Env modelling chapter4× modelling in hardware×the modelling of statistical parsing×modelling in science environment×spatial analysis modelling in a gis environment pdf× Từ khóa phương pháp giải các bài tập đặc trưng về cacbohidrat bài tập tự luyệncác bài tập cơ bản cho người mới tập thể hìnhcác dạng bài tập và phương pháp giải bài tập sinh học về nguyên phân
TRƯỜNG ĐẠI HỌC LÂM NGHIỆP VIỆT NAM KHOA QUẢN LÝ TÀI NGUYỂN RỪNG & MÔI TRƯỜNG MÔ HÌNH HÓA MÔI TRƯỜNG ENVIRONMENTAL MODELLING THỂ HIỆN MÔ HÌNH Chapter IV Nguyễn Hải Hòa (Ph.D), Environmental Engineering Dept Email: nguyenhaihoa2013vfu@gmail.com NỘI DUNG CHƯƠNG Kiểm nghiệm: Mục đích/mục tiêu; Giá trị định trị mô hình; Vấn đề cần lưu ý thực kiểm nghiệm KIỂM NGHIỆM MÔ HÌNH Tại phải kiểm nghiệm mô hình? Mục tiêu/đích kiểm nghiệm? Kiểm nghiệm mô hình thực hiên nào? KIỂM NGHIỆM - ĐỊNH TRỊ MÔ HÌNH Bước tiếp sau công việc hiệu chỉnh mô hình: Kiểm tra thông số mô hình, đưa có phù hợp với diễn biến thực tế hay không? Cần thiết người sử dụng mô hình & người phát triển mô hình Để đánh giá & hiểu rõ giá trị ý nghĩa mô hình qua cách thể hiện, thông tin & cách thức thực mô hình Quan trọng việc thuyết phục người định có thêm cân nhắc: Trên sở khoa học:nghiên cứu? Qua mà mô hình chứng minh kết quả? Bằng định trị mã mô hình, hiệu chỉnh, kiểm nghiệm & báo cáo đánh giá thông qua lý luận & thực tiễn Ngoài ra, Kiểm nghiệm mô hình nhằm kiểm tra độ xác liệu biết với số tiêu chuẩn thống kê Kiểm nghiệm: Một phương cách để xem xét lại số liệu quan trắc thực tế? Công việc đo đạc tính thể mô hình? Là công cụ dẫn đến việc minh xác, chứng nhận & kiểm định chứng chất lượng mô hình? KIỂM NGHIỆM NHẰM MỤC ĐÍCH GÌ Sau hiệu chỉnh, mô hình cần kiểm nghiệm nhằm: Kiểm tra thông số mô hình đưa có phù hợp với diễn biến thực tế hay không? Kiểm nghiệm trả lời hàm ý sau: Đầu mô hình mô có phù hợp với đầu hệ thống thực tế quan trắc? Thông tin đầu mô hình có đủ độ xác mong muốn mô hình? Trong trình xác định thông số, có sai biệt ý nghĩa số liệu quan trắc & giá trị mô phỏng? cần xác lập mức độ tin cậy mô hình Việc kiểm nghiệm phải mang tính khách quan: Mô hình cần phải bắt buộc qua thử nghiệm thống kê thống Nghiêm ngặt theo mức độ phù hợp định trước theo tầm quy mô thực Khi làm kiểm nghiệm đầu mô hình, giả thiết mô hình có sở: Hợp lý thiết kế mô hình Phương trình chủ đạo & mã hóa chương trình máy tính Trong kiểm nghiệm nào: Có thể số thông số luôn đạt yêu cầu điều kiện thử nghiệm mô hình, số thông số khác HÀM MỤC TIÊU Trước làm kiểm nghiệm mô hình, cần thiết phải định lượng điều kiện kiểm nghiệm Việc thể qua khái niệm hàm mục tiêu (Objective function): Hàm mục tiêu: Một trị số tiến trình thống kê đặc thù thể mức độ tương ứng, gọi độ gần (degree of closeness) - giá trị thực đo & giá trị mô Phương sai (variance) – độ lệch bình phương trung bình Phản ánh mức độ phân tán giá trị đại lượng ngẫu nhiên xung quanh giá trị trung bình Độ lệch chuẩn (standard deviation) Hệ số biến động (variance deviation) Hệ số biến thiên cao, độ phân tán lớn, tính chất đại diện số bình quân thấp ngược lại Trong thực tế: thống kê thực nghiệm CVx > 40%, tính chất đại biểu số bình quân thấp Hệ số thiên lệch (skewness) Là đại lượng dạng phân phối tập liệu Đối với liệu lệch bên trái, độ lệch âm Đối với liệu lệch bên phải, độ lệch dương Nếu liệu đối xứng, độ lệch Sai số thống kê (standard error of the mean) Sai số chuẩn trị trung bình giá trị quan trắc: Sai số tiêu chuẩn trung bình giá trị quan trắc (xi) & giá trị mô (yi): Hệ số tương quan (correlation coefficient) Trường hợp kết mô hình cho quan hệ tuyến tính biến số x & y Trong x biến số độc lập (trị quan trắc) & y biến số phụ thuộc (trị mô phỏng) Phương pháp vẽ đường quan hệ theo bình phương cực tiểu để xác định hồi quy tuyến tính thường áp dụng Khi quan hệ dãy số liệu theo phương trình đường thẳng y = ax + b, a số & b độ dốc đường thẳng R gần tiến ± mức đồng tương quan lớn R > tương quan đồng biến & R < tương quan nghịch biến R tiến tương quan Hàm mục tiêu hệ số tương quan tối đa hóa, R → LƯU Ý KHI KIỂM NGHIỆM MÔ HÌNH Trong kiểm nghiệm mô hình, lý tưởng số liệu quan trắc có đầy đủ kiểm soát chất lượng, đủ chi tiết & đủ độ dài theo thời gian Thực tế chuỗi số liệu không đủ dài, cần phải có phương pháp để kéo dài chuỗi số liệu từ thực tế trường lấy thêm từ khu vực tương tự Cần thiết phải đánh giá ảnh hưởng không chắn thông số nhập vào mô hình xem xét thể mô hình Các số liệu thực tế nghèo nàn dẫn đến hiệu chỉnh & kiểm chứng sai lạc Một số người làm mô hình cố gắng sử dụng phép ngoại suy để kéo dài chuỗi số liệu có kết giải đáp cho nguyên nhân sai lầm Điều làm hạn chế hiệu mô hình HẬU KIỂM VIỆC KIỂM NGHIỆM MÔ HÌNH Mặc dầu việc hiệu chỉnh & kiểm chứng thỏa mãn số tiêu thống kê, nhưng: Đánh giá độ xác mô hình dự đoán kết cho tương lai Bước làm gọi hậu kiểm Trong công việc này: Các liệu thu thập nhiều năm sau việc nghiên cứu mô hình hoàn tất trước Việc vận hành mô hình với chuỗi số liệu để đánh giá mức độ xác tiên đoán đầu Có thể có thay đổi yếu tố vật lý: địa hình, độ che phủ mặt đất, sử dụng nguồn nước & tài nguyên khác → thông số mô hình nghiên cứu trước không xác nữa, xuất khác biệt Khi mô hình cũ không thỏa mãn kết tiên đoán: Nhất thiết phải hiệu chỉnh & kiểm nghiệm lại thông số Phải thay đổi giả thiết, thuật tính toán, chí thay đổi cấu trúc, khái niệm mô hình ... dài theo thời gian Thực tế chuỗi số liệu không đủ dài, cần phải có phương pháp để kéo dài chuỗi số liệu từ thực tế trường lấy thêm từ khu vực tương tự 3 Cần thiết phải đánh giá ảnh hưởng không... nguyên khác → thông số mô hình nghiên cứu trước không xác nữa, xuất khác biệt 3 Khi mô hình cũ không thỏa mãn kết tiên đoán: Nhất thiết phải hiệu chỉnh & kiểm nghiệm lại thông số Phải thay... nhằm: Kiểm tra thông số mô hình đưa có phù hợp với diễn biến thực tế hay không? Kiểm nghiệm trả lời hàm ý sau: Đầu mô hình mô có phù hợp với đầu hệ thống thực tế quan trắc? Thông tin đầu mô hình