基于UQ-PyL的SWAT模型参数不确定性分析综合评估

为解决SWAT (soil and water assessment tool)模型在复杂情形下的参数不确定性分析问题,引入参数不确定性分析平台UQ-PyL(Uncertainty Quantification Python Laboratory),开发UQ-PyL与SWAT模型的耦合模块,使得UQ-PyL中的各种算法能够方便快捷地应用于SWAT模型的参数不确定性分析。为验证UQ-PyL用于SWAT模型参数不确定性分析的效果,在我国不同气候条件下的4个流域构建SWAT模型,综合对比评估UQ-PyL与SWAT-CUP对模型参数的不确定性分析结果。结果表明：UQ-PyL多种敏感性分析方法筛选出的敏感参数比SWAT-CUP单一方法筛选的结果更加合理;使用UQ-PyL率定的参数在4个流域应用中都表现良好,优化后模拟结果的纳什效率系数均在0.55以上,收敛次数在550次以内;在4个流域的模拟中,UQ-PyL能提供计算效率更高的算法ASMO,也能提供模拟结果更准确的算法SCE。综上,与SWAT模型相耦合的UQ-PyL能够支持SWAT模型用户在不同系统下对模型参数进行更高效的不确定性分析研究。     

单目标和多目标优化在SWAT模型率定中的对比

为评估不同优化方法在分布式水文模型参数率定中的效率和效果,分别使用基于代理模型的多目标优化方法(multi-objective adaptive surrogate modeling-based optimization,MO-ASMO)、NSGA-Ⅱ和SCE-UA对SWAT模型进行参数率定。基于四湖流域2008—2021年的实测流量数据以及高程、土地利用、土壤类型等数据,构建SWAT模型,并针对3种不同优化方法的参数率定结果,采用相对误差百分比(P_BIAS)、Nash-Sutcliffe效率系数(E_NS)、均方根误差(E_RMS)和Kling-Gupta效率指标(E_KG)4种评价指标对比不同优化算法的优化效果,此外还创新性地量化不同统计指标的不确定性,以更全面地评估不同算法优化结果的稳健性与可靠性。结果表明,与单目标优化方法 SCE-UA相比,多目标优化方法的参数率定结果表现出更好的可靠性和稳健性,在多目标优化方法中,MO-ASMO方法能以显著更少的模型运行次数达到与NSGA-Ⅱ相似的优化效果。