मॉडल अंशांकन और अनिश्चितता

अंशांकन (कैलिब्रेशन) मॉडल मापदंडों को प्रेक्षणों से मिलाने के लिए समायोजित करता है, और अनिश्चितता विश्लेषण यह निर्धारित करता है कि परिणामी जलवैज्ञानिक भविष्यवाणियों पर हम कितना भरोसा कर सकते हैं।

Definition

अंशांकन मॉडल मापदंडों को समायोजित करने की प्रक्रिया है ताकि चुने हुए उद्देश्य कार्य के अनुसार सिम्युलेटेड आउटपुट प्रेक्षित डेटा से मेल खाएं; अनिश्चितता विश्लेषण मॉडल मापदंडों, संरचना, इनपुट और भविष्यवाणियों में अनिश्चितता का परिमाणीकरण है।

Scope

यह विषय उद्देश्य कार्यों और प्रदर्शन मापों, अंशांकन और पैरामीटर अनुमान विधियों, समतुल्यता (इक्विफिनैलिटी) की समस्या, और जलवैज्ञानिक मॉडलों में पूर्वानुमानित अनिश्चितता का अनुमान लगाने के लिए रूपरेखाओं को शामिल करता है। यह बताता है कि मॉडलों को उपयोग के लिए कैसे उपयुक्त बनाया जाता है और उनकी विश्वसनीयता का आकलन कैसे किया जाता है, जिसमें वैचारिक और वितरित दोनों मॉडल शामिल हैं।

Core questions

• मॉडल के प्रदर्शन को कैसे मापा और अनुकूलित किया जाता है?
• मॉडल मापदंडों को प्रेक्षणों के विरुद्ध कैसे कैलिब्रेट किया जाता है?
• समतुल्यता (इक्विफिनैलिटी) क्या है, और यह अंशांकन को क्यों जटिल बनाती है?
• भविष्यवाणी की अनिश्चितता का अनुमान कैसे लगाया और संप्रेषित किया जा सकता है?

Key concepts

• उद्देश्य कार्य
• नैश-सटक्लिफ और क्लिंग-गुप्ता दक्षता
• पैरामीटर अनुकूलन
• समतुल्यता (इक्विफिनैलिटी)
• GLUE और एन्सेम्बल विधियाँ
• भविष्यवाणी की अनिश्चितता की सीमाएँ

Key theories

उद्देश्य कार्य और दक्षता माप

प्रदर्शन को नैश-सटक्लिफ दक्षता और इसके अपघटन (उदाहरण के लिए क्लिंग-गुप्ता दक्षता) जैसे उद्देश्य कार्यों से मापा जाता है, जो अंशांकन का मार्गदर्शन करते हैं और मॉडल तुलना को सक्षम करते हैं।

समतुल्यता (इक्विफिनैलिटी) और GLUE

यह पहचानते हुए कि कई पैरामीटर सेट प्रेक्षणों को लगभग समान रूप से अच्छी तरह से फिट करते हैं, GLUE रूपरेखा एकल इष्टतम की खोज को अस्वीकार करती है और इसके बजाय भविष्यवाणियों पर अनिश्चितता की सीमाएं उत्पन्न करने के लिए व्यवहारिक मॉडलों का नमूना लेती है।

Clinical relevance

सटीक अंशांकन और अनिश्चितता का अनुमान यह निर्धारित करता है कि बाढ़ और जल-आपूर्ति के पूर्वानुमानों पर कितना भरोसा किया जाए, जोखिम-आधारित निर्णयों और बुनियादी ढांचे के डिजाइन को सूचित करता है, और एकल मॉडल भविष्यवाणियों में अत्यधिक आत्मविश्वास से बचाता है जिससे महंगी त्रुटियां हो सकती हैं।

History

नैश-सटक्लिफ दक्षता जैसे गुडनेस-ऑफ-फिट उपायों ने 1970 में मॉडल मूल्यांकन को औपचारिक रूप दिया; 1992 में समतुल्यता (इक्विफिनैलिटी) और GLUE पद्धति की पहचान ने जलवैज्ञानिक मॉडलिंग को स्पष्ट अनिश्चितता अनुमान की ओर स्थानांतरित कर दिया, और बाद के कार्यों ने प्रदर्शन मेट्रिक्स और अनिश्चितता रूपरेखाओं को परिष्कृत किया।

Debates

औपचारिक बनाम अनौपचारिक अनिश्चितता अनुमान

जलविज्ञानी इस बात पर बहस करते हैं कि क्या पूर्वानुमानित अनिश्चितता का अनुमान औपचारिक बायेसियन संभावनाओं के साथ लगाया जाना चाहिए, जिसके लिए त्रुटियों के बारे में मजबूत धारणाओं की आवश्यकता होती है, या GLUE जैसे अनौपचारिक दृष्टिकोणों के साथ, जो अधिक लचीले होते हैं लेकिन सांख्यिकीय रूप से असंगत होने के लिए आलोचना की जाती है।

Key figures

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

Seminal works

• nash1970
• beven1992
• gupta2009

Frequently asked questions

नैश-सटक्लिफ दक्षता क्या है?

यह इस बात का व्यापक रूप से उपयोग किया जाने वाला माप है कि एक मॉडल का सिम्युलेटेड हाइड्रोग्राफ प्रेक्षणों से कितनी अच्छी तरह मेल खाता है, मॉडल की त्रुटि की तुलना प्रेक्षणों के विचरण से करता है; एक का मान एक पूर्ण फिट है, जबकि शून्य का अर्थ है कि मॉडल औसत प्रेक्षित प्रवाह का उपयोग करने से बेहतर नहीं है।

एक मॉडल को केवल एक सर्वोत्तम पैरामीटर सेट पर क्यों कैलिब्रेट नहीं किया जा सकता है?

समतुल्यता (इक्विफिनैलिटी) के कारण, कई अलग-अलग पैरामीटर सेट प्रेक्षणों को लगभग समान रूप से अच्छी तरह से पुनरुत्पादित करते हैं, इसलिए कोई भी एकल सेट स्पष्ट रूप से सर्वोत्तम नहीं है; यही कारण है कि आधुनिक अभ्यास एक इष्टतम पर निर्भर रहने के बजाय कई स्वीकार्य मॉडलों में अनिश्चितता का अनुमान लगाता है।