模型参数率定：即参数调试、参数估计或参数优化，使模型的模拟输出值与实际观测值误差最小。
正则化参数的自适应估计水文模型参数分为两类：一类具有明确的物理含义，可以根据实际情况进行确定；另一类是没有或者物理含义不明确的参数，这些参数需要根据以往观测数据进行率定。
集总式模型时代：最小二乘法(Least-Square Method，简称LSM)
率定方法分类：
遗传算法(Genetic Algorithm)、SCE-UA算法(Shuffled Complex Evolution)、贝斯方法(Bayesian Method)、RSA方法(Regionalized Sensitivity Analysis)、GLUE方法(Generalized Likelihood Uncertainty Estimation)
其中，RSA和GLUE方法还是一种比较实用的参数敏感性分析方法。另：扰动分析法
启发式算法（80年代）：
遗传算法(Genetic Algorithm, 简称GA)、模拟退火算法(Simulated Annealing, 简称SA) 、人工
神经网络(Artificial Neural Network, 简称ANN)
遗传算法
优点：直接随机寻优、内在并行性和全局寻优能力、概率化寻优（自动获取寻优空间）
问题：高度复杂的非线性问题及多参数优化问题（多目标优化）
SCE-UA（综合了遗传算法、Nelder 算法与最速下降算法）
SCE-UA算法的提出基于以下4种概念:①确定性和概率论方法结合;②在全局优化及改善方向上, 覆盖参数空间的复合形点的系统演化; ③竞争演化; ④混合复合形(complex shuffling)
特点：①在多个吸引域内获得全局收敛点；
②能够避免陷入局部最小点；
③能有效地表达不同参数的敏感性与参数间的相关性；
④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；
⑤能够处理高维参数问题
应用于SWAT，TOPMODEL
贝叶斯方法
（总体信息，样本信息，先验信息）
特点：
1、获得后验分布后, 即使丢失了总体信息和样本信息, 也不影响对未知参数的统计推断。
（第一次估计的后验分布当作第二次估计的先验分布, 再运用贝叶斯方法得到第二次的后验分布连续应用贝叶斯方法, 可以不断增加估计参数的信息, 从而对参数有更深入的认识）
2、将观测数据的不确定性和因估计与预测中的误差而引起的不确定性有效结合起来

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。