Калибровка модели и неопределенность

Калибровка корректирует параметры модели для соответствия наблюдениям, а анализ неопределенности количественно оценивает степень нашей уверенности в полученных гидрологических прогнозах.

Definition

Калибровка — это процесс корректировки параметров модели таким образом, чтобы смоделированные выходные данные соответствовали наблюдаемым данным согласно выбранной целевой функции; анализ неопределенности — это количественная оценка неопределенности в параметрах модели, ее структуре, входных данных и прогнозах.

Scope

Эта тема охватывает целевые функции и показатели эффективности, методы калибровки и оценки параметров, проблему равнозначности решений (equifinality) и подходы к оценке прогностической неопределенности в гидрологических моделях. Она рассматривает, как модели приводятся в пригодное для использования состояние и как оценивается их надежность, как для концептуальных, так и для распределенных моделей.

Core questions

• Как измеряется и оптимизируется производительность модели?
• Как калибруются параметры модели по наблюдениям?
• Что такое равнозначность решений (equifinality) и почему она усложняет калибровку?
• Как можно оценить и сообщить о прогностической неопределенности?

Key concepts

• Целевые функции
• Эффективность Нэша-Сатклиффа и Клинга-Гупты
• Оптимизация параметров
• Равнозначность решений (Equifinality)
• GLUE и ансамблевые методы
• Границы прогностической неопределенности

Key theories

Целевые функции и меры эффективности

Производительность количественно оценивается с помощью целевых функций, таких как эффективность Нэша-Сатклиффа и ее декомпозиции (например, эффективность Клинга-Гупты), что направляет калибровку и позволяет сравнивать модели.

Равнозначность решений (Equifinality) и GLUE

Признавая, что многие наборы параметров одинаково хорошо соответствуют наблюдениям, подход GLUE отказывается от поиска единственного оптимума и вместо этого отбирает поведенческие модели для получения границ неопределенности прогнозов.

Clinical relevance

Надежная калибровка и оценка неопределенности определяют степень доверия к прогнозам наводнений и водоснабжения, информируют о решениях, основанных на риске, и проектировании инфраструктуры, а также предохраняют от чрезмерной самоуверенности в отдельных прогнозах модели, что может привести к дорогостоящим ошибкам.

History

Меры качества подгонки, такие как эффективность Нэша-Сатклиффа, формализовали оценку моделей в 1970 году; признание равнозначности решений (equifinality) и методология GLUE в 1992 году сместили гидрологическое моделирование в сторону явной оценки неопределенности, а последующие работы уточнили метрики производительности и рамки неопределенности.

Debates

Формальная против неформальной оценки неопределенности

Гидрологи спорят о том, следует ли оценивать прогностическую неопределенность с помощью формальных байесовских правдоподобий, которые требуют строгих допущений об ошибках, или с помощью неформальных подходов, таких как GLUE, которые более гибки, но критикуются как статистически непоследовательные.

Key figures

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

Seminal works

• nash1970
• beven1992
• gupta2009

Frequently asked questions

Что такое эффективность Нэша-Сатклиффа?

Это широко используемая мера того, насколько хорошо смоделированный гидрограф соответствует наблюдениям, сравнивающая ошибку модели с дисперсией наблюдений; значение, равное единице, означает идеальное соответствие, тогда как ноль означает, что модель не лучше, чем использование среднего наблюдаемого расхода.

Почему модель нельзя просто откалибровать до одного наилучшего набора параметров?

Из-за равнозначности решений (equifinality) многие различные наборы параметров воспроизводят наблюдения почти одинаково хорошо, поэтому ни один набор не является явно лучшим; именно поэтому современная практика оценивает неопределенность по множеству приемлемых моделей, а не полагается на один оптимум.