CN109086479A - 一种基于并行计算的分布式水文模型参数多目标率定方法 - Google Patents
一种基于并行计算的分布式水文模型参数多目标率定方法 Download PDFInfo
- Publication number
- CN109086479A CN109086479A CN201810639207.1A CN201810639207A CN109086479A CN 109086479 A CN109086479 A CN 109086479A CN 201810639207 A CN201810639207 A CN 201810639207A CN 109086479 A CN109086479 A CN 109086479A
- Authority
- CN
- China
- Prior art keywords
- model
- hydrological
- multiple target
- distribution model
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开一种基于并行计算的分布式水文模型参数多目标率定方法,以提升分布式水文模型在流域模拟过程中参数敏感性分析和多目标率定的效率和准确性。其包括:1)ANOVA和Sobol’s两步敏感性分析;2)基于并行语言MPI编写敏感性分析和多目标率定程序,耦合分布式水文模型的开源程序;3)根据全局敏感性分析法得到的敏感参数,用于模型参数多目标率定,获得最优解。本发明的有益效果是:两步敏感性分析法提高了参数敏感性分析的准确性和可信度,多目标率定可以有效减小参数的异参同效性或不确定性,同时确保多项模型输出的模拟精度要求;并行计算的运用很大地提高了分布式水文模型的敏感性分析和参数率定效率,其耗费时间约为非并行的1/40~1/30。
Description
技术领域
本发明属于流域水文模型技术领域,涉及一种基于并行计算的分布式水文模型参数多目标率定方法,尤其是敏感性分析和参数率定过程。
背景技术
随着全球经济的快速发展和人口数量增长,以全球平均气温上升为主的气候变化对水文循环影响显著,导致干旱和洪水等极端灾害发生的频率、强度和历时不断加剧。提高水文模型对水文过程的模拟精度,有利于提高对极端灾害的模拟和预报准确性,以达到减小极端灾害对人民生命和生产等方面的危害。
水文模型可以概化或抽象的表述复杂的水循环过程,是水文科学中不可或缺的研究手段。水文模型在水资源管理、水库调度、干旱洪水预报等诸多方面得到广泛应用。水文模型分为集总式水文模型和分布式水文模型,后者具有明确的物理意义,具备更加准确描述水文过程的能力,但参数众多,其敏感性分析和参数率定过程复杂且耗时长。局部敏感性分析方法所需样本较少,仅分析参数对模型模拟的单一敏感性;全局敏感性分析方法样本数量大,分析准确,可以分析参数对模型模拟的单独敏感性和不同参数之间的相互作用。分布式水文模型参数手动率定效率低,耗时长,并且难以找到最优解;基于敏感性分析结果的模型参数自动率定效率高,目标明确,有利于模型参数优选。由于全局敏感性分析和自动率定对样本数量要求高、且分布式水文模型运行时间长,将导致模型参数率定耗时依然不理想。
在实际工程运用中,通常对多个目标提出精度要求,且不同目标之间往往是相互冲突的。以单一变量为目标的参数率定,只能满足该目标的模拟精度要求,无法确保其他变量的模拟效果。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于并行计算的分布式水文模型参数多目标率定方法,以解决分布式水文模型敏感性分析不能分析不同参数之间的相互作用、效率低下,参数率定耗时长、精度低等问题。
为实现上述目的,本发明的基于并行计算的分布式水文模型参数多目标率定方法,包括如下步骤:
(1)准备分布式水文模型所需的输入文件,并初步确定相关参数的变化范围;(2)并行化耦合敏感性分析方法与分布式水文模型,输入相关文件,构建目标流域模型参数敏感性分析框架,获得参数对水文模型的单独敏感性和不同参数之间的相互作用;
(3)根据研究或实际需要,选取目标及目标函数;
(4)并行化耦合多目标率定算法与分布式水文模型,运用步骤2)所确定的敏感参数参与模型率定,输入相关文件,构建目标流域模型参数多目标率定框架。
上述技术方案中,步骤(2)分为两步,第一步将ANOVA(Analysis of Variances)敏感性分析方法和水文模型源程序进行并行化耦合,输入模型所需的相关文件,进行第一步敏感性分析;第二步将Sobol’s敏感性分析方法和水文模型源程序并行化耦合,输入模型所需的相关文件,针对第一步敏感性分析结果确定的参数进行更深入的敏感性分析,得到参数对水文模型的单独敏感性和不同参数之间的相互作用。
步骤(2)中分布式水文模型的并行化敏感性分析是基于MPICH构建的MPI(Message-Passing Interface)并行编程环境开发和实现的。所涉及的分布式水文模型为开源的分布式水文模型。
步骤(3)所述的目标函数包括日径流序列纳什效率系数NS_R和相对偏差PBIAS_RNS_E,以及日蒸散发序列纳什效率系数NS_E和相对偏差PBIAS_E:
式中n为模型运行时长(天数),Oobs,R和Ssim,R分别为实测日径流量和模型模拟日径流量,为实测日径流量的平均值;Oobs,E和Ssim,E分别为实测日蒸散发量和模型模拟日蒸散发量,为实测日蒸散发量的平均值。
在步骤(4)中所涉及的多目标算法是基于ε支配的多目标遗传算法(ε-NSGAⅡ),该方法在第二代非支配排序遗传算法(NSGAⅡ)的基础上,增加ε支配,适应性种群规模和自动终止方法等。
通过采用上述技术手段,本发明的有益效果为:
(1)基于并行计算的两步全局敏感性分析方法解决了分布式水文模型敏感性分析只能评估参数对模型模拟单独敏感性、效率低等问题,该方法可以分析参数对模型的单独敏感性和不同参数之间的相互作用,且提高敏感性分析效率和准确度。
(2)基于并行计算的多目标率定提高了模型率定效率和准确性,降低了模型参数的不确定性。此外,基于多目标的参数率定更符合实际工程运用。
附图说明
图1为本发明的流程图;
图2为一种具体的并行计算MPI代码;
图3-图6为多目标率定不同解集分布。
具体实施方式
此处结合具体实施方式和附图对本发明进行更详尽的说明。为充分说明本发明的优势,采用华盛顿大学开发的开源的分布式水文-土壤-植被模型DHSVM作为例子对具体实施方式进行说明。
如图1所示,本发明的一种基于并行计算的分布式水文模型参数多目标率定方法,具体包括以下步骤:
下载目标研究区域DEM,使用地理信息系统arcgis对流域DEM进行填洼、获取流向等操作来得到流域水系分布图、流域边界图等,网格大小为200m×200m。
准备模型输入所需的土地利用类型、土壤类型、土壤深度分布文件、河网分级、模型初始状态和气象数据文件等,网格分辨率与DEM保持一致。
土地利用类型相关数据来自于国家地球系统科学数据平台,网格大小为1km,共分为16类,根据流域边界文件截取研究区域土地利用类型分布文件。植被相关参数包括植被覆盖率、辐射衰减系统、树干高度系数、空气动力学衰减系数、植被上冠层根区比例、植被下冠层根区比例、植被上冠层月反射率、植被下冠层月反射率、植被上冠层月叶面积指数、植被下冠层月叶面积指数、植被上冠层树干高度、植被下冠层树干高度、最大阻抗、植被上冠层最小阻抗、植被下冠层最小阻抗、湿度阈值、不饱和水汽压、参与光合作用短波辐射、每层根区深度等。
土壤相关数据来自于南京土壤研究所,由于模型要求的土壤分类是美国农业部的分类模式,所以对土壤分类进行重采样。土壤相关参数包括土壤水侧向传导率、土壤侧向传导率衰减系数、土壤最大渗透率、表面反射率、孔隙率、土壤气孔大小比例、气泡压力、土壤田间持水量、土壤凋萎系数、容积密度、土壤水垂向传导率、土壤导热率和土壤热容量等。
模型常量参数包括地面粗糙度、雪面粗糙度、降雨阈值温度、降雪阈值温度、雪水当量、植被参考高度、降雨截留叶面积指数加倍因子、降雪截留叶面积指数加倍因子、降雪截留最低阈值、温度直减率和降雨直减率等。
气象数据包括日平均温度、风速、相对湿度、短波辐射、长波辐射和降雨量等六个变量。
用于敏感性分析的模型参数变化范围根据模型绝对范围、研究区域实地调查、相近流域参考等方面确定。
利用普通计算机自行构建并行机,安装MPICH,实现并行运行环境,根据图2并行代码,将第一步全局敏感性分析方法ANOVA与分布式水文模型源代码实现并行化耦合,输入上述流域水系、流向、土壤、植被和气象等文件,进行第一步敏感性分析。第一步ANOVA敏感性分析将模型敏感参数数量从83缩小至16个。
参与第二步全局敏感性分析的参数为第一步的分析得到的16个参数。与第一步敏感性分析相似,将第二步全局敏感性分析方法Sobol’s与分布式水文模型源代码实现并行化耦合,输入上述流域水系、流向、土壤、植被和气象等文件,进行第二步敏感性分析,分析结果包括参数对模型的单独敏感性和不同参数之间的相互作用。
基于两步全局敏感性分析所得对模型模拟的敏感参数,将参与基于并行计算的多目标模型参数率定。基于并行环境,将基于ε的多目标遗传优化算法ε-NSGAⅡ和分布式水文模型DHSVM源代码进行并行化耦合,输入上述流域水系、流向、土壤、植被、气象和实测数据等文件,根据以下径流和蒸散发相关目标率定模型参数:
式中n为模型运行时长(天数),Oobs,R和Ssim,R分别为实测日径流量和模型模拟日径流量,为实测日径流量的平均值;Oobs,E和Ssim,E分别为实测日蒸散发量和模型模拟日蒸散发量,为实测日蒸散发量的平均值。
以径流为单一目标的模型参数率定所得最优解,对径流模拟效果理想,但蒸散发模拟效果不好;以径流和蒸散发为目标进行模型参数多目标率定结果对径流和蒸散发的模拟效果均较好,图3-图6为多目标率定解集分布。
本发明通过两步敏感性分析法提高了参数敏感性分析的准确性和可信度,多目标率定可以有效减小参数的异参同效性或不确定性,同时确保多项模型输出的模拟精度要求;并行计算的运用很大地提高了分布式水文模型的敏感性分析和参数率定效率,其耗费时间约为非并行的1/40~1/30。
以上所述仅为本发明的一个案例而已,本发明可以有各种形式的变化和调整。凡是在本发明的权利要求限定范围内,所做的任何修改、等同替换、改进等,均应在本发明的保护范围之内。
Claims (6)
1.一种基于并行计算的分布式水文模型参数多目标率定方法,其特征在于,包括以下步骤:
(1)准备分布式水文模型所需的输入文件,并初步确定相关参数的变化范围;
(2)并行化耦合敏感性分析方法与分布式水文模型,输入相关文件,构建目标流域模型参数敏感性分析框架,获得参数对水文模型的单独敏感性和不同参数之间的相互作用;
(3)根据研究或实际需要,选取目标及目标函数;
(4)并行化耦合多目标率定算法与分布式水文模型,运用步骤2)所确定的敏感参数参与模型率定,输入相关文件,构建目标流域模型参数多目标率定框架。
2.根据权利要求1所述的一种基于并行计算的分布式水文模型参数多目标率定方法,其特征在于,步骤(2)分为两步,第一步将ANOVA敏感性分析方法和水文模型源程序进行并行化耦合,输入模型所需的相关文件,进行第一步敏感性分析;第二步将Sobol’s敏感性分析方法和水文模型源程序并行化耦合,输入模型所需的相关文件,针对第一步敏感性分析结果确定的参数进行更深入的敏感性分析,得到参数对水文模型的单独敏感性和不同参数之间的相互作用。
3.根据权利要求1所述的一种基于并行计算的分布式水文模型参数多目标率定方法,其特征在于,步骤(2)中分布式水文模型的并行化敏感性分析是基于MPICH构建的MPI(Message-Passing Interface)并行编程环境开发和实现的。
4.根据权利要求1所述的一种基于并行计算的分布式水文模型参数多目标率定方法,其特征在于,在步骤(2)中所涉及的分布式水文模型为开源的分布式水文模型。
5.根据权利要求1所述的一种基于并行计算的分布式水文模型参数多目标率定方法,其特征在于,步骤(3)所述的目标函数包括日径流序列纳什效率系数NS_R和相对偏差PBIAS_R NS_E,以及日蒸散发序列纳什效率系数NS_E和相对偏差PBIAS_E:
式中n为模型运行时长(天数),Oobs,R和Ssim,R分别为实测日径流量和模型模拟日径流量,为实测日径流量的平均值;Oobs,E和Ssim,E分别为实测日蒸散发量和模型模拟日蒸散发量,为实测日蒸散发量的平均值。
6.根据权利要求1所述的一种基于并行计算的分布式水文模型参数多目标率定方法,其特征在于,在步骤(4)中所涉及的多目标算法是基于ε支配的多目标遗传算法(ε-NSGAⅡ)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810639207.1A CN109086479A (zh) | 2018-06-20 | 2018-06-20 | 一种基于并行计算的分布式水文模型参数多目标率定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810639207.1A CN109086479A (zh) | 2018-06-20 | 2018-06-20 | 一种基于并行计算的分布式水文模型参数多目标率定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086479A true CN109086479A (zh) | 2018-12-25 |
Family
ID=64840061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810639207.1A Pending CN109086479A (zh) | 2018-06-20 | 2018-06-20 | 一种基于并行计算的分布式水文模型参数多目标率定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086479A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918740A (zh) * | 2019-02-13 | 2019-06-21 | 北京科技大学 | 一种适用于大规模分布式水文模拟方法及装置 |
CN111176865A (zh) * | 2019-12-31 | 2020-05-19 | 中国科学院计算机网络信息中心 | 一种基于优化算法的对等模式并行处理方法及框架 |
CN111985106A (zh) * | 2020-08-20 | 2020-11-24 | 三峡大学 | 一种基于多点并行校正的分布式水文模型参数率定方法 |
CN112883558A (zh) * | 2021-01-27 | 2021-06-01 | 长江水利委员会水文局 | 一种水文模型参数时变形式构造方法 |
CN113254861A (zh) * | 2021-06-23 | 2021-08-13 | 中山大学 | 无资料地区水文模型参数率定方法、装置和终端设备 |
CN114357737A (zh) * | 2021-12-21 | 2022-04-15 | 武汉大学 | 针对大尺度水文模型时变参数的代理优化率定方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709181A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 一种基于并行编程和模块法的分布式水文模型率定方法 |
-
2018
- 2018-06-20 CN CN201810639207.1A patent/CN109086479A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709181A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 一种基于并行编程和模块法的分布式水文模型率定方法 |
Non-Patent Citations (2)
Title |
---|
宋晓猛等: "水文模型参数敏感性分析方法评述", 《水利水电科技进展》 * |
齐伟等: "Sobol′方法分析TOPMODEL水文模型参数敏感性", 《水文》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918740A (zh) * | 2019-02-13 | 2019-06-21 | 北京科技大学 | 一种适用于大规模分布式水文模拟方法及装置 |
CN111176865A (zh) * | 2019-12-31 | 2020-05-19 | 中国科学院计算机网络信息中心 | 一种基于优化算法的对等模式并行处理方法及框架 |
CN111176865B (zh) * | 2019-12-31 | 2023-04-07 | 中国科学院计算机网络信息中心 | 一种基于优化算法的对等模式并行处理方法及框架 |
CN111985106A (zh) * | 2020-08-20 | 2020-11-24 | 三峡大学 | 一种基于多点并行校正的分布式水文模型参数率定方法 |
CN112883558A (zh) * | 2021-01-27 | 2021-06-01 | 长江水利委员会水文局 | 一种水文模型参数时变形式构造方法 |
CN113254861A (zh) * | 2021-06-23 | 2021-08-13 | 中山大学 | 无资料地区水文模型参数率定方法、装置和终端设备 |
CN114357737A (zh) * | 2021-12-21 | 2022-04-15 | 武汉大学 | 针对大尺度水文模型时变参数的代理优化率定方法 |
CN114357737B (zh) * | 2021-12-21 | 2024-04-05 | 武汉大学 | 针对大尺度水文模型时变参数的代理优化率定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086479A (zh) | 一种基于并行计算的分布式水文模型参数多目标率定方法 | |
Bergström et al. | On the scale problem in hydrological modelling | |
Batelaan et al. | GIS-based recharge estimation by coupling surface–subsurface water balances | |
Talebmorad et al. | Evaluation of uncertainty in evapotranspiration values by FAO56-Penman-Monteith and Hargreaves-Samani methods | |
CN102314546B (zh) | 基于虚拟植物的植物生长生物量变化估算方法 | |
CN111307643A (zh) | 一种基于机器学习算法的土壤水分预测方法 | |
CN102354348A (zh) | 流域尺度土壤湿度遥感数据同化方法 | |
CN110059362A (zh) | 考虑植被动态变化的区域尺度双源蒸散发模型的构建方法 | |
CN106709181B (zh) | 一种基于并行编程和模块法的分布式水文模型率定方法 | |
Boufala et al. | Hydrological modeling of water and soil resources in the basin upstream of the Allal El Fassi dam (Upper Sebou watershed, Morocco) | |
CN108647401A (zh) | 一种基于空间遥感技术的流域氮磷污染评估方法 | |
Odusanya et al. | Evaluating the performance of streamflow simulated by an eco-hydrological model calibrated and validated with global land surface actual evapotranspiration from remote sensing at a catchment scale in West Africa | |
Li et al. | Predicting surface runoff from catchment to large region | |
Khan et al. | Catchment scale simulations of soil moisture dynamics using an equivalent cross-section based hydrological modelling approach | |
Pachri et al. | Development of water management modeling by using GIS in Chirchik river basin, Uzbekistan | |
Leta et al. | Parameter uncertainty analysis for streamflow simulation using SWAT model in Nashe Watershed, Blue Nile River Basin, Ethiopia | |
Yildiz et al. | Elucidating vegetation controls on the hydroclimatology of a mid-latitude basin | |
Ezenne et al. | An overview of uncertainties in evapotranspiration estimation techniques | |
Band | Distributed parameterization of complex terrain | |
Belleflamme et al. | Hydrological forecasting at impact scale: the integrated ParFlow hydrological model at 0.6 km for climate resilient water resource management over Germany | |
Huo et al. | Temporal and spatial variation of surface evapotranspiration based on remote sensing in Golmud Region, China | |
Schalge et al. | High-resolution virtual catchment simulations of the subsurface-land surface-atmosphere system | |
Ahouansou et al. | Analysis of the hydrological budget using the J2000 model in the Pendjari River Basin, West Africa | |
Hao et al. | Impacts of sub-grid topographic representations on surface energy balance and boundary conditions in the E3SM Land Model | |
Hari et al. | Impact of change in land use land cover on water resources in Gundlakamma sub basin |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |
|
RJ01 | Rejection of invention patent application after publication |