唐清竹，徐宗學(xué)*，王京晶，趙 剛，李 鵬

(1. 北京師范大學(xué) 城市水循環(huán)與海綿城市技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100875; 2. 北京師范大學(xué) 水科學(xué)研究院，北京 100875; 3. 布里斯托大學(xué) 地理科學(xué)學(xué)院，布里斯托 BS8 1TH)

0 引 言

隨著全球氣候的持續(xù)變暖和城市化進(jìn)程的快速推進(jìn)，城市洪澇問(wèn)題頻發(fā)。目前，城市洪澇災(zāi)害已經(jīng)成為影響城市經(jīng)濟(jì)社會(huì)發(fā)展和人民生命財(cái)產(chǎn)安全的主要自然災(zāi)害之一，防災(zāi)減災(zāi)問(wèn)題已經(jīng)引起了中央和地方各級(jí)政府的廣泛關(guān)注和高度重視。在中國(guó)目前大力建設(shè)海綿城市以緩解城市內(nèi)澇的大背景下，城市雨洪過(guò)程模擬逐漸成為一種有效的防災(zāi)減災(zāi)措施與雨水管理非工程措施。SWMM模型(Storm Water Management Model)是由美國(guó)環(huán)境保護(hù)署(EPA)于1971年開發(fā)的一款暴雨洪水管理模型，隨著幾十年的不斷完善，其功能愈發(fā)強(qiáng)大，可以進(jìn)行動(dòng)態(tài)的降雨-徑流模擬計(jì)算，并因其開源免費(fèi)、功能強(qiáng)大、簡(jiǎn)單易學(xué)等特點(diǎn)被廣泛應(yīng)用于城市防汛排洪及雨水污水管道系統(tǒng)等的規(guī)劃、設(shè)計(jì)和評(píng)價(jià)。模型參數(shù)是SWMM模型的重要組成部分，對(duì)參數(shù)敏感性進(jìn)行準(zhǔn)確的識(shí)別，是保證模型模擬精度和提高參數(shù)率定效率的重要前提。

參數(shù)敏感性分析是模型模擬中重要的環(huán)節(jié)，可以對(duì)不同情況下模型的參數(shù)率定與模型應(yīng)用提供一定依據(jù)。敏感性分析可以識(shí)別不同參數(shù)對(duì)模擬結(jié)果的影響程度，從而篩選出對(duì)輸出值高敏感和不敏感的參數(shù)。高敏感的參數(shù)在模型率定時(shí)需重點(diǎn)關(guān)注，不敏感的參數(shù)則可以直接選取經(jīng)驗(yàn)值，這不僅可以提高模型參數(shù)率定效率，還能提高模擬結(jié)果準(zhǔn)確性。目前，參數(shù)敏感性分析主要分為全局敏感性分析和局部敏感性分析。①全局敏感性分析是綜合考慮參數(shù)整體作用對(duì)模型輸出結(jié)果的總體影響，從而得到全局最優(yōu)解。常用的全局敏感性分析方法主要有普適似然不確定性估計(jì)方法(GLUE)、Sobol方差分析法、區(qū)域靈敏度分析法(HSY)以及多元逐步回歸分析法等，其中GLUE方法可以更明確地認(rèn)識(shí)降雨徑流模型的局限性，通過(guò)提供模型參數(shù)的后驗(yàn)分布，定性分析出模型結(jié)果不確定性范圍，能夠很好地解釋“異參同效”現(xiàn)象，避免單一最優(yōu)參數(shù)組合造成的洪水預(yù)警預(yù)報(bào)風(fēng)險(xiǎn)。②局部敏感性分析也叫單參數(shù)分析，其原理是控制其他參數(shù)不變，依次對(duì)某一個(gè)參數(shù)在一定范圍內(nèi)按照固定步長(zhǎng)進(jìn)行人工擾動(dòng)，分析單個(gè)參數(shù)對(duì)模擬結(jié)果的影響。目前國(guó)內(nèi)應(yīng)用最多的局部敏感性分析方法是修正Morris篩選法，該方法較于原始Morris篩選法來(lái)說(shuō)，操作簡(jiǎn)便、容易計(jì)算且計(jì)算結(jié)果精度更高，可定量篩選出對(duì)模型結(jié)果影響顯著的參數(shù)。全局敏感性分析和局部敏感性分析的原理差異較大，目前大多數(shù)研究主要著重關(guān)注某一種方法的參數(shù)敏感性分析結(jié)果，而對(duì)比研究?jī)煞N方法的參數(shù)敏感性分析結(jié)果相對(duì)較少。

本文從全局和局部角度出發(fā)，分別采用GLUE方法和具有明顯優(yōu)勢(shì)的修正Morris篩選法對(duì)構(gòu)建的SWMM模型中11個(gè)參數(shù)進(jìn)行敏感性分析，得出對(duì)模型模擬結(jié)果影響顯著的參數(shù)并進(jìn)行排序，對(duì)比兩種方法的敏感性分析結(jié)果，分析總結(jié)這兩種方法的優(yōu)缺點(diǎn)及適用條件，為山東省濟(jì)南市主城區(qū)及其他相似區(qū)域洪水模擬和流域水資源管理提供科學(xué)依據(jù)。

1 研究區(qū)概況

山東省濟(jì)南市主城區(qū)面積約為322 km，屬溫帶季風(fēng)氣候，四季分明、雨熱同期，年平均氣溫約為13.8 ℃，多年平均降雨量約為647 mm。降水時(shí)空分布極不均勻，6月至9月為主汛期，降水量約占全年降水量的75%。市域水量豐沛，小清河在中北部橫穿城市，流域內(nèi)地形復(fù)雜。濟(jì)南市屬于典型的山前平原型城市，地勢(shì)南高北低，南北高差百余米，其數(shù)字高程模型(DEM)如圖1所示。濟(jì)南市主城區(qū)河流湖泊眾多，主要包含黃河、小清河兩大水系和大明湖、白云湖等湖泊。研究區(qū)主要屬于小清河水系，是城區(qū)唯一的排洪干道，流域內(nèi)共有5座雨量站，流域唯一出口斷面設(shè)置有黃臺(tái)橋水文站，用于監(jiān)測(cè)降水徑流等水文數(shù)據(jù)。降水?dāng)?shù)據(jù)用于驅(qū)動(dòng)SWMM模型，實(shí)測(cè)流量數(shù)據(jù)用于校驗(yàn)?zāi)Ｐ?，流域水系如圖1所示。

濟(jì)南市洪澇災(zāi)害頻發(fā)，暴雨高度集中、強(qiáng)度大、歷時(shí)短、降水時(shí)空變化劇烈。老城區(qū)雨水管網(wǎng)系統(tǒng)建造時(shí)間較早，設(shè)計(jì)標(biāo)準(zhǔn)低，泄洪能力較差，同時(shí)由于近20年高度城市化導(dǎo)致下墊面發(fā)生劇烈改變，下滲能力低，匯水區(qū)自然調(diào)蓄能力弱。加之南高北低、落差大的地形特點(diǎn)，在遭遇短歷時(shí)、高強(qiáng)度降水時(shí)，南部山區(qū)下泄洪水直接匯入主城區(qū)，導(dǎo)致雨洪猛漲緩落，極易在短時(shí)間內(nèi)在低洼區(qū)域形成大面積嚴(yán)重積水，排泄不及，極易引發(fā)城市洪澇災(zāi)害。

圖1 山東省濟(jì)南市地形及水系概況Fig.1 Topography and Water System Maps of Jinan City, Shandong Province

2 模型構(gòu)建

利用濟(jì)南市主城區(qū)現(xiàn)有河道及排水管網(wǎng)數(shù)據(jù)，基于管網(wǎng)空間拓?fù)潢P(guān)系，利用ArcGIS軟件對(duì)管道長(zhǎng)度、流向、糙率和最大水深等數(shù)據(jù)進(jìn)行處理和整理，將研究區(qū)內(nèi)復(fù)雜的河道水系及管網(wǎng)資料進(jìn)行合理概化。研究區(qū)排水管網(wǎng)經(jīng)過(guò)概化共得到160個(gè)節(jié)點(diǎn)、1個(gè)排水口、156條管線。選用劃分精度更高的泰森多邊形法，結(jié)合人工修正方法劃分各個(gè)子匯水區(qū)。首先，利用ArcGIS軟件對(duì)整個(gè)研究區(qū)進(jìn)行泰森多邊形的自動(dòng)劃分，初步形成各個(gè)子匯水區(qū)域；然后，結(jié)合研究區(qū)流域水文特征與數(shù)字高程模型，依據(jù)研究區(qū)用地類型、街道建筑分布手動(dòng)進(jìn)行局部調(diào)整，從而進(jìn)一步細(xì)劃子匯水區(qū)。按照上述方法，共將濟(jì)南市主城區(qū)流域排水系統(tǒng)劃分為112個(gè)由河道和排水管網(wǎng)共同控制的子匯水區(qū)，流域出口位于黃臺(tái)橋水文站。同時(shí)，提取SWMM模型所需的參數(shù)數(shù)據(jù)(如子匯水區(qū)面積、子匯水區(qū)平均坡度和子匯水區(qū)特征寬度等)，將子匯水區(qū)、管道、節(jié)點(diǎn)文件以及各個(gè)屬性數(shù)據(jù)通過(guò)inp. PINS軟件輸入模型中，添加劉家莊雨量站、東紅廟雨量站、興隆雨量站、燕子山雨量站和黃臺(tái)橋水文站，并添加處理好的降雨數(shù)據(jù)，輸入各個(gè)子匯水區(qū)所對(duì)應(yīng)的控制雨量站與排水節(jié)點(diǎn)，從而構(gòu)建濟(jì)南市主城區(qū)SWMM模型，最終建立的SWMM模型結(jié)構(gòu)如圖2所示。

圖2 SWMM模型概化Fig.2 Generalization of SWMM Model

SWMM模型參數(shù)較多，根據(jù)獲取方法可分為物理參數(shù)和過(guò)程參數(shù)兩大類，其中物理參數(shù)主要依據(jù)實(shí)測(cè)資料或者通過(guò)ArcGIS軟件進(jìn)行計(jì)算與提取，而過(guò)程參數(shù)則需要通過(guò)城市雨洪模擬進(jìn)行率定及驗(yàn)證得到。本研究中，參數(shù)敏感性分析對(duì)象為11個(gè)過(guò)程參數(shù)，通過(guò)參考相關(guān)文獻(xiàn)結(jié)果及SWMM模型用戶手冊(cè)確定其取值范圍，相關(guān)過(guò)程參數(shù)取值范圍見表1。

表1 SWMM模型參數(shù)取值范圍

3 分析方法

3.1 全局敏感性分析

GLUE方法是英國(guó)水文學(xué)家Beven等于1992年提出的水文模型參數(shù)不確定性估計(jì)方法，其評(píng)估的是參數(shù)集，而不是參數(shù)的單一值，可通過(guò)設(shè)定敏感性閾值，篩選出多個(gè)高敏感性參數(shù)組合，使模型模擬結(jié)果達(dá)到最優(yōu)。本研究中，全局敏感性分析步驟如下：①首先，采用拉丁超立方法在確定的11個(gè)參數(shù)取值范圍內(nèi)進(jìn)行10 000次均勻隨機(jī)抽樣，將參數(shù)組代入SWMM模型得出模擬值；②然后，選擇合適的似然目標(biāo)函數(shù)，本文以納什效率系數(shù)(Nash-Sutcliffe Efficiency Coefficient,NSE)為目標(biāo)函數(shù)估算模擬值與實(shí)測(cè)值的擬合程度，得出似然度值；③接著，根據(jù)貝葉斯理論指定參數(shù)空間的先驗(yàn)分布為均一分布，以計(jì)算的參數(shù)似然度值為后驗(yàn)分布，每個(gè)參數(shù)集實(shí)現(xiàn)的后驗(yàn)似然度值將反映所有參數(shù)之間的相互作用；④最后，篩選出符合一定似然度(納什效率系數(shù)大于0)的結(jié)果進(jìn)行分析，將散點(diǎn)數(shù)進(jìn)行統(tǒng)計(jì)，根據(jù)各個(gè)參數(shù)的取值范圍合理劃分單位區(qū)間，統(tǒng)計(jì)各單位區(qū)間中有效參數(shù)組合個(gè)數(shù)，計(jì)算各參數(shù)空間分布概率及累計(jì)概率。

3.2 局部敏感性分析

Morris篩選法是任意選取某個(gè)參數(shù)，在合理范圍內(nèi)進(jìn)行隨機(jī)擾動(dòng)，得出相應(yīng)輸出結(jié)果()=(,,,…,)，用影響值判斷輸出值對(duì)各個(gè)參數(shù)的響應(yīng)。其中，=1,2,…,。影響值計(jì)算公式為

=(-)

(1)

式中：為參數(shù)變化后的模型輸出值；為參數(shù)變化前的模型輸出值；為參數(shù)的變化幅度值。

本文采用修正Morris篩選法對(duì)參數(shù)進(jìn)行特定百分率的擾動(dòng)，運(yùn)行模型得到參數(shù)的敏感性系數(shù)序列，序列的平均值即為參數(shù)敏感性的判別因子。敏感性的判別因子()計(jì)算公式為

(2)

式中：為模型運(yùn)行次數(shù)；為模型第次運(yùn)行輸出值；為初始參數(shù)運(yùn)行得到的初始輸出值；為第次運(yùn)行參數(shù)相對(duì)于初始參數(shù)值的變化百分率。

參數(shù)的敏感性可根據(jù)的大小分為4類：Ⅰ類，||≥1，參數(shù)極敏感；Ⅱ類，0.2≤||<1，參數(shù)高敏感；Ⅲ類，0.05≤||<0.2，參數(shù)中等敏感；Ⅳ類，0≤||<0.05，參數(shù)不敏感。

本研究以特定步長(zhǎng)10%對(duì)已率定好的各個(gè)參數(shù)進(jìn)行擾動(dòng)。在其他參數(shù)不變的情況下，改變某一待分析的參數(shù)，取值分別為初始值的-30%、-20%、-10%、10%、20%、30%，運(yùn)行模型得出目標(biāo)函數(shù)值(表2)。選取在城市暴雨模擬中具有重要意義的2個(gè)輸出值(徑流總量和洪峰流量)作為目標(biāo)函數(shù)，根據(jù)上述擾動(dòng)結(jié)果，分析3場(chǎng)暴雨情景下徑流總量和洪峰流量對(duì)11個(gè)參數(shù)的敏感性響應(yīng)程度。

本研究采用研究區(qū)域?qū)嶋H監(jiān)測(cè)的3場(chǎng)降雨數(shù)據(jù)進(jìn)行模型模擬，分別發(fā)生于2019年6月21日、2018年8月14日和2018年6月25日，暴雨過(guò)程數(shù)據(jù)完整，降雨量分別為51 mm(暴雨)、61 mm(暴雨)、154mm(大暴雨)。依據(jù)國(guó)家氣象部門對(duì)于24 h降雨量劃分降雨類型的規(guī)定，3場(chǎng)降雨均為暴雨(其中有1場(chǎng)為大暴雨)，但雨型不同，代表暴雨的隨機(jī)不確定性，且3場(chǎng)暴雨過(guò)程模擬效果較好，可以很好地研究模型參數(shù)對(duì)于不同暴雨情況的響應(yīng)程度，從而進(jìn)行模型參數(shù)敏感性的分析。

表2 SWMM模型11個(gè)參數(shù)擾動(dòng)結(jié)果

4 結(jié)果分析與討論

4.1 全局敏感性分析

通過(guò)將拉丁超立方法隨機(jī)抽取的10 000組參數(shù)組代入SWMM模型，對(duì)濟(jì)南市主城區(qū)2019年6月21日、2018年8月14日和2018年6月25日的3場(chǎng)暴雨進(jìn)行模擬，實(shí)現(xiàn)運(yùn)用GLUE方法對(duì)SWMM模型參數(shù)進(jìn)行全局敏感性分析的過(guò)程，分析結(jié)果見圖3。以納什效率系數(shù)為目標(biāo)函數(shù)，篩選出納什效率系數(shù)大于0的有效參數(shù)組合共4 008組，其中納什效率系數(shù)大于0.8的參數(shù)組合共154組。不同參數(shù)組合能達(dá)到同樣的模擬效果，表明SWMM模型具有較為明顯的“異參同效”現(xiàn)象。

圖3展示了3種暴雨情景下11個(gè)參數(shù)的概率及累計(jì)概率。從圖3可以看出，在各自取值區(qū)間內(nèi)似然度值有明顯變化的參數(shù)有RoughnessR、Decay Constant、S-Imperv共3個(gè)參數(shù)，RoughnessR后驗(yàn)概率呈正態(tài)分布，S-Imperv和Decay Constant呈梯形分布。其中，RoughnessR是變化最為明顯的參數(shù)，為高敏感參數(shù)。當(dāng)取值范圍為0.02～0.13時(shí)，納什效率系數(shù)存在顯著的高峰，納什效率系數(shù)大于0的累計(jì)概率密度達(dá)0.962，且非該取值范圍內(nèi)的參數(shù)值所對(duì)應(yīng)的納什效率系數(shù)均小于0.4，當(dāng)參數(shù)取值為0.05左右時(shí)，納什效率系數(shù)達(dá)到最大值(0.89)，故本研究中RoughnessR的取值范圍可由0.01～0.20縮小至0.02～0.13。Decay Constant和S-Imperv后驗(yàn)分布與先驗(yàn)分布的累計(jì)概率存在細(xì)微差異，為較敏感參數(shù)。Decay Constant和S-Imperv取值范圍分別縮小至1.2～1.5和0～40時(shí)，納什效率系數(shù)大于0的累計(jì)概率密度均可超過(guò)0.9。其余8個(gè)參數(shù)在取值范圍內(nèi)似然度值幾乎沒有變化，均呈均一分布，后驗(yàn)分布與先驗(yàn)分布基本相同，幾乎無(wú)敏感性。趙月等采用GLUE方法對(duì)模型參數(shù)進(jìn)行敏感性分析的研究結(jié)果表明RoughnessR、S-Imperv、RoughnessP為敏感參數(shù)。本文研究結(jié)果中RoughnessP與其分析結(jié)果不同，這與地表匯流、管道特性息息相關(guān)。暴雨條件下，地表快速匯流使得雨水來(lái)不及下滲完全通過(guò)管道排走，當(dāng)管網(wǎng)的排水能力達(dá)到飽時(shí)會(huì)產(chǎn)生溢流，因此，改變參數(shù)幾乎不會(huì)對(duì)模型模擬結(jié)果產(chǎn)生影響。

圖3 SWMM模型11個(gè)參數(shù)概率及累計(jì)概率Fig.3 Probability and Cumulative Probability of 11 Parameters in SWMM Model

4.2 局部敏感性分析

基于擾動(dòng)結(jié)果，在MATLAB軟件中以輸入文件為驅(qū)動(dòng)調(diào)動(dòng)SWMM模型計(jì)算程序，并讀取輸出文件，實(shí)現(xiàn)運(yùn)用修正Morris篩選法定量計(jì)算參數(shù)敏感性的過(guò)程，從而探究濟(jì)南市主城區(qū)2019年6月21日、2018年8月14日和2018年6月25日的3場(chǎng)暴雨情景下11個(gè)參數(shù)的單一變化對(duì)徑流總量和洪峰流量2個(gè)目標(biāo)函數(shù)的影響。這3場(chǎng)暴雨情景下，參數(shù)對(duì)徑流總量和洪峰流量的敏感性分析結(jié)果見表3和表4，敏感性判別因子柱狀圖見圖4和圖5。

圖4 11個(gè)參數(shù)對(duì)徑流總量的敏感性判別因子分布Fig.4 Histogram of Sensitivity Discriminant Factors of 11 Parameters to the Total Runoff

圖5 11個(gè)參數(shù)對(duì)洪峰流量的敏感性判別因子分布Fig.5 Histogram of Sensitivity Discriminant Factors of 11 Parameters to the Peak Flow

表3和圖4展示了3場(chǎng)暴雨情景下11個(gè)參數(shù)對(duì)徑流總量敏感性判別因子的計(jì)算結(jié)果。從表3和圖4可以看出，不同暴雨情景下每個(gè)參數(shù)對(duì)徑流總量的影響大體相同。對(duì)徑流總量表現(xiàn)出中高敏感度的參數(shù)有RoughnessR、Drying Time、Decay Constant、MaxRate、MinRate、S-Perv、RoughnessP等7個(gè)參數(shù)，其余4個(gè)參數(shù)敏感性較差。其中，影響最大的參數(shù)為RoughnessR，靈敏度為-0.482 6～-0.285 4；隨著降雨量的增加，該參數(shù)對(duì)徑流總量的負(fù)響應(yīng)越大。其原因是在暴雨情景下，地表快速匯流導(dǎo)致雨水來(lái)不及下滲，往往會(huì)通過(guò)河道排走，此時(shí)RoughnessR越大，產(chǎn)生的徑流總量就越小。Drying Time為第二敏感性參數(shù)，靈敏度為0.134 3～0.183 8；隨著降雨量的增加，該參數(shù)對(duì)徑流總量的正響應(yīng)越小。Horton入滲模型的3個(gè)參數(shù)Decay Constant、MaxRate、MinRate也均為中高敏感性參數(shù)，其原因是在暴雨情景下產(chǎn)流速率明顯高于下滲速率，超滲產(chǎn)流更容易形成，降雨對(duì)徑流的貢獻(xiàn)更大。

表3 徑流總量敏感性分析結(jié)果

表4 洪峰流量敏感性分析結(jié)果

表4和圖5展示了3場(chǎng)暴雨情景下11個(gè)參數(shù)對(duì)洪峰流量敏感性判別因子的計(jì)算結(jié)果。從表4和圖5可以看出，不同暴雨情景下每個(gè)參數(shù)對(duì)洪峰流量的影響不盡相同。暴雨情景(2019年6月21日和2018年8月14日暴雨)下敏感性分布相對(duì)一致，某些中高敏感性參數(shù)在大暴雨情景(2018年6月25日大暴雨)下則變?yōu)椴幻舾袇?shù)。在不同暴雨情景下，對(duì)洪峰流量均表現(xiàn)出中高敏感性的參數(shù)有RoughnessR、Decay Constant、N-Perv等3個(gè)參數(shù)；在暴雨情景下表現(xiàn)出中等敏感性而在大暴雨情景下不敏感參數(shù)有Drying Time、MaxRate、S-Perv、RoughnessP、N-Imperv等5個(gè)參數(shù)；其余3個(gè)參數(shù)不論在何種暴雨情景下均無(wú)敏感性。與徑流總量一樣，RoughnessR也是洪峰流量第一敏感參數(shù)，其靈敏度為-0.870 6～-0.592 4；隨著降雨量的增加，該參數(shù)對(duì)洪峰流量的負(fù)響應(yīng)越小。這種現(xiàn)象可能是SWMM模型中運(yùn)用運(yùn)動(dòng)波演算所致。第二敏感參數(shù)為Decay Constant，第三敏感參數(shù)為N-Perv。但本研究中3場(chǎng)暴雨情景下MinRate均無(wú)敏感性，原因可能是MinRate決定下滲形成地下徑流的量，在3場(chǎng)暴雨情景下土壤處于飽和狀態(tài)，入滲形成的地下徑流匯流速度遠(yuǎn)遠(yuǎn)小于地面徑流，地下徑流產(chǎn)生的徑流峰值會(huì)滯后，因此對(duì)地面匯流形成的洪峰流量幾乎沒有影響。

4.3 全局與局部敏感性分析比較

本研究中采用GLUE方法與修正Morris篩選法對(duì)濟(jì)南市主城區(qū)SWMM模型11個(gè)參數(shù)進(jìn)行全局與局部敏感性分析。通過(guò)GLUE方法篩選出RoughnessR、Decay Constant、S-Imperv為敏感參數(shù)，其中RoughnessR為最敏感參數(shù)。通過(guò)修正Morris篩選法得出對(duì)徑流總量表現(xiàn)出中高敏感性的參數(shù)有RoughnessR、Drying Time、Decay Constant、MaxRate、MinRate、S-Perv、RoughnessP等7個(gè)參數(shù)，對(duì)洪峰流量表現(xiàn)出中高敏感性的參數(shù)有RoughnessR、Decay Constant、N-Perv等3個(gè)參數(shù)。上述兩種方法均能篩選出RoughnessR、Decay Constant為中高敏感性參數(shù)，說(shuō)明兩種方法對(duì)SWMM模型進(jìn)行參數(shù)敏感性分析具有某種程度的一致性。

從分析結(jié)果來(lái)看，分析方法的選擇對(duì)模型參數(shù)的敏感性有一定影響。GLUE方法采用不確定性理論，使其得出的敏感性結(jié)果是多組具有“異參同效”特征的參數(shù)組合，即對(duì)于選定的模型結(jié)構(gòu)，多個(gè)參數(shù)組合均可達(dá)到相同且最優(yōu)的模擬結(jié)果；這種方法優(yōu)于修正Morris篩選法得出的確定性單一最優(yōu)結(jié)果，在應(yīng)用時(shí)可避免使用單一參數(shù)組合帶來(lái)的洪水預(yù)報(bào)決策風(fēng)險(xiǎn)，更具實(shí)際意義。

從分析方法來(lái)看，GLUE方法是以統(tǒng)計(jì)的方法定性分析出敏感性參數(shù)，從而確定參數(shù)的最優(yōu)取值范圍；修正Morris篩選法則是定量計(jì)算出各個(gè)參數(shù)的敏感性判別因子并進(jìn)行等級(jí)劃分與排序。兩種方法均可以提高后續(xù)的參數(shù)率定工作效率，具體選擇哪一種分析方法依據(jù)研究目的而定。

5 結(jié) 語(yǔ)

本文以山東省濟(jì)南市主城區(qū)為研究對(duì)象構(gòu)建SWMM模型，分別采用GLUE方法和修正Morris篩選法對(duì)模型參數(shù)進(jìn)行敏感性分析，并對(duì)比分析兩種方法異同點(diǎn)。

(1)采用GLUE方法的全局敏感性分析和采用修正Morris篩選法的局部敏感性分析均能準(zhǔn)確識(shí)別出SWMM模型的敏感參數(shù)。兩種方法均表明RoughnessR與Decay Constant為敏感參數(shù)，其余參數(shù)敏感性則根據(jù)研究對(duì)象與暴雨強(qiáng)度的不同而變化。敏感參數(shù)對(duì)模型模擬結(jié)果影響顯著，應(yīng)在率定時(shí)重點(diǎn)關(guān)注。

(2)GLUE方法可得出多組模擬效果相同且較好的參數(shù)組合，說(shuō)明模型模擬結(jié)果的好壞并不取決于單個(gè)參數(shù)，而是由參數(shù)組合決定的，體現(xiàn)出參數(shù)間相互作用對(duì)模型模擬結(jié)果的影響，這能夠很好地解釋模型“異參同效”現(xiàn)象。

(3)修正Morris篩選法可對(duì)SWMM模型參數(shù)的局部敏感性進(jìn)行精確識(shí)別，量化排序各參數(shù)敏感性等級(jí)，但該方法忽略了參數(shù)間的相互作用，僅考慮了單個(gè)參數(shù)的作用效果。

(4)在實(shí)際應(yīng)用中，如果只需判斷哪些參數(shù)為敏感參數(shù)，建議使用GLUE方法；如果需要得出參數(shù)敏感性的細(xì)化分類以及高低排序，修正Morris篩選法則具有較大的優(yōu)勢(shì)。兩種方法各有優(yōu)點(diǎn)，均可為參數(shù)率定環(huán)節(jié)及后續(xù)模型應(yīng)用階段提供理論依據(jù)。

SWMM模型中參數(shù)經(jīng)過(guò)率定后，如在各個(gè)子匯水區(qū)均采用統(tǒng)一的參數(shù)值，會(huì)使模型產(chǎn)生一定的系統(tǒng)誤差。目前的研究缺乏細(xì)化城市下墊面的相關(guān)工作，在較大的研究區(qū)內(nèi)，各個(gè)水文響應(yīng)單元應(yīng)根據(jù)不同的城市地表特性對(duì)參數(shù)分別進(jìn)行率定和驗(yàn)證，以進(jìn)一步提高模型模擬結(jié)果的準(zhǔn)確性。