Νέες θεωρήσεις στην αξιολόγηση μοντέλων εμπνευσμένες από το υπόδειγμα της στοχαστικής προσομοίωσης

A. Efstratiadis, New insights on model evaluation inspired by the stochastic simulation paradigm, European Geosciences Union General Assembly 2011, Geophysical Research Abstracts, Vol. 13, Vienna, 1852, European Geosciences Union, 2011.

[Νέες θεωρήσεις στην αξιολόγηση μοντέλων εμπνευσμένες από το υπόδειγμα της στοχαστικής προσομοίωσης]

[doc_id=1116]

[Αγγλικά]

Το τρέχον υπόδειγμα για την αξιολόγηση της επίδοσης πρακτικά κάθε μορφής μαθηματικού μοντέλου βασίζεται σε μέτρα που υπολογίζουν μια «μέση» απόσταση μεταξύ των εξόδων του μοντέλου και των παρατηρήσεων (υπόλοιπα). Ωστόσο, οι έξοδοι των υδρολογικών, υδρογεωλογικών και κλιματικών μοντέλων δεν είναι προσδιοριστικές αποκρίσεις έναντι προβλέψιμων εισόδων. Πρόκειται για στοχαστικές μεταβλητές, η ερμηνεία των οποίων οφείλει, κατ’ επέκταση, να γίνει με στοχαστικούς όρους. Επιπλέον, οι διεργασίες αυτές εμφανίζουν πολλαπλές ιδιαιτερότητες (εποχικότητα, μακροχρόνια εμμονή, διαλείπουσα συμπεριφορά, ασυμμετρία, χωρική μεταβλητότητα), οι οποίες είναι μάλλον απίθανο να προσμετρηθούν σε ένα μεμονωμένο μέτρο (κατά κανόνα την αποτελεσματικότητα ή άλλη έκφραση του σφάλματος ελαχίστων τετραγώνων). Σε αυτό το πλαίσιο, συζητείται ένα ολοκληρωμένο στατιστικό υπόβαθρο για την αξιολόγηση τέτοιων μοντέλων, με ζητούμενο την αναπαραγωγή ενός αριθμού στατιστικών χαρακτηριστικών των παρατηρημένων δεδομένων, παρά την εστίαση στη βελτιστοποίηση ενός καθολικού μέτρου απόστασης. Αυτό εμπνέεται από τις απαιτήσεις των προχωρημένων σχημάτων στοχαστικής προσομοίωσης, τα οποία εξ ορισμού κατασκευάζονται ώστε να διατηρούν τα ουσιώδη στατιστικά των γεννητριών (ιστορικών) χρονοσειρών (περιθώριες και από κοινού κατανομές). Πρόκειται για μια έννοια-κλειδί, που εξασφαλίζει την παραγωγή συνθετικών δεδομένων που είναι στατιστικά ισοδύναμα με τα ιστορικά. Το προτεινόμενο πλαίσιο δίνει έμφαση στα ακόλουθα ζητήματα: (α) τη στατιστική σύγκριση των υπολογισμένων και παρατηρημένων δεδομένων σε πολλαπλές χρονικές κλίμακες, ώστε να λαμβάνεται υπόψη η μεταβλητότητα των διεργασιών του μοντέλου τόσο σε βραχύ όσο και σε μακρό ορίζοντα, (β) τη διατήρηση των παρατηρημένων ετεροσυσχετίσεων στη βαθμονόμηση πολλαπλών αποκρίσεων, ώστε να αναπαρίστανται οι συσχετίσεις των φυσικών διεργασιών της μελέτης, και (γ) τη διερεύνηση της απόκρισης του μοντέλου κάτω από διαφορετικές συνθήκες φόρτισης, κατά προτίμηση με χρήση συνθετικών δεδομένων κατάλληλου μήκους. Αυτό επιτρέπει την αναγνώριση δομικών αδυναμιών και ακανόνιστων συμπεριφορών, που είναι δύσκολο να εντοπιστούν στη διάρκεια της, κατά κανόνα, μικρής περιόδου των παρατηρήσεων. Τα παραπάνω σημεία αναλύονται με χρήση παραδειγμάτων από διάφορες εργασίες μοντελοποίησης, στις οποίες οι αρχικές προσεγγίσεις της βαθμονόμησής τους, ακολουθώντας τυπικές υδρολογικές πρακτικές, ενδέχεται να οδηγεί σε παραπλανητικά συμπεράσματα.

PDF Πλήρες κείμενο:

Εργασίες μας που αναφέρονται σ' αυτή την εργασία:

1. A. Efstratiadis, I. Nalbantis, and D. Koutsoyiannis, Hydrological modelling of temporally-varying catchments: Facets of change and the value of information, Hydrological Sciences Journal, 60 (7-8), 1438–1461, doi:10.1080/02626667.2014.982123, 2015.
2. A. Efstratiadis, I. Tsoukalas, and P. Kossieris, Improving hydrological model identifiability by driving calibration with stochastic inputs, Advances in Hydroinformatics: Machine Learning and Optimization for Water Resources, edited by G. A. Corzo Perez and D. P. Solomatine, doi:10.1002/9781119639268.ch2, American Geophysical Union, 2024.