申请/专利权人：武汉大学

申请日：2022-04-24

公开（公告）日：2024-06-28

公开（公告）号：CN115081306B

主分类号：G06F30/27

分类号：G06F30/27;G06F17/18;G06N7/01;G06F111/04;G06F111/06

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.10.11#实质审查的生效;2022.09.20#公开

摘要：本发明提供了一种融合遥感土壤含水量的多目标分层贝叶斯率定方法及设备。所述方法包括：步骤S1至步骤S7。本发明通过在似然函数中构建分布式水文模型每个栅格与对应栅格水文变量相关的剖面土壤含水量残差误差模型，在考虑流域的时空异质性的情况下，同时分析不同目标之间的权衡关系和分布式水文模型模拟值的不确定性，适用于具有较长时长序列遥感土壤含水量数据和实测流量资料、以地表河川径流为主要特征的流域，能够显著提升模型对土壤含水量的模拟能力，具有很强的实用性和广泛的适用性。

主权项：1.一种融合遥感土壤含水量的多目标分层贝叶斯率定方法，其特征在于，包括：S1、获取流域范围内的水文气象数据和遥感表层土壤含水量数据，并对遥感表层土壤含水量数据进行预处理；S2、以King-Gupta效率系数KGE为目标函数，采用基于帕累托的多目标优化方法，获取帕累托最优参数集；S3、根据优化目标之间权衡关系的偏好，从帕累托前沿中选择最优参数，并求得对应的模型模拟值残差时长序列；S4、将流域内的水文变量作为解释变量，通过GAMLSS模型和AIC准则选择合适的协变量，构造残差误差模型；S5、由S3步骤得到的残差时长序列结合S4步骤构造的残差误差模型，构建残差误差模型参数的先验信息，水文模型参数的先验信息设置为基于物理含义合理范围内的均匀分布；S6、由残差误差模型构建似然函数，并根据S5步骤构建的先验信息，对水文模型参数进行贝叶斯率定，得到水文模型参数与残差误差模型参数的后验分布；S7、从模型模拟精度和不确定性两方面对水文模型参数的率定效果进行评价；步骤S6中的贝叶斯率定包括：在贝叶斯率定框架中，水文模型参数的后验分布表示为： （11）式（11）中，为水文模型参数的先验分布；代表的和的后验分布；为和的先验分布，为常量；代表模型参数的似然函数，满足；使用对数似然函数代替似然函数，确定模型残差呈独立正态分布，且方差随时空变化，则似然函数表示为： （12） （13） （14）12、13、14三式中，T为总模拟时段；I为流域空间栅格总数；代表流域出口径流模拟值残差的标准差；代表栅格i处剖面土壤含水量模拟值残差的标准差。

全文数据：

权利要求：

百度查询： 武汉大学 融合遥感土壤含水量的多目标分层贝叶斯率定方法及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD