基于MCMC方法的概念性流域水文模型參數(shù)優(yōu)選及不確定性研究.pdf

1、概念性流域水文模型不僅在水循環(huán)研究領域有著重要的地位，在與水循環(huán)相關的其它領域也發(fā)揮著越來越重要的作用。無論是水文與水資源、環(huán)境和生態(tài)等重大問題的決策，還是防洪抗旱等均離不開水文模型的支撐。概念性流域水文模型的預報精度與模型結構及模型參數(shù)取值密切相關，因此，如何選取適用于指定研究區(qū)域的模型結構及模型參數(shù)是確保概念性流域水文模型預報精度的重要前提。鑒于此，本文在研究模型結構適用性的基礎上，針對復雜非線性流域水文模型參數(shù)優(yōu)選問題的難解性，引

2、入融合馬爾可夫鏈蒙特卡羅方法的優(yōu)化算法，系統(tǒng)開展了模型參數(shù)優(yōu)選、參數(shù)不確定性及模型輸出的不確定性等研究，主要研究內(nèi)容和結論如下：
　　 (1)選取RRMT中9個降雨-徑流模型組合，并采用SCE-UA優(yōu)化算法及3個模型評價目標函數(shù)，對長江流域的岷江、嘉陵江及烏江流域開展模型結構適用性研究。根據(jù)模型結構的復雜度以及模型的預報能力對模型結構進行綜合評價，選出適用于指定研究區(qū)域的模型結構.
　　 (2)在系統(tǒng)研究SCEM-UA算

3、法基礎上，采用自適應Metropolis采樣替代SCEM-UA算法中的Metropolis-annealing采樣，提出了新的SCEAM-UA算法，該算法能在每一次迭代過程后自適應地調(diào)整協(xié)方差和接受率策略。通過實例研究發(fā)現(xiàn)，SCEAM-UA算法較好地克服了“早熟收斂”問題，搜索性能要優(yōu)于傳統(tǒng)SCEM-UA算法。此外，基于改進SCEAM-UA算法采樣，對岷江、嘉陵江及烏江流域CMD-3PAR模型參數(shù)進行了敏感性分析，為模型參數(shù)的準確取值奠

4、定基礎。
　　 (3)從算法的搜索效率、求解質量、算法穩(wěn)定性等方面對SCE-UA、SCEM-UA、SCEAM-UA、DE-MC及DREAM等算法進行了比較分析，得出：DREAM和SCEAM-UA算法的優(yōu)化性能優(yōu)于DE-MC和SCEM-UA算法。在分析比較不同算法的性能基礎上，初步建立了流域水文模型參數(shù)優(yōu)選方法的評價指標體系，為選擇高效的流域水文模型參數(shù)優(yōu)選算法提供了科學依據(jù)。此外，對RRMT的優(yōu)化模塊進行拓展開發(fā)，嵌入新的SCE

5、M-UA、SCEAM-UA、DE-AM、DREAM及MODREAM等算法，進一步增強了RRMT優(yōu)化模塊的功能。
　　 (4)將DREAM算法應用于岷江、嘉陵江及烏江流域CMD-3PAR模型的參數(shù)優(yōu)選，研究發(fā)現(xiàn)：DREAM算法能有效推求模型參數(shù)后驗分布，適用于參數(shù)先驗信息較少的復雜流域水文模型參數(shù)優(yōu)選及不確定性分析。在DREAM算法基礎上引入多目標優(yōu)化思想，綜合考慮水量平衡、水文特征曲線、洪峰流量等水文過程的不同要素，提出了一種基

6、于改進適應度分配策略和外部存檔方案的多目標DREAM算法，并以岷江、嘉陵江及烏江流域為例，對CMD-3PAR模型進行了自動參數(shù)優(yōu)選，通過對比單目標優(yōu)選與多目標優(yōu)選結果發(fā)現(xiàn)：MODREAM算法可在較短時間內(nèi)生成大量的非劣解供決策者評價優(yōu)選，更能反映流域實際水文特征，使得模型計算流量與實測流量過程更加吻合，優(yōu)于傳統(tǒng)的單目標DREAM算法。
　　 綜上所述，融合MCMC方法的優(yōu)化算法能較好地處理復雜非線性流域水文模型參數(shù)優(yōu)選問題，適用