一种高效的SWAT 模型参数自动率定方法.pdfVIP

水 利 学 报 2010年1月 SHUILI XUEBAO 第41卷 第1期 文章编号：0559-9350（2010）01-0113-07 一种高效的SWAT 模型参数自动率定方法 陈 强，苟 思，秦大庸，周祖昊 （中国水利水电科学研究院 水资源研究所，北京，100038） 摘要：本文分析了SWAT模型和PSO算法的原理，将PSO算法引入SWAT模型中，构建了新的SWAT模型参数自 动率定模块，通过在天津蓟运河流域实例研究，发现该方法率定精度较高，收敛速度快，运行结果稳定，整体率 定效果优于模型自带的参数率定模块。如果用改进后的模块在Linux平台开展自动率定，可以使模型自动率定效 率提高到当前水平的7倍，适用于大型流域或长时间系列模拟。而PSO算法作为一种通用的优化算法，可广泛用 于各种水文模型的参数率定。 关键词：SWAT模型；PSO优化算法；参数自动率定；Linux平台 中国分类号：P333 文献标识码：A 1 研究背景 分布式水文模型考虑了研究区下垫面的空间变异性以及计算时段的连续性，其应用日益广泛。 ［1］ 但模型参数众多且难以获取，参数率定一直是困扰分布式水文模型的重要问题 。以往，模型参数的 率定主要通过手工调参完成，参数的取值受人为主观影响很大，参数率定过程要耗费大量的时间和 ［2］ 精力 。随着计算机技术和数学优化技术的发展，以自动优化算法为基础的参数自动率定技术被引入 到分布式水文模型中。SWAT（SoilandWaterAssessmentTool）是物理机理比较完善的分布式水文模 型。其最新版SWAT2005便具备了参数自动率定和敏感性分析功能。 SWAT2005模型的参数自动率定采用的是SCE（ShuffledComplexEvolution）优化算法，最早由Duan ［3］ ［4］ 等 提出，由A.vanGriensven 等人加入到SWAT2003中。SCE参数自动率定模块计算结果比较稳 ［5］ 定，但XuesongZhang 等人的研究表明其收敛速度并不理想，导致自动参数率定需要耗费大量计算 机时间，对于一般的计算规模（子流域数目在100~200之间），模型参数率定需要上千次运算才能使模 型结果收敛稳定，对于当今主流配置的个人计算机，需要耗费数天时间，如果率定过程中出现意 外，将需要重新开始，这些缺陷使得SWAT模型在大流域的和长时间系列的模拟应用受到限制。雷晓 ［6］ 辉 等采取只率定实测断面上游几个子流域参数的方式，极大缩短率定时间，但其他子流域的参数仍 得不到有效率定。因此，需要一种能够对全流域进行参数率定，而且精度足够高，同时收敛更快的 率定方法。本文在SWAT2005中引入一种新的优化算法——粒子群优化算法（ParticleSwarmOptimi? zation，简称PSO算法），并采用Linux运行平台，优化编译，使得参数率定时间大为缩小，而且结果 比较合理和稳定，具有较高的实践意义。 2 原理与方法 2.1 SWAT 模型原理 SWAT模型采用模块化编程，由各水文计算模块实现各水文过程模拟功能， 收稿日期：2009-06-22 基金项目：国家重点基础研究发展计划（973）课题（2006CB403401）；国家自然科学基金创新研究群体项目（座机电话号码） 作者简介：陈强（1984-），男，新疆哈密人，硕士生，主要从事水文水资源方面的研究。E-mail：chenqiang6789@163.com — 113 — 其源代码公开，方便用户对模型的改进和维护。 ［3］ SWAT2005的参数自动率定模块采用的是Q.Y.Duan等 在1992年提出的SCE-UA算法。算法第1 步在模型需要率定的参数的可行空间随机产生p ×m 个点作为初始群体。第2步，按目标函数增序将 这p ×m 个点分成p 个种群，每个种群包含m 个成员。第3步，每个种群进行若干代独立竞争进化 后，种群之间定期进行交叉形成新的种群，如此，种群之间可以共享信息。第4步，检查是否满足收 敛要求，如果不满足回到第2步。该算法可以搜索全部参数的可行空间，找到全局最优参数的成功率 是100%；但是各种群独立进化，相当于同时进行多组优化，因此比一般的基于遗传进化算法的优化 算法多数倍的循环计算量，计算效率不够理想。 2.2 PSO 优化算法原理 粒子群优化算法PSO（Particle Swarm Optimization）是一种进化计算技术 ［7］ （Evolutionary Computation），该方法由James Kennedy等 提出，算法的灵感来源于对鸟群捕食的行 为研究，鸟与食物的距离作为目标函数，每个优化问题的解都是寻优范围中的一只鸟。该法将系统 初始