曹飞凤，张世强，许月萍，楼章华

(1.浙江省水利水电工程局，浙江 杭州 310020；2.浙江大学 建筑工程学院水文与水资源工程研究所，浙江 杭州 310058；3.中国科学院寒区旱区环境与工程研究所，甘肃 兰州 730000)

水文模型参数的非线性和相关性导致参数分布存在多个局部最优解和不连续可导点，采用传统的贝叶斯算法推求其显性联合概率分布十分困难，而Markov链蒙特卡罗法(Markov Chain Monte Carlo，MCMC)较传统的统计方法(如矩估计法，极大似然估计法等)能更好的处理非线性复杂问题的求解，因此，近年来被广泛应用于流域水文模型参数后验分布的推算[1-6]。

Duan等[7]提出的SCE-UA算法致力于高效且具鲁棒性的搜索参数全局最优解，许多研究都证明了SCE-UA算法的高效性[8-9]，但是该算法容易将搜索范围聚焦到单个最佳参数周围的小区域而陷入局部最优[10]。SCE-UA算法与其他传统参数优选方法一样更多关注参数优化的效率问题，而对模型参数的不确定性分析较为缺乏。由于水文数据和模型本身都有一定的置信区间，只关注参数优化效率而忽视对模型输入、参数及结构等的不确定性分析，将导致模型输出缺乏可靠性。基于上述考虑，Vrugt等[10]提出用MCMC理论的自适应Metropolis算法[11]取代SCE-UA算法中的坡降单纯形法，形成了SCEM-UA (Shuffled Complex Evolution Metropolis-UA)参数全局优化算法。该算法采用自适应Metropolis采样器，使新样本的推荐分布不仅仅依靠先验分布，而是在计算过程不断更新，从而使该算法的计算效率大大提高，并能够有效获取参数的后验概率分布。RSA(Regional Sensitivity Analysis)是全局敏感性分析的一种重要方法，由Hornberger和Spear于1981年提出的[12]，该方法侧重分析参数空间分布的复杂性与相关性对模型输出的响应，已被广泛应用于水文模型参数的敏感性分析。……