CN115358086B - 考虑过程间作用的流域水循环多过程模拟误差量化方法 - Google Patents
考虑过程间作用的流域水循环多过程模拟误差量化方法 Download PDFInfo
- Publication number
- CN115358086B CN115358086B CN202211077047.9A CN202211077047A CN115358086B CN 115358086 B CN115358086 B CN 115358086B CN 202211077047 A CN202211077047 A CN 202211077047A CN 115358086 B CN115358086 B CN 115358086B
- Authority
- CN
- China
- Prior art keywords
- simulation
- water quantity
- parameter
- determining
- water
- 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.)
- Active
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
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
本发明涉及一种考虑过程间作用的流域水循环多过程模拟误差量化方法,包括以下步骤:步骤1、构建流域水循环多过程耦合模型;步骤2、面向不同过程的参数敏感性分析;步骤3、面向不同过程的参数全局自动优选;步骤4、基于重构实测数据集确定单一过程模拟集;步骤5、基于重构实测数据集确定多过程模拟集;步骤6、优化确定面向不同过程的参数后验分布;步骤7、确定不同过程模拟误差区间。本发明全面考虑了流域水循环系统多过程模拟的综合误差,提供了单一过程、多过程以及过程交互作用下的模拟误差区间,可根据流域管理需求选择任一种误差区间。本发明独立于流域水循环多过程耦合模型,为流域水循环多过程模拟误差评估提供了通用方法。
Description
技术领域
本发明涉及流域水循环多过程模拟技术领域,具体为一种考虑过程间作用的流域水循环多过程模拟误差量化方法。
背景技术
流域水循环系统包括水量过程、水质过程、水生态过程、社会经济用水等多个过程,各过程之间是伴生的、相互联系的,其中流域水量过程是联系各过程的关键纽带。随着观测手段多源化、水循环系统物理过程探索深入、计算能力提升等,构建流域水循环多过程耦合模型综合模拟流域尺度水循环系统多个物理过程,已经成为解决当前流域水多、水少、水浑、水脏和水生态退化等复杂水问题的重要途径。目前,已涌现了大量综合考虑水量、水质、水生态等多过程的流域水循环多过程耦合模型,如SWAT(Soil and Water Assessmentmodel)、CLM(Community Land Model)模型等。
然而,由于现阶段对水循环系统物理过程的认知仍有限,难免会通过理论简化或物理概化采用经验公式描述部分物理过程,流域水循环多过程耦合模型各模块的参数和模型结构会导致模型不同过程模拟存在误差。特别地,面向水量管理、水质管理、水生态管理等不同流域管理需求,流域水循环不同过程模拟的误差也不一致。尤其是水量过程模拟为水质、水生态等过程模拟提供了基础输入条件,因此,水量过程模拟误差会进一步累积并影响水量相关过程模拟精度,进而制约水质、水生态等过程模拟精度的提升和流域综合管理决策。
目前,已有大量模型误差评估方法,一类为频率分析和模型率定相结合的误差评估方法,如GLUE方法(Generalized Likelihood Uncertainty Estimation),该方法虽计算简便,但需要主观确定似然函数及其可行阈;另一类为Markov Chain Monte Carlo等采样方法和经典贝叶斯理论相结合的误差评估方法,该方法理论基础可靠,但计算繁琐、需要确定合适的似然函数和参数先验分布。已有方法大多用于评估单一模型单一过程模拟本身存在的误差,例如流域水文模型对于水量过程模拟的误差、流域水质模型对于水质过程模拟的误差等,目前尚未有方法可综合考虑流域水循环多过程耦合模型多过程模拟综合误差,例如水量、水质、水生态等单一过程的模拟误差,水量与其他过程交互作用下的模拟误差,以及水循环多过程模拟综合误差。为此亟需一种考虑过程间作用的流域水循环多过程模拟误差量化的通用方法,以便为复杂流域综合管理和决策提供可靠的信息支持。
发明内容
本发明的目的在于解决上述现有技术中存在的难题,提供一种考虑过程间作用的流域水循环多过程模拟误差量化方法。本发明的目的是通过以下技术方案实现的。
一种考虑过程间作用的流域水循环多过程模拟误差量化方法,所述水循环多过程包括水量过程及水量相关过程,所述水量相关过程包括水质过程、水生态过程中至少一个过程,过程间作用为水量过程与水量相关过程之间的交互作用,
包括以下步骤:
步骤1)构建流域水循环多过程耦合模型:收集研究区实测降雨、实测蒸发和实测水循环多过程的数据资料,为不同过程选择模拟算法构建流域水循环多过程耦合模型,确定各水循环过程相关的模型参数及其取值范围;所述不同过程包括水循环多过程和单一过程,所述单一过程为水量过程或者任意一个水量相关过程;
步骤2)面向不同过程的参数敏感性分析:构建流域水循环多过程耦合模型面向不同过程的目标函数,采用参数敏感性分析方法确定不同过程目标函数下的敏感性参数及其取值范围;
步骤3)面向不同过程的参数全局自动优选:针对不同过程目标函数,采用参数全局自动优选方法对步骤2)确定的敏感性参数进行全局参数自动优选,分别确定各单一过程和多过程模拟的最优参数和相应的最优模拟过程、模拟误差;
步骤4)基于重构实测数据集确定单一过程模拟集:通过步骤3)中各单一过程模拟误差的频率分布和最优模拟过程重构包含随机误差的实测数据集,通过参数全局自动优选得到相应的单一过程参数集和模拟过程集,结合随机误差确定各单一过程目标函数下的模拟过程集;单一过程参数集为水量参数集或者任意一个水量相关过程参数集,单一模拟过程集为水量模拟过程集或者任意一个水量相关过程模拟过程集;
步骤5)基于重构实测数据集确定多过程模拟集:通过步骤3)中水量相关过程模拟误差的频率分布重构包含随机误差的实测数据集,结合步骤4)中水量参数集,通过参数全局自动优选得到相应的参数集和模拟过程集,结合随机误差确定多过程目标函数下的模拟过程集;
步骤6)优化确定面向不同过程的参数后验分布:根据步骤4)和步骤5)中优化确定的不同过程目标函数下的参数集,分别确定不同过程目标函数下的参数后验分布;
步骤7)确定不同过程模拟误差区间:根据步骤4)和步骤5)中不同过程目标函数下的模拟过程集,分别确定指定显著性水平下各单一过程、多过程和过程交互作用下的模拟误差区间。
进一步的优化方案,步骤1)中构建流域水循环多过程耦合模型的具体过程为:
1-1、收集研究区实测降雨、实测蒸发和实测水循环多过程数据资料,其中实测水循环多过程数据资料包括流量、水位、溶解氧浓度、高锰酸盐浓度、氨氮浓度、总氮浓度、总磷浓度、泥沙负荷、生物多样性香农指数、物种丰度指数中的一种或多种;
1-2、进行子流域划分和流域属性特征提取;
1-3、针对不同过程,选择不同过程模拟算法构建流域水循环多过程耦合模型,确定各水循环过程相关的模型参数及其取值范围。
进一步的,步骤2)中面向不同过程的参数敏感性分析的具体过程为:
2-1、采用均方根误差构建流域水循环多过程耦合模型面向单一过程和多过程的目标函数,单一过程目标函数包括单一过程模拟误差最小,以及水量模拟最优后水量相关过程模拟误差最小,分别如式(1)和式(2)所示;多过程目标函数为多个水循环过程模拟误差最小,如式(3)所示;
式中:RMSE1为单一过程模拟误差;Si(para)为第i时刻单一过程模拟值;O1i为第i时刻单一过程实测值;para为单一过程相关的参数组合;P为参数空间;t为实测序列长度;
式中:RMSE2为水量模拟最优后水量相关过程模拟误差;Si(c)为第i时刻水量相关过程模拟值;O2i为第i时刻水量相关过程实测值;p为水量参数组合,p∈H;为水量过程模拟误差最小时的水量参数取值;c为水量相关过程参数组合;H为水量参数空间;D为水量相关过程参数空间;
式中:RMSE3为水量过程模拟误差;RMSE4为水量相关过程模拟误差;Si(p)为第i时刻水量过程模拟值;O3i为第i时刻水量过程实测值;
2-2、针对各单一过程目标函数,采用参数敏感性分析方法确定流域水循环单一过程模拟的敏感性参数及其取值范围;
2-3、针对多过程目标函数,采用参数敏感性分析方法确定流域水循环多过程模拟的敏感性参数及其取值范围。
进一步的,步骤3)中面向不同过程的参数全局自动优选的具体过程为:
3-1、针对单一过程目标函数OBJ1,采用参数全局自动优选方法对步骤2-2确定的单一过程模拟敏感性参数进行自动优选,确定流域水循环各单一过程模拟的最优参数和相应的最优模拟过程、模拟误差;单一过程模拟的最优参数包括水量最优参数和水量相关过程最优参数;
3-2、针对单一过程目标函数OBJ2,水量参数取值为步骤3-1确定的水量最优参数,采用参数全局自动优选方法对步骤2-2确定的水量相关过程模拟敏感性参数进行自动优选,确定流域水量相关过程模拟的最优参数和相应的最优模拟过程、模拟误差;
3-3、针对多过程目标函数OBJ3,采用参数全局自动优选方法对步骤2-3确定的多过程模拟敏感性参数进行自动优选,确定流域水循环多过程模拟的最优参数和相应的最优模拟过程、模拟误差。
进一步的,步骤4)中基于重构实测数据集确定单一过程模拟集的具体过程为:
4-1、确定步骤3-1中各单一过程模拟误差的频率分布,将其与相应的最优模拟过程随机组合N次,N>2,重构单一过程目标函数下的实测数据集,通过参数全局自动优选得到重构实测数据集相应的参数集和一次模拟过程集、模拟误差集,模拟误差集计算如式(4)所示,再次将各单一过程模拟误差的频率分布与最优模拟过程随机组合N次,确定各单一过程二次模拟过程集;本步骤中的参数集为水量参数集或者任意一个水量相关过程参数集;
4-2、结合步骤4-1中水量参数集,采用参数全局自动优选方法对步骤2-2确定的水量相关过程敏感性参数进行自动优选,确定水量过程模拟最优后水量相关过程的最优参数集和相应的最优模拟过程集;
4-3、确定步骤3-2中水量相关过程的模拟误差的频率分布,将其与步骤4-2中最优模拟过程集随机组合N次,确定单一过程目标函数下水量相关过程的模拟过程集。
进一步的,步骤5)中基于重构实测数据集确定多过程模拟集的具体过程为:
5-1、确定步骤3-1中水量相关过程的模拟误差的频率分布,将其与相应的水量相关过程最优模拟过程随机组合N次,重构多过程目标函数下水量相关过程实测数据集,结合步骤4-1中水量参数集,通过参数全局自动优选得到重构实测数据集相应的水量相关过程参数集和第一模拟过程集;
5-2、结合步骤3-1中水量相关过程模拟误差的频率分布,将其与步骤5-1中第一模拟过程集随机组合N次,确定多过程目标函数下水量相关过程的第二模拟过程集。
进一步的,步骤6)中优化确定面向不同过程的参数后验分布的具体过程为:
6-1、根据步骤4-1中各单一过程的参数集,确定单一过程目标函数OBJ1相应的各单一过程参数后验分布;
6-2、根据步骤4-2中水量相关过程的最优参数集,确定单一过程目标函数OBJ2相应的过程交互作用下参数后验分布;
6-3、根据步骤4-1中水量参数集、步骤5-1中水量相关过程参数集,确定多过程目标函数OBJ3相应的多过程参数后验分布。
进一步的,步骤7)中确定不同过程模拟误差区间的具体过程为:
7-1、针对单一过程目标函数OBJ1,结合指定的显著性水平,根据步骤4-1中重构实测数据集相应的单一过程一次模拟过程集确定单一过程参数导致的误差区间,根据步骤4-1中单一过程二次模拟过程集确定单一过程模拟误差区间;
7-2、针对单一过程目标函数OBJ2,结合指定的显著性水平,根据步骤4-3中水量相关过程模拟过程集确定过程相互作用下水量相关过程模拟误差区间;
7-3、针对多过程目标函数OBJ3,结合指定的显著性水平,根据步骤5-2中水量相关过程第二模拟过程集确定多过程模拟误差区间。
本发明的有益效果:
(1)本发明面向流域综合管理需求构建流域水循环不同过程的目标函数,通过重构包含随机误差的实测数据集和参数全局自动优选方法相结合,提出了一种考虑过程间作用的流域水循环多过程模拟误差量化方法,该方法计算简便、客观合理,能全面考虑流域水循环系统多过程模拟的综合误差。
(2)本发明独立于流域水循环多过程耦合模型,对耦合模型结构和误差量化方法无假定和主观判断,为流域水循环多过程模拟误差评估提供了通用方法。
(3)本发明提供了单一过程、多过程以及过程间作用的模拟误差区间,可供管理决策者根据流域综合管理需求选择任一种误差区间,以支撑不同流域管理需求的风险决策,使用方便、实用性强、易于推广。
下面结合附图及具体实施方式对本发明作进一步详细说明。
附图说明
图1:本发明方法的步骤框图;其中S1~S7分别表示步骤1)~步骤7);
图2:多过程目标函数下流量(左图)和高锰酸盐浓度(右图)的实测和最优模拟过程对比图;
图3:任意2组重构实测数据集与相应的高锰酸盐浓度模拟过程对比图;
图4:多过程目标函数下各参数后验分布;
图5:不同过程目标函数下的模拟误差区间。
具体实施方式
下面将结合本发明实施例图1、图2、图3、图4、图5,对本发明实施例中的技术方案进行完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
实施例1
一种考虑过程间作用的流域水循环多过程模拟误差量化方法,所述水循环多过程包括水量过程及水量相关过程,水量相关过程包括水质过程、水生态过程中至少一个过程,本实施例中水量相关过程选取为水质过程;过程间作用为水量过程与水量相关过程之间的交互作用,
步骤1)构建流域水循环多过程耦合模型。具体实现如下:
1-1、收集研究区实测降雨、蒸发和多过程数据资料,其中多过程实测数据资料包括但不限于流量、水位、溶解氧浓度、高锰酸盐浓度、氨氮浓度、总氮浓度、总磷浓度、泥沙负荷、生物多样性香农指数、物种丰度指数等水量、水质和水生态数据资料;
本实施例收集了4~7月实测降雨、蒸发、流量和高锰酸盐浓度资料,时间步长为日。
1-2、基于流域DEM、水系、土地利用、土壤类型分布进行子流域划分和流域属性特征提取;
1-3、针对水量和水质过程,选择适宜的不同过程模拟算法构建流域水循环多过程耦合模型,确定各水循环过程相关的模型参数及其取值范围。
本实施例中流域水循环多过程耦合模型选用时变增益产流法和马斯京根法进行水量过程计算,选用QUAL-2E法进行水质过程计算。
步骤2)面向不同过程的参数敏感性分析。具体实现如下:
2-1、采用均方根误差构建流域水循环多过程耦合模型面向单一过程和多过程的目标函数,单一过程目标函数包括流量模拟误差最小(目标函数1)、高锰酸盐浓度模拟误差最小(目标函数2)、流量模拟最优后高锰酸盐浓度模拟误差最小(目标函数3),分别如式(1)和式(2)所示;多过程目标函数为流量和高锰酸盐浓度模拟误差最小(目标函数4),如式(3)所示;
式中:RMSE1为单一过程模拟误差,即流量模拟误差或高锰酸盐浓度模拟误差;Si(para)为第i时刻单一过程模拟值;O1i为第i时刻单一过程实测值;para为单一过程相关的参数组合;P为参数空间;t为实测序列长度。
式中:RMSE2为流量模拟最优后高锰酸盐浓度模拟误差;Si(c)为第i时刻高锰酸盐浓度模拟值;O2i为第i时刻高锰酸盐浓度实测值;p为水量参数组合,p∈H;为流量模拟误差最小时的水量参数取值;c为水质过程参数组合;H为水量参数空间;D为水质过程参数空间。
式中:RMSE3为流量模拟误差;RMSE4为高锰酸盐浓度模拟误差;Si(p)为第i时刻流量模拟值;O3i为第i时刻流量实测值。
2-2、针对各单一过程目标函数,采用参数敏感性分析方法确定流域水循环单一过程模拟的敏感性参数及其取值范围;
2-3、针对多过程目标函数,采用参数敏感性分析方法确定流域水循环多过程模拟的敏感性参数及其取值范围。
本实施例参数敏感性分析方法采用LH-OAT法,目标函数1的敏感性参数为5个水量参数,目标函数2的敏感性参数为1个水质参数,目标函数3和4的敏感性参数均为5个水量参数和1个水质参数,如表1所示:
表1主要的敏感性水量水质参数及其取值范围
步骤3)面向不同过程的参数全局自动优选。具体实现如下:
3-1、针对单一过程目标函数OBJ1,采用参数全局自动优选方法对步骤2-2确定的流量或高锰酸盐浓度模拟敏感性参数进行自动优选,确定流域水循环单一过程模拟的最优参数和相应的最优模拟过程、模拟误差;
3-2、针对单一过程目标函数OBJ2,水量参数取值为步骤3-1确定的水量最优参数,采用参数全局自动优选方法对步骤2-2确定的高锰酸盐浓度模拟敏感性参数进行自动优选,确定流域高锰酸盐浓度模拟的最优参数和相应的最优模拟过程、模拟误差;
3-3、针对多过程目标函数OBJ3,采用参数全局自动优选方法对步骤2-3确定的多过程模拟敏感性参数进行自动优选,确定流域水循环多过程模拟的最优参数和相应的最优模拟过程、模拟误差。
本实施例采用NSGA-II方法进行参数全局自动优选。图2给出了多过程目标函数下流量和高锰酸盐浓度的实测和最优模拟过程对比图。
步骤4)基于重构实测数据集确定单一过程模拟集。具体实现如下:
4-1、确定步骤3-1中各单一过程模拟误差的频率分布,将其与相应的最优模拟过程随机组合N次,重构单一过程目标函数下的实测数据集,通过参数全局自动优选得到重构实测数据集相应的参数集和一次模拟过程集、模拟误差集,模拟误差集计算如式(4)所示,再次将各单一过程模拟误差的频率分布与最优模拟过程随机组合N次,确定各单一过程二次模拟过程集;
本实施例中随机组合次数N=1000。
4-2、结合步骤4-1中水量参数集,采用参数全局自动优选方法对步骤2-2确定的高锰酸盐浓度敏感性参数进行自动优选,确定流量模拟最优后高锰酸盐浓度模拟的最优参数集和相应的最优模拟过程集;
4-3、确定步骤3-2中高锰酸盐浓度模拟误差的频率分布,将其与步骤4-2中最优模拟过程集随机组合N次,确定单一过程目标函数下高锰酸盐浓度的模拟过程集。
步骤5)基于重构实测数据集确定多过程模拟集。具体实现如下:
5-1、确定步骤3-1中高锰酸盐浓度模拟误差的频率分布,将其与相应的高锰酸盐浓度最优模拟过程随机组合N次,重构多过程目标函数下高锰酸盐浓度实测数据集,结合步骤4-1中水量参数集,通过参数全局自动优选得到重构实测数据集相应的高锰酸盐浓度参数集和第一模拟过程集;
如图3所示,本实施例给出了任意2组重构实测数据集与相应的高锰酸盐浓度模拟过程对比图。
5-2、结合步骤3-1中高锰酸盐浓度模拟误差的频率分布,将其与步骤5-1中第一模拟过程集随机组合N次,确定多过程目标函数下高锰酸盐浓度的第二模拟过程集。
步骤6)优化确定面向不同过程的参数后验分布。具体实现如下:
6-1、根据步骤4-1中各单一过程参数集,确定单一过程目标函数OBJ1相应的各单一过程参数后验分布;
6-2、根据步骤4-2中流量模拟最优后高锰酸盐浓度模拟的最优参数集,确定单一过程目标函数OBJ2相应的过程交互作用下参数后验分布;
6-3、根据步骤4-1中水量参数集、步骤5-1中高锰酸盐浓度参数集,确定多过程目标函数OBJ3相应的多过程参数后验分布。
如图4所示,本实施例给出了多过程目标函数下各参数后验分布。
步骤7)确定不同过程模拟误差区间。具体实现如下:
7-1、针对单一过程目标函数OBJ1,结合指定的显著性水平,根据步骤4-1中重构实测数据集相应的单一过程一次模拟过程集确定单一过程参数导致的误差区间,根据步骤4-1)中单一过程二次模拟过程集确定单一过程模拟误差区间;
7-2、针对单一过程目标函数OBJ2,结合指定的显著性水平,根据步骤4-3中高锰酸盐浓度模拟过程集确定过程相互作用下高锰酸盐浓度模拟误差区间;
7-3、针对多过程目标函数OBJ3,结合指定的显著性水平,根据步骤5-2中高锰酸盐浓度第二模拟过程集确定多过程模拟误差区间。
本实施例中显著性水平确定为5%,即α=5%,进一步地图5给出了不同过程目标函数下的模拟误差区间。
Claims (8)
1.一种考虑过程间作用的流域水循环多过程模拟误差量化方法,所述水循环多过程包括水量过程及水量相关过程,所述水量相关过程包括水质过程、水生态过程中至少一个过程,过程间作用为水量过程与水量相关过程之间的交互作用,其特征在于:包括以下步骤:
步骤1)构建流域水循环多过程耦合模型:收集研究区实测降雨、实测蒸发和实测水循环多过程的数据资料,为不同过程选择模拟算法构建流域水循环多过程耦合模型,确定各水循环过程相关的模型参数及其取值范围;所述不同过程包括水循环多过程和单一过程,所述单一过程为水量过程或者任意一个水量相关过程;
步骤2)面向不同过程的参数敏感性分析:构建流域水循环多过程耦合模型面向不同过程的目标函数,采用参数敏感性分析方法确定不同过程目标函数下的敏感性参数及其取值范围;
步骤3)面向不同过程的参数全局自动优选:针对不同过程目标函数,采用参数全局自动优选方法对步骤2)确定的敏感性参数进行全局参数自动优选,分别确定各单一过程和多过程模拟的最优参数和相应的最优模拟过程、模拟误差;
步骤4)基于重构实测数据集确定单一过程模拟集:通过步骤3)中各单一过程模拟误差的频率分布和最优模拟过程重构包含随机误差的实测数据集,通过参数全局自动优选得到相应的单一过程参数集和模拟过程集,结合随机误差确定各单一过程目标函数下的模拟过程集;单一过程参数集为水量参数集或者任意一个水量相关过程参数集,单一模拟过程集为水量模拟过程集或者任意一个水量相关过程模拟过程集;
步骤5)基于重构实测数据集确定多过程模拟集:通过步骤3)中水量相关过程模拟误差的频率分布重构包含随机误差的实测数据集,结合步骤4)中水量参数集,通过参数全局自动优选得到相应的参数集和模拟过程集,结合随机误差确定多过程目标函数下的模拟过程集;
步骤6)优化确定面向不同过程的参数后验分布:根据步骤4)和步骤5)中优化确定的不同过程目标函数下的参数集,分别确定不同过程目标函数下的参数后验分布;
步骤7)确定不同过程模拟误差区间:根据步骤4)和步骤5)中不同过程目标函数下的模拟过程集,分别确定指定显著性水平下各单一过程、多过程和过程交互作用下的模拟误差区间。
2.根据权利要求1所述一种考虑过程间作用的流域水循环多过程模拟误差量化方法,其特征在于:步骤1)中构建流域水循环多过程耦合模型的具体过程为:
1-1、收集研究区实测降雨、实测蒸发和实测水循环多过程数据资料,其中实测水循环多过程数据资料包括流量、水位、溶解氧浓度、高锰酸盐浓度、氨氮浓度、总氮浓度、总磷浓度、泥沙负荷、生物多样性香农指数、物种丰度指数中的一种或多种;
1-2、进行子流域划分和流域属性特征提取;
1-3、针对不同过程,选择不同过程模拟算法构建流域水循环多过程耦合模型,确定各水循环过程相关的模型参数及其取值范围。
3.根据权利要求1所述一种考虑过程间作用的流域水循环多过程模拟误差量化方法,其特征在于:步骤2)中面向不同过程的参数敏感性分析的具体过程为:
2-1、采用均方根误差构建流域水循环多过程耦合模型面向单一过程和多过程的目标函数,单一过程目标函数包括单一过程模拟误差最小,以及水量模拟最优后水量相关过程模拟误差最小,分别如式(1)和式(2)所示;多过程目标函数为多个水循环过程模拟误差最小,如式(3)所示;
式中:RMSE1为单一过程模拟误差;Si(para)为第i时刻单一过程模拟值;O1i为第i时刻单一过程实测值;para为单一过程相关的参数组合;P为参数空间;t为实测序列长度;
式中:RMSE2为水量模拟最优后水量相关过程模拟误差;Si(c)为第i时刻水量相关过程模拟值;O2i为第i时刻水量相关过程实测值;p为水量参数组合,p∈H;为水量过程模拟误差最小时的水量参数取值;c为水量相关过程参数组合;H为水量参数空间;D为水量相关过程参数空间;
式中:RMSE3为水量过程模拟误差;RMSE4为水量相关过程模拟误差;Si(p)为第i时刻水量过程模拟值;O3i为第i时刻水量过程实测值;
2-2、针对各单一过程目标函数,采用参数敏感性分析方法确定流域水循环单一过程模拟的敏感性参数及其取值范围;
2-3、针对多过程目标函数,采用参数敏感性分析方法确定流域水循环多过程模拟的敏感性参数及其取值范围。
4.根据权利要求3所述一种考虑过程间作用的流域水循环多过程模拟误差量化方法,其特征在于:步骤3)中面向不同过程的参数全局自动优选的具体过程为:
3-1、针对单一过程目标函数OBJ1,采用参数全局自动优选方法对步骤2-2确定的单一过程模拟敏感性参数进行自动优选,确定流域水循环各单一过程模拟的最优参数和相应的最优模拟过程、模拟误差;单一过程模拟的最优参数包括水量最优参数和水量相关过程最优参数;
3-2、针对单一过程目标函数OBJ2,水量参数取值为步骤3-1确定的水量最优参数,采用参数全局自动优选方法对步骤2-2确定的水量相关过程模拟敏感性参数进行自动优选,确定流域水量相关过程模拟的最优参数和相应的最优模拟过程、模拟误差;
3-3、针对多过程目标函数OBJ3,采用参数全局自动优选方法对步骤2-3确定的多过程模拟敏感性参数进行自动优选,确定流域水循环多过程模拟的最优参数和相应的最优模拟过程、模拟误差。
5.根据权利要求4所述一种考虑过程间作用的流域水循环多过程模拟误差量化方法,其特征在于:步骤4)中基于重构实测数据集确定单一过程模拟集的具体过程为:
4-1、确定步骤3-1中各单一过程模拟误差的频率分布,将其与相应的最优模拟过程随机组合N次,N>2,重构单一过程目标函数下的实测数据集,通过参数全局自动优选得到重构实测数据集相应的参数集和一次模拟过程集、模拟误差集,模拟误差集计算如式(4)所示,再次将各单一过程模拟误差的频率分布与最优模拟过程随机组合N次,确定各单一过程二次模拟过程集;本步骤中的参数集为水量参数集或者任意一个水量相关过程参数集;
4-2、结合步骤4-1中水量参数集,采用参数全局自动优选方法对步骤2-2确定的水量相关过程敏感性参数进行自动优选,确定水量过程模拟最优后水量相关过程的最优参数集和相应的最优模拟过程集;
4-3、确定步骤3-2中水量相关过程的模拟误差的频率分布,将其与步骤4-2中最优模拟过程集随机组合N次,确定单一过程目标函数下水量相关过程的模拟过程集。
6.根据权利要求5所述一种考虑过程间作用的流域水循环多过程模拟误差量化方法,其特征在于:步骤5)中基于重构实测数据集确定多过程模拟集的具体过程为:
5-1、确定步骤3-1中水量相关过程的模拟误差的频率分布,将其与相应的水量相关过程最优模拟过程随机组合N次,重构多过程目标函数下水量相关过程实测数据集,结合步骤4-1中水量参数集,通过参数全局自动优选得到重构实测数据集相应的水量相关过程参数集和第一模拟过程集;
5-2、结合步骤3-1中水量相关过程模拟误差的频率分布,将其与步骤5-1中第一模拟过程集随机组合N次,确定多过程目标函数下水量相关过程的第二模拟过程集。
7.根据权利要求6所述一种考虑过程间作用的流域水循环多过程模拟误差量化方法,其特征在于:步骤6)中优化确定面向不同过程的参数后验分布的具体过程为:
6-1、根据步骤4-1中各单一过程的参数集,确定单一过程目标函数OBJ1相应的各单一过程参数后验分布;
6-2、根据步骤4-2中水量相关过程的最优参数集,确定单一过程目标函数OBJ2相应的过程交互作用下参数后验分布;
6-3、根据步骤4-1中水量参数集、步骤5-1中水量相关过程参数集,确定多过程目标函数OBJ3相应的多过程参数后验分布。
8.根据权利要求7所述一种考虑过程间作用的流域水循环多过程模拟误差量化方法,其特征在于:步骤7)中确定不同过程模拟误差区间的具体过程为:
7-1、针对单一过程目标函数OBJ1,结合指定的显著性水平,根据步骤4-1中重构实测数据集相应的单一过程一次模拟过程集确定单一过程参数导致的误差区间,根据步骤4-1中单一过程二次模拟过程集确定单一过程模拟误差区间;
7-2、针对单一过程目标函数OBJ2,结合指定的显著性水平,根据步骤4-3中水量相关过程模拟过程集确定过程相互作用下水量相关过程模拟误差区间;
7-3、针对多过程目标函数OBJ3,结合指定的显著性水平,根据步骤5-2中水量相关过程第二模拟过程集确定多过程模拟误差区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211077047.9A CN115358086B (zh) | 2022-09-05 | 2022-09-05 | 考虑过程间作用的流域水循环多过程模拟误差量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211077047.9A CN115358086B (zh) | 2022-09-05 | 2022-09-05 | 考虑过程间作用的流域水循环多过程模拟误差量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115358086A CN115358086A (zh) | 2022-11-18 |
CN115358086B true CN115358086B (zh) | 2023-03-28 |
Family
ID=84007092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211077047.9A Active CN115358086B (zh) | 2022-09-05 | 2022-09-05 | 考虑过程间作用的流域水循环多过程模拟误差量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358086B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912836A (zh) * | 2016-03-25 | 2016-08-31 | 环境保护部卫星环境应用中心 | 一种纯遥感数据驱动的流域水循环模拟方法 |
CN110334876A (zh) * | 2019-07-10 | 2019-10-15 | 中国科学院地理科学与资源研究所 | 一种基于径流情势、水质及生物多要素的环境流量过程调控方法 |
AU2020102748A4 (en) * | 2020-10-16 | 2020-12-10 | Tianjin University | Intelligent feedback real-time control system and method for hydrodynamic circulation under external interference |
WO2022016931A1 (zh) * | 2020-08-20 | 2022-01-27 | 中国长江三峡集团有限公司 | 一种基于多点并行校正的分布式水文模型参数率定方法 |
CN114741987A (zh) * | 2022-04-18 | 2022-07-12 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220107433A1 (en) * | 2020-10-05 | 2022-04-07 | Saudi Arabian Oil Company | System and method to identify high-impact discrete fracture model realizations for accelerated calibration of reservoir simulation models |
-
2022
- 2022-09-05 CN CN202211077047.9A patent/CN115358086B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912836A (zh) * | 2016-03-25 | 2016-08-31 | 环境保护部卫星环境应用中心 | 一种纯遥感数据驱动的流域水循环模拟方法 |
CN110334876A (zh) * | 2019-07-10 | 2019-10-15 | 中国科学院地理科学与资源研究所 | 一种基于径流情势、水质及生物多要素的环境流量过程调控方法 |
WO2022016931A1 (zh) * | 2020-08-20 | 2022-01-27 | 中国长江三峡集团有限公司 | 一种基于多点并行校正的分布式水文模型参数率定方法 |
AU2020102748A4 (en) * | 2020-10-16 | 2020-12-10 | Tianjin University | Intelligent feedback real-time control system and method for hydrodynamic circulation under external interference |
CN114741987A (zh) * | 2022-04-18 | 2022-07-12 | 浙江省水利河口研究院(浙江省海洋规划设计研究院) | 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型 |
Non-Patent Citations (14)
Title |
---|
Bastian van den Bout等.Catchment-scale multi-process modeling with local time stepping.《Environmental Earth Sciences volume》.2020,全文. * |
Xiaoyan Zhai等.Non-point source pollution modelling using Soil and Water Assessment Tool and its parameter sensitivity analysis in Xin'anjiang catchment, China.《Hydrological Process》.2012,全文. * |
Yongyong Zhang等.Impact of Water Projects on River Flow Regimes and Water Quality in Huai River Basin.《Water Resources Management》.2009,全文. * |
党素珍 ; 楚楚 ; 蒋晓辉 ; 李艳霞 ; 董国涛 ; .基于RSMSobol方法的HIMS模型参数敏感性分析.人民黄河.2016,(07),11-13. * |
周铮 ; 吴剑锋 ; 杨蕴 ; 陈干 ; 宋健 ; 孙晓敏 ; 林锦 ; .基于SWAT模型的北山水库流域地表径流模拟.南水北调与水利科技.2019,(01),80-87. * |
夏正兵 ; 邱鹏 ; .目标函数不确定性对汉江安康以上流域水文模拟的影响.水电能源科学.2020,(10),14-18. * |
夏积德 ; 吴发启 ; 姚志宏 ; .分布式水文模型的误差分析.水土保持通报.2008,(04),105-110. * |
夏积德 ; 吴发启 ; 郭江涛 ; 孙茂存 ; .分布式水文模型建模过程研究.西安文理学院学报(自然科学版).2008,(04),1-7. * |
姜倩妮 ; 李占玲 ; 张永勇 ; .GLUE框架下似然函数对水文模型不确定性的影响.水资源与水工程学报.2018,(01),28-33. * |
孙波扬 ; 张永勇 ; 门宝辉 ; 张士锋 ; .分布式水循环模型的参数优化算法比较及应用.资源科学.2013,(11),2217-2223. * |
宋晓猛 ; 张建云 ; 孔凡哲 ; 刘翠善 ; .基于流域地形地貌特征的分布式汇流方法.长江流域资源与环境.2015,(04),585-593. * |
宋晓猛 ; 张建云 ; 孔凡哲 ; 占车生 ; .基于代理模型的水文模型参数多目标优化!.四川大学学报(工程科学版).2014,(02),36-44. * |
王琰 ; 丁永生 ; 孔乔 ; 王一帆 ; 陈胤名 ; .分布式水文模型多参数优化与不确定性分析.大连海事大学学报.2020,(02),98-108. * |
胡庆芳 ; 王银堂 ; 刘克琳 ; 王宗志 ; .基于改进的两参数月水量平衡模型的月径流模拟.河海大学学报(自然科学版).2007,(06),638-642. * |
Also Published As
Publication number | Publication date |
---|---|
CN115358086A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Evaluating uncertainty estimates in distributed hydrological modeling for the Wenjing River watershed in China by GLUE, SUFI-2, and ParaSol methods | |
Shen et al. | An overview of research on agricultural non-point source pollution modelling in China | |
Heng et al. | Comparison of regionalization approaches in parameterizing sediment rating curve in ungauged catchments for subsequent instantaneous sediment yield prediction | |
Ye et al. | Hydrologic post-processing of MOPEX streamflow simulations | |
Song et al. | Parameter identification and global sensitivity analysis of Xin'anjiang model using meta-modeling approach | |
Wu et al. | The interactions between hydrological drought evolution and precipitation-streamflow relationship | |
Sellami et al. | Parameter and rating curve uncertainty propagation analysis of the SWAT model for two small Mediterranean catchments | |
Li et al. | Research and application of random forest model in mining automobile insurance fraud | |
Chen et al. | Assimilating multi-source data into a three-dimensional hydro-ecological dynamics model using Ensemble Kalman Filter | |
CN113887972A (zh) | 一种基于水文过程的综合旱情监测与评估方法 | |
Samadi et al. | Assessing parameter uncertainty of a semi‐distributed hydrology model for a shallow aquifer dominated environmental system | |
CN106599562A (zh) | 基于概率加权fdc法的河流生态需水量计算方法 | |
CN114580260A (zh) | 一种基于机器学习和概率理论的滑坡区间预测方法 | |
Zhang et al. | An Ensemble Kalman Filter approach to assess the effects of hydrological variability, water diversion, and meteorological forcing on the total phosphorus concentration in a shallow reservoir | |
Tu et al. | Bivariate design of hydrological droughts and their alterations under a changing environment | |
Abdullah et al. | An artificial neural networks approach and hybrid method with wavelet transform to investigate the quality of Tallo River, Indonesia | |
Hu et al. | Ecological technology evaluation model and its application based on Logistic Regression | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
Zhao et al. | Evaluating influences of the Manwan Dam and climate variability on the hydrology of the Lancang-Mekong River, Yunnan Province, southwest China | |
CN112287299B (zh) | 河流健康变化定量归因方法、装置及系统 | |
CN115358086B (zh) | 考虑过程间作用的流域水循环多过程模拟误差量化方法 | |
CN117235510A (zh) | 节理粗糙度预测方法与节理粗糙度预测模型训练方法 | |
Liu et al. | Unravelling and improving the potential of global discharge reanalysis dataset in streamflow estimation in ungauged basins | |
Karamouz et al. | Risk Based Conflict Resolution Model for River Water Quality Management | |
CN115618720A (zh) | 一种基于海拔高度的土壤盐渍化预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |