CN114611291A - 一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法 - Google Patents

一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法 Download PDF

Info

Publication number
CN114611291A
CN114611291A CN202210238538.0A CN202210238538A CN114611291A CN 114611291 A CN114611291 A CN 114611291A CN 202210238538 A CN202210238538 A CN 202210238538A CN 114611291 A CN114611291 A CN 114611291A
Authority
CN
China
Prior art keywords
flood
objective
field
hydrological
hydrological model
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
Application number
CN202210238538.0A
Other languages
English (en)
Inventor
常文娟
马海波
雷晓辉
康爱卿
刘冀
彭涛
黄翱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202210238538.0A priority Critical patent/CN114611291A/zh
Publication of CN114611291A publication Critical patent/CN114611291A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Abstract

本发明公开了一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，包括S1、收集并整理研究流域的资料；S2、构建适用于研究流域径流预报的日尺度的水文模型；S3、构建适用于研究流域场次洪水预报的次洪预报模型，基于日尺度的水文模型为次洪预报模型提供初始状态变量；S4、基于次洪预报模型构建组内各场次洪水的目标函数；S5、以目标函数最小为目标，利用基于超多目标大规模优化的优化算法对组内多场次洪水的目标函数同时进行优化，确定组内综合场次洪水水文模型的最优参数。优点是：在流域全年场次洪水产汇流特性差异较大或在调参者不具备丰富的调参经验的情况下，仍可得到精度较高的能够反映综合场次洪水产汇流特性的水文模型参数。

Description

一种基于超多目标大规模优化的综合场次洪水水文模型参数 率定方法
技术领域
本发明涉及水文模型参数率定技术领域，尤其涉及一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法。
背景技术
当前为研究水文预报、水库调度等问题，场次洪水水文模型的参数率定是必不可少的步骤之一。现在广泛使用的场次洪水水文模型参数率定的方法是对流域上的每场洪水单独率定水文模型参数，然后对参数进行敏感性分析，手动调节各个参数，最终选择一组对流域上各场次洪水均能模拟的较好的参数，当所选的场次洪水具有相近的产汇流特性时，能够取得可用的综合水文模型参数。但是这种方法对调参者经验依赖性较强，不同的调参者取得的参数可能差异较大。
同时，当流域上全年各场次洪水在暴雨强度、暴雨中心、地面植被等等产汇流特性差异较大的情况下，单独率定每场洪水，再进行手动综合分析模型参数往往不能得到理想的水文模型参数。
发明内容
本发明的目的在于提供一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，包括如下步骤，
S1、收集并整理研究流域的资料；
S2、构建适用于研究流域径流预报的日尺度的水文模型；
S3、构建适用于研究流域场次洪水预报的次洪预报模型，并基于日尺度的水文模型为次洪预报模型提供初始状态变量；
S4、基于次洪预报模型构建组内各场次洪水的目标函数；
S5、以目标函数最小为目标，利用基于超多目标大规模优化的优化算法对组内多场次洪水的目标函数同时进行优化，确定组内综合场次洪水水文模型的最优参数。
优选的，步骤S1具体包括如下内容，
S11、收集研究流域水文站和雨量站的位置信息、流域出口断面的场次洪水数据以及日平均流量数据、各雨量站的降雨量摘录数据以及日降雨量数据、研究流域的数字高程数据；
S12、利用GIS工具提取研究流域水系，并根据需要采用自然流域划分方法或泰森多边形方法划分子流域；
S13、通过线性插值方法将场次洪水径流过程插值成时段长度为1小时的径流过程、将流域内各雨量站的降雨量摘录数据插值成时程长度为1小时的降雨过程。
优选的，步骤S2具体为，构建适用于研究流域径流预报的日尺度的水文模型，利用该水文模型计算研究流域各日的状态变量，以为研究流域的次洪预报模型提供初始状态变量；所述状态变量包括土壤含水量、产流面积比、自由水蓄水量。
优选的，步骤S3具体包括如下内容，
S31、构建适用于研究流域产汇流特性的次洪预报模型，并设置约束条件；
S32、以洪峰量级为分组条件对研究流域的场次洪水进行分组综合，选定具有代表性的各组场次洪水并确定各个场次洪水的起止时间；
S33、利用S2中构建的日尺度的水文模型计算各场次洪水的初始状态变量。
优选的，步骤S4具体为，根据对单场洪水的优化效果，为各场次洪水分别选择目标函数；所述目标函数为残差平方和函数或峰值加权均方根误差函数或洪量误差百分比函数或综合考虑洪峰洪量影响的综合函数。
优选的，步骤S5具体包括如下内容，
S51、选择基于超多目标大规模优化的优化算法，以各个目标函数最小为优化目标，同时对组内各场次洪水的目标函数进行优化，确定组内综合场次洪水水文模型最优参数的帕累托解；
S52、综合分析组内场次洪水水文模型最优参数的帕累托解，选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数。
优选的，基于各场次洪水的初始状态变量，次洪预报模型采用马斯京根法或滞时演算法进行河道洪水演算进而确定率定期预报合格率；其中马斯京根法的约束条件为，
Figure BDA0003543314890000031
其中，k为当河道为恒定流时，洪水传播时间；x为流量比重系数；Δt为时段长度。
本发明的有益效果是：1、在对场次洪水水文模型进行参数率定时，首先将场次洪水按照洪峰量级进行分组得到综合场次洪水，然后在组内采用基于超多目标大规模优化的优化算法同时对组内的所有场次洪水目标函数进行优化，率定水文模型参数。2、在流域全年场次洪水产汇流特性差异较大的情况下，在调参者不具备丰富的调参经验的情况下，通过简单的操作，仍旧可以得到精度较高的能够反映综合场次洪水产汇流特性的水文模型参数。
附图说明
图1是本发明实施例中参数率定方法的流程示意图；
图2是本发明实施例中研究流域的泰森多边形及个水文站位置示意图；
图3是本发明实施例中建立的日尺度水文模型流量预报结果示意图；
图4是本发明实施例中帕累托前沿示意图；
图5是本发明实施例中帕累托前沿所对应的水文模型参数值示意图；
图6是本发明实施例中各场次洪水同时优化的结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例一
如图1所示，本实施例中提供了一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，包括如下步骤，
S1、收集并整理研究流域的资料；
S2、构建适用于研究流域径流预报的日尺度的水文模型；
S3、构建适用于研究流域场次洪水预报的次洪预报模型，并基于日尺度的水文模型为次洪预报模型提供初始状态变量；
S4、基于次洪预报模型构建组内各场次洪水的目标函数；
S5、以目标函数最小为目标，利用基于超多目标大规模优化的优化算法对组内多场次洪水的目标函数同时进行优化，确定组内综合场次洪水水文模型的最优参数。
本实施例中，参数率定方法具体包括五个部分，分别是资料的收集与整理、构建日尺度的水文模型、构建次洪预报模型、设定目标函数、对组内多场次洪水的目标函数同时进行优化。下面分别针对这五部分内容进行详细的解释说明。
一、资料的收集与整理
该部分对应步骤S1，具体包括如下内容，
S11、收集研究流域水文站和雨量站的位置信息、流域出口断面的场次洪水数据以及日平均流量数据、各雨量站的降雨量摘录数据以及日降雨量数据、研究流域的数字高程数据；
S12、利用GIS工具提取研究流域水系，并根据需要采用自然流域划分方法或泰森多边形方法划分子流域；
S13、通过线性插值方法将场次洪水径流过程插值成时段长度为1小时的径流过程、将流域内各雨量站的降雨量摘录数据插值成时程长度为1小时的降雨过程。
二、构建日尺度的水文模型
该部分对应步骤S2，具体为，构建适用于研究流域径流预报的日尺度的水文模型，利用该水文模型计算研究流域各日的状态变量，包括土壤含水量、产流面积比、自由水蓄水量等。
构建的日尺度的水文模型能够为研究流域的次洪预报模型提供初始状态变量。
三、构建次洪预报模型
该部分对应步骤S3，具体包括如下内容，
S31、构建适用于研究流域产汇流特性的次洪预报模型，并设置约束条件；
S32、以洪峰量级为分组条件对研究流域的场次洪水进行分组综合，选定具有代表性的各组场次洪水并确定各个场次洪水的起止时间；
S33、利用S2中构建的日尺度的水文模型计算各场次洪水的初始状态变量。
四、设定目标函数
该部分对应步骤S4，具体为，根据对单场洪水的优化效果，为各场次洪水分别选择目标函数；所述目标函数为残差平方和函数或峰值加权均方根误差函数或洪量误差百分比函数或综合考虑洪峰洪量影响的综合函数或其他相关函数。
目标函数可以根据单场洪水的优化效果进行选择，组内有几场洪水就设计几个目标函数，各个场次洪水的目标函数根据实际需要可以不同或相同。
五、对组内多场次洪水的目标函数同时进行优化
该部分对应步骤S5，具体包括如下内容，
S51、选择基于超多目标大规模优化的优化算法，以各个目标函数最小为优化目标，同时对组内各场次洪水的目标函数进行优化，确定组内场次洪水水文模型最优参数的帕累托解；
S52、综合分析组内场次洪水水文模型最优参数的帕累托解，选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数。
每场洪水有一个目标函数，组内有n场洪水就有n个目标函数，选择基于超多目标大规模优化的优化算法，比如基于竞争群优化器的高效大规模多目标优化算法，以各个目标函数最小为优化目标，同时对组内各场次洪水的目标函数进行优化，确定组内场次洪水水文模型的最优参数的帕托累解，综合分析选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数。
基于超多目标大规模优化的优化算法能够同时优化3场以上的洪水的目标函数，同时，对于场次洪水水文模型的参数在100个以上的情况也能够优化。
本实施例中，基于各场次洪水的初始状态变量，次洪预报模型采用马斯京根法或滞时演算法进行河道洪水演算进而确定率定期预报合格率；其中马斯京根法的约束条件为，
Figure BDA0003543314890000051
其中，k为当河道为恒定流时，洪水传播时间；x为流量比重系数；Δt为时段长度。
实施例二
本实施例中，以淮河上游大坡岭流域的场次洪水水文模型参数率定为实例，以表现本发明达到的效果。
大坡岭站是淮河干流最上游的水文站，控制流域面积1640平方公里。大坡岭以上河流长73公里，流域内多为山区丘陵，植被良好。河流属山溪性河流，支流多，坡度大，汇流快，水流急，干旱时易断流。流域内水利工程不多，农作物以水稻为主。大坡岭以上流域有4个水文站。实施例以起止时间为1999年1月1日至2009年12月31日4个水文站的逐日降雨量资料，桐柏站的逐日蒸发量、大坡岭站的逐日流量资料、四场洪峰流量大于1500m3/s的场次洪水径流数据以及相对应的降雨摘录数据、蒸发量数据等为基础，对大坡岭以上流域的洪峰流量大于1500m3/s的综合场次洪水水文模型参数进行率定。本实施例基于超多目标大规模优化的综合场次洪水水文模型参数率定方法的步骤如下：
一、资料的收集与整理
收集1999年1月1日至2009年12月31日流域内4个水文站的逐日各雨量数据、桐柏站的逐日蒸发量数据、大坡岭站的逐日平均流量数据。选取洪峰流量大于1500m3/s的4场次洪水径流数据以及相对应的降雨摘录数据，通过线性插值方法将场次洪水径流过程插值成时段长度为1小时的径流过程、将流域内各雨量站的降雨量摘录数据插值成时程长度为1小时的降雨过程；收集大坡岭水文站以上流域的DEM数据，4个水文站的经纬度数据，利用GIS软件提取流域水系图，获取流域面积数据，划分泰森多边形确定各水文站的面积权重，计算流域的平均面雨量系列。大坡岭以上流域的泰森多边形图及个水文站位置见附图2。通过计算，四个雨量站的泰森多边形权重如下表所示：
表1各水文站泰森多边形权重
桐柏 吴城 黄冈 大坡岭
0.26 0.29 0.32 0.13
二、构建日尺度的水文模型
构建适用于大坡岭流域径流预报的日尺度的水文模型，产流模块采用蓄满产流模式、蒸发模块采用三层蒸发模式、坡地汇流、壤中流汇流、地下径流汇流计算均采用线性水库法，单元出流采用滞时演算法。构建的日尺度水文模型计算结果见附图2。利用该模型计算步骤一的4场洪水的初始状态变量，包括上下深层的土壤含水量、产流面积比、初始自由水蓄水量。比如20020623号洪水的初始状态变量分别为上层土壤含水量WU＝3.49mm；下层土壤蓄水量为WL＝5.54mm；深层土壤蓄水量为WD＝0mm；产流面积比FR＝0.17；初始自由水蓄水量S＝0.18mm。
三、构建次洪预报模型
构建适用于大坡岭流域的次洪预报模型，计算时段长度取1小时，产流模块采用蓄满产流模式、蒸发模块采用三层蒸发模式、坡地汇流采用单位线计算法，壤中流汇流、地下径流汇流计算采用线性水库法，单元出流采用滞时演算法。次洪初始状态变量采用步骤二中的计算结果。
四、设定目标函数
四场洪水均采用峰值加权均方根误差函数作为目标函数。峰值加权均方根误差函数为
Figure BDA0003543314890000071
其中，f为均值加权均方根误差函数；NQ为计算的过程线纵坐标数目；q0(i)为实测场次洪水在第i时刻的流量；qs(i)为用所选的模型参数计算的产出给i洪水在第i时刻的流量；q0(mean)为实测场次洪水流量的平均值。
五、对组内多场次洪水的目标函数同时进行优化
采用基于竞争群优化器的高效大规模多目标优化算法对四场洪水的目标函数同时进行优化，优化的帕累托前沿如图4所示。帕累托前沿对应的各组水文模型参数如图5所示。选择第4组参数作为最终的次洪水文模型参数，20020623号洪水的拟合效果如图6a所示，其确定性系数为0.96；20050626号洪水的拟合效果如图6b所示，其确定性系数为0.94；20050710号洪水的拟合效果如图6c所示，其确定性系数为0.94；20050829号洪水的拟合效果见图6d所示，其确定性系数为0.96。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，该方法在对场次洪水水文模型进行参数率定时，首先将场次洪水按照洪峰量级进行分组得到综合场次洪水，然后在组内采用基于超多目标大规模优化的优化算法同时对组内的所有场次洪水目标函数进行优化，率定水文模型参数。该方法在流域全年场次洪水产汇流特性差异较大的情况下，在调参者不具备丰富的调参经验的情况下，通过简单的操作，仍旧可以得到精度较高的能够反映综合场次洪水产汇流特性的水文模型参数。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (7)

1.一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，其特征在于：包括如下步骤，
S1、收集并整理研究流域的资料；
S2、构建适用于研究流域径流预报的日尺度的水文模型；
S3、构建适用于研究流域场次洪水预报的次洪预报模型，并基于日尺度的水文模型为次洪预报模型提供初始状态变量；
S4、基于次洪预报模型构建组内各场次洪水的目标函数；
S5、以目标函数最小为目标，利用基于超多目标大规模优化的优化算法对组内多场次洪水的目标函数同时进行优化，确定组内综合场次洪水水文模型的最优参数。
2.根据权利要求1所述的基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，其特征在于：步骤S1具体包括如下内容，
S11、收集研究流域水文站和雨量站的位置信息、流域出口断面的场次洪水数据以及日平均流量数据、各雨量站的降雨量摘录数据以及日降雨量数据、研究流域的数字高程数据；
S12、利用GIS工具提取研究流域水系，并根据需要采用自然流域划分方法或泰森多边形方法划分子流域；
S13、通过线性插值方法将场次洪水径流过程插值成时段长度为1小时的径流过程、将流域内各雨量站的降雨量摘录数据插值成时程长度为1小时的降雨过程。
3.根据权利要求1所述的基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，其特征在于：步骤S2具体为，构建适用于研究流域径流预报的日尺度的水文模型，利用该水文模型计算研究流域各日的状态变量，以为研究流域的次洪预报模型提供初始状态变量；所述状态变量包括土壤含水量、产流面积比、自由水蓄水量。
4.根据权利要求1所述的基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，其特征在于：步骤S3具体包括如下内容，
S31、构建适用于研究流域产汇流特性的次洪预报模型，并设置约束条件；
S32、以洪峰量级为分组条件对研究流域的场次洪水进行分组综合，选定具有代表性的各组场次洪水并确定各个场次洪水的起止时间；
S33、利用S2中构建的日尺度的水文模型计算各场次洪水的初始状态变量。
5.根据权利要求1所述的基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，其特征在于：步骤S4具体为，根据对单场洪水的优化效果，为各场次洪水分别选择目标函数；所述目标函数为残差平方和函数或峰值加权均方根误差函数或洪量误差百分比函数或综合考虑洪峰洪量影响的综合函数。
6.根据权利要求1所述的基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，其特征在于：步骤S5具体包括如下内容，
S51、选择基于超多目标大规模优化的优化算法，以各个目标函数最小为优化目标，同时对组内各场次洪水的目标函数进行优化，确定组内综合场次洪水水文模型最优参数的帕累托解；
S52、综合分析组内场次洪水水文模型最优参数的帕累托解，选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数。
7.根据权利要求6所述的基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，其特征在于：基于各场次洪水的初始状态变量，次洪预报模型采用马斯京根法或滞时演算法进行河道洪水演算进而确定率定期预报合格率；其中马斯京根法的约束条件为，
Figure FDA0003543314880000021
其中，k为当河道为恒定流时，洪水传播时间；x为流量比重系数；Δt为时段长度。
CN202210238538.0A 2022-03-11 2022-03-11 一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法 Pending CN114611291A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210238538.0A CN114611291A (zh) 2022-03-11 2022-03-11 一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210238538.0A CN114611291A (zh) 2022-03-11 2022-03-11 一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法

Publications (1)

Publication Number Publication Date
CN114611291A true CN114611291A (zh) 2022-06-10

Family

ID=81862184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210238538.0A Pending CN114611291A (zh) 2022-03-11 2022-03-11 一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法

Country Status (1)

Country Link
CN (1) CN114611291A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729695A (zh) * 2017-11-21 2018-02-23 中国水利水电科学研究院 一种用于小流域次洪模拟的水文模型率定方法
CN111339711A (zh) * 2020-02-24 2020-06-26 三峡大学 一种小流域设计洪水推求方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729695A (zh) * 2017-11-21 2018-02-23 中国水利水电科学研究院 一种用于小流域次洪模拟的水文模型率定方法
CN111339711A (zh) * 2020-02-24 2020-06-26 三峡大学 一种小流域设计洪水推求方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘冀: "径流分类组合预报方法及其应用研究", 《中国博士学位论文全文数据库电子期刊工程科技II辑》 *
邓霞等: "目标函数对HEC-HMS模型参数率定的影响研究", 水电能源科学 *
齐晶，杨邦，魏琳 *

Similar Documents

Publication Publication Date Title
Faramarzi et al. Modelling blue and green water resources availability in Iran
Huang et al. Simulation of spatiotemporal dynamics of water fluxes in Germany under climate change
Tatsumi et al. Effect of irrigation water withdrawals on water and energy balance in the Mekong River Basin using an improved VIC land surface model with fewer calibration parameters
CN110598290B (zh) 考虑气候变化的流域未来水电发电能力预测方法和系统
CN102034002A (zh) 一种高分辨率的全分布式水文模型topx的设计方法
CN106570627A (zh) 一种未来气候条件下作物灌溉需水量计算方法
Liu et al. Integrated modeling of conjunctive water use in a canal-well irrigation district in the lower Yellow River basin, China
CN112837169A (zh) 一种干旱过程网格化旱情综合监测、预警与评估方法
CN109800921A (zh) 一种基于遥感物候同化和粒子群优化算法的区域冬小麦估产方法
Chea et al. Flow simulation in an ungauged catchment of Tonle Sap Lake Basin in Cambodia: Application of the HEC-HMS model
CN111898922A (zh) 一种多尺度农作物产量评估方法及系统
CN102722766A (zh) 基于修订的区域气候模式数据的小麦产量预测方法
CN106709181A (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
Serede et al. Calibration of channel roughness coefficient for Thiba Main Canal Reach in Mwea irrigation scheme, Kenya
CN114091277B (zh) 一种考虑初始状态变量影响的新安江模型参数率定方法
CN110599360A (zh) 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法
CN112558188A (zh) 一种通过同化闪电资料改进强对流预报的方法
Nasonova et al. Projecting changes in Russian northern river runoff due to possible climate change during the 21st century: a case study of the Northern Dvina, Taz and Indigirka rivers
Romero et al. Comparing theoretical irrigation requirement and actual irrigation for citrus in Florida
CN114611291A (zh) 一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法
CN110109194A (zh) 基于栅格陆面模型与向量化流径的河道栅格入流计算方法
CN114611290B (zh) 一种基于量变参数水文不确定性处理器的场次洪水水文模型实时预报方法
CN104102806A (zh) 多品种农作物的农业气候区划方法
Otto The impact of climate change on stream flow and watershed hydrology determined using the SWAT model in the Eastern Sierra Nevada Watershed
Tuo et al. Establishment of a crop evapotranspiration calculation model and its validation

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