A Bayesian perspective on input uncertainty in model calibration: Application to hydrological model “abc”
Notice bibliographique
Résumé
The impact of input errors in the calibration of watershed models is a recurrent theme in the water science literature. It is now acknowledged that hydrological models are sensitive to errors in the measures of precipitation and that those errors bias the model parameters estimated via the standard least squares (SLS) approach. This paper presents a Bayesian uncertainty framework allowing one to account for input, output, and structural (model) uncertainties in the calibration of a model. Using this framework, we study the impact of input uncertainty on the parameters of the hydrological model “abc.” Mostly of academic interest, the “abc” model has a response linear to its input, allowing the closed form integration of nuisance variables under proper assumptions. Using those analytical solutions to compute the posterior density of the model parameters, some interesting observations can be made about their sensitivity to input errors. We provide an explanation for the bias identified in the SLS approach and show that in the input error context the prior on the input “true” value has a significant influence on the parameters' posterior density. Overall, the parameters obtained from the Bayesian method are more accurate, and the uncertainty over them is more realistic than with SLS. This method, however, is specific to linear models, while most hydrological models display strong nonlinearities. Further research is thus needed to demonstrate the applicability of the uncertainty framework to commonly used hydrological models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».