(水文学及水资源专业论文)流域水文模型的不确定性分析.pdf_第1页
(水文学及水资源专业论文)流域水文模型的不确定性分析.pdf_第2页
(水文学及水资源专业论文)流域水文模型的不确定性分析.pdf_第3页
(水文学及水资源专业论文)流域水文模型的不确定性分析.pdf_第4页
(水文学及水资源专业论文)流域水文模型的不确定性分析.pdf_第5页
已阅读5页,还剩66页未读, 继续免费阅读

(水文学及水资源专业论文)流域水文模型的不确定性分析.pdf.pdf 免费下载

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

t h eu n c e r t a i n t ya n a l y s i so ft h ew a t e r s h e dh y d r o l o g i c a lm o d e l b y d ux i n z h o n g b e ( c h a n g s h au n i v e r s i t yo fs c i e n c e & t e c h n o l o g y ) 2 0 0 8 at h e s i ss u b m i t t e di np a r t i a ls a t i s f a c t i o no ft h e r e q u i r e m e n t sf o rt h ed e g r e eo f m a s t e ro fe n g i n e e r i n g l n h y d r o l o g ya n dw a t e rr e s o u r c e s l n c h a n g s h au n i v e r s i t yo fs c i e n c e t e c h n o l o g y s u p e r v i s o r p r o f e s s o rh ug u o h u a m a y ,2 0 1 1 长沙理工大学 学位论文原创性声明 本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外,本论文不包含任何其他个人或 集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体,均 已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名:丰气岛 日期:期f 年r 月j 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。 本人授权长沙理工大学可以将本学位论文的全部或部分内容编入有关数据库进行 检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 作者签名: 导师签名: l 、保密口,在年解密后适用本授权书。 2 、不保密回 ( 请在以上相应方框内打“挣) 日期:2 0 1 1 年j 月弦日 摘要 流域水文模型是将极度复杂的水文过程进行概念化和抽象化,运用数学公 式、方程和流程来描述真实的水文过程。在实际应用流域水文模型进行预测和模 拟时,运用得出的概化模型,接受气象、水文的多种不同资料的输入,利用实测 值进行模拟效果的判断,使得应用流域水文模型时不免存在着不确定性。不确定 性分析是一种定量分析方法,它分析各个因素对模型的模拟值的影响,得出的主 要结果有模型参数的分布和模拟值的置信区间。通过水文模型的不确定性分析, 可分析不同环节的不确定性对模型模拟的影响,为模型的改进和提高模拟效果提 供丰富的信息。 模型不确定性主要包括模型输入、模型参数、模型结构和流域反应。经分析 表明:模型输入直接影响着模型模拟效果,并影响模型参数的选择,为模型模拟 带来不确定性;模型参数存在着明显的“异参同效性 现象,为选择适合的参数 组进行模型的模拟带来困难;流域响应主要指实测值的误差,它影响着模型的模 拟效果和参数分布,为选择反应流域特征的参数带来不确定性。 介绍了g w i f 模型的原理和结构,分析所需的输入数据及参数,并给出模型 参数的取值范围。针对g w i f 模型特点,引入土壤含水量因子以反映水量条件对 蒸发的影响来改进g w l f 模型的蒸发模块。 阐述了g l u e 方法的基本原理及分析程序,应用g l u e 方法进行g w l f 模 型参数不确定性分析。计算结果表明:与模型参数的先验分布相比,模型参数的 后验分布较先验分布区间有较大变化,有明显的高概率密度取值空间,得到的径 流量模拟值9 0 置信区间对实测值的覆盖度为7 6 0 4 ,在一定程度上反映了模型 的不确定性。 在g l u e 方法的基础上,提出了模型综合不确定性分析的框架,该框架考虑 了模型输入、模型参数及流域响应的综合不确定性对模型模拟的影响。输入不确 定性采用“参数化 方法进行处理,引入分布参数未知的高斯随机乘子,并假定 流域响应不确定性服从参数己知的正态分布误差。利用建立的综合不确定性框架 进行g w l f 模型的不确定性分析,计算结果表明:与g l u e 方法相比,综合不确 定性分析得到的参数后验分布的参数分布形状及高概率密度空间都发生了变化。 推求的径流量模拟值9 0 置信区间对实测值的覆盖率为8 6 9 8 ,覆盖度更高,能 更好地反应模型的不确定性。 关键词:流域模型;不确定性;贝叶斯理论;g w l f 模型;g l u e a b s t r a c t w a t e r s h e dh y d r o l o g i c a lm o d e l si l l u s t r a t et h eh y d r o l o g i c a l p r o c e s sb ym e a n so f c o n c e p t i o n sa n da b s t r a c t i o n s , u s i n gm a t h e m a t i c a lf o r m u l a ,a n dt h ee q u a t i o nt o d e s c r i b et r u eh y d r o l o g i c a lp r o c e s s w h e na p p l y i n gt h ew a t e r s h e d h y d r o l o g i c a lm o d e l s f o rt h e f o r e c a s t i n ga n ds i m u l a t i n g ,t h eh y d r o l o g i c a la n d m e t e o r o l o g i c a ld a t aa r e r e q u l r e dt oi n p u tt h em o d e l s ,t h eo b s e r v e dv a l u e sa r er e q u i r e dt oj u d g et h es i m u l a t i n g e f f i c i e n c y , t h eu n c e r t a i n t i e so ft h ew a t e r s h e dh y d r o l o g i c a lm o d e l sr e a l l ye x i s ti nt h e a b o v e m e n t i o n e dp r o c e s s t h ei n f l u e n c et ot h em o d e ls i m u l a t i o n so f t h eu n c e r t a i n t i e s f r o md i f f e r e n tk i n d sc a nb ea n a l y z e dt h r o u g ht h eu n c e r t a i n t i e s a n a l y s i sp r o c e s s ,t h e a b u n d a n ti n f o r m a t i o nt oi m p r o v et h es i m u l a t i n ge f f i c i e n c ya n dt h em o d e l c a na l s ob e f o u n d t h eu n c e r t a i n t i e so ft h ew a t e r s h e d h y d r o l o g i c a lm o d e li n c l u d et h ei n p u t t h e p a r a m e t e r s ,t h em o d e ls t r u c t u r e sa n dt h ew a t e r s h e dr e s p o n d su n c e r t a i n t i e s a n a l y s i s s h o w st h a tt h em o d e l i n p u ti n f l u e n c e st h e s i m u l a t i n gp r o c e s s 锄dt h em o d e l p a m m e t e r ss e l e c t i o n ,b r i n gt h eu n c e r t a i n t i e st ot h em o d e ls i m u l a t i n gp r o c e s s :m o d e l p a r a m e t e r sh a v eo b v i o u se q u i f i n a l i t yp h e n o m e n o n ,b r i n gd i f f i c u l t i e s t oc h o o s et h e 印p r o p r i a t ep a r a m e t e rs e tf o r t h em o d e l ;t h ew a t e r s h e d r e s p o n s eu n c e r t a i n t i e s 1 n f l u e n c e st h e s i m u l a t i n ge f f i c i e n c y , a n dp a r a m e t e r s d i s t r i b u t i o n ,b r i n gt h e u n c e r t a i n t i e st os e l e c tt h ea p p r o p r i a t ep a r a m e t e rs e t 1h e p r i n c i p l ea n ds t r u c t u r eo ft h eg w l fm o d e la r ei n t r o d u c e d ,t h e i n p u t d a t a ,t h ei n p u tp a r a m e t e r sa n dt h ep a r a m e t e r s s c o p e sa r ea l s oa n a l y z e d b ya n a l y z i n g t h et r a i t so ft h eg w l f m o d e l ,t h es o i lm o i s t u r ef a c t o ri sa d d e dt or e f l e c tt h ei n f l u e n c e o t t h em o i s t u r ec o n d i t i o ni no r d e r t oi m p r o v et h eg w l fm o d e l t h ep r i n c i p l ea n dt h ea n a l y s i sp r o c e s so ft h eg l u e m e t h o di si n t r o d u c e d t h e g l u em e t h o di su s e dt oa n a l y z et h ep a r a m e t e r su n c e r t a i n t i e so ft h eg w l f m o d e l r e s u l t ss h o w st h a tt h ep o s t e r i o rd i s t r i b u t i o n sc h a n g e dal o tc o m p a r e dw i t ht h ep r i o r d l s t r i b u t i o n ,a n dh a v e o b v i o u sh i g h e rp r o b a b i l i t i e s i n t e r v a l ,t h e 9 0 c o n r i d e n c e i n t e r v a lo ft h er u n o f fs i m u l a t i o n sc o v e rt h eo b s e r v e dv a l u e sw e l l o nt h eb a s i so ft h eg l u em e t h o d ,af r a m e w o r ko f t h ei n t e g r a t e du n c e r t a i n t i e s a n a l y s i sp r e s e n t e d ,t h i sf r a m e w o r ki n c l u d et h em o d e li n p u t ,t h e p a r a m e t e r s ,a n d w a t e r s h e dr e s p o n s ei n t e g r a t e du n c e r t a i n t i e s t h e i n p u tu n c e r t a i n t i e se x p r e s s e db v m e a i r i so f p a r a m e t e r i z a t i o n ,t h eg a u s s i a nr a n d o mm u l t i p l i e ri si n t r o d u c e dt or e f l e c tt h e i n p u tu n c e r t a i n t i e s c o m p a r e dw i t h t h eg l u em e t h o dr e s u l t s ,t h ep a r a m e t e r s p o s t e r i o rd i s t r i b u t i o n so ft h ei n t e g r a t e du n c e r t a i n t i e sc h a n g e d ,t h e9 0 c o n f i d e n c e i n t e r 诡l 6 ft h er u n o f fs i m u l a t i o n sc o v e rt h eo b s e r v e dv a l u e sb e t t e r k e yw o r d s :w a t e r s h e dm o d e l ;t h eu n c e r t a i n t i e sa n a l y s i s ;t h eb a y e s i a nt h e o r y ; g w l fm o d e l ;g u l e 目录 摘要:i a b s t r a c t l i 第一章绪论 1 1 研究背景与意义。l 1 2 国内外研究进展2 1 2 1 流域水文模型研究进展2 1 2 2 贝叶斯理论基础3 1 2 3 流域水文模型参数不确定性分析研究进展一4 1 2 4 流域水文模型的综合不确定性分析研究进展。6 1 3 本文主要研究内容9 第二章g w l f 模型原理及改进 2 1g w l f 模型原理与结构。l l 2 2g w l f 模型所需数据及参数一1 4 2 3g w l f 模型的改进l5 2 4 本章小结15 第三章模型不确定性来源与影响分析 3 1 引言1 7 3 2 模型参数的不确定性l7 3 2 1 模型参数不确定性来源1 7 3 2 2 模型参数不确定性影响分析1 8 3 3 模型输入的不确定性1 9 3 3 1 模型输入不确定性来源1 9 3 3 2 模型输入不确定性影响分析2 0 3 4 流域响应的不确定性2 l 3 5 模型结构的不确定性一2 2 3 5 1 模型结构不确定性来源2 2 3 5 2 模型结构不确定性分析方法2 3 3 6 本章小结2 5 第四章基于g l u e 法的g w l f 模型参数不确定性分析 4 1g l u e 方法介绍2 7 4 1 1g l u e 方法基本原理2 7 4 1 2g l u e 方法分析程序。2 7 4 2g l u e 方法在g w l f 模型中的应用3 0 4 3 本章小结:3 3 第五章g w l f 模型的综合不确定性分析 5 1 引言3 4 5 2 综合不确定性分析方法框架3 4 5 2 1 输入不确定性的处理3 4 5 2 2 流域反应不确定性的处理3 4 5 2 3 综合不确定性分析方法特点3 6 5 3g w l f 模型的综合不确定性结果分析3 6 5 4 本章小结3 9 第六章结论与展望 6 1 结论:4 0 6 2 展望4 l 参考文献4 3 致j 射。5 0 附录a ( 攻读学位期间发表论文目录) 5 l 1 1 研究背景与意义 第一章绪论 流域水文模型是为流域上发生的水文物理过程进行模拟计算所建立的数 学模型,现已在各种水文、水资源以及水环境等工作中得到了广泛的应用 1 1 - 3 】。水是生物生存的必须物质以及自然界物质循环与转化重要载体,生态系统 的物质循环都是在水循环推动下完成的。流域水文模型是认识和探究水循环和水 文过程的重要研究手段,为人们提供了一种科学认识与合理利用水资源的重要方 法和工具,也是解决水文分析与计算、水文预报、水资源管理及规划、水环境模 拟与规划等实际问题的有效的工具。目前水脏、水多、水少等问题使水资源的形 式日益加剧,人类活动和全球气候变化对水循环影响加剧,为流域水文模型的出 现、研究以及应用创造了良好的时机,同时也是巨大的挑战1 4 】。近些年来,流域 水文模型的研究一直是水文科学的重要分支和研究热点、难点问题。至今,国内 外出现了各种不同形式的流域水文模型,但其建模的过程一般如下所示1 5 j : ( 1 ) 认知模型:通过观察自然水循环过程,获得对水文物理过程的感性认识; ( 2 ) 概念模型:对认知的水文过程进行数学描述,运用公式、方程和流程表 示水文过程; ( 3 ) 过程模型:对建立的概念模型中的数学公式、方程及计算流程用计算机 语言进行描述; ( 4 ) 参数的标定:通过流域特征及实测数据等来确定模型模拟所需的参数数 值; ( 5 ) 模型验证:通过模型模拟值与实测水文资料进行对比,从数量上评价模 型的性能; ( 6 ) 模型适用性判断:通过对不同区域进行模拟和专家信息等对模型的适用 性进行判断。 从上述过程可得出:流域水文模型的建立是一个渐进过程,循环往复地进行 着认知模型、概念模型、过程模型、参数率定、模型验证以及适用性判断这六个 步骤,通过不断地调整每个步骤,使模型逐渐地接近真实的水文物理过程。 从上述的水文建模过程分析可看出,流域水文模型是将极度复杂的水文过程 进行概念化和抽象化,运用数学公式、方程和流程来描述真实的水文过程。在实 际应用流域水文模型进行预测和模拟时,运用得出的概化模型,接受气象、水文 的多种不同资料的输入,利用实测值进行模拟效果的判断,使在应用流域水文模 型时不免地存在着不确定性1 6 】。通过水文模型的不确定性分析,可分析不同环节 不确定性对模型模拟影响,为模型的改进和提高模拟效果提供丰富的信息r 7 ,引。 对模型不确定性进行深入的探讨和分析,可为决策者做出客观决策提供充分的信 息,同时也可以满足用户对风险信息的需求1 9 。 随着人们对流域水文模型认识的提高,模型不确定性研究得到越来越多的关 注。早在上世纪9 0 年代初,英国水文学家b e v e n 已经开始对模型不确定性进行 研究【。0 】。相对来说,我国在流域水文模型不确定性分析方面研究较少j 还处于起 步阶段。开展流域水文模型的不确定性分析问题研究,对于提高模型预报水平和 提高模型模拟精度以及探索未来的流域水资源、水环境综合管理等具有重要科学 价值和现实意义【l l 1 2 】 1 2 国内外研究进展 1 2 1 流域水文模型研究进展 水文模型涉及到内容包括水量、水质或某一具体水文过程,研究尺度可以小 到一株植物的蒸散发过程,也可以大到全球的水文循环过程,时间上可以从场次 径流过程到多年平均径流过程,但是,所有水文模型都要反映被模拟的水文过程 的基本特征。水文模型的出现可最早可追溯到1 8 1 5 年t j 莫万尼建立的合理化公 式【1 3 ,1 4 1 ,1 9 3 2 年谢尔曼提出了单位线汇流理论,它们在实质上都是将净雨输入 转化为径流输出的线性传递函数。1 9 3 3 年,h o r t o n 建立了经典的入渗和产流理论, 1 9 4 8 年彭曼建立了蒸散发公式,这一阶段是水文模型的萌芽时期,早期提出的很 多经典的方法现在仍然在流域水文模型中应用。 1 9 6 0 年之后,由于信息技术的普及和计算机技术的发展,水文模型进入了一 个蓬勃发展时期,涌现出很多种不同结构的水文模型。其中,1 9 6 6 年建立s t a n f o r d 模型是这一时期发展的典型标志。1 9 7 3 年,我国河海大学赵人俊教授等建立了新 安江模型,该模型在国内得到了广泛的关注和应用【”,1 6 】。这一时期提出的模型主 要是集总式概念水文模型,此类模型大多将流域看做是均质的,没有考虑流域特 征的时空变异性对水文循环影响,国外典型模型有s c s 曲模型、萨卡拉门托模型、 a p i 模型及斯坦福模型等【1 7 1 ,国内广泛应用的概念模型有基于蓄满产流理论的新 安江模型及基于超渗理论的陕北模型等。 近些年来,水文模型的开发和应用得到了广泛的关注,模型功能不断扩展, 已不局限于降雨一径流的模拟,也用于土壤侵蚀、水环境容量及非点源污染等方 面的应用。随着对水文现象认识的深入以及遥感、地理信息系统技术的发展和应 用,分布式水文模型开始出现,并得到了广泛的关注和应用。与集总式水文模型 相比,分布式水文模型全面考虑水文过程的空间变异性,一般具有明确的物理意 2 义,可更准确地描述流域内真实的水文物理过程【1 8 ,1 9 1 。国外典型的分布式水文模 型有s w a t 模型、t o p m o d e l 模型、s h e 模型、v i c 模型等1 20 1 。国内分布式模 型发展的早期主要是移用和改进国外的模型,近些年来也提出了一些自主开发的 分布式水文模型,比较典型的有夏军等开发的分布式时变增益模型1 2 1 ,2 2 1 、陈洋波 等开发的溪流河模型【2 3 2 4 1 等。 为了考虑流域模型不确定性因素对模型模拟的影响,需要应用具体的不确定 性分析方法进行研究,不确定性分析方法主要是将各不确定性来源因素传递到最 后的模拟结果中去。选用适当的不确定性分析方法需考虑许多不同因素,如模型 的非线性特点、方法的适用性和有效性等【2 5 1 。一般可采用常规方法进行分析,如 蒙特卡罗模拟法,通过对模型先验信息进行随机取样得到模型不确定信息,此种 方法一般比较容易实现,但却耗费大量的计算资源。另一种不确定分析方法是基 于贝叶斯理论建立的方法,近年来贝叶斯理论在流域水文模型的不确定性分析领 域里得到了广泛的关注和应用【2 6 ,2 7 1 。在应用流域水文模型进行模型模拟的时候, 存在着模型参数、模的输入、模型结构不确定性和流域反应不确定性。近些年来, 基于贝叶斯理论对模型不同来源的不确定性研究取得了较大进展。 1 2 2 贝叶斯理论基础 贝叶斯理论【2 8 3 0 1 是数理统计的一个重要分支,经典的统计推断理论将分布参 数假定为未知常量,而贝叶斯理论是将参数假定为服从某一分布的随机变量。在 未取得样本前,对参数的认识称为先验信息,用先验分布来表述先验信息;在取 得实测值样本之后,用似然函数来表示样本所包含的参数新信息;然后,运用贝 叶斯公式,结合先验分布和取得样本后的似然函数,推求参数的后验分布。若获 得了最新样本,可将新样本信息与之前获得的后验分布进行综合,不断地更新对 参数分布的认识,这也是贝叶斯理论的精髓所在。贝叶斯理论为流域水文模型不 确定性分析提供了适用的方法框架,该方法能将在进行模拟前获得的先验信息和 实测样本数据相结合,推求出模型参数的后验分布和预报量模拟值的不确定性置 信区间。 根据贝叶斯定理,针对一个水文模型在某一具体流域中的应用,在给定验证 数据和输入数据后,参数的后验概率计算公式为1 3 1 】: p ( 秒孝,少) = 了丢藿黼 “。1 其中, 反们为参数的先验概率,肥功为似然函数,代表了观测数据所具 有的信息。 在给定验证数桫和参数秒时,流域模型的拟合残差的计算公式为1 3 2 1 : e ( 秒) = p ( o ) 一y = p t ( 目) ,e :( 秒) ,p ( 秒) ) ( 1 - 2 ) 其中夕( 秒) 为参数组为秒时模型的模拟值。 根据b o x 和t i a o 定理,假设残差服从均匀分布,参数的后验分布与残差有如 下关系: p c o y ,孝,厂) 芘阻( 计邶吖y 2 ( 1 3 ) 2 ( v + r ) 其中,m ( 秒) = i 白( 秒) l 。 卢l 。 这时,定义似然函数为: z ( y ,量7 d = 阻( p 训胆 ( 1 - 4 ) 从上述分析中可看出,每运行一次模型得到一组模拟值之后,就可计算出参 数的似然函数值,进而对模型相关参数和模型结果进行分析。因为流域水文模型 的结构十分复杂且具有非线性特征,拟合残差一般无法写成解析表达式,导致似 然函数不能推导出解析表达式。但是,却可以应用m o n t ec a r l o 随机模拟方法 3 3 , 3 4 】 进行随机采样,来近似似然函数和参数后验分布的形式。蒙特卡洛( m o n t ec a r l o ) 模拟是一种通过模拟服从某一分布的随机过程,计算参数估计量和统计量, 进而研究其分布特征的方法。当系统中各单元的可靠特征量已知,但过于复 杂,难以建立可靠性预测的精确数学表达时,可用随机模拟法近似计算出预 测值,随着模拟次数增大,其预测精度也逐渐增高。由于涉及到时间序列的 反复生成,蒙特卡洛模拟法是以高容量及高速度的计算机为前提,因此只在 近些年才得到广泛的应用【3 5 ,3 6 1 。在流域水文模型的不确定性分析中,可以采 用蒙特卡洛模拟法对模型所需参数进行随机采样,获得模型的模拟值,用来 分析模型参数的后验分布和模拟值的不确定性时间序列。 在应用流域水文模型进行水文过程模拟时,一般存在着模型参数、模型 输入、模型结构等不确定性。近年来,基于贝叶斯理论对不同来源的不确定 性对模型模拟影响的研究取得了较大进展。 1 2 3 流域水文模型参数不确定性分析研究进展 在实际应用流域水文模型进行模拟时,当选定了研究区域和某一个模型,获 得了实测数据后,模型的模拟效果很大程度上取决于模型参数的选择。在早期的 流域水文模型研究与应用中,通常假定模型参数是客观存在但未知的一组固定值。 由于流域水文模型既有其物理意义,又具有其推理、概化的成分,造成了部分参 数不能直接获得。另外,水文尺度问题也是造成模型参数难以直接确定的原因, 通常在实验室获得的“点”尺度参数不适合于流域尺度上的应用。一般,只能通过 参数率定的方式来获得模型参数值。模型参数率定,即根据实测的输入和输出值, 4 采用某种准则( 如误差平方和最小) 获得一组“最优”的模型参数,以使模型的模 拟值和实测值之间误差达到某种度量最小,常用的度量有误差平方和、相对误差 和纳什系数等。依据上述思想,国内外水文科学家对不同形式流域水文模型进行 了参数率定的研究【3 l 3 2 ,3 7 4 们,取得了大量研究成果。 之后,人们逐渐认识到水文模型参数之间可能存在着相关性和互补性,当选 定了参数率定的目标函数之后,几组不同参数组合往往可取得相同或相当的模拟 效果,即参数的“异参同效”现象,给选择模型“最优”参数组进行模拟带来了困难。 英国水文学家b e v e n 等【4 1 ,4 2 】最早对水文模型参数的异参同效现象进行研究,并提 出普适似然不确定性分析方法( g l u e ) 以进行参数的不确定性分析。该方法核 心概念是:造成模型模拟效果的好坏不是某个参数值,而是参数的组合。g l u e 方法首先对参数在先验分布空间内进行随机取样,将抽取的参数组代入水文模型 中,得到参数组的似然函数及模型模拟值的时间序列,进而推求参数的后验分布 及模拟值不确定性置信区间。 g l u e 方法自提出后,在国内外受到广泛的关注和应用。在国外,f r e e r ,j 等1 4 3 j 应用g l u e 法对t o p m o d e l 模型进行参数不确定性分析,并分析了径流模 拟值的不确定置信区间;f r e n i ,g 等【4 4 l 应用g l u e 方法分析城市雨洪模型的参数 不确定性,并分析了阈值对不确定性分析结果影响;m a l m i n a ,g 【4 5 】等采用g l u e 方法对水质模型的参数进行不确定性分析,并分析了参数特性和相互间的关系; b l a s o n e ,r 一【4 6 ,4 7 】等对g l u e 方法进行了改进,采用马尔科夫链蒙特卡罗方抽样 方法( m c m c ) 对参数先验分布进行随机采样。在国内,黄国如等【4 8 】应用g l u e 方法对t o p m o d e l 模型进行不确定性分析,分析了参数敏感性,并得到了洪流 流量不确定性置信区间;张利茹等【4 9 】利用g l u e 方法对新安江模型参数进行不 确定性分析,分析参数敏感性,并对预报的误差进行分析;卫晓婧等【5 0 】将近年来 广泛应用于推求参数后验分布的m c m c 方法,对传统的g l u e 方法进行了改进, 对改进的g l u e 方法进行验证,结果表明:改进的g l u e 方法可有效提高预测区 间对实测值的覆盖度,推导出的后验分布与实际情况更为吻合;金晓丽等【5 l 】将 g l u e 方法同正式的贝叶斯方法进行对比,分析了阈值变化对不确定性分析的影 响。 随着马尔科夫理论的发展,特别是m c m c 随机抽样方法【5 2 j 的广泛应用,水 文学者广泛应用基于贝叶斯论的m c m c 方法进行流域水文模型参数不确定性分 析。m c m c 方法出现于1 9 世纪5 0 年代早期,该方法以贝叶斯理论为基础,将 m a r k o v e 过程引入到蒙特卡洛随机模拟之中,实现了抽样分布的动态模拟,克服 了传统蒙特卡洛方法静态模拟的缺陷。从本质说,m c m c 算法就是应用m a r k o v e 链的蒙特卡洛积分。m c m c 算法通过建立一条马尔科夫链进行采样,采样用到算 法包括m e t r o p l i s h a s t i n g 算法以及g i b b s 算法等【”巧5 1 。由于流域水文模型的非 线性特点及复杂的结构,导致很难直接推求显性的后验概率分布,而m c m c 算 法可处理非线性复杂问题的求解,适用于流域水文模型的参数的后验概率分布的 推求。 在国外,l e e ,k s 等【5 6 1 用m c m c 方法对枯水频率进行分析,并与极大似然 方法进行对比分析:g a l l a g h e r ,m 等【5 7 】应用m c m c 方法和线性不确定性分析法 进行h s p f 模型的不确定性分析,对不同方法得出的结果进行了分析和比较;v r u g t , j a 等【懿j 将s c e 算法与m c m c 算法进行融合,提出了s c e m u a 算法,并采用 不同实例进行验证,结果表明改进后的算法能更快、更有效地推求参数后验分布, 进行水文模型的不确定性分析:f e y e n ,l 等【5 9 1 用s c e m u a 算法进行l i s f l o o d 模型不确定性分析,通过分析得出s c e m u a 算法可以更有效地推求参数的后验 分布。在国内,王建平等应用m c m c 方法进行水质模型的参数不确定性分析, 结果表明,m c m c 法对模型参数有较好的搜索效率;熊立华等将m c m c 方法与 g l u e 方法进行对比,实例结果表明,就s m a r 模型而言,m c m c 方法能够更好 地推求模型参数后验分布;朱嵩等鉴于m c m c 方法会陷入局部最优解,对m c m c 方法进行了改进,结果表明,改进后的算法能很好地推求地下水污染模型的参数 后验分布。 在流域水文模型中,不只是存在着参数带来的不确定性。模型输入资料、模 型结构及模型验证数据的误差等都影响着模型模拟效果。在以上介绍的研究中, 只考虑了参数不确定性对模型模拟的影响,而未考虑模型输入和模型结构等不确 定性的影响。随着对流域水文模型不确定性分析的深入研究,分析各不确定性来 源对模型模拟影响的研究成果已出现,基于贝叶斯理论框架的综合考虑不同来源 的不确定性对模型模拟影响的研究方法也开始出现。 1 2 4 流域水文模型的综合不确定性分析研究进展 流域水文模型综合不确定性分析方面的研究主要代表性方法有: k r z y s z t o f o w i c z ,r 等【6 0 】建立的基于贝叶斯理论的概率水文预报系统( b a y e s i a n f o r e c a s t i n gs y s t e m ,b f s ) ,k u c z e r a ,g 等【6 l 】提出的考虑模型输入、模型参数及流 域反应不确定性的贝叶斯总误差分析法( b a y e s i a nt o t a le r r o r sa n a l y s i sb a t e a ) 以及a i a m i ,n k 等【6 2 】建立的综合考虑模型输入、参数以及模型结构不确定性的 贝叶斯综合不确定性分析估计方法( i n t e g r a t e db a y e s i a nu c e r t a i n t ye s t i m a t o r ) 。 1 2 4 1 基于贝叶斯理论的概率水文预报系统( b f s ) 基于贝叶斯理论的概率水文预报系统( b f s ) 可以和任意一个确定性的水文模型结 合,最后计算出模型预测值的概率分布,可以给出预测值的均值,还可给出指定 概率下的置信区间。b f s 处理水文预测不确定性的基本思路是利用贝叶斯系统将 不确定性分为两类:一类是由于模型输入的引起的不确定性,另一类是除此之外 6 的所有不确定性,包括参数不确定性及模型结构等的不确定性,称为水文不确定 性,以上两类不确定性由贝叶斯理论整合为模型预测量的总不确定性。模型输入 不确定性主要来自预见期内的降水,它在模型预测之前未知,预测精度低、变动 性大,对模型模拟值影响大,通常做为随机变量处理。水文不确定性包括除模型 输入外的所有不确定性因素,如模型参数、测量误差、估计误差、模型结构,及 在预测时未知,但显著影响预报量的因素。 从上可知,b f s 在算法上包含3 个部分,分别处理降雨输入的不确定性、水文 不确定性( 包括模型结构和模型参数不确定性) 以及将所有不确定性依据贝叶斯 公式进行整合的部分,预报量的后验概率密度函数计算公式为: v ( h h 。,y ,u ,1 ,) = l 矽( h s ,h 。,y 弘( j “,v ) d s ( 1 - 5 ) 其中:( “,v ) 一是有随机输入密度7 7 ( v ) 和确定性输入“,模型产生 的输出密度。矽( h s ,h o ,y ) 一日的后验密度,它是输入精确时,前期状态为h o , 状态变量为y 的条件下,通过对先验密度进行贝叶斯修正后得到的。 b f s 方法对实测值和确定性模型的预测值进行正态分位数转化,并假设经变 换后的两变量间服从线性关系,进而推求预报量后验分布函数的解析式,为计算 带来方便。b f s 方法的优点在于其没有直接区分模型参数和模型结构不确定性, 而是用综合不确定性来表示,这使b f s 可以与任意模型相结合进行概率水文预报。 但是,由于没有区分模型参数和结构不确定性,所以无法对不同来源的不确定性 对模型输出值影响进行分析。 至今,b f s 在概率水文预报方面得到了广泛关注和应用。在国内,鲁帆等1 6 3 j 依据枯季径流特点,应用多元线性回归模型建立了先验分布与似然函数,建立了 基于b p 神经网络的贝叶斯枯季径流概率预报模型,与传统方法相比,该方法提高 了预报精度,并能以概率的形式表示径流预报不确定性;王善序等6 4 t 6 4 j 详细介绍 了b f s 系统理论框架,并分析指出该方法的优点在于综合考虑各个方面不确定性, 并以后验分布函数的形式来表示水文预报不确定性。李向阳【3 i 】依据b f s 的系统框 架建立了基于b p 神经网络的贝叶斯水文预报模型,并对双牌水库流量预报进行不 确定性分析,基于b p 神经网络的概率预报模型不需要进行线性与正态的假设,克 服了线性一正态模型的局限性,适用于复杂预报变量的预测;张宇等【6 5 1 采用b f s 方法,以新安江水文模型为洪水预报模型,推求预报变量的后验概率分布,通过 构造预报量的置信区间进行不确定性评估;邢贞相等【6 6 】建立基于a m m c m c 算 法的贝叶斯概率预报模型,利用b p 神经网络建立先验密度和似然函数的模型,实 例表明,基于a m m c m c 算法的模型精度更高,其可以给出预报量方差;张洪 7 刚【6 7 1 在b f s 方法基础上,引入了平稳时间序列的线性a r 模型与线性扰动模型对先 验分布和似然函数进行了改进,改进后结构简单,避免了正态分位数的转化,提 高了预报精度。 1 2 4 2 贝叶斯总误差分析法( b a t e a ) 贝叶斯总误差分析中的总误差是指模型输入、模型( 主要是模型参数) 以及 流域反应( 主要指观测值) 的不确定性。b a t e a 方法利用贝叶斯分层模型,为流 域水文模型综合不确定性提供了一个理论框架,在进行模型综合不确定分析时, 可参考其计算流程进行某一模型的综合不确定性分析。b a t e a 方法可同时进行参 数的“最优化 和模型不确定性分析,即可给出预报量的点估计,也可推求预报 量的置信区间。b a t e a 方法的输入不确定性处理是通过给予每次降雨量一个乘子 来获得新的降雨量值,这些乘子使降雨模式和数量都发生了改变,并将该乘子看 做是系统的“潜在变量”。流域响应不确定性是通过对预测量的实测资料误差进行 分析,并假定其观测误差服从参数已知的正态分布。b a t e a 方法通过分析参数敏 感性,将对模拟值影响大的敏感参数进行随机化一假设其是服从某_ 分布的随机 变量,以考虑参数不确定性。最后,通过贝叶斯公式将这些用来表示模型不确定 性参数与预测量实测值的似然函数进行合成,得到上述模型参数和输入误差参数 的后验分布: p ( 剐,层珊) = 型坦趔礁掣( 1 - 6 ) p l | xl 其中:p ( o ,j 2 i ,层z ,夕) 为参数的联合后验概率分布,p ( o ,矽,层,届) 为 参数组( 秒,矽,层,届) 的先验分布,p ( 矿o ,矽,届。t 届) 为似然函数,p ( 叫功为 已知输入条件下预测量的边际分布。 由于模型结构和多维联合分布的复杂性,显性解析式难以推导,b a t e a 方 法应用m c m c 算法进行随机抽样以获得参数的后验分布,实现了各种不确定性 因子对流域水文模型模拟效果的影响进行分析。通过实际算例表明,该方法考虑 了各种不确定性因素,模型的模拟精度得到提高【6 3 】。b a t e a 区分模型输入和模 型参数不确定性,试图直接考虑各种不确定性因素,并通过“参数化”的方法考虑 模型输入和实测值不确定性,运用m c m c 随机抽样技术得到各特征参数的后验 分布和预报量离散分布,对预报量概率分布进行统计分析,得出预报量的均值、 方差以及置信区间。另外,通过分析参数从先验到后验分布的变化,可了解参数 高概率密度分布区间,和不同参数对模拟精度的影响。 3 1 2

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论