Prévia do material em texto
CALIBRAÇÃO de um modelo A otimização de alguns dos parâmetros para minimizar um indicador estatístico Root Mean Square Error Mean Absolute Error Coeficiente de determinação Coeficiente de Eficiência Coeficiente de Willmott Eficiência E (Nash & Sutcliffe) Varia de -∞ a 1, valores positivos indicando que o modelo é melhor que a simples média dos valores. R2 Varia entre 0 e 1 e expressa a parte da variação dos dados explicada pelo modelo O R2 não é um bom indicador para a qualidade preditiva de um modelo mecanístico ... O R2 não é um bom indicador para a qualidade preditiva de um modelo mecanístico ... Etapas do processo de modelagem Conceituação: definir o fenômeno, objetivos, leis e parâmetros envolvidos: hipotetizar. “eu acho que a capacidade de infiltração de um solo se relaciona com a densidade do solo (r)” Etapas do processo de modelagem Conceituação: definir o fenômeno, objetivos, leis e parâmetros envolvidos. Organização: estabelecer o algoritmo – seqüência de decisões e/ou cálculos para o modelo fazer suas previsões. “eu acho que a relação é linear” MODELO Etapas do processo de modelagem Conceituação: definir o fenômeno, objetivos, leis e parâmetros envolvidos. Organização: estabelecer o algoritmo – seqüência de decisões e/ou cálculos para o modelo fazer suas previsões. Calibração: ajuste de parâmetros empíricos em função de valores observados. Solo A “so what?” “e daí?” Etapas do processo de modelagem Conceituação: definir o fenômeno, objetivos, leis e parâmetros envolvidos. Organização: estabelecer o algoritmo – seqüência de decisões e/ou cálculos para o modelo fazer suas previsões. Calibração: ajuste de parâmetros empíricos em função de valores observados. Validação / Teste: verificar se o modelo calibrado simula bem observações independentes. Solo B O modelo não é extrapolável, sua estrutura é muito simples para predizer cenários diversos Etapas do processo de modelagem Conceituação: definir o fenômeno, objetivos, leis e parâmetros envolvidos. Organização: estabelecer o algoritmo – seqüência de decisões e/ou cálculos para o modelo fazer suas previsões. Calibração: ajuste de parâmetros empíricos em função de valores observados. Validação / Teste: verificar se o modelo calibrado simula bem observações independente. Solo B Vamos repensar como o modelo poderia ficar melhor (hipotetizar) CALIBRAÇÃO de um modelo dados CALIBRAÇÃO TESTE / VALIDAÇÃO Parâmetros calibrados Interpretação da calibração/teste de um modelo RMSE Comparação com erro de determinação experimental Dados Vamos realizar uma calibração/validação para o nosso modelo de crescimento de plantas “simples”. Quais os parâmetros (empíricos) usados para calcular o índice de área foliar (LAI)? E onde no programa os valores desses parâmetros são definidos? Quais os parâmetros (empíricos) usados para calcular dLAI? Quais os parâmetros (empíricos) usados para calcular dLAI? SWFAC → calculado com base em WP, FC, ... soil.inp PD → plant.inp (5.0 plantas/m2) EMP1 → plant.inp (0.104) PT → PT = 1.0 - 0.0025*((0.25*TMIN+0.75*TMAX)-26.0)**2 a = exp(EMP2*(N-Nb) EMP2 → plant.inp (0.64) N → calculado como integral de dN Nb → plant.inp (5.3) dN = rm * PT rm → plant.inp (0.1) PT Vamos verificar o efeito de alguns dos parâmetros empíricos do arquivo plant.inp nos valores simulados do LAI EMP1 → plant.inp (0.104 → 0.2) EMP2 → plant.inp (0.64 → 0.3) Nb → plant.inp (5.3 → 4.0) rm → plant.inp (0.1 → 0.2) DOY LAI 162 1.11 180 1.40 192 1.62 210 2.56 219 2.93 240 2.70 255 2.47 270 2.30 CALIBRAÇÃO: Vamos tentar encontrar a combinação desses quatro parâmetros EMP1, EMP2, rm e Nb que resulte no menor valor do RMSE. Utilizem para isso a planilha Exercício calibração LAI.xlsx Observem nessa planilha o gráfico do valor de LAI simulado ao longo do ciclo da cultura (arquivo plant.out), com valor original e valor modificado dos parâmetros. image1.wmf ( ) n P O RMSE n i i i å = - = 1 2 image2.wmf n P O MAE n i i i å = - = 1 image3.wmf ( ) ( ) ( ) ( ) 2 1 2 1 2 1 2 ï ï þ ï ï ý ü ï ï î ï ï í ì - - - - = å å å = = = n i i n i i n i i i P P O O P P O O R image4.wmf ( ) ( ) å å = = - - - = n i i n i i i O O P O E 1 2 1 2 1 image5.wmf ( ) ( ) å å = = - + - - - = n i i i n i i i O O O P P O d 1 2 1 2 1 oleObject5.bin oleObject1.bin oleObject2.bin oleObject3.bin oleObject4.bin image6.wmf ( ) ( ) å å - - - = 2 2 1 O O E O E i i i NS image7.wmf ( ) ( ) ÷ ø ö ç è æ - ÷ ø ö ç è æ - - = å å å å å å å 2 2 2 2 1 1 1 y n y x n x y x n xy R oleObject6.bin oleObject7.bin image8.png image9.png image10.png image11.wmf b a i + = r oleObject8.bin image12.jpeg image13.jpeg image14.png image15.jpeg image16.jpeg image17.emf 0 30 60 90 120 00.020.040.060.080.1 Root mean square error, m 3 m -3 Depth, cm RMSEP (FRF) RMSE (observed) RMSEP (PRF) min max 5%50%75%25%95% image18.png image19.png image20.png image21.png image22.png image23.png image24.png image25.png image26.png image27.png image28.png