Correlation Effects? A Major but Often Neglected Component in Sensitivity and Uncertainty Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Global sensitivity analysis (GSA) provides essential insights into the behavior of Earth and environmental systems models and identifies dominant controls of output uncertainty. Previous work on GSA, however, has typically been under the assumption that the controlling factors such as model inputs and parameters are independent, whereas, in many cases, they are correlated and their joint distribution follows a variety of forms. Although this assumption can limit the credibility of GSA and its results, very few studies in the field of water and environmental modeling address this issue. In this paper, we first discuss the significance of correlation effects in GSA and then propose a new GSA framework for properly accounting for correlations in input/parameter spaces. To this end, we extend the “variogram‐based” theory of GSA, called variogram analysis of response surfaces (VARS), and develop a new generalized star sampling technique (called gSTAR) to accommodate correlated multivariate distributions. We test the new gSTAR‐VARS method on two test functions, against a state‐of‐the‐art GSA method that handles correlation effects. We then apply gSTAR‐VARS to the HBV‐SASK model, calibrated via a Bayesian, Markov chain Monte Carlo approach, for design flood estimation in the Oldman River Basin in Canada. Results demonstrate that accounting for correlation effects can be critically important in GSA, especially in the presence of nonlinearity and interaction effects in the underlying response surfaces. The proposed method can efficiently handle correlations and different distribution types and simultaneously generate a range of sensitivity indices, such as total‐variogram effects, variance‐based total‐order effects, and derivative‐based elementary effects.
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.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle