水文模型参数优选及不确定性分析方法研究

概念性流域水文模型广泛应用于洪水预报和水资源管理等众多领域,为防汛、抗旱和水资源利用等重大决策问题提供了重要依据。然而,由于水文过程的复杂性、历史水文资料误差及水文模型结构误差等因素的存在,给流域水文模型参数优选及水文预报带来很大的不确定性。系统地开展流域水文预报模型参数优选及不确定性问题研究,对于提高我国水文预报的水平和改进预报精度、减少洪涝灾害损失以及合理有效利用水资源等具有重要的现实意义和科学价值。为此,本文对我国应用得非常广泛的概念性流域水文模型——三水源新安江模型进行研究,重点探讨了三水源新安江模型参数优选、参数不确定性分析、不确定性预报以及洪水预报系统设计等问题,主要研究成果概述如下: (1) 提出了水文模型模糊多目标SCE-UA(FMOSCE-UA)参数优选方法。该方法结合SCE-UA算法和Pareto排序的优点,采用模糊多目标优选的方式,综合考虑了洪峰流量、水量平衡、峰现时间以及流量过程均方误差等水文过程的不同特征要素,使得优选的参数更能反映流域水文特征。以双牌水库为例,采用其30场历史洪水进行参数率定,并以另外11场历史洪水对结果进行校核,结果表明FMOSCE-UA优于标准SCEUA算法,优选参数可应用于实际洪水预报。 (2) 针对国内应用较为广泛的事件型流域水文模型——三水源新安江模型参数优选过程中出现的不确定性问题,提出了并行自适应Metropolis(Parallel Adaptive Metropolis,简称PAM)算法,并对模型参数不确定性进行分析。该方法以并行计算的方式,在贝叶斯理论框架下通过自适应Markov链Monte Carlo(MCMC)抽样方法求解得到模型各参数后验分布,显著提高了算法的计算速度和求解质量。参数后验分布结果为区间预报提供了条件,实例研究表明,以该结果进行不确定预报是可行的,其预报区间较好的反映了与模型参数不确定性相关的洪水预报不确定性范围。 (3) 建立了基于BP神经网络的贝叶斯概率水文预报模型(BFS)。该模型采用BP神经网络定义流量先验分布及似然函数模型,并通过Markov链Monte Carlo(MCMC)方法求解得到流量后验分布及其统计参数。基于BP神经网络的BFS克服了Krzysztofowicz等提出的线性—正态模型的局限性,能够适用于各种非线性复杂分布的预报变量的预测。通过对双牌水库历史洪水的研究结果表明,基于BP神经网络的BFS不仅显著提高了预报精度,而且为防洪决策提供了更多的信息,使得预报人员在决策中能考虑预报的不确定性,定量的估计各种决策的风险和后果。