Kalibrasi dan Ketidakpastian Model

Kalibrasi menyesuaikan parameter model agar sesuai dengan observasi, dan analisis ketidakpastian mengukur seberapa yakin kita terhadap prediksi hidrologi yang dihasilkan.

Definition

Kalibrasi adalah proses penyesuaian parameter model sehingga keluaran simulasi sesuai dengan data observasi berdasarkan fungsi objektif yang dipilih; analisis ketidakpastian adalah kuantifikasi ketidakpastian dalam parameter model, struktur, masukan, dan prediksi.

Scope

Topik ini mencakup fungsi objektif dan ukuran kinerja, metode kalibrasi dan estimasi parameter, masalah ekufinalitas, dan kerangka kerja untuk memperkirakan ketidakpastian prediktif dalam model hidrologi. Ini membahas bagaimana model dibuat sesuai untuk digunakan dan bagaimana keandalannya dinilai, baik pada model konseptual maupun terdistribusi.

Core questions

• Bagaimana kinerja model diukur dan dioptimalkan?
• Bagaimana parameter model dikalibrasi terhadap observasi?
• Apa itu ekufinalitas, dan mengapa hal itu mempersulit kalibrasi?
• Bagaimana ketidakpastian prediktif dapat diperkirakan dan dikomunikasikan?

Key concepts

• Fungsi objektif
• Efisiensi Nash-Sutcliffe dan Kling-Gupta
• Optimasi parameter
• Ekufinalitas
• GLUE dan metode ensemble
• Batas ketidakpastian prediktif

Key theories

Fungsi objektif dan ukuran efisiensi

Kinerja dikuantifikasi dengan fungsi objektif seperti efisiensi Nash-Sutcliffe dan dekomposisinya (misalnya efisiensi Kling-Gupta), yang memandu kalibrasi dan memungkinkan perbandingan model.

Ekufinalitas dan GLUE

Menyadari bahwa banyak set parameter cocok dengan observasi yang hampir sama baiknya, kerangka GLUE menolak pencarian satu optimum tunggal dan sebaliknya mengambil sampel model perilaku untuk menghasilkan batas ketidakpastian pada prediksi.

Clinical relevance

Kalibrasi dan estimasi ketidakpastian yang baik menentukan seberapa besar kepercayaan yang dapat diberikan pada prakiraan banjir dan pasokan air, menginformasikan keputusan berbasis risiko dan desain infrastruktur, serta menjaga dari kepercayaan diri berlebihan pada prediksi model tunggal yang dapat menyebabkan kesalahan mahal.

History

Ukuran goodness-of-fit seperti efisiensi Nash-Sutcliffe memformalkan evaluasi model pada tahun 1970; pengakuan ekufinalitas dan metodologi GLUE pada tahun 1992 menggeser pemodelan hidrologi menuju estimasi ketidakpastian eksplisit, dan pekerjaan selanjutnya menyempurnakan metrik kinerja dan kerangka ketidakpastian.

Debates

Estimasi ketidakpastian formal versus informal

Para hidrologis memperdebatkan apakah ketidakpastian prediktif harus diperkirakan dengan kemungkinan Bayesian formal, yang memerlukan asumsi kuat tentang kesalahan, atau dengan pendekatan informal seperti GLUE, yang lebih fleksibel tetapi dikritik sebagai tidak koheren secara statistik.

Key figures

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

Seminal works

• nash1970
• beven1992
• gupta2009

Frequently asked questions

Apa itu efisiensi Nash-Sutcliffe?

Ini adalah ukuran yang banyak digunakan tentang seberapa baik hidrograf simulasi model cocok dengan observasi, membandingkan kesalahan model dengan varians observasi; nilai satu adalah kecocokan sempurna, sedangkan nol berarti model tidak lebih baik daripada menggunakan rata-rata aliran yang diamati.

Mengapa model tidak bisa hanya dikalibrasi ke satu set parameter terbaik?

Karena ekufinalitas, banyak set parameter yang berbeda mereproduksi observasi hampir sama baiknya, sehingga tidak ada satu set pun yang jelas terbaik; inilah mengapa praktik modern memperkirakan ketidakpastian di banyak model yang dapat diterima daripada mengandalkan satu optimum.