基于GLUE方法的HSPF模型参数不确定性研究资料.doc

基于GLUE方法的HSPF模型参数不确定性研究 程晓光1,2，张静1,2,*，宫辉力1,2 城市环境过程与数字模拟国家重点实验室培育基地，首都师范大学，北京 100048 2三维信息获取与应用教育部重点实验室, 首都师范大学，北京 100048 摘要：选取北京妫水河流域2006-2008年月径流数据建立该研究区HSPF水文模型，并选用GLUE方法分析模型参数不确定性。通过Monte-Carlo随机采样得到30000组参数组合，分析参数与似然值散点图，把参数分为敏感参数（LZSN、AGWRC）、区域敏感参数（BASETP）和不敏感参数（AGWETP、INFILT、CEPSC、DEEPFR、UZSN、INTFW、IRC）。针对比较敏感的参数LZSN、AGWRC和BASETP分析其相关性，发现LZSN和AGWRC相关性较强。模型存在大量“异参同效”现象，表明影响结果的是参数组合而不是单一参数。进一步计算90%置信度下的不确定性范围，发现不确定性范围与径流大小密切相关，径流愈大其不确定性范围愈大，反之亦然。本文对参数不确定的分析研究可为HSPF模型在区域尺度水文预测等提供参考和依据。 关键词：GLUE方法，HSPF模型，不确定性分析，异参同效； 引言 传统的参数识别主要基于优化思想的参数识别思路，旨在发现一个最优参数组合反映研究区的水文过程，但由于水文系统的复杂性、参数间的相关性等问题，水文模型中会出现“异参同效”现象，从而导致水文模拟和预测过程的不确定性[1-3]。目前，关于这种不确定性的定量描述及其对水文预报不确定性的影响评价，在国内外已成为研究热点[3]。 目前，分析水文模型参数不确定性的方法众多，主要有GLUE（Generalized likelihood uncertainty analysis）方法、经典贝叶斯法 、SUFI方法等，其中GLUE方法简单、易行、有效[4]。 GLUE方法由Beven（1992）年提出，代表了水文模型不确定性研究领域的最新进展[5]。已被国内外水文学家应用于几种流域水文模型和很多流域之中[6]。Christine E. McMichael[7]等(2006)将该方法应用于美国加利福尼亚流域，分析MIKESHE模型参数不确定性；Hua Xie[8]等（2013）应用该方法对比分析SWAT模型和HSPF模型在伊利诺斯河流域的不确定性；刘丽芳[9]等（2013）将GLUE方法应用于HIMS模型，探讨澳大利亚3个流域的不确定性，对无资料区水文预报具有重要意义；此外该方法还应用于TOPMODEL、HIMS、新安江等模型。相比较而言，目前关于HSPF水文模型的不确定性研究还不深入，有待进一步研究。 本文建立北京市延庆县妫水河流域的HSPF模型，选取该区东大桥水文站2006至2008年月径流数据，运行GLUE方法，研究该模型参数的不确定问题，分析模型参数的敏感性、参数间相关性、“异参同效”现象及模型预报的不确定性范围，为HSPF模型在该区水文预测等提供参考和依据。 研究区概况 妫水河流域位于北京市西北部，南、北、东三面环山，西面邻水的小盆地，是首都北京西北重要的生态屏障。妫水河流域地处延庆县属于永定河水系，地势东北高，西南低，自东向西注入官厅水库。本文研究区选自东大桥水文站以上流域，面积678km2（图1）。地理坐标为40°22′8″- 40°38′35″N，115°49′12″-116°20′35″E。 妫水河流域属大陆性季风气候，地处北温带，是温带与中温带、半干早与半湿润的过渡地带。研究区年多年平均气温10℃左右，多年平均降水 400mm左右，年最大降水 523mm，且降水多集中在 5-8 月份。 在地貌上，研究区主要为山前的洪冲积扇、河流主干道两侧的冲积平原和靠近水库岸边的低洼湿地和湖滨平原。由2005年的土地利用和土壤类型数据（图2）可知研究区内土地利用方式分为7类，其中以林地和灌溉作物为主，林地主要沿研究区边界分布，灌溉作物则主要分布在中部地区。土壤类型以褐土为主，分布于区内大部分地区，西北部山区多为棕壤，潮土则主要沿河分布。 妫水河流量主要来源于降水和地下水补给，由于近几年干旱少雨、生活用水增加，该河流流量急剧下降，几条支流已成干枯河道，面临严重的水资源短缺问题。 图1 研究区及气象水文站点分布 Fig.1 Location of study area and hydrological and weather station 图2.妫水河流域土地利用类型和土壤分类图 Fig.2 Landuse and soil classification for the study area 研究方法 3.1HSPF模型 研究通过土地利用、DEM等空间数据和降雨、