incerteza en modelos precipitación-escorrentía: el pecado...
Post on 31-Jan-2018
216 Views
Preview:
TRANSCRIPT
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Incerteza en modelosprecipitación-escorrentía:
El pecado de la soberbia en hidrología
Dr Diego RIVERA, Ing. Leonardo Vega, Dr José Luis Arumí
Laboratorio de Hidrología Ambiental - UdeC
I CLEIA - VII CONEIA 2010Universidad Nacional Agraria La Molina, Perú
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Outline
1 Conceptos preliminares
2 El Modelo de Brown, Ferrer y Ayala (1973)8
3 Bandas de Incerteza de las salidas
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Incerteza: Falta de conocimiento, falta de confianza. Unaoportunidad o una amenaza?6,18
Equifinalidad 1,3 e Identificabilidad 21: El pecado de la soberbia.Uso de medidas de desempeño: Mido lo que debo medir?Comparo lo que debo comparar? Principio de Similitud16
Parametrización: Incluirlo o no incluirlo? esa es la cuestión.
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Table: Parametrización del modelo BFA. Entre paréntesis se muestran losrangos de variación de los parámetros para el Río Chillán
Parámetros Descripción VariablesA (0.8-2.5) Ajusta la precipitación de la estación la pre-
cipitación de la cuencaPt = A · PMt
B (0.6-1.0) Ajusta la evaporación de la estación la pre-cipitación de la cuenca
ETPt = B · EMt
Hmax (100-500 mm)
Máxima capacidad de retención del suelo
Cmax (0.2-0.6)
Máxima generación de escorrentía inmedi-ata bajo condiciones de saturación
EIt = Cmax ·H(1)
t +Ht−12Hmax
· Pt
D (0.1-0.6) Porcentaje de la precipitación convertida enPercolación Profunda (PPD)
PPDt = D · (Pt − Plim)
Plim (5-1000 mm)
Umbral de preciptación sobre el cual se tienePercolación Profunda directa
PPDt = D · (Pt − Plim)
PORC (20-60)
Fracción de Hmax que restringe la evapo-ración
Hcrit = PORC · Hmax100
Ck (0.2-0.9) Constante que regula ESt desde el embalselineal
ESt = Ck · Vt
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Datos mensuales Río Chillán: Caudal, Precipitación,EvaporaciónArquitectura y entradas fijas. Variación de parámetros.Generalised Likelihood Uncertainty Estimation (GLUE)3.Monte Carlo Analysis Toolbox22,21.Diferencias Relativas (RD) y Eficiencia de Nash-SutcliffeEfficiency (NSE)15,17
RD =
√1m
m∑i=1
(Qobs −Q i
sim
)2
Qobs(1)
NSE =
m∑i=1
(Q iobs −Q i
sim)2
m∑i=1
(Q iobs −Qobs)2
(2)
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Generalised Likelihood Uncertainty Estimation (GLUE)2
Simulación de Monte Carlo para a posteriori generar ladistribución de los parámetros y los límites de confianza9.Métodos formales requieren definir a priori las distribuciones delos parámetros14,10.Cada simulación es ponderada respecto a una función deprobabilidad3.Implícitamente incluye covariaciones, no linealidades y efectosde entrada y estructuras3.
Considerandos
Aplicación en analisis de sensibilidad12.Sujeta a criticismo respecto a la función de probabilidad y elmétodo de muestreo10,11,4,5,13,19).Sin embargo, los enfoques formales y formales muestrandesempeños similares20,23.
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Resultados de Rivera, Arumí, Vega y Billib (2010) Uncertainty in a Monthly Water Balance Model using the Generalized LikelihoodUncertainty Estimation Methodology. Enviado a Applied Engineering in Agriculture.
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Table: Mejores combinaciones de resultados
A B Cmax Hmax D Plim PORC Ck RD NSERD1.75 0.8 0.59 494 0.4 80 52 0.23 0.3 0.911.67 0.68 0.47 450 0.51 237 56 0.27 0.3 0.911.63 0.75 0.47 410 0.26 36 42 0.38 0.3 0.91.72 0.61 0.49 497 0.15 584 45 0.35 0.3 0.91.74 0.93 0.49 421 0.47 130 48 0.26 0.31 0.9NSE1.75 0.8 0.59 494 0.4 80 52 0.23 0.3 0.911.89 0.61 0.48 485 0.27 44 47 0.21 0.34 0.911.82 0.67 0.48 477 0.29 154 42 0.22 0.31 0.911.74 0.67 0.49 404 0.36 55 30 0.23 0.31 0.911.55 0.64 0.52 479 0.59 469 54 0.39 0.32 0.91
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
RD =
√1m
m∑i=1
(Qobs −Q i
sim
)2
Qobs(3)
NSE =
m∑i=1
(Q iobs −Q i
sim)2
m∑i=1
(Q iobs −Qobs)2
(4)
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Incerteza: Una oportunidad. Una cuestión de honestidadSi se tiene Equifinalidad, la Identificabilidad dependefuertemente del modelador.Menos pero mejores indicadores.Conocimiento profundo de los parámetros: A."There is a large difference between a better fit (to observeddata) for a given model and a better model"7.
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Datos tomados de HydroTest Statistical Assessment of Hydrological Forecast, disponible en
https://co-public.lboro.ac.uk/cocwd/HydroTest/index.htm
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
Dr Diego Rivera, Ingeniero Civildirivera@udec.clDirector de Programas de Magíster y DoctoradoFacultad de Ingeniería AgrícolaProfesor AsistenteDepartamento de Recursos HídricosUniversidad de Concepción
Universidad de Concepción
Conceptos preliminares El Modelo de Brown, Ferrer y Ayala (1973) 8 Bandas de Incerteza de las salidas References
[1] Beven, K. (2006). A manifesto for the equifinality thesis. Journal of Hydrology,320(1-2):18–36.
[2] Beven, K. and Binley, A. (1992). The future of distributed models: model calibrationand uncertainty prediction. Hydrological processes, 6(3):279–298.
[3] Beven, K. and Freer, J. (2001). Equifinality, data assimilation, and uncertaintyestimation in mechanistic modelling of complex environmental systems using theGLUE methodology. Journal of Hydrology, 249(1-4):11–29.
[4] Beven, K., Smith, P., and Freer, J. (2007). Comment on “Hydrological forecastinguncertainty assessment: Incoherence of the GLUE methodology” by PietroMantovan and Ezio Todini. Journal of Hydrology, 338(3-4):315–318.
[5] Beven, K., Smith, P., and Freer, J. (2008). So just why would a modeller choose tobe incoherent? Journal of hydrology, 354(1-4):15–32.
[6] Caddy, J. and Mahon, R. (1995). Reference points for fisheries management. InFAO Fisheries Technical Paper, number 347 in FAO Fisheries Technical Paper. Foodand Agriculture Organization of the United Nations, Rome.
[7] Ebel, B. and Loague, K. (2006). Physics-based hydrologic-response simulation:Seeing through the fog of equifinality. Hydrological Processes, 20(13):2887–2900.
[8] Ferrer, P., Brown, E., and Ayala, L. (1973). Simulación de gastos mediosmensuales en una cuenca pluvial. In II Coloquio Nacional de Ingeniería Hidráulica.
[9] Khu, S. and Werner, M. (2003). Reduction of Monte-Carlo simulation runs foruncertainty estimation in hydrological modelling. Hydrology and Earth SystemSciences, 7(5):680–692.
[10] Mantovan, P. and Todini, E. (2006). Hydrological forecasting uncertaintyassessment: Incoherence of the GLUE methodology. Journal of hydrology,330(1-2):368–381.
[11] Mantovan, P., Todini, E., and Martina, M. L. (2007). Reply to comment by KeithBeven, Paul Smith and Jim Freer on Hydrological forecasting uncertaintyassessment: Incoherence of the GLUE methodology. Journal of Hydrology,338(3-4):319 – 324.
[12] Mo, X., Pappenberger, F., Beven, K., Liu, S., De Roo, A., and Lin, Z. (2006).Parameter conditioning and prediction uncertainties of the LISFLOOD-WBdistributed hydrological model. Hydrological Sciences Journal, 51(1):45–65.
[13] Montanari, A. (2007). What do we mean by "uncertainty"? The need for aconsistent wording about uncertainty assessment in hydrology. HydrologicalProcesses, 21(6):841–845.
[14] Montanari, A. and Grossi, G. (2008). Estimating the uncertainty of hydrologicalforecasts: A statistical approach. Water Resources Research, 44:W00B08.
[15] Nash, J. and Sutcliffe, J. (1970). River flow forecasting through conceptualmodels. Part I, A discussion of principles. Journal of Hydrology, 10(3):282–290.
[16] Rivera, D. (2006). Influencia de la interación entre agua supercficial, subterráneay de riego en el transporte de contaminantesde origen agrícola. PhD thesis,Facultad de Ingeniería Agrícola.
[17] Schaefli, B. and Gupta, H. (2007). Do Nash values have value? HydrologicalProcesses, 21(15).
[18] Srikanta, M. (2009). Uncertainty and sensitivity analysis techniques for hydrologicmodeling. Journal of Hydroinformatics, 11(3-4):282–296.
[19] Stedinger, J., Vogel, R., Lee, S., and Batchelder, R. (2008). Appraisal of thegeneralized likelihood uncertainty estimation (GLUE) method. Water ResourcesResearch, 44:W00B06.
[20] Vrugt, J., ter Braak, C., Gupta, H., and Robinson, B. (2009). Equifinality of formal(DREAM) and informal (GLUE) bayesian approaches in hydrologic modeling?Stochastic Environmental Research and Risk Assessment, 23(7):1011–1026.
[21] Wagener, T. and Kollat, J. (2007). Numerical and visual evaluation of hydrologicaland environmental models using the Monte Carlo analysis toolbox. EnvironmentalModelling and Software, 22(7):1021–1033.
[22] Wagener, T., Lees, M., and Wheater, H. (2001). A toolkit for the development andapplication of parsimonious hydrological models. In Singh, Frevert, and Meyer,editors, Mathematical models of small watershed hydrology, volume 2. WaterResources Publications, LLC, USA.
[23] Zhang, D., Beven, K., and Mermoud, A. (2006). A comparison of non-linear leastsquare and GLUE for model calibration and uncertainty estimation for pesticidetransport in soils. Advances in Water Resources, 29(12):1924–1933.
Universidad de Concepción
top related