摘录自《水文模型参数估计方法及参数估计不确定性研究》,王书功。
第1章 水文模型与参数估计
流域水文模拟流程:
水文模型的结构:
参数估计分为两类:
MOPEX提出了6个水文模型模拟效果评价数量指标,主要是均方根误差RMSE和纳什效率系数NSE及其变体。
发现一本关于降雨径流的书Keith J. Beven 的 Rainfall-Runoff Model: The Primer.
第2章 第一类参数估计方法
Monte Carlo 方法,以生成有限点集{(x, y, z)}为例,就是在函数的定义域内,按照某种概率分布随机地生成 x 和 y 的值,并进而计算相应的函数值(Binder 和 Stauffer, 1985; Chandrasekar 等,1990;Krajewski,1991)。如果复杂水文模型参数优化问题的目标函数是不可导的,没有办法获得在参数可行空间内目标函数的梯度解析表达式,那么这类问题就不能应用迭代法求解,只能通过随即搜索的方法,对这类问题进行近似求解,属于NP完全问题。目前,计算学家找出两类兼顾解的精度与运行时间的NP完全问题求解算法。第一类是设计平均性态良好的概率算法,第二类算法是启发式优化算法,如模拟退火、GA、PSO、蚁群优化算法。重点介绍了SCE-UA算法及其应用。
第4章 第二类参数估计方法
Bayes参数估计方法的一般步骤包括:
- 推导 P ( θ ∣ ξ , y ) P(\theta | \xi, y) P(θ∣ξ,y)
- 基于 P ( θ ∣ ξ , y ) P(\theta | \xi, y) P(θ∣ξ,y)推导参数 θ i \theta_i θi的边际分布
- 进行参数的区间估计
在Monte Carlo 方法研究领域,主要有两类采样方法。第一类是均匀采样方法(GLUE),第二类是重要性采样方法(MCMC、Metropolis-Hasting算法、Gelman-rubin终止判据)。
第6章 结论与展望
从研究程度上看,第一类水文模型参数估计方法已经走向成熟,目前有很多优化算法可以用于水文模型的参数估计;第二类参数估计方法可以说方兴未艾,越来越多的人开始研究模型模拟中的不确定性,因而必然研究基于Bayes统计的水文模型参数估计。就水文模型参数估计的未来研究方向而言,本书认为必然是基于先验信息的水文模型参数估计。这种方法将会是第三类水文模型参数估计方法。
先验信息大致可以分为两类来源:一类是与研究区相邻或者相似的流域/网格单元;另外一类是经验性的转换函数。(Duan, 1995; Duan, 2001; Koren,2003b;Koren,2001)
下一步计划
实现SCE-UA、MCMC,弄懂Bayes理论。