Calibração DSSAT Simples sf

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