Importance of uncertainty analysis

Importance of uncertainty analysis (UA) to estimate the degree of reliability associated with model predictions is being understood. Consequently, literature that describes various Bayesian methods for the assessment of parameter and model predictive uncertainty has been steadily rising. Applications dealing with urban stormwatermanagement are, however, very limited. This study demonstrates successful application of a formal Bayesian methodology for UA of the U.S. EPA Stormwater Management Model (SWMM), a widely used urban stormwater management model, and illustrates the methodology using a highly urbanized watershed in southern California. DREAM(ZS), a recently developed effective and efficient sampling algorithm, and a generalized, formal likelihood function that addresses the assumptions commonly made regarding error structure including independence, normality and homoscedasticity are used for the UA. Results will include comparison of the simulated error structure with the assumptions made by the likelihood function, histogram of the parameters posteriors, bounds of the 95 percent confidence interval, and the maximum likelihood (ML) predictions. A conventional calibration attempted to compare the ML results derived from the UA with the optimal solutions
identified by the single objective calibration will also be presented. Besides illustrating state-ofthe-art in UA, the study will highlight application of the methodology to developing a watershed management model to mitigate stormwater quantity and quality problems associated with urbanization.
Introduction

Kết quả (Việt) 1:

Tầm quan trọng của sự không chắc chắn phân tích (UA) để ước tính mức độ tin cậy liên kết với các mô hình dự đoán được hiểu rõ. Do đó, tài liệu mô tả các phương pháp Bayes cho việc đánh giá tham số và mô hình tiên đoán không chắc chắn đã liên tục tăng. Ứng dụng làm việc với đô thị stormwatermanagement, Tuy nhiên, rất hạn chế. Nghiên cứu này chứng tỏ thành công ứng dụng của một phương pháp luận Bayes chính thức cho UA của các Hoa Kỳ EPA nước mưa quản lý mô hình (SWMM), một mô hình quản lý nước mưa đô thị được sử dụng rộng rãi, và minh họa các phương pháp bằng cách sử dụng một lưu vực đô thị hoá cao tại miền Nam California. Dream(ZS), một thuật toán mới phát triển hiệu quả và hiệu quả mẫu, và một hàm khả năng tổng quát, chính thức địa chỉ giả định thường được thực hiện liên quan đến lỗi cấu trúc bao gồm độc lập, bình thường và homoscedasticity được sử dụng cho UA. Kết quả sẽ bao gồm so sánh của cấu trúc mô phỏng lỗi với các giả định được thực hiện bởi khả năng chức năng, các biểu đồ của các posteriors tham số, giới hạn của khoảng tin cậy 95 phần trăm, và dự đoán khả năng tối đa (ML). Một hiệu chuẩn thông thường đã cố gắng so sánh kết quả ML có nguồn gốc từ UA với các giải pháp tối ưu được xác định bởi mục tiêu duy nhất hiệu chuẩn cũng sẽ được trình bày. Bên cạnh đó minh hoạ nhà nước của nghệ thuật trong UA, nghiên cứu sẽ làm nổi bật ứng dụng của các phương pháp để phát triển một mô hình quản lý lưu vực để giảm thiểu nước mưa số lượng và chất lượng các vấn đề liên quan đến đô thị hóa. Giới thiệu

Kết quả (Việt) 2:

Tầm quan trọng của phân tích không chắc chắn (UA) để ước tính mức độ tin cậy kết hợp với mô hình dự báo được hiểu rõ. Do đó, văn học mô tả các phương pháp Bayesian khác nhau để đánh giá các tham số và mô hình bất ổn tiên đoán đã được tăng đều đặn. Ứng dụng đối phó với stormwatermanagement đô thị, tuy nhiên, rất hạn chế. Nghiên cứu này cho thấy ứng dụng thành công một phương pháp Bayesian chính thức cho UA của EPA Nước mưa Model Management Mỹ (SWMM), một mô hình quản lý nước mưa đô thị được sử dụng rộng rãi, và minh họa các phương pháp sử dụng một bước ngoặt rất được đô thị hóa ở miền nam California. DREAM (ZS), một hiệu quả và hiệu quả thuật toán lấy mẫu gần đây được phát triển, và một tổng quát, hàm khả năng chính thức nhằm giải quyết các giả định thường được thực hiện liên quan cấu trúc lỗi bao gồm cả sự độc lập, bình thường và homoscedasticity được sử dụng cho các UA. Kết quả sẽ bao gồm so sánh các cấu trúc lỗi mô phỏng với các giả định được thực hiện bởi các chức năng khả năng, biểu đồ của các thông số posteriors, giới hạn của khoảng tin cậy 95 phần trăm, và khả năng tối đa (ML) dự đoán. Một hiệu chuẩn thông thường cố gắng để so sánh kết quả ML có nguồn gốc từ các UA với các giải pháp tối ưu
được xác định bởi các chuẩn mục tiêu duy nhất cũng sẽ được trình bày. Bên cạnh đó minh họa nhà ofthe-nghệ thuật trong UA, nghiên cứu này sẽ làm nổi bật các ứng dụng của các phương pháp để phát triển một mô hình quản lý rừng đầu nguồn để giảm thiểu lượng nước mưa và chất lượng vấn đề liên quan đô thị hóa.
Giới thiệu