‘Earth system’ analysis and the second Copernican revolution
1
1999
... 地下水系统模拟已经成为地球科学的基本研究方法,在地球系统科学领域被誉为第二次哥白尼革命[1],被证明是最有价值和最实用的工具之一[2-3].地下水模型能够刻画水文过程的整体和局部行为;多次模拟,选择最优的设计;通过情景分析进行情景预测,提出应对策略.围绕黑河中游地表水、泉水和地下水,大量学者利用模型进行了有益探索:陈冲等[4]建立了黑河中游地区地下水模型,并初步分析了上游径流与耕地面积对地下水资源的影响;王旭升等[5]总结了20年来黑河流域的地下水模型研究,并指出地下水模型应加强与关联过程(地表水、土壤水、水利工程)的集成;程国栋等[6]阐述了黑河流域生态—水文过程集成研究的进展及展望.目前的地下水模型一般基于确定性的参数、边界条件,采用确定性机制来构建模型.然而,由于实际过程的复杂性及非线性因素,导致模型往往存在一定不确定性.正如George所言,所有关于真实系统的模型都是“错误”的[7],即模型永远不能完美表达实际系统.地下水模型的不确定性来源一般可以分为:模型数据的不确定性、模型结构的不确定性以及模型参数的不确定性.模型数据的不确定性一般指由于监测误差或者数据缺失导致的不确定性,只能通过提高监测技术和数据收集频率来降低.而模型结构和参数不确定性则来源于建模过程、模型参数标定及验证过程.这些不确定性将对进一步的科学研究以及决策提出等带来诸多麻烦甚至风险.因此在使用地下水模型时,对其进行不确定性分析是十分必要的. ...
Ground-water computer models—state of the Arta
1
1979
... 地下水系统模拟已经成为地球科学的基本研究方法,在地球系统科学领域被誉为第二次哥白尼革命[1],被证明是最有价值和最实用的工具之一[2-3].地下水模型能够刻画水文过程的整体和局部行为;多次模拟,选择最优的设计;通过情景分析进行情景预测,提出应对策略.围绕黑河中游地表水、泉水和地下水,大量学者利用模型进行了有益探索:陈冲等[4]建立了黑河中游地区地下水模型,并初步分析了上游径流与耕地面积对地下水资源的影响;王旭升等[5]总结了20年来黑河流域的地下水模型研究,并指出地下水模型应加强与关联过程(地表水、土壤水、水利工程)的集成;程国栋等[6]阐述了黑河流域生态—水文过程集成研究的进展及展望.目前的地下水模型一般基于确定性的参数、边界条件,采用确定性机制来构建模型.然而,由于实际过程的复杂性及非线性因素,导致模型往往存在一定不确定性.正如George所言,所有关于真实系统的模型都是“错误”的[7],即模型永远不能完美表达实际系统.地下水模型的不确定性来源一般可以分为:模型数据的不确定性、模型结构的不确定性以及模型参数的不确定性.模型数据的不确定性一般指由于监测误差或者数据缺失导致的不确定性,只能通过提高监测技术和数据收集频率来降低.而模型结构和参数不确定性则来源于建模过程、模型参数标定及验证过程.这些不确定性将对进一步的科学研究以及决策提出等带来诸多麻烦甚至风险.因此在使用地下水模型时,对其进行不确定性分析是十分必要的. ...
Applied groundwater modeling: simulation of flow and advective transport
1
2016
... 地下水系统模拟已经成为地球科学的基本研究方法,在地球系统科学领域被誉为第二次哥白尼革命[1],被证明是最有价值和最实用的工具之一[2-3].地下水模型能够刻画水文过程的整体和局部行为;多次模拟,选择最优的设计;通过情景分析进行情景预测,提出应对策略.围绕黑河中游地表水、泉水和地下水,大量学者利用模型进行了有益探索:陈冲等[4]建立了黑河中游地区地下水模型,并初步分析了上游径流与耕地面积对地下水资源的影响;王旭升等[5]总结了20年来黑河流域的地下水模型研究,并指出地下水模型应加强与关联过程(地表水、土壤水、水利工程)的集成;程国栋等[6]阐述了黑河流域生态—水文过程集成研究的进展及展望.目前的地下水模型一般基于确定性的参数、边界条件,采用确定性机制来构建模型.然而,由于实际过程的复杂性及非线性因素,导致模型往往存在一定不确定性.正如George所言,所有关于真实系统的模型都是“错误”的[7],即模型永远不能完美表达实际系统.地下水模型的不确定性来源一般可以分为:模型数据的不确定性、模型结构的不确定性以及模型参数的不确定性.模型数据的不确定性一般指由于监测误差或者数据缺失导致的不确定性,只能通过提高监测技术和数据收集频率来降低.而模型结构和参数不确定性则来源于建模过程、模型参数标定及验证过程.这些不确定性将对进一步的科学研究以及决策提出等带来诸多麻烦甚至风险.因此在使用地下水模型时,对其进行不确定性分析是十分必要的. ...
A comparative study among machine learning and numerical models for simulating groundwater dynamics in the Heihe River Basin, northwestern China
3
2020
... 地下水系统模拟已经成为地球科学的基本研究方法,在地球系统科学领域被誉为第二次哥白尼革命[1],被证明是最有价值和最实用的工具之一[2-3].地下水模型能够刻画水文过程的整体和局部行为;多次模拟,选择最优的设计;通过情景分析进行情景预测,提出应对策略.围绕黑河中游地表水、泉水和地下水,大量学者利用模型进行了有益探索:陈冲等[4]建立了黑河中游地区地下水模型,并初步分析了上游径流与耕地面积对地下水资源的影响;王旭升等[5]总结了20年来黑河流域的地下水模型研究,并指出地下水模型应加强与关联过程(地表水、土壤水、水利工程)的集成;程国栋等[6]阐述了黑河流域生态—水文过程集成研究的进展及展望.目前的地下水模型一般基于确定性的参数、边界条件,采用确定性机制来构建模型.然而,由于实际过程的复杂性及非线性因素,导致模型往往存在一定不确定性.正如George所言,所有关于真实系统的模型都是“错误”的[7],即模型永远不能完美表达实际系统.地下水模型的不确定性来源一般可以分为:模型数据的不确定性、模型结构的不确定性以及模型参数的不确定性.模型数据的不确定性一般指由于监测误差或者数据缺失导致的不确定性,只能通过提高监测技术和数据收集频率来降低.而模型结构和参数不确定性则来源于建模过程、模型参数标定及验证过程.这些不确定性将对进一步的科学研究以及决策提出等带来诸多麻烦甚至风险.因此在使用地下水模型时,对其进行不确定性分析是十分必要的. ...
... 本文基于前期工作中在黑河流域中游构建的地下水模型[4],拟结合ESMDA与EnKF实现地下水模型参数的不确定性分析,探讨ESMDA与EnKF算法超参数对模型不确定性分析效果的影响,利用算法定量分析地下水模型参数的不确定性、对不同观测数据的敏感性以及不同参数的不确定性范围. ...
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
Advances in numerical modeling of groundwater flow in Heihe River basin
1
2009
... 地下水系统模拟已经成为地球科学的基本研究方法,在地球系统科学领域被誉为第二次哥白尼革命[1],被证明是最有价值和最实用的工具之一[2-3].地下水模型能够刻画水文过程的整体和局部行为;多次模拟,选择最优的设计;通过情景分析进行情景预测,提出应对策略.围绕黑河中游地表水、泉水和地下水,大量学者利用模型进行了有益探索:陈冲等[4]建立了黑河中游地区地下水模型,并初步分析了上游径流与耕地面积对地下水资源的影响;王旭升等[5]总结了20年来黑河流域的地下水模型研究,并指出地下水模型应加强与关联过程(地表水、土壤水、水利工程)的集成;程国栋等[6]阐述了黑河流域生态—水文过程集成研究的进展及展望.目前的地下水模型一般基于确定性的参数、边界条件,采用确定性机制来构建模型.然而,由于实际过程的复杂性及非线性因素,导致模型往往存在一定不确定性.正如George所言,所有关于真实系统的模型都是“错误”的[7],即模型永远不能完美表达实际系统.地下水模型的不确定性来源一般可以分为:模型数据的不确定性、模型结构的不确定性以及模型参数的不确定性.模型数据的不确定性一般指由于监测误差或者数据缺失导致的不确定性,只能通过提高监测技术和数据收集频率来降低.而模型结构和参数不确定性则来源于建模过程、模型参数标定及验证过程.这些不确定性将对进一步的科学研究以及决策提出等带来诸多麻烦甚至风险.因此在使用地下水模型时,对其进行不确定性分析是十分必要的. ...
黑河流域地下水流数值模拟的研究进展
1
2009
... 地下水系统模拟已经成为地球科学的基本研究方法,在地球系统科学领域被誉为第二次哥白尼革命[1],被证明是最有价值和最实用的工具之一[2-3].地下水模型能够刻画水文过程的整体和局部行为;多次模拟,选择最优的设计;通过情景分析进行情景预测,提出应对策略.围绕黑河中游地表水、泉水和地下水,大量学者利用模型进行了有益探索:陈冲等[4]建立了黑河中游地区地下水模型,并初步分析了上游径流与耕地面积对地下水资源的影响;王旭升等[5]总结了20年来黑河流域的地下水模型研究,并指出地下水模型应加强与关联过程(地表水、土壤水、水利工程)的集成;程国栋等[6]阐述了黑河流域生态—水文过程集成研究的进展及展望.目前的地下水模型一般基于确定性的参数、边界条件,采用确定性机制来构建模型.然而,由于实际过程的复杂性及非线性因素,导致模型往往存在一定不确定性.正如George所言,所有关于真实系统的模型都是“错误”的[7],即模型永远不能完美表达实际系统.地下水模型的不确定性来源一般可以分为:模型数据的不确定性、模型结构的不确定性以及模型参数的不确定性.模型数据的不确定性一般指由于监测误差或者数据缺失导致的不确定性,只能通过提高监测技术和数据收集频率来降低.而模型结构和参数不确定性则来源于建模过程、模型参数标定及验证过程.这些不确定性将对进一步的科学研究以及决策提出等带来诸多麻烦甚至风险.因此在使用地下水模型时,对其进行不确定性分析是十分必要的. ...
Advances in synthetic research on the eco-hydrological process of the Heihe River basin
1
2014
... 地下水系统模拟已经成为地球科学的基本研究方法,在地球系统科学领域被誉为第二次哥白尼革命[1],被证明是最有价值和最实用的工具之一[2-3].地下水模型能够刻画水文过程的整体和局部行为;多次模拟,选择最优的设计;通过情景分析进行情景预测,提出应对策略.围绕黑河中游地表水、泉水和地下水,大量学者利用模型进行了有益探索:陈冲等[4]建立了黑河中游地区地下水模型,并初步分析了上游径流与耕地面积对地下水资源的影响;王旭升等[5]总结了20年来黑河流域的地下水模型研究,并指出地下水模型应加强与关联过程(地表水、土壤水、水利工程)的集成;程国栋等[6]阐述了黑河流域生态—水文过程集成研究的进展及展望.目前的地下水模型一般基于确定性的参数、边界条件,采用确定性机制来构建模型.然而,由于实际过程的复杂性及非线性因素,导致模型往往存在一定不确定性.正如George所言,所有关于真实系统的模型都是“错误”的[7],即模型永远不能完美表达实际系统.地下水模型的不确定性来源一般可以分为:模型数据的不确定性、模型结构的不确定性以及模型参数的不确定性.模型数据的不确定性一般指由于监测误差或者数据缺失导致的不确定性,只能通过提高监测技术和数据收集频率来降低.而模型结构和参数不确定性则来源于建模过程、模型参数标定及验证过程.这些不确定性将对进一步的科学研究以及决策提出等带来诸多麻烦甚至风险.因此在使用地下水模型时,对其进行不确定性分析是十分必要的. ...
黑河流域生态-水文过程集成研究进展
1
2014
... 地下水系统模拟已经成为地球科学的基本研究方法,在地球系统科学领域被誉为第二次哥白尼革命[1],被证明是最有价值和最实用的工具之一[2-3].地下水模型能够刻画水文过程的整体和局部行为;多次模拟,选择最优的设计;通过情景分析进行情景预测,提出应对策略.围绕黑河中游地表水、泉水和地下水,大量学者利用模型进行了有益探索:陈冲等[4]建立了黑河中游地区地下水模型,并初步分析了上游径流与耕地面积对地下水资源的影响;王旭升等[5]总结了20年来黑河流域的地下水模型研究,并指出地下水模型应加强与关联过程(地表水、土壤水、水利工程)的集成;程国栋等[6]阐述了黑河流域生态—水文过程集成研究的进展及展望.目前的地下水模型一般基于确定性的参数、边界条件,采用确定性机制来构建模型.然而,由于实际过程的复杂性及非线性因素,导致模型往往存在一定不确定性.正如George所言,所有关于真实系统的模型都是“错误”的[7],即模型永远不能完美表达实际系统.地下水模型的不确定性来源一般可以分为:模型数据的不确定性、模型结构的不确定性以及模型参数的不确定性.模型数据的不确定性一般指由于监测误差或者数据缺失导致的不确定性,只能通过提高监测技术和数据收集频率来降低.而模型结构和参数不确定性则来源于建模过程、模型参数标定及验证过程.这些不确定性将对进一步的科学研究以及决策提出等带来诸多麻烦甚至风险.因此在使用地下水模型时,对其进行不确定性分析是十分必要的. ...
Empirical model-building and response surfaces
1
1988
... 地下水系统模拟已经成为地球科学的基本研究方法,在地球系统科学领域被誉为第二次哥白尼革命[1],被证明是最有价值和最实用的工具之一[2-3].地下水模型能够刻画水文过程的整体和局部行为;多次模拟,选择最优的设计;通过情景分析进行情景预测,提出应对策略.围绕黑河中游地表水、泉水和地下水,大量学者利用模型进行了有益探索:陈冲等[4]建立了黑河中游地区地下水模型,并初步分析了上游径流与耕地面积对地下水资源的影响;王旭升等[5]总结了20年来黑河流域的地下水模型研究,并指出地下水模型应加强与关联过程(地表水、土壤水、水利工程)的集成;程国栋等[6]阐述了黑河流域生态—水文过程集成研究的进展及展望.目前的地下水模型一般基于确定性的参数、边界条件,采用确定性机制来构建模型.然而,由于实际过程的复杂性及非线性因素,导致模型往往存在一定不确定性.正如George所言,所有关于真实系统的模型都是“错误”的[7],即模型永远不能完美表达实际系统.地下水模型的不确定性来源一般可以分为:模型数据的不确定性、模型结构的不确定性以及模型参数的不确定性.模型数据的不确定性一般指由于监测误差或者数据缺失导致的不确定性,只能通过提高监测技术和数据收集频率来降低.而模型结构和参数不确定性则来源于建模过程、模型参数标定及验证过程.这些不确定性将对进一步的科学研究以及决策提出等带来诸多麻烦甚至风险.因此在使用地下水模型时,对其进行不确定性分析是十分必要的. ...
Variability, uncertainty and error in computational simulation
1
1998
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Changing ideas in hydrology: the case of physically-based models
1
1989
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Uncertainty analysis for groundwater modeling
1
2011
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
地下水模拟不确定性分析
1
2011
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Equifinality of formal (DREAM) and informal (GLUE) Bayesian approaches in hydrologic modeling?
1
2009
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Parameter and modeling uncertainty simulated by GLUE and a formal Bayesian method for a conceptual hydrological model
0
2010
Latin hypercube sampling and the propagation of uncertainty in analyses of complex systems
0
2003
Estimating the economic benefits of wind energy projects using Monte Carlo simulation with economic input/output analysis
0
2008
Calculation method of the exchange volume between surface water and groundwater based on uncertainty of parameters
1
2008
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
考虑参数不确定性的地表水与地下水交换量的计算方法
1
2008
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Analysis on sensitivity of stochastic factors in numerical simulation of groundwater flow
1
2006
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
地下水流数值模拟中随机因素的灵敏度分析
1
2006
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Stochastic analysis of subsurface flow based on KL-Galerkin method
0
2005
基于KL-Galerkin解法的地下水流动随机分析
0
2005
Perturbation-coefficient awaiting determination stochastic finite element method for groundwater flow models
1
1999
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
地下水水流模型的摄动待定系数随机有限元法
1
1999
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Identification of hydrogeological parameters based on the Bayesian method
1
2008
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
基于贝叶斯方法的水文地质参数识别
1
2008
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Analysis on influence of aquifer heterogeneous simplification to groundwater numerical modeling
1
2011
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
含水介质非均质概化对地下水数值模拟的影响分析
1
2011
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Estimation and impact assessment of input and parameter uncertainty in predicting groundwater flow with a fully distributed model
1
2018
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
A new approach to linear filtering and prediction problems
1
1960
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Sensitivity analysis on land data assimilation scheme of soil moisture
1
2006
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
土壤水分同化系统的敏感性试验研究
1
2006
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
State and parameter estimation in soil moisture data assimilation based on dual ensemble Kalman filter
1
2016
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
基于双EnKF的土壤水分与土壤属性参数同时估计
1
2016
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Using an ensemble smoother to evaluate parameter uncertainty of an integrated hydrological model of Yanqi Basin
2
2015
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
... [25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
Assimilation of future SWOT-based river elevations, surface extent observations and discharge estimations into uncertain global hydrological models
1
2020
... Oberkampf等[8]介绍了用来估计、分析模型中所有类型不确定性的多种方法.Beven[9]于1989年在对物理模型的适用性进行讨论的过程中,首次提出了对水文模型进行不确定性分析的概念.地下水模型不确定性分析方法主要分为蒙特卡罗(Monte Carlo)法、矩方程法与贝叶斯法三种[10].虽然MC法是一种被广泛采用的不确定性分析方法[11-15],但是MC法的缺点也不容忽视,其需对模型的参数进行大量的采样才能保证算法的正确性和准确性,无法适用于计算消耗大的模型.矩方程法通过随机偏微分方程直接求解模拟结果的各阶统计矩,已在地下水模型不确定性研究中得到初步应用[16-18].贝叶斯法利用观测资料修正水文地质参数分布,其既可以用于模型参数识别反演[19],也能够用于对参数进行不确定性分析,其优点是通过更新参数分布,以更加准确的评估模型不确定性.利用贝叶斯法进行地下水模型不确定性分析的研究相对较少[20-21].数据同化(DA, Data Assimilation)是基于贝叶斯理论的参数更新方法.卡尔曼滤波算法(KF, Kalman Filter)是由Kalman提出的顺序数据同化算法[22],其利用观测资料自回归地对模型的状态变量进行更新,并在更新的整个过程中保证状态变量估计值的误差最小.自提出以来,KF算法已被广泛应用于模型参数与状态的估计中.黄春林等[23]基于集合卡尔曼滤波(EnKF, Ensemble Kalman Filter)利用土壤水分观测数据同化了简单生物圈模型(SiB2, Simple Biosphere Model 2),探讨了简单生物圈模型的单点土壤水分同化方案;褚楠等[24]进一步采用双EnKF方法同时估计SiB2模型中土壤水分与土壤属性参数,提高了模型对土壤水分的估计精度.Li等[25]实现了采用EnKF同时估计地下水模型的参数与状态变量.Sly等[26]基于EnKF算法采用SWOT (Surface Water and Ocean Topography)模型的输出对GHMs (Global Hydrological Models)进行了同化,提升了全球尺度水文模拟的精度.然而,仅有少量研究基于数据同化方法进行模型不确定性分析.例如,Li等[25]采用了ESMDA (Ensemble Smoother with Multiple Data Assimilation)分析了焉耆盆地水文模型参数的不确定性. ...
2
2010
... 黑河流域是我国第二大内陆河流域,位于我国西北部干旱区,面积约为14×104 km2.流域上游的祁连山区是我国重要的冰冻圈分布区,气温较低、蒸发弱,年平均降水量大于300 mm,丰富的冰冻圈融水与降水是整个流域的主要水源.流域下游为额济纳旗盆地,为典型的大陆性气候,具有降水少(年均降水量为43.7 mm)、蒸发强(年均蒸发量为2 248.8 mm)、日照时间长、昼夜温差大等特性[27].流域内支流共35个,由于过度开采及蒸发,绝大部分支流在山前消失,中游主要河流只有黑河干流与梨园河(图1).黑河发源于祁连山北麓,由东南流向西北,途径青海、甘肃及内蒙古三个省区,最终注入居延海,全长约821 km,水量主要由降水、冰雪融水以及地下水出流组成.莺落峡水文站为黑河出山口径流量观测站,多年(1945—2012年)平均年径流量约为15.9×108 m3,是中游张掖市、临泽县、高台县及下游金塔东部和额济纳旗绿洲等地城市工业、生活用水的主要水源[28].黑河流域中游(38°38′~39°53′ N, 98°53′~100°44′ E; 图1)为典型的干旱气候,年降水量稀少(90~160 mm),潜在蒸发量大(2 000~2 500 mm),总面积约9 016 km2[29-30].河流流出祁连山后,一部分被引入灌溉渠系和供水系统,其余则沿河床下泄,并于沿途渗入地下,补给地下水,黑河在山前冲积扇区损失33%的径流量[31].长期以来,黑河中游农业生产与下游湿地、尾闾湖等生态环境之间存在着用水矛盾,且由于社会、经济发展和人口的增长,用水矛盾日益突出. ...
... 黑河流域中游地下水模型基于MODFLOW(MODular three-dimension finite-difference groundwater FLOW model)构建,MODFLOW采用有限差分法将时间与空间离散化以解决地下水在三维空间中的流动问题.研究区平面面积约为9 016 km2,采用1 km×1 km 的正方形网格将研究区含水层系统在水平方向上进行空间离散化,离散化之后,研究区在平面上剖分成为132行×165列网格(如图3).研究区内定义为活动单元,研究区外定义为非活动单元.时间上,以每月为一个应力期,每天为一个时间步.研究区边界条件参考文献[42]以及自然边界确定(图3).由于地下水分水岭的存在,A~E设置为无水流边界;E处为正义峡水文站,黑河从此处流出研究区;据调查资料分析,北山地区地下水含水介质与南部祁连山相似,但由于降水稀少,无常年地表径流,地下水含量无法与祁连山区相比较[27],因此,将D~E边界假设为无水流边界;由于多种侧向流从南部祁连山流入研究区,导致A~D边界最为复杂,因此,将此边界分为3段进行定义:如图3所示,A~B与C~D定义为定流量边界条件(第二类边界条件或Neumam条件),B~C之间定义为无流量边界.垂直方向上,模型顶部边界为空气—土壤接触面边界,模型底板定义为不透水边界.黑河干支流采用MODFLOW内的河流(STR, STreamflow-Routing)程序包[43]进行模拟.农业灌溉通过采用地下水补给程序包(RCH, ReCHarge)[44]在网格上添加补给率实现.蒸散发采用了MODFLOW内置的蒸散发程序包(EVT, EVapoTranspiration)进行模拟.机井采用机井程序包(Well)进行模拟. ...
2
2010
... 黑河流域是我国第二大内陆河流域,位于我国西北部干旱区,面积约为14×104 km2.流域上游的祁连山区是我国重要的冰冻圈分布区,气温较低、蒸发弱,年平均降水量大于300 mm,丰富的冰冻圈融水与降水是整个流域的主要水源.流域下游为额济纳旗盆地,为典型的大陆性气候,具有降水少(年均降水量为43.7 mm)、蒸发强(年均蒸发量为2 248.8 mm)、日照时间长、昼夜温差大等特性[27].流域内支流共35个,由于过度开采及蒸发,绝大部分支流在山前消失,中游主要河流只有黑河干流与梨园河(图1).黑河发源于祁连山北麓,由东南流向西北,途径青海、甘肃及内蒙古三个省区,最终注入居延海,全长约821 km,水量主要由降水、冰雪融水以及地下水出流组成.莺落峡水文站为黑河出山口径流量观测站,多年(1945—2012年)平均年径流量约为15.9×108 m3,是中游张掖市、临泽县、高台县及下游金塔东部和额济纳旗绿洲等地城市工业、生活用水的主要水源[28].黑河流域中游(38°38′~39°53′ N, 98°53′~100°44′ E; 图1)为典型的干旱气候,年降水量稀少(90~160 mm),潜在蒸发量大(2 000~2 500 mm),总面积约9 016 km2[29-30].河流流出祁连山后,一部分被引入灌溉渠系和供水系统,其余则沿河床下泄,并于沿途渗入地下,补给地下水,黑河在山前冲积扇区损失33%的径流量[31].长期以来,黑河中游农业生产与下游湿地、尾闾湖等生态环境之间存在着用水矛盾,且由于社会、经济发展和人口的增长,用水矛盾日益突出. ...
... 黑河流域中游地下水模型基于MODFLOW(MODular three-dimension finite-difference groundwater FLOW model)构建,MODFLOW采用有限差分法将时间与空间离散化以解决地下水在三维空间中的流动问题.研究区平面面积约为9 016 km2,采用1 km×1 km 的正方形网格将研究区含水层系统在水平方向上进行空间离散化,离散化之后,研究区在平面上剖分成为132行×165列网格(如图3).研究区内定义为活动单元,研究区外定义为非活动单元.时间上,以每月为一个应力期,每天为一个时间步.研究区边界条件参考文献[42]以及自然边界确定(图3).由于地下水分水岭的存在,A~E设置为无水流边界;E处为正义峡水文站,黑河从此处流出研究区;据调查资料分析,北山地区地下水含水介质与南部祁连山相似,但由于降水稀少,无常年地表径流,地下水含量无法与祁连山区相比较[27],因此,将D~E边界假设为无水流边界;由于多种侧向流从南部祁连山流入研究区,导致A~D边界最为复杂,因此,将此边界分为3段进行定义:如图3所示,A~B与C~D定义为定流量边界条件(第二类边界条件或Neumam条件),B~C之间定义为无流量边界.垂直方向上,模型顶部边界为空气—土壤接触面边界,模型底板定义为不透水边界.黑河干支流采用MODFLOW内的河流(STR, STreamflow-Routing)程序包[43]进行模拟.农业灌溉通过采用地下水补给程序包(RCH, ReCHarge)[44]在网格上添加补给率实现.蒸散发采用了MODFLOW内置的蒸散发程序包(EVT, EVapoTranspiration)进行模拟.机井采用机井程序包(Well)进行模拟. ...
Dynamic variation of the groundwater level in the middle reaches of the Heihe River during 1985—2013
1
2015
... 黑河流域是我国第二大内陆河流域,位于我国西北部干旱区,面积约为14×104 km2.流域上游的祁连山区是我国重要的冰冻圈分布区,气温较低、蒸发弱,年平均降水量大于300 mm,丰富的冰冻圈融水与降水是整个流域的主要水源.流域下游为额济纳旗盆地,为典型的大陆性气候,具有降水少(年均降水量为43.7 mm)、蒸发强(年均蒸发量为2 248.8 mm)、日照时间长、昼夜温差大等特性[27].流域内支流共35个,由于过度开采及蒸发,绝大部分支流在山前消失,中游主要河流只有黑河干流与梨园河(图1).黑河发源于祁连山北麓,由东南流向西北,途径青海、甘肃及内蒙古三个省区,最终注入居延海,全长约821 km,水量主要由降水、冰雪融水以及地下水出流组成.莺落峡水文站为黑河出山口径流量观测站,多年(1945—2012年)平均年径流量约为15.9×108 m3,是中游张掖市、临泽县、高台县及下游金塔东部和额济纳旗绿洲等地城市工业、生活用水的主要水源[28].黑河流域中游(38°38′~39°53′ N, 98°53′~100°44′ E; 图1)为典型的干旱气候,年降水量稀少(90~160 mm),潜在蒸发量大(2 000~2 500 mm),总面积约9 016 km2[29-30].河流流出祁连山后,一部分被引入灌溉渠系和供水系统,其余则沿河床下泄,并于沿途渗入地下,补给地下水,黑河在山前冲积扇区损失33%的径流量[31].长期以来,黑河中游农业生产与下游湿地、尾闾湖等生态环境之间存在着用水矛盾,且由于社会、经济发展和人口的增长,用水矛盾日益突出. ...
1985—2013年黑河中游流域地下水位动态变化特征
1
2015
... 黑河流域是我国第二大内陆河流域,位于我国西北部干旱区,面积约为14×104 km2.流域上游的祁连山区是我国重要的冰冻圈分布区,气温较低、蒸发弱,年平均降水量大于300 mm,丰富的冰冻圈融水与降水是整个流域的主要水源.流域下游为额济纳旗盆地,为典型的大陆性气候,具有降水少(年均降水量为43.7 mm)、蒸发强(年均蒸发量为2 248.8 mm)、日照时间长、昼夜温差大等特性[27].流域内支流共35个,由于过度开采及蒸发,绝大部分支流在山前消失,中游主要河流只有黑河干流与梨园河(图1).黑河发源于祁连山北麓,由东南流向西北,途径青海、甘肃及内蒙古三个省区,最终注入居延海,全长约821 km,水量主要由降水、冰雪融水以及地下水出流组成.莺落峡水文站为黑河出山口径流量观测站,多年(1945—2012年)平均年径流量约为15.9×108 m3,是中游张掖市、临泽县、高台县及下游金塔东部和额济纳旗绿洲等地城市工业、生活用水的主要水源[28].黑河流域中游(38°38′~39°53′ N, 98°53′~100°44′ E; 图1)为典型的干旱气候,年降水量稀少(90~160 mm),潜在蒸发量大(2 000~2 500 mm),总面积约9 016 km2[29-30].河流流出祁连山后,一部分被引入灌溉渠系和供水系统,其余则沿河床下泄,并于沿途渗入地下,补给地下水,黑河在山前冲积扇区损失33%的径流量[31].长期以来,黑河中游农业生产与下游湿地、尾闾湖等生态环境之间存在着用水矛盾,且由于社会、经济发展和人口的增长,用水矛盾日益突出. ...
Numerical modeling of regional groundwater flow in the Heihe River Basin, China: Advances and new insights
1
2015
... 黑河流域是我国第二大内陆河流域,位于我国西北部干旱区,面积约为14×104 km2.流域上游的祁连山区是我国重要的冰冻圈分布区,气温较低、蒸发弱,年平均降水量大于300 mm,丰富的冰冻圈融水与降水是整个流域的主要水源.流域下游为额济纳旗盆地,为典型的大陆性气候,具有降水少(年均降水量为43.7 mm)、蒸发强(年均蒸发量为2 248.8 mm)、日照时间长、昼夜温差大等特性[27].流域内支流共35个,由于过度开采及蒸发,绝大部分支流在山前消失,中游主要河流只有黑河干流与梨园河(图1).黑河发源于祁连山北麓,由东南流向西北,途径青海、甘肃及内蒙古三个省区,最终注入居延海,全长约821 km,水量主要由降水、冰雪融水以及地下水出流组成.莺落峡水文站为黑河出山口径流量观测站,多年(1945—2012年)平均年径流量约为15.9×108 m3,是中游张掖市、临泽县、高台县及下游金塔东部和额济纳旗绿洲等地城市工业、生活用水的主要水源[28].黑河流域中游(38°38′~39°53′ N, 98°53′~100°44′ E; 图1)为典型的干旱气候,年降水量稀少(90~160 mm),潜在蒸发量大(2 000~2 500 mm),总面积约9 016 km2[29-30].河流流出祁连山后,一部分被引入灌溉渠系和供水系统,其余则沿河床下泄,并于沿途渗入地下,补给地下水,黑河在山前冲积扇区损失33%的径流量[31].长期以来,黑河中游农业生产与下游湿地、尾闾湖等生态环境之间存在着用水矛盾,且由于社会、经济发展和人口的增长,用水矛盾日益突出. ...
Evaluation and advancement of water resources carrying capacity of Zhangye Prefecture in Heihe River basin
1
2020
... 黑河流域是我国第二大内陆河流域,位于我国西北部干旱区,面积约为14×104 km2.流域上游的祁连山区是我国重要的冰冻圈分布区,气温较低、蒸发弱,年平均降水量大于300 mm,丰富的冰冻圈融水与降水是整个流域的主要水源.流域下游为额济纳旗盆地,为典型的大陆性气候,具有降水少(年均降水量为43.7 mm)、蒸发强(年均蒸发量为2 248.8 mm)、日照时间长、昼夜温差大等特性[27].流域内支流共35个,由于过度开采及蒸发,绝大部分支流在山前消失,中游主要河流只有黑河干流与梨园河(图1).黑河发源于祁连山北麓,由东南流向西北,途径青海、甘肃及内蒙古三个省区,最终注入居延海,全长约821 km,水量主要由降水、冰雪融水以及地下水出流组成.莺落峡水文站为黑河出山口径流量观测站,多年(1945—2012年)平均年径流量约为15.9×108 m3,是中游张掖市、临泽县、高台县及下游金塔东部和额济纳旗绿洲等地城市工业、生活用水的主要水源[28].黑河流域中游(38°38′~39°53′ N, 98°53′~100°44′ E; 图1)为典型的干旱气候,年降水量稀少(90~160 mm),潜在蒸发量大(2 000~2 500 mm),总面积约9 016 km2[29-30].河流流出祁连山后,一部分被引入灌溉渠系和供水系统,其余则沿河床下泄,并于沿途渗入地下,补给地下水,黑河在山前冲积扇区损失33%的径流量[31].长期以来,黑河中游农业生产与下游湿地、尾闾湖等生态环境之间存在着用水矛盾,且由于社会、经济发展和人口的增长,用水矛盾日益突出. ...
黑河流域张掖段水资源承载力评价及提升对策研究
1
2020
... 黑河流域是我国第二大内陆河流域,位于我国西北部干旱区,面积约为14×104 km2.流域上游的祁连山区是我国重要的冰冻圈分布区,气温较低、蒸发弱,年平均降水量大于300 mm,丰富的冰冻圈融水与降水是整个流域的主要水源.流域下游为额济纳旗盆地,为典型的大陆性气候,具有降水少(年均降水量为43.7 mm)、蒸发强(年均蒸发量为2 248.8 mm)、日照时间长、昼夜温差大等特性[27].流域内支流共35个,由于过度开采及蒸发,绝大部分支流在山前消失,中游主要河流只有黑河干流与梨园河(图1).黑河发源于祁连山北麓,由东南流向西北,途径青海、甘肃及内蒙古三个省区,最终注入居延海,全长约821 km,水量主要由降水、冰雪融水以及地下水出流组成.莺落峡水文站为黑河出山口径流量观测站,多年(1945—2012年)平均年径流量约为15.9×108 m3,是中游张掖市、临泽县、高台县及下游金塔东部和额济纳旗绿洲等地城市工业、生活用水的主要水源[28].黑河流域中游(38°38′~39°53′ N, 98°53′~100°44′ E; 图1)为典型的干旱气候,年降水量稀少(90~160 mm),潜在蒸发量大(2 000~2 500 mm),总面积约9 016 km2[29-30].河流流出祁连山后,一部分被引入灌溉渠系和供水系统,其余则沿河床下泄,并于沿途渗入地下,补给地下水,黑河在山前冲积扇区损失33%的径流量[31].长期以来,黑河中游农业生产与下游湿地、尾闾湖等生态环境之间存在着用水矛盾,且由于社会、经济发展和人口的增长,用水矛盾日益突出. ...
Characteristics and cycle conversion of water resources in the Hexi Corridor
1
2006
... 黑河流域是我国第二大内陆河流域,位于我国西北部干旱区,面积约为14×104 km2.流域上游的祁连山区是我国重要的冰冻圈分布区,气温较低、蒸发弱,年平均降水量大于300 mm,丰富的冰冻圈融水与降水是整个流域的主要水源.流域下游为额济纳旗盆地,为典型的大陆性气候,具有降水少(年均降水量为43.7 mm)、蒸发强(年均蒸发量为2 248.8 mm)、日照时间长、昼夜温差大等特性[27].流域内支流共35个,由于过度开采及蒸发,绝大部分支流在山前消失,中游主要河流只有黑河干流与梨园河(图1).黑河发源于祁连山北麓,由东南流向西北,途径青海、甘肃及内蒙古三个省区,最终注入居延海,全长约821 km,水量主要由降水、冰雪融水以及地下水出流组成.莺落峡水文站为黑河出山口径流量观测站,多年(1945—2012年)平均年径流量约为15.9×108 m3,是中游张掖市、临泽县、高台县及下游金塔东部和额济纳旗绿洲等地城市工业、生活用水的主要水源[28].黑河流域中游(38°38′~39°53′ N, 98°53′~100°44′ E; 图1)为典型的干旱气候,年降水量稀少(90~160 mm),潜在蒸发量大(2 000~2 500 mm),总面积约9 016 km2[29-30].河流流出祁连山后,一部分被引入灌溉渠系和供水系统,其余则沿河床下泄,并于沿途渗入地下,补给地下水,黑河在山前冲积扇区损失33%的径流量[31].长期以来,黑河中游农业生产与下游湿地、尾闾湖等生态环境之间存在着用水矛盾,且由于社会、经济发展和人口的增长,用水矛盾日益突出. ...
河西走廊水资源特征及其循环转化规律
1
2006
... 黑河流域是我国第二大内陆河流域,位于我国西北部干旱区,面积约为14×104 km2.流域上游的祁连山区是我国重要的冰冻圈分布区,气温较低、蒸发弱,年平均降水量大于300 mm,丰富的冰冻圈融水与降水是整个流域的主要水源.流域下游为额济纳旗盆地,为典型的大陆性气候,具有降水少(年均降水量为43.7 mm)、蒸发强(年均蒸发量为2 248.8 mm)、日照时间长、昼夜温差大等特性[27].流域内支流共35个,由于过度开采及蒸发,绝大部分支流在山前消失,中游主要河流只有黑河干流与梨园河(图1).黑河发源于祁连山北麓,由东南流向西北,途径青海、甘肃及内蒙古三个省区,最终注入居延海,全长约821 km,水量主要由降水、冰雪融水以及地下水出流组成.莺落峡水文站为黑河出山口径流量观测站,多年(1945—2012年)平均年径流量约为15.9×108 m3,是中游张掖市、临泽县、高台县及下游金塔东部和额济纳旗绿洲等地城市工业、生活用水的主要水源[28].黑河流域中游(38°38′~39°53′ N, 98°53′~100°44′ E; 图1)为典型的干旱气候,年降水量稀少(90~160 mm),潜在蒸发量大(2 000~2 500 mm),总面积约9 016 km2[29-30].河流流出祁连山后,一部分被引入灌溉渠系和供水系统,其余则沿河床下泄,并于沿途渗入地下,补给地下水,黑河在山前冲积扇区损失33%的径流量[31].长期以来,黑河中游农业生产与下游湿地、尾闾湖等生态环境之间存在着用水矛盾,且由于社会、经济发展和人口的增长,用水矛盾日益突出. ...
Hole-filled seamless SRTM data V4
1
2008
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
Landuse/landcover data of the Heihe river basin (2000)
1
2013
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
黑河流域土地利用/土地覆盖数据集(2000)
1
2013
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
Landuse/landcover dataset of the Heihe river basin (1980s)
1
2014
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
黑河流域土地利用/土地覆盖数据集(80年代末)
1
2014
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
[DS]
1
2007
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
张掖市土地利用/土地覆盖数据集(2007)
1
2015
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
1
2017
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
1
2017
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
The monitoring data of the groundwater level in the middle of Heihe River basin (2005—2007)
1
2016
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
黑河干流中游地区地下水位监测数据(2005—2007)
1
2016
... 在前期工作中,我们构建了黑河流域中游的地下水模型,采用了SRTM(Shuttle Radar Topography Mission)的DEM(Digital Elevation Model)数据[32]、土地利用[33-34]、抽水[35]、灌溉[36]、地下水位[37]以及河流径流量数据.将SRTM 90 m×90 m的数据处理为1 km×1 km的网格数据对研究区含水层系统进行空间离散化.时间上,将所获取数据(1986年1月—2010年12月)离散为月时间间隔,采用以每个自然月为一个应力期的非稳定流(暂态流,Transient state)模拟.地下水位数据包括42口观测井处的观测水位,河流径流量包括莺落峡、高崖及正义峡处观测的径流数据.经过校正(1986年1月—2008年12月)与验证(2009年1月—2010年12月),模型对研究区内地下水位及径流量的拟合程度较好,所构建的地下水模型比较真实地反映了研究区地下水系统的情况[4]. ...
The ensemble Kalman Filter: theoretical formulation and practical implementation
1
2003
... EnKF采用蒙特卡罗方法随机产生参数集合,对状态变量进行预测,并根据获取的观测信息对状态变量进行更新,已经有许多文献对其理论和具体算法做了详细的论述[38-39].此处仅简要回顾一下EnKF的主要的工作原理. ...
1
2009
... EnKF采用蒙特卡罗方法随机产生参数集合,对状态变量进行预测,并根据获取的观测信息对状态变量进行更新,已经有许多文献对其理论和具体算法做了详细的论述[38-39].此处仅简要回顾一下EnKF的主要的工作原理. ...
Iterative ensemble Kalman filters for data assimilation
1
2009
... ES的本质是将所有时刻的观测资料输入同化算法中进行一次参数更新[40].然而,正如算法名字所示,ESMDA在ES的基础上设定一个算法执行次数,进行多次数据同化,在每个循环中,ESMDA并不是简单重复了ES过程,而是在每个循环中对观测误差添加了一个膨胀系数α i,并令 ...
Ensemble smoother with multiple data assimilation
2
2013
... 式中:Na 为循环次数.显然地,α i 有许多种取值方式,然而文献[41]指出,随着循环次数的增加而逐渐减小的膨胀系数对于同化效果并无明显提升.因此,在每次循环中,采用相同的膨胀系数. ...
... ESMDA采用EnKF算法对地下水模型参数进行更新,因此,EnKF算法的执行次数将直接影响模型参数的更新效果.然而,目前尚没有关于执行次数的理论研究,而在文献[41]给出的例子中,分别执行了2次、4次算法以对比同化效果.考虑到计算消耗问题,本节评价了执行1次、2次、3次、4次EnKF算法后的同化效果(图4). ...
Simulated groundwater interaction with rivers and springs in the Heihe river basin
1
2007
... 黑河流域中游地下水模型基于MODFLOW(MODular three-dimension finite-difference groundwater FLOW model)构建,MODFLOW采用有限差分法将时间与空间离散化以解决地下水在三维空间中的流动问题.研究区平面面积约为9 016 km2,采用1 km×1 km 的正方形网格将研究区含水层系统在水平方向上进行空间离散化,离散化之后,研究区在平面上剖分成为132行×165列网格(如图3).研究区内定义为活动单元,研究区外定义为非活动单元.时间上,以每月为一个应力期,每天为一个时间步.研究区边界条件参考文献[42]以及自然边界确定(图3).由于地下水分水岭的存在,A~E设置为无水流边界;E处为正义峡水文站,黑河从此处流出研究区;据调查资料分析,北山地区地下水含水介质与南部祁连山相似,但由于降水稀少,无常年地表径流,地下水含量无法与祁连山区相比较[27],因此,将D~E边界假设为无水流边界;由于多种侧向流从南部祁连山流入研究区,导致A~D边界最为复杂,因此,将此边界分为3段进行定义:如图3所示,A~B与C~D定义为定流量边界条件(第二类边界条件或Neumam条件),B~C之间定义为无流量边界.垂直方向上,模型顶部边界为空气—土壤接触面边界,模型底板定义为不透水边界.黑河干支流采用MODFLOW内的河流(STR, STreamflow-Routing)程序包[43]进行模拟.农业灌溉通过采用地下水补给程序包(RCH, ReCHarge)[44]在网格上添加补给率实现.蒸散发采用了MODFLOW内置的蒸散发程序包(EVT, EVapoTranspiration)进行模拟.机井采用机井程序包(Well)进行模拟. ...
Documentation of a computer program to simulate stream-aquifer relations using a modular, finite-difference, ground-water flow model
1
1989
... 黑河流域中游地下水模型基于MODFLOW(MODular three-dimension finite-difference groundwater FLOW model)构建,MODFLOW采用有限差分法将时间与空间离散化以解决地下水在三维空间中的流动问题.研究区平面面积约为9 016 km2,采用1 km×1 km 的正方形网格将研究区含水层系统在水平方向上进行空间离散化,离散化之后,研究区在平面上剖分成为132行×165列网格(如图3).研究区内定义为活动单元,研究区外定义为非活动单元.时间上,以每月为一个应力期,每天为一个时间步.研究区边界条件参考文献[42]以及自然边界确定(图3).由于地下水分水岭的存在,A~E设置为无水流边界;E处为正义峡水文站,黑河从此处流出研究区;据调查资料分析,北山地区地下水含水介质与南部祁连山相似,但由于降水稀少,无常年地表径流,地下水含量无法与祁连山区相比较[27],因此,将D~E边界假设为无水流边界;由于多种侧向流从南部祁连山流入研究区,导致A~D边界最为复杂,因此,将此边界分为3段进行定义:如图3所示,A~B与C~D定义为定流量边界条件(第二类边界条件或Neumam条件),B~C之间定义为无流量边界.垂直方向上,模型顶部边界为空气—土壤接触面边界,模型底板定义为不透水边界.黑河干支流采用MODFLOW内的河流(STR, STreamflow-Routing)程序包[43]进行模拟.农业灌溉通过采用地下水补给程序包(RCH, ReCHarge)[44]在网格上添加补给率实现.蒸散发采用了MODFLOW内置的蒸散发程序包(EVT, EVapoTranspiration)进行模拟.机井采用机井程序包(Well)进行模拟. ...
1
2005
... 黑河流域中游地下水模型基于MODFLOW(MODular three-dimension finite-difference groundwater FLOW model)构建,MODFLOW采用有限差分法将时间与空间离散化以解决地下水在三维空间中的流动问题.研究区平面面积约为9 016 km2,采用1 km×1 km 的正方形网格将研究区含水层系统在水平方向上进行空间离散化,离散化之后,研究区在平面上剖分成为132行×165列网格(如图3).研究区内定义为活动单元,研究区外定义为非活动单元.时间上,以每月为一个应力期,每天为一个时间步.研究区边界条件参考文献[42]以及自然边界确定(图3).由于地下水分水岭的存在,A~E设置为无水流边界;E处为正义峡水文站,黑河从此处流出研究区;据调查资料分析,北山地区地下水含水介质与南部祁连山相似,但由于降水稀少,无常年地表径流,地下水含量无法与祁连山区相比较[27],因此,将D~E边界假设为无水流边界;由于多种侧向流从南部祁连山流入研究区,导致A~D边界最为复杂,因此,将此边界分为3段进行定义:如图3所示,A~B与C~D定义为定流量边界条件(第二类边界条件或Neumam条件),B~C之间定义为无流量边界.垂直方向上,模型顶部边界为空气—土壤接触面边界,模型底板定义为不透水边界.黑河干支流采用MODFLOW内的河流(STR, STreamflow-Routing)程序包[43]进行模拟.农业灌溉通过采用地下水补给程序包(RCH, ReCHarge)[44]在网格上添加补给率实现.蒸散发采用了MODFLOW内置的蒸散发程序包(EVT, EVapoTranspiration)进行模拟.机井采用机井程序包(Well)进行模拟. ...
Uncertainty of simulated catchment runoff response in the presence of threshold processes: role of initial soil moisture and precipitation
1
2005
... 数据同化的目的即是最大限度的融合不同来源、不同时间、空间分辨率的直接、间接观测数据以用于提高模型的估计精度,以获得更加准确的状态变量的时空分布[45-46].然而由于成本原因,对系统内相关因素进行无限制观测是不现实的.因此,研究观测资料对同化效果的影响是必要的.选择42个水位观测井处的观测水位以及高崖和正义峡水文观测站处的黑河流量观测数据,分别研究观测数为7、14、21、28、35、42以及44时对同化效果的影响.图5显示了经过2次参数更新过程之后,不同观测资料数的RMSE值.由于涉及到不同类型的观测值、输出值(地下水位、流量),所以,图中对地下水水位、流量的观测值及输出值进行了归一化处理,将观测值、输出值限定于[0, 1]之间.由图5的总体趋势上可以看出,随着观测资料的增加,参数逐渐接近真实值,地下水位的RMSE值逐渐降低.然而,观测数从7个增加至14个对同化效果影响不明显;观测井数增加至21个之后,同化效果基本保持不变;增加流量观测(42至44)对同化效果影响较为显著.由此可见,一种类型的观测数据确实会提升同化效果,但是当一种类型的观测数据增加到一定程度时(本实验中为21个),观测数据对同化效果的影响有限;然而,继续增加不同类型的观测数据(河流流量观测数据)将进一步提升同化效果. ...
Progress and prospect of research on land surface data assimilation system in China
1
2007
... 数据同化的目的即是最大限度的融合不同来源、不同时间、空间分辨率的直接、间接观测数据以用于提高模型的估计精度,以获得更加准确的状态变量的时空分布[45-46].然而由于成本原因,对系统内相关因素进行无限制观测是不现实的.因此,研究观测资料对同化效果的影响是必要的.选择42个水位观测井处的观测水位以及高崖和正义峡水文观测站处的黑河流量观测数据,分别研究观测数为7、14、21、28、35、42以及44时对同化效果的影响.图5显示了经过2次参数更新过程之后,不同观测资料数的RMSE值.由于涉及到不同类型的观测值、输出值(地下水位、流量),所以,图中对地下水水位、流量的观测值及输出值进行了归一化处理,将观测值、输出值限定于[0, 1]之间.由图5的总体趋势上可以看出,随着观测资料的增加,参数逐渐接近真实值,地下水位的RMSE值逐渐降低.然而,观测数从7个增加至14个对同化效果影响不明显;观测井数增加至21个之后,同化效果基本保持不变;增加流量观测(42至44)对同化效果影响较为显著.由此可见,一种类型的观测数据确实会提升同化效果,但是当一种类型的观测数据增加到一定程度时(本实验中为21个),观测数据对同化效果的影响有限;然而,继续增加不同类型的观测数据(河流流量观测数据)将进一步提升同化效果. ...
中国陆面数据同化系统研究的进展与前瞻
1
2007
... 数据同化的目的即是最大限度的融合不同来源、不同时间、空间分辨率的直接、间接观测数据以用于提高模型的估计精度,以获得更加准确的状态变量的时空分布[45-46].然而由于成本原因,对系统内相关因素进行无限制观测是不现实的.因此,研究观测资料对同化效果的影响是必要的.选择42个水位观测井处的观测水位以及高崖和正义峡水文观测站处的黑河流量观测数据,分别研究观测数为7、14、21、28、35、42以及44时对同化效果的影响.图5显示了经过2次参数更新过程之后,不同观测资料数的RMSE值.由于涉及到不同类型的观测值、输出值(地下水位、流量),所以,图中对地下水水位、流量的观测值及输出值进行了归一化处理,将观测值、输出值限定于[0, 1]之间.由图5的总体趋势上可以看出,随着观测资料的增加,参数逐渐接近真实值,地下水位的RMSE值逐渐降低.然而,观测数从7个增加至14个对同化效果影响不明显;观测井数增加至21个之后,同化效果基本保持不变;增加流量观测(42至44)对同化效果影响较为显著.由此可见,一种类型的观测数据确实会提升同化效果,但是当一种类型的观测数据增加到一定程度时(本实验中为21个),观测数据对同化效果的影响有限;然而,继续增加不同类型的观测数据(河流流量观测数据)将进一步提升同化效果. ...
Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics
1
1994
... EnKF采用样本集合的方式表示模型状态变量的先验概率分布,估计误差协方差[47].Hamill等[48]研究发现,EnKF中的背景误差协方差估计和滤波函数的最优相关尺度等均与样本集合大小相关;当样本集合比较小时,协方差的估计噪音较大、最优相关尺度较小,出现滤波发散现象,且集合大小直接影响算法运行时间.因此,采用不同的集合大小运行算法,以探索集合大小对算法同化效果的影响.图6显示了模型参数集合大小分别为30、60、90、120、150情况下,经过两次参数更新之后的RMSE值.由图中可以看出,当参数集合大小为30时,并没有出现滤波发散现象,且增加采样对同化效果的影响并不明显.因此,本文将集合大小设置为30以平衡算法效果与计算消耗. ...
Distance-dependent filtering of background error covariance estimates in an ensemble Kalman filter
1
2001
... EnKF采用样本集合的方式表示模型状态变量的先验概率分布,估计误差协方差[47].Hamill等[48]研究发现,EnKF中的背景误差协方差估计和滤波函数的最优相关尺度等均与样本集合大小相关;当样本集合比较小时,协方差的估计噪音较大、最优相关尺度较小,出现滤波发散现象,且集合大小直接影响算法运行时间.因此,采用不同的集合大小运行算法,以探索集合大小对算法同化效果的影响.图6显示了模型参数集合大小分别为30、60、90、120、150情况下,经过两次参数更新之后的RMSE值.由图中可以看出,当参数集合大小为30时,并没有出现滤波发散现象,且增加采样对同化效果的影响并不明显.因此,本文将集合大小设置为30以平衡算法效果与计算消耗. ...