水量校核
➢ 校核流量过程
峰值衰减期值降得太快：检查传输损失—河道水 力传导率CH_K(.rte)
在融雪季节里，峰值会很高而衰退值很低，降低 最大和最小积雪融化速率SMFMX 和SMFMN(.bsn)
另外一个会影响积雪融化的参数是气温下降速率 TLAPS(.sub)，增加这些值
修改基流α系数ALPHA_BF(.gw)
调整藻类生物量比率AI1（.wwq）
水质校核
➢有机N校核 ➢子流域内有机N校核
调整土壤中营养物的初始浓度SOL_ORGN （ .sol）
确定并调整土壤表层的施肥率FRT_LY1 （ .mgt）
➢河道内有机N运移过程校核
调整藻类生物量比率AI1（.wwq）
水质校核
➢可溶性P校核 ➢子流域内可溶性P校核
➢ 径流空间上的校准
先上游后下游 先支流后干流 已校准好的子流域参数不要再变
泥沙校核
➢ 泥沙有2 个来源
HRU/子流域负荷 河道冲刷/沉积
➢ 检查水库/池塘模拟
水库和池塘对泥沙负荷有很大的影响 如果流域模拟的泥沙负荷量相差很大，首先核实
流域中的水库和池塘
➢ 校准子流域负荷
耕作对泥沙输移具有很大的影响 USLE 方程水土保持因子USLE_P(.mgt)、坡长因子
及的参数最优化和不确定分析方法
模型参数的不确定性
➢ SUNGLASSES (Sources of UNcertainty GLobal Assessment using Split-SamlpES):基于 分离抽样的不确定性来源全局分析
评价模型预测期的不确定性 不仅包含参数的不确定性 建立参数系列，根据不确定阈值建立评价标准
12
Sol_z
4 BIOMIX
10
SOL_ORG N
自动校核
➢单击Tools菜单下的auto-calibration and uncertainty，弹出下图所示对话框
自动校核
➢根据敏感性分析结果选择参数 ➢选择子流域14进行自动校核
➢操作过程
自动校核
➢查看结果
自动校核
不确定性分析
➢自动校核后出现校核结果 ➢可进行不确定性分析
参数敏感性分析
➢ 对于径流：CN2、sol_awc、ESCO最敏感
➢ 对于泥沙：CN2、SPCON、BIOMIX最敏感
➢ 对于氮磷等污染物： CN2、 ESCO、Alpha_Bf 、surlag等参数比较敏感
Out 1 Out 2
6 11
3
5
1
1
2
4
16 6
4
9
17 3
Out 3 3 6 2 5 7 10 4
➢ 径流：地表径流和地下径流
调整CN2(.mgt) 若地表径流仍然不符合要求，则调整SOL_AWC
(.sol)或ESCO(.bsn or .hru) 基流值太高：增加 GW_REVAP(.gw)，减小
REVAPMN(.gw)，增加 GWQMN(.gw)，
➢ 蒸发：土壤蒸发、植被蒸发
EPCO、EPSO (.bsn or .hru文件中)
调整土壤中营养物的初始浓度SOL_MINP（ .sol）
确定并调整土壤表层的施肥率FRT_LY1 （ .mgt ）
确定耕作措施（*.mgt ），调整作物残留系数 RSDCO和作物混合有效系数BIOMIX（. bsn）
调整P渗透系数PPERCO (.bsn) 调整土壤P比例系数PHOSKD（ .bsn）
关键步骤
➢观测数据文件的制作 ➢注意参数界限 ➢ArcSWAT2005中有手动调参的工具
利用SWAT-CUP进行参数率定
SWAT-CUP参数率定
➢SWAT-CUP (SWAT Calibration Uncertainty Procedures)
该法将系统初始化为一组随机粒子（Particle）， 通过迭代搜寻最优值，每次迭代过程中，粒子在 解空间追随最优的粒子进行搜索
PSO 算法中， 所有的粒子都有一个由被优化的函 数（目标函数）决定的适应值（fitness value）， 每个粒子还有一个矢量速度决定他们飞翔的方向 和距离
在每一次迭代中，粒子通过跟踪两个“极值”来 更新自己：一个极值就是粒子本身所找到的最优 解，这个解叫做个体极值pbest；另一个极值是整 个种群目前找到的最优解，这个极值是全局极值 pbest-gbest
➢ 不确定性分析方法：
SCE-UA： χ2-统计和贝叶斯方法 GLUE 方法（同时也是一种全局参数灵敏度分析的
方法）
➢ χ2-统计：置信空间
单目标参数极好值： 多目标参数极好值：
➢ 贝叶斯法：最大可能空间
模型率定
➢ 基于统计方法 ➢ 分离抽样方法：分为率定期和验证期 ➢ 采用分离抽样评价整个模型预测的不确定性 ➢ Parasol (Parameter Solutions method):以上提
➢ Latin-Hypercube
基于蒙特卡洛模型，但基于统计抽样方法 把每个参数分布划为N个空间，随即抽样，每个空间
的被抽到的概率为1/N，参数随机组合，模型运行N次 模型结果利用多参数线性回归或相关分析方法分析 不足：多元回归 分析的前提假设为线性变化，可能导
致偏差
输出结果的变化并 不总能明确地归因于某一特定输入 参数值的变化
➢ 子流域内矿物性N校核
调整土壤中营养物的初始浓度SOL_NO3（.sol） 确定并调整土壤表层的施肥率FRT_LY1 （ .mgt） 确定耕作措施（*.mgt ），调整作物残留系数
RSDCO和作物混合有效系数BIOMIX（. bsn） 调整N渗透系数NPERCO (.bsn)
➢ 河道内矿物性N运移过程校核
RSDCO和作物混合有效系数（. bsn文件中）
➢ 调整河道冲刷/沉积 :
调整河道泥沙运移方程中的线性和指数参数SPCON 和 SPEXP （.bsn文件中）
调整河道侵蚀因子CH_EROD （ .rte文件中） 调整河道覆盖因子CH_COV（.rte文件中）
水质校核
➢ 主要考虑因素：
营养物来源：HRUs/子流域、河道内过程 营养物分布：总量、季节性负荷 洪水过程后的分布：地形起伏、浓度峰值
模型率定
➢分布真实式世界水质模型误观测差-模源型
误差
模型率定
➢参数自动率定结果的优劣指标
Nash-Suttcliffe效率系数 相关系数 相对误差 模拟和实测数据的平均误差和标准差 斜率、截距、回归系数等
➢比较目标：
利用界面进行参数率定
水量校核
➢ 检查水量平衡
sub.dbf文件中的PET、ET、SNOMELT、SW、 GWQ、SURQ、WLYD、 rch.dbf文件中的 FLOW_IN、FLOW_OUT
参数敏感性分析
➢One-factor-At-a-Time sampling
运行一次只改变一个参数 某一特定输入参数值的变化引起的输出结果 的
灵敏度大小依赖于模型其他参数值的选取
➢LH-OAT sensitivity 分析
采用LH-OAT法可确保所有参数在取值范围内 均被取样
两者优点，弥补不足 把参数划分为m个空间（包含p个参数的集合
参数敏感性分析
➢灵敏度分析输入文件
参数敏感性分析
➢参数控制输入文件
Sensin.dat：包含LH抽样间隔m、OAT敏感性分 析参数变化范围、随机抽样种子数
changepar.dat：参数最大值、最小值、模型参 数、校核方法、HRU个数
参数敏感性分析
➢参数控制输入文件
responsmet.dat：每行代表一个输出参数，每列 各有其含义，参看校核文档
13 7
1
Out 4 3 6 1 5 7 11 4
9
Out 5 4 9 1 2 7 6 23
5
Out 6 4 5 2 3 6 10 8
15
Out 7 3 6 2 5 7 10 4
1
Out 8 4 5 1 6 7 10 3
2
Out 9 参数
5 ALPHA_BF
6
ESCO
1
CN2
3 SOL_AWC
7
surlag
第4步，检查是否满足收敛要求，如果不满足 回到第2步
最优化方法
➢SCE-UA 算法的特点:
在多个吸引域内获得全局收敛点 能够避免陷入局部最小点 能有效地表达不同参数的敏感性与参数间的相
关性 能够处理具有不连续响应表面的目标函数, 即
不要求目标函数与导数的清晰表达 能够处理高维参数问题
最优化方法
➢ 粒子群优化算法（Particle Swarm Optimi⁃zation ，简称PSO算法）
），p次参数变化，模型运行 m *(p+1) 次
最优化方法
➢参数自动率定采用SCE-UA（Shuffled complex evolution algorithm）：
对于非线性复杂的分布式水文模型，采用随机 搜索方法寻优，最为成功的方法之一
全局优化算法
➢基于以下4 种概念:
确定性和概率论方法结合; 在全局优化及改善方向上, 覆盖参数空间的复
objmet.dat：同上，作用为：误差测定
参数敏感性分析
➢ SMFMX SMFMN ALPHA_BF GWQMN GW_REVAP REVAPMN ESCO SLOPE SLSUBBSN TLAPS CH_K2 CN2 SOL_AWC surlag SFTMP SMTMP TIMP GW_DELAY rchrg_dp canmx sol_k sol_z sol_alb epco ch_n blai BIOMIX USLE_C SPCON SPEXP CH_COV CH_EROD USLE_P NPERCO PPERCO PHOSKD SOL_LABP SOL_ORGN SOL_ORGP SOL_NO3 gwno3