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。     

城市雨洪模型参数不确定性分析及应用

针对分布式城市雨洪模型的研究现状,分析讨论了城市雨洪模型及其模拟结果的不确定性问题,并以深圳市某独立排水片区为例,采用GLUE方法分析SWMM模型参数的不确定性。首先构建排水区的SWMM模型,针对敏感性参数随机生成多个参数方案,通过MATLAB编程调用SWMM动态链接库多次进行参数率定,以Nash-Sutcliffe效率系数(NS)大于0. 8为阈值进行最佳参数方案的筛选,得到置信度为90%的排水区径流量区间。研究结果表明,GLUE方法能够分析出模型敏感性参数的不确定性,此种模型不确定性研究方法可为实际工程提供更加科学的预测。     

基于GLUE方法的二维水动力模型不确定性研究

不确定性分析对于识别、评估模型计算过程中主要误差来源及其对于计算结果的影响十分必要。为此,评估了广义似然不确定性估计(GLUE)在水动力模型中对大汶河下游大清河流域二维水动力模型计算结果不确定性的影响,并利用互信息法分析模型参数和边界条件对预测结果的敏感性。结果表明,糙率对于输出结果的敏感性最强,边界条件对于输出结果的敏感程度稍弱;GLUE方法可有效分析参数-边界条件的不确定性,其预测的不确定性区间对于实测值的覆盖率较高,但模拟精度有待进一步提升。     

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。     

MIKE SHE水文模型参数的不确定性研究

为了估测水文模型的不确定性参数特征,更准确地构建水文模型,利用妫水河流域东大桥水文站径流资料,对MIKE SHE模型参数进行了不确定性分析。结果表明:选取的参数中不确定性较大的为水平传导系数、壤中流下渗常量、壤中流给水度、壤中流渗透阈值,不确定性较小的为山林地及平原耕地的饱和渗透系数、蒸散发经验系数;模型模拟结果与实测数据符合较好,校核期有55%的实测数据落入模拟径流量的置信区间内,但模拟精度仍有待提高。     

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 Based Assessment on the Overall Predictions of a MIKE SHE Application

The generalised likelihood uncertainty estimation (GLUE) approach was applied to assess the performance of a distributed catchment model and to estimate prediction limits after conditioning based on observed catchment-wide streamflow. Prediction limits were derived not only for daily streamflow but also for piezometric levels and for extreme events. The latter analysis was carried out considering independent partial duration time series (PDS) obtained from the observed daily streamflow hydrograph. Important data uncertainties were identified. For streamflow the stage-discharge data analysis led to estimate an average data uncertainty of about 3 m³ s^− 1. For piezometric levels, data errors were estimated to be in the order of 5 m in average and 10 m at most. The GLUE analysis showed that most of the inspected parameters are insensitive to model performance, except the horizontal and vertical components of the hydraulic conductivity of one of the geological layers that have the most influence on the streamflow model performance in the application catchment. The study revealed a considerable uncertainty attached to the simulation of both high flows and low flows (i.e., in average terms 5 m³ s^− 1 before the Bayesian updating of the prediction limits). Similarly, wide prediction intervals were obtained for the piezometric levels in relevant wells, in the order of 3.3 and 1.5 m before and after the Bayesian updating of the prediction limits, respectively. Consequently, the results suggest that, in average terms, the model of the catchment predicts overall outputs within the limitations of the errors in the input variables.     

Comments on generalised likelihood uncertainty estimation

The paper presents an application of the generalised likelihood uncertainty estimation methodology to the problem of estimating the uncertainty of predictions produced by environmental models. The methodology is placed in a wider context of different approaches to inverse modelling and, in particular, a comparison is made with Bayesian estimation techniques based on explicit structural assumptions about model error. Using a simple example of a rainfall-flow model, different evaluation measures and their influence on the prediction uncertainty and credibility intervals are demonstrated.     

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。     

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。