《Journal of Hydrology》：Out of bounds: The use of model ensembles to explore model structural uncertainty under extreme events
编辑推荐：
针对城市排水模型长期侧重参数优化而忽视结构不确定性的问题，研究人员以意大利博洛尼亚Fossolo流域为案例，构建两类共四种模型结构（原始独立假设vs下游边界条件修正），结合参数校准与合成暴雨集合，揭示边界条件对极端事件模拟的关键影响。研究表明，忽略下游边界条件会导致参数过拟合与物理机制失真，而纳入边界条件的解释性模型（Ensemble D）可更准确预测满管流风险，为气候变化下排水系统建模提供结构可靠性评估框架。
当暴雨突袭城市，地下排水管网能否扛住极端考验？这不仅是市政管理者的考题，更是城市水文学者必须破解的谜题。长期以来，城市排水模型研究陷入“参数至上”的误区——学者们热衷于用观测数据微调管道粗糙度、渗透系数等参数，却忽视了模型结构本身的“先天缺陷”。就像用一把刻度不准的尺子反复测量，即便读数再精确，也掩盖不了工具本身的误差。意大利博洛尼亚的Fossolo流域便是典型案例：这个41公顷的合流制排水区，过去20年里被多次建模，却始终沿用“独立子系统”假设——认为其管网与城市主干管网无交互，仅通过三个“normal”类型排放口连接。然而，随着极端降雨频发，这种简化假设是否还能成立？当暴雨强度突破常规阈值，下游主干管网的壅水是否会倒灌上游？这些疑问直指模型结构不确定性的核心：边界条件的合理性。
为回答这一问题，研究团队以“探索极端事件下模型结构不确定性”为主题，在《Journal of Hydrology》发表研究，通过构建多模型集成与合成暴雨应力测试的方法，揭示了边界条件对排水系统模拟的决定性影响。
研究采用四大关键技术方法：首先，基于EPA SWMM 5.2构建两类模型结构——原始独立假设模型（Model A/B）与下游边界条件修正模型（Model C/D），其中Model C/D将Out1排放口设为“timeseries”类型，输入全城尺度模型模拟的水位时间序列作为边界条件；其次，采用事件驱动模拟，选取1994-1995年四次历史降雨事件（Event 1/5/6/9）进行校准验证，其中Event 6（1995年6月23日）为极端事件，总降雨量72.72 mm，最大雨强147.97 mm/h；第三，通过Sobol序列采样开展敏感性分析，筛选管道粗糙度、不透水面比例等关键参数，采用蒙特卡洛过滤法结合帕累托前沿（Pareto front）筛选最优参数集；最后，基于乘性随机级联模型（Multiplicative Random Cascade, MRC）生成1000场合成暴雨，分别模拟当前气候（2006-2016年夏季温度分布）与未来气候（2060-2070年RCP 8.5情景下COSMO-CLM模型投影温度）下的模型响应，通过计算最大水位差（MaxDisagreement）量化模型分歧。
3.1. 结构不确定性源表征
3.1.1. 事件集分析
通过对比Model B（仅用极端事件校准的原始模型）与Model D（纳入下游边界条件的修正模型）对Event 6的模拟结果，发现两者虽均满足最大误差<0.25 m的阈值，但物理机制截然不同：Model B通过高估管道粗糙度（平均0.018 s/m1/3）平滑峰值，属于“错误原因下的良好拟合”；Model D则准确捕捉到下游壅水导致的回水效应，峰值延迟4分钟且与观测值趋势一致。进一步测试非极端事件（Event 1/5/9）时，Model B持续高估水位，证实其参数过拟合风险。
3.1.2. 敏感性分析
参数分布显示，Model A/C（非极端事件校准）的管道粗糙度箱线图范围重叠，表明边界条件对常规事件影响可忽略；而Model B/D（极端事件校准）的参数分布显著分离，Model B的粗糙度值系统性偏高以补偿结构缺陷，Model D则因边界条件修正回归合理范围。值得注意的是，即使缺乏极端事件观测数据，仅通过纳入下游边界条件（Model C）生成的集成模型，其对Event 6的模拟仍与Model D趋势一致，证明边界条件本身比极端事件数据更具价值。
3.1.3. 基于Event 6的合成暴雨事件
对Model Ensemble A（6组参数，覆盖Pareto前沿多样性）与Ensemble B（6组最优参数）施加1000场合成暴雨后，构建最大分歧矩阵发现：当暴雨强度超过阈值（约120 mm/h）时，两集成模型的分歧显著增大，分歧水位差最高达0.5 m。筛选出的32场高分歧暴雨中，15场被用于测试Model Ensemble D，结果显示：Ensemble D的满管流发生概率（>10%）显著高于Ensemble A（≈2%）和Ensemble B（≈4%），且组内一致性更高（平均KS距离0.024 vs 0.073）。
3.2. 变化条件下结构不确定性的影响
在未来气候情景下，合成暴雨集合中触发模型分歧的事件数量较当前增加175场（增幅近3倍），尤其在分歧阈值0.5 m时，分歧事件占比从当前的12%升至35%。这表明气候变化导致的高频极端降雨会放大边界条件的影响，使“独立子系统”假设失效风险显著提升。
3.3. 模型分歧作为结构不确定性指标的局限性与潜力
研究提出的“多模型集成+应力测试”框架突破了传统参数不确定性分析的局限：通过将模型分歧视为结构不一致的预警信号，而非单纯的结果离散度，可精准识别边界条件等结构性缺陷。该方法无需依赖大量极端事件观测数据，仅需合理设置边界条件即可提升模型解释力。
研究结论强调，模型结构认知是参数校准的前提——脱离物理机制的参数优化会导致“黑箱模型”，虽能拟合历史数据却无法应对气候变化下的极端场景。纳入下游边界条件的解释性模型（如Ensemble D）不仅能提高满管流预测精度，更能为排水系统韧性评估提供物理一致性保障。这一发现对城市排水模型实践具有重要指导意义：监测点位选择应优先考虑边界交互区域，模型复用需明确结构假设的适用范围，尤其在气候变化背景下，需重新评估传统简化假设的合理性。
