基于Copula-Glue水文模型参数不确定性的研究.pdfVIP

基于 Copula-Glue 的水文模型参数不确定性研究 林凯荣，陈晓宏 （中山大学地理科学与规划学院，广东广州，510275 ） 摘 要：由于“异参同效”现象的存在，基于不确定分析的参数识别应运而生。参数空间分布的复杂性与相 关性正是参数不确定性存在的主要原因之一。本文利用现行的 Copula 函数来描述模型参数之间的相 关性，提出基于 Copula-Glue 的水文模型参数不确定性估计方法。当模型参数间存在着相关性的时 候，本文方法用联合分布代替单独的参数的分布，能够很好地考虑参数之间的相关性，从而避免传 统方法可能过低估计模型参数引起的不确定性问题，同时可以在一定程度上提高蒙特卡罗取样的搜 索效率。 关 键 词：Copula ；GLUE 方法；水文模型；不确定性 水文过程受到来自上层因素气候（如大气环流）、天气情况（如降水、气温、风速等） 等的影响，同时也受到下层地理位置、地形、地质条件、植被、土壤等的影响。所有这些因 素不断变化、相互作用、相互影响，使得水文科学内在规律非常复杂。叶守泽和夏军在回顾 了上个世纪水文科学的研究进展后指出，水文复杂性和不确定性是水文科学研究最为重要和 棘手的两个方面，特别是在全球水文及气候变化中，水文不确定性成为水文科学发展中一个 新的前沿课题[1] 。随着水文模型在水资源规划与管理中不断深入和广泛地应用，模型结构复 杂性急剧增长，模型参数在高维空间表现出了复杂的相关性结构和低灵敏度特征，传统参数 识别中仅局限于参数优化算法效率和精度等方面的研究已经不能满足理论与实践的需要[2] 。 由于缺乏深入研究结构不确定性的理论基础和有效技术手段，模型结构往往只能通过识别参 数后验分布统计规律间接地得到验证，因而参数不确定性分析研究就显得格外重要。 1 现有的参数不确定性研究 传统的参数识别主要基于优化思想的参数识别思路，而这些自动优选方法通常受数据和 算法以及人们主观因素的影响很大，水文模型中可能出现参数冗余，参数之间存在较强的相 关性等问题，使得在单目标或是多目标情况下所率定的参数集并不唯一，也使得参数的“同 效现象”十分普遍[3] 。针对传统参数识别的缺陷，基于不确定分析的参数识别应运而生。Tiwari 最早将贝叶斯理论用于生态模型的参数识别[4] 。初始的不确定性分析更多的是对模型参数的 敏感性进行分析。比如Horberger 和 Spear[5] （1981）的RSA （Regionalized Sensitivity Analysis ） 方法，Chio 等提出的多参数敏感性分析方法等。然而这些研究只考虑了参数的敏感性，没 有估计概率分布[6] 。20 世纪 90 年代，研究人员将马尔科夫链蒙特卡罗法（Markov Chain Monte Carlo，MCMC ）引入到参数的不确定性研究中，用于待估参数的贝叶斯分布采样，以估计 参数的后验分布[7] 。MCMC 取样方法包括 Metropolis-Hastings 算法、自适应 Metropolis 算法 等。MCMC 方法从参数的后验分布提取样本，提供了比单点估计更多的信息，而且避免了 用一个正态近似后验分布用于推断的必要。 基金项目：国家自然科学基金和中山大学青年教师科研启动基金资助 -1- 对于参数的不确定性估计方法，其中最著名的方法当属由 Beven 和 Binley 在 1992 年提 出的GLUE 方法（General Likelihood Uncertainty Estimation ）。GLUE 方法是基于 Horberger 和 Spear 的 RSA 方法发展起来的。该方法易于理解，可以用于各种程度的复杂性和非线性 的模型中，是目前水文模拟、水质模拟中主要的不确定性估计方法之一[3, 8-9] 。然而这些方法 大多数假定模型参数之间是相互独立的，事