集成统计仿真技术和SCE-UA方法的水文模型参数优化

水文模型参数优化是模型应用和发展过程中的一个的重要环节,然而如何快速有效地估计模型参数成为当前分布式水文模型发展的一个瓶颈.针对传统方法在多参数复杂水文模型的应用不足,提出一种集成统计仿真技术和SCE-UA方法的优化方案,即采用非参数的多元自适应回归样条建立复杂水文模型的代理仿真模型进行初始优化,缩小参数优选范围,再结合全局优化算法SCE-UA方法进行参数全局优化,从而提高模型优化效率.选用淮河流域的日尺度分布式时变增益水文模型进行实例研究,采用水量平衡系数(WB)和Nash-Sutcliffe效率系数(NS)两个目标函数综合评价模拟效果.通过模型检验结果表明该方法可以实现参数的高效优化分析,且具有很好的稳健性和适应性,说明方法是有效的.     

基于极值理论的北京市极端降水概率分布研究

以北京市作为研究区域,基于极值理论分析北京市降水极值的概率统计特征,探索不同极值分布在北京市降水极值研究中的适用性.选择北京市45个雨量站的1960~2012年汛期逐日降水数据,基于年最大值法和超门限阈值法(百分位法)筛选降水极值样本序列(AM和POT序列).利用广义极值分布(GEV)和广义Pareto分布(GPD)拟合两组样本序列,采用L矩法估计两种分布函数的拟合参数.基于Kolmogorov-Smirnov检验结果确定最优拟合分布函数,并根据最优拟合分布函数推求不同重现期水平下的降水量.结果表明:(1)除半壁店和沿河城外,AM序列的均值大于POT序列,所有站点AM序列的最小值小于POT序列;(2)GEV分布在AM序列的最优拟合分布函数中占优(40个站点,占全部站点的88.9%),而GEV和GPD分布均可用于POT序列降水极值的拟合,其中GPD分布的拟合结果较好(38个站点,占比为84.4%);(3)两种序列得到的不同重现期水平的降水量空间分布基本相似,总体上利用AM序列推求不同重现期水平下的降水量略大于POT序列,即基于AM序列推算一定重现期水平下的降水极值更有利于规避风险.