Calibração e Incerteza de Modelos

A calibração ajusta os parâmetros do modelo para corresponder às observações, e a análise de incerteza quantifica o grau de confiança que podemos ter nas previsões hidrológicas resultantes.

Definition

Calibração é o processo de ajustar os parâmetros do modelo para que as saídas simuladas correspondam aos dados observados de acordo com uma função objetivo escolhida; a análise de incerteza é a quantificação da incerteza nos parâmetros do modelo, estrutura, entradas e previsões.

Scope

Este tópico abrange funções objetivo e medidas de desempenho, métodos de calibração e estimação de parâmetros, o problema da equifinalidade e estruturas para estimar a incerteza preditiva em modelos hidrológicos. Aborda como os modelos são tornados adequados para uso e como sua confiabilidade é julgada, tanto em modelos conceituais quanto distribuídos.

Core questions

• Como o desempenho do modelo é medido e otimizado?
• Como os parâmetros do modelo são calibrados em relação às observações?
• O que é equifinalidade e por que ela complica a calibração?
• Como a incerteza preditiva pode ser estimada e comunicada?

Key concepts

• Funções objetivo
• Eficiência de Nash-Sutcliffe e Kling-Gupta
• Otimização de parâmetros
• Equifinalidade
• GLUE e métodos de ensemble
• Limites de incerteza preditiva

Key theories

Funções objetivo e medidas de eficiência

O desempenho é quantificado com funções objetivo como a eficiência de Nash-Sutcliffe e suas decomposições (por exemplo, a eficiência de Kling-Gupta), guiando a calibração e permitindo a comparação de modelos.

Equifinalidade e GLUE

Reconhecendo que muitos conjuntos de parâmetros se ajustam às observações igualmente bem, a estrutura GLUE rejeita a busca por um único ótimo e, em vez disso, amostra modelos comportamentais para produzir limites de incerteza nas previsões.

Clinical relevance

Uma calibração e estimação de incerteza sólidas determinam o grau de confiança a ser depositado nas previsões de inundações e abastecimento de água, informam decisões baseadas em risco e o projeto de infraestruturas, e protegem contra o excesso de confiança em previsões de modelo único que podem levar a erros dispendiosos.

History

Medidas de bondade de ajuste, como a eficiência de Nash-Sutcliffe, formalizaram a avaliação de modelos em 1970; o reconhecimento da equifinalidade e da metodologia GLUE em 1992 direcionou a modelagem hidrológica para a estimação explícita da incerteza, e trabalhos posteriores refinaram as métricas de desempenho e as estruturas de incerteza.

Debates

Estimação formal versus informal da incerteza

Hidrologistas debatem se a incerteza preditiva deve ser estimada com verossimilhanças Bayesianas formais, que exigem fortes suposições sobre os erros, ou com abordagens informais como o GLUE, que são mais flexíveis, mas criticadas como estatisticamente incoerentes.

Key figures

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

Seminal works

• nash1970
• beven1992
• gupta2009

Frequently asked questions

O que é a eficiência de Nash-Sutcliffe?

É uma medida amplamente utilizada de quão bem o hidrograma simulado de um modelo corresponde às observações, comparando o erro do modelo com a variância das observações; um valor de um é um ajuste perfeito, enquanto zero significa que o modelo não é melhor do que usar o fluxo médio observado.

Por que um modelo não pode ser calibrado para um único conjunto de parâmetros ideal?

Devido à equifinalidade, muitos conjuntos de parâmetros diferentes reproduzem as observações quase igualmente bem, então nenhum conjunto único é claramente o melhor; é por isso que a prática moderna estima a incerteza em muitos modelos aceitáveis, em vez de depender de um único ótimo.