摘录自《水文模型参数估计方法及参数估计不确定性研究》，王书功。

第1章 水文模型与参数估计

流域水文模拟流程：

swat水文模型 python 水文模型参数_水文模型

水文模型的结构：

swat水文模型 python 水文模型参数_不确定性分析_02

参数估计分为两类：

参数估计

优化方法

成熟 代表方法 SCE-UA 代表人物 段青云

Bayes统计

方兴未艾 代表方法 MCMC GLUE 代表人物 Beven Box&Tiao


MOPEX提出了6个水文模型模拟效果评价数量指标，主要是均方根误差RMSE和纳什效率系数NSE及其变体。
发现一本关于降雨径流的书Keith J. Beven 的 Rainfall-Runoff Model: The Primer.

第2章 第一类参数估计方法

Monte Carlo 方法，以生成有限点集{（x, y, z）}为例，就是在函数的定义域内，按照某种概率分布随机地生成 x 和 y 的值，并进而计算相应的函数值（Binder 和 Stauffer, 1985; Chandrasekar 等，1990；Krajewski，1991）。如果复杂水文模型参数优化问题的目标函数是不可导的，没有办法获得在参数可行空间内目标函数的梯度解析表达式，那么这类问题就不能应用迭代法求解，只能通过随即搜索的方法，对这类问题进行近似求解，属于NP完全问题。目前，计算学家找出两类兼顾解的精度与运行时间的NP完全问题求解算法。第一类是设计平均性态良好的概率算法，第二类算法是启发式优化算法，如模拟退火、GA、PSO、蚁群优化算法。重点介绍了SCE-UA算法及其应用。

第4章 第二类参数估计方法

Bayes参数估计方法的一般步骤包括：

  • 推导 swat水文模型 python 水文模型参数_swat水文模型 python_03
  • 基于swat水文模型 python 水文模型参数_swat水文模型 python_03推导参数swat水文模型 python 水文模型参数_swat水文模型 python_05的边际分布
  • 进行参数的区间估计

在Monte Carlo 方法研究领域，主要有两类采样方法。第一类是均匀采样方法（GLUE），第二类是重要性采样方法（MCMC、Metropolis-Hasting算法、Gelman-rubin终止判据）。

第6章 结论与展望

从研究程度上看，第一类水文模型参数估计方法已经走向成熟，目前有很多优化算法可以用于水文模型的参数估计；第二类参数估计方法可以说方兴未艾，越来越多的人开始研究模型模拟中的不确定性，因而必然研究基于Bayes统计的水文模型参数估计。就水文模型参数估计的未来研究方向而言，本书认为必然是基于先验信息的水文模型参数估计。这种方法将会是第三类水文模型参数估计方法。
先验信息大致可以分为两类来源：一类是与研究区相邻或者相似的流域/网格单元；另外一类是经验性的转换函数。（Duan, 1995; Duan, 2001; Koren,2003b;Koren,2001）

下一步计划

实现SCE-UA、MCMC，弄懂Bayes理论。