基于glue多目標(biāo)水質(zhì)模型率定的水質(zhì)模擬方法
【專利摘要】本發(fā)明涉及一種基于GLUE多目標(biāo)水質(zhì)模型率定的水質(zhì)模擬方法，其步驟包括：1）根據(jù)全局敏感性分析方法對(duì)水質(zhì)模型進(jìn)行參數(shù)的敏感性分析，并根據(jù)得到的敏感性指數(shù)篩選出多目標(biāo)敏感參數(shù)；2）通過篩選出的多目標(biāo)敏感參數(shù)的先驗(yàn)樣本分布情況生成水質(zhì)的隨機(jī)參數(shù)組；3）對(duì)所述隨機(jī)參數(shù)組中的水質(zhì)指標(biāo)進(jìn)行模擬，并通過似然函數(shù)進(jìn)行篩選，通過迭代得到各項(xiàng)水質(zhì)指標(biāo)的敏感參數(shù)交集，最終使參數(shù)收斂至更小區(qū)間內(nèi)，實(shí)現(xiàn)對(duì)水質(zhì)的高精度模擬。本發(fā)明對(duì)多項(xiàng)輸出指標(biāo)同時(shí)率定來確定最優(yōu)參數(shù)組合，能夠更準(zhǔn)確、有效地模擬水質(zhì)指標(biāo),為后續(xù)的水環(huán)境水質(zhì)管理、預(yù)測、評(píng)估等工作提供更為準(zhǔn)確的定量化理論支撐。
【專利說明】基于GLUE多目標(biāo)水質(zhì)模型率定的水質(zhì)模擬方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于水質(zhì)模型的參數(shù)自動(dòng)率定的水質(zhì)模擬方法，主要用于目前主流的多指標(biāo)水質(zhì)模型的率定、校準(zhǔn)工作。
【背景技術(shù)】
[0002]目前，隨著對(duì)水環(huán)境認(rèn)知的深入，水環(huán)境模型的結(jié)構(gòu)也變得日益復(fù)雜。常見的水質(zhì)模型，例如 WASP、QUAL、QUASAR、MIKE (ECOLAB)、BASINS (RCHRES)等，均是可同時(shí)模擬多項(xiàng)水質(zhì)指標(biāo)的復(fù)雜模型系統(tǒng)。盡管這些模型框架逐漸完備，能夠更全面地反映人類對(duì)水環(huán)境改變的認(rèn)識(shí)，但同時(shí)也使得模型變量、參數(shù)不斷增多，導(dǎo)致率定(潘登，任理.2012.分布式水文模型在徒駭馬頰河流域灌溉管理中的應(yīng)用1.參數(shù)率定和模擬驗(yàn)證[J].中國農(nóng)業(yè)科學(xué)，(03):471-479.)難度加大。參數(shù)率定是水質(zhì)模擬的重要環(huán)節(jié)，而參數(shù)率定結(jié)果的準(zhǔn)確與否，是模型能否正確反映水質(zhì)變化的規(guī)律的關(guān)鍵。
[0003]由于參數(shù)數(shù)量巨大，且許多參數(shù)無法通過實(shí)驗(yàn)來判斷其取值，因此越來越多的模型參數(shù)率定工作都依賴于計(jì)算機(jī)算法。隨著計(jì)算技術(shù)的發(fā)展，應(yīng)用于復(fù)雜水環(huán)境模型參數(shù)識(shí)別的優(yōu)化算法層出不窮。目前較為常見的參數(shù)率定方法有模擬退火算法(孟令群，郭建青.2009.利用混沌粒子群算法確定河流水質(zhì)模型參數(shù)[J].地球科學(xué)與環(huán)境學(xué)報(bào)31 (2): 169-172)、遺傳算法(楊斌斌，王文川.2010.多目標(biāo)進(jìn)化算法在新安江模型參數(shù)率定中的應(yīng)用比較研究[J].水文.(03):38-42.)等確定性參數(shù)率定方法以及基于貝葉斯理論的 GLUE 方法(Beven, K, 2012.Causal models as multiple working hypothesesabout environmental processes.Comptes Rendus Geoscience,344(2):77-88.LiuY,Yang P J, Hu C, Guo H C.2008.Water quality modeling for load reduction underuncertainty: A Bayesian approach [J].Water Research.42:3305 - 3314.Liu Y;FreerJ;Beven K, et al.2009.Towards a limits of acceptability approach to thecalibration of hydrological models:Extending observation error.Journal ofHydrology, 367(1 - 2):93-103.)。與其他確定性的參數(shù)率定方法不同，GLUE方法不將模型參數(shù)取一個(gè)確定值，而是將參數(shù)鎖定在一定范圍內(nèi)，研究其分布情況，這種方式很好地體現(xiàn)了水環(huán)境復(fù)雜系統(tǒng)的不確定性特征。
[0004]不論采用何種算法率定模型參數(shù)，目前均是通過建立似然函數(shù)來對(duì)比模擬值與實(shí)測值，通過似然度判斷模型參數(shù)是否有效。但當(dāng)前水質(zhì)模型復(fù)雜的非線性結(jié)構(gòu)常常導(dǎo)致多組不同參數(shù)均能滿足模型要求，從而無法從似然度來判斷參數(shù)取值是否合理(LindimC，Pinho JL, Vieira J.M.P.2011.Analysis of spatial and temporal patterns in alarge reservoir using water quality and hydrodynamic modeling[J].EcologicalModelling, 222:2485-2494)。特別是對(duì)于包含一定誤差或數(shù)據(jù)步長不足的的監(jiān)測數(shù)據(jù)來說，即便似然度很高，也很難保證參數(shù)組合能夠正確反映水質(zhì)變化規(guī)律。

【發(fā)明內(nèi)容】
[0005]為了克服現(xiàn)有方法中的單純利用單一的似然函數(shù)進(jìn)行水質(zhì)模型率定時(shí)所出現(xiàn)的“異參同效”現(xiàn)象所導(dǎo)致的參數(shù)錯(cuò)誤，本發(fā)明提供一種對(duì)多項(xiàng)輸出指標(biāo)同時(shí)率定來確定最優(yōu)參數(shù)組合，進(jìn)而實(shí)現(xiàn)水質(zhì)模擬的方法，即通過綜合考慮多項(xiàng)模擬指標(biāo)，來進(jìn)一步篩選滿足條件的參數(shù)組合。該方法可以較好地避免因單個(gè)輸出指標(biāo)模擬而引起的參數(shù)偏差，能夠更準(zhǔn)確、有效地1?擬水質(zhì)指標(biāo)。
[0006]本發(fā)明采用的技術(shù)方案如下:
[0007]一種基于GLUE多目標(biāo)水質(zhì)模型率定的水質(zhì)模擬方法，其步驟包括:
[0008]I)根據(jù)全局敏感性分析方法對(duì)水質(zhì)模型進(jìn)行參數(shù)的敏感性分析,并根據(jù)得到的敏感性指數(shù)篩選出多目標(biāo)敏感參數(shù)；
[0009]2)通過篩選出的多目標(biāo)敏感參數(shù)的先驗(yàn)樣本分布情況生成水質(zhì)的隨機(jī)參數(shù)組；
[0010]3)對(duì)所述隨機(jī)參數(shù)組中的水質(zhì)指標(biāo)進(jìn)行模擬，并通過似然函數(shù)進(jìn)行篩選，通過迭代得到各項(xiàng)水質(zhì)指標(biāo)的敏感參數(shù)交集，最終使參數(shù)收斂至更小區(qū)間內(nèi)，實(shí)現(xiàn)對(duì)水質(zhì)的高精度模擬。
[0011]進(jìn)一步地,步驟1)所述全局敏感性分析方法可以是Sobol方法、EFAST方法等。
[0012]進(jìn)一步地，步驟3)設(shè)置信水平為0.5~1，進(jìn)一步優(yōu)選為0.75，用于判斷單個(gè)參數(shù)值是否能夠體現(xiàn)水質(zhì)變化特征，并且通過對(duì)比不同水質(zhì)指標(biāo)的參數(shù)優(yōu)化過程中每一次迭代的結(jié)果，來判斷率定過程是否出現(xiàn)了過擬合現(xiàn)象。
[0013]進(jìn)一步地，步驟3)每次篩選出模擬效果最好的樣本，并依據(jù)最好的樣本特征進(jìn)行所述敏感參數(shù)交集的更新，進(jìn)行若干次的迭代計(jì)算，最終使得敏感參數(shù)收斂至一個(gè)小區(qū)間內(nèi)。
[0014]進(jìn)一步地，步驟3)每次迭代生成樣本數(shù)為5000個(gè)，每次根據(jù)似然函數(shù)值，篩選其中最優(yōu)的15%的樣本作為下一次迭代的樣本。
[0015]進(jìn)一步地，步驟3)所述似然函數(shù)優(yōu)選采用NSE效率系數(shù)，也可以通過計(jì)算MSE均方根誤差或者平均相對(duì)誤差等方式來替代。
[0016]進(jìn)一步地，步驟3)所述似然函數(shù)使用納什系數(shù)(NSE)來衡量模擬值與觀測值之間的擬合度，納什系數(shù)表達(dá)式為:
[0017]
【權(quán)利要求】
1.一種基于GLUE多目標(biāo)水質(zhì)模型率定的水質(zhì)模擬方法，其步驟包括: 1)根據(jù)全局敏感性分析方法對(duì)水質(zhì)模型進(jìn)行參數(shù)的敏感性分析，并根據(jù)得到的敏感性指數(shù)篩選出多目標(biāo)敏感參數(shù)； 2)通過篩選出的多目標(biāo)敏感參數(shù)的先驗(yàn)樣本分布情況生成水質(zhì)的隨機(jī)參數(shù)組； 3)對(duì)所述隨機(jī)參數(shù)組中的水質(zhì)指標(biāo)進(jìn)行模擬，并通過似然函數(shù)進(jìn)行篩選，通過迭代得到各項(xiàng)水質(zhì)指標(biāo)的敏感參數(shù)交集，最終使參數(shù)收斂至更小區(qū)間內(nèi)，實(shí)現(xiàn)對(duì)水質(zhì)的高精度模擬。
2.如權(quán)利要求1所述的方法，其特征在于:步驟I)所述全局敏感性分析方法為下列方法中的一種:Sobol方法、EFAST方法。
3.如權(quán)利要求1所述的方法，其特征在于，步驟I)所述多目標(biāo)敏感參數(shù)包括:硝化耗氧模塊中的E12、K12、KNIT，沉積物耗氧模塊中的SOD，水生植物生長模塊中的GP1、PNH3，呼吸作用模塊的ElR,沉淀模塊的fD5,以及氮循環(huán)系統(tǒng)中的fon、anc。
4.如權(quán)利要求1所述的方法，其特征在于:步驟3)設(shè)置信水平為0.5~1，用于判斷單個(gè)參數(shù)值是否能夠體現(xiàn)水質(zhì)變化特征，并且通過對(duì)比不同水質(zhì)指標(biāo)的參數(shù)優(yōu)化過程中每一次迭代的結(jié)果，來判斷率定過程是否出現(xiàn)了過擬合現(xiàn)象。
5.如權(quán)利要求4所述的方法，其特征在于:步驟3)設(shè)置所述置信水平為0.75。
6.如權(quán)利要求1所述的方法，其特征在于:步驟3)每次篩選出模擬效果最好的樣本，并依據(jù)最好的樣本特征進(jìn)行所述敏感參數(shù)交集的更新，進(jìn)行若干次的迭代計(jì)算，最終使得敏感參數(shù)收斂至一定區(qū)間內(nèi)。
7.如權(quán)利要求1所述的方法，其特征在于:步驟3)所述似然函數(shù)優(yōu)選采用NSE效率系數(shù)，也可以通過計(jì)算MSE均方根誤差或者平均相對(duì)誤差等方式來替代。
8.如權(quán)利要求1所述的方法，其特征在于:步驟3)所述似然函數(shù)使用納什系數(shù)來衡量模擬值與觀測值之間的擬合度，納什系數(shù)的表達(dá)式為:
9.如權(quán)利要求1所述的方法，其特征在于:步驟3)每次迭代生成樣本數(shù)為5000個(gè)，每次根據(jù)似然函數(shù)值，篩選其中最優(yōu)的15%的樣本作為下一次迭代的樣本。
10.如權(quán)利要求1所述的方法，其特征在于:步驟3)選取置信區(qū)間為(0.25，0.75)內(nèi)的參數(shù)值構(gòu)成迭代過程中所產(chǎn)生的最后交集。
【文檔編號(hào)】G06F17/50GK103914586SQ201410039886
【公開日】2014年7月9日 申請(qǐng)日期:2014年1月27日 優(yōu)先權(quán)日:2014年1月27日
【發(fā)明者】張質(zhì)明, 王曉燕 申請(qǐng)人:首都師范大學(xué), 北京建筑大學(xué)