[论文解读] Development and analysis of a Bayesian water balance model for large lake systems

Joeseph P. Smith, Andrew D. Gronewold|arXiv (Cornell University)|Oct 26, 2017

Hydrology and Watershed Management Studies被引用 4

一句话总结

该论文提出了一种用于大型湖泊的贝叶斯水文平衡模型（L2SWBM），通过马尔可夫链蒙特卡洛（MCMC）方法整合多种不确定的数据源，以量化不确定性的方法估算水文平衡分量。该框架在计算效率高且可信的不确定性区间下，识别出能够准确闭合苏必利尔湖和密歇根-休伦湖水文平衡的最优模型结构，从而为大型湖泊系统提供稳健的水文分析。

ABSTRACT

Water balance models (WBMs) are often employed to understand regional hydrologic cycles over various time scales. Most WBMs, however, are physically-based, and few employ state-of-the-art statistical methods to reconcile independent input measurement uncertainty and bias. Further, few WBMs exist for large lakes, and most large lake WBMs perform additive accounting, with minimal consideration towards input data uncertainty. Here, we introduce a framework for improving a previously developed large lake statistical water balance model (L2SWBM). Focusing on the water balances of Lakes Superior and Michigan-Huron, we demonstrate our new analytical framework, identifying L2SWBMs from 26 alternatives that adequately close the water balance of the lakes with satisfactory computation times compared with the prototype model. We expect our new framework will be used to develop water balance models for other lakes around the world.

研究动机与目标

• 为解决大型湖泊水文平衡模型中测量不确定性和偏差缺乏统计框架的问题。
• 开发一种贝叶斯水文平衡模型（L2SWBM），在传统加法核算基础上，通过整合独立数据源的不确定性与相关性，实现改进。
• 通过实验设计方法，识别苏必利尔湖和密歇根-休伦湖的最优模型结构，平衡准确性与计算效率。
• 提供一个可扩展的框架，用于在全球范围内为其他大型湖泊开发类似模型。

提出的方法

• 该模型采用贝叶斯分层框架，对水文平衡分量（降水、蒸发、径流、流入、流出、引水）进行估计，并量化不确定性。
• 通过JAGS进行马尔可夫链蒙特卡洛（MCMC）模拟，推断模型参数的后验分布，包括输入估计值的偏差和精度。
• 水文平衡表示为月度水位变化的累积和，通过过程误差项考虑未建模的动力学。
• 通过实验设计方法评估26种模型变体，选择在可接受计算时间内最能闭合水文平衡的模型。
• 对精度参数使用非信息性伽马先验，后验分布通过MCMC抽样推断。
• 通过95%可信区间评估偏差和精度的模型性能，并通过后验直方图和偏差图进行可视化。

实验结果

研究问题

• RQ1 在26种备选模型结构中，哪一种能最好地在保持计算效率的同时闭合苏必利尔湖和密歇根-休伦湖的水文平衡？
• RQ2 如何量化并整合独立数据源之间的测量不确定性、偏差和相关性，以构建大型湖泊水文平衡模型？
• RQ3 不同的先验假设对水文平衡分量精度和偏差估计有何影响？
• RQ4 对于两座湖泊，推断出的偏差和可信区间在时间和不同分量（如降水、蒸发、出流）之间如何变化？
• RQ5 该贝叶斯框架能否生成可靠且量化不确定性的水文平衡分量估计，以支持水资源管理？

主要发现

• 模型f12FF被确定为最优配置，在水文平衡闭合与计算效率之间达到最佳平衡。
• 苏必利尔湖降水估算偏差的95%可信区间为-1.2 mm至1.8 mm/月，表明系统误差较低。
• 对于密歇根-休伦湖，出流偏差（Q）的均值为-0.18 mm/月，95%可信区间为-0.27至-0.12 mm/月，表明存在轻微低估。
• 苏必利尔湖径流估算的精度估计为σ = 13.60 mm（95%可信区间：11.91–15.91 mm），反映中等不确定性。
• 后验直方图显示，20个精度参数中有16个使用了非信息性先验，表明推断主要由数据驱动。
• 该模型成功闭合了两座湖泊的水文平衡，过程误差项（ε）的标准差在苏必利尔湖为8.62 mm，在密歇根-休伦湖为8.62–11.28 mm之间，具体取决于模型变体。