基于人工神經(jīng)網(wǎng)絡(luò)的雅礱江流域に文 過(guò)程多模型集合模擬

陳昕 魚京善

摘要：為降低水文模型的不確定性對(duì)流域水文過(guò)程模擬的影響，優(yōu)化模型的實(shí)際應(yīng)用效果，選取四種常見(jiàn)的水文模型：SWAT模型、BTOPMC模型、VIC模型和DTVG模型在中國(guó)西南的雅礱江流域分別建模，采用一套統(tǒng)一的模型輸入數(shù)據(jù)與模擬時(shí)間范圍，再次運(yùn)用四個(gè)水文模型進(jìn)行徑流計(jì)算，并運(yùn)用北京師范大學(xué)水科學(xué)研究院自主開發(fā)的基于人工神經(jīng)網(wǎng)絡(luò)方法的多模型輸出集合系統(tǒng)對(duì)四個(gè)模型的模擬結(jié)果進(jìn)行集合計(jì)算，得到集合計(jì)算的流量過(guò)程線及誤差水平，與各水文模型計(jì)算結(jié)果相比較。研究結(jié)果表明，多模型集合計(jì)算的確定性系數(shù)和納什效率系數(shù)均達(dá)到了090，相比單一水文模型的計(jì)算精度有大幅提高，且計(jì)算結(jié)果較穩(wěn)定，與實(shí)際徑流過(guò)程具有很好的一致性，說(shuō)明多模型集合模擬在該流域具有很好的適用性。

關(guān)鍵詞：水文模型;人工神經(jīng)網(wǎng)絡(luò);水文過(guò)程;多模型集合;雅礱江流域

中圖分類號(hào)：TV121.1文獻(xiàn)標(biāo)志碼：A文章編號(hào)：

16721683（2018）02007407

Abstract：

In order to reduce the influence of the uncertainty of hydrological models on hydrological simulation and improve the actual application effect of the models，we took the Yalong River basin as an example，and constructed four commonly used hydrological models： SWAT model，BTOPMC model，VIC model，and DTVG model.We conducted independent simulation using these models with the same input data and simulation time range.Then，we calculated the simulation results of the four models using the Multimodel Ensemble Output System independently developed by Beijing Normal University based on the artificial neural network method to obtain the flow hydrograph and error，and compared them with the results of the four models.The results indicated that the correlation coefficient and Nash efficiency coefficient of the multimodel ensemble simulation were both above 090，which was a great improvement in accuracy than the independent models.The results were stable and consistent with the actual runoff process.These indicated that the multimodel ensemble hydrological simulation had good applicability in this river basin.

Key words：

hydrological model;artificial neural network;hydrological process;multimodel ensemble;Yalong River Basin

水文模型的不確定性主要來(lái)源于模型輸入、模型結(jié)構(gòu)、模型參數(shù)和模型輸出四個(gè)方面。其中，模型結(jié)構(gòu)的不確定性屬于系統(tǒng)不確定性，沒(méi)有任何一個(gè)模型相比于其他模型具有絕對(duì)優(yōu)勢(shì);此外，面向某種空間尺度進(jìn)行開發(fā)與設(shè)計(jì)的水文模型都具有特定的適用空間尺度。因此，應(yīng)用單一模型得到的模擬結(jié)果無(wú)法避免由模型結(jié)構(gòu)帶來(lái)的不確定性[1]，也無(wú)法模擬多空間尺度下的水文過(guò)程，容易影響模擬效果與預(yù)報(bào)精度。為降低水文模型模擬應(yīng)用的不確定性，根據(jù)不同水文模型的特點(diǎn)，借鑒氣象預(yù)報(bào)和水文集合預(yù)報(bào)的思想[23]，可采用水文集合模擬的方法提高模擬預(yù)報(bào)的精度和可靠性。模擬方式主要分為過(guò)程集合與結(jié)果集合。過(guò)程集合是在每個(gè)水文循環(huán)分過(guò)程進(jìn)行不同方法的模擬，再組成為整體;結(jié)果集合是對(duì)多輸入或多模型模擬結(jié)果的集合[4]，常用的方法有：簡(jiǎn)單平均法、加權(quán)平均法、神經(jīng)網(wǎng)絡(luò)法和模糊推理法等。近年來(lái)，國(guó)內(nèi)許多學(xué)者對(duì)集合模擬的實(shí)際應(yīng)用展開了相關(guān)研究。路志英[5]等利用人工神經(jīng)網(wǎng)絡(luò)對(duì)不同結(jié)構(gòu)類型的MOS模型、動(dòng)力診斷模型、人工智能模型進(jìn)行了多模型集合氣象預(yù)報(bào)，有效提高了預(yù)報(bào)準(zhǔn)確率;熊立華[6]等選用自適應(yīng)神經(jīng)模糊推理系統(tǒng)作為水文模型綜合平臺(tái)，綜合處理新安江模型和總徑流響應(yīng)模型，大大提高了模型效率和精度;梁忠民[7]等采用貝葉斯模型平均法集合SAC和TOPMODEL模型進(jìn)行洪水預(yù)報(bào)，不僅提高了模擬精度，還可定量評(píng)價(jià)模型不確定性;董磊華[8]等采用貝葉斯模型平均法對(duì)牧馬河流域的新安江模型、SMAR和SIMHYD模型進(jìn)行集合徑流預(yù)報(bào)，提高了預(yù)報(bào)精度，但該方法在低水部分的應(yīng)用效果不太好;袁喆[9]等基于SWAT模型和灰色微分動(dòng)態(tài)自記憶模型，采用熵權(quán)法和集對(duì)分析法分別構(gòu)建集合模型并應(yīng)用于灤河流域徑流模擬中，結(jié)果表明集合模型的徑流預(yù)測(cè)效果優(yōu)于單一模型。綜上，集合模擬能綜合考慮模型參數(shù)和輸入的不確定性，進(jìn)而對(duì)不同模型的模擬結(jié)果進(jìn)行集合計(jì)算以降低模型結(jié)構(gòu)的不確定性[1013]，采用對(duì)不同模型的預(yù)報(bào)值取權(quán)重得到的綜合預(yù)報(bào)值能獲得更好的預(yù)報(bào)效果[1316]。本文選取計(jì)算特點(diǎn)各異的SWAT、BTOPMC、VIC和DTVG四種水文模型，首先在雅礱江流域分別構(gòu)建四個(gè)水文模型并進(jìn)行模型的率定和驗(yàn)證，統(tǒng)一模型輸入數(shù)據(jù)后，再次利用已構(gòu)建的四個(gè)模型進(jìn)行計(jì)算，最終采用人工神經(jīng)網(wǎng)絡(luò)方法將四個(gè)模型的模擬結(jié)果進(jìn)行集合計(jì)算，以此比較單一模型徑流模擬和多模型集合模擬的效果，并分析集合模擬在該流域徑流模擬中的適用性。

1研究方法

1.1單一水文模型

SWAT模型是美國(guó)農(nóng)業(yè)部農(nóng)業(yè)研究中心開發(fā)的一個(gè)具有很強(qiáng)物理機(jī)制的長(zhǎng)時(shí)段的流域分布式水文模型[1718]。它利用地理信息系統(tǒng)（GIS）和遙感（RS）提供的空間數(shù)據(jù)信息，能夠模擬不同的土壤類型、土地利用方式和管理?xiàng)l件下的復(fù)雜大流域中多種不同的水文物理過(guò)程，能在資料缺乏的地區(qū)建模，目前已廣泛應(yīng)用于流域管理和水資源決策等領(lǐng)域。SWAT模型的基本特點(diǎn)為：在每一個(gè)子流域上應(yīng)用傳統(tǒng)的概念性模型推求凈雨，再進(jìn)行匯流演算，最后求得出口斷面流量，即應(yīng)用數(shù)值分析建立相鄰網(wǎng)格單元之間的時(shí)空關(guān)系;采用先進(jìn)的模塊化設(shè)計(jì)思路，水循環(huán)的每一個(gè)環(huán)節(jié)對(duì)應(yīng)一個(gè)子模塊，方便模型的擴(kuò)展和應(yīng)用;采用獨(dú)特的命令代碼控制方式，控制水流在子流域間和河網(wǎng)中的演進(jìn)過(guò)程。模型所需的輸入包括空間數(shù)據(jù)庫(kù)與屬性數(shù)據(jù)庫(kù)。其中，空間數(shù)據(jù)庫(kù)涵蓋了數(shù)字高程圖、土地利用圖和土壤類型圖;屬性數(shù)據(jù)庫(kù)涵蓋了土地利用屬性數(shù)據(jù)庫(kù)、土壤屬性數(shù)據(jù)庫(kù)和氣象數(shù)據(jù)庫(kù)。相關(guān)水文計(jì)算基本原理參見(jiàn)文獻(xiàn)[19]。

BTOPMC模型是由日本山梨大學(xué)為大流域開發(fā)的一個(gè)基于DEM網(wǎng)格的具有物理基礎(chǔ)的分布式流域水文模型。該模型將整個(gè)流域劃分為由許多網(wǎng)格組成的若干個(gè)子流域，每個(gè)網(wǎng)格具有相同的土地覆被和土壤類型，網(wǎng)格單元在垂向上被分為植被層、根系層、非飽和層和飽和層四層。在每個(gè)子流域分別應(yīng)用TOPMODEL[20]模型模擬計(jì)算，再用等流時(shí)線法將流域產(chǎn)流量匯集到各子流域出口，最后應(yīng)用MuskingumCunge河道演算方法進(jìn)行河道匯流模擬，使得BTOPMC模型在濕潤(rùn)地區(qū)具有比TOPMODEL更廣泛的適用性，該模型采用先進(jìn)的模塊化設(shè)計(jì)思路，水循環(huán)的每一個(gè)環(huán)節(jié)對(duì)應(yīng)一個(gè)子模塊，目前已開發(fā)出地形、產(chǎn)流、匯流、蒸散發(fā)、融雪等多個(gè)模塊[21]，模型所需數(shù)據(jù)有數(shù)字高程數(shù)據(jù)與水文氣象等實(shí)測(cè)數(shù)據(jù)。

VIC模型是一種基于空間分布網(wǎng)格化的大尺度陸面分布式水文模型[2223]。該模型多為3層土壤的VIC3L模型，可同時(shí)進(jìn)行陸氣之間能量平衡和水量平衡的模擬，也可只進(jìn)行水量平衡的計(jì)算，輸出每個(gè)網(wǎng)格上的徑流深和蒸發(fā)量，再通過(guò)匯流模型將網(wǎng)格上的徑流深轉(zhuǎn)化成流域出口斷面的流量過(guò)程[24]，彌補(bǔ)了傳統(tǒng)水文模型對(duì)熱量過(guò)程描述的不足。VIC模型在一個(gè)計(jì)算網(wǎng)格內(nèi)分別考慮裸土及不同的植被覆蓋類型，并同時(shí)考慮陸-氣間水分收支和能量收支過(guò)程。VIC模型的輸入數(shù)據(jù)主要包括水文氣象數(shù)據(jù)（FORCING文件）、植被數(shù)據(jù)（VER文件）、土壤數(shù)據(jù)（SOIL文件）和DEM數(shù)據(jù)。

DTVG模型是夏軍[25]針對(duì)中國(guó)北方水文時(shí)空變化的復(fù)雜性，將集總的TVGM水文非線性系統(tǒng)模擬通過(guò)DEM平臺(tái)，并結(jié)合單元水文模擬建立的分布式時(shí)變?cè)鲆婺Ｐ?。它是水文非線性系統(tǒng)方法與分布式水文模擬的一種結(jié)合，既有分布式水文物理模擬的特征，同時(shí)又具有水文系統(tǒng)分析適應(yīng)能力強(qiáng)的特點(diǎn)，能夠在水文資料信息不完全或者有不確定性干擾的條件下完成分布式水文模擬與分析，在受季風(fēng)影響的半濕潤(rùn)、半干旱地區(qū)和中小流域的實(shí)際應(yīng)用效果較好。該模型通過(guò)GIS和流域系統(tǒng)網(wǎng)格化過(guò)程提取陸地表層空間變化信息，結(jié)合蒸散發(fā)、融雪等物理過(guò)程模擬，在流域單元網(wǎng)格上進(jìn)行非線性地表水產(chǎn)流計(jì)算;其次，基于水量平衡方程和蓄泄方程建立土壤水或地下水產(chǎn)流模型，產(chǎn)流模型在垂直方向上分三層：地表以上，表層土壤，深層土壤，分別產(chǎn)生地表徑流、壤中流和地下徑流;最后利用DEM提取出的匯流網(wǎng)絡(luò)進(jìn)行分級(jí)網(wǎng)格匯流演算。

[BT3-*4]1.2模型集合方法

人工神經(jīng)網(wǎng)絡(luò)是對(duì)人腦神經(jīng)元網(wǎng)絡(luò)的抽象和模擬，通過(guò)不同的連接方式可以組成不同的網(wǎng)絡(luò)，其中，反向傳播（Back Propagation，簡(jiǎn)稱BP）人工神經(jīng)網(wǎng)絡(luò)是一種具有誤差反向傳播及修正的多層映射網(wǎng)絡(luò)，典型的BP 人工神經(jīng)網(wǎng)絡(luò)為包含輸入層、中間層和輸出層的三層網(wǎng)絡(luò)結(jié)構(gòu)，層與層之間由相應(yīng)的網(wǎng)絡(luò)權(quán)值連接。其計(jì)算的基本原理是梯度最速下降法，中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)誤差最小。它包含正向和反向傳播兩個(gè)階段：在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài);如果在輸出層不能得到期望輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的連接通道返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使誤差信號(hào)最小。它不僅能夠很好地模擬復(fù)雜多變的非線性關(guān)系，而且能夠快速地完成大量運(yùn)算。

由于BP人工神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)勢(shì)而被廣泛應(yīng)用于水文預(yù)報(bào)等眾多領(lǐng)域。（1）映射能力強(qiáng)，可滿足一般函數(shù)的擬合逼近問(wèn)題;（2）優(yōu)秀的自學(xué)能力使其可以不斷地利用新數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，不斷地修正模擬結(jié)果;（3）具有大規(guī)模的并行處理和分布式信息存儲(chǔ)能力以及良好的自適應(yīng)能力。多模型集合計(jì)算的關(guān)鍵在于模型信息的最大化利用，實(shí)際上也是函數(shù)映射或擬合的問(wèn)題， BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，使得任何一個(gè)三層的含有Sigmoid神經(jīng)元的網(wǎng)絡(luò)能無(wú)限逼近任何非線性連續(xù)函數(shù)，特別適合處理需要同時(shí)考慮許多因素和條件的、不精確和模糊的信息處理問(wèn)題。因此，本文選用BP人工神經(jīng)網(wǎng)絡(luò)方法作為水文多模型集合計(jì)算的方法。

2案例應(yīng)用

2.1研究區(qū)概況

雅礱江流域跨四川、青海、云南三省（96°30′E-103°30′E，26°N-34°30′N），發(fā)源于青藏高原巴顏喀拉山南麓，干流全長(zhǎng)1 535 km，流域面積為1284 萬(wàn)km2。一般將雅礱江甘孜以上稱為上游，甘孜至小金河（理塘河）為中游，以下為下游。雅礱江流域地形復(fù)雜，高差懸殊，涉及三個(gè)地質(zhì)構(gòu)造單元，土壤類型主要為高原草甸土和草原化草甸土，草甸為本區(qū)植被的基本類型。雅礱江支流眾多，水系發(fā)育良好，一級(jí)支流面積大于500 km2的就有34條，支流呈樹枝狀沿干流兩岸展開。流域?qū)俅ㄎ鞲咴瓪夂?，主要受高空西風(fēng)環(huán)流和西南季風(fēng)影響，干濕季分明，多年平均降水量為500～2 470 mm，由北向南遞增;多年平均蒸發(fā)量為1 166～2 500 mm，由南向北遞減;多年平均氣溫為-49～197 ℃，由南向北遞減。流域概況見(jiàn)圖1。

2.2基礎(chǔ)數(shù)據(jù)

本文在多模型集合模擬過(guò)程中，空間輸入數(shù)據(jù)采用統(tǒng)一的投影坐標(biāo)系：Beijing_1954_3_Degree_GK_CM_99E，土地利用和土壤的柵格數(shù)據(jù)分辨率統(tǒng)一為500 m。選取雅礱江流域的基礎(chǔ)數(shù)據(jù)如下。（1）DEM（90 m分辨率）：來(lái)自中國(guó)科學(xué)院國(guó)際科學(xué)數(shù)據(jù)服務(wù)平臺(tái)。（2）土地利用：MODIS陸地三級(jí)標(biāo)準(zhǔn)數(shù)據(jù)產(chǎn)品，土地利用圖采用中科院地理所生產(chǎn)的2000年數(shù)據(jù)。（3）土壤：來(lái)自中科院南京土壤所、NOAA水文辦公室發(fā)展的全球5′的土壤數(shù)據(jù)以及北京師范大學(xué)戴永久、上官微等根據(jù)土壤普查產(chǎn)生的全國(guó)土壤數(shù)據(jù)，土壤空間分布圖為中科院南京土壤所1[KG-*2]∶[KG-*4]100萬(wàn)中國(guó)土壤亞類矢量圖。（4）植被：Maryland大學(xué)發(fā)展的1 km分辨率全球植被覆蓋數(shù)據(jù)。（5）積雪分帶。（6）四個(gè)水文模型的氣象驅(qū)動(dòng)數(shù)據(jù)、實(shí)測(cè)水文數(shù)據(jù)、模擬時(shí)間以及率定和驗(yàn)證期見(jiàn)表1。

3結(jié)果與討論

本文以確定性系數(shù)R2和NashSuttclife效率系數(shù)Ens來(lái)評(píng)價(jià)模型徑流模擬的精度。其中，R2應(yīng)用線性回歸法得到，可評(píng)價(jià)實(shí)測(cè)數(shù)據(jù)和模擬數(shù)據(jù)變化趨勢(shì)的一致性，該值越接近1表示模擬值與實(shí)測(cè)值的一致性越好;Ens將平均值與模擬值作比較，該值越接近1表示模擬值越接近實(shí)測(cè)值。

3.1基于單一模型的徑流模擬

基于前文收集的基礎(chǔ)數(shù)據(jù)，通過(guò)水量平衡、蒸散發(fā)、產(chǎn)匯流計(jì)算得到基本模擬結(jié)果，結(jié)合桐子林水文站相應(yīng)的逐月實(shí)測(cè)徑流數(shù)據(jù)進(jìn)行率定和驗(yàn)證得到各模型相對(duì)最佳的參數(shù)值。其中，SWAT模型的率定和驗(yàn)證借助SWATCUP程序?qū)崿F(xiàn)，VIC模型的率定和驗(yàn)證采用了GLUE方法并設(shè)定了模型預(yù)熱期，各模型參數(shù)的率定結(jié)果見(jiàn)表2-表5，模擬結(jié)果見(jiàn)表6。

由表6可以看出，SWAT模型5個(gè)水文站點(diǎn)的模擬值與實(shí)測(cè)徑流擬合相對(duì)較好，率定所得SWAT模型參數(shù)值可較好反映流域水文循環(huán)特征;BTOPMC模型9個(gè)子流域水文站點(diǎn)的模擬值與實(shí)測(cè)徑流較為一致，率定所得模型參數(shù)值大致反映了研究區(qū)的水文循環(huán)特性;VIC模型的Ens值在率定期和驗(yàn)證期均較好，且上游和中游的Ens均達(dá)到08以上，說(shuō)明VIC模型能夠較好的模擬雅礱江流域的降水徑流過(guò)程;DTVG模型由于采用了分布式參數(shù)，11個(gè)流量站的Ens基本都在07以上，R2基本都在08以上，實(shí)測(cè)徑流同模擬值具有較好的一致性，說(shuō)明該模型應(yīng)用在雅礱江流域是可行的。

為實(shí)現(xiàn)各模型的有機(jī)耦合，保障模型模擬效果的可比性，需要統(tǒng)一輸入數(shù)據(jù)：統(tǒng)一的數(shù)據(jù)來(lái)源、統(tǒng)一的子流域劃分、統(tǒng)一的模擬時(shí)間和統(tǒng)一的水文氣象資料。經(jīng)調(diào)研，子流域統(tǒng)一劃分為96個(gè)子流域和255個(gè)子流域兩種體系，VIC和BTOPMC采用網(wǎng)格劃分方式計(jì)算;模擬時(shí)間均為2007年1月1日至2011年12月31日，其中，率定期為2007年1月1日至2010年4月30日，驗(yàn)證期為2010年5月1日至2011年12月31日;氣象數(shù)據(jù)統(tǒng)一采用國(guó)家氣象局?jǐn)?shù)據(jù);實(shí)測(cè)數(shù)據(jù)統(tǒng)一采用桐子林水文站2007年1月1日至2011年12月31日的逐月實(shí)測(cè)徑流數(shù)據(jù)。基于已構(gòu)建的四個(gè)單一模型，采用以上的輸入數(shù)據(jù)再次運(yùn)行模型進(jìn)行模擬，模擬結(jié)果見(jiàn)圖2。[HJ1〗

3.2基于人工神經(jīng)網(wǎng)絡(luò)的多模型集合模擬

本文采用由北京師范大學(xué)數(shù)字流域?qū)嶒?yàn)室開發(fā)的多模型輸出集合系統(tǒng)V10，該系統(tǒng)主要具有兩方面優(yōu)勢(shì)：一是具有十分友好的操作界面，脫離Matlab平臺(tái)運(yùn)用人工神經(jīng)網(wǎng)絡(luò)算法，能夠獨(dú)立完成計(jì)算過(guò)程，能直接在Windows系統(tǒng)運(yùn)行;二是具有便捷的輸入方式，不僅方便實(shí)現(xiàn)模擬計(jì)算，而且實(shí)現(xiàn)了率定和驗(yàn)證同步進(jìn)行，軟件用戶界面見(jiàn)圖3。應(yīng)用多模型輸出集合系統(tǒng)主要有以下三個(gè)步驟：（1）輸入數(shù)據(jù)，包括模擬河段的選擇和多模型計(jì)算數(shù)據(jù)的抽取;（2）參數(shù)設(shè)置，主要設(shè)置中間層數(shù)和最大學(xué)習(xí)次數(shù);（3）集合計(jì)算。

3.3結(jié)果對(duì)比

根據(jù)流域出口桐子林水文站的實(shí)測(cè)徑流，對(duì)統(tǒng)一輸入的單一模型計(jì)算結(jié)果應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行集合計(jì)算，得到集合模擬結(jié)果的流量過(guò)程線及誤差水平，并與單一模型計(jì)算結(jié)果比較，見(jiàn)圖2和表7。

從計(jì)算結(jié)果可以看出采用人工神經(jīng)網(wǎng)絡(luò)方法的多模型集合計(jì)算能夠大幅提高單一模型的計(jì)算結(jié)果，滿足模型應(yīng)用要求，R2和Ens達(dá)到了090。 此外，驗(yàn)證期的R2和Ens均為081，驗(yàn)證效果理想。圖3更加直觀地反映出集合計(jì)算與單一模型計(jì)算的差異，集合計(jì)算的流量過(guò)程擬合效果明顯優(yōu)于單一模型，尤其對(duì)流量相對(duì)較小的枯水期（11月至次年4[HJ1][HJ1.4mm]

4結(jié)論

本文探討了多模型集合計(jì)算應(yīng)用于實(shí)際流域的可行性，針對(duì)位于中國(guó)西部高寒山區(qū)的雅礱江流域，四個(gè)單一水文模型的徑流過(guò)程模擬都有較好的結(jié)果。其中，SWAT的模擬結(jié)果最好，其次為DTVG模型，最后為VIC和BTOPMC模型，但在枯水期的模擬存在一定的誤差;而對(duì)四種水文模型的輸出基于BP人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行集合計(jì)算的結(jié)果表明，計(jì)算結(jié)果非常穩(wěn)定，比單一模型計(jì)算顯示出更好的精度。人工神經(jīng)網(wǎng)絡(luò)方法充分考慮了每個(gè)模型的結(jié)果，最大程度利用了模型信息，在模型輸入數(shù)據(jù)一致的前提下，具有較高的確定性系數(shù)和效率系數(shù)，以及更高的精度和穩(wěn)定性，并且在枯水期模擬效果更為明顯，在雅礱江流域的徑流模擬中具有很好的適用性，為今后徑流模擬精度的提高提供了一個(gè)有效的思路。多模型集合模擬也將成為水文模擬研究的一個(gè)重要方向。

參考文獻(xiàn)（References）：

[1]DUAN Q，AJAMI N K，GAO X，et al.Multimodel ensemble hydrologic prediction using Bayesian model averaging[J].Advances in Water Resources，2007，30（5）：13711386.DOI：10.1016/j.advwatres.2006.11.014.

[2]叢樹錚.水科學(xué)技術(shù)中的概率統(tǒng)計(jì)方法[M].科學(xué)出版社，2010.（CONG S Z.Probability and statistics methods in water science and technology[M].Science Press，2010.（in Chinese））

[3]BOUCHER M A，TREMBLAY D，DELORME L，et al.Hydroeconomic assessment of hydrological forecasting systems[J].Journal of Hydrology，2012，416（3）：133144.DOI：10.1016/j.jhydrol.2011.11.042.

[4]王浩，李揚(yáng)，任立良，等.水文模型不確定性及集合模擬總體框架[J].水利水電技術(shù)，2015（6）：2126.（WANG H，LI Y，REN L L，et al.Uncertainty of hydrologic model and general framework of ensemble simulation[J].Water Resources and Hydropower Engineering，2015（6）：2126.（in Chinese））DOI：10.3969/j.issn.10000860.2015.06.005.

[5]路志英，趙智超，郝為，等.基于人工神經(jīng)網(wǎng)絡(luò)的多模型綜合預(yù)報(bào)方法[J].計(jì)算機(jī)應(yīng)用，2004（4）：5051.（LU Z Y，ZHAO Z C，HAO W，et al.Multimodel ensemble forecast method based on ANN[J].Computer Applications，2004（4）：5051.（in Chinese））

[6]熊立華，郭生練，葉凌云.自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）在水文模型綜合中的應(yīng)用[J].水文，2006（1）：3841.（XIONG L H，GUO S L，YE L Y.Application of ANFIS in the combination of hydrological models[J].Journal of China Hydrology，2006（1）：3841.（in Chinese））DOI：10.3969/j.issn.10000852.2006.01.009.

[7]梁忠民，戴榮，王軍，等.基于貝葉斯模型平均理論的水文模型合成預(yù)報(bào)研究[J].水力發(fā)電學(xué)報(bào)，2010（2）：114118.（LIANG Z M，DAI R，WANG J，et al.Study on forecast combination of different hydrological models by Bayesian Model Averaging[J].Journal of Hydroelectric Engineering，2010（2）：114118.（in Chinese））

[8]董磊華，熊立華，萬(wàn)民.基于貝葉斯模型加權(quán)平均方法的水文模型不確定性分析[J].水利學(xué)報(bào)，2011（9）：10651074.（DONG L H，XIONG L H，WAN M.Uncertainty analysis of hydrological modeling using the Bayesian Model Averaging method[J].Journal of Hydraulic Engineering，2011（9）：10651074.（in Chinese））

[9]袁喆，嚴(yán)登華，楊志勇，等.集合建模在徑流模擬和預(yù)測(cè)中的應(yīng)用[J].水利學(xué)報(bào)，2014（3）：351359.（YU Z，YAN D H，YANG Z Y，et al.Ensemble model and its application in runoff simulation and forecast[J].Journal of Hydraulic Engineering，2014（3）：351359.（in Chinese））

[10][ZK（#]董磊華，熊立華，萬(wàn)民.基于貝葉斯模型加權(quán)平均方法的水文模型不確定性分析[J].水利學(xué)報(bào)，2011（9）：10651074.（DONG L H，XIONG L H，WAN M.Uncertainty analysis of hydrological modeling using the Bayesian Model Averaging method[J].Journal of Hydraulic Engineering，2011（9）：10651074.（in Chinese））

[11]LIANG Z，WANG D，GUO Y，et al.Application of Bayesian Model Averaging approach to multimodel ensemble hydrologic forecasting[J].Journal of Hydrologic Engineering，2013，18（11）：14261436.DOI：10.1061/（asce）he.19435584.0000493.

[12]DONG L，XIONG L，ZHENG Y.Uncertainty analysis of coupling multiple hydrologic models and multiple objective functions in Han River，China[J].Water Science & Technology A Journal of the International Association on Water Pollution Research，2013，68（3）：506.DOI：10.2166/wst.2013.255.

[13]杜新忠，李敘勇，王慧亮，等.基于貝葉斯模型平均的徑流模擬及不確定性分析[J].水文，2014（3）：610.（DU X Z，LI X Y，WANG H L，et al.Multimodel ensemble runoff simulation based on Bayesian Model Averaging method and model structure uncertainty analysis[J].Journal of China Hydrology，2014（3）：610.（in Chinese））DOI：10.3969/j.issn.10000852.2014.03.002.

[14]REID D J.Combining three estimates of gross domestic product[J].Economica，1968，35（140）：431444.DOI：10.2307/2552350.

[15]DICKINSON J P.Some statistical results in the combination of forecasts[J].Journal of the Operational Research Society，1973，24（2）：253260.DOI：10.2307/3007853.

[16]BATES J M，GRANGER C W J.The combination of forecasts[J].Journal of the Operational Research Society，1969，20（4）：451468.DOI：10.2307/3008764.

[17]ARNOLD J G，SRINIVASAN R，MUTTIAH R S，et al.Large area hydrologic modeling and assessment part I：model development[J].Jawra Journal of the American Water Resources Association，1998，34（1）：7389.DOI：10.1111/j.17521688.1998.tb05961.x.

[18]ARNOLD J G，WILLIAMS J R，MAIDMENT D R.Continuoustime water and sedimentrouting model for large basins[J].Journal of Hydraulic Engineering，1995，121（2）：171183.DOI：10.1061/（asce）07339429（1995）121：2（171）.

[19]徐宗學(xué).水文模型[M].科學(xué)出版社，2009.（XU Z X.Hydrological model[M].Science Press，2009.（in Chinese））

[20]BEVEN K J，KIRKBY M J.A physically based，variable contributing area model of basin hydrology / Un modèle à base physique de zone d′appel variable de l′hydrologie du bassin versant[J].Hydrological Sciences Bulletin，1979，24（1）：4369.DOI：10.1080/02626667909491834.

[21]李相虎，任立良，劉曉帆.BTOPMC模型在小流域的適宜性及參數(shù)敏感性研究[J].水電能源科學(xué)，2008，26（1）：58.（LI X H，REN L L，LIU X F.Study on applicability and parameters sensitivity analysis of BTOPMC model in small catchment[J].Water Resources and Power，2008，26（1）：58.（in Chinese））DOI：10.3969/j.issn.10007709.2008.01.002.

[22]XU L，WOOD E F，LETTENMAIER D P.Surface soil moisture parameterization of the VIC2L model：evaluation and modification[J].Global & Planetary Change，1996，13（1）：195206.DOI：10.1016/09218181（95）000461.

[23]LIANG X，XIE Z.A new surface runoff parameterization with subgridscale soil heterogeneity for land surface models[J].Advances in Water Resources，2001，24（910）：11731193.DOI：10.1016/s03091708（01）00032x.

[24]張利平，陳小鳳，張曉琳，等.VIC模型與SWAT模型在中小流域徑流模擬中的對(duì)比研究[J].長(zhǎng)江流域資源與環(huán)境，2009（8）：745752.（ZHANG L P，CHEN X F，ZHANG X L，et al.A compare application research of VIC model and SWAT model in the midsmall valley flow simulation[J].Resources and Environment in the Yangtze Basin，2009（8）：745752.（in Chinese））DOI：10.3969/j.issn.10048227.2009.08.009.

[25]夏軍，王綱勝，談戈，等.水文非線性系統(tǒng)與分布式時(shí)變?cè)鲆婺Ｐ蚚J].中國(guó)科學(xué)，2004，34（11）：10621071.（XIA J，WANG G S，TAN G，et al.Hydrological nonlinear systems and distributed timevarying gain models[J].Science China，2004，34（11）：10621071.（in Chinese））DOI：10.3321/j.issn：10069267.2004.11.009.