基于多模式集合与机器学习的陆面水文过程模拟及不确定性量化研究

基于多模式集合与机器学习的陆面水文过程模拟及不确定性量化研究一、引言1.1研究背景与意义陆面水文过程作为全球水循环的关键环节，对水资源的形成、分布和变化起着决定性作用。随着全球气候变化和人类活动的加剧，陆面水文过程面临着前所未有的挑战，如极端水文事件频发、水资源短缺、生态环境恶化等，这些问题严重威胁着人类社会的可持续发展。在这样的背景下，陆面水文模型作为研究陆面水文过程的重要工具，其重要性日益凸显。陆面水文模型通过对陆面水文过程的数学描述和数值模拟，能够定量地揭示水文循环的内在机制，预测水文要素的变化趋势，为水资源管理、防洪抗旱、生态环境保护等提供科学依据。然而，由于水文过程的复杂性、数据的不完整性以及模型结构的局限性，水文模型存在一定的不确定性，这使得模拟结果的可靠性和准确性受到影响。因此，开展陆面水文过程集合模拟及其不确定性研究具有重要的理论和现实意义。在水资源管理方面，准确的水文模拟结果对于合理规划和利用水资源至关重要。通过集合模拟和不确定性分析，可以更全面地了解水文过程的变化范围和可能性，为水资源管理者提供更丰富的决策信息，降低决策风险，实现水资源的可持续利用。在气候研究中，陆面水文过程与大气相互作用密切，准确模拟陆面水文过程有助于提高气候模式的模拟精度，更好地理解气候变化的机制和影响。1.2国内外研究现状陆面水文过程集合模拟方法的研究取得了一定进展。早期的集合模拟主要采用多个不同参数化方案的单一模型进行模拟，通过对模拟结果的统计分析来评估不确定性。随着计算机技术和数值模拟方法的发展，多模型集合模拟逐渐成为研究热点。多模型集合模拟综合利用不同结构和参数化方案的多个模型，能够更全面地考虑模型结构和参数的不确定性，提高模拟结果的可靠性。例如，在一些研究中，将不同类型的陆面水文模型进行集合模拟，对降水、蒸散发、径流等水文要素的模拟结果进行对比分析，发现多模型集合模拟在一定程度上能够降低不确定性，提高模拟精度。对于不确定性来源的研究，主要包括模型结构不确定性、参数不确定性、输入数据不确定性和模型运行不确定性等。模型结构不确定性源于模型对水文过程的简化和假设，不同的模型结构对水文过程的描述和模拟能力存在差异。参数不确定性来源于参数估计的误差和不确定性，由于水文模型参数通常具有随机性和不确定性，其取值和组合对模型结果影响较大。输入数据不确定性与观测数据的质量、代表性和时空分辨率等有关，水文数据通常存在时间序列较短、空间分布不均匀等问题，导致数据质量不高，影响模型精度。模型运行不确定性则与模型的数值算法、计算精度等因素有关。在不确定性分析方法方面，常用的方法包括敏感性分析、概率分析、蒙特卡洛模拟等。敏感性分析旨在识别模型输出对输入参数的敏感程度，通过改变模型参数，分析参数对模型结果的影响程度，从而确定关键参数。概率分析通过概率分布描述不确定性的影响，利用概率理论对不确定性进行量化和分析。蒙特卡洛模拟则通过大量随机试验评估不确定性，通过随机生成参数值，多次运行模型，得到大量模拟结果，进而分析不确定性的分布和影响。此外，近年来还发展了一些新的不确定性分析方法，如贝叶斯方法、数据同化技术等，这些方法在一定程度上提高了不确定性分析的精度和可靠性。尽管国内外在陆面水文过程集合模拟及其不确定性研究方面取得了一定成果，但仍存在一些不足和待解决问题。例如，多模型集合模拟中不同模型之间的权重分配问题尚未得到很好的解决，如何合理确定各模型的权重，以提高集合模拟的效果，仍是一个研究热点。在不确定性分析方面，不同不确定性来源之间的相互作用和综合影响研究较少，如何全面考虑各种不确定性来源，准确评估不确定性对模拟结果的影响，还需要进一步深入研究。此外，目前的研究大多集中在理论和方法层面，在实际应用中的案例研究相对较少，如何将集合模拟和不确定性分析方法更好地应用于实际流域的水资源管理和规划中，也是需要解决的问题。1.3研究目标与内容本研究旨在建立高效的陆面水文过程集合模拟系统，量化不确定性并应用于实际流域，为水资源管理和规划提供科学依据。具体研究内容包括：陆面水文过程集合模拟系统构建：选择合适的陆面水文模型，采用多模型集合模拟方法，构建陆面水文过程集合模拟系统。对不同模型的结构、参数化方案和模拟结果进行对比分析，优化模型组合和权重分配，提高集合模拟的精度和可靠性。不确定性来源分析与量化：深入分析陆面水文过程模拟中的不确定性来源，包括模型结构、参数、输入数据和模型运行等方面。采用敏感性分析、概率分析等方法，对各不确定性来源进行量化，评估其对模拟结果的影响程度。不确定性传播与分析：研究不确定性在陆面水文过程模拟中的传播规律，分析不同不确定性来源之间的相互作用和综合影响。通过蒙特卡洛模拟等方法，模拟不确定性的传播过程，得到模拟结果的不确定性范围和概率分布。实际流域应用案例研究：将建立的陆面水文过程集合模拟系统和不确定性分析方法应用于实际流域，对流域的水文过程进行模拟和不确定性评估。结合流域的水资源管理和规划需求，为决策者提供科学合理的建议和方案。1.4研究方法与技术路线本研究采用以下方法开展工作：陆面水文模型选择与应用：选用多种具有代表性的陆面水文模型，如VIC（VariableInfiltrationCapacity）模型、SWAT（SoilandWaterAssessmentTool）模型等，对陆面水文过程进行模拟。根据研究区域的特点和数据可用性，对模型进行参数率定和验证，确保模型的适用性和模拟精度。机器学习算法辅助：引入机器学习算法，如神经网络、支持向量机等，对陆面水文模型的参数进行优化和估计。利用机器学习算法的强大学习能力和数据处理能力，提高参数估计的精度和效率，减少参数不确定性。不确定性分析方法应用：运用敏感性分析方法，如Morris方法、Sobol方法等，识别陆面水文模型中的关键参数，评估参数不确定性对模拟结果的影响。采用蒙特卡洛模拟方法，结合概率分布函数，对输入数据和模型参数的不确定性进行随机抽样，模拟不确定性的传播过程，得到模拟结果的不确定性范围和概率分布。技术路线如图1-1所示，首先收集研究区域的气象、水文、土壤、地形等数据，对数据进行预处理和质量控制。然后选择合适的陆面水文模型，进行模型参数率定和验证。在此基础上，构建陆面水文过程集合模拟系统，采用多模型集合模拟方法进行模拟。同时，运用不确定性分析方法，对模拟过程中的不确定性来源进行分析和量化，研究不确定性的传播规律。最后，将研究成果应用于实际流域，进行案例分析和验证，为水资源管理和规划提供科学依据。[此处插入技术路线图1-1]二、陆面水文过程集合模拟方法2.1陆面水文模型概述2.1.1常用陆面水文模型介绍陆面水文模型种类繁多，不同模型在结构、原理、适用范围和优缺点等方面存在差异。其中，VIC（VariableInfiltrationCapacity）模型是一种应用广泛的大尺度分布式水文模型，由华盛顿大学、加利福尼亚大学伯克利分校以及普林斯顿大学的研究者共同研制。该模型能够同时模拟陆-气间的水量平衡和能量平衡，也可只进行水量平衡计算，输出每个网格上的径流和蒸发，再耦合汇流模型将网格径流转化为流域出口断面的流量过程。其核心机理考虑植被的次网格特性、多层土壤的可变下渗能力以及非线性基流。在垂直结构上，VIC模型最初为一层土壤结构，后发展为两层土壤结构（VIC-2L），目前常用的是三层土壤结构（VIC-3L），即在VIC-2L上层分出一个约0.1m的顶薄层，以加强对表层土壤水动态变化以及土层间土壤水扩散过程的描述。在水平结构上，路面地表由N+1种地表覆盖类型描述，通过植物叶面积指数（LAI）、叶面气孔阻抗以及根系在不同层之间的分配比例来确定陆面覆盖类型。VIC模型的优势显著，其尺度较大，适用于模拟大流域的水文过程，对月尺度变化精度尚可，在气候变化影响研究、土地利用变化影响分析以及水资源管理等领域应用广泛。该模型不仅能模拟水量平衡过程，还能模拟能量平衡过程，能够与气候模型耦合，并且需要率定的参数大多具有物理意义，可以通过一定方式获取或估计，从而减小参数的不确定性。然而，该模型也存在局限性，例如在无积雪和冻土地区采用水量平衡模式精度较好，但涉及融雪和冻土时需考虑能量平衡；对次级洪水或日流量的模拟精度不足；此外，VIC模型并不原生支持Windows系统，也无界面，增加了学习和使用的难度。NOAH模型是另一种常用的陆面水文模型，最初是为中尺度天气预报模式开发的，后广泛应用于气候模拟和水文研究。该模型考虑了植被、土壤、积雪等陆面过程，能够模拟地表能量平衡、水分平衡和动量平衡。在结构上，NOAH模型包括四层土壤温度和湿度计算，以及植被冠层和积雪层的处理。其原理基于物理过程，通过求解能量守恒方程、水分守恒方程和动量守恒方程来模拟陆面水文过程。在能量平衡方面，考虑了太阳辐射、长波辐射、感热通量和潜热通量等；在水分平衡方面，包括降水、蒸发、蒸腾、入渗、地表径流和地下径流等过程。NOAH模型的适用范围较广，可用于区域尺度的水文模拟和气候研究，特别是在中尺度天气预报和区域气候模拟中发挥重要作用。其优点是物理基础较为完善，能够较好地模拟陆面过程与大气的相互作用；模型结构相对简单，计算效率较高，便于在业务化预报和大规模模拟中应用。不过，NOAH模型也存在一些缺点，例如对复杂地形和土地利用类型的描述相对简化，在模拟一些特殊下垫面条件下的水文过程时可能存在误差；模型参数的不确定性对模拟结果有一定影响，且部分参数难以准确获取和率定。2.1.2模型选择依据在选择陆面水文模型时，需要综合考虑研究区域特点、数据可获取性和研究目标等因素。研究区域的地形、气候、土壤、植被等特征会影响模型的适用性。例如，对于地形复杂的山区，需要选择能够较好处理地形影响的模型，如TOPMODEL等，这类模型基于地形指数概念，能考虑地形对水文过程的控制作用。若研究区域气候多变，降水和温度的时空分布差异大，就需选择对气象要素变化敏感、能准确模拟能量和水分平衡的模型，如VIC模型，它在模拟不同气候条件下的水文过程方面具有一定优势。数据可获取性也是重要的考虑因素。不同模型对输入数据的要求不同，如气象数据（降水、气温、风速、辐射等）、地形数据（高程、坡度、坡向等）、土壤数据（土壤质地、孔隙度、含水量等）和植被数据（植被类型、叶面积指数等）。若数据有限或质量不高，应选择对数据要求相对较低、能利用有限数据进行有效模拟的模型。例如，一些简单的概念性模型，对数据的要求相对较少，在数据匮乏地区可能更为适用。相反，如果数据丰富且质量较高，可选择结构复杂、物理过程描述详细的分布式模型，以充分利用数据信息，提高模拟精度。研究目标同样决定了模型的选择。若研究目的是进行水资源规划和管理，需要准确模拟径流过程，为水资源分配和利用提供依据，此时可选择在径流模拟方面表现较好的模型，如SWAT（SoilandWaterAssessmentTool）模型，它能够模拟流域内的多种水文过程，包括地表径流、壤中流、地下径流等，且在农业流域的水资源管理中应用广泛。若是研究气候变化对水文过程的影响，需选择能与气候模型耦合、对气候变化响应敏感的模型，像VIC模型就可以与大气环流模型耦合，用于评估气候变化下的水文循环变化。2.2集合模拟方法原理2.2.1多模式集合多模式集合模拟是通过组合多个不同结构或参数的陆面水文模型进行模拟。其原理在于不同模型对水文过程的描述和参数化方案存在差异，每个模型都有其独特的优势和局限性。例如，VIC模型在模拟大尺度水文过程和能量平衡方面表现出色，而NOAH模型在中尺度天气预报和区域气候模拟中具有一定优势。将这些不同的模型组合在一起，能够综合利用它们的优点，更全面地考虑模型结构和参数的不确定性。多模式集合模拟具有显著优势。由于不同模型对水文过程的模拟结果存在差异，通过集合平均可以降低单个模型的误差和不确定性，提高模拟结果的可靠性。例如，在对某流域的径流模拟中，多个模型的模拟结果可能在一定范围内波动，通过集合平均可以得到一个更接近真实值的结果。多模式集合还能提供模拟结果的不确定性范围，为决策者提供更丰富的信息。通过分析不同模型模拟结果的离散程度，可以评估模拟结果的不确定性，帮助决策者了解水文过程可能的变化范围，从而制定更合理的决策。2.2.2多强迫集合多强迫集合利用不同来源的气象强迫数据驱动模型，以减少输入数据不确定性对模拟结果的影响。气象强迫数据是陆面水文模型的重要输入，其准确性和可靠性直接影响模型模拟精度。然而，由于气象观测站点分布不均匀、观测误差以及数据同化方法的差异等原因，不同来源的气象强迫数据存在一定差异。例如，地面气象观测站数据、卫星遥感反演数据以及再分析数据在时空分辨率、数据质量和覆盖范围等方面都有所不同。利用多强迫集合方法，将多种来源的气象强迫数据分别输入到陆面水文模型中进行模拟。通过对不同强迫数据驱动下的模拟结果进行分析和综合，可以更全面地考虑输入数据的不确定性，提高模拟结果的稳健性。在研究某地区的蒸散发过程时，分别使用地面气象站观测的气象数据和卫星遥感反演的气象数据驱动模型，得到的蒸散发模拟结果可能存在差异。通过综合分析这些结果，可以更准确地评估蒸散发过程的不确定性，为水资源管理和生态环境研究提供更可靠的依据。2.2.3多参数集合多参数集合通过对模型参数进行随机抽样或优化，生成多个参数组合进行模拟。陆面水文模型的参数通常具有不确定性，其取值和组合对模型结果影响较大。例如，VIC模型中的土壤水力参数、植被参数等，不同的取值会导致径流、蒸发等水文要素的模拟结果产生显著差异。通过对这些参数进行随机抽样或优化，可以得到多个不同的参数组合。在实际操作中，可采用蒙特卡洛模拟方法，根据参数的概率分布函数进行随机抽样，生成大量的参数组合。将这些参数组合分别输入到模型中进行模拟，得到一系列模拟结果。通过对这些模拟结果的统计分析，可以评估参数不确定性对模拟结果的影响程度，得到模拟结果的不确定性范围和概率分布。也可以利用优化算法，如遗传算法、粒子群优化算法等，对模型参数进行优化，寻找使模型模拟结果与观测数据最匹配的参数组合。通过多次优化得到多个较优的参数组合，再进行模拟和分析，同样可以评估参数不确定性对模拟结果的影响。2.3基于机器学习的模拟系统构建2.3.1机器学习算法选择在构建基于机器学习的陆面水文模拟系统时，选择合适的机器学习算法至关重要。神经网络作为一种强大的机器学习算法，具有高度的非线性映射能力，能够自动学习数据中的复杂模式和规律。在处理水文数据时，神经网络可以有效地捕捉气象、地形、土地利用等因素与水文要素之间的非线性关系。例如，多层感知器（MLP）神经网络可以通过多个隐藏层对输入数据进行逐层特征提取和变换，从而实现对复杂水文过程的模拟和预测。随机森林算法也是常用的机器学习算法之一，它由多个决策树组成，通过对大量决策树的预测结果进行综合，能够提高模型的稳定性和泛化能力。在水文数据处理中，随机森林算法对数据的噪声和异常值具有较强的鲁棒性，能够有效地处理高维数据和非线性问题。它可以通过对输入特征的随机选择和样本的有放回抽样，构建多个不同的决策树，从而减少模型的过拟合风险。并且，随机森林算法还可以提供特征重要性评估，帮助确定对水文模拟结果影响较大的因素。选择这些算法的原因在于它们在处理复杂数据和非线性关系方面具有独特的优势。水文过程受到多种因素的综合影响，具有高度的非线性和复杂性，传统的线性模型难以准确描述。而神经网络和随机森林等机器学习算法能够自动学习数据中的复杂模式，更好地适应水文数据的特点，提高模拟和预测的精度。这些算法还具有较强的泛化能力，能够在不同的数据集和场景下表现出较好的性能，为陆面水文过程的集合模拟提供了有力的支持。2.3.2数据预处理数据预处理是构建基于机器学习的陆面水文模拟系统的关键步骤，主要包括对气象、地形、土地利用等数据进行清洗、插值、标准化等操作。气象数据是陆面水文模拟的重要输入，在收集过程中可能存在缺失值、异常值等问题。例如，气象观测站点可能由于设备故障、通信问题等原因导致数据缺失或出现异常。对于缺失值，可以采用插值方法进行补充，如线性插值、样条插值等。对于异常值，需要通过统计分析等方法进行识别和修正，例如利用3σ准则判断数据是否为异常值，若数据偏离均值超过3倍标准差，则可认为是异常值，可采用合理的方法进行修正或剔除。地形数据通常以数字高程模型（DEM）的形式存在，在使用前需要进行预处理。由于DEM数据可能存在噪声、空洞等问题，需要进行滤波和填补处理。采用高斯滤波等方法对DEM数据进行平滑处理，去除噪声；对于空洞，可以利用邻近点的高程值进行插值填补。土地利用数据在分类和精度上可能存在差异，需要进行统一分类和精度评估。根据研究需要，将不同来源的土地利用数据统一分类到相同的土地利用类型体系下，并对数据的精度进行评估和验证，确保数据的可靠性。标准化处理也是数据预处理的重要环节。由于不同类型的数据具有不同的量纲和取值范围，直接输入到机器学习模型中可能会影响模型的训练效果和性能。通过标准化处理，将数据的特征值缩放到相同的尺度范围内，例如将数据归一化到[0,1]区间或使数据服从标准正态分布。这样可以加速模型的收敛速度，提高模型的训练效率和准确性。2.3.3模型训练与验证利用历史数据对机器学习模型进行训练是构建模拟系统的核心步骤之一。历史数据应包含足够的气象、地形、土地利用等输入数据以及对应的水文要素观测数据，如径流、蒸发等。在训练过程中，将输入数据和观测数据划分为训练集和验证集，通常按照一定比例（如70%用于训练集，30%用于验证集）进行划分。利用训练集数据对机器学习模型进行训练，通过调整模型的参数，使模型能够学习到输入数据与输出数据之间的关系。以神经网络为例，在训练过程中，通过前向传播计算模型的预测输出，然后根据预测输出与实际观测值之间的差异，利用反向传播算法计算梯度，更新模型的权重和偏置参数，不断迭代训练，直到模型的损失函数收敛到一个较小的值。在训练过程中，为了防止模型过拟合，可以采用一些正则化方法，如L1和L2正则化、Dropout等。L1和L2正则化通过在损失函数中添加正则化项，对模型的参数进行约束，防止参数过大导致过拟合；Dropout则是在训练过程中随机丢弃一部分神经元，减少神经元之间的共适应性，从而降低过拟合风险。模型训练完成后，需要利用验证集数据对模型进行验证，评估模型的性能。常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）等。RMSE反映了模型预测值与真实值之间的平均误差程度，RMSE值越小，说明模型的预测精度越高；MAE衡量了预测值与真实值之间绝对误差的平均值，同样，MAE值越小，模型性能越好；R²用于评估模型对数据的拟合优度，R²越接近1，表示模型对数据的拟合效果越好。通过对这些评估指标的计算和分析，可以判断模型是否达到预期的性能要求，若模型性能不佳，需要调整模型参数或重新选择模型进行训练。2.3.4模拟系统集成将机器学习模型与陆面水文模型集成是实现陆面水文过程集合模拟的关键。机器学习模型可以在多个方面辅助陆面水文模型，提高模拟的精度和可靠性。机器学习模型可以用于陆面水文模型的参数优化。由于陆面水文模型的参数通常具有不确定性，且传统的参数率定方法往往依赖于经验和试错，效率较低。利用机器学习算法，如神经网络、支持向量机等，可以通过对大量历史数据的学习，建立参数与水文过程之间的关系模型，从而实现对陆面水文模型参数的自动优化。在VIC模型中，利用机器学习算法对土壤水力参数、植被参数等进行优化。通过将历史气象数据、地形数据、土地利用数据以及对应的径流观测数据输入到机器学习模型中进行训练，得到参数优化模型。然后将该模型应用于VIC模型，对模型参数进行优化，提高VIC模型对径流的模拟精度。机器学习模型还可以用于对陆面水文模型的模拟结果进行后处理。由于陆面水文模型存在一定的不确定性，模拟结果可能与实际观测值存在偏差。利用机器学习模型对模拟结果进行校正和融合，可以提高模拟结果的准确性。通过训练神经网络模型，对多个陆面水文模型的模拟结果进行学习和分析，得到一个综合的模拟结果，从而降低模拟结果的不确定性，提高模拟的可靠性。三、陆面水文过程不确定性来源分析3.1模型结构不确定性3.1.1模型简化与假设陆面水文模型为了简化复杂的水文过程，不可避免地会做出一些假设和简化，而这些处理正是导致不确定性的重要因素。在对复杂的下垫面条件进行模拟时，由于下垫面的高度非均匀性，模型往往难以精确刻画。例如，实际的地形可能存在微小的起伏和变化，土壤质地在空间上也存在差异，植被的分布和生长状况更是复杂多样。但在模型中，通常会将下垫面进行一定程度的简化，采用均匀的参数来描述，这就使得模型无法完全准确地反映实际情况，从而产生不确定性。在处理植被蒸散过程时，许多模型假设植被冠层是均匀的，忽略了植被内部的结构差异和水分传输的复杂性。然而，实际的植被冠层存在不同的层次，不同层次的叶片对太阳辐射的吸收、反射和透射特性不同，水分的蒸发和蒸腾速率也存在差异。这种简化处理可能导致模型对蒸散量的模拟出现偏差，进而影响整个水文过程的模拟结果。模型在处理土壤水分运动时，通常假设土壤是均质的，各向同性的，并且采用一些简化的数学公式来描述水分在土壤中的入渗、储存和再分配过程。但实际的土壤结构复杂，存在孔隙大小分布不均匀、土壤质地变化等情况，这些因素都会影响土壤水分的运动。模型的简化假设无法准确考虑这些因素，导致对土壤水分的模拟存在不确定性，进而影响到径流、蒸发等水文要素的模拟精度。3.1.2不同模型结构对比通过对比不同结构的陆面水文模型模拟结果，可以有效地量化模型结构差异带来的不确定性。选取VIC模型和NOAH模型对同一流域的水文过程进行模拟。VIC模型是一种大尺度分布式水文模型，能够考虑植被的次网格特性、多层土壤的可变下渗能力以及非线性基流，在模拟大流域的水量平衡和能量平衡方面具有优势。而NOAH模型最初是为中尺度天气预报模式开发的，侧重于模拟地表能量平衡、水分平衡和动量平衡，在中尺度天气预报和区域气候模拟中应用广泛。在对某流域的径流模拟中，VIC模型和NOAH模型的模拟结果可能存在明显差异。这是因为两个模型的结构和参数化方案不同，对水文过程的描述和模拟能力也有所不同。VIC模型由于其多层土壤结构和对植被次网格特性的考虑，可能在模拟土壤水分动态和径流形成过程中表现较好；而NOAH模型由于其对地表能量平衡的重视，在模拟蒸散发和能量传输方面可能具有一定优势。通过对比分析这两个模型的模拟结果，可以发现模拟结果的差异主要来源于模型结构的不同，从而量化出模型结构差异带来的不确定性。在模拟该流域的月径流时，VIC模型模拟的月径流均值为[X1]立方米/秒，而NOAH模型模拟的月径流均值为[X2]立方米/秒，两者之间存在一定的偏差。通过统计分析不同模型模拟结果的离散程度，可以评估模型结构不确定性对模拟结果的影响程度，为模型的选择和改进提供依据。3.2参数不确定性3.2.1参数估计方法传统的参数估计方法在陆面水文模型中应用广泛，其中最小二乘法是一种经典的方法。最小二乘法的基本原理是通过最小化模型模拟值与观测值之间的误差平方和，来确定模型参数的最优估计值。在陆面水文模型中，假设模型的输出为[Q]，观测值为[Qobs]，模型参数为[θ]，则最小二乘法的目标函数可以表示为：[S(θ)=∑(Q-Qobs)²]，通过求解该目标函数的最小值，得到模型参数[θ]的估计值。最大似然估计也是一种常用的参数估计方法，它基于概率统计理论，通过最大化观测数据在给定参数下出现的概率，来估计模型参数。假设观测数据的概率分布函数为[P(Qobs|θ)]，则最大似然估计的目标是找到一组参数[θ]，使得似然函数[L(θ)=P(Qobs|θ)]达到最大值。在实际应用中，通常对似然函数取对数，将最大化似然函数转化为最大化对数似然函数，以简化计算。随着研究的深入，贝叶斯方法在参数估计中的应用越来越受到关注。贝叶斯方法将参数视为随机变量，通过结合先验信息和观测数据，利用贝叶斯公式来更新参数的后验分布。贝叶斯公式可以表示为：[P(θ|Qobs)=P(Qobs|θ)P(θ)/P(Qobs)]，其中[P(θ|Qobs)]是参数[θ]的后验分布，[P(Qobs|θ)]是似然函数，[P(θ)]是参数的先验分布，[P(Qobs)]是证据因子。通过对后验分布的采样和分析，可以得到参数的估计值及其不确定性范围。在陆面水文模型中，利用贝叶斯方法可以充分考虑参数的不确定性，以及不同参数之间的相关性，从而提高参数估计的准确性和可靠性。3.2.2参数不确定性传播利用敏感性分析、蒙特卡洛模拟等方法，可以深入分析参数不确定性在模型模拟中的传播规律。敏感性分析旨在识别模型输出对输入参数的敏感程度，通过改变模型参数的值，观察模型输出的变化情况，从而确定关键参数。在陆面水文模型中，采用Morris方法进行敏感性分析。Morris方法通过对参数进行有限次的采样和模型运行，计算每个参数的一阶敏感度指标和总敏感度指标。一阶敏感度指标反映了参数对模型输出的直接影响，总敏感度指标则反映了参数对模型输出的总影响，包括直接影响和通过与其他参数的交互作用产生的间接影响。对于某陆面水文模型，通过Morris方法分析发现，土壤水力传导率参数对径流输出的一阶敏感度指标为[X3]，总敏感度指标为[X4]，表明该参数对径流模拟结果具有较大的影响，是一个关键参数。蒙特卡洛模拟则是通过大量的随机试验来评估不确定性。在陆面水文模型中，利用蒙特卡洛模拟方法，根据参数的概率分布函数，随机生成大量的参数组合。将这些参数组合分别输入到模型中进行模拟，得到一系列的模拟结果。通过对这些模拟结果的统计分析，可以得到模拟结果的不确定性范围和概率分布。假设对某陆面水文模型的10个参数进行蒙特卡洛模拟，每个参数根据其不确定性范围生成1000个随机值，共得到1000组参数组合。将这1000组参数组合分别输入模型进行模拟，得到1000个径流模拟结果。对这些模拟结果进行统计分析，得到径流模拟结果的均值为[X5]立方米/秒，标准差为[X6]立方米/秒，95%置信区间为[X7,X8]立方米/秒，从而全面了解参数不确定性对模拟结果的影响，为模型的不确定性评估和决策提供重要依据。3.3输入数据不确定性3.3.1气象数据误差气象数据作为陆面水文模型的重要输入，其误差对模拟结果有着显著的影响。降水数据的测量误差是一个关键问题。降水的测量通常依赖于雨量站，然而雨量站的分布往往不均匀，在一些地区可能站点稀疏，导致对降水的空间分布代表性不足。地形复杂的山区，由于地形对降水的影响，雨量站可能无法准确测量到不同地形部位的降水情况。雨量站的测量仪器也可能存在误差，如翻斗式雨量计可能会因为翻斗的灵敏度问题、雨滴的大小和形状等因素，导致测量的降水量与实际降水量存在偏差。气温数据同样存在误差。气温观测主要依靠气象站的温度计，温度计的测量精度、安装位置以及维护情况等都会影响测量结果。如果温度计安装位置不当，受到太阳辐射、地面反射等因素的影响，测量的气温可能会偏离实际气温。气象数据的时空分辨率不足也会影响模拟结果。在大尺度的陆面水文模拟中，常用的气象再分析数据虽然具有全球覆盖的优势，但时空分辨率相对较低。一些高分辨率的陆面水文模型需要更高时空分辨率的气象数据来准确驱动模型。低分辨率的气象数据可能无法准确反映局部地区的气象变化，导致模型对水文过程的模拟出现偏差。在模拟山区的径流过程时，由于低分辨率的降水数据无法准确捕捉到山区地形引起的降水差异，可能会导致对径流的模拟结果与实际情况不符。3.3.2地形与土地利用数据精度地形数据的精度和土地利用分类的准确性对陆面水文过程模拟的不确定性贡献不可忽视。地形数据通常以数字高程模型（DEM）的形式存在，DEM的精度直接影响到对地形特征的刻画。在地形起伏较大的地区，如果DEM的分辨率较低，可能会平滑掉一些微小的地形起伏，从而影响到对坡面径流、河道汇流等水文过程的模拟。DEM数据的误差还可能导致对流域边界、水系网络等的错误识别，进一步影响水文模拟结果。在一个山区流域，如果DEM数据的精度不足，可能会将一些实际存在的小支流忽略，导致对流域总径流量的模拟偏低。土地利用分类的准确性也至关重要。不同的土地利用类型具有不同的水文特性，如植被覆盖的土地具有较高的蒸散发能力和截留能力，而城市建设用地则具有较强的地表径流产生能力。如果土地利用分类不准确，将导致对不同土地利用类型的水文参数设置错误，从而影响水文过程的模拟。将林地错误分类为草地，会导致对蒸散发和截留的模拟出现偏差，进而影响到整个流域的水量平衡。随着遥感技术的发展，虽然可以获取更丰富的土地利用信息，但在土地利用分类过程中，仍然存在一定的误差，需要进一步提高分类的准确性，以降低对陆面水文过程模拟的不确定性影响。3.4初始条件不确定性土壤湿度、积雪深度等初始条件的不确定性来源多样，对模拟结果有着重要的短期和长期影响。土壤湿度的初始值难以准确获取，一方面，土壤湿度在空间上分布不均匀，受到土壤质地、地形、植被覆盖等多种因素的影响。通过有限的观测站点难以准确代表整个区域的土壤湿度状况。另一方面，土壤湿度还随时间变化，其动态变化过程复杂，受到降水、蒸发、植物根系吸收等多种因素的影响。在获取土壤湿度初始值时，难以准确考虑这些因素的综合作用，导致初始土壤湿度存在不确定性。积雪深度的初始值同样存在不确定性。积雪深度的测量通常依赖于地面观测和遥感反演，但地面观测站点有限，遥感反演也存在一定的误差。积雪的分布受到地形、气候等因素的影响，在山区等地形复杂的地区，积雪深度的变化更为复杂，准确获取初始积雪深度更加困难。在短期模拟中，初始条件的不确定性可能会直接导致模拟结果与实际情况的偏差。在对一次降水事件后的径流模拟中，如果初始土壤湿度的不确定性较大，可能会导致对径流峰值和总量的模拟出现较大误差。在长期模拟中，初始条件的不确定性可能会通过水文过程的反馈机制不断放大，影响到对水资源总量、水资源变化趋势等的模拟结果。长期的径流模拟中，初始土壤湿度和积雪深度的不确定性可能会导致对流域水资源总量的评估出现偏差，进而影响到水资源管理和规划的决策。四、陆面水文过程不确定性量化方法4.1敏感性分析4.1.1局部敏感性分析单因素敏感性分析方法，如一次一因子法（One-Factor-at-a-Time，OFAT），是局部敏感性分析的典型代表。该方法每次仅改变一个参数或输入数据，而保持其他因素不变，通过观察模型输出结果的变化，来分析单个参数或输入数据对模拟结果的影响。在陆面水文模型中，运用一次一因子法时，首先确定需要分析的参数或输入数据，如土壤水力传导率、降水数据等。假设研究某陆面水文模型中土壤水力传导率对径流模拟结果的影响，先设定其他参数和输入数据为基准值，然后在一定范围内改变土壤水力传导率的值，分别运行模型，得到不同土壤水力传导率下的径流模拟结果。通过对比这些结果，可以直观地看出土壤水力传导率的变化如何影响径流。如果土壤水力传导率增大，径流模拟结果明显增加，说明径流对土壤水力传导率较为敏感；反之，如果径流模拟结果变化不大，则说明径流对该参数的敏感性较低。一次一因子法的优点在于简单直观，易于理解和实施，能够快速确定单个因素对模拟结果的影响方向和大致程度。它也存在明显的局限性。该方法假设参数之间不存在交互作用，但在实际的陆面水文过程中，多个参数之间往往存在复杂的相互关系。土壤水力传导率与土壤孔隙度、植被覆盖度等参数之间可能存在交互作用，共同影响着土壤水分的运动和径流的形成。一次一因子法仅考虑单个参数的变化，无法全面反映参数之间的交互影响，可能会导致对模拟结果不确定性的评估不够准确。4.1.2全局敏感性分析全局敏感性分析考虑了参数和输入数据之间的交互作用，能够更全面地评估不确定性对模拟结果的影响。基于方差分解的Sobol方法是一种常用的全局敏感性分析方法，其核心原理是将模型输出的总方差分解为各个参数或输入数据的主效应方差和交互效应方差。通过计算每个参数或输入数据的敏感度指标，包括一阶敏感度指标和总敏感度指标，来量化它们对模型输出不确定性的贡献。一阶敏感度指标反映了单个参数独立变化时对模型输出方差的贡献，即该参数单独作用对模型输出的影响程度。总敏感度指标则考虑了该参数与其他所有参数之间的交互作用对模型输出方差的贡献，包括直接影响和间接影响。在某陆面水文模型中，通过Sobol方法分析发现，降水参数的一阶敏感度指标为[X9]，表明降水参数单独变化时对径流模拟结果的方差贡献为[X9]；其总敏感度指标为[X10]，说明降水参数与其他参数的交互作用对径流模拟结果方差的贡献为[X10-X9]，体现了降水参数在与其他参数相互作用下对径流模拟结果的综合影响。基于回归分析的方法也是全局敏感性分析的重要手段。该方法通过建立模型输出与参数或输入数据之间的回归关系，来评估它们对模拟结果的影响。在陆面水文模型中，将径流模拟结果作为因变量，将降水、气温、土壤参数、植被参数等作为自变量，建立多元线性回归模型。通过回归分析，可以得到每个自变量的回归系数，回归系数的大小和显著性反映了相应参数或输入数据对径流模拟结果的影响程度和重要性。如果降水的回归系数较大且显著，说明降水对径流模拟结果有重要影响；反之，如果某个植被参数的回归系数较小且不显著，则说明该植被参数对径流模拟结果的影响相对较小。全局敏感性分析方法能够全面考虑参数和输入数据之间的交互作用，更准确地评估不确定性对模拟结果的影响，为模型的优化和改进提供更有价值的信息。这些方法通常计算较为复杂，需要进行大量的模型运行和数据分析，对计算资源和时间要求较高。4.2概率分析方法4.2.1蒙特卡洛模拟蒙特卡洛模拟是一种通过大量随机抽样生成参数和输入数据组合，进行模拟并统计结果的概率分布的方法。在陆面水文过程不确定性量化中，该方法具有重要应用。其基本步骤如下：首先，确定陆面水文模型中参数和输入数据的不确定性范围，并根据其不确定性特征选择合适的概率分布函数。对于土壤水力传导率参数，根据相关研究和实际观测数据，确定其服从对数正态分布，其均值为[μ]，标准差为[σ]；对于降水数据，由于其具有随机性，可假设其服从Gamma分布，形状参数为[k]，尺度参数为[θ]。利用随机数生成器，根据确定的概率分布函数，在参数和输入数据的不确定性范围内进行大量随机抽样，生成众多不同的参数和输入数据组合。假设对某陆面水文模型的10个参数和5个输入数据进行蒙特卡洛模拟，每个参数和输入数据分别生成1000个随机值，那么总共可得到1000组不同的参数和输入数据组合。将这些随机生成的参数和输入数据组合分别输入到陆面水文模型中进行模拟，得到一系列的模拟结果。对模拟结果进行统计分析，计算各种统计量，如均值、标准差、分位数等，以得到模拟结果的概率分布。对1000次模拟得到的径流结果进行统计分析，计算出径流的均值为[X11]立方米/秒，标准差为[X12]立方米/秒，通过计算分位数，可得到径流在95%置信区间内的取值范围为[X13,X14]立方米/秒，从而全面了解径流模拟结果的不确定性范围和概率分布情况。蒙特卡洛模拟的优点是原理简单，能够处理复杂的不确定性问题，对模型的形式和参数分布没有严格要求，适用性广泛。该方法需要进行大量的模型运行，计算量巨大，计算时间长。为了提高计算效率，可以采用一些改进的抽样方法，如拉丁超立方抽样等，减少抽样次数，同时保证抽样的代表性。4.2.2贝叶斯推断贝叶斯推断是利用贝叶斯定理结合先验信息和观测数据，更新模型参数的概率分布，从而量化不确定性的方法。贝叶斯定理的表达式为：[P(θ|D)=P(D|θ)P(θ)/P(D)]，其中[P(θ|D)]是在观测数据[D]条件下模型参数[θ]的后验概率分布，它综合了先验信息和观测数据对参数的影响；[P(D|θ)]是似然函数，表示在给定参数[θ]下观测数据[D]出现的概率，反映了模型对观测数据的拟合程度；[P(θ)]是参数[θ]的先验概率分布，它基于以往的经验、知识或研究成果，在没有观测数据之前对参数的一种主观判断；[P(D)]是证据因子，用于归一化后验概率分布，确保其积分等于1。在陆面水文模型参数不确定性分析中，先根据以往的研究和经验，确定模型参数的先验概率分布。对于某陆面水文模型中的土壤孔隙度参数，根据该地区的土壤类型和相关研究，假设其先验分布服从均匀分布，取值范围为[0.3,0.5]。将观测数据，如径流观测值、降水观测值等，代入似然函数中，计算在不同参数值下观测数据出现的概率。通过贝叶斯公式，将先验概率分布和似然函数相结合，得到参数的后验概率分布。对后验概率分布进行分析，如计算后验均值、后验标准差等统计量，来评估参数的不确定性。计算得到土壤孔隙度参数的后验均值为[X15]，后验标准差为[X16]，说明该参数的不确定性范围以及在考虑观测数据后的最可能取值。贝叶斯推断能够充分利用先验信息和观测数据，合理地更新模型参数的概率分布，从而更准确地量化不确定性。它可以处理多个参数之间的相关性，为不确定性分析提供更全面的信息。贝叶斯推断的计算过程通常较为复杂，尤其是在高维参数空间中，需要采用一些高效的计算方法，如马尔可夫链蒙特卡洛（MCMC）方法等，来实现后验概率分布的抽样和分析。4.3信息论方法4.3.1信息熵信息熵是信息论中的一个重要概念，用于衡量信息的不确定性或随机性。在陆面水文模拟结果不确定性分析中，信息熵可以用来量化不同模拟结果的不确定性程度。信息熵的计算公式为：[H(X)=-∑p(xi)log2p(xi)]，其中[H(X)]表示随机变量[X]的信息熵，[p(xi)]是随机变量[X]取值为[xi]的概率。在陆面水文模拟中，假设模拟结果为一组径流数据，将径流数据按照一定的间隔进行分组，统计每组径流数据出现的频率，以此作为概率[P(xi)]的估计值。假设有100个径流模拟值，将其分为10组，每组的频率分别为[p1,p2,...,p10]，代入信息熵公式计算得到该组径流模拟结果的信息熵为[X17]。信息熵的值越大，说明模拟结果的不确定性越高，数据分布越分散；信息熵的值越小，说明模拟结果的不确定性越低，数据分布越集中。通过计算不同模拟方案或不同模型的模拟结果的信息熵，可以比较它们的不确定性大小。对基于多模式集合模拟的径流结果和单一模型模拟的径流结果分别计算信息熵，若多模式集合模拟结果的信息熵为[X18]，单一模型模拟结果的信息熵为[X19]，且[X18>X19]，则说明多模式集合模拟结果的不确定性相对较高，这可能是由于多模式集合考虑了更多的不确定性因素，导致模拟结果更加分散。4.3.2互信息互信息用于衡量两个随机变量之间的相关性或依赖程度。在陆面水文过程不确定性分析中，互信息可以用来分析输入数据、模型参数与模拟结果之间的关系，评估它们对不确定性的贡献。互信息的计算公式为：[I(X;Y)=∑∑p(xi,yj)log2(p(xi,yj)/(p(xi)p(yj)))]，其中[I(X;Y)]表示随机变量[X]和[Y]之间的互信息，[p(xi,yj)]是[X]取值为[xi]且[Y]取值为[yj]的联合概率，[p(xi)]和[p(yj)]分别是[X]取值为[xi]和[Y]取值为[yj]的边缘概率。在陆面水文模型中，将降水作为输入数据[X]，径流模拟结果作为[Y]，通过统计降水和径流数据的联合频率和边缘频率，计算它们之间的互信息。假设计算得到降水与径流模拟结果之间的互信息为[X20]，互信息的值越大，说明降水与径流模拟结果之间的相关性越强，降水对径流模拟结果的不确定性贡献越大；反之，互信息的值越小，说明两者之间的相关性越弱，降水对径流模拟结果不确定性的影响相对较小。同样，可以计算模型参数与模拟结果之间的互信息，以评估模型参数对模拟结果不确定性的影响。对于某陆面水文模型中的土壤水力参数与径流模拟结果，计算它们之间的互信息为[X21]，若[X21]较大，则表明该土壤水力参数对径流模拟结果的不确定性有较大贡献，在模型参数优化和不确定性分析中需要重点关注。通过分析互信息，可以更深入地了解陆面水文过程中输入数据、模型参数与模拟结果之间的内在联系，为不确定性分析和模型改进提供有价值的依据。五、案例研究5.1研究区域选择与数据收集5.1.1研究区域概况本研究选取黄河流域作为案例研究区域，黄河作为中国的第二长河，其流域面积广阔，涵盖了多种地形地貌、气候类型和土地利用方式，对中国的经济社会发展和生态环境保护具有重要意义。黄河流域西起巴颜喀拉山，东临渤海，北抵阴山，南至秦岭，流经青海、甘肃、宁夏、内蒙古、山西、陕西、河南、山东等多个省份。流域内地形复杂多样，从上游的青藏高原到中游的黄土高原，再到下游的华北平原，地势呈阶梯状分布。上游地区海拔较高，多高山峡谷，地形起伏较大；中游黄土高原地区沟壑纵横，水土流失严重；下游平原地区地势平坦，河道宽阔。这种复杂的地形条件对流域内的水文过程产生了显著影响，如地形影响降水的分布和径流的形成，山区降水较多，且地形的阻挡作用使得径流的流速和流向发生变化。黄河流域属于温带大陆性季风气候，降水时空分布不均。降水主要集中在夏季，且多以暴雨形式出现，这使得夏季径流量较大，容易引发洪水灾害。冬季降水较少，河流径流量较小。流域内年降水量差异较大，从上游的几百毫米到下游的上千毫米不等。气温也呈现出明显的季节性变化，冬季寒冷，夏季炎热，气温的变化影响着蒸发、积雪融化等水文过程。黄河流域的水文特征独特，河流径流主要来自降水、冰雪融水和地下水补给。由于降水的时空分布不均，黄河径流量年际变化大，且存在明显的季节性变化。流域内水土流失严重，导致河流含沙量高，这不仅影响了河流的生态环境，也对水资源的利用和管理带来了挑战。5.1.2数据收集与整理气象数据主要来源于中国气象局气象数据中心，包括降水、气温、风速、相对湿度、太阳辐射等。收集了流域内多个气象站点多年的观测数据，为了提高数据的空间代表性，对气象数据进行了插值处理，采用克里金插值方法将离散的站点数据插值到整个流域，生成网格化的气象数据，以满足陆面水文模型对气象数据的需求。水文数据方面，从黄河水利委员会获取了流域内多个水文站的实测径流数据，包括日径流量、月径流量和年径流量等。对水文数据进行了质量控制和一致性检验，剔除了异常值和错误数据。利用上下游水文站数据进行对比分析，检查数据的合理性，确保水文数据的准确性和可靠性。地形数据采用SRTM（ShuttleRadarTopographyMission）90米分辨率的数字高程模型（DEM），该数据能够精确地反映流域的地形起伏。通过地理信息系统（GIS）软件对DEM数据进行处理，提取了流域的地形特征，如坡度、坡向、流域边界、水系网络等，这些地形特征数据在陆面水文模型中用于描述地形对水文过程的影响。土地利用数据来源于中国科学院资源环境科学数据中心，采用的是30米分辨率的土地利用分类数据，包括耕地、林地、草地、水域、建设用地和未利用地等多种类型。对土地利用数据进行了分类和重编码，使其符合陆面水文模型的输入要求。结合实地调查和高分辨率遥感影像，对土地利用数据进行了精度验证，确保数据的准确性。5.2集合模拟与不确定性分析实施5.2.1模拟方案设计设计多模式集合模拟方案，选取VIC模型、SWAT模型和NOAH模型进行模拟。这三个模型在结构、原理和适用范围上存在差异，VIC模型适用于大尺度水文模拟，能够考虑能量平衡和多层土壤结构；SWAT模型侧重于流域尺度的水文模拟，对农业流域的水文过程模拟较为擅长；NOAH模型在中尺度天气预报和区域气候模拟中应用广泛，对地表能量平衡和水分平衡的模拟有一定优势。针对每个模型，分别采用多强迫集合和多参数集合方法。在多强迫集合方面，利用不同来源的气象强迫数据，包括中国气象局气象数据中心的观测数据和欧洲中期天气预报中心的再分析数据，分别驱动模型进行模拟，以减少气象数据不确定性对模拟结果的影响。在多参数集合方面，采用蒙特卡洛模拟方法，根据模型参数的不确定性范围，随机生成多个参数组合，对每个模型进行多次模拟。模拟的时间跨度设定为1980年至2010年，步长为日尺度。将1980年至1995年的数据用于模型的参数率定，1996年至2010年的数据用于模型的验证和不确定性分析。在参数率定过程中，采用多种优化算法，如遗传算法、粒子群优化算法等，对模型参数进行优化，以提高模型的模拟精度。5.2.2不确定性分析方法应用选择Sobol方法进行敏感性分析，该方法能够全面考虑参数之间的交互作用，确定模型输出对输入参数的敏感程度。在陆面水文模型中，对VIC模型、SWAT模型和NOAH模型的多个参数进行敏感性分析，如VIC模型中的土壤水力参数、植被参数，SWAT模型中的径流参数、土壤侵蚀参数，NOAH模型中的地表能量平衡参数、水分平衡参数等。通过Sobol方法计算每个参数的一阶敏感度指标和总敏感度指标，一阶敏感度指标反映了参数对模型输出的直接影响，总敏感度指标反映了参数对模型输出的总影响，包括直接影响和通过与其他参数的交互作用产生的间接影响。分析结果可以确定哪些参数对模拟结果的影响较大，为模型的参数优化和不确定性分析提供依据。采用蒙特卡洛模拟方法进行概率分析，根据参数和输入数据的不确定性范围，利用随机数生成器生成大量的参数和输入数据组合，分别输入到三个模型中进行模拟。对模拟结果进行统计分析，计算模拟结果的均值、标准差、分位数等统计量，得到模拟结果的概率分布。通过分析概率分布，可以了解模拟结果的不确定性范围和不同取值的概率，为水资源管理决策提供风险评估信息。运用信息论方法中的信息熵和互信息对模拟结果进行分析。计算不同模型模拟结果的信息熵，比较它们的不确定性大小。对降水、气温等输入数据与径流模拟结果之间的互信息进行计算，评估输入数据对模拟结果不确定性的贡献，深入了解陆面水文过程中各因素之间的内在联系。5.3结果与讨论5.3.1模拟结果评估利用多种统计指标对集合模拟结果的准确性进行评估，常用的统计指标包括均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）等。RMSE反映了模拟值与实测值之间的平均误差程度，RMSE值越小，说明模拟精度越高；MAE衡量了模拟值与实测值之间绝对误差的平均值，MAE值越小，模拟效果越好；R²用于评估模拟值与实测值之间的拟合优度，R²越接近1，表示拟合效果越好。对VIC模型、SWAT模型和NOAH模型在多模式、多强迫、多参数集合模拟方案下的径流模拟结果进行评估。在参数率定期（1980年至1995年），VIC模型的RMSE为[X22]立方米/秒，MAE为[X23]立方米/秒，R²为[X24]；SWAT模型的RMSE为[X25]立方米/秒，MAE为[X26]立方米/秒，R²为[X27]；NOAH模型的RMSE为[X28]立方米/秒，MAE为[X29]立方米/秒，R²为[X30]。在验证期（1996年至2010年），VIC模型的RMSE为[X31]立方米/秒，MAE为[X32]立方米/秒，R²为[X33]；SWAT模型的RMSE为[X34]立方米/秒，MAE为[X35]立方米/秒，R²为[X36]；NOAH模型的RMSE为[X37]立方米/秒，MAE为[X38]立方米/秒，R²为[X39]。通过对比不同模型在参数率定期和验证期的统计指标，可以看出不同模型的模拟效果存在差异。在参数率定期，VIC模型的R²相对较高，说明其对径流的拟合效果较好，但RMSE和MAE也相对较大，表明模拟值与实测值之间的误差较大。SWAT模型在RMSE和MAE方面表现较好，说明其模拟值与实测值之间的误差较小，但R²相对较低，拟合效果有待提高。NOAH模型在各项指标上的表现较为中等。在验证期，各模型的模拟效果总体上与参数率定期相似，但也有一些变化。VIC模型的R²有所下降，RMSE和MAE有所增加，说明其在验证期的模拟精度有所降低。SWAT模型的R²有所提高，RMSE和MAE有所下降，模拟效果有所改善。NOAH模型的各项指标变化相对较小。综合来看，多模式集合模拟在一定程度上能够提高模拟结果的可靠性。通过将不同模型的模拟结果进行集合平均，可以降低单个模型的误差和不确定性，得到更接近真实值的模拟结果。在本研究中，多模式集合模拟的径流模拟结果的RMSE为[X40]立方米/秒，MAE为[X41]立方米/秒，R²为[X42]，与单个模型相比，在RMSE和MAE上有一定程度的降低，R²有所提高，说明多模式集合模拟在提高模拟精度方面具有一定优势。5.3.2不确定性分析结果通过敏感性分析发现，不同模型中对径流模拟结果影响较大的参数有所不同。在VIC模型中，土壤水力传导率、植被冠层截留参数和基流参数的敏感度指标较高，表明这些参数对径流模拟结果的影响较大。土壤水力传导率影响土壤水分的下渗和径流的产生，植被冠层截留参数影响降水的截留和蒸发，基流参数影响地下水对径流的补给。在SWAT模型中，径流曲线数（CN）、土壤侵蚀参数和河道糙率参数的敏感度指标较高。径流曲线数反映了流域的下垫面条件对径流的影响，土壤侵蚀参数影响河流的含沙量和河道的淤积情况，进而影响径流，河道糙率参数影响水流的阻力和流速，对径流产生影响。在NOAH模型中，地表反照率、土壤热传导率和植被气孔阻力参数的敏感度指标较高。地表反照率影响地表对太阳辐射的吸收和反射，进而影响地表能量平衡和水分蒸发，土壤热传导率影响土壤温度的变化和水分的运动，植被气孔阻力影响植被的蒸腾作用和水分的散失。通过蒙特卡洛模拟得到模拟结果的概率分布，分析不确定性在时间和空间上的分布特征。在时间上，发现径流模拟结果的不确定性在不同季节存在差异。夏季由于降水较多，且降水的不确定性较大，