对新安江水文模型参数及预报结果不确定性的量化分析

将GLUE方法与信息熵结合,分析新安江水文模型参数及预报结果的不确定性。首先用信息熵公式初步判断参数的敏感程度,根据GLUE方法求出90％置信度下流量的不确定范围;其次应用信息熵和U不确定公式共同量化分析模型预报结果的不确定性。以资水水系的新宁站集水区为研究区域,得出结论：①GLUE方法能够用来分析新安江水文模型参数的不确定性;②信息熵公式能够初步判断模型参数的敏感程度;③模型预报结果的不确定性随着实测资料的增加而降低。     

通过流量放大减小水文模拟与预报不确定性的应用研究

应用TOPMODEL模型,采用普适似然不确定估计(GLUE)方法,以属于半干旱地区的东湾流域为例,探讨径流系数在水文模拟与预报中的影响作用。通过其影响来提高径流系数较低地区的模拟精度,减小水文模拟与预报的不确定性。研究发现,模拟精度随着径流系数增大而提高,并在径流系数为0.5附近达到峰值后逐渐降低。基于此通过流量放大的改进方法进行东湾流域的水文模拟,改进后的结果有较大改善。     

Uncertainty Intercomparison of Different Hydrological Models in Simulating Extreme Flows

A growing number of investigations on uncertainty quantification for hydrological models have been widely reported in past years. However, limited studies are found on uncertainty assessment in simulating streamflow extremes so far. This article presents an intercomparison of uncertainty assessment of three different well-known hydrological models in simulating extreme streamflows using the approach of generalized likelihood uncertainty estimation (GLUE). Results indicate that: (1) The three modified hydrological models can reproduce daily streamflow series with acceptable accuracy. When the threshold value used to select behavioral parameter sets is 0.7, XAJ model generates the best GLUE estimates in simulating daily flows. However, the percentage of observations contained in the calculated 95 % confidence intervals (P-95CI) is low (<50 %) when simulating the high-flow index (Q10). (2) Decreasing average relative length (ARIL), P-95CI and increasing average asymmetry degree (AAD) are found, when the threshold value increases for both daily-flows and high-flows. However, there is a significant inconsistence between sensitivity of daily-flows and high-flows to various threshold values of the likelihood function. Uncertainty sources from parameter sets, model structure and inputs collectively accounts for above sensitivity. (3) The best hydrological model in simulating daily-flows is not identical under different threshold values. High P-95CIs of GLUE estimate for high-flows (Q10 and Q25) indicate that TOPMODEL generally performs best under different threshold values, while XAJ model produces the smallest ARIL under different threshold values. The results are expected to contribute toward knowledge improvement on uncertainty behaviors in simulating streamflow extremes by a variety of hydrological models.     

基于智能聚类识别的 SWAT 模型参数优化方法 −以石头口门水库流域为例

为探究 SWAT 模型参数优化过程与方法,降低参数估计不确定性,采用敏感性分析方法遴选关键参数,针对 关键参数采用拉丁超立方抽样构建参数样本集,进而结合各组关键参数组合下的模拟精度指标构建聚类指标集, 采用 SOM 聚类算法进行聚类,并基于模拟精度较高且波动较小类别识别各关键参数取值范围,形成一种 SWAT 模型关键参数优化系统方法。以石头口门水库流域为例,选取 1980—2016 年（1980—1986 年为预热期,1987— 2009 年为率定期,2010—2016 年为验证期）的月径流实测资料,建立流域 SWAT 模型,引入 SOM 聚类算法进行参 数优化,不断缩小模型关键参数合理取值区间,并应用 SUFI-2 算法进行模拟结果对比。结果表明：SWAT 模型适 用于石头口门水库流域,且参数优化前验证期的决定系数 R2为 0.79,纳什效率系数 ENS为 0.74,P-factor 为 0.65,R-factor 为 0.56;参数优化后验证期 R 2为 0.88,ENS为 0.83,P-factor 为 0.70,R-factor 为 0.50,模拟效果较好。故 应用 SOM 算法进行 SWAT 模型参数优化可以降低模型不确定性,提高径流模拟精度,为水文模型参数优化算法 的选择提供思路,对水资源管理政策制定与水库优化调度具有重要意义。     

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。     

How uncertain is model-based prediction of copper loads in stormwater runoff?

In this paper, we conduct a systematic analysis of the uncertainty related with estimating the total load of pollution (copper) from a separate stormwater drainage system, conditioned on a specific combination of input data, a dynamic conceptual pollutant accumulation-washout model and measurements (runoff volumes and pollutant masses). We use the generalized likelihood uncertainty estimation (GLUE) methodology and generate posterior parameter distributions that result in model outputs encompassing a significant number of the highly variable measurements. Given the applied pollution accumulation-washout model and a total of 57 measurements during one month, the total predicted copper masses can be predicted within a range of +/-50% of the median value. The message is that this relatively large uncertainty should be acknowledged in connection with posting statements about micropollutant loads as estimated from dynamic models, even when calibrated with on-site concentration data.     

Comparative uncertainty analysis of copper loads in stormwater systems using GLUE and grey-box modeling.

In this paper two attempts to assess the uncertainty involved with model predictions of copper loads from stormwater systems are made. In the first attempt, the GLUE methodology is applied to derive model parameter sets that result in model outputs encompassing a significant number of the measurements. In the second attempt the conceptual model is reformulated to a grey-box model followed by parameter estimation. Given data from an extensive measurement campaign, the two methods suggest that the output of the stormwater pollution model is associated with significant uncertainty. With the proposed model and input data, the GLUE analysis show that the total sampled copper mass can be predicted within a range of +/-50% of the median value (385 g), whereas the grey-box analysis showed a prediction uncertainty of less than +/-30%. Future work will clarify the pros and cons of the two methods and furthermore explore to what extent the estimation can be improved by modifying the underlying accumulation-washout model.