科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】参数模型大多数基于模型驱动，并且对于水文序列的概率分布和相关关系做了一定程度的假设。然而，水文序列的真实分布复杂多样，相关关系也无法仅用线性相关描述，因此基于模型驱动的传统随机模型难以模拟实际月径流概率分布中的强不对称或多模态性，与变量真实概率分布存在差异。【方法】非参数解集模型（Nonparametric disaggregation model，NPDM）从数据驱动出发能有效模拟径流间的随机性和相关性变动规律。改进模型（Improved nonparametric disaggregation model，INPDM）考虑年径流和前期月径流综合影响建立条件概率分布函数，使用基于黄金分割搜索和抛物线插值方法的优化算法以最小二乘交叉验证指标（Least squares cross validation，LSCV）为目标函数寻求最优带宽，并结合可变核方法修正边界。为深入探讨两模型在淮河流域的适用性，建立淮河流域1950—2007年吴家渡站、1951—2007年鲁台子站年、月径流随机模拟的NPDM和INPDM模型，利用一系列统计特征值和相关特性对比分析模拟效果。【结果】结果表明：在均值方面，NPDM和INPDM模拟效果均较为理想，实现100%控制在一个均方差标准下；吴家渡站和鲁台子站模拟序列的标准差和变异系数均控制在两个月的均方偏差标准下；INPDM模型对于原序列的最大值、月径流间互相关性和非线性状态相关统计特性的再现能力要优于传统模型，NPDM模型在吴家渡站和鲁台子站的2阶自相关系数无法控制在一个均方差标准下的月份占比分别比INPDM模型高50%和16.6%，1阶自相关系数也呈现出类似结果，表明INPDM模拟序列的自相关系数统计特征值与原序列统计特性更接近；但NPDM模型描述月径流序列偏态系数的能力更强。【结论】综上表明基于优化算法改进后的非参数解集模型能充分再现径流序列的统计特性，可为淮河流域开展年、月径流的随机模拟研究提供参考。
- 单位
