李致家,龔俊超,孫明坤

(河海大學(xué)水文水資源學(xué)院,江蘇 南京 210098)

水文模型作為洪水預(yù)報(bào)的重要工具,其優(yōu)化改進(jìn)一直是研究的熱點(diǎn)[1-2]。近年來,大量學(xué)者耦合氣象模型與水文模型來研究洪水事件[3]。WRF-Hydro模型是有物理基礎(chǔ)的、多尺度的分布式氣象水文模型,在水文模擬及洪水預(yù)報(bào)中有較大的應(yīng)用潛力[4],自問世后得到了廣泛應(yīng)用[5-6]。WRF-Hydro模型包含高時(shí)空分辨率的地形和水文數(shù)據(jù),可在一定程度上提高水文過程的模擬預(yù)報(bào)精度[7]。與新安江模型、TOPKAPI模型等單一水文模型相比,WRF-Hydro模型可與大氣模型耦合,模擬大氣、水、能量的時(shí)空變化[8]。與WRF-SWMM等大部分氣象水文模型相比,WRF-Hydro模型可實(shí)現(xiàn)與氣象模型的雙向耦合,更真實(shí)完整地模擬水文循環(huán)過程[9]。此外,WRF-Hydro模型對(duì)時(shí)空分辨率的復(fù)雜耦合關(guān)系也處理得非常得當(dāng)[10]。

WRF-Hydro模型部分參數(shù)具有空間分布規(guī)律,如地表糙率由土地利用類型決定、地表截留深與坡度相關(guān)。但實(shí)際應(yīng)用時(shí)仍有眾多參數(shù)需要率定,對(duì)模型進(jìn)行參數(shù)敏感性分析有助于確定模型關(guān)鍵參數(shù)、提高預(yù)報(bào)精度[11-12],對(duì)應(yīng)用與改進(jìn)氣象水文模型具有重要意義,但目前WRF-Hydro模型的參數(shù)敏感性研究還不充分。Fersch等[13]采用LH-OAT方法對(duì)WRF-Hydro模型7個(gè)陸面模式參數(shù)進(jìn)行敏感性分析,但未研究對(duì)水文過程影響較大的產(chǎn)匯流參數(shù)。劉昱辰等[4,14]對(duì)WRF-Hydro模型主要的7個(gè)參數(shù)給出簡(jiǎn)要的敏感性描述,并從中選取土層滲透系數(shù)等4個(gè)參數(shù)研究敏感性。Ryu等[15]同樣分析了劉昱辰等[4,14]選取的4個(gè)參數(shù)的敏感性。雖然后兩者的研究取得了一定成果,但與水文相關(guān)的參數(shù)研究不充分。Sun等[16]研究了各參數(shù)目標(biāo)函數(shù)隨參數(shù)值的變化情況,但未對(duì)其現(xiàn)象進(jìn)行深入研究。

中庸思想是中國(guó)傳統(tǒng)文化中人們認(rèn)識(shí)世界、對(duì)待事物的基本方法之一，其“執(zhí)兩端而允中”的智慧對(duì)于華人的心理、思維和行為處事等各層面都有巨大而深遠(yuǎn)的影響(思維，1999)。探究中庸在當(dāng)代的表現(xiàn)形式和運(yùn)作規(guī)律，有助于更好理解人們的生活方式和行為處事方法，提升生活品質(zhì)，促進(jìn)社會(huì)和諧。

本文根據(jù)流域產(chǎn)匯流機(jī)制[17],綜合考慮各重要參數(shù)對(duì)產(chǎn)匯流階段的影響,以中國(guó)半濕潤(rùn)流域陳河流域?yàn)檠芯繀^(qū)域,選取土層厚度乘子等6個(gè)參數(shù)進(jìn)行敏感性分析。通過確定參數(shù)取值步長(zhǎng)和區(qū)間,計(jì)算不同參數(shù)對(duì)應(yīng)的目標(biāo)函數(shù)值,定性分析當(dāng)前參數(shù)的敏感性,并采用修正的Morris篩選法定量評(píng)價(jià)6個(gè)參數(shù)的敏感度,以期為使用WRF-Hydro模型調(diào)參時(shí)參數(shù)選擇和率定提供參考。

1 研究流域與數(shù)據(jù)

選取陜西省陳河水文站以上集水區(qū)域?yàn)檠芯苛饔?以下簡(jiǎn)稱“陳河流域”)。陳河流域地處陜西省中南部,經(jīng)緯度分別為107°～109°E、33°～35°N,流域面積約1380km2,流域內(nèi)黑河干流長(zhǎng)約105km。陳河流域是典型的半濕潤(rùn)流域,流域徑流深100～500mm,多年平均降水量為800mm,流域海拔高度約為600～3800m,土壤類型多為壤土。流域內(nèi)共有8個(gè)雨量站,1個(gè)水文站,如圖1所示。

圖1 陳河流域水系及站點(diǎn)分布Fig.1 Water system and station distribution of Chenhe Basin

采用客觀優(yōu)選法[20]對(duì)6個(gè)參數(shù)依次調(diào)參,分析各參數(shù)在取值區(qū)間內(nèi)變換時(shí)對(duì)應(yīng)的目標(biāo)函數(shù)變化情況來定性分析參數(shù)敏感性。各參數(shù)目標(biāo)函數(shù)變化曲線如圖2所示。

傳統(tǒng)發(fā)展觀的超越：習(xí)近平新時(shí)代綠色發(fā)展理論……………………………………………劉保國(guó)，張宏莉（4，69）

表1 預(yù)熱期、模擬期及洪水事件信息

2 研究方法

④參見 Ellwein/Hesse，Der ueberforderte Staat，1997，S．7，S．67．

目前的WRF-Hydro模型中,有Noah與Noah-MP兩種陸面模式,后者在前者的基礎(chǔ)上進(jìn)行架構(gòu)調(diào)整,并增加了積雪處理等能力[10]。陸面模式發(fā)生在分辨率較大的網(wǎng)格,主要計(jì)算植被冠層之下的水文氣象狀態(tài)變量及水量能量的通量。匯流過程發(fā)生在匯流網(wǎng)格中,涉及坡面流、地下徑流、河道匯流等。當(dāng)模型運(yùn)行時(shí),一些狀態(tài)變量需要在陸面模式網(wǎng)格和匯流網(wǎng)格之間傳輸,傳輸過程中需要進(jìn)行變量的空間尺度轉(zhuǎn)換,相關(guān)方法參見技術(shù)指導(dǎo)[10]。

2.1 參數(shù)設(shè)置

土層厚度直接影響地表、壤中和地下產(chǎn)流量。由圖3(a)可知,ZSOILFAC越大,模擬效果越差,地表徑流減少速度減緩,土層厚度達(dá)到一定值后無法模擬出洪水過程。由表3可知,ZSOILFAC擾動(dòng)會(huì)造成NSE較大波動(dòng),取值越小對(duì)NSE影響越大;隨著ZSOILFAC的增大,Pb呈減小趨勢(shì),且REP和TEP值逐漸偏離0,峰值劇烈減小,峰現(xiàn)時(shí)間大幅延遲。土層越厚越難達(dá)到蓄滿狀態(tài)[5,8],導(dǎo)致徑流量和峰值越來越小;當(dāng)土層厚度達(dá)到一定程度后,產(chǎn)流量趨近于很小的值甚至不產(chǎn)流。綜上,ZSOILFAC非常敏感,NSE、Pb、洪峰流量和峰現(xiàn)時(shí)間都對(duì)ZSOILFAC取值比較敏感。

在WRF-Hydro模型參數(shù)敏感性研究中,考慮水文過程發(fā)生的先后順序,從各水文過程中選取參數(shù),同時(shí)考慮參數(shù)對(duì)徑流量和洪水過程線形狀的影響,再結(jié)合孫明坤等[7,18]研究WRF-Hydro模型時(shí)調(diào)參選取的參數(shù),最終選取6個(gè)主要參數(shù)為研究對(duì)象:土層厚度乘子ZSOILFAC[7]、水箱模型指數(shù)GWEXP、土層滲透系數(shù)REFKDT、地表截留深乘子RETDEPRTFAC、地表糙率乘子OVROUGHRTFAC及河道糙率乘子MANNFAC。其中,前4個(gè)參數(shù)與產(chǎn)流相關(guān),主要控制徑流分配和洪水水量,后2個(gè)參數(shù)為匯流參數(shù),主要控制洪水過程線及洪峰形狀。

Senatore等[22]在研究中直接給定土層厚度,孫明坤等[7]認(rèn)為引入土層厚度乘子ZSOILFAC等比修改土層默認(rèn)厚度(1～4層厚度:0.1、0.4、1.0、2.0m)更合理。GWEXP控制概念性水箱的出流量,影響地下產(chǎn)匯流;REFKDT控制各個(gè)土層之間的滲透速率、地下徑流量和超滲產(chǎn)流量;RETDEPRTFAC通過修改地表截留能力來影響產(chǎn)流量的計(jì)算;OVROUGHRTFAC影響坡面匯流的速度;MANNFAC等比修改河道曼寧糙率,影響河道匯流。根據(jù)Ryu等[15,18,23]研究WRF-Hydro模型時(shí)各參數(shù)取值情況,設(shè)置參數(shù)步長(zhǎng)及取值范圍(表2)。

Morris篩選法[24]是Morris提出的局部參數(shù)敏感性分析方法。其操作簡(jiǎn)單快捷,是應(yīng)用最廣泛的局部敏感性分析方法。Morris篩選法通過分析某一參數(shù)在值域內(nèi)隨機(jī)改變值對(duì)模型輸出結(jié)果的影響,判斷其敏感度。

表2 WRF-Hydro模型參數(shù)設(shè)置

2.2 定性參數(shù)敏感性分析方法

采用客觀優(yōu)選法[20-21]率定參數(shù):首先校準(zhǔn)產(chǎn)流參數(shù),依次為ZSOILFAC、GWEXP、REFKDT和RETDEPRTFAC,然后校正匯流參數(shù),依次為OVROUGHRTFAC和 MANNFAC。當(dāng)上一個(gè)參數(shù)確定最優(yōu)值后,下一個(gè)參數(shù)校正時(shí),該參數(shù)保持使用校準(zhǔn)后的值,逐步依次校準(zhǔn)參數(shù)。該方法目的是首先應(yīng)該先保證總水量準(zhǔn)確,然后再保證正確的水量分配。

客觀優(yōu)選法中各參數(shù)的最優(yōu)取值依賴于當(dāng)參數(shù)取不同值時(shí)對(duì)應(yīng)的目標(biāo)函數(shù)值。研究發(fā)現(xiàn)徑流量和納什系數(shù)對(duì)模型參數(shù)變化響應(yīng)良好,因此選取徑流量相對(duì)誤差(Pb)的目標(biāo)函數(shù)fPb和納什系數(shù)(NSE)的目標(biāo)函數(shù)fNSE進(jìn)行參數(shù)率定[16]。針對(duì)不同參數(shù)給出不同目標(biāo)函數(shù),ZSOILFAC、GWEXP、REFKDT及RETDEPRTFAC采用fPb率定,OVROUGHRTFAC、MANNFAC采用fNSE率定。

WRF-Hydro模型是美國(guó)國(guó)家氣象中心(NCAR)在2015年提出的陸氣耦合模型,主要包含尺度較大的陸面模式和尺度較小的匯流模塊[10,16]。它以大尺度的陸面模式為基礎(chǔ),加入高分辨率匯流模塊,旨在解決陸面模式未考慮土層側(cè)向流和徑流重分配的問題[19]。

以率定期的20030916號(hào)洪水和驗(yàn)證期的20100820號(hào)洪水作為典型洪水進(jìn)行定性參數(shù)敏感性分析。以20030916號(hào)洪水為例,洪水過程線隨參數(shù)變化如圖3所示。通過分析各參數(shù)在取值區(qū)間內(nèi)NSE、Pb、REP及TEP,判斷各參數(shù)的敏感性,對(duì)目標(biāo)函數(shù)分析結(jié)果進(jìn)行驗(yàn)證與補(bǔ)充。

2.3 修正的Morris篩選法

為了尋求比較好的培育楊樹大苗的方法，2017年，我們?cè)诿缙宰隽艘韵聦?duì)比實(shí)驗(yàn)：（1）移植一年生小苗；（2）直接扦插定向培育。

考慮到參數(shù)在其值域內(nèi)取值具有隨機(jī)性,本文采用修正的Morris篩選法進(jìn)行敏感性分析,該方法的參數(shù)敏感性判別因子SN參見文獻(xiàn)[25]。依據(jù)SN的絕對(duì)值S將參數(shù)的敏感性劃分如下[26]:S≥1,則該參數(shù)是高敏感參數(shù);0.2≤S<1,則該參數(shù)是敏感參數(shù);0.05≤S<0.2,則該參數(shù)是中等敏感參數(shù); 0≤S<0.05,則該參數(shù)是不敏感參數(shù)。

3 結(jié)果分析與討論

3.1 參數(shù)敏感性定性分析

3.1.1 目標(biāo)函數(shù)變化分析

WRF-Hydro模型運(yùn)行需要下墊面數(shù)據(jù)和氣象驅(qū)動(dòng)數(shù)據(jù)[18]。陸面模式下墊面數(shù)據(jù)由WRF網(wǎng)站的靜態(tài)數(shù)據(jù)經(jīng)插值獲得,匯流網(wǎng)格下墊面數(shù)據(jù)來源于地理空間數(shù)據(jù)云網(wǎng)站。氣象驅(qū)動(dòng)數(shù)據(jù)中的雨量資料來自流域內(nèi)8個(gè)雨量站及陳河水文站,其他氣象驅(qū)動(dòng)數(shù)據(jù)由GLDAS數(shù)據(jù)獲得。流量資料由陳河水文站提供。WRF-Hydro模型需要預(yù)熱以獲得與實(shí)際較為相符的流域初始狀態(tài),每一年的預(yù)熱期為汛期中有記錄的第一場(chǎng)洪水的前1月左右,模型預(yù)熱可以獲得相對(duì)準(zhǔn)確的初始場(chǎng),提高模擬精度。考慮到WRF-Hydro模型的計(jì)算成本較高[16],本文選取2003—2006年6—10月作為率定期,共計(jì)8場(chǎng)洪水;選取2007—2012年6—10月為驗(yàn)證期,共計(jì)11場(chǎng)洪水。其中,選取20030916和20100820兩個(gè)洪水事件作為典型洪水進(jìn)行參數(shù)敏感性分析。預(yù)熱期、模擬期及洪水事件信息詳見表1。

圖2 6個(gè)參數(shù)目標(biāo)函數(shù)變化曲線Fig.2 Change curve of objective function of 6 parameters

對(duì)于產(chǎn)流參數(shù),fPb隨ZSOILFAC減小逐步減小,尤其在0～1.0內(nèi)減幅更大,說明ZSOILFAC取值在0～1.0之間敏感性強(qiáng)于1.0～2.0之間,主要是因?yàn)橥翆雍穸瘸^一定值后均無法產(chǎn)流。由圖2(b)可知,1.0～5.0區(qū)間內(nèi),隨著GWEXP取值的遞增,模擬效果越來越好,目標(biāo)函數(shù)變化的速度越來越慢,說明GWEXP取值越小越敏感。REFKDT最優(yōu)參數(shù)是0.7,REFKDT同樣取值較小時(shí)比較敏感,當(dāng)小于0.7時(shí),隨參數(shù)值遞減,fPb增大的速度越來越快,大于0.7時(shí),fPb以相近的速率遞增。由圖2(d)為可知,目標(biāo)函數(shù)受參數(shù)影響很小,在取值區(qū)間內(nèi)RETDEPRTFAC相當(dāng)不敏感。

對(duì)于匯流參數(shù),fNSE隨著OVROUGHRTFAC的增大而減小,但fNSE的變化是穩(wěn)定且較小的。fNSE隨MANNFAC變化巨大,當(dāng)MANNFAC小于1.0時(shí),隨著取值減小fNSE以遞增的速度減小,大于1.0時(shí),fNSE以相近的速度逐步減小。從整個(gè)參數(shù)變化來看,MANNFAC的取值對(duì)洪水模擬的影響巨大。

綜合來看,4個(gè)產(chǎn)流參數(shù)中,ZSOILFAC、REFKDT和GWEXP都比較敏感,對(duì)徑流量影響較大,而RETDEPRTFAC相當(dāng)不敏感。匯流參數(shù)中,MANNFAC非常敏感,對(duì)洪水模擬影響較大,OVROUGHRTFAC敏感性低于MANNFAC。4個(gè)敏感參數(shù)的敏感性,均在取較小值時(shí)強(qiáng)于取較大值時(shí)。

企業(yè)管理者在成本控制上，缺乏長(zhǎng)遠(yuǎn)考慮，不愿意投入大量的人財(cái)物力，不愿意引進(jìn)高素質(zhì)的成本管理人才，不愿意加大對(duì)員工成本管控技能上的培訓(xùn)，不愿意打造完善的智能化信息平臺(tái)，加大信息的采集和分析。企業(yè)對(duì)成本考核的重視程度不夠，公司的成本考核在績(jī)效考核中比重過低，管理者只注重銷售額考核，這樣就不能激發(fā)員工對(duì)成本控制的積極性。

3.1.2 典型洪水分析

將各參數(shù)在率定期內(nèi),以設(shè)定步長(zhǎng)在取值范圍內(nèi)進(jìn)行改動(dòng),依次率定參數(shù),觀察每個(gè)參數(shù)對(duì)應(yīng)的目標(biāo)函數(shù)值變化規(guī)律,并在率定期和驗(yàn)證期各選一場(chǎng)典型洪水運(yùn)行模型,分析不同評(píng)價(jià)指標(biāo)隨參數(shù)擾動(dòng)的變化情況,以定性分析各參數(shù)敏感性。

圖3 各參數(shù)不同取值時(shí)20030916號(hào)洪水過程線Fig.3 Flood hydrograph of flood event 20030916 with different parameters values

WRF-Hydro模型具有陸面模式參數(shù)與匯流網(wǎng)格參數(shù)等眾多參數(shù)。考慮到模型默認(rèn)土層厚度值并不適用于中小流域,引入土層厚度乘子ZSOILFAC[7]等比修改土層厚度。因采用自動(dòng)率定計(jì)算成本過高[20],本文采用客觀優(yōu)選法[21]進(jìn)行參數(shù)率定?？陀^優(yōu)選法是指對(duì)某一參數(shù)在值域內(nèi)以合適的步長(zhǎng)依次驅(qū)動(dòng)模型,以目標(biāo)函數(shù)來確定最優(yōu)參數(shù)值。采用徑流量相對(duì)誤差(Pb)、納什系數(shù)(NSE)、洪峰相對(duì)誤差(REP)及峰現(xiàn)時(shí)間誤差(TEP)評(píng)價(jià)模型模擬結(jié)果。

表3 各產(chǎn)流參數(shù)不同取值下模擬目標(biāo)函數(shù)統(tǒng)計(jì)

GWEXP對(duì)洪水模擬有一定影響。由圖3(b)可知,隨著GWEXP增大,模擬洪量先減后增,漲洪段與落洪段都逐漸陡峭,逐漸貼合實(shí)際洪水過程線,且峰值逐漸增大。由表3可知,兩場(chǎng)洪水的NSE、Pb、REP均先減小后增大,但都波動(dòng)較小,TEP也僅波動(dòng)1h。當(dāng)GWEXP較小,概念性水箱更易蓄滿,多余水量使土層更快飽和,因而洪量大;隨著GWEXP增大,河道基流流量大,因此模擬洪量和峰值增大。GWEXP比較敏感,NSE、Pb和洪峰流量都對(duì)GWEXP變化有一定響應(yīng),但受影響不大。

REFKDT對(duì)地表、壤中和地下徑流都有影響。如圖3(c)可知,REFKDT每次擾動(dòng),都會(huì)造成洪水過程線的顯著變化。隨著REFKDT的增加,起漲時(shí)間延遲,峰值減小,洪量減小。由表3可知,隨REFKDT增加,NSE先增大后減小,Pb變化不大,REP與TEP均逐漸偏離0,即峰值逐漸減小,峰現(xiàn)時(shí)間有一定延遲。REFKDT取值較小時(shí),超滲產(chǎn)流量大,故洪量和峰值較高,峰現(xiàn)時(shí)間偏早。隨著REFKDT增大,超滲產(chǎn)流量減少,壤中與地下徑流略有增大,因此洪量和峰值逐漸減小,洪峰右移。REFKDT對(duì)洪水模擬影響顯著,NSE、Pb、洪峰流量和峰現(xiàn)時(shí)間都對(duì)REFKDT較敏感。

RETDEPRTFAC修改地表截留能力,由圖3(d)可知,其在0～1.0內(nèi)模擬的洪水過程線近乎重合。由表3可知,兩場(chǎng)洪水的NSE、Pb和REP均波動(dòng)較小,TEP無波動(dòng)。研究發(fā)現(xiàn)該參數(shù)并不是地表產(chǎn)流量主要影響因子,因此對(duì)洪水模擬影響較小。在取值區(qū)間內(nèi),各評(píng)價(jià)指標(biāo)隨RETDEPRTFAC變化均無明顯變化。

OVROUGHRTFAC控制坡道匯流速度,由圖3(e)可知,洪峰隨OVROUGHRTFAC增加而右移,但洪水過程線變化不大。由表4可知,NSE、Pb和REP呈輕微減小趨勢(shì),且兩場(chǎng)洪水的TEP都僅波動(dòng)2h。OVROUGHRTFAC越大,坡道匯流速率越慢,但坡道匯流速率對(duì)整個(gè)匯流過程的影響較小,因此峰現(xiàn)時(shí)間會(huì)隨其取值增大而略顯滯后,其他指標(biāo)僅受輕微影響。

隨著社會(huì)經(jīng)濟(jì)不斷發(fā)展和對(duì)人才的較高要求，就業(yè)指導(dǎo)課也要隨之變化、隨之發(fā)展，不斷增加新的內(nèi)容。獨(dú)立學(xué)院應(yīng)根據(jù)學(xué)生個(gè)性特征和社會(huì)經(jīng)濟(jì)發(fā)展的需要，有目的、有計(jì)劃、有步驟地對(duì)學(xué)生未來的職業(yè)定位及在校期間的職業(yè)準(zhǔn)備、職業(yè)能力培養(yǎng)等施加影響[4]。

據(jù)表1所示，從調(diào)查覆蓋的地理區(qū)域來說，本調(diào)查所收集到的招聘信息涵蓋了全國(guó)大部分?。ㄖ陛犑?、自治區(qū)），獲得的招聘信息是比較充分的。

表4 各匯流參數(shù)不同取值下模擬目標(biāo)函數(shù)統(tǒng)計(jì)

如圖3(f)所示,MANNFAC擾動(dòng)會(huì)造成洪水過程線較大變化。隨MANNFAC增加,洪峰整體右移,峰值減小。由表4可知,隨著MANNFAC增大,NSE先增大后減小,Pb變化不大,REP劇烈減小,峰現(xiàn)時(shí)間逐步延遲。MANNFAC對(duì)河道匯流影響顯著,MANNFAC過小時(shí),匯流快,導(dǎo)致洪量較大;MANNFAC過大時(shí),匯流慢,洪峰滯后,洪量和峰值都偏小。MANNFAC對(duì)NSE、洪峰流量和峰現(xiàn)時(shí)間有較大影響,Pb對(duì)MANNFAC不敏感。

綜上,由典型洪水分析可知,WRF-Hydro模型較敏感的參數(shù)主要有3個(gè),分別為ZSOILFAC、REFKDT和MANNFAC。ZSOILFAC對(duì)NSE、Pb、洪峰流量和峰現(xiàn)時(shí)間都有較大影響;REFKDT對(duì)Pb、洪峰流量和峰現(xiàn)時(shí)間有較大影響;MANNFAC對(duì)NSE、洪峰流量和峰現(xiàn)時(shí)間有較大影響。其次是GWEXP,其對(duì)洪水模擬各指標(biāo)的影響均不大。而RETDEPRTFAC和OVROUGHRTFAC相對(duì)不敏感,都對(duì)洪水模擬的影響較小。

3.2 參數(shù)敏感性定量分析

本文在利用修正的Morris篩選法分析時(shí),以陳河流域各參數(shù)不同取值下8場(chǎng)洪水的徑流量相對(duì)誤差目標(biāo)函數(shù)fPb、納什系數(shù)(NSE)目標(biāo)函數(shù)fNSE及兩者加權(quán)平均值(fNSE+fPb)/2為衡量輸出值變化的指標(biāo)。對(duì)研究區(qū)6個(gè)參數(shù),取最優(yōu)參數(shù)為初始值,在最優(yōu)值基礎(chǔ)上擾動(dòng)-30%、-20%、-10%、10%、20%、30%,得到擾動(dòng)值及6個(gè)參數(shù)敏感度如表5所示。

我國(guó)不斷擴(kuò)大對(duì)外開放，關(guān)稅下調(diào)、跨境貿(mào)易便利化措施等持續(xù)推進(jìn)，大量進(jìn)口食品為人們提供了多樣化的選擇，豐富了普通百姓的生活。《中國(guó)進(jìn)口食品行業(yè)報(bào)告》顯示，從1997年到2017年，我國(guó)進(jìn)口食品金額增長(zhǎng)15.2倍；20年間，我國(guó)進(jìn)口食品來源國(guó)（地區(qū)）從108個(gè)增加至170個(gè)，覆蓋了全球約74%的國(guó)家和地區(qū)。

表5 6個(gè)參數(shù)擾動(dòng)結(jié)果及不同目標(biāo)函數(shù)下的敏感度

由表5可知,目標(biāo)函數(shù)不同時(shí),參數(shù)的敏感度不一樣。對(duì)于fNSE,敏感度大小排序?yàn)镸ANNFAC、ZSOILFAC、GWEXP、REFKDT、OVROUGHRTFAC、RETDEPRTFAC。ZSOILFAC、MANNFAC和GWEXP屬于高敏感參數(shù),REFKDT屬于敏感參數(shù),OVROUGHRTFAC和RETDEPRTFAC均屬于不敏感參數(shù),說明對(duì)于納什系數(shù),影響較大的參數(shù)主要有MANNFAC、ZSOILFAC、和GWEXP。對(duì)于fPb,敏感度大小排序?yàn)閆SOILFAC、REFKDT、GWEXP、MANNFAC、OVROUGHRTFAC、RETDEPRTFAC,其中,ZSOILFAC和REFKDT屬于高敏感參數(shù),GWEXP和MANNFAC屬于中等敏感參數(shù),而OVROUGHRTFAC和RETDEPRTFAC屬于不敏感參數(shù),說明對(duì)徑流量相對(duì)誤差影響較大的參數(shù)有ZSOILFAC和REFKDT。

其中，i=1,2,…,n。k1i、k2i為在(0，1)范圍內(nèi)均勻獨(dú)立生成的2*n個(gè)隨機(jī)數(shù)，對(duì)于整體算術(shù)雜交算子，k1i=(k11，k12，…，k1n)，k2i=(k21，k22，…，k2n)，對(duì)于線性雜交算子，生成的2*n個(gè)隨機(jī)數(shù)為k11=k12=…=k1n=k1，k21=k22=…=k2n=k2。

研究發(fā)現(xiàn),取fNSE和fPb的加權(quán)平均值作為最終的敏感度評(píng)價(jià)指標(biāo),可以得出6個(gè)參數(shù)的敏感度大小排序?yàn)閆SOILFAC、MANNFAC、REFKDT、GWEXP、OVROUGHRTFAC、RETDEPRTFAC。此外,不論取哪個(gè)目標(biāo)函數(shù)作為敏感度評(píng)價(jià)指標(biāo),ZSOILFAC均屬于高敏感參數(shù),而OVROUGHRTFAC和RETDEPRTFAC都屬于不敏感參數(shù)。

4 結(jié) 論

a.根據(jù)參數(shù)率定過程中目標(biāo)函數(shù)隨參數(shù)的變化情況來看,產(chǎn)流參數(shù)ZSOILFAC、REFKDT、GWEXP和匯流參數(shù)MANNFAC變化會(huì)造成目標(biāo)函數(shù)較大變化,是比較敏感的參數(shù),其他參數(shù)相對(duì)不敏感。

b.從典型洪水分析來看,WRF-Hydro模型中較敏感參數(shù)有ZSOILFAC、REFKDT和MANNFAC,在取值區(qū)間內(nèi)該3個(gè)參數(shù)對(duì)模擬洪水有較大影響。且不同評(píng)價(jià)指標(biāo)的參數(shù)敏感性略有差別,對(duì)于NSE,ZSOILFAC、GWEXP和MANNFAC非常敏感;對(duì)于Pb,ZSOILFAC和REFKDT非常敏感;對(duì)于洪峰流量,REFKDT和MANNFAC非常敏感;對(duì)于峰現(xiàn)時(shí)間,ZSOILFAC和MANNFAC非常敏感。

重德?；鶎痈瘮『秃趷簞?shì)力猖獗一個(gè)重要因素就是道德觀念的缺失。貪腐官員、黑惡勢(shì)力侵占農(nóng)民利益，魚肉鄉(xiāng)里，喪失基本道德；鄉(xiāng)民受小農(nóng)觀念制約，缺乏道德判斷，各人自掃門前雪，莫管他人瓦上霜，弱者無人扶助，正義無人伸張。樹立公德意識(shí)，也是杜絕基層腐敗現(xiàn)象，鏟除農(nóng)村黑惡勢(shì)力的要義。

c.根據(jù)修正Morris篩選法,以fNSE和fPb的加權(quán)平均值為敏感度評(píng)價(jià)指標(biāo),ZSOILFAC、REFKDT、MANNFAC屬于高敏感參數(shù);GWEXP為敏感參數(shù),OVROUGHRTFAC屬于中等敏感參數(shù);而RETDEPRTFAC屬于不敏感參數(shù)。

d.在研究流域,ZSOILFAC范圍在0.1～1.0之間模擬效果較好;GWEXP取值范圍為3.0～6.0之間模擬效果較好;REFKDT取值在0.0～1.0之間模擬效果較好;MANNFAC取值在0.5～1.5之間模擬效果較好。

e.在半濕潤(rùn)流域應(yīng)用WRF-Hydro模型時(shí),應(yīng)首選ZSOILFAC、GWEXP、REFKDT和MANNFAC這4個(gè)參數(shù)率定,參考本文建議的取值區(qū)間與步長(zhǎng)。