水文模型参数敏感性快速定量评估的RSMSobol方法

水文模型参数敏感性分析是模型不确定性量化研究的重要环节,其可以有效识别关键参数,减少模型率定的不确定性,提高模型优化效率。然而如何快速有效地定量评估参数敏感性已成为当前大尺度分布式水文模型优化的瓶颈。针对传统的全局定量敏感性分析方法在多参数复杂水文模型的不足,本文采用基于统计学习理论的支持向量机(SVM) 建立非参数响应曲面(称为代理模型),再结合基于方差的Sobol 方法,建立了基于响应曲面方法的Sobol 定量全局敏感性分析方法(RSMSobol 方法),实现复杂模型系统参数敏感性的快速定量化评估。本文选用淮河流域的日尺度分布式时变增益水文模型进行实例研究,采用水量平衡系数(WB),Nash-Sutcliffe 效率系数(NS) 和相关系数(RC) 三个目标函数综合评价模拟效果。研究结果显示RSMSobol方法在实现定量全局敏感性分析的同时降低了模型运行时耗,提高了模型评估效率,且与传统定量方法Sobol 方法具有同样的评估效果。该方法的有效应用为大型复杂水文动力模拟系统的参数定量化敏感性评价提供了参考,为模型参数进一步优化提供了可靠依据。

An Efficient Quantitative Sensitivity Analysis Approach for Hydrological Model Parameters Using RSMSobol Method

Sensitivity analysis of hydrological models is a key step for model uncertainty quantification.It can identify the dominant parameters,reduce the model calibration uncertainty,and enhance the model optimization efficiency.However,how to effectively validate a model and identify the dominant parameters for a large-scale complex distributed hydrological model is a bottle-neck to achieve the parameters optimization.There are some shortcomings for classical approaches,e.g.time-consuming and high computation cos...