[發明專利]一種基于大區域水文模擬的徑流演變不確定歸因方法

有效

• 申請號: 201810973928.6
• 申請日: 2018-08-24
• 公開（公告）號: CN108897977B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 鐘平安;張宇;陳娟;朱非林;李潔玉;劉為峰;萬新宇;徐斌
• 申請（專利權）人: 河海大學
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 李鳳嬌

1.一種基于大區域水文模擬的徑流演變不確定歸因方法，其特征在于，包括以下步驟：

步驟(1)建立數據集；

步驟(2)描述歷史徑流演變規律；

步驟(3)建立大區域水文模型；

步驟(4)模型參數敏感性分析；

步驟(5)模型參數率定及不確定性分析；

步驟(6)徑流演變不確定歸因分析；

所述步驟(3)包括：步驟(31)生成水系，劃分子流域：依據地形地貌數據生成大區域河網水系結構，包括河網水系、連接點、出水口、入水口；修整河網水系、連接點，添加另外的出入水口或刪除不需要的出入水口；設定子流域面積閾值，根據水力聯系劃分子流域，計算子流域幾何參數、地形參數和水流路徑，生成子流域報告；

所述步驟(5)具體為：

所述步驟(5)中，針對各流域即每個觀測控制點以上的子流域集合的敏感參數集進行參數率定和不確定分析；大區域的水文模擬包含了很多不確定性和復雜性，這些不確定性和復雜性反映在模型參數上；采用貝葉斯理論進行參數不確定性分析，采用貝葉斯形式，模型參數的后驗分布表述為：

式中，θ為模型參數，為徑流量觀測值，為模型參數的后驗分布，p(θ)為模型參數的先驗分布，為似然函數，為常數，進而模型參數的后驗分布表述為：

假定殘差是不相關的，那么似然函數寫成：

式中，y₁(θ)、y₂(θ)、y_n(θ)為模擬徑流，為中元素，f_a(b)指基于b對a概率密度函數的估計，進一步假定殘差服從正態分布e_t(θ):那么似然函數寫成：

模型參數的先驗分布在其初始范圍中服從均勻分布，一旦先驗分布和似然函數定義完成，就推斷模型參數的后驗分布；采用馬爾可夫鏈蒙特卡羅方法來獲得后驗分布的樣本，通過應用DiffeRential Evolution Adaptive Metropolis算法即DREAM算法實現；具體分為以下幾個子步驟：

步驟(51)、認為參數在原始范圍內服從均勻分布，生成候選樣本：

式中θ為模型參數，和為迭代過程中生成的候選樣本，k為迭代過程的某一次，γ(δ)、Z₁(a)、Z₂(b)為DREAM算法定義的參數，殘差ε:N_d(0,b)，δ、a、b為DREAM算法定義的參數，b為常數；

步驟(52)、根據交叉概率CR替換候選樣本：

式中，U∈[0,1]服從均勻分布，CR為交叉概率，d_eff為DREAM算法定義的參數；

步驟(53)、計算候選樣本的Metropolis接受概率：

式中Y_obs為徑流觀測值；

步驟(54)、如果接受則向前移動，不接受仍保持原位；

重復步驟(51)-(54)，直到達到所需規模；

步驟(55)、采用Gelman收斂診斷指標判斷抽樣序列是否收斂，當時，收斂，并認定收斂后的樣本分布穩定；

步驟(56)、選取收斂后的敏感參數樣本作為敏感參數集的后驗分布抽樣，采用構建好的模型模擬所以敏感參數樣本取值下的徑流量，選取滿足E_NS＝max{E_NS(i)}，即E_NS最大的一次作為模型的最佳模擬，E_NS如下式計算：

式中，Q_oi為第i時段的實測徑流，為各時段實測徑流的平均值，Q_si為第i時段的模擬徑流；

E_NS用以描述模型的擬合程度，除E_NS外，采用確定性系數R²評價模擬徑流和實測徑流的線性相關程度，采用相對誤差Re評價模擬結果的偏差，計算公式分別為：

式中，相對誤差Re為百分比，為各時段模擬徑流的平均值，其他含義同上；

引入95％不確定性區間描述不確定性，定義為敏感參數集按后驗分布抽樣升序或降序排列，由2.5％和97.5％分位點所夾區間的參數樣本模擬得到的徑流區間，采用P-factor和R-factor兩個指標來模擬的不確定性，P-factor定義為實測徑流被包含在95％不確定性區間中的百分比；R-factor定義為95％不確定性區間平均寬度比標準差，計算公式為：

式中Q_U和Q_L分別為95％不確定性區間的上界和下界，σ為實測徑流的標準差；P-factor越接近1，R-factor越接近0，結果越好，當R-factor小于1時，認為模擬結果滿足要求。