以潮白河为研究区域,探讨了与模型参数及模型模拟性能有关的多参数灵敏度及不确定性分析方法(Multi-Parameter Sensitivity and Uncertainty Analysis,MPSUA)。基于MonteCarlo模拟的多参数灵敏度分析,可以评价模型中多个参数的相对重要...以潮白河为研究区域,探讨了与模型参数及模型模拟性能有关的多参数灵敏度及不确定性分析方法(Multi-Parameter Sensitivity and Uncertainty Analysis,MPSUA)。基于MonteCarlo模拟的多参数灵敏度分析,可以评价模型中多个参数的相对重要性。GLUE不确定性分析则能对模型性能进行量化评估。实例研究表明,通过MPSUA方法,可以减少优化参数的个数。而且,在没有对模型进行参数优化之前,基于MPSUA就可以确定模型的模拟精度。例如同样的模型在潮河可以获得比在白河更高的模拟精度。这种同一模型在不同流域所体现的差异性,一方面是源于模型结构本身的不完善,另一方面则与用于建模的数据误差有关。SCE-UA参数优化结果与MPSUA结果几乎一致,说明本文的参数灵敏度与模型总体性能评估方法比较合理。展开更多
利用2008年1月1日至2009年9月31日黑河流域阿柔冻融观测站的气象和土壤水分数据,采用基于方差的多参数敏感性分析方法研究通用陆面模型(Common Land Model,CoLM)模拟的土壤水分对土壤质地(砂土和黏土)的敏感性,进而采用SCE-UA参数优化...利用2008年1月1日至2009年9月31日黑河流域阿柔冻融观测站的气象和土壤水分数据,采用基于方差的多参数敏感性分析方法研究通用陆面模型(Common Land Model,CoLM)模拟的土壤水分对土壤质地(砂土和黏土)的敏感性,进而采用SCE-UA参数优化算法分别优化土壤质地和土壤水力参数,分析不同优化策略对土壤水分模拟结果的影响。研究结果表明,浅层土壤水分对土壤质地较为敏感,敏感性系数达到了0.45以上,并且砂土含量对土壤水分的影响更为显著;利用SCE-UA算法优化土壤质地或土壤水力参数都可以有效地提高土壤水分的模拟精度,优化土壤水力参数易产生"异参同效"现象,而优化土壤质地能够使土壤水力参数的取值范围更加合理。展开更多
以河南省商丘市为研究区,首先采用OAT(One-at-a-time)方法对WheatGrow模型的输入品种参数进行敏感性分析,在此基础上以抽穗期的开始日期作为约束条件构建代价函数,引入SCE-UA(Shuffled complex evolution method developed at the Unive...以河南省商丘市为研究区,首先采用OAT(One-at-a-time)方法对WheatGrow模型的输入品种参数进行敏感性分析,在此基础上以抽穗期的开始日期作为约束条件构建代价函数,引入SCE-UA(Shuffled complex evolution method developed at the University of Arizona)算法求解得到最优作物品种参数组合,并利用2015—2016年度和2016—2017年度田间实验资料对SCE-UA算法的有效性进行验证。结果表明,基本早熟性参数对穗分化期的模拟结果影响最显著,温度敏感性参数比光周期敏感性参数和生理春化时间参数具有更高的敏感度,生理春化时间的敏感度最低。基于优化后的参数得到的穗分化期模拟值与观测值之间的平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)均小于3 d,表明SCE-UA算法可以有效地获取WheatGrow模型最优品种参数组合。本研究可为WheatGrow模型品种参数的调整优化和模型的推广应用提供依据。展开更多
文摘以潮白河为研究区域,探讨了与模型参数及模型模拟性能有关的多参数灵敏度及不确定性分析方法(Multi-Parameter Sensitivity and Uncertainty Analysis,MPSUA)。基于MonteCarlo模拟的多参数灵敏度分析,可以评价模型中多个参数的相对重要性。GLUE不确定性分析则能对模型性能进行量化评估。实例研究表明,通过MPSUA方法,可以减少优化参数的个数。而且,在没有对模型进行参数优化之前,基于MPSUA就可以确定模型的模拟精度。例如同样的模型在潮河可以获得比在白河更高的模拟精度。这种同一模型在不同流域所体现的差异性,一方面是源于模型结构本身的不完善,另一方面则与用于建模的数据误差有关。SCE-UA参数优化结果与MPSUA结果几乎一致,说明本文的参数灵敏度与模型总体性能评估方法比较合理。
文摘利用2008年1月1日至2009年9月31日黑河流域阿柔冻融观测站的气象和土壤水分数据,采用基于方差的多参数敏感性分析方法研究通用陆面模型(Common Land Model,CoLM)模拟的土壤水分对土壤质地(砂土和黏土)的敏感性,进而采用SCE-UA参数优化算法分别优化土壤质地和土壤水力参数,分析不同优化策略对土壤水分模拟结果的影响。研究结果表明,浅层土壤水分对土壤质地较为敏感,敏感性系数达到了0.45以上,并且砂土含量对土壤水分的影响更为显著;利用SCE-UA算法优化土壤质地或土壤水力参数都可以有效地提高土壤水分的模拟精度,优化土壤水力参数易产生"异参同效"现象,而优化土壤质地能够使土壤水力参数的取值范围更加合理。
文摘以河南省商丘市为研究区,首先采用OAT(One-at-a-time)方法对WheatGrow模型的输入品种参数进行敏感性分析,在此基础上以抽穗期的开始日期作为约束条件构建代价函数,引入SCE-UA(Shuffled complex evolution method developed at the University of Arizona)算法求解得到最优作物品种参数组合,并利用2015—2016年度和2016—2017年度田间实验资料对SCE-UA算法的有效性进行验证。结果表明,基本早熟性参数对穗分化期的模拟结果影响最显著,温度敏感性参数比光周期敏感性参数和生理春化时间参数具有更高的敏感度,生理春化时间的敏感度最低。基于优化后的参数得到的穗分化期模拟值与观测值之间的平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)均小于3 d,表明SCE-UA算法可以有效地获取WheatGrow模型最优品种参数组合。本研究可为WheatGrow模型品种参数的调整优化和模型的推广应用提供依据。
