PEST中两种参数化方法:zonal和pilot points

在GMS反向模型中,有两种参数化方法,zonal和pilot points,下面分别介绍这两种方法。

一、zonal

  • 1)定义参数区
    对模型中的每一个参数多边形(如渗透系数K和补给量)赋一个主值(key value),这个主值应该具有唯一性,一般赋负值效果较好。
    注意:在采用zonal方法参数化时,被估算的参数区的数量应该小于观测点的数量
  • 2)设置参数数据
    (1)勾选Parameter Estimation,开启参数估计选项:MODFLOW——Global Options——Run options——Parameter Estimation
    (2)设置初始水头
    初始水头最好选用前一次正向模拟结果产生的水头,这样可以保证PEST在计算时更快收敛。如果初始水头与PEST计算过程中的结果相差很大,可能会导致计算失败。
    取消勾选Turn off Starting heads equal grid top elevations——Starting Heads——3
    D Dataset—Grid ——Head
    (3)编辑参数数据
    MODFLOW| Parameters ——Initialize from Model,设置初始值、最小值和最大值,注意,初始值的设定很重要,初始值与最终参数值越接近,反向模型越容易收敛
    (4)设置最大迭代次数
    MODFLOW|PCG—Pre.Conj._Gradient Solver ——Maximum number of outer iterations,Number of inner iterations
  • 3)加载最优参数数据
    PEST模型运行结束后,通过最优参数模拟计算的结果会自动导入到GMS中,但是最优参数值需要通过以下方法加载进来取代初始值。
    MODFLOW| Parameters ——Import Optimal Values——选择*.par文件
  • 4)查看参数敏感度
    PEST会将每次迭代参数估计的敏感度信息保存到SEN文件中,通过Plot Wizard,选择Parameter Sensitivities可以图形可视化各参数的敏感度。

二、pilot points

1、正则化方法

pilot points通过正则化方法实现参数化。通过正则化方法,可以实现估算的参数个数远大于观测点数目,因此,可以定义复杂的参数分布,产生极小的剩余误差。pilot point的正则化方法是PEST中非常有效的方法。
正则化方法有两种:

  • Preferred homogeneous regularization
    先验信息方程被写进PEST控制文件中,将pilot points互相联系起来,这些方程指示PEST,在缺少PEST目标函数的强影响下,彼此距离很近的pilot points应该具有相同的值。
  • Preferred value regularization
    先验信息方程被写进PEST控制文件中,将pilot points与它们的初始值联系在一起。这些方程指示PEST,在缺少PEST目标函数的强影响下,pilot points应该与它们的初始值相同。

2、参数化基本步骤

pilot points进行参数化方法通常需要以下步骤:

  • 1)创建pilot points
    通过GMS中的2D scatter point进行创建,而2D scatter point可以通过2D grid、2D mesh、TIN、map data转换而来。
    如果需要在pilot points中添加固定数值,则可以手动创建scatter point,然后选中这些点,右键properties,勾选Fixed Pilot Point一列,那么这些散点所在的单元格最终的参数数值是固定的。
  • 2)编辑参数
    MODFLOW| Parameters —— Value一栏选择<Pilot Points>——点击按钮打开2D Interpolation Options对话框——选择散点数据集和插值方法
  • 3)限制参数估算运行迭代次数
    MODFLOW| Parameter Estimation —— Max number of iterations(NOPTMAX)
    其中,Prior information power factor数值默认为1,减小这个数值会增加同质性的约束(赋一个较高的权重给先验信息方程),增加这个数值会减小同质性的约束(赋一个较低的权重给先验信息方程)
  • 4)运行MODFLOW
  • 5)查看最优的参数
    MODFLOW| Parameters —— Import Optimal Values——选择*.par文件

3、一个模型中使用多个pilot points

  • 比如对渗透系数进行分区后,每个分区赋一个主值(一般为负数)。2D Scatter Data创建不同的多个散点集,通过MODFLOW| Parameters —— Value一栏选择<Pilot Points>——点击按钮打开2D Interpolation Options对话框——每一个分区选择不同的散点数据集
  • 如果需要对同一个散点集,赋不同的初值,可以激活2D Scatter Data下散点集,Edit|Data Calculator ——Expression 赋初值,Result为新散点集名称——Done
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,324评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,303评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,192评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,555评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,569评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,566评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,927评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,583评论 0 257
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,827评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,590评论 2 320
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,669评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,365评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,941评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,928评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,159评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,880评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,399评论 2 342

推荐阅读更多精彩内容