一种分布式水文模型参数优化方法

摘要

本发明公开了一种分布式水文模型参数优化方法，包括如下步骤，S1、确定优化方法的目标函数和约束条件；S2、从分布式水文模型的参数中选择符合敏感强度要求的参数作为拟优化参数；S3、对拟优化参数进行分类；S4、按照分类结果，利用优化方法，对各类拟优化参数进行优化获取对应的目标优化参数；每优化一类拟优化参数，其余类拟优化参数保持不变。优点是：按照参数的物理意义以及敏感度不同对模型中的参数进行分析，根据每类参数优化的最优种群数和模拟时间变化，从而寻找到最优参数组合；保证了优化算法的精度，避免算法失效。采用同类参数分类优化，缩短了计算时长，提高了计算效率。

说明书

技术领域

本发明涉及水文模型参数优化领域，尤其涉及一种分布式水文模型参数优化方法。

背景技术

参数率定是水文模拟中不可避免的重要环节，模型参数对模拟结果有着重要影响，模型参数的取值是否合理直接影响模拟精度，因此模型参数率定和优化是模型应用的关键之一。近年来，分布式水文模型考虑的过程越来越完善，模拟的状态变量越来越多，输出状态变量也更多，同时模型结构也更复杂，相应地模型参数组合优化也日益复杂。在大流域数千或数万个计算单元上进行分布式模拟时，参数较多，参数优化计算量大，计算速度慢。

采用实数编码的加速遗传算法，能够提高处理复杂优化问题的能力，但是遗传算法在处理维数较高的问题上，参数组合较多，需要多次调用分布式模型计算，存在计算速度慢、计算时间过长、运算效率低及模拟精度不足等问题，严重时甚至导致算法失效，无法满足现阶段的工作需求。

发明内容

本发明的目的在于提供一种分布式水文模型参数优化方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种分布式水文模型参数优化方法，包括如下步骤，

S1、确定优化方法的目标函数和约束条件；

S2、从分布式水文模型的参数中选择符合敏感强度要求的参数作为拟优化参数；

S3、对拟优化参数进行分类；

S4、按照分类结果，利用优化方法，对各类拟优化参数进行优化获取对应的目标优化参数；当优化某一类拟优化参数，其余类拟优化参数保持不变

优选的，所述优化方法的目标函数为纳什效率系数，表达式为，

其中，t＝1,2,…,T；

优选的，所述约束条件为分布式水文模型的参数的取值范围。

优选的，步骤S2具体为，

S21、选取分布式水文模型中的某一参数，使该参数在其约束条件内随机变动，同时保证其他参数不变，并运行分布式水文模型得到目标函数的相应值，使用参数变化率表征该参数变动对目标函数输出值的影响程度，变化率的表达式为，

其中，e

S22、判断该参数的变化率是否大于变化率阈值，若是则表示该参数符合敏感强度要求，选取该参数作为拟优化参数；否则不将该参数作为拟优化参数。

优选的，对拟优化参数进行分类，其分类原则为：

将影响水循环中产汇流及蒸散发的同类过程的参数归为同一类；

将各个分类按照对水循环过程的影响程度，由强到弱进行排序；

根据分类原则，可将参数分为四类，分别是：第一类参数为含水层厚度修正系数；第二类参数为第1、2、3层土壤厚度以及气孔阻抗修正系数；第三类参数为土壤饱和修正系数、河床材质修正系数以及含水层侧向导水修正系数；第四类参数为地表洼地储留深系数。

优选的，所述优化方法为基于实数编码的加速遗传算法，对拟优化参数进行优化，获取其对应的目标优化参数，具体为将拟优化参数输入目标函数，求目标函数的最小值，计算公式为

F＝minf(A

其中，F拟优化参数对应的目标函数最小值；f为目标函数；A

本发明的有益效果是：1、按照参数的物理意义以及敏感度不同对模型中的参数进行分析，根据每类参数优化的最优种群数和模拟时间变化，从而寻找到最优参数组合；保证了优化算法的精度，避免算法失效。2、采用同类参数分类优化，缩短了计算时长，提高了计算效率。

附图说明

图1是本发明实施例中优化方法的流程示意图；

图2是本发明实施例中手动调参和自动调参NSE变化；

图3是本发明实施例中手动调参和自动调参流量过程对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

实施例一

如图1所示，本实施例中，提供了一种分布式水文模型参数优化方法，包括如下步骤，

S1、确定优化方法的目标函数和约束条件；

S2、从分布式水文模型的参数中选择符合敏感强度要求的参数作为拟优化参数；

S3、对拟优化参数进行分类；

S4、按照分类结果，利用优化方法，对各类拟优化参数进行优化获取对应的目标优化参数；当优化某一类拟优化参数，其余类拟优化参数保持不变。

本实施例中，分布式水文模型能够准确详细地描述流域内的水文过程，获取流域的信息更贴近实际。但随着模拟的状态变量越来越多，模型参数的优化也日益复杂。所以需要根据敏感强度选择相对敏感的参数进行优化，对其他敏感度较弱的参数暂时不做优化。

本实施例中，所述优化方法的目标函数为纳什效率系数，表达式为，

其中，t＝1,2,…,T；

本实施例中，所述约束条件为分布式水文模型的参数的取值范围。

本实施例中，采用筛选法对敏感性参数进行识别与筛选，具体为步骤S2的内容，

S21、选取分布式水文模型中的某一参数，使该参数在其约束条件内随机变动，同时保证其他参数不变，并运行分布式水文模型得到目标函数的相应值，使用参数变化率表征该参数变动对目标函数输出值的影响程度，变化率的表达式为，

其中，e

S22、判断该参数的变化率是否大于变化率阈值，若是则表示该参数符合敏感强度要求，选取该参数作为拟优化参数；否则不将该参数作为拟优化参数。

本实施例中，为了缩短计算时长并保证模拟精度，需要对拟优化参数进行分类优化，对拟优化参数进行分类，其分类原则为：

将影响水循环中产汇流及蒸散发的同类过程的参数归为同一类；

将各个分类按照对水循环过程的影响程度，由强到弱进行排序；

根据分类原则，可将参数分为四类，分别是：

第一类参数为含水层厚度修正系数；该系数在水循环过程中主要影响地下含水层的储水能力，它对水循环过程的影响最大；

第二类参数为第1、2、3层土壤厚度以及气孔阻抗修正系数；它们影响水循环过程中的土壤和植被蒸散发过程，对水循环过程的影响较强；

第三类参数为土壤饱和修正系数、河床材质修正系数以及含水层侧向导水修正系数；它们在水循环过程中影响土壤水、地下水运移过程和地下水出流过程，对水循环模拟精度的影响较强；

第四类参数为地表洼地储留深系数；它们影响地表产流过程，对水循环过程的影响相对较小。

本实施例中，所述优化方法为基于实数编码的加速遗传算法，对拟优化参数进行优化，获取其对应的目标优化参数，具体为将拟优化参数输入目标函数，求目标函数的最小值，计算公式为

F＝minf(A

其中，F拟优化参数对应的目标函数最小值；f为目标函数；A

假设A

以第二类参数即第1、2、3层土壤厚度以及气孔阻抗修正系数为例作出说明，如表1和表2所示。

表1同类分组优化结果

表2同类不分组优化结果

从表1中可以看出，把第二类参数分成两组，即第一组参数包括第1、2、3层土壤厚度，第二组参数包括气孔阻抗修正系数。在第一次优化时，先对第一组参数进行优化，可得到NSE为0.744，优化时长为103min；然后固定第一组参数，对第二组参数进行优化，可得到NSE为0.762，优化时长为112min。在第二次优化时，先固定第二组参数，继续对第一组参数进行优化，可得到NSE为0.773，优化时长为107min；然后固定第一组参数，对第二组参数进行优化，可得到NSE为0.779，优化时长为101min。依次进行优化，在完成三次优化后，可得到NSE为0.787，总用时642min。

从表2中可以看出，若对两组参数同时进行优化，可得到NSE为0.806，优化时长114min。通过对比可知，如果把同类参数分成不同组，计算时长增加，计算效率变差，所以，需要采用同类参数分类的方法进行优化效率更高，即需要把影响水循环中产汇流及蒸散发的同类过程的参数归为同一类。

为了保证快速寻找到最优组合，提高遗传算法的全局搜索能力以及计算效率，根据流域特征对参数的搜索范围加以限定。利用遗传算法对分布式水文模型的参数进行分类优化，每次优化一类，其他类的参数保持不变。第一类优化完成以后优化第二类，直至所有类优化完毕，得到每类的优化参数即为该模型的目标优化参数。

实施例二

本实施例中，选取黄河流域玛曲水文站以上区域作为研究区，采用流域分布式水文模型WEP-L模拟水循环过程，根据水文丰枯特征，选取具有代表性的1997-2000年进行调参，采用本发明提供的优化方法对参数进行优化。具体实现步骤如下：

一、首先确定优化方法目标函数和约束条件。

以纳什效率系数(NSE)作为评价标准，目标函数是对实测与模拟径流过程误差的一种描述方式，表达式为

其中，t＝1,2,…,T；

约束条件为确定模型优化参数的取值范围。

二、确定模型优化参数。拟优化参数如表3所示

表3分布式水文模型(WEP-L)的主要参数

三、确定将参数分类。参数分类如表4所示。

表4主要参数分类

四、对每类参数依次进行优化。对每类参数进行优化时，设定多个种群数量，记录迭代次数、模拟时间、最优值以及NSE的变化，通过对比，寻找到最优种群数量以及相应的参数最优值。优化结果如表5-表8和图2-图3所示；图2中第一个点为手动调参的NSE，第二至第四个点依次为第一类至第四类参数优化后NSE的变化。通过图2所示，本发明所提供的自动调参方法从第一类至第四类呈现递增趋势，当优化完第四类参数，NSE达到0.829，相比于手动调参增加了0.101，且自动调参后模拟的流域水文过程更接近实际。通过图3可知，自动调参后模拟的月平均流量过程与实测过程较吻合。而手动调参后的模型模拟的月平均流量过程在汛期与实测流量误差较大，模拟结果不能较好地反映径流的实际变化规律。

表5第一类参数优化结果

表6第二类参数优化结果

表7第三类参数优化结果

表8第四类参数优化结果

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明提供了一种分布式水文模型参数优化方法，按照参数的物理意义以及敏感度不同对模型中的参数进行分析，根据每类参数优化的最优种群数和模拟时间变化，从而寻找到最优参数组合；保证了优化算法的精度，避免算法失效。采用同类参数分类优化，缩短了计算时长，提高了计算效率。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。