针对大尺度水文模型时变参数的代理优化率定方法技术

本发明专利技术提供一种针对大尺度水文模型时变参数的代理优化率定方法，包括：选定分布式水文模型，以流域为研究对象构建模型，筛选出敏感参数；结合确定的敏感参数值，根据与其相关的关键指标实测数据验证模型，经验证后进行长时间序列的数值模拟；基于上述模拟结果统计不同时间尺度下关键指标模拟量，以及对应的年实测量；将长时间序列分为若干段；设置敏感参数经验值的校正因子并建立代理优化率定模型；选取合适的评价指标对校正因子进行率定，得到不同季节校正因子的后验分布；使用校正因子对敏感参数经验值进行校正，得到季节尺度下其变参数值并比对模拟精度。本发明专利技术实现了对大尺度模型参数的快速率定，解决了大尺度模型参数率定的耗时低效问题。的耗时低效问题。的耗时低效问题。

【技术实现步骤摘要】
针对大尺度水文模型时变参数的代理优化率定方法


[0001]本专利技术属于水文模型的
，具体涉及一种针对大尺度水文模型时变参数的代理优化率定方法。

技术介绍

[0002]水文模型是根据流域范围内降雨径流的运动规律建立的数学模型，可对复杂水文过程进行数值模拟，是了解气候变化和人类活动影响下水文循环时空变化规律的重要工具。
[0003]由于降水径流的物理过程极其复杂，传统集总式水文模型往往通过设置概念性参数来简化假设这些过程，并通过率定参数来调整模型性能。但是，集总式水文模型无法反映流域范围内水文过程的空间变异性，因此，基于物理机制的分布式水文模型得以发展。分布式水文模型可考虑参数的空间异质性，参数值与网格范围内地形、地质、土壤、植被等流域特征密切相关，可通过观测或分析实测资料来确定。但是，实际应用中仍有一些参数虽然具有明确的物理意义，却无法直接估计，需经过参数率定确定其值。
[0004]模型参数的优化率定通过最大程度降低水文模型参数的不确定性，达到提升水文模型预报精度的目的。由于分布式水文模型参数空间维度较高，高维空间参数的空间搜索计算量巨大，传统搜索方式难以实现。针对该问题，水文学家们将人工神经网络、遗传算法、粒子群算法、模拟退火算法等算法应用到水文模型的参数优化中，实现了水文模型的多参数多目标优化率定。
[0005]现有针对分布式水文模型的参数优化率定方法存在如下问题：(1)传统参数优化过程运行时间较长，尤其是对大尺度水文模型的参数率定，运行时间长达几个小时到几个月不等，优化率定的效率问题是制约水文模型发展的重要问题；(2)在“稳态条件”下率定出的参数，未考虑参数的时变性，不能适用变化环境下的水文模拟。

技术实现思路

[0006]本专利技术的目的在于针对现有技术的不足之处，提供一种针对大尺度水文模型时变参数的代理优化率定方法，该方法解决了大尺度模型参数率定的耗时低效问题，获得了具有时变特性的参数值，可适应变化环境下的水文模拟。
[0007]为解决上述技术问题，本专利技术采用如下技术方案：
[0008]一种针对大尺度水文模型时变参数的代理优化率定方法，包括如下步骤：
[0009]步骤1，选定分布式水文模型，以流域为研究对象构建模型，筛选出敏感参数；
[0010]步骤2，根据观测资料、已有研究和经验或采用参数率定方法确定敏感参数的参数值，结合与敏感参数相关的关键指标实测数据对水文模型进行验证，采用验证后的模型进行长时间序列的数值模拟；
[0011]步骤3，基于上述长时间序列的模拟结果，统计不同时间尺度下关键指标的模拟量，并给出对应的年实测量；
[0012]步骤4，为考虑敏感参数的年际变化，将长时间序列的模拟结果分为若干段；
[0013]步骤5，结合敏感参数的物理意义设置敏感参数经验值的校正因子，根据敏感参数经验值、关键指标模拟量与校正因子之间的关系建立敏感参数的代理率定模型，通过率定敏感参数的校正因子达到参数率定的效果；
[0014]步骤6，选取合适的评价指标，对各分段内的校正因子进行优化率定，得到该分段内不同季节校正因子的后验分布；
[0015]步骤7，根据优化率定得到的不同分段、不同季节内校正因子值，对敏感参数经验值进行校正，得到季节尺度的敏感参数变参数值，并根据多年平均实测值对敏感参数经验值进行校正，得到其常参数值；
[0016]步骤8，对比敏感参数变参数值和常参数值下的修正模拟结果，验证考虑参数时变性对水文模型精度的提高效果。
[0017]进一步地，步骤4具体方法如下：
[0018]1)基于步骤3的长时间序列模拟结果，统计关键指标的年模拟量和对应的年实测量，计算其相对误差：
[0019][0020]式中，RE
i
为相对误差，SIMA
i
为关键指标年模拟值，OBSA
i
为关键指标年实测值，n为时间序列的总年数；
[0021]2)根据计算得到的相对误差值，参考不同分段的阈值进行分段：
[0022][0023]式中，m为分段数目，k＝1,
…
,m为具体的分段数，RE
td
(k)为第k分段对应的相对误差阈值。
[0024]进一步地，步骤5包括如下子步骤：
[0025]首先，确定敏感参数的物理意义：
[0026]OBSA＝f(θ
true
，X
t
)；
[0027]SIMA＝f(θ0，X
t
)；
[0028]式中，OBSA为关键指标实测量，表示真实参数值下的实测数据；SIMA表示敏感参数经验值下的关键指标模拟量，为敏感参数的真实值，为敏感参数的经验值，h为参数数目，X
t
为t时刻环境因子；f表示模拟值与参数、环境因子之间的非线性关系，在分布式水文模型中通过数学模型描述；
[0029]其次，设置敏感参数经验值的校正因子，并建立敏感参数的代理率定模型，具体如下：
[0030][0031]θ
j
＝g(β
j
，θ0)；
[0032]式中，SIMA
corrected
为修正后关键指标模拟量，为四个季节经校正后的敏感参数值，X
t
为t时刻环境因子，为四个季节敏感参数经验值的校正因子值，h为参数数目，θ0为敏感参数的经验值，其中，j＝1，2，3，4；
[0033]在后续的优化率定方法中，为使得修正后关键指标模拟量无限接近其实测量，通过重复对校正因子进行采样赋值，优化过程中所采校正因子的样本值组成其后验分布。
[0034]进一步地，步骤6还包括如下子步骤：
[0035]1)选择一个或多个合适的评价指标；
[0036]2)将修正后的关键指标模拟量与实测量之间的拟合度定为目标函数，比较目标函数，确定敏感参数样本值的接受概率：
[0037][0038]式中，为迭代第t组的敏感参数样本值，P(θ
t
)为敏感参数取值为θ
t
时的接受概率；
[0039]3)采用算法对某分段内、各季节的校正因子进行优化率定，得到其四个季节校正因子的后验分布，确定该分段内不同季节的校正因子取值β
j
，j＝1，2，3，4。
[0040]进一步地，所述评价指标包括但不限于标准化均方根误差NRMSE、水文预报常用评价指标NSE。
[0041]进一步地，所述关键指标包括但不限于河道流量、灌溉量、蒸散量。
[0042]与现有技术相比，本专利技术的有益效果为：本专利技术针对大尺度分布式水文模型的复杂性，提出了代理优化率定模型，实现了对大尺度模型参数的快速率定，解决了大尺度模型参数率定的耗时低效问题，且避免了模型参数陷入局部最优的问题；此外，本专利技术结合DREAM算法的优势，基于年尺度实测数据，可获得较小时间尺度上(如月份或季节)参数值，考虑了参数的时变特性，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对大尺度水文模型时变参数的代理优化率定方法，其特征在于，包括如下步骤：步骤1，选定分布式水文模型，以流域为研究对象构建模型，筛选出敏感参数；步骤2，根据观测资料、已有研究和经验或采用参数率定方法确定敏感参数的参数值，结合与敏感参数相关的关键指标的实测数据对水文模型进行验证，采用验证后的模型进行长时间序列的数值模拟；步骤3，基于上述长时间序列的模拟结果，统计不同时间尺度下关键指标的模拟量，并给出对应的年实测量；步骤4，为考虑敏感参数的年际变化，将长时间序列的模拟结果分为若干段；步骤5，结合敏感参数的物理意义设置敏感参数经验值的校正因子，根据敏感参数经验值、关键指标模拟量与校正因子之间的关系建立敏感参数的代理率定模型，通过率定敏感参数的校正因子达到参数率定的效果；步骤6，选取合适的评价指标，对各分段内的校正因子进行优化率定，得到该分段内不同季节校正因子的后验分布；步骤7，根据优化率定得到的不同分段、不同季节内校正因子值，对敏感参数经验值进行校正，得到季节尺度的敏感参数变参数值，并根据多年平均实测值对敏感参数经验值进行校正，得到其常参数值；步骤8，对比敏感参数变参数值和常参数值下的修正模拟结果，验证考虑参数时变性对水文模型精度的提高效果。2.根据权利要求1所述的针对大尺度水文模型时变参数的代理优化率定方法，其特征在于，步骤4具体方法如下：1)基于步骤3的长时间序列模拟结果，统计关键指标的年模拟量和对应的年实测量，计算其相对误差：式中，RE
i
为相对误差，SIMA
i
为关键指标年模拟值，OBSA
i
为关键指标年实测值，n为时间序列的总年数；2)根据计算得到的相对误差值，参考不同分段的阈值进行分段：式中，m为分段数目，k＝1,
…
,m为具体的分段数，RE
td
(k)为第k分段对应的相对误差阈值。3.根据权利要求1所述的针对大尺度水文模型时变参数的代理优化率定方法，其特征在于，步骤5包括如下子步骤：首先，确定敏感参数的物理意义：OBSA＝f(θ
true
,...

【专利技术属性】
技术研发人员：夏倩，刘攀，周丽婷，王亚菲，谢康，张晓菁，陈桂亚，
申请(专利权)人：武汉大学，
类型：发明
国别省市：