Python操作MySQL：参数优化与GAML、Phillip等模型比较

本文主要探讨了在Python操作MySQL数据库时，fetchone()和fetchall()两种不同的数据获取方法在处理房山蒲洼和密云石匣两个坡耕地径流试验数据时的应用和优化。选取了这两个区域1992年至1998年的降雨径流数据，其中蒲洼坡面径流小区坡度较大，土壤类型为棕壤，而密云石匣休闲地的土壤为粗骨褐土。 文章首先介绍了实验数据的来源和特征，包括不同坡度、土壤质地以及试验小区的规模。入渗方程的选择是关键环节，文中选择了CHU修正的GAML方程、Phillip入渗方程和Horton入渗方程，同时考虑了SCS径流曲线数，目的是为了适应没有降雨过程资料的地区。 参数优化方法是文章的核心内容，针对不同模型（如GAML需要两个参数，Phillip模型两个，Horton模型三个，SCS径流曲线数一个）的参数设置，采用了步长加速法进行优化。目标函数设定为计算径流量与实测径流量的偏差，要求误差控制在1%以内。通过迭代过程，逐步调整参数以找到最优解，这在实际应用中有助于提高模型预测的准确性。 文章还提到了模型确定性系数（Efficiency Coefficient, Ef），这是用来评估模型性能的重要指标，由Nash和Sutcliffe在1970年提出，用于衡量计算结果与实测值的吻合程度。结果显示，GAML和Phillip模型的模型确定性系数较高，意味着它们在模拟径流方面表现较好；而Horton入渗曲线和SCS曲线数的模型确定性系数较低，可能意味着在某些情况下这些模型的适用性较差。 根据参数易获得性和模型性能，研究建议在有降雨过程资料的北京山区，优先使用Chu修正的GAML入渗曲线进行径流计算；而在缺乏此类数据的情况下，SCS径流曲线数可以作为一种备选方案。这项研究的结果对于北京地区径流预报和水土资源评价具有实用价值。 关键词：北京山区、入渗、径流计算、GAML方程、Phillip模型、Horton模型、SCS径流曲线数、参数优化、模型确定性系数。