Calibración y Incertidumbre del Modelo

La calibración ajusta los parámetros del modelo para que coincidan con las observaciones, y el análisis de incertidumbre cuantifica la confianza que podemos tener en las predicciones hidrológicas resultantes.

Definition

La calibración es el proceso de ajustar los parámetros del modelo para que las salidas simuladas coincidan con los datos observados según una función objetivo elegida; el análisis de incertidumbre es la cuantificación de la incertidumbre en los parámetros, la estructura, las entradas y las predicciones del modelo.

Scope

Este tema abarca las funciones objetivo y las medidas de rendimiento, los métodos de calibración y estimación de parámetros, el problema de la equifinalidad y los marcos para estimar la incertidumbre predictiva en los modelos hidrológicos. Aborda cómo se adaptan los modelos para su uso y cómo se juzga su fiabilidad, tanto en modelos conceptuales como distribuidos.

Core questions

• ¿Cómo se mide y optimiza el rendimiento del modelo?
• ¿Cómo se calibran los parámetros del modelo con respecto a las observaciones?
• ¿Qué es la equifinalidad y por qué complica la calibración?
• ¿Cómo se puede estimar y comunicar la incertidumbre predictiva?

Key concepts

• Funciones objetivo
• Eficiencia de Nash-Sutcliffe y Kling-Gupta
• Optimización de parámetros
• Equifinalidad
• GLUE y métodos de conjunto
• Límites de incertidumbre predictiva

Key theories

Funciones objetivo y medidas de eficiencia

El rendimiento se cuantifica con funciones objetivo como la eficiencia de Nash-Sutcliffe y sus descomposiciones (por ejemplo, la eficiencia de Kling-Gupta), guiando la calibración y permitiendo la comparación de modelos.

Equifinalidad y GLUE

Reconociendo que muchos conjuntos de parámetros se ajustan a las observaciones de manera casi igualmente buena, el marco GLUE rechaza la búsqueda de un único óptimo y, en su lugar, muestrea modelos de comportamiento para producir límites de incertidumbre en las predicciones.

Clinical relevance

Una calibración y estimación de la incertidumbre sólidas determinan la confianza que se debe depositar en los pronósticos de inundaciones y suministro de agua, informan las decisiones basadas en el riesgo y el diseño de infraestructuras, y protegen contra el exceso de confianza en las predicciones de un solo modelo que pueden conducir a errores costosos.

History

Medidas de bondad de ajuste como la eficiencia de Nash-Sutcliffe formalizaron la evaluación de modelos en 1970; el reconocimiento de la equifinalidad y la metodología GLUE en 1992 cambiaron la modelización hidrológica hacia la estimación explícita de la incertidumbre, y trabajos posteriores refinaron las métricas de rendimiento y los marcos de incertidumbre.

Debates

Estimación formal versus informal de la incertidumbre

Los hidrólogos debaten si la incertidumbre predictiva debe estimarse con verosimilitudes bayesianas formales, que requieren suposiciones sólidas sobre los errores, o con enfoques informales como GLUE, que son más flexibles pero criticados como estadísticamente incoherentes.

Key figures

• Keith J. Beven
• Hoshin V. Gupta
• James E. Nash

Seminal works

• nash1970
• beven1992
• gupta2009

Frequently asked questions

¿Qué es la eficiencia de Nash-Sutcliffe?

Es una medida ampliamente utilizada de qué tan bien el hidrograma simulado de un modelo coincide con las observaciones, comparando el error del modelo con la varianza de las observaciones; un valor de uno es un ajuste perfecto, mientras que cero significa que el modelo no es mejor que usar el flujo medio observado.

¿Por qué un modelo no puede calibrarse simplemente a un único conjunto de parámetros óptimo?

Debido a la equifinalidad, muchos conjuntos de parámetros diferentes reproducen las observaciones casi igualmente bien, por lo que ningún conjunto único es claramente el mejor; por eso la práctica moderna estima la incertidumbre en muchos modelos aceptables en lugar de depender de un único óptimo.