第九讲SWAT模型参数率定和验证
SWAT模型参数及运行过程
第1章SWAT模型1.1SWAT模型参数1.1.1DEM数据DEM大部分是比较光滑的地形表面模型，但是由于误差及某些特殊地形的存在，造成DEM表面会有一些凹陷的地区存在，导致得到精度不高的水流方向结果，使得原始DEM数据不能满足研究的需要。
因此，在进行绝大多数模拟实验之前，都会将原始DEM数据通过ArcGIS软件的水文分析模型进行洼地填充，最终得到满足研究需求的无洼地DEM数据。
1.1.2土地利用数据通过对洱海流域高分辨遥感影像监督分类取得研究区的土地利用空间分布图后，首先查看分布图的投影坐标体系，如果与研究中设定的不相同，则需要利用ArcToolbox的投影模块Projections对其进行投影转换；第二步需要建立图中分类编码与模型中土地分类编码之间的联系，以供模型模拟使用。
1.1.3气象数据气象数据主要包括流域的气温数据（日平均、最高和最低）、太阳辐射、风速、相对湿度、降水数据（包括降雨强度、月均降雨量、月均降雨量标准偏差、降雨的偏度系数、月内干日数、月内湿日数、平均降雨天数等参数）。
在数据类型上，这些数据可以是统计数据，也可以通过SWAT模型的天气发生器模拟生成，或者是统计和模拟数据的结合；在数据格式上，这些气象数据需要以DBF格式保存在ArcGIS自带的属性数据库中；在时间尺度上，模型的模拟时间步长可以为年、月、日。
1.1.4土壤数据SWAT 模型需要将各类土壤的水文、水传导属性作为输入值, 并将其分为按土壤类型和按土壤层输入的两类参数。
按土壤类型输入的参数包括：(1)每类土壤所属的水文单元组；(2)植被根系最大深度；(3)土壤表面到最底层深度；(4)土壤空隙比等。
按土壤层分层输入的数据有；(5)土壤表面到各土壤层深度；(6)土壤容重；(7)有效田间持水量；(8)饱和导水率；(9)每层土壤中的粘粒、粉沙、沙粒、砾石含量；(10)USLE方程中的土壤可蚀性K；(11)田间土壤反照率；(12)土壤电导率。
SWAT模型原理
SWAT模型原理SWAT模型（Soil and Water Assessment Tool，土壤和水资源评估工具）是用于评估流域水循环、水质和土壤侵蚀的数学模型。
它是由美国农业部（USDA）开发的，用于支持农业决策和流域管理。
1.数据输入：SWAT模型的输入数据包括气象数据、土地利用数据、土壤数据和管理实践数据。
气象数据主要包括降水、温度、风速和日照等信息。
土地利用数据描述了流域中不同土地利用类型的分布情况，如农田、森林、草地等。
土壤数据描述了土壤的物理和化学特性，如土壤类型、质地、土壤有机质含量等。
管理实践数据描述了农田管理措施，如施肥、灌溉和农药使用等。
2.水文模拟：SWAT模型使用降水和蒸散发数据来计算流域的水量平衡。
降水通过自然和人为的蓄水和径流过程，形成地表径流和地下径流。
蒸散发是指水分从土地表面蒸发和植物透传到大气中的过程。
模型根据土壤含水量和植被类型，计算蒸散发的损失。
这些水文过程模拟有助于了解流域水资源的分布和利用情况。
3.土壤侵蚀模拟：SWAT模型还模拟土壤水分和沉积物的侵蚀过程。
地表径流会携带土壤颗粒和污染物，导致土壤侵蚀和水质恶化。
模型根据地表流量和土壤侵蚀的相关因素，如坡度、覆盖度和土壤侵蚀性指数等，计算土壤侵蚀的速率。
这对于评估土地利用变化和管理实践对土壤质量和水质的影响非常重要。
4.模型校准和验证：SWAT模型的输出结果需要与实际观测数据进行校准和验证。
校准是调整模型参数，使模型的输出尽可能接近实际观测结果。
验证是使用另一组独立数据来验证模型的准确性和适用性。
这个过程对于提高模型的可靠性和预测能力非常重要。
5.方案评估和决策支持：SWAT模型可以用于评估不同的土地利用和管理方案，并提供决策支持。
通过模拟不同管理实践的效果，可以评估其对水资源、土壤侵蚀和水质的影响。
这有助于制定合理的流域管理策略，促进可持续农业和水资源管理。
总之，SWAT模型基于水文和土壤侵蚀的基本原理，结合实际观测数据和参数，用于模拟流域的水文过程和土壤侵蚀过程。
SWAT模型
SWAT模型SWAT模型是一种常用的水文模型，广泛应用于流域水文模拟和水资源管理等领域。
SWAT模型的全称是Soil and Water Assessment Tool，该模型结合了土壤、水文和气象等多方面因素，能够对流域内水文循环过程进行较为精确的模拟和预测。
在这篇文章中，我们将探讨SWAT模型的基本原理、应用范围以及未来发展方向。
SWAT模型的基本原理SWAT模型是一种基于过程的模型，其基本原理是通过对流域内水文循环过程的各种因素进行细致的建模和模拟，从而实现对流域水文过程的定量分析和预测。
SWAT模型主要考虑的因素包括降水、蒸发蒸腾、径流、土壤蓄水、植被覆盖等，模型通过对这些因素之间的相互作用进行建模，可以对流域内的水文过程进行较为准确的描述。
SWAT模型采用分布式建模方法，将流域划分为多个子集水区，然后对每个子集水区内的水文过程进行独立的模拟，最后通过整合各个子集水区的模拟结果得到对整个流域的水文过程的模拟结果。
这种分布式建模方法能够更好地考虑流域内地形、土壤和植被等空间异质性因素对水文过程的影响，提高模拟结果的准确性。
SWAT模型的应用范围SWAT模型主要应用于流域水文过程的模拟和预测，在水资源管理、土地利用规划、洪水风险评估等方面发挥着重要作用。
具体来说，SWAT模型可以用于以下几个方面：1.水资源管理：SWAT模型能够对流域内降水、径流等水文过程进行模拟，帮助决策者了解流域内水资源的分布和利用情况，指导水资源管理的决策。
2.土地利用规划：SWAT模型可以模拟不同土地利用类型对水文过程的影响，帮助规划者制定合理的土地利用规划，保护流域水资源。
3.洪水风险评估：通过模拟洪水过程，SWAT模型可以评估流域内不同地区的洪水风险，为防洪减灾提供科学依据。
4.水质预测：SWAT模型还可以模拟流域内污染物的输运过程，帮助监测人员预测流域内水质状况，保护水质。
SWAT模型的未来发展方向随着科学技术的不断发展和水资源管理需求的提高，SWAT模型也在不断完善和发展。
SWAT模型
sed 11.8(Q q peq areahru ) 0.56 K C P LS CFRG
sed为泥沙日产量,ton；Q为表面径流量，mm/ha；qpeq为地表径流峰值流速， m3/s；areahru为水文响应单元面积（ha）；K为土壤侵蚀系数；C为作物经营 管理系数；P为水土保持系数；LS为地形系数；GFRG为粗糙系数。
陕西科技大学
马斯京根方程
马斯京根法将河道看成柱体和楔体的组合
V为河道水量m3,qin为上游流量m3/s,qout为下游流量m3/s，K为河道贮水时 间s, X为衡量河段出流与入流相互关系的权重因子，Lch为河道长度Km，v为 流速m/s.
陕西科技大学
土壤侵蚀与泥沙输运模块
在SWAT中，对由降雨及地表径流产生的流沙量的计算采用MUSLE （Modified version of universal soil loss equation），即改进通用土壤流失方 程。改进了流沙产量预测的准确度，并且可以预测单次降雨事件中的产沙量
Ea
第i天蒸发量mmH2O, 第i天壤中流量mmH2O,
表示第i天地表径流量mmH2O,
Wseep 第i天的下渗量mmH O, 2
Qlat
Qgw
第i天的基流量mmH2O,
陕西科技大学
二、河道水文过程
在SWAT中，曼宁方程用来计算流量和流速，马斯京根方程用来模拟水流 在河道中的应用 曼宁方程
q为流道流量，m3/s。A为 过水断面面积，m2。R为 水力半径，m。Slp为底面 坡度。n为河道曼宁系数。 v为流速，m/s
物理概念模型
输入参数简单
计算效率高
可以对流域 进行长期模拟
陕西科技大学
模型结构
SWAT模型参数及运行过程
第1章SWAT模型1.1SWAT模型参数1.1.1DEM数据DEM大部分是比较光滑的地形表面模型，但是由于误差及某些特殊地形的存在，造成DEM表面会有一些凹陷的地区存在，导致得到精度不高的水流方向结果，使得原始DEM数据不能满足研究的需要。
因此，在进行绝大多数模拟实验之前，都会将原始DEM数据通过ArcGIS软件的水文分析模型进行洼地填充，最终得到满足研究需求的无洼地DEM数据。
1.1.2土地利用数据通过对洱海流域高分辨遥感影像监督分类取得研究区的土地利用空间分布图后，首先查看分布图的投影坐标体系，如果与研究中设定的不相同，则需要利用ArcToolbox的投影模块Projections 对其进行投影转换；第二步需要建立图中分类编码与模型中土地分类编码之间的联系，以供模型模拟使用。
1.1.3气象数据气象数据主要包括流域的气温数据（日平均、最高和最低）、太阳辐射、风速、相对湿度、降水数据（包括降雨强度、月均降雨量、月均降雨量标准偏差、降雨的偏度系数、月内干日数、月内湿日数、平均降雨天数等参数）。
在数据类型上，这些数据可以是统计数据，也可以通过SWAT模型的天气发生器模拟生成，或者是统计和模拟数据的结合；在数据格式上，这些气象数据需要以DBF格式保存在ArcGIS自带的属性数据库中；在时间尺度上，模型的模拟时间步长可以为年、月、日。
1.1.4土壤数据SWAT 模型需要将各类土壤的水文、水传导属性作为输入值, 并将其分为按土壤类型和按土壤层输入的两类参数。
按土壤类型输入的参数包括：(1)每类土壤所属的水文单元组；(2)植被根系最大深度；(3)土壤表面到最底层深度；(4)土壤空隙比等。
按土壤层分层输入的数据有；(5)土壤表面到各土壤层深度；(6)土壤容重；(7)有效田间持水量；(8)饱和导水率；(9)每层土壤中的粘粒、粉沙、沙粒、砾石含量；(10)USLE方程中的土壤可蚀性K；(11)田间土壤反照率；(12)土壤电导率。
SWAT
土壤侵蚀与泥沙输运模块
在SWAT中，对由降雨及地表径流产生的流沙量的计算采用MUSLE （Modified version of universal soil loss equation），即改进通用土壤流失方 程。改进了流沙产量预测的准确度，并且可以预测单次降雨事件中的产沙量
sed 11.8(Q q peq areahru ) 0.56 K C P LS CFRG
模型率定和验证方法比较
SCE优化算法
• SWAT2005模型的参数自动率 定采用的时SCE优化算法，单 收敛速度不理想，导致自动参 数率定需要大量计算机时间。 国内大部分研究人员应用此算 法。
PSO优化算法
• PSO（Particle Swarm Optimization)粒子群优化算法 ，并采用Linux运行平台，可是 率定时间缩小，结果合理稳定 。
本次研究亮点
• 1、以GIS平台，将SWAT模型应用在清河凡河流域，通过 调整模型参数，并对其进行率定和验证，分析模型在清河 凡河流域的适用性和可靠性，并对有相同现状的辽河流域 推广应用提供理论基础。 • 2、本次研究结合研究区农田灌排渠系结构，修正模型中 水文模块。 • 3、本次研究将PSO算法加入到SWAT2005模型中，进行 模型参数自动率定，能显著提高参数自动率定效率。
5
土壤属性数据 库:土壤的物理 属性数据（必 须）和土壤的 化学属性数据 （可选）。
研究区域非点源污染模型模拟所需数据表
数据类型 数字高程模型 （DEM） 土地利用图 格式 Grid Grid\Shape 参数 数字化河网图 叶面积指数、植被根深、 径流曲线数、冠层高度、 曼宁系数 土壤密度、饱和导水率、 持水率、颗粒含量 日最高最低气温、日降水 量 日流量、月流量、径流量 总氮、总磷、氨氮、可溶 性磷浓度、有机氯浓度、 有机磷浓度 土壤中氮磷含量、土壤容 量、土壤有机碳参数等、 天剑持水量等 数据来源 数字化地形图 遥感影像 备注 DEM包括高程、坡面和河道的 坡度、坡长、坡向
SWAT模型参数及运行过程
SWAT模型参数及运行过程SWAT (Soil and Water Assessment Tool) 是一种基于分布式水文模型的农业水文模型，被广泛应用于研究、管理和决策支持系统中。
下面将介绍SWAT模型的参数设置，以及其运行过程。
1.SWAT模型参数设置：- 模型时间尺度（Time Step）：定义模拟的时间跨度，可选择从小时到年。
- 流域面积（Watershed Area）：描述研究区域的地理范围，单位为平方千米或英亩。
- 坡度（Slope）：描述研究区域的地表坡度，以百分比表示。
- 壤土类型（Soil Type）：描述地区土壤的类型，包括土壤质地、土壤有机质含量等。
- 植被类型（Land Use Type）：描述地区植被覆盖类型，包括农田、林地、草地等。
- 降水数据（Precipitation Data）：包括降水量、降水强度等降水信息。
- 水文过程模型（Hydrological Process Model）：描述地区的水文循环过程，包括蒸散发、径流产生、地下水补给等。
- 水利设施（Water Management Practice）：描述地区水利设施的使用情况，如灌溉、排水等。
2.SWAT模型运行过程：数据输入：首先需要收集和整理与研究区相关的地理、气象、土壤和植被数据。
这些数据包括流域边界、坡度、土壤类型、植被类型、降水量和温度等数据。
数据可以从局部观测站点、遥感数据和气象模型等获取。
参数设置：在模型中设置先前提到的参数，以准确描述研究区域的水文过程和土壤特性。
参数设置可以根据实地观测数据和经验来进行。
模型运行：针对所设置的参数和数据，SWAT模型通过数学方程和水文过程模型进行数值模拟。
模型会根据给定的时间尺度分别计算降水、蒸散发、径流产生、地下水补给等水文过程，并给出模拟结果。
模型评估：通过对模拟结果与实际观测数据进行比较和评估，来判断模型的精度和对研究区域水文过程的描述能力。
可以使用多种统计指标来评估模拟结果的准确性，如R方、均方根误差等。
第九讲SWAT模型参数率定和验证
最优化方法
➢PSO算法模型参数率定过程
最优化方法
➢目标函数：
误差平方和SSQ： 排序后误差平方和SSQR：
➢多目标优化：
依据贝叶斯理论
➢参数优化选项：
增加（减少）百分率（乘法） 增加（减少）一定值（加法） 采用某一值替换
不确定性分析
➢ 模型的不确定性：
模型本身 模型的基本假设 输入数据的误差 分辨率等
13 7
1
Out 4 3 6 1 5 7 11 4
9
Out 5 4 9 1 2 7 6 23
5
Out 6 4 5 2 3 6 10 8
15
Out 7 3 6 2 5 7 10 4
1
Out 8 4 5 1 6 7 10 3
2
Out 9 参数
5 ALPHA_BF
6
ESCO
1
CN2
3 SOL_AWC
7
surlag
12
Sol_z
4 BIOMIX
10
SOL_ORG N
自动校核
➢单击Tools菜单下的auto-calibration and uncertainty，弹出下图所示对话框
自动校核
➢根据敏感性分析结果选择参数 ➢选择子流域14进行自动校核
➢操作过程
自动校核
➢查看结果
自动校核
不确定性分析
➢自动校核后出现校核结果 ➢可进行不确定性分析
调整藻类生物量比率AI1（.wwq）
水质校核
➢有机N校核 ➢子流域内有机N校核
调整土壤中营养物的初始浓度SOL_ORGN （ .sol）
确定并调整土壤表层的施肥率FRT_LY1 （ .mgt）
➢河道内有机N运移过程校核
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
水量校核
➢ 校核流量过程
峰值衰减期值降得太快：检查传输损失—河道水 力传导率CH_K(.rte)
在融雪季节里，峰值会很高而衰退值很低，降低 最大和最小积雪融化速率SMFMX 和SMFMN(.bsn)
另外一个会影响积雪融化的参数是气温下降速率 TLAPS(.sub)，增加这些值
修改基流α系数ALPHA_BF(.gw)
调整藻类生物量比率AI1（.wwq）
水质校核
➢有机N校核 ➢子流域内有机N校核
调整土壤中营养物的初始浓度SOL_ORGN （ .sol）
确定并调整土壤表层的施肥率FRT_LY1 （ .mgt）
➢河道内有机N运移过程校核
调整藻类生物量比率AI1（.wwq）
水质校核
➢可溶性P校核 ➢子流域内可溶性P校核
➢ 径流空间上的校准
先上游后下游 先支流后干流 已校准好的子流域参数不要再变
泥沙校核
➢ 泥沙有2 个来源
HRU/子流域负荷 河道冲刷/沉积
➢ 检查水库/池塘模拟
水库和池塘对泥沙负荷有很大的影响 如果流域模拟的泥沙负荷量相差很大，首先核实
流域中的水库和池塘
➢ 校准子流域负荷
耕作对泥沙输移具有很大的影响 USLE 方程水土保持因子USLE_P(.mgt)、坡长因子
及的参数最优化和不确定分析方法
模型参数的不确定性
➢ SUNGLASSES (Sources of UNcertainty GLobal Assessment using Split-SamlpES):基于 分离抽样的不确定性来源全局分析
评价模型预测期的不确定性 不仅包含参数的不确定性 建立参数系列，根据不确定阈值建立评价标准
12
Sol_z
4 BIOMIX
10
SOL_ORG N
自动校核
➢单击Tools菜单下的auto-calibration and uncertainty，弹出下图所示对话框
自动校核
➢根据敏感性分析结果选择参数 ➢选择子流域14进行自动校核
➢操作过程
自动校核
➢查看结果
自动校核
不确定性分析
➢自动校核后出现校核结果 ➢可进行不确定性分析
参数敏感性分析
➢ 对于径流：CN2、sol_awc、ESCO最敏感
➢ 对于泥沙：CN2、SPCON、BIOMIX最敏感
➢ 对于氮磷等污染物： CN2、 ESCO、Alpha_Bf 、surlag等参数比较敏感
Out 1 Out 2
6 11
3
5
1
1
2
4
16 6
4
9
17 3
Out 3 3 6 2 5 7 10 4
➢ 径流：地表径流和地下径流
调整CN2(.mgt) 若地表径流仍然不符合要求，则调整SOL_AWC
(.sol)或ESCO(.bsn or .hru) 基流值太高：增加 GW_REVAP(.gw)，减小
REVAPMN(.gw)，增加 GWQMN(.gw)，
➢ 蒸发：土壤蒸发、植被蒸发
EPCO、EPSO (.bsn or .hru文件中)
调整土壤中营养物的初始浓度SOL_MINP（ .sol）
确定并调整土壤表层的施肥率FRT_LY1 （ .mgt ）
确定耕作措施（*.mgt ），调整作物残留系数 RSDCO和作物混合有效系数BIOMIX（. bsn）
调整P渗透系数PPERCO (.bsn) 调整土壤P比例系数PHOSKD（ .bsn）
关键步骤
➢观测数据文件的制作 ➢注意参数界限 ➢ArcSWAT2005中有手动调参的工具
利用SWAT-CUP进行参数率定
SWAT-CUP参数率定
➢SWAT-CUP (SWAT Calibration Uncertainty Procedures)
该法将系统初始化为一组随机粒子（Particle）， 通过迭代搜寻最优值，每次迭代过程中，粒子在 解空间追随最优的粒子进行搜索
PSO 算法中， 所有的粒子都有一个由被优化的函 数（目标函数）决定的适应值（fitness value）， 每个粒子还有一个矢量速度决定他们飞翔的方向 和距离
在每一次迭代中，粒子通过跟踪两个“极值”来 更新自己：一个极值就是粒子本身所找到的最优 解，这个解叫做个体极值pbest；另一个极值是整 个种群目前找到的最优解，这个极值是全局极值 pbest-gbest
➢ 不确定性分析方法：
SCE-UA： χ2-统计和贝叶斯方法 GLUE 方法（同时也是一种全局参数灵敏度分析的
方法）
➢ χ2-统计：置信空间
单目标参数极好值： 多目标参数极好值：
➢ 贝叶斯法：最大可能空间
模型率定
➢ 基于统计方法 ➢ 分离抽样方法：分为率定期和验证期 ➢ 采用分离抽样评价整个模型预测的不确定性 ➢ Parasol (Parameter Solutions method):以上提
➢ Latin-Hypercube
基于蒙特卡洛模型，但基于统计抽样方法 把每个参数分布划为N个空间，随即抽样，每个空间
的被抽到的概率为1/N，参数随机组合，模型运行N次 模型结果利用多参数线性回归或相关分析方法分析 不足：多元回归 分析的前提假设为线性变化，可能导
致偏差
输出结果的变化并 不总能明确地归因于某一特定输入 参数值的变化
➢ 子流域内矿物性N校核
调整土壤中营养物的初始浓度SOL_NO3（.sol） 确定并调整土壤表层的施肥率FRT_LY1 （ .mgt） 确定耕作措施（*.mgt ），调整作物残留系数
RSDCO和作物混合有效系数BIOMIX（. bsn） 调整N渗透系数NPERCO (.bsn)
➢ 河道内矿物性N运移过程校核
RSDCO和作物混合有效系数（. bsn文件中）
➢ 调整河道冲刷/沉积 :
调整河道泥沙运移方程中的线性和指数参数SPCON 和 SPEXP （.bsn文件中）
调整河道侵蚀因子CH_EROD （ .rte文件中） 调整河道覆盖因子CH_COV（.rte文件中）
水质校核
➢ 主要考虑因素：
营养物来源：HRUs/子流域、河道内过程 营养物分布：总量、季节性负荷 洪水过程后的分布：地形起伏、浓度峰值
模型率定
➢分布真实式世界水质模型误观测差-模源型
误差
模型率定
➢参数自动率定结果的优劣指标
Nash-Suttcliffe效率系数 相关系数 相对误差 模拟和实测数据的平均误差和标准差 斜率、截距、回归系数等
➢比较目标：
利用界面进行参数率定
水量校核
➢ 检查水量平衡
sub.dbf文件中的PET、ET、SNOMELT、SW、 GWQ、SURQ、WLYD、 rch.dbf文件中的 FLOW_IN、FLOW_OUT
参数敏感性分析
➢One-factor-At-a-Time sampling
运行一次只改变一个参数 某一特定输入参数值的变化引起的输出结果 的
灵敏度大小依赖于模型其他参数值的选取
➢LH-OAT sensitivity 分析
采用LH-OAT法可确保所有参数在取值范围内 均被取样
两者优点，弥补不足 把参数划分为m个空间（包含p个参数的集合
参数敏感性分析
➢灵敏度分析输入文件
参数敏感性分析
➢参数控制输入文件
Sensin.dat：包含LH抽样间隔m、OAT敏感性分 析参数变化范围、随机抽样种子数
changepar.dat：参数最大值、最小值、模型参 数、校核方法、HRU个数
参数敏感性分析
➢参数控制输入文件
responsmet.dat：每行代表一个输出参数，每列 各有其含义，参看校核文档
13 7
1
Out 4 3 6 1 5 7 11 4
9
Out 5 4 9 1 2 7 6 23
5
Out 6 4 5 2 3 6 10 8
15
Out 7 3 6 2 5 7 10 4
1
Out 8 4 5 1 6 7 10 3
2
Out 9 参数
5 ALPHA_BF
6
ESCO
1
CN2
3 SOL_AWC
7
surlag
第4步，检查是否满足收敛要求，如果不满足 回到第2步
最优化方法
➢SCE-UA 算法的特点:
在多个吸引域内获得全局收敛点 能够避免陷入局部最小点 能有效地表达不同参数的敏感性与参数间的相
关性 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 能够处理高维参数问题
最优化方法
➢ 粒子群优化算法（Particle Swarm Optimi⁃zation ，简称PSO算法）
），p次参数变化，模型运行 m *(p+1) 次
最优化方法
➢参数自动率定采用SCE-UA（Shuffled complex evolution algorithm）：
对于非线性复杂的分布式水文模型，采用随机 搜索方法寻优，最为成功的方法之一
全局优化算法
➢基于以下4 种概念:
确定性和概率论方法结合; 在全局优化及改善方向上, 覆盖参数空间的复
objmet.dat：同上，作用为：误差测定
参数敏感性分析
➢ SMFMX SMFMN ALPHA_BF GWQMN GW_REVAP REVAPMN ESCO SLOPE SLSUBBSN TLAPS CH_K2 CN2 SOL_AWC surlag SFTMP SMTMP TIMP GW_DELAY rchrg_dp canmx sol_k sol_z sol_alb epco ch_n blai BIOMIX USLE_C SPCON SPEXP CH_COV CH_EROD USLE_P NPERCO PPERCO PHOSKD SOL_LABP SOL_ORGN SOL_ORGP SOL_NO3 gwno3