SWAT模型参数率定和验证
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
），p次参数变化，模型运行 m *(p+1) 次
最优化方法
参数自动率定采用SCE-UA（Shuffled complex evolution algorithm）：
对于非线性复杂的分布式水文模型，采用随机 搜索方法寻优，最为成功的方法之一
全局优化算法
基于以下4 种概念:
确定性和概率论方法结合; 在全局优化及改善方向上, 覆盖参数空间的复
径流空间上的校准
先上游后下游 先支流后干流 已校准好的子流域参数不要再变
泥沙校核
泥沙有2 个来源
HRU/子流域负荷 河道冲刷/沉积
检查水库/池塘模拟
模型参数的不确定性
SUNGLASSES (Sources of UNcertainty GLobal Assessment using Split-SamlpES):基 于分离抽样的不确定性来源全局分析
评价模型预测期的不确定性 不仅包含参数的不确定性 建立参数系列，根据不确定阈值建立评价标准
径流：地表径流和地下径流
调整CN2(.mgt) 若地表径流仍然不符合要求，则调整SOL_AWC
(.sol)或ESCO(.bsn 源自文库r .hru) 基流值太高：增加 GW_REVAP(.gw)，减小
REVAPMN(.gw)，增加 GWQMN(.gw)，
蒸发：土壤蒸发、植被蒸发
EPCO、EPSO (.bsn or .hru文件中)
方法）
χ2-统计：置信空间
单目标参数极好值： 多目标参数极好值：
贝叶斯法：最大可能空间
模型率定
基于统计方法 分离抽样方法：分为率定期和验证期 采用分离抽样评价整个模型预测的不确定性 Parasol (Parameter Solutions method):以上提
及的参数最优化和不确定分析方法
第4步，检查是否满足收敛要求，如果不满足 回到第2步
最优化方法
SCE-UA 算法的特点:
在多个吸引域内获得全局收敛点 能够避免陷入局部最小点 能有效地表达不同参数的敏感性与参数间的相
关性 能够处理具有不连续响应表面的目标函数, 即
不要求目标函数与导数的清晰表达 能够处理高维参数问题
最优化方法
模型率定
分布真实式世界水质模型误观测差-模源型
误差
模型率定
参数自动率定结果的优劣指标
Nash-Suttcliffe效率系数 相关系数 相对误差 模拟和实测数据的平均误差和标准差 斜率、截距、回归系数等
比较目标：
利用界面进行参数率定
水量校核
检查水量平衡
sub.dbf文件中的PET、ET、SNOMELT、SW、 GWQ、SURQ、WLYD、 rch.dbf文件中的 FLOW_IN、FLOW_OUT
Latin-Hypercube
基于蒙特卡洛模型，但基于统计抽样方法 把每个参数分布划为N个空间，随即抽样，每个空间
的被抽到的概率为1/N，参数随机组合，模型运行N次 模型结果利用多参数线性回归或相关分析方法分析 不足：多元回归 分析的前提假设为线性变化，可能导
致偏差
输出结果的变化并 不总能明确地归因于某一特定输入 参数值的变化
多目标优化：
依据贝叶斯理论
参数优化选项：
增加（减少）百分率（乘法） 增加（减少）一定值（加法） 采用某一值替换
不确定性分析
模型的不确定性：
模型本身 模型的基本假设 输入数据的误差 分辨率等
不确定性分析方法：
SCE-UA： χ2-统计和贝叶斯方法 GLUE 方法（同时也是一种全局参数灵敏度分析的
SWAT模型参数敏感性分析 与参数率定
主要内容
1、参数敏感性分析与校核原理 2、利用界面进行参数率定 3、swat-cup参数率定和验证 4、应用实例
参数敏感性分析
模型通过自带的LH-OAT （Latin Hypercube Onefactor-At-a-Time）敏感性分析方法和SCE-UA （ Shuffled Complex Evolution）自动校准分析方法来 率定敏感性参数的取值
粒子群优化算法（Particle Swarm Optimi⁃zation，简称PSO算法）
该法将系统初始化为一组随机粒子（Particle）， 通过迭代搜寻最优值，每次迭代过程中，粒子在 解空间追随最优的粒子进行搜索
PSO 算法中， 所有的粒子都有一个由被优化的函 数（目标函数）决定的适应值（fitness value）， 每个粒子还有一个矢量速度决定他们飞翔的方向 和距离
合形点的系统演化 竞争演化 混合复合形
最优化方法
SCE-UA优化算法步骤：
算法第1步在模型需要率定的参数的可行空间 随机产生p×m 个点作为初始群体
第2步，按目标函数增序将这p×m 个点分成p 个种群， 每个种群包含m 个成员
第3 步， 每个种群进行若干代独立竞争进化后 ，种群之间定期进行交叉形成新的种群，如此 ，种群之间可以共享信息
在每一次迭代中，粒子通过跟踪两个“极值”来 更新自己：一个极值就是粒子本身所找到的最优 解，这个解叫做个体极值pbest；另一个极值是整 个种群目前找到的最优解，这个极值是全局极值 pbest-gbest
最优化方法
PSO算法模型参数率定过程
最优化方法
目标函数：
误差平方和SSQ： 排序后误差平方和SSQR：
参数敏感性分析
One-factor-At-a-Time sampling
运行一次只改变一个参数 某一特定输入参数值的变化引起的输出结果 的
灵敏度大小依赖于模型其他参数值的选取
LH-OAT sensitivity 分析
采用LH-OAT法可确保所有参数在取值范围内 均被取样
两者优点，弥补不足 把参数划分为m个空间（包含p个参数的集合
水量校核
校核流量过程
峰值衰减期值降得太快：检查传输损失—河道水 力传导率CH_K(.rte)
在融雪季节里，峰值会很高而衰退值很低，降低 最大和最小积雪融化速率SMFMX 和SMFMN(.bsn)
另外一个会影响积雪融化的参数是气温下降速率 TLAPS(.sub)，增加这些值
修改基流α系数ALPHA_BF(.gw)
最优化方法
参数自动率定采用SCE-UA（Shuffled complex evolution algorithm）：
对于非线性复杂的分布式水文模型，采用随机 搜索方法寻优，最为成功的方法之一
全局优化算法
基于以下4 种概念:
确定性和概率论方法结合; 在全局优化及改善方向上, 覆盖参数空间的复
径流空间上的校准
先上游后下游 先支流后干流 已校准好的子流域参数不要再变
泥沙校核
泥沙有2 个来源
HRU/子流域负荷 河道冲刷/沉积
检查水库/池塘模拟
模型参数的不确定性
SUNGLASSES (Sources of UNcertainty GLobal Assessment using Split-SamlpES):基 于分离抽样的不确定性来源全局分析
评价模型预测期的不确定性 不仅包含参数的不确定性 建立参数系列，根据不确定阈值建立评价标准
径流：地表径流和地下径流
调整CN2(.mgt) 若地表径流仍然不符合要求，则调整SOL_AWC
(.sol)或ESCO(.bsn 源自文库r .hru) 基流值太高：增加 GW_REVAP(.gw)，减小
REVAPMN(.gw)，增加 GWQMN(.gw)，
蒸发：土壤蒸发、植被蒸发
EPCO、EPSO (.bsn or .hru文件中)
方法）
χ2-统计：置信空间
单目标参数极好值： 多目标参数极好值：
贝叶斯法：最大可能空间
模型率定
基于统计方法 分离抽样方法：分为率定期和验证期 采用分离抽样评价整个模型预测的不确定性 Parasol (Parameter Solutions method):以上提
及的参数最优化和不确定分析方法
第4步，检查是否满足收敛要求，如果不满足 回到第2步
最优化方法
SCE-UA 算法的特点:
在多个吸引域内获得全局收敛点 能够避免陷入局部最小点 能有效地表达不同参数的敏感性与参数间的相
关性 能够处理具有不连续响应表面的目标函数, 即
不要求目标函数与导数的清晰表达 能够处理高维参数问题
最优化方法
模型率定
分布真实式世界水质模型误观测差-模源型
误差
模型率定
参数自动率定结果的优劣指标
Nash-Suttcliffe效率系数 相关系数 相对误差 模拟和实测数据的平均误差和标准差 斜率、截距、回归系数等
比较目标：
利用界面进行参数率定
水量校核
检查水量平衡
sub.dbf文件中的PET、ET、SNOMELT、SW、 GWQ、SURQ、WLYD、 rch.dbf文件中的 FLOW_IN、FLOW_OUT
Latin-Hypercube
基于蒙特卡洛模型，但基于统计抽样方法 把每个参数分布划为N个空间，随即抽样，每个空间
的被抽到的概率为1/N，参数随机组合，模型运行N次 模型结果利用多参数线性回归或相关分析方法分析 不足：多元回归 分析的前提假设为线性变化，可能导
致偏差
输出结果的变化并 不总能明确地归因于某一特定输入 参数值的变化
多目标优化：
依据贝叶斯理论
参数优化选项：
增加（减少）百分率（乘法） 增加（减少）一定值（加法） 采用某一值替换
不确定性分析
模型的不确定性：
模型本身 模型的基本假设 输入数据的误差 分辨率等
不确定性分析方法：
SCE-UA： χ2-统计和贝叶斯方法 GLUE 方法（同时也是一种全局参数灵敏度分析的
SWAT模型参数敏感性分析 与参数率定
主要内容
1、参数敏感性分析与校核原理 2、利用界面进行参数率定 3、swat-cup参数率定和验证 4、应用实例
参数敏感性分析
模型通过自带的LH-OAT （Latin Hypercube Onefactor-At-a-Time）敏感性分析方法和SCE-UA （ Shuffled Complex Evolution）自动校准分析方法来 率定敏感性参数的取值
粒子群优化算法（Particle Swarm Optimi⁃zation，简称PSO算法）
该法将系统初始化为一组随机粒子（Particle）， 通过迭代搜寻最优值，每次迭代过程中，粒子在 解空间追随最优的粒子进行搜索
PSO 算法中， 所有的粒子都有一个由被优化的函 数（目标函数）决定的适应值（fitness value）， 每个粒子还有一个矢量速度决定他们飞翔的方向 和距离
合形点的系统演化 竞争演化 混合复合形
最优化方法
SCE-UA优化算法步骤：
算法第1步在模型需要率定的参数的可行空间 随机产生p×m 个点作为初始群体
第2步，按目标函数增序将这p×m 个点分成p 个种群， 每个种群包含m 个成员
第3 步， 每个种群进行若干代独立竞争进化后 ，种群之间定期进行交叉形成新的种群，如此 ，种群之间可以共享信息
在每一次迭代中，粒子通过跟踪两个“极值”来 更新自己：一个极值就是粒子本身所找到的最优 解，这个解叫做个体极值pbest；另一个极值是整 个种群目前找到的最优解，这个极值是全局极值 pbest-gbest
最优化方法
PSO算法模型参数率定过程
最优化方法
目标函数：
误差平方和SSQ： 排序后误差平方和SSQR：
参数敏感性分析
One-factor-At-a-Time sampling
运行一次只改变一个参数 某一特定输入参数值的变化引起的输出结果 的
灵敏度大小依赖于模型其他参数值的选取
LH-OAT sensitivity 分析
采用LH-OAT法可确保所有参数在取值范围内 均被取样
两者优点，弥补不足 把参数划分为m个空间（包含p个参数的集合
水量校核
校核流量过程
峰值衰减期值降得太快：检查传输损失—河道水 力传导率CH_K(.rte)
在融雪季节里，峰值会很高而衰退值很低，降低 最大和最小积雪融化速率SMFMX 和SMFMN(.bsn)
另外一个会影响积雪融化的参数是气温下降速率 TLAPS(.sub)，增加这些值
修改基流α系数ALPHA_BF(.gw)