洪水灾害危险性评价方法的研究与改进

洪水风险分析是防洪非工程措施的重要组成部分,而洪水危险性评价是风险分析的基础。现有的洪水危险性评价方法由于需要获得淹没水深,在对洪水风险预测时要求复杂的水力学模型和高分辨率数据的支撑,但业务化过程中常常无法满足数据要求,为了简化洪水危险性评价的过程,确保评价结果的准确性,提出了一个新的简单且综合的洪水危险性评价指标(FHI,Flood Hazard Index)。该指标以GisNet和ArcGIS为软件平台,结合分布式水文模型,依据洪灾的形成机理,综合考虑分布式流量与地形指数。结合北京山区红螺谷流域的具体情况,对新指标进行了对比检验。结果显示,FHI能够真实地反映区域洪灾随空间变化的趋势,为未来洪水危险性评价与预测的研究,提供了一个全新的思路,对洪水风险研究体系的完善具有重要的现实意义。     

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。     

GEFSv12 降水再预报数据在淮河流域的适用性评估

新一代全球集合预报（global?ensemble?forecast?system?version?12,GEFSv12）是美国国家环境预报中心 （National?Centers?for?Environmental?Prediction,NCEP）发布的最新的再预报数据集,对该数据集中的降水数据在淮 河流域的适用性进行评估。由于原始预报存在系统偏差,所以应用贝叶斯联合概率模型（Bayesian?joint?probability, BJP）,对原始 GEFSv12 再预报数据进行统计后处理。预报验证的评价指标包括均方根误差（ERMS）、Brier 技巧评 分（EBSS）、连续等级概率技巧评分（ECRPSS）、α 指数及可靠性框图,注重从预报偏差、精度以及可靠性 3 方面评价原 始预报及经过后处理的预报。结果表明：GEFSv12 降水再预报数据对淮河流域具有较好的适用性,在预见期 1~7?d 具有预报技能;BJP 统计后处理方法能有效降低预报系统性偏差,增加预报精度以及预报可靠性,经过后处理的降 水集合预报将有利于进一步的水文集合预报应用。     

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。