Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Jan Šembera Technická univerzita v Liberci / Technische Universität in Reichenberg Žitava, 7. prosince 2012 / Zittau am 7. Dezember 2012 Klimatické změny.

Podobné prezentace


Prezentace na téma: "Jan Šembera Technická univerzita v Liberci / Technische Universität in Reichenberg Žitava, 7. prosince 2012 / Zittau am 7. Dezember 2012 Klimatické změny."— Transkript prezentace:

1 Jan Šembera Technická univerzita v Liberci / Technische Universität in Reichenberg Žitava, 7. prosince 2012 / Zittau am 7. Dezember 2012 Klimatické změny v hydrogeologických modelech Klimawandel – Einfluss auf hydrogeologische Durchflussmodelle

2 2 Obsah / Inhalt Modelování podzemní vody Interpretace dat Parametry modelu, kalibrace „Good Modelling Praxis“ Klimatické změny Modellieren des Grundwassers Interpretation der Daten Parameter des Modells, Kalibrierung „Good Modelling Praxis“ Klimawandel

3 3 Zdroje a literatura / Quellennachweis Kniha / das Buch: Hill, M.C., and Tiedeman, C.R., 2007, Effective Groundwater Model Calibration: With Analysis of Data, Sensitivities, Predictions, and Uncertainty: Wiley and Sons, 464 p. Schneider, P.; Lippmann-Pipke, J.; Schoenherr, J. (2006): Quality Assurance of Water Balance Simulations at the Landfill Cover Test Fields Bautzen/Nadelwitz, Germany. In: Dimensioning Landfill Surface Liner Systems Using Water Balance Models, Wissenschaftliche Berichte der Hochschule Zittau/Görlitz, Heft 86 (2006), Nr , S , (ISBN-Nr X). Josef Zeman, Vývoj klimatu v geologické historii Země do současnosti a vliv změn stabilitu stavebních materiálů/Entwicklung des Klimas in der geologischen Geschichte der Erde bis zur Gegenwart und Auswirkungen der Veranderungen auf die Stabilitat der Baumaterialien, přednáška na TUL/ Vortrag an TUL am

4 Úvodní poznámka / Einleitung Názorů, jak stavět a používat modely, je přesně tolik, kolik lidí s modely pracuje. Probíhá mnoho pokusů standardizovat stavbu a používání modelů podzemních vod (i jiných). Např. HarmoniQua Německo (5 mil. € za 5 let), Austrálie, Nový Zéland, USEPA, USGS, …viz rešerše Hill et al. (konference FEM- MODFLOW 2004 Karlovy Vary) Žádný z přístupů není obecně nejlepší. Ke každé úloze je třeba přistupovat tvořivě. 4 Von Meinungen, wie Modelle zu bauen und anzuwenden sind, gibt es genau so viele, wie viele Menschen mit Modellen arbeiten. Es finden viele Versuche zur Standardisierung und Anwendung von Grundwassermodellen (sowie anderer) statt. Zum Beispiel: HarmoniQua Deutschland (5 Mio. innerhalb von 5 Jahren), Australien, Neuseeland USEPA, USGS, … siehe Recherchen Hill et al. (Konferenz FEM-MODFLOW 2004 Karlsbad) Allgemein ist keines der Verfahren das Beste. Jede Aufgabe muss kreativ bearbeitet werden.

5 Složitost modelování podzemní vody / Kompliziertheit des Modellierens des Grundwassers Obvykle není jasné, jak svázat data z měření s hodnotami v modelu Velmi špatná dostupnost – jen částečně může být systém vzorkován či prozkoumán Velká společenská potřeba přesných odpovědí Předpovědní modely založené jen na hydrologických a hydrogeologických datech špatně (nekonzistentně) reprezentují reálný systém při testování – nejsou dostatečné k užití 5 Meistens ist es nicht klar, wie die Daten aus den Messungen mit den Werten in dem Modell zu verbinden sind Eine sehr schlechte Zugänglichkeit – ein System kann nur teilweise beprobt oder Untersucht werden Ein großer Bedarf an genauen Antworten Die Voraussagemodelle, die nur auf hydrologischen und hydrogeologischen Daten beruhen repräsentieren das reelle System bei dem Testen schlecht (nicht konsistent) – sind für eine Nutzung nicht ausreichend

6 designmodelling feasibility pre-check variant check practically realisable parameters practically not realisable parameters theoretically not realisable parameters system modification construction data gathering technical design theoretically realisable parameters conventional sealing systems data verification system modelling detailed design technical parameter guidelines Modelling support of a design

7 Hlavní kroky v modelování podzemní vody / Die wesentlichen Schritte in der Modellierung des Grundwassers Hydrologická a hydrogeologická data Vztah ke vstupům do modelu Hydrologische und hydrogeologische Daten Beziehung zu den Inputs in das Modell Pozorování závisle proměnných Vztah k výstupům modelu – kalibrace Beobachtung von abhängigen Variablen Outputs des Modells – Kalibrierung Model podzemního proudění Modell der Grundwasserströmung Parametry / Parameter Předpověď Voraussage Nejistota předpovědi Unsicherheit der Voraussage Rozhodnutí Entscheidung 7

8 Obecné otázky k modelu / Allgemeine Fragen zum Modell Kolik informací obsahují moje data? Kolik a jakých vlastností můžou moje data pro model popsat? Jsou některé odhady parametrů dominantně ovlivněny pouze jednotlivým pozorováním? Které aspekty modelu jsou důležité pro věci, které chci předpovídat? Které slabiny modelu jsou nejdůležitější vzhledem k předpovědím? Jaká data je třeba získat pro zlepšení předpovědí? 8 Wie viele Informationen beinhalten meine Daten? Wie viele und welche Eigenschaften können meine Daten für das Model abbilden? Sind manche Schätzungen der Parameter dominant nur durch eine einzelne Beobachtung beeinflusst? Welche Aspekte des Modells sind für die Sachen wichtig, die ich voraussagen möchte? Welche Schwachstellen des Modells sind im Bezug zu den Voraussagen die wichtigsten? Welche Daten sind zu gewinnen, um die Voraussage der Parameter verbessern zu können

9 hydrogeology: –Modflow –FEFlow –HYDRUS –Flow123d water balance: –HELP –BOWAHALD geochemistry: –Phreeqc –Visual MINTEQ –The Geochemist’s Workbench Software optimization (parameter estimation): –UCODE –PEST coupled problems –OpenGeoSys Differences in: –solved problem complexity –used numerical methods –hardware requirements –mesh dimension (# of elements and time steps) –parallelism

10 Sudicky, E. A.: A Natural Gradient Experiment on Solute Transport in a Sand Aquifer: Spatial Variability of Hydraulic Conductivity and Its Role in the Dispersion Process, Water Resources Research 22 (13), , Transversal dispersivity = 10 x length of the experiment Beeing explained by hydraulic conductivity inhomogeneity. Local parameter value differs from the effective parameter value Interpretace dat / Interpretation der Daten

11

12 not calibratedcalibratednot calibratedcalibrated NaNa NnNn DNaNa NnNn Dyy%Y System of chambers ∙ ∙ one output chamber ∙ no chamber ∙ Interpretace dat / Interpretation der Daten

13 13 Značky / Marken Parametr b = (b 1, b 2, …, b i, …, b np ) Měření/pozorování y = (y 1, y 2, …, y i, …, y no ) Simulovaná hodnota y’(b) = (y’ 1 (b), …, y’ no (b)) Parameter Beobachtung simulierte Werte

14 Kvadratická forma s nelineárním členem Quadratische Form mit einem nichtlinearen Element Váhy: Gewichtung: Minimalizace: Minimalisierung: Účelová funkce pro nejmenší čtverce / Objektive Funktion ))('()(byybS ii n i i     Pozor na to, které parametry se objevují v účelové funkci a jak jsou vážené. Geben sie Acht darauf, welche Parameter in der Funktion vorkommen und welche Gewichtung sie haben

15 Parametry modelu / Parameter des Modells Vstupy - Geometrie, časový interval, diskretizace - Materiály - Okrajové podmínky - Počáteční podmínky Výstupy - Hladiny podzemní vody - Rychlost proudění, vydatnost zdrojů - Chemické složení vody Kalibrace - Pozorování - Parametry - Apriorní hodnoty - Váhy Předpovědi 15 Inputs - Geometrie, Zeitabschnitt, Diskretisierung - Materialien - Randbedingungen - Bedingungen am Anfang Outputs - Grundwasserspegel - Strömungsgeschwindigkeit, Ergiebigkeit der Ressourcen - Chemische Zusammensetzung des Wassers Kalibrierung - Beobachtung - Parameter - Aprioriwerte - Gewichtung Voraussagen

16 Citlivost / Sensitivität  y i ’/  b j ≈  y i ’/  b j [mes/par] dss ij =  y i ’/  b j * |b j | √ω i [1] css j = [1] 1ss ij =  y i ’/  b j * b j / 100 [%mes] h ii = (ω i 1/2 X) i (X T ωX) -1 (X T ω i 1/2 ) i [1] pcc jk = Cov jk / √Var j / √Var k [1] = s 2 (X T ω X) -1 [1] 16 Citlivost Sensitivität Bezrozměrná škálovaná citlivost Dimensionslose Skalensensitivität Složená škálovaná citlivost Zusammengesetzte Skalensensitivität Jednoprocentní škálovaná citlivost Einprozentige Skalensensitivität Vliv Einfluss Koeficienty korelace parametrů Koeffiz. der Korrelation der Parameter Kovarianční matice V(b)= Kovariationsmatrix

17 17 Zdroj/ Quelle: Citlivost / Sensitivität

18 18 Nelinearita / Nichtlinearität Zdroj/Quelle: Poeter and Hill, 1997.

19 Kalibrační směrnice M. C. Hillové 1/ Kalibrierungsvorschrift M.C. Hill 1 1. Začněte nejjednodušším přístupem, složitost zvyšujte opatrně 2. Zužitkujte co nejvíce informací 3. Sestavte dobře postavený a kompletní model 4. Použijte mnoho druhů pozorování pro fitování výsledku 5. Apriorní informace používejte opatrně 6. Nastavte váhy tak, aby odpovídaly chybám měření 7. Vylepšete konvergenci zpřesněním modelu 8. Srovnávejte s alternativními modely Příprava modelu Beginnen Sie mit dem einfachsten Verfahren, die Kompliziertheit steigern Sie vorsichtig 2. Nutzen Sie so viel wie möglich Informationen 3. Bauen Sie ein gut gebautes und komplettes Modell 4. Nutzen Sie viele Arten der Beobachtung für das Filtrieren des Ergebnisses 5. Die Aprioriinformationen sind vorsichtig zu nutzen 6. Stellen Sie die Gewichtungen so ein, dass diese den Fehlern der Messungen entsprechen 7. Verbessern Sie die Konvergenz durch eine Präzisierung des Modells 8. Führen Sie einen Vergleich mit alternativen Modellen durch Vorbereitung des Modells

20 Kalibrační směrnice M. C. Hillové 2 / Kalibrierungsvorschrift M.C. Hill 2 9.Posuďte shodu s daty 10.Posuďte optimální hodnoty parametrů 11.Identifikujte nová data pro zpřesnění odhadů parametrů 12.Identifikujte nová data pro zlepšení předpovědí 13.Použijte deterministické metody 14. Použijte statistické metody Testování modelu Potenciální nová data Nejistota předpovědi Beurteilen Sie die Übereinstimmung mit den Daten 10. Beurteilen Sie die optimalen Werte der Parameter 11. Identifizieren Sie die neue Daten, um die Schätzung der Parameter präzisieren zu können 12. Identifizieren Sie die neuen Daten, um die Voraussage der Parameter präzisieren zu können 13. Wenden Sie deterministische Methoden an 14. Wenden Sie statistische Methoden an Testen des Modells Potentiell neue Daten Unsicherheit der Voraussage

21 Směrnice 1: Šetřete! Vorschrift 1: Sparen! 21 Zdroj/ Quelle: Více parametrů = přesnější simulace měření Mehr Parameter = genauere Simulation der Messung Ještě více parametrů = ještě přesnější simulace měření Noch mehr Parameter = noch genauere Simulation der Messung

22 Více parametrů = přesnější simulace měření Mehr Parameter = genauere Simulation der Messung Ještě více parametrů = ještě přesnější simulace měření, úplně chybná předpověď Noch mehr Parameter = noch genauere Simulation der Messung, gänzlich fehlerhafte Voraussage 22 Chyba předpovědi Fehler der Voraussage Počet parametrů Anzahl der Parameter Shoda s měřením Übereinstimmung mit der Messung Zdroj/ Quelle: Směrnice 1: Šetřete! Vorschrift 1: Sparen!

23 Chyba předpovědi Fehler der Voraussage Počet parametrů Anzahl der Parameter Shoda s měřením Übereinstimmung mit der Messung 23 Zdroj/ Quelle: Konstrukční přístup: v grafu zleva do prava – nepřesný, ale přehledný a rychlý model Verfahren bei der Konstruktion: In dem Diagramm von Links nach Rechts - ein ungenaues, aber übersichtliches und schnelles Modell Je třeba začít na správném místě a postupovat správně Es muss an der richtigen Stelle angefangen und richtig verfahren werden Směrnice 1: Šetřete! Vorschrift 1: Sparen!

24 Dvě metody odhadu pH směsi dvou roztoků: 1. Jednoduché míchání (předpoklad žádných reakcí) : a. Smícháním roztoků 1 a 2 v poměru c 1 :c 2 (c 1 +c 2 =1). 2. Míchání s korekcí (předp. rovnovážné disociace vody) Navíc počítáme s rovnovážnou disociační rovnicí. Potom a X splňuje rovnici Je třeba začít na správném místě a postupovat správně Es muss an der richtigen Stelle angefangen und richtig verfahren werden

25 Porovnání jednoduchého míchání a míchání s opravou s výsledky laborator. experimentů. Míchání roztoků B a C, kde nedochází ke srážení.

26 Porovnání jednoduchého míchání a míchání s opravou s výsledky laborator. experimentů. Míchání roztoků A a C, kde bylo pozorováno srážení. Je třeba začít na správném místě a postupovat správně Es muss an der richtigen Stelle angefangen und richtig verfahren werden

27 Jednoduché míchání (podle H+)Míchání podle iontů OH -

28 Průměr míchání podle H + a OH -

29 Je třeba začít na správném místě a postupovat správně Es muss an der richtigen Stelle angefangen und richtig verfahren werden

30 Dokud je to možné, zanedbejte NELINEARITY a VARIABILITU PARAMETRŮ 20% detailů popisuje 90% dynamiky 30 Směrnice 1: Šetřete! Vorschrift 1: Sparen! So lange es möglich ist, vernachlässigen Sie die UNLINEARITÄTEN und DIE VARIABILITÄT DER PARAMETER 20% Details beschreiben 90% der Dynamik

31 Směrnice 2: Definujte úlohu s užitím maxima informací / Vorschrift 2: Definieren Sie die Aufgabe unter der Anwendung von so weit wie möglich vielen Informationen Stavte model tak, aby uměl zahrnout vámi měřená data. Nesimulujte jevy, jejichž parametry neumíte měřit – nebo aspoň pro ně nekalibrujte více než jeden parametr 31 Bauen Sie das Modell so auf, dass es die durch Sie ermittelten Daten aufnehmen kann. Simulieren Sie keine Phänomene, die Sie nicht messen können – oder kalibrieren Sie für diese nicht mehr als einen Parameter

32 dobře postavený = parametry jsou podloženy měřením = parametrů je málo kompletní = nechybí žádný důležitý atribut simulované skutečnosti = parametrů je dost Těžko splnitelné, ale nutné Směrnice 3: Stavte „dobře postavený“ a „kompletní“ model / Vorschrift 3: Bauen Sie ein „gut gebautes“ und „komplettes“ Modell 32 gut gebaut = die Parameter sind durch Messungen unterlegt = es gibt wenig Parameter komplett = es fehlt kein wichtiges Attribut der simulierten Wirklichkeit = es gibt genügend Parameter Schwer erfüllbar, aber notwendig

33 CSS DSS Leverage Cook’s D DFBETAS Conclusion: flow qleft has a small sensitivity but is critical to uncoupling otherwise completely correlated parameters. Směrnice 3 Vorschrift 3 Zdroj/ Quelle: tiedeman_book/

34 34 Směrnice 4: Používejte více druhů dat / Vorschrift 4: Verwenden Sie mehrere Arten von Daten Kromě pozorování piezometrických výšek použijte i měření průtoků či vydatností, případně chemické složení, teplotu, stáří vody Zdroj/ Quelle: Neben der Beobachtung der piezometrischen Höhen verwenden Sie auch die Durchfluss- oder Ergiebigkeitsmessungen, gegebenenfalls die chemische Zusammensetzung, die Temperatur, das Alter des Wassers

35 35 Pozor na interpolovaná data – neobsahují novou informaci! Pozor na interpretaci integrovaných či jinak klastrovaných dat Nekonzistentní pozorování: Kalibrací nelze docílit jeho správné simulace Kalibrací lze docílit jeho správné simulace jen při výrazných odchylkách v jiných měřeních Správné simulace lze docílit jen při nereálných hodnotách parametrů - buď odstraňte pozorování, nebo upravte model Achtung auf die interpolierten Daten – diese beinhalten keine neue Information! Achtung auf die Interpretation von integrierten oder anders geclusterten Daten. Inkonsistente Beobachtung: Durch die Kalibrierung kann nicht deren richtige Simulation erreicht werden Durch die Kalibrierung kann eine richtige Simulation nur im Fall von bedeutenden Abweichungen in anderen Messungen erreicht werden Eine richtige Simulation kann nur bei unrealen Werten der Parameter erzielt werden - nehmen Sie entweder die Beobachtung raus, oder korrigieren Sie das Model Směrnice 4: Používejte více druhů dat / Vorschrift 4: Verwenden Sie mehrere Arten von Daten

36 Zdroj/ Quelle: Barth and Hill (2005). 36 Čas / Zeit Měření / Messungen Model Směrnice 4: Používejte více druhů dat / Vorschrift 4: Verwenden Sie mehrere Arten von Daten

37 37 Směrnice 5: Opatrně s apriorními informacemi! / Vorschrift 5: Vorsichtig mit Aprioriinformationen! Apriorní informace = měření / odhad hodnoty parametru modelu nebo vztahu mezi parametry modelu Raději se jim úplně vyhněte – kalibrací byste měli získat reálné hodnoty parametrů, apriorní informací je modelu vnutíte Jedním z důvodů je nesoulad měření některých parametrů v laboratoři a jejich efektivní hodnoty v terénu. Výhodně se dá apriorní informace užít pro kalibraci „vysoce parametrizovaných modelů“ Aprioriinformationen = Messung / Schätzung des Parameterwertes des Modells oder der Beziehung zwischen den Parametern des Modells Vermeiden Sie diese lieber – durch die Kalibrierung sollten Sie die reellen Parameterwerte gewinnen, durch eine Aprioriinformationen zwingen Sie diese dem Modell ein Einer der Gründe ist die Disproportion mancher Parameter im Labor und ihrer effektiver Werte im Gelände. Aprioriinformationen können mit Vorteilen für die Kalibrierung von „hoch parametrisierten Modellen“ verwendet werden

38 2 1 ))('()(byybS ii nh i i     Genaue Messung = hohes Gewicht, ungenaues Messen = niedriges Gewicht 38 Směrnice 6: Váhy musejí odpovídat chybám měření! / Vorschrift 6: Die Gewichtung muss den Fehlern der Messungen entsprechen Přesné měření =vysoká váha, nepřesné měření = nízká váha

39 39 Směrnice 7: Zlepšete konvergenci zpřesněním modelu / Vorschrift 7: Verbessern Sie die Konvergenz durch eine Präzisierung des Modells Příčiny nekonvergence: Necitlivost na některé parametry Nelinearita Nekonzistence pozorování Zpřesnění zahuštěním sítě/zkrácením časového kroku, nikoliv zvýšením počtu parametrů! Ursachen einer nicht Konvergenz: Keine Sensitivität im Bezug zu manchen Parametern Keine Linearität Keine Konsistenz der Beobachtung Eine Präzisierung durch die Verdichtung des Netzes / Verkürzung der Zeitabschnitte, nicht durch die Erhöhung der Anzahl der Parameter!

40 40 Směrnice 8: Uvažujte alternativní modely / Vorschrift 8: Denken Sie über alternative Modelle nach Ne jiné softwary, ale jiné pravděpodobné koncepční modely (geometrie, geologie, …) Porovnejte shodu modelů s daty, reálnost hodnot parametrů, posuďte podobnost/rozdílnost jejich předpovědí Nicht andere Software, sonder auch andere mögliche konzeptionelle Modelle (Geometrie, Geologie,… ) Vergleichen Sie die Übereinstimmung der Modelle mit den Daten, die Realität der Parameterwerte, Beurteilen Sie die Gleichheit / die Unterschiede der Voraussagen

41 41 Směrnice 9: Vyhodnoťte shodu modelu s daty / Vorschrift 9: Nehmen Sie die Übereinstimmung des Models mit den Daten heraus Chyba měření = reziduum (y i –y i ’(b)) 2 ? Chyba měření ~ N(0;σ 2 ) Vážené reziduum~N(0;1)? Fehler der Messung = Rückstand (y i –y i ’(b)) 2 ? Fehler der Messung ~ N(0;σ 2 ) Gewichtete Rückstand~ N(0;1) ?

42 42 Směrnice 9: Vyhodnoťte shodu modelu s daty / Vorschrift 9: Nehmen Sie die Übereinstimmung des Models mit den Daten heraus Podle hodnoty účelové funkce – neprůkazné, nesrovnatelné S(b) Rozptyl, směrodatná odchylka výsledku Interval spolehlivosti pro s 2 Statistiky AIC, AIC C, BIC s 2 =S(b)/(n o +n apr -n p ) ≈ 1 Je nach Wert der objektiven Funktion - nicht beweisbar, nicht vergleichbar Streuung, mittlere Abweichung des Ergebnisses Intervall der Zuverlässigkeit für s 2 Statistiken AIC, AIC C, BIC

43 43 Grafická analýza shody modelu s měřeními Graphische Analyse der Übereinstimmung des Modells mit den Messungen vážená rezidua x vážené simulované hodnoty Gewichtete Rückstände x gewichtete simulierte Werte Zdroj/Quelle: D’Agnese +, 1997, 1999 Směrnice 9: Vyhodnoťte shodu modelu s daty / Vorschrift 9: Nehmen Sie die Übereinstimmung des Models mit den Daten heraus

44 44 Grafická analýza shody modelu s měřeními Graphische Analyse der Übereinstimmung des Modells mit den Messungen vážená pozorování x vážené simulované hodnoty gewichtete Beobachtungen x gewichtete simulierte Werte korelační koeficient Koeffizient der Korrelation R>0,9 … o.k. Zdroj/Quelle: D’Agnese +, 1997, 1999 Směrnice 9: Vyhodnoťte shodu modelu s daty / Vorschrift 9: Nehmen Sie die Übereinstimmung des Models mit den Daten heraus

45 Rezidua (toky) Rückstände (Strömung) Vážená rezidua (toky) Gewichtete Rückstände (Strömung) Směrnice 9 / Vorschrift 9 Grafická analýza shody modelu s měřeními Graphische Analyse der Übereinstimmung des Modells mit den Messungen mapy / Karten 45 Zdroj/ Quelle: _tiedeman_book/ Vážená rezidua (hladiny) Gewichtete Rückstände (Pegel)

46 46 Grafická analýza shody modelu s měřeními Normální distribuce x vážená rezidua, korelační koeficient R N Běhová statistika Při odhalení nesrovnalostí je třeba analyzovat příčiny Graphische Analyse der Übereinstimmung des Modells mit den Messungen Normale Verteilung x Gewichtete Rückstände, Koeffizient der Korrelation R N Run statistics Wenn Unregelmäßigkeiten entdeckt werden, müssen die Ursachen analysiert werden Směrnice 9: Vyhodnoťte shodu modelu s daty / Vorschrift 9: Nehmen Sie die Übereinstimmung des Models mit den Daten heraus

47 47 Směrnice 10: Posuďte reálnost optimálních hodnot parametrů / Vorschrift 10: Beurteilen Sie die Realität der optimalen Parameterwerte Kvantifikujte nejistotu hodnoty parametru – nejlépe intervalem spolehlivosti: Lineární interval spolehlivosti – PEST/UCODE počítá sám 123 Parametr Parameter Rozumný rozsah vernünftiger Umfang Zdroj/ Quelle: _tiedeman_book/ Quantifizieren Sie die Unsicherheit der Parameterwerte – am besten durch den Intervall der Zuverlässigkeit : Linearer Zuverlässigkeitsintervall – PEST/UCODE rechnet selber

48 48 Zdroj/Quelle Christensen & Cooley, 1999 Lineární / nelineární interval spolehlivosti Linearer / nicht linearer Zuverlässigkeitsintervall Směrnice 10: Posuďte reálnost optimálních hodnot parametrů / Vorschrift 10: Beurteilen Sie die Realität der optimalen Parameterwerte

49 49 Použijte odhady parametrů k detekci chyb modelu Zjistěte příčiny nesrovnalostí a identifikujte měření (pozorování) důležitá pro odhad parametru dss, DFBETAS Nutzen Sie die Schätzungen der Parameter zur Aufdeckung der Fehler des Modells Decken Sie die Gründe der Unregelmäßigkeiten auf und identifizieren Sie die Messungen (Beobachtungen), die für die Schätzung des Parameters wichtig sind dss, DFBETAS Směrnice 10: Posuďte reálnost optimálních hodnot parametrů / Vorschrift 10: Beurteilen Sie die Realität der optimalen Parameterwerte

50 50 Uberte/přidejte parametry/měření Nehmen Sie ab / fügen Sie hinzu die Parameter / Messungen Zdroj/Quelle: Barlebo +, 1998, Grindsted landfill (Denmark) transport model Směrnice 10: Posuďte reálnost optimálních hodnot parametrů / Vorschrift 10: Beurteilen Sie die Realität der optimalen Parameterwerte

51 Quality Assurance of the Input Data Part of the system analysis is the quality assurance of the input data. Quality Criteria: Complete documentation of all measurements (incl. their errors resp. uncertainties), of all samplings and analyses. Laboratory works and proof methods: QA due to fundamentals of Quality Norms of GLP (Good Laboratory Praxis) Further must be done the statistical and geostatistical assessment and interpretation of the data with respect to their uncertainty.

52 Good Modelling Practise (GMP) is a new subject in contrast to GLP (Good Laboratory Practise), but the phrase is formed with intention similar to GLP. Criteria for good modelling practise are: · Qualified system analysis · Qualified data · Qualified mathematical model (verified, calibrated, validated) · Qualified modeller Schneider, P.; Lippmann-Pipke, J.; Schoenherr, J. (2006): Quality Assurance of Water Balance Simulations at the Landfill Cover Test Fields Bautzen/Nadelwitz, Germany. In: Dimensioning Landfill Surface Liner Systems Using Water Balance Models, Wissenschaftliche Berichte der Hochschule Zittau/Görlitz, Heft 86 (2006), Nr , S , (ISBN-Nr X). Quality Assurance of Model Simulations

53 Qualified system analysis by the qualified modeller Qualified data Quality assurance of the input data Qualified mathematical model Model must be fit for purpose, documented properly as well as verified, calibrated and validated Qualified modeller Expert with experience / qualification / references in modelling (water balance, ground water modelling, hydraulic modelling) and ability for quality check of the results (for instance GLP has requirements for this) Certification of modellers? Quality Assurance of Model Simulations

54 Transparency and Traceability – Quality Assurance of the Documentation Fundamental for each modelling is the complete documentation of the simulation runs, means of: the input data, the model runs, the sensitivity analysis as well as the modelling results. Further must be listed uncertainties which occur during modelling. The inclusion of the uncertainties is part of the sensitivity analysis, which must show, which of the used parameters and bordering conditions determine the system and maybe which parameters can be eliminated in the further model runs due to their insignificancy.

55 Example: Documentation input data, results, sensitivity analysis

56 Změny klimatu – možné projevy / Klimawandel – die möglichen Ausdrucksformen Změny průměrných teplot Změny teplotních rozdílů Změny úhrnného množství srážek Změny distribuce srážek Změny druhu vegetace Změny vegetační doby... Veränderungen der durchschnittlichen Temperaturen Veränderungen Temperaturdifferenzen Veränderungen im Gesamtbetrag von Niederschlag Veränderungen Verteilung der Niederschläge Änderungen in der Art der Vegetation Veränderungen in der Vegetationszeit...

57 Kde se vzal CO 2 ? Záznam koncentrací CO 2 v atmosfé­ře na Mauna Loa na Hawajských ostrovech ukazuje sezonní cykly, které souvisejí s fotosyntetickou aktivitou rostlin na severní polokouli. Nejvyšších koncentrací je obvykle dosahováno v květnu (předchází nízká fotosyntetická aktivita a dlouhé období tlení), minimum se obvykle vyskytuje v říjnu (před­chází období vysoké fotosyntetické aktivity). Dlouhodobý trend ukazuje strmý růst koncentrace CO 2 v atmosféře a také mírně se zvětšující amplitudu sezonních změn. Data představují nejdelší známou do­sud měřenou řadu koncentrací oxidu uhličitého v atmosféře. Vyneseno z dat publikovaných Keelingem a Whorfem (2000). Koncentrace CO 2 v atmosféře Země za posledních více než 200 let, jak byly zjištěny v plynných uzavřeninách v le­dovém jádře 200 m hlubokého vrtu u stanice Siple v západní Antarktidě. Vyneseno z dat publikovaných Neftelem et al. (1985) a Friedlim et al. (1986). Josef Zeman, Vývoj klimatu v geologické historii Země do současnosti a vliv změn stabilitu stavebních materiálů/Entwicklung des Klimas in der geologischen Geschichte der Erde bis zur Gegenwart und Auswirkungen der Veranderungen auf die Stabilitat der Baumaterialien, přednáška na TUL/ Vortrag an TUL am

58 250 ppmv400 ppmv srážky pH5,715,61 rozp. HCO 3 – 0,657 mg/l1,01 mg/l povrch. pH8,308,16 rozp. HCO 3 – 49,5 mg/l 58,4 mg/l Vyšší koncentrace CO 2 – důsledky Josef Zeman, Vývoj klimatu v geologické historii Země do současnosti a vliv změn stabilitu stavebních materiálů/Entwicklung des Klimas in der geologischen Geschichte der Erde bis zur Gegenwart und Auswirkungen der Veranderungen auf die Stabilitat der Baumaterialien, přednáška na TUL/ Vortrag an TUL am

59 rozpouštění vápenců CaCO 3 + CO 2 + H 2 O = Ca HCO 3 – rozpouštění silikátů 3NaAlSi 3 O 8 + CO 2 + 8H 2 O = 3Na + + 3H 4 SiO 4 + Al(OH) 3 + HCO 3 – koroze betonů Ca(OH) 2 + CO 2 = CaCO 3 + H 2 O Vyšší koncentrace CO 2 – důsledky Josef Zeman, Vývoj klimatu v geologické historii Země do současnosti a vliv změn stabilitu stavebních materiálů/Entwicklung des Klimas in der geologischen Geschichte der Erde bis zur Gegenwart und Auswirkungen der Veranderungen auf die Stabilitat der Baumaterialien, přednáška na TUL/ Vortrag an TUL am

60 60 Závěr / Abschluss Správná interpretace dat Nezahrnovat chyby měření do modelu Zajistit kvalitu modelu Reakci systému na předpokládanou změnu klimatu lze předpovědět jen dobrým modelem Die korrekte Interpretation der Daten Nicht enthalten Messfehler im Modell Sicherstellung der Qualität des Modells Reaktion des Systems auf die erwartete Klimawandel kann nur ein gutes Modell vorhersagen


Stáhnout ppt "Jan Šembera Technická univerzita v Liberci / Technische Universität in Reichenberg Žitava, 7. prosince 2012 / Zittau am 7. Dezember 2012 Klimatické změny."

Podobné prezentace


Reklamy Google