모델 보정 및 불확실성

보정은 관측치와 일치하도록 모델 매개변수를 조정하는 것이며, 불확실성 분석은 결과적인 수문학적 예측에 대해 우리가 얼마나 확신할 수 있는지를 정량화합니다.

Definition

보정은 선택된 목적 함수에 따라 시뮬레이션된 출력이 관측된 데이터와 일치하도록 모델 매개변수를 조정하는 과정이며, 불확실성 분석은 모델 매개변수, 구조, 입력 및 예측의 불확실성을 정량화하는 것입니다.

Scope

이 주제는 목적 함수 및 성능 측정, 보정 및 매개변수 추정 방법, 동등성 문제, 그리고 수문학적 모델에서 예측 불확실성을 추정하기 위한 프레임워크를 다룹니다. 이는 개념적 모델과 분포형 모델 모두에서 모델이 어떻게 사용에 적합하게 만들어지고 그 신뢰성이 어떻게 판단되는지를 다룹니다.

Core questions

• 모델 성능은 어떻게 측정되고 최적화됩니까?
• 모델 매개변수는 관측치에 대해 어떻게 보정됩니까?
• 동등성(equifinality)이란 무엇이며, 왜 보정을 복잡하게 만듭니까?
• 예측 불확실성은 어떻게 추정되고 전달될 수 있습니까?

Key concepts

• 목적 함수
• Nash-Sutcliffe 및 Kling-Gupta 효율성
• 매개변수 최적화
• 동등성
• GLUE 및 앙상블 방법
• 예측 불확실성 경계

Key theories

목적 함수 및 효율성 측정

성능은 Nash-Sutcliffe 효율성 및 그 분해(예: Kling-Gupta 효율성)와 같은 목적 함수로 정량화되며, 보정을 안내하고 모델 비교를 가능하게 합니다.

동등성 및 GLUE

많은 매개변수 세트가 관측치에 거의 동일하게 잘 맞는다는 것을 인식하여, GLUE 프레임워크는 단일 최적값을 찾는 것을 거부하고 대신 행동 모델을 샘플링하여 예측에 대한 불확실성 경계를 생성합니다.

Clinical relevance

정확한 보정 및 불확실성 추정은 홍수 및 용수 공급 예측에 대한 신뢰도를 결정하고, 위험 기반 의사결정 및 인프라 설계를 지원하며, 비용이 많이 드는 오류로 이어질 수 있는 단일 모델 예측에 대한 과신을 방지합니다.

History

Nash-Sutcliffe 효율성(Nash-Sutcliffe efficiency)과 같은 적합도 측정은 1970년에 모델 평가를 공식화했습니다. 1992년 동등성(equifinality)과 GLUE 방법론의 인식은 수문학적 모델링을 명시적인 불확실성 추정으로 전환시켰고, 이후의 연구는 성능 지표와 불확실성 프레임워크를 정교화했습니다.

Debates

공식적 불확실성 추정 대 비공식적 불확실성 추정

수문학자들은 예측 불확실성이 오류에 대한 강력한 가정을 요구하는 공식적인 베이즈 가능성(Bayesian likelihoods)으로 추정되어야 하는지, 아니면 더 유연하지만 통계적으로 일관성이 없다는 비판을 받는 GLUE와 같은 비공식적인 접근 방식으로 추정되어야 하는지에 대해 논쟁합니다.

Key figures

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

Seminal works

• nash1970
• beven1992
• gupta2009

Frequently asked questions

Nash-Sutcliffe 효율성이란 무엇입니까?

이는 모델의 시뮬레이션된 수문곡선이 관측치와 얼마나 잘 일치하는지를 측정하는 데 널리 사용되는 척도로, 모델의 오차를 관측치의 분산과 비교합니다. 값이 1이면 완벽한 일치이며, 0이면 모델이 평균 관측 유량을 사용하는 것보다 나을 것이 없다는 의미입니다.

모델이 하나의 최적 매개변수 세트로만 보정될 수 없는 이유는 무엇입니까?

동등성(equifinality) 때문에 많은 다른 매개변수 세트가 관측치를 거의 동일하게 잘 재현하므로, 단일 세트가 명확하게 가장 좋다고 할 수 없습니다. 이것이 현대 관행에서 하나의 최적값에 의존하기보다는 많은 허용 가능한 모델에 걸쳐 불확실성을 추정하는 이유입니다.