...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Hydrological sciences journal >Parameter conditioning and prediction uncertainties of the LISFLOOD-WB distributed hydrological model
【24h】

Parameter conditioning and prediction uncertainties of the LISFLOOD-WB distributed hydrological model

机译：LISFLOOD-WB分布式水文模型的参数条件和预测不确定性

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Les modèles hydrologiques distribués sont considérés comme un outil prometteur pour la prévision des impacts du changement global sur les processus hydrologiques à l'échelle du bassin versant. Cependant, les modèles distribués nécessitent généralement la spécification ou le calage des valeurs de nombreux paramètres, ce qui aggrave l'incertitude de prévision de la modélisation. Cette étude utilise la technique GLUE (generalized likelihood uncertainty estimation) pour analyser les sensibilités de paramétrage du modèle hydrologique distribué LISFLOOD-WB. Des séries temporelles de débit et des données de volume événementiel de la Rivière Luo, au niveau des sites amont et aval de Lingkou et Lushi, sont utilisées pour analyser l'incertitude de paramétrage. Huit paramètres clefs du modèle sont sélectionnés pour conditionner et utiliser après échantillonnage la méthode de Monte Carlo, sous conditions de distributions supposées a priori. Les résultats montrent que l'efficacité maximale des performances du modèle et que le nombre de jeux de paramètres d'état conduisant à des performances acceptables sont plus faibles dans le sous-bassin de Lingkou que dans celui de Lushi, avec le même critère d'acceptabilité.%Distributed hydrological models are considered to be a promising tool for predicting the impacts of global change on the hydrological processes at the basin scale. However, distributed models typically require values of many parameters to be specified or calibrated, which exacerbates model prediction uncertainty. This study uses the generalized likelihood uncertainty estimation (GLUE) technique to analyse the parameter sensitivities of a distributed hydrological model, LISFLOOD-WB. Discharge time series and event volume data of the Luo River at upstream and downstream sites, Lingkou and Lushi, are used to analyse parameter uncertainty. Eight key parameters in the model are selected for conditioning and sampled using the Monte Carlo method under assumed prior distributions. The results show that maximum efficiency of model performance is lower and the number of behavioural parameter sets giving acceptable performance is fewer in the Lingkou sub-basin than in the Lushi sub-basin with the same criteria of acceptability. For both sub-basins the distribution shape parameter B in the fast runoff generation scheme is the most sensitive in predicting both discharge time series and event volume at the outlet. It is also shown that the value of parameter B at which the highest efficiency is derived is shifted from a high value for Lushi to a low value for Lingkou, consistent with past experience of model calibration that the larger the basin, the larger the B value is. The channel Manning coefficient N_c shows some sensitivity in the prediction of discharge time series, but less in the prediction of event volumes. The other key parameters show little sensitivity and good simulations are found across the full range of parameter values sampled. The uncertainty bounds of predicted discharges at the Lushi sub-basin are broad in the peak and narrow in the recession. The normalized difference between the upper and lower uncertainty bounds for both discharge and evapotranspiration are broad in summer and narrow in winter and that of recharge is the opposite.
机译：分布式水文模型被视为预测流域尺度上全球变化对水文过程影响的有前途的工具。但是，分布式模型通常需要规范或校准许多参数的值，这增加了建模的预测不确定性。这项研究使用GLUE（广义似然不确定性估计）技术来分析分布式水文模型LISFLOOD-WB的参数敏感性。来自灵口和芦狮上游和下游站点罗河的水流时间序列和事件量数据，用于分析参数化不确定性。在假定先验分布条件的情况下，选择蒙特卡洛方法后，选择模型的八个关键参数进行调节和使用。结果表明，在相同的判据下，灵口子流域的模型性能的最大效率和导致可接受性能的状态参数集的数量少于卢氏。可接受的百分比。分布式水文模型被认为是预测全球变化对流域规模水文过程影响的有前途的工具。但是，分布式模型通常需要指定或校准许多参数的值，这加剧了模型预测的不确定性。本研究使用广义似然不确定性估计（GLUE）技术来分析分布式水文模型LISFLOOD-WB的参数敏感性。 Ling口和鹿石上游和下游站点罗河的排放时间序列和事件量数据用于分析参数不确定性。在假定的先验分布下，选择模型中的八个关键参数进行调节并使用蒙特卡洛方法进行采样。结果表明，在具有相同可接受标准的情况下，与自然条件下的陆氏子流域相比，灵口子流域的模型性能最高效率更低，行为参数集能够提供可接受的性能的数量也更少。对于两个子流域，快速径流生成方案中的分布形状参数B在预测排放时间序列和出口事件量时最为敏感。还表明，获得最高效率的参数B的值从卢氏的较高值移至灵口的较低值，这与以往的模型校准经验一致，即盆地越大，B值越大是。信道曼宁系数N_c在放电时间序列的预测中显示出一定的灵敏度，而在事件量的预测中则显示出较小的灵敏度。其他关键参数显示出很小的灵敏度，并且在整个采样的参数值范围内都找到了良好的模拟。卢氏次流域预计排放量的不确定性范围在高峰时较宽而在衰退时较窄。排放量和蒸散量的不确定性上限和下限之间的归一化差异在夏季宽而冬季窄，而补给量则相反。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号