6、利用随机输入进行驱动校准

利用随机输入进行驱动校准

1. 数据依赖模式与合成径流数据

1.1 径流数据的依赖模式

通过对观测数据（分为两个时期）和合成数据（24,000 个值）的分析，得出了径流数据的依赖模式。具体包括：
- 后续月份之间的径流依赖模式。
- 降雨与径流之间的依赖模式。

这些依赖模式以图表的形式呈现，有助于直观地了解径流数据之间的关系。

1.2 合成径流数据

以埃维诺斯盆地为例，展示了 2000 年长度的合成径流数据，这些数据按年度和 20 年移动平均尺度进行了汇总。这有助于分析长期的径流变化趋势，为后续的模型校准提供更全面的数据支持。

2. 模型校准方法及结果

2.1 经典分割样本方案

• 操作步骤 ：
  1. 选取前 25 年的数据进行校准，后续数据用于验证。
  2. 使用 Nash - Sutcliffe 效率（NSE）指标评估模型性能。
  3. 将模型参数估计作为全局优化问题，通过 Surrogate - Enhanced Evolutionary Annealing Simplex（SEEAS）算法进行求解。
• 结果 ：
  • 校准阶段 NSE 为 0.834，验证阶段降至 0.701，50 年数据的整体效率为 0.765。
  • 优化后的参数值为：Smax = 150 mm，κ = 0.152，λ =