印度河Jinnah-Chasma河段HEC-RAS洪水模拟模型敏感性分析方法的比较研究

《Physics and Chemistry of the Earth, Parts A/B/C》：Comparative study of sensitivity analysis methods for HEC-RAS flood simulation model on Jinnah-Chasma Reach of the Indus River

本研究采用贝叶斯、回归和斯皮尔曼三种敏感性分析方法，评估HEC-RAS模型中八个输入参数对峰值流量、最大流面积、NSE和PBIAS的影响，发现贝叶斯方法更可靠，下游参数影响最大，为模型优化和数据收集提供依据。

　　

哈斯纳特·阿斯拉姆（Hasnat Aslam）| 丹尼什·拉扎（Danish Raza）| 阿瑟·阿什拉夫（Ather Ashraf）

美国内布拉斯加大学林肯分校农业与自然资源学院，内布拉斯加州林肯市

摘要

数学模型在水文应用中得到广泛使用，敏感性分析（SA）在模型开发、评估、校准和验证阶段起着关键作用。本研究建立了印度河Jinnah-Chashma河段的HEC-RAS水力模型的敏感性分析，用于洪水模拟。选择了八个模型输入参数来分析四个输出指标（峰值流量、最大流量面积、Nash-Sutcliffe效率（NSE）和百分比偏差（PBIAS）的行为。同时，使用了三种不同的敏感性分析方法（贝叶斯法、回归法和Spearman法）来探索这些参数对模型行为的影响。随后，在规定的约束条件下评估并比较了这些方法的结果。分析表明，不同的敏感性分析方法对模型输入参数的重要性排序有所不同，但敏感性指数值大致相同。比较评估和结果一致性评估显示，贝叶斯法由于使用了元模型更稳健地探索了模型输入空间，因此产生了更可靠的结果。此外，下游流量曲线是最重要的输入参数，对模型结果有巨大影响。本研究强调了多方法敏感性分析在提高模型可靠性和指导数据整理工作以改进洪水模拟和水资源管理方面的价值。

引言

近年来，随着气候变异性（Mehta等人，2022年）、人口增长和土地利用变化，洪水建模变得越来越重要，因为这些因素增加了极端水文事件的风险和影响（Gangani等人，2023年；Mehta等人，2023年）。复杂水力系统的比例适当且相互关联的模型（Verma等人，2023年）被迅速用于测量在关键情景下储存量和河道流量的变化：未来气候条件、储存资源、土地利用和土地覆盖的变化（LULC），以及水资源的需求和供应评估（Gao等人，2016年）。来自科学、工程和经济各个领域的研究人员和模型开发者都认为，需要持续努力来评估和改进模型输出（Stone和Lane，2012年；Worrell等人，2004年）。因此，诸如设计空间探索、运营管理、参数优化、不确定性分析和敏感性分析等方法被普遍应用于全球范围内的模型行为评估（Acar等人，2021年；Alqadhi等人，2022年；Herrera等人，2022年）。

在水文模型开发方面，无论是复杂性还是应用方面，都取得了显著进展（Singh等人，2025年）。最常见的应用包括水资源管理、降雨-径流建模、洪水预报和气候变化分析。文献中明确指出，水文模型通常存在相当程度的不确定性，这涉及到输入数据、初始和边界条件、模型结构以及参数（Brunner等人，2021年；Meresa等人，2022年）。这是由于对水文响应机制的了解不足以及所需数据类型的缺乏。然而，洪水预测需要综合考虑模型响应。河道特性和流域特性共同决定了一个地区的洪水频率和强度。因此，只有当分析由专业人员进行，并使用高效的数据采集和计算算法时，洪水模拟模型的结果才被认为是可靠的（Kumar等人，2023年）。而原始数据会导致模型分析中的不确定性。因此，进行敏感性和不确定性分析是为了避免歧义，因为这种测试有助于改进和优化模型行为。

敏感性分析（SA）研究的是模型输出中的不确定性如何归因于模型输入中的不同不确定性来源（Saltelli，2002年）。因此，SA的基本目的是识别模型输出中的疑问，并追踪该不确定值与不确定输入值和模型计算之间的关系。换句话说，SA是对模型输入参数的分析，以根据其在特定条件下的重要性对其进行排序。它是帮助模型识别和解决输入参数对模型稳定性不利影响的最简单工具（Savatorova，2023年）。在这方面，SA与不确定性分析（UA）略有不同，后者仅描述模型输出假设中的不确定性，而不追踪其与贡献输入参数的关系。UA也有广泛的应用，与不确定性相关（David Higdon，2017年）。作为计算机程序的重要组成部分，SA和UA是每个基于计算模型的分析的基本要求（Fiacco，1983年；Saltelli等人，2008年；Shin等人，2013年）。

全局敏感性分析和局部敏感性分析是两种主要的方法，用于评估模型行为，通常因为某些优势而被推荐使用（例如，仅围绕基线目的在小范围内进行探索，以及输入参数交互效应的认知内容）（Gao等人，2016年）。建议使用全局敏感性分析（GSA）而不是局部敏感性分析（LSA），因为LSA仅识别影响并在局部环境中分析行为。有许多可用于GSA的方法，选择哪种方法取决于模型的复杂性、模型计算时间和模型输入参数的数量。基于方差的过滤、回归、平滑、熵和元模型（平滑、仿真器）是一些广泛使用的方法。然而，每种方法在其输入参数方面都有各自的优缺点。例如，基于方差的方法用于因子固定、映射、极化和方差削减，但需要大量的模型运行次数，这些方法也是与模型无关的（Saltelli等人，2010年；Sobol，1993年）。尽管这种方法计算要求较高，但它比其他方法更为常见，并且最近在水文建模中得到了应用（Gan等人，2014年；Shin等人，2013年）。基于过滤的方法通过相关性探索交互效应，但不探索复杂的交互作用。基于元模型的敏感性分析因其所需模型运行次数较少而受到关注，元模型使用原始实际模型模拟生成，并在元模型上进行未来计算。由于这些优点，元模型方法最近受到了更多关注。

在大多数HEC-RAS研究中，尽管存在方法论限制和计算约束，通常仍使用单一方法进行敏感性分析。本研究通过系统地比较贝叶斯法、回归法和Spearman法，提供了对模型敏感性更稳健和全面的理解。在本研究中，结合了基于元模型的方法、基于过滤的方法和相关性模型来分析印度河的HEC-RAS，因为印度河是巴基斯坦的主要河流之一，也是世界上最大的河流之一（Janjua等人，2021年）。证据表明，这条河流及其支流导致了次大陆上的严重洪水，影响了周边超过1亿人。对这样一条大河流的洪水建模在早期预警系统和减轻洪水风险方面起着关键作用。此外，最近的气候变化导致了全球气温的显著波动和降水模式的扰动（Sarkar和Maity，2021年）。印度河是巴基斯坦最大的河流，为数百万人提供水源，并灌溉了约4400万英亩的农田。21世纪，该河流在2010年（1781人死亡，189万栋房屋被毁）、2011年和2022年（3300万人受到影响）引发了重大洪水，其支流或其他印度河流域的河流在2014年、2015年和2025年也引发了洪水。在Jinnah-Chashma河段，印度河上有两座大坝，其中Jinnah大坝附近还计划建设一座最大的大坝（Kalabagh大坝），印度河从山区流入平原。由于这是进入洪泛区的第一个入口点，因此对该河段的洪水建模对于下游建模至关重要。洪水建模和早期预警系统可以通过改善基础设施和规划来帮助减轻洪水的影响。为了改进洪水建模，敏感性分析对于理解模型动态和准确性以及校准和评估至关重要。本研究中考虑的八个输入参数是根据HEC-RAS参考手册选定的，该手册确定了边界条件流量曲线、Manning粗糙度系数、计算时间步长、横截面间距和数值权重因子作为非稳态流模拟的关键控制因素。这些参数共同代表了影响模型稳定性、流量传播和洪水预测准确性的最重要的水力和数值因素（USACE，2016年）。因此，本研究的主要目标如下：

•

分析HEC-RAS水力模型在模拟印度河洪水行为方面的敏感性。

•

比较三种选定的敏感性分析方法（贝叶斯法、Spearman法和回归法）的性能、稳健性和一致性。

•

识别研究区域内对洪水建模最具影响力的参数，并提出改进模型校准和数据采集策略的建议。

尽管本研究涵盖了所有三个目标，但主要目标是使用不同的敏感性分析方法来分析模型敏感性，以便更好地理解模型参数及其对模型的响应。因为没有一种单一的敏感性分析方法能够基于有限的样本量或模型模拟捕捉所有建模动态。因此，多种敏感性分析方法可以提供对模型响应或敏感性的更稳健的理解。

部分摘录

材料与方法

应用了三种敏感性分析技术（贝叶斯法、Spearman法和回归法）来评估八个选定输入参数对四个关键模型输出的影响。这三种方法在分析框架和基本假设上有所不同，选择它们是为了提供对模型敏感性的互补见解。此外，它们属于不同类别的敏感性分析（局部和全局）；因此，选择它们是为了弥补

结果

分别比较了不同方法计算出的输入参数排名。观察到方差较大或排名较高的参数相对更重要，对模型输出的影响也更大。这些参数在模型校准和实施中也起着更重要的作用。敏感性分析结果分为两组，一组包含每种方法的敏感性分析，另一组显示了敏感性指数的比较。

讨论

多方法敏感性分析是一种探索性工具，用于在不同实验条件下研究和改进模型行为。多方法敏感性方法通过跨不同分析框架交叉验证参数的重要性，从而提高了对参数优先级的信心，从而提高了洪水预测的准确性。敏感性分析文献解释说，不同的敏感性分析方法使用不同的统计方法来计算重要性或排名

结论

本研究对应用于印度河Jinnah-Chashma河段的HEC-RAS模型进行了全面的敏感性分析，用于洪水模拟。敏感性分析使用了三种分析方法：贝叶斯推断、Spearman相关性和线性回归。分析重点评估了八个关键输入参数对四个模型输出的影响，即峰值流量、最大流量面积、Nash-Sutcliffe效率（NSE）和百分比偏差（PBIAS）。

CRediT作者贡献声明

哈斯纳特·阿斯拉姆（Hasnat Aslam）：撰写——原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据整理、概念化。阿瑟·阿什拉夫（Ather Ashraf）：撰写——审阅与编辑、监督。丹尼什·拉扎（Danish Raza）：撰写——审阅与编辑、资源整理

未引用参考文献

Higdon等人，2017年。

利益冲突

所有作者声明没有利益冲突。

数据可用性声明

数据将在合理请求时提供。

竞争利益声明

1. 本文遵守所有伦理标准。

2. 本文不存在利益冲突。