ду ограниченности и низкой точности исходных данных для опреде-
ления параметров широко используются методы оптимизации. Ус-
тойчивость параметров может быть повышена за счет привлечения
априорной информации, которая определяется качеством и количест-
вом данных, особенностями модели, квалификацией исследователя.
При правильной идентификации систем расхождение между
фактическими и прогнозными данными должно быть минималь-
ным. Последнее имеет место в случае максимального приближения
структуры и параметров модели к фактическим данным. Выполне-
ние этих условий может привести к усложнению модели, появле-
нию неточно определяемых параметров, возрастанию случайных
ошибок. Возникает проблема установления оптимальной сложности
модели и оптимальных значений параметров, при которых заданная
функция, зависящая от сходимости фактических и рассчитанных
данных, достигает минимума. Такую функцию называют критери-
ем оптимизации, или критерием качества.
В качестве критерия оптимизации чаще всего используют сум-
му квадратов отклонения фактических и рассчитанных значений:
2
тах 
“
К(а)= ЛХ(:)—Хр(г)] й, 
(5.1)
0
где Х()) и Х, () - фактические и рассчитанные значения Х соответст-
венно.
Возможные пределы изменения параметров устанавливают ис-
ходя из физических соображений, натурных, экспериментальных
данных и балансовых соотношений.
Методы оптимизации при достаточном объеме информации
позволяют находить значения параметров, близких к фактическим.
Для концептуальных моделей можно выделить некоторые об-
щие принципы параметризации:
1) часть параметров определяют методами гидрологического
анализа непосредственно по данным измерений основных состав-
ляющих водного баланса, характеристик почвы и т. д.;
2) производят приблизительную оценку оставшихся парамет-
ров и возможные границы их изменения;
3) используя входные и выходные данные, приближенные
оценки, уточняют методом проб и ошибок;
113