流域水文模型,无论是概念性的水文模型还是分布式的水文模型,其参数都具有物理定义,但由于直接测量模型参数困难很大,往往只能依靠系统识别途径率定参数。本文的研究重点是流域水文模型的参数优化问题。 传统的对水文模型参数率定的方法有试错法和传统的数学优化方法。人工试错法要求率定人员具有很丰富的水文预报经验,而且主观性很强,而传统的数学优化方法大多数是局部优化,因此对于流域水文模型参数率定的问题来说,寻求水文模型的参数率定的全局最优解是热点问题。 本文采用遗传算法、SCE-UA方法分别对新安江模型、萨克拉门托模型、Topmodel参数进行了优化研究。内容包括三个方面:首先利用江西修水流域的降雨、径流资料对三种模型利用了传统的试错法进行了参数率定,将流域出口断面的流量过程线跟实测值进行比较,得出比较合适的具有物理意义的水文模型的参数,然后以试错法得出的水文模型的参数为基础,给出模型参数具有物理意义的范围,用遗传算法、SCE-UA方法进行优化,得出的水文模型的参数,最后将以上得出的结果进行比较。 利用优化算法对水文模型参数进行优化可以克服传统的试错法费时、人为主观性强的缺点,用历史洪水拟合的确定性系数作为指标来比较参数优化方法,遗传算法的精度比试错法略高,SCE-UA算法的精度最高。用遗传算法、SCE-UA方法得出的流域水文模型的参数基本具有物理意义,在实际应用中具有指导意义。