DREAM MCMC算法 (对于SWAT).docxVIP

DREAM MCMC算法 该算法已经在R语言的FME环境中了。 DREAM能够并行地生成许多markov chains，这会增加参数空间并加速收敛。 Vrugt et al（2009）指出DREAM比起随机游走都市MCMC、DRAM（拒绝延迟和自适应都市）和SCE-UA来说，能更可靠地识别出全局最优的RMSE（root-mean-square error）。 对多个链上的参数值，并行地同时运行模型可以得到近线性的加速比。 作者们进行的是小河实验流域的SWAT的8个参数的校准，用的是8线程的台式机（每次模拟需要15s）。DREAM可以在12h内完成全部的运行。而SCE-UA要求18h，且不提供后验概率密度估计，所以无法找到合适的似然函数。如果不对DREAM并行，则需要4天时间完成运行。 之前没有并行化的MCMC算法用于SWAT的参数不确定性分析： 总的来说，缺少应用于SWAT的并行算法是因为大量的不同输入文件，而这些输入文件必须在模拟时被编辑。 所以该文就是要提出一种可靠的方法将DREAM应用于SWAT（用R语言），其他SWAT人员可以立即访问这种方法，并能自由地定义似然函数。作者们希望这样的方式可以使得似然函数可以发展得更为合适，同时得到更可靠的置信区间，并能更科学地深入地理解水文相关的动态过程。 近来，有一个修改版的DREAM算法，叫做MT-DREAM（zs）算法，它更加高效，然