La validazione nella modellistica idraulica e idrologica ... Basic page/Montanari.pdf · • Per...

Questa presentazione può essere scaricata all’indirizzo http://www.albertomontanari.it – E-mail: [email protected]

La validazione nella modellistica idraulica e idrologica

Cosenza, 7-8 giugno 2012

A. Montanari, Università di Bologna




Componenti

Daniela Biondi, Gabriele Freni, Vito Iacobellis, Gabriele Mascaro, Alberto Montanari, Riccardo Rigon, Tullio

Tucciarelli

Inizio attività

Aprile 2009

Prodotto dell’attività

Proposta di protocollo per la validazione scientifica e validazione delle prestazioni di modelli idrologici




Indici quantitativi

Review delle proposte recenti di letteratura

Proposta di analisi SWOT per modelli

idrologici




Validazione scientifica Validazione delle prestazioni




Le linee guida per la validazione in pratica, allo stato attuale delle

conoscenze e del trasferimento tecnologico, si fondano su un utilizzo

combinato di diverse tecniche.

-Validare su dati indipendenti (anche in senso statistico) rispetto a quelli utilizzati

in calibrazione.

-Validare su set esteso di dati.

-Privilegiare l’utilizzo della validazione jack-knife (il set di dati utilizzato per la

validazione dovrebbe essere statisticamente indipendente rispetto a quello

utilizzato per la calibrazione).

-Validare combinando un set esteso di tecniche grafiche e indici quantitativi.

-Validare su tutto l’intervallo di definizione della variabile in uscita dal modello.

-Valutare la riproducibilità dei risultati.

Problematico fornire valori minimi di riferimento.

Efficienza di Nash: 0.65

Errore relativo medio: 40%




Una premessa quasi filosofica

I modelli idrologici sono incerti per definizione. Provocatoriamente si potrebbe

affermare che l’idrologia non è una scienza esatta (affermazione criticabile).

L’incertezza in idrologia ha natura intrinseca.

Epistemica (in principio eliminabile)

Incertezza

Strutturale (o intrinseca; in principio non eliminabile)

L’incertezza, dunque, non deve essere interpretata come un limite dei modelli

idrologici, ma piuttosto quale caratteristica peculiare. Ovviamente deve essere

limitata il più possibile, ma non potrà mai essere totalmente eliminata.

L’incertezza, in modellistica idrologica, è rappresentata proprio dall’errore del

modello, che rappresenta la discriminante fra l’impostazione deterministica e

quella stocastica.

E’ quindi necessario considerare l’incertezza, e quindi la validazione, quali

componenti essenziali della modellistica idrologica

Mo

nta

na

ri &

Ko

uts

oyia

nn

is,

20

12

, s

ub

mit

ted

to

WR

R

(orm

ai d

a u

n a

nn

o, e

tu

tto

ra s

ott

op

osto

a r

evis

ion

i fe

roci)




Quindi:

1) La stima di incertezza deve rappresentare un passo fondamentale della

validazione

2) La validazione deve essere intesa a fornire la prova che il modello sia il

migliore possibile a fronte della presenza di incertezza, piuttosto che la

prova che il modello sia perfetto (condizione non possibile)

3) E’ necessario condurre la validazione utilizzando informazioni multiple e

fra loro indipendenti

Ciò implica che:

• Per condurre la validazione in soluzione attendibile è necessario

individuare le cause di incertezza

• La validazione dovrà assumere sempre più le caratteristiche di un

“learning process” finalizzato a ridurre l’incertezza epistemica




E’ un problema spesso sopravvalutato (è difficile orientarsi nella

letteratura)

1) L’incertezza (epistemica + strutturale) è rappresentata proprio dall’errore

del modello, che può essere inteso come una variabile casuale.

Purtroppo si tratta di una variabile complicata, spesso non-Gaussiana ed

eteroscedastica, difficile da rappresentare statisticamente (ambito di

ricerca attivo). In presenza di una base dati estesa il problema si

semplifica.

2) Occorre quantificare l’errore del modello in riferimento a tutto l’intervallo

dei valori della variabile in uscita dal modello. Dal punto di vista

empirico, se la base dati e’ estesa, basta suddividere l’intervallo di cui

sopra in sottointervalli e quantificare l’errore su ognuno di essi.

3) Una soluzione statisticamente efficiente (tuttavia basata su assunzioni a

volte problematiche) è il modello meta-Gaussiano

(Montanari & Brath, 2004; codice disponibile sul mio sito).




All’aumentare dell’incertezza intrinseca le prestazioni del modello

diminuiscono, ma ciò non necessariamente implica inadeguatezza del

modello

1) E’ necessario valutare le cause di incertezza intrinseca. Se questa è

elevata il modello non può fornire prestazioni elevate.

2) Occorre applicare test che permettano di comprendere se il modello può

essere migliorato, piuttosto che test che quantificano le prestazioni in

senso assoluto. Un valore dell’efficienza di Nash pari a 0.4 può essere

ottimo!

3) La presenza di correlazione nell’errore non è un indicatore

soddisfacente. Può essere originata da incertezza intrinseca.

4) Potenzialità nell’analisi della struttura di cross-correlazione fra variabili in

ingresso e variabili in uscita – Possibilità di ricerca (ma in ambito ostico).

5) Verifica di diversi modelli di crescente complessità (Fenicia et al.,

pubblicazioni recenti su WRR ed altre riviste).




Esempi:

• Validazione su dati di sezioni fluviali interne.

• Validazione utilizzando dati non convenzionali, ad esempio le stime di

volume d’invaso ricavate da misure dell’accelerazione di gravità.

• Validazione utilizzando dati di altezza idrica.

• Validazione utilizzando dati da sensore remoto (altezze idriche rilevate da

satellite).

Ad esempio: Moretti e Montanari (2008)

Modello afflussi-deflussi calibrato con dati orari di portata del Fiume Secchia

alla sezione di chiusura (Ponte Bacchello). Modello validato simulando la

distribuzione di frequenza dei colmi di piena massimi annuali alla sezione di

chiusura ed alla sezione interna di Ponte Cavola.




• Quali dati indipendenti potrebbero essere usati per la validazione? Sensori

remoti?

• Quali tecniche potrebbero essere utilizzate per verificare che il modello

abbia spiegato tutta la dipendenza in essere fra variabili in ingresso ed

uscita? E’ possibile utilizzare tecniche grafiche?

• Come possiamo quantificare attendibilmente l’incertezza intrinseca?

• Come descrivere statisticamente l’errore del modello? Come valutare la

verosimiglianza di un modello?

• Quali protocolli potrebbero essere definiti per la validazione jack-knife di

un modello afflussi-deflussi? E’ possibile verificare ogni evento di

interesse, oppure ogni periodo rilevante di osservazione?

• E’ possibile definire funzioni obiettivo che siano meno sensibili alla

presenza di incertezza? Calibrazione selettiva/spettrale?




Main focus

Changing hydrological systems, interaction with society, sustainable development

Why? Very briefly….

Change is around us and the society is putting forward compelling questions for water uses.

Hydrology should reply to the above questions by inspecting how change is affecting hydrological systems

and water resources, to what extent change is important, what policies are most appropriated in the face of

change. There is the need to infer future behaviours of hydrological systems.

The Science Plan will clarify the motivations, in an optimistic way.

About change…..




Theme so far…..

Hydrology for a changing

society and environment

Keywords…..

change, uncertainty, risk

and vulnerability

Brief rationale…. Hydrology and society are an

essential part of a changing

human and environmental

system.

Hydrology is a within society and

is serving society through

modelling (with uncertainty),

prediction, risk and vulnerability

assessment, and management

through policy development

La validazione nella modellistica idraulica e idrologica ... Basic page/Montanari.pdf · • Per...

Documents

Transcript of La validazione nella modellistica idraulica e idrologica ... Basic page/Montanari.pdf · • Per...