论文部分内容阅读
随着水质模型研究的不断深入和模型的不断完善,水质模型的结构日趋复杂,所涉及的模型参数日益增多,给模型的应用带来了很大的不确定性。以不确定性方法进行水质模型参数校核,建立不确定性水质模型,是当前研究中一个亟待解决的问题。本文以Water Quality Analysis Simulation Program(WASP)水质模型为研究对象,探讨了应用不确定性方法进行模型参数校核的技术路线和具体步骤。以Delayed rejection Adaptive Metropolis(DRAM)算法为核心,同时结合模型参数灵敏度分析和Markov链收敛性的综合判断等辅助方法,对模型参数进行了贝叶斯定理框架下的参数不确定性分析,确定了参数的后验分布。并以参数不确定性分析为基础,实现了水质随机模拟,建立了基于WASP的不确定性水质模型。本文创新性的将DRAM算法应用于水质模型的不确定性研究。该算法采用高效的参数搜索策略,能对目标分布进行有效采样。本文数值试验的结果表明,该算法是对水质模型参数后验分布进行采样的有效方法。该算法的应用未见相关文献报道。本文制定了DRAM算法应用于WASP参数不确定性分析的技术路线,并为实现该技术路线,对WASP模型的源代码进行了二次开发。本文提出了WASP模型参数灵敏度分析的综合方法。在对模型结构进行系统分析的基础上,采用单参数灵敏度分析和基于正交试验的参数灵敏度分析,更好的考察了参数空间上模型输出对于参数的响应情况,确定了在模型中对水质变量有明显影响的参数。本文提出了系统性的参数样本收敛性判断方法,验证了DRAM算法得到的样本能够有效收敛于参数的后验分布。在定性分析的基础上定量计算了两种收敛性判据,并估计了采样误差,全面的考察了参数样本的收敛性。对数值试验的参数样本进行分析,DRAM算法能够有效的搜索参数后验分布,得到合理的参数校核结果。以获得的参数后验分布和参数不确定性分析为基础,对WASP模型进行了随机模拟,建立了基于WASP的不确定性水质模型,并对模型的输出样本进行了统计分析,探讨了模型中各水质变量输出的不确定性。