一种改进的地下水模型结构不确定性分析方法

作者：孙晓卓; 曾献奎^*; 吴吉春; 孙媛媛

来源：水文地质工程地质, 2021, 48(06): 24-33.

DOI：10.16030/j.cnki.issn.1000-3665.202012061

• 模型结构不确定性
• 数据驱动
• 高斯过程回归
• 马尔科夫链蒙特卡洛模拟
• 溶质运移

高斯过程回归(GPR)是一种基于贝叶斯理论的监督学习算法,在基于数据驱动(DDM)的模型结构不确定性分析中具有广泛应用。目前研究中通常假设物理参数和超参独立并进行联立识别,这会导致参数补偿。文章提出两步识别DDM量化模型结构误差,并通过2个地下水模型案例,分别在不考虑模型结构误差、考虑模型结构误差(联立识别DDM、两步识别DDM)的情况下,对比分析了参数识别和模型预测结果。结果表明,不考虑模型结构误差直接进行参数识别时,为补偿结构误差,物理参数会过度拟合,从而影响模型预测效果。基于DDM刻画模型结构偏差时,物理参数和超参的独立性假设会影响参数识别结果。提出的两步识别DDM法没有假设物理参数和超参独立,能够减少参数过度拟合效应,从而更准确刻画结构误差,有效提高了模型的预测性能。

• 单位
  南京大学