DOI: https://doi.org/10.1029/2023wr036096
تاريخ النشر: 2024-02-01
المؤلف: Heng Dai وآخرون
الموضوع الرئيسي: تصميم هندسي احتمالي وقوي
نظرة عامة
تناقش هذه الفقرة أهمية تحليل الحساسية العالمية (GSA) في تقييم عدم اليقين في النموذج وتغير المعلمات. تحليل الحساسية (SA) ضروري لفهم العلاقات بين مكونات النموذج والمخرجات، وتحديد مساهمات المعلمات غير المؤكدة، وتوجيه تبسيط النموذج. يعتبر GSA، على عكس الأساليب المحلية، مجموعة كاملة من المعلمات غير المؤكدة وتفاعلاتها، مما يوفر تحليلاً أكثر شمولاً.
تركز الورقة على إطارين من GSA يعالجان عدم اليقين في كل من تمثيل النموذج والمعلمات المرتبطة: مؤشرات سوبول المعتمدة على التباين ومؤشرات AMA المعتمدة على اللحظات. يقدم المؤلفون صياغة تحليلية جديدة لتعزيز مؤشرات الحساسية المعتمدة على التباين في سياق متعدد النماذج، مما يسمح بالمقارنة المباشرة مع مؤشرات AMA. تشير النتائج الرئيسية إلى أن مؤشرات سوبول، التي تركز على تباين داخل النموذج، قد تعطي نتائج مختلفة عن مؤشرات AMA، التي تشمل كل من تباينات داخل النموذج وبين النماذج. تستنتج الدراسة أن نهج AMA يقدم فهماً أكثر دقة للحساسية عبر لحظات إحصائية متعددة، مما يعزز الرؤى المستفادة من تحليلات الحساسية العالمية تحت عدم اليقين. يُقترح إجراء أبحاث مستقبلية لاستكشاف آثار مجالات التوصيل الهيدروليكي غير المتجانسة والمعلمات الجيولوجية الإحصائية الحرجة على نتائج GSA.
مقدمة
تناقش مقدمة هذه الورقة البحثية عدم اليقين الكامن في نماذج المياه الجوفية، والتي غالباً ما تكون تبسيطات لعمليات طبيعية معقدة. بسبب البيانات المحدودة والفهم غير المكتمل لهذه العمليات، فإن هياكل النموذج والمعلمات تخضع لعدم اليقين، مما يؤدي إلى اتخاذ قرارات غير مؤكدة بناءً على مخرجات النموذج. يؤكد المؤلفون على أهمية تقييم آثار مصادر عدم اليقين المختلفة على مخرجات النموذج، حيث تعتبر مؤشرات سوبول المعتمدة على التباين طريقة شائعة لتحليل الحساسية. ومع ذلك، قد لا يوفر الاعتماد فقط على التباين فهماً شاملاً، مما يستدعي تقديم مؤشرات معتمدة على اللحظات، مثل مؤشرات AMA، التي تقدم رؤى إضافية حول حساسية النموذج.
تهدف الورقة إلى مقارنة وتحليل طريقتين لتحليل الحساسية – مؤشرات سوبول ومؤشرات AMA – في سياق متعدد النماذج، مع معالجة الحاجة إلى قياس صارم لكل من عدم اليقين في المعلمات وصياغة النموذج. يبرز المؤلفون التقدمات الأخيرة في توسيع هذه المؤشرات لتأخذ في الاعتبار السيناريوهات متعددة النماذج، مما يسمح بفهم أكثر دقة لكيفية تأثير اختيار النموذج وعدم اليقين في المعلمات على مخرجات النموذج. من خلال استخدام سيناريوهين راسخين، تسعى الدراسة إلى تعزيز الإطار النظري لمؤشرات سوبول وتقديم تحليل شامل لفوائد وقيود كلا الطريقتين من GSA، مما يسهم في تحسين تقييمات الحساسية في نمذجة المياه الجوفية.
طرق
في هذا القسم، يقدم المؤلفون نظرة عامة موجزة عن مؤشرات الحساسية العالمية المعتمدة على التباين واللحظات المستخدمة في تحليلهم. يقدمون توسيعاً مبتكراً لصياغة مؤشرات سوبول، مما يعزز القدرة على تمييز وقياس المساهمات الناشئة عن كل من عدم اليقين في النموذج والمعلمات. تهدف هذه التطورات المنهجية إلى توفير فهم أوضح لكيفية تأثير مختلف حالات عدم اليقين على مخرجات النموذج، مما يسهل إجراء تحليلات حساسية أكثر قوة.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود علاقة واضحة بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. على سبيل المثال، تظهر النتائج أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة مقابلة، مما يشير إلى وجود رابط سببي محتمل.
علاوة على ذلك، تتناول المناقشة تداعيات هذه النتائج، مقارنتها بالأدبيات الحالية والأطر النظرية. تدعم النتائج ليس فقط الفرضيات الأولية ولكنها تقدم أيضاً رؤى جديدة حول الآليات الأساسية المعنية. يتم الاعتراف بحدود الدراسة، ويتم اقتراح اقتراحات لاتجاهات البحث المستقبلية لاستكشاف الظواهر الملاحظة بشكل أكبر. بشكل عام، تسهم النتائج بشكل كبير في هذا المجال وتفتح آفاقاً للتحقيقات اللاحقة.
مناقشة
في هذا القسم، يناقش المؤلفون مؤشرات الحساسية المعتمدة على التباين (سوبول) والمعتمدة على اللحظات (AMA) لتقييم عدم اليقين في مخرجات النموذج عبر نماذج متعددة. وفقاً للإطار الذي وضعه داي وي (2015)، يمكن تحليل تباين مخرجات النموذج، الممثل بـ $\Delta = f(\theta)$، إلى مساهمات من المعلمات الفردية وعدم اليقين في النموذج. يحدد مؤشر الحساسية من الدرجة الأولى $S_{\theta_i}$ النسبة المئوية من تباين المخرجات الناتجة عن عدم اليقين في معلمة معينة $\theta_i$، بينما يأخذ مؤشر الحساسية الكلي $S_{T\theta_i}$ في الاعتبار التفاعلات بين المعلمات. يوسع المؤلفون هذه المفاهيم إلى سياق متعدد النماذج، مما يسمح بتقييم كل من عدم اليقين في المعلمات والنموذج من خلال مؤشرات سوبول الموسعة $S_M$ و$S_\theta$.
يقدم القسم أيضاً سيناريوهين توضيحيين: نموذج نقل تفاعلي في نظام المياه الجوفية ونموذج امتصاص المعادن الثقيلة. في سيناريو النقل التفاعلي، يحلل المؤلفون تركيز الإيثين على مر الزمن، كاشفين عن عدم يقين كبير في النموذج، يتأثر بشكل خاص بمعلمات التوصيل الهيدروليكي. تشير النتائج إلى أن عدم اليقين في النموذج يساهم بحوالي 80% من إجمالي تباين التنبؤ، بينما يمثل عدم اليقين في المعلمات حوالي 20% فقط. على العكس من ذلك، في سيناريو امتصاص المعادن الثقيلة، يظهر عدم اليقين في المعلمات كمصدر رئيسي لعدم اليقين، خاصة عند التركيزات الأولية العالية. يبرز المؤلفون الطبيعة التكميلية لمؤشرات سوبول وAMA، مشيرين إلى أنه بينما تركز مؤشرات سوبول على التباين داخل النموذج، تشمل مؤشرات AMA كل من عدم اليقين في النموذج والمعلمات، مما يوفر تقييماً أكثر شمولاً لأهمية المعلمات في السياقات متعددة النماذج.
DOI: https://doi.org/10.1029/2023wr036096
Publication Date: 2024-02-01
Author(s): Heng Dai et al.
Primary Topic: Probabilistic and Robust Engineering Design
Overview
This section discusses the significance of Global Sensitivity Analysis (GSA) in evaluating model uncertainty and parameter variability. Sensitivity analysis (SA) is essential for understanding the relationships between model components and outputs, quantifying contributions of uncertain parameters, and guiding model simplification. GSA, in contrast to local approaches, considers the entire range of uncertain parameters and their interactions, providing a more comprehensive analysis.
The paper focuses on two GSA frameworks that address uncertainty in both model representation and associated parameters: the variance-based Sobol indices and the moment-based multi-model AMA indices. The authors introduce a new analytical formulation to enhance the variance-based sensitivity indices in a multi-model context, allowing for direct comparison with AMA indices. Key findings indicate that the Sobol indices, which emphasize within-model variance, may yield different results from the AMA indices, which incorporate both within-model and between-model variances. The study concludes that the AMA approach offers a more nuanced understanding of sensitivity across multiple statistical moments, thereby enriching the insights gained from global sensitivity analyses under uncertainty. Future research is suggested to explore the effects of heterogeneous hydraulic conductivity fields and critical geostatistical parameters on GSA outcomes.
Introduction
The introduction of this research paper discusses the inherent uncertainties in groundwater models, which are often simplifications of complex natural processes. Due to limited data and incomplete understanding of these processes, model structures and parameters are subject to uncertainty, leading to uncertain decision-making based on model outputs. The authors emphasize the importance of assessing the impacts of various uncertainty sources on model outputs, with classical variance-based Sobol indices being a common method for sensitivity analysis. However, reliance solely on variance may not provide a comprehensive understanding, prompting the introduction of moment-based indices, such as the AMA indices, which offer additional insights into model sensitivity.
The paper aims to compare and analyze two sensitivity analysis methods—Sobol indices and AMA indices—within a multi-model context, addressing the need for a rigorous quantification of both parametric and model formulation uncertainties. The authors highlight recent advancements in extending these indices to account for multi-model scenarios, allowing for a more nuanced understanding of how model selection and parameter uncertainties influence model outputs. By employing two established scenarios, the study seeks to enhance the theoretical framework of Sobol indices and provide a comprehensive analysis of the benefits and limitations of both GSA methods, ultimately contributing to improved sensitivity assessments in groundwater modeling.
Methods
In this section, the authors present a concise overview of the variance-and moment-based global sensitivity indices employed in their analysis. They introduce an innovative extension of the Sobol indices formulation, which enhances the ability to differentiate and quantify the contributions arising from both model and parameter uncertainties. This methodological advancement aims to provide a clearer understanding of how various uncertainties impact the model’s outputs, thereby facilitating more robust sensitivity analyses.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates a clear correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. For instance, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, suggesting a potential causal link.
Furthermore, the discussion elaborates on the implications of these findings, comparing them with existing literature and theoretical frameworks. The results not only support the initial hypotheses but also provide new insights into the underlying mechanisms at play. Limitations of the study are acknowledged, and suggestions for future research directions are proposed to further explore the observed phenomena. Overall, the findings contribute significantly to the field and open avenues for subsequent investigations.
Discussion
In this section, the authors discuss variance-based (Sobol) and moment-based (AMA) sensitivity indices for assessing the uncertainty in model outputs across multiple models. Following the framework established by Dai and Ye (2015), the variance of a model output, denoted as $\Delta = f(\theta)$, can be decomposed into contributions from individual parameters and model uncertainty. The first-order sensitivity index $S_{\theta_i}$ quantifies the fraction of output variance attributable to the uncertainty in a specific parameter $\theta_i$, while the total sensitivity index $S_{T\theta_i}$ accounts for interactions between parameters. The authors extend these concepts to a multi-model context, allowing for the evaluation of both parameter and model uncertainties through the extended Sobol indices $S_M$ and $S_\theta$.
The section also introduces two illustrative scenarios: a reactive transport model in a groundwater system and a heavy metal sorption model. In the reactive transport scenario, the authors analyze ethene concentration over time, revealing significant model uncertainty, particularly influenced by hydraulic conductivity parameters. The results indicate that model uncertainty contributes approximately 80% to the total predictive variance, while parameter uncertainty accounts for only about 20%. Conversely, in the heavy metal sorption scenario, parameter uncertainty emerges as the dominant source of uncertainty, especially at higher initial concentrations. The authors highlight the complementary nature of the Sobol and AMA indices, noting that while Sobol indices focus on within-model variance, AMA indices incorporate both model and parameter uncertainties, providing a more comprehensive assessment of parameter importance in multi-model contexts.