基干贝叶斯理论水文多模型预报.doc

基干贝叶斯理论水文多模型预报 　　摘要：水文预报对于防洪、抗旱以及水资源调度等具有重要意义。水文预报通常依靠水文模型来完成，由于受到不同流域特点、产汇流机制等的限制，每个水文模型都具有各自的特点及适用区域。单一模型具有非常大的水文预报不确定性，为了解决单一模型局限性的问题，多模型水文预报常作为降低水文预报不确定性有效方法之一。选用三种常见的水文模型：时变增益水文模型、新安江模型和萨克拉门托模型，在珠江飞来峡流域进行分布式建模，采用相同的输入与初始场，三个模型独立进行模拟，然后对比三个模型的结果，并进行贝叶斯多模型加权平均和简单平均得到多模型平均结果，研究结果表明，贝叶斯模型处理后的结果要比单个模型模拟结果和简单平均处理后的结果准确率高 关键词：飞来峡；水文预报；不确定性；贝叶斯多模型 中图分类号：TV124文献标志码：A文章编号：1672-1683（2017）01-0043-06 Abstract：Hydrological forecast is very important for flood control，drought resistance and water resources regulation.It is usually based on model simulation.Each hydrological model has its own characteristics and feasible basin.Multi-model hydrological forecast is one of the effective methods to reduce the forecasting uncertainty.This paper chose three commonly used hydrological models：time-variant gain hydrological model，Xin′anjiang model，and Sacramento model.The case study was on Feilaixia basin of Pearl River.The three hydrological models were used for independent simulation with the same input and initial value.Then，BMA and SMA were run on the three models′results.The research results show that the BMA results are better than the results from single model simulation. Key words：Feilaixia；hydrological forecast；uncertainty；Bayesian model averagin 水文?A报不确定性主要来源于水文模型的不确定性。为了降低水文模型的不确定性，越来越多的水文模型被提出并应用到不同流域[1]。其中应用比较广泛的有萨克拉门托模型（Sacramento model，SAC）[2]，新安江模型（Xin An Jiang，XAJ）[3]，和时变增益水文模型（Time Variation Gain Model，DTVGM）[4]等。然而每个模型都具有各自的优势与局限性，而且由于水文过程的复杂性，导致水文模型不确定性日益凸显。对此，广大水文学者提出多模型信息融合的方法。该方法可以降低单个模型的偏差，使模拟更接近于观测值。目前，水文预报综合处理方法主要有简单平均法（Simple Model Averaging，SMA）、加权平均法、神经网络和模糊推理法等[5-10]。其中，贝叶斯加权平均方法（Bayesian Model Averaging，BMA）最为广泛使用。贝叶斯方法是基于贝叶斯理论而发展起来用于解决统计问题的方法。随着科学技术的发展，贝叶斯方法在统计学[11]成功应用之后，逐渐发展到计量经济学[12]，社会学[13]等方面。在气象领域，贝叶斯最大似然方法被应用于预测温度及降水的概率分布[14]，Ma[15]等人通过改变BMA目标函数，将其应用于NMME季节性降水集合预报。近年来，BMA方法被应用于水文领域：Neuman[16]提出利用最大似然贝叶斯平均方法分析地下水模型不确定性来优化水文预报的方法，Kavetski[17]等人通过使用贝叶斯误差分析方法评估输入降雨不确定性对VIC模型模拟的影响。Zhang[18]利用BMA方法对SWAT水文模型的拟定和不确定性分析。为了得到对水文模型更为优化的处理结果，Raf