モデルのキャリブレーションと不確実性

キャリブレーションは、観測値と一致するようにモデルパラメータを調整するものであり、不確実性分析は、結果として得られる水文予測に対する信頼度を定量化するものです。

Definition

キャリブレーションとは、選択された目的関数に従って、シミュレーションされた出力が観測データと一致するようにモデルパラメータを調整するプロセスであり、不確実性分析とは、モデルパラメータ、構造、入力、および予測における不確実性を定量化することです。

Scope

このトピックでは、目的関数と性能指標、キャリブレーションとパラメータ推定方法、等至性の問題、および水文モデルにおける予測不確実性を推定するためのフレームワークについて扱います。概念モデルと分布モデルの両方において、モデルがどのように使用に適したものとされ、その信頼性がどのように判断されるかについて論じます。

Core questions

• モデルの性能はどのように測定され、最適化されるのか？
• モデルパラメータは観測値に対してどのようにキャリブレーションされるのか？
• 等至性とは何か、なぜそれがキャリブレーションを複雑にするのか？
• 予測不確実性はどのように推定され、伝達されるのか？

Key concepts

• 目的関数
• Nash-Sutcliffe効率とKling-Gupta効率
• パラメータ最適化
• 等至性
• GLUEとアンサンブル法
• 予測不確実性範囲

Key theories

目的関数と効率性指標

性能は、Nash-Sutcliffe効率とその分解（例：Kling-Gupta効率）などの目的関数によって定量化され、キャリブレーションを導き、モデル比較を可能にします。

等至性とGLUE

多くのパラメータセットがほぼ同程度に観測値に適合するという認識に基づき、GLUEフレームワークは単一の最適解の探索を否定し、代わりに振る舞いの良いモデルをサンプリングして予測の不確実性範囲を生成します。

Clinical relevance

適切なキャリブレーションと不確実性推定は、洪水および水供給予測に対する信頼度を決定し、リスクベースの意思決定とインフラ設計に情報を提供し、費用のかかる誤りにつながる可能性のある単一モデル予測への過信を防ぎます。

History

Nash-Sutcliffe効率などの適合度指標は、1970年にモデル評価を形式化しました。1992年の等至性の認識とGLUE手法は、水文モデリングを明示的な不確実性推定へと移行させ、その後の研究で性能指標と不確実性フレームワークが洗練されました。

Debates

形式的対非形式的な不確実性推定

水文学者は、予測不確実性を、誤差に関する強い仮定を必要とする形式的なベイズ尤度によって推定すべきか、それともより柔軟であるものの統計的に首尾一貫性がないと批判されるGLUEのような非形式的なアプローチによって推定すべきかについて議論しています。

Key figures

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

Seminal works

• nash1970
• beven1992
• gupta2009

Frequently asked questions

Nash-Sutcliffe効率とは何ですか？

これは、モデルのシミュレートされたハイドログラフが観測値とどの程度一致するかを測るために広く用いられる指標であり、モデルの誤差を観測値の分散と比較します。値が1であれば完全に一致し、0であればモデルが観測された平均流量を使用するよりも優れていないことを意味します。

なぜモデルは単一の最適なパラメータセットにキャリブレーションできないのですか？

等至性のため、多くの異なるパラメータセットがほぼ同程度に観測値を再現するため、単一のセットが明確に最適であるとは限りません。このため、現代の実践では、単一の最適解に依存するのではなく、多くの許容可能なモデルにわたる不確実性を推定します。