复杂陆面过程模型的参数不确定性定量化研究

Land surface models (LSMs) quantitatively characterize the exchanging processes of energy, momentum, and material in the soil-vegetation-atmosphere systems. They are indispensable in general circulation models (GCMs), regional climate models (RCMs), and numerical weather prediction (NWP) models. How to quantify parametric uncertainty of a LSM and set proper parameter values for it, are not only essential for improving the performance of the LSM, but also for its coupling models. Due to the complex structure, high dimensionality, and high computational cost of LSMs, commonly used uncertainty quantification methods are sometimes inapplicable for this kind of large complex models. We plan to develop a systematic uncertainty quantification framework, for exploring parametric uncertainties of LSMs with less experiments. These include: stepwise identification of parameter sensitivities by combining the advantages of qualitative and quantitative sensitivity analysis methods; multi-objective optimization of model parameters using statistical emulator other than running the original LSM. The ultimate objectives are to quantify and reduce model uncertainties, and improve model performance. This study would put forward ideas for solving parametric uncertainty quantification problems of large complex system models.

陆面过程模型定量刻画土壤—植被—大气间能量、动量和物质的交换过程，是大气环流模型、区域气候模型和数值天气预报模型的重要组成部分。如何量化陆面过程模型的参数不确定性、正确定义模型参数取值，对提高陆面过程模型本身及其耦合模型的模拟效果至关重要。由于陆面过程模型结构复杂、参数众多、计算成本高，地学领域中常用的不确定性分析方法对这种大复杂模型的适用性有限。本研究拟研发一个系统的不确定性定量化框架，以较少的实验研究陆面过程模型参数不确定性问题。具体包括：综合利用定性和定量敏感性分析方法的优点，逐步识别出控制模型的敏感参数；构建统计仿真器，替代原始陆面过程模型进行统计仿真，在此基础上进行多目标参数优化。最终量化并降低模型不确定性、优化模型参数、提高模型模拟能力，为解决大复杂系统模型参数不确定性定量化问题提供思路。

基于计算机的复杂系统模型往往包含很多参数，而模型的表现与这些参数的设置有很大的关系，正确的参数取值能够极大地改善模型表现。然而，如何正确估计模型参数是一个复杂的科学问题，取决于如何识别并优化模型敏感参数。敏感性分析是识别敏感参数的常用方法，是全面了解模型参数如何影响模型表现、降低参数维度的重要手段。参数率定是优化敏感参数的常用方法，是有效降低模型参数不确定性、提高模拟效果的重要手段。然而，由于计算机水平的发展，模型结构变得越来越复杂、不确定的参数也越来越多，地学领域中常用的不确定性分析方法对这种复杂模型的适用性有限。本研究研发了一个系统的不确定性定量化分析框架，以较少的实验研究复杂模型的参数不确定性问题。具体包括：综合利用定性和定量敏感性分析方法的优点，逐步识别出控制模型的敏感参数；构建统计仿真器、替代原始动力模型进行统计仿真，在此基础上进行多目标参数优化。最终量化并降低模型不确定性、提高模型模拟能力，为复杂系统模型参数不确定性问题提供解决方案。.本研究以陆面模式CSSP和分布式水文模型CREST为研究对象，分别开展了CSSP模式在美国地区18个典型流域1979-1995年的水文模拟和CREST模型在中国地区10个典型流域2008-2010年的水文模拟，分流域识别了影响水文过程的关键参数。在此基础上，利用基于统计仿真器的多目标参数优化方法，分流域优化了CREST模型的敏感参数，并将优化后的模型用于2011−2012年的水文模拟，以检验最优参数的模拟效果。研究发现：（1）不确定性定量化分析框架不仅是有效的而且是高效的，能够用于理解参数行为和提高模拟效果；（2）参数敏感性和最优取值随目标函数和流域的变化而变化，主要受流域水文气候机理、土壤质地和植被覆盖类型的影响；（3）CSSP模式24个参数中仅有5个参数控制模式行为，其中蒸散发主要受与光合作用和呼吸作用相关的4个参数的影响，流量主要受饱和导水率基准深度这个参数的影响；（4）CREST模型12个参数中，土壤饱和导水率、土壤蓄水容量、变化下渗曲线指数和不透水面积比这4个参数不敏感，其它8个参数敏感；（5）优化后的CREST模型能够很好地重现率定期和检验期的观测水文过程，对于峰现时间和洪峰流量的模拟比较准确。