- Trang Chủ
- Địa Lý
- Mô hình hoá mưa - dòng chảy ( Phần cơ sở - Nxb ĐH Quốc Gia Hà Nội ) - Phụ lục A
Xem mẫu
- phô lôc a
BiÓu diÔn phÇn mÒm
Mét sè phÇn mÒm biÓu diÔn trong m«i trêng Windows s½n cã ®Ó minh ho¹ mét sè
kh¸i niÖm ®îc th¶o luËn trong quyÓn s¸ch nµy. TÊt c¶ c¸c ch¬ng tr×nh cã thÓ t¶i
xuèng tõ trang Web http://www.es.lancs.ac.uk/beven2000.html. Cïng víi bé sè liÖu
mÉu vµ file trî gióp Windows ®a ra c¸c th«ng tin chi tiÕt vÒ viÖc sö dông ch¬ng
tr×nh. TÊt c¶ ch¬ng tr×nh cã thÓ dïng miÔn phÝ trong nghiªn cøu vµ gi¶ng d¹y.
Ch¬ng tr×nh TFM (môc A.1 díi ®©y) minh ho¹ c¸ch sö dông m« h×nh hµm
chuyÓn ®æi, tËp trung ë quy m« lu vùc ®îc m« t¶ trong ch¬ng 4. Ch¬ng tr×nh
TOPMODEL (môc A.2) cïng víi ch¬ng tr×nh ph©n tÝch ®Þa h×nh sè ho¸ DTM-
ANALYSIS (môc A.3) cã thÓ dïng ®Ó m« h×nh ho¸ qu¸ tr×nh ma-dßng ch¶y ë quy m«
lu vùc, nhng cho phÐp dù b¸o ph©n bè biÓu thÞ trong d¹ng b¶n ®å dùa trªn d¹ng cña
chØ sè ®Þa h×nh (xem ch¬ng 6). Ch¬ng tr×nh TOPMODEL còng cã lùa chän ®Ó ch¹y
mÉu Monte-Carlo víi c¸c bé th«ng sè kh¸c nhau, t¹o ra mét file cã thÓ dïng trùc tiÕp
víi ch¬ng tr×nh GLUE (môc A.4). Ch¬ng tr×nh GLUE sö dông kh¸i niÖm m« t¶
trong ch¬ng 7 ®Ó t¹o ra íc lîng träng sè ®é h÷u hiÖu cña biÕn dù b¸o vµ cã thÓ x¸c
®Þnh ®é nh¹y cña dù b¸o cho c¸c gi¸ trÞ th«ng sè kh¸c nhau.
A.1. TFM
TFM lµ ch¬ng tr×nh ®Ó ph©n tÝch sè liÖu ma – dßng ch¶y lu vùc c¨n cø vµo
kh¸i niÖm m« h×nh hµm chuyÓn ®æi, t¬ng tù nh÷ng g× ®· dïng trong m« h×nh
IHACRES cña Jakeman vµ nnk (1990,1993: Jakeman vµ Hornberger, 1994) vµ m«
h×nh luü thõa song tuyÕn tÝnh cña Young vµ Beven(1991, 1994) (xem ch¬ng 4).
Mµn h×nh më cña TFM cã 3 phÝm : mét ®Ó tho¸t khái phÇn mÒm, mét ®a ®Õn tuú
chän Load File vµ mét ®Ó më file Log. File Log ®îc dïng ®Ó ghi file sè liÖu sö dông,
sù biÕn ®æi sè liÖu bÊt kú mang ra vµ c¸c kÕt qña cña c¸c tuú chän Model
Identification (NhËn d¹ng m« h×nh) vµ Parameter Estimation (íc lîng th«ng sè).
Sè liÖu ®îc ghi trong format v¨n b¶n ASCII cho so¹n th¶o sau ®ã vµ dïng trong c¸c
b¸o c¸o.
C¸c tuú chän cña TFM nh sau:
A.1.1. Tuú chän Load File (T¶i file):
Tuú chän Load File trªn mµn h×nh chÝnh TFM hoÆc tuú chän New Data (Sè liÖu
míi) trªn mµn h×nh Plots Data (vÏ sè lÖu) cho phÐp vµo tªn file cho bé sè liÖu ®Çu vµo
vµ ®Çu ra ®Ó sö dông cho ph©n tÝch. TFM yªu cÇu sè liÖu ®Çu vµo vµ ®Çu ra ë kho¶ng
thêi gian cè ®Þnh lµ s½n cã.
317
- M©u thuÉn gi÷a file sè liÖu ®Çu vµo vµ ®Çu ra ®îc ®Þnh nghÜa vµ ®îc b¸o hiÖu
b»ng c¸c th«ng b¸o c¶nh b¸o. ë ®©u 2 bé sè liÖu cã ®é dµi kh¸c nhau th× ®é dµi ®îc
tÝnh theo sè liÖu file ®Çu vµo. Gi¶ thiÕt r»ng c¶ 2 file b¾t ®Çu cïng mét thêi ®iÓm.
ViÖc t¶i ®Çy ®ñ file sè liÖu ®Çu vµo vµ ®Çu ra ®îc ®a ®Õn mµn h×nh Plot Data, tõ
®ã c¸c tuú chän kh¸c s½n cã ®Ó lùa chän.
A.1.2 Tuú chän Transform (ChuyÓn ®æi).
Tuú chän Transform trong mµn h×nh Plots Data cho phÐp thùc hiÖn 2 biÕn ®æi phi
tuyÕn cho sè liÖu ®Çu vµo t¬ng øng víi m« h×nh luü thõa song tuyÕn tÝnh vµ lîng
tr÷ hoÆc xÊp xØ chØ sè ®é Èm ®Êt (c¸i sau lµ mét ®¬n gi¶n ho¸ cña xÊp xØ IHACRES).
C¸c chuyÓn ®æi nµy cÇn thiÕt ®Ó t¹o ra mét ®Çu vµo ma hiÖu qu¶, nã cã liªn hÖ tuyÕn
tÝnh víi ®Çu ra nhiÒu h¬n lµ víi sè liÖu ma gèc. Mçi lo¹i yªu cÇu mét gi¸ trÞ th«ng sã
®¬n (hoÆc luü thõa trong m« h×nh song tuyÕn tÝnh hoÆc h»ng sè thêi gian cña lîng
tr÷). Nh÷ng th«ng sè nµy dÔ dµng tèi u cho bé sè liÖu bÊt kú b»ng c¸ch ch¹y lÆp m«
h×nh.
C¸c tuú chän kh¸c cho phÐp ch¹y ban ®Çu bé sè liÖu ®Ó thùc hiÖn ph©n tÝch hoÆc
file sè liÖu ®îc rót gän b»ng c¸ch bá c¸ch qu·ng tõng gi¸ trÞ thø n. File chuyÓn ®æi cã
thÓ ghi l¹i hoÆc sè liÖu gèc cã thÓ kh«i phôc l¹i.
A.1.3. Tuú chän Identify (§ång nhÊt)
Tuú chän Identify cho phÐp x¸c ®Þnh nhanh mét kho¶ng réng cña cÊu tróc m«
h×nh. M« h×nh ®îc x¸c ®Þnh trong kho¶ng cña gi¸ trÞ th«ng sè a, kho¶ng cña gi¸ trÞ
th«ng sè b vµ kho¶ng thêi gian trÔ.
C¸c m« h×nh ®îc ph©n kho¶ng trong d¹ng cña tiªu chuÈn th«ng tin Young hoÆc
YIC (xem hép 4.1). Nã cã thÓ ©m hoÆc d¬ng, chØ ra sù phï hîp tèt gi÷a quan tr¾c vµ
dù b¸o vµ gi¸ trÞ cña th«ng sè ®îc x¸c ®Þnh tèt. Mét gi¸ trÞ cña hÖ sè Rt2 còng ®îc
®a ra. Nã b»ng 1 khi cã mét sù phï hîp hoµn h¶o vµ b»ng 0 cho m« h×nh kh«ng tèt
h¬n gi¶ thiÕt mét gi¸ trÞ ®Çu ra trung b×nh.
N»m trong bíc x¸c ®Þnh m« h×nh lµ ý tëng cho r»ng sè liÖu sÏ cho phÐp chØ ra
cÊu tróc m« h×nh lµ gÇn ®óng nhÊt h¬n lµ x¸c ®Þnh mét cÊu tróc s½n cã. Cã thÓ cã
nhiÒu m« h×nh ®a ®Õn sù phï hîp tèt víi sè liÖu. M« h×nh ®¬n gi¶n nhÊt ®a ®Õn gi¸
trÞ ©m nhÊt vµ hµm chuyÓn ®æi chÊp nhËn ®îc vÒ mÆt vËt lý sÏ ®îc chän.
NhÊn ®óp chuét trªn bÊt kú m« h×nh liÖt kª sau ®ã qu¸ tr×nh nhËn d¹ng ®iÒu
khiÓn trùc tiÕp ®Õn mµn h×nh tuú chän Estimate vµ sÏ íc lîng c¸c th«ng sè cña m«
h×nh.
A.1.4. Tuú chän Estimate (¦íc lîng)
Tuú chän Estimate thùc hiÖn mét íc lîng cuèi cïng c¸c th«ng sè cña m« h×nh
®· chän. KÕt qu¶ cña hÇu hÕt c¸c íc lîng gÇn nhÊt ®îc vÏ. HÇu hÕt c¸c íc lîng
gÇn nhÊt ®îc chØ ra trªn mµn h×nh. NÕu file Log më th× c¸c kÕt qu¶ còng ®îc ghi vµo
file.
¦íc lîng th«ng sè ®îc thùc hiÖn b»ng c¸ch dïng biÕn ph¬ng tiÖn läc ®¬n gi¶n
318
- (SIRV), kü thuËt tá ra lµ rÊt m¹nh víi sai sè sè liÖu (xem Young 1984). KÕt qu¶ cã thÓ
®îc x¸c ®inh b»ng c¸ch dïng chØ tiªu Rt2 hoÆc YIC.
Mét sè tuú chän kh¸c cho phÐp kiÓm tra ®å thÞ vµ nghiªn cøu thèng kª c¸c kÕt
qu¶:
* Plot model (§å thÞ m« h×nh) ®a ra mét ®å thÞ ®Çu ra dù b¸o vµ quan tr¾c cïng
víi ®å thÞ cña chuçi sai sè quan tr¾c. Chuçi thêi gian m« h×nh ho¸ cã thÓ ghi vµo file.
* Plot TF (§å thÞ TF) ®a ra mét ®å thÞ cña hµm chuyÓn ®æi cho m« h×nh lùa chän.
§iÒu nµy cã thÓ kiÓm tra ®Ó ®¶m b¶o r»ng hµm chuyÓn ®æi m« h×nh thêng lµ d¬ng
vµ kh«ng chØ ra d¸ng ®iÖu dao ®éng hoÆc sù kh«ng æn ®Þnh ®¸ng kÓ bÊt kú nµo. Hµm
chuyÓn ®æi cã thÓ ghi vµo file.
* Composite (Tæ hîp) ®a ra mét ®å thÞ tæ hîp cña sè liÖu, ®é phï hîp cña m« h×nh
vµ hµm chuyÓn ®æi. §iÒu nµy cã thÓ in ra nh mét b¸o c¸o tãm t¾t cña ph©n tÝch. Hµm
chuyÓn ®æi cã thÓ ghi vµo file.
* Validate (KiÓm chøng) cho phÐp mµn h×nh kiÓm tra mét lÇn n÷a víi bé sè liÖu
míi. Tuú chän Validate cã thÓ chØ chän sau khi tuú chän Estimate ®· thùc hiÖn vµ m«
h×nh lµ cã kh¶ n¨ng. Cã thÓ sö dông theo 2 c¸ch phô thuéc vµo viÖc liÖu s½n cã c¶ ®Çu
vµo vµ ®Çu ra. NÕu c¶ 2 lµ s½n cã, m« h×nh ®îc ®¸nh gi¸ trong d¹ng cña phï hîp víi
sè liÖu míi cho thêi kú kiÓm chøng trong d¹ng gi¸ trÞ Rt2 . NÕu chØ cã s½n sè liÖu ®Çu
vµo th× m« h×nh cã thÓ dïng ®Ó dù b¸o sè liÖu dßng ch¶y bÞ thiÕu.
* §Ó sö dông tuú chän Validate ®iÒn ®Çy ®ñ c¸c trêng tªn fle (®Çy ®ñ c¶ ®êng
dÉn vµ phÇn mæ réng yªu cÇu) vµ chän “Calculate”. Ngay khi mét ®Çu ra míi ®îc m«
pháng sè liÖu cã thÓ ®îc ghi vµo file.
A.2. TOPMODEL
Ch¬ng tr×nh nµy ®îc coi nh lµ phiªn b¶n thÓ hiÖn cña TOPMODEL trong
Windows vµ ®îc ph¸t triÓn tõ phiªn b¶n ®· dïng ®Ó gi¶ng d¹y trong c¸c bµi gi¶ng vÒ
khoa häc m«i trêng ë §¹i häc Tæng hîp Lancaster. Tõ n¨m 1974 ®· cã nhiÒu ph¬ng
¸n ph¸t triÓn TOPMODEL ë Leeds vµ c¸c n¬i kh¸c nhng cha cã mét phiªn b¶n “cuèi
cïng”. §©y hoµn toµn lµ cã chñ t©m. TOPMODEL kh«ng dù ®Þnh lµ mét phÇn mÒm m«
h×nh nh truyÒn thèng mµ lµ mét tËp hîp c¸c kh¸i niÖm cã thÓ dïng thÝch hîp ë bÊt
kú ®©u. Nã cho phÐp ngêi dïng cã thÓ thay ®æi víi c¸c gi¶ thiÕt vÒ sù phï hîp (xem
th¶o luËn vÒ c¸c giíÝ h¹n trong Beven 1995 hoÆc Beven 1997). Phiªn b¶n nµy cña
chu¬ng tr×nh sÏ lµ thÝch hîp nhÊt cho lu vùc cã líp ®Êt n«ng vµ ®Þa h×nh b»ng ph¼ng,
kh«ng tr¶i qua thêi kú kh« h¹n qu¸ dµi. Thªm n÷a diÖn tÝch ph©n bè sÏ ®îc kiÓm tra
l¹i xem ®iÒu g× thùc sù x¶y ra trong lu vùc (Ýt nhÊt lµ ®Þnh tÝnh).
M« h×nh cung cÊp ë ®©y cã sù thËn träng lµ kh«ng cã diÔn to¸n tèi u ho¸ tù ®éng.
§iÒu nµy cã 2 lý do. Thø nhÊt, ngêi dïng ®îc khuyÕn khÝch nh×n toµn c¶nh ®Çu ra
tõ m« h×nh vµ suy nghÜ vÒ m« h×nh lµm viÖc nh thÕ nµo. §©y lµ ®iÒu cã kh¶ n¨ng,
mét phÇn, b»ng thùc tÕ lµ c¸c kÕt qu¶ cã thÓ ¸nh x¹ trë l¹i vµo kh«ng gian vµ ngêi
dïng nh×n thÊy ®îc toµn c¶nh kh«ng gian ®óng ®¾n cña chóng. Theo c¸ch nµy cã thÓ
cho r»ng ®©y kh«ng lµ m« h×nh tèt ®Ó biÓu hiÖn cho lu vùc thùc tÕ (nhng b»ng suy
319
- nghÜ vÒ t¹i sao c¶i tiÕn tÝnh ®¹i biÓu theo mét con ®êng ®¬n gi¶n quan hÖ nµo ®Êy).
§iÒu nµy lµ lý do t¹i sao b¶n chÊt ph©n bè cña dù b¸o m« h×nh kÕt hîp víi cÊu tróc
®¬n gi¶n lµ rÊt quan träng. Sö dông nã nh mét sù bæ sung ®Ó hiÓu biÕt tríc khi
dïng nã nh mét c«ng cô dù b¸o.
Thø hai chóng t«i kh«ng tin r»ng cã mét bé gi¸ trÞ th«ng sè tèi u ngay c¶ víi mét
m« h×nh tiÕt kiÖm th«ng sè nh TOPMODEL vµ kh«ng muèn khuyÕn khÝch thùc hµnh
tèi u ho¸ tù ®éng. ë Lancaster chóng t«i ®ang dïng ph¬ng ph¸p GLUE (xem
ch¬ng 7) ®Ó thùc hiÖn c¸c hiÖu chØnh /ph©n tÝch ®é nh¹y/ íc lîng ®é bÊt ®Þnh, dùa
trªn hµng ngµn lÇn ch¹y. Phiªn b¶n TOPMODEL nµy cung cÊp mét lùa chän cho ®Çu
ra cña kÕt qu¶ m« pháng Monte-Carlo ®Ó dïng sau ®ã víi phÇn mÒm GLUE t¬ng
thÝch (xem môc A.5).
Mçi lu vùc ¸p dông yªu cÇu mét file Project. File nµy chØ cã 4 dßng nh sau:
1.M« t¶ v¨n b¶n ¸p dông
2.Tªn file sè liÖu lu vùc
3.Tªn file sè liÖu thuû v¨n ®Çu vµo
4.Tªn file b¶n ®å chØ sè ®Þa h×nh (cã thÓ bá trèng nh÷ng dßng cho nã ph¶i cã)
Mét vÝ dô file Project vµ file sè liÖu liªn kÕt còng ®îc cung cÊp
3 tuú chän sau ®©y s½n cã trong ch¬ng tr×nh:
A.2.1. Tuú chän Hydrograph Prediction (Dù b¸o thuû ®å)
Tuú chän Hydrograph Prediction cho phÐp ch¹y m« h×nh vµ hiÓn thÞ thuû ®å. Gi¸
trÞ th«ng sè cã thÓ thay ®æi trªn mµn h×nh vµ m« h×nh ®îc ch¹y l¹i. Sau mçi lÇn ch¹y
chØ sè sù phï hîp tèt nhÊt ®îc ®a ra ®Ó ®¸nh gi¸.
NÕu kh«ng ph¶i tÊt c¶ c¸c thêi kú m« pháng cã thÓ hiÓn thÞ mét lÇn th× thuû ®å cã
thÓ ®îc quÐt xu«i vµ ngîc b»ng c¸ch dïng c¸c phÝm mòi tªn.
NÕu file b¶n ®å chØ sè ®Þa h×nh (Topographic Index Map ) s½n cã th× mét phÝm map
®îc biÓn thÞ cho phÐp hiÖn lªn m« pháng dù b¸o hoÆc nh mét tãm t¾t trªn tÊt c¶ c¸c
bíc thêi gian hoÆc chuyÓn ®éng.
A.2.2 Tuú chän Sensitivily Analysis (Ph©n tÝch ®é nh¹y)
Mµn h×nh nµy cho phÐp kh¶o s¸t ®é nh¹y cña hµm môc tiªu khi thay ®æi mét hay
nhiÒu th«ng sè. Mét lÇn ch¹y ®Çu tiªn ®îc lµm víi bé gi¸ trÞ hiÖn thêi cña th«ng sè.
Sau ®ã mçi th«ng sè ®îc thay ®æi trong kho¶ng cña nã, khi gi÷ nguyªn gi¸ trÞ cña c¸c
th«ng sè kh¸c. KÕt qu¶ ®îc hiÓn thÞ nh mét ®å thÞ con. Gi¸ trÞ th«ng sè hiÖn thêi bÊt
kú hoÆc gi¸ trÞ lín nhÊt vµ nhá nhÊt trong ph¹m vi cña nã ®Òu cã thÓ thay ®æi trªn
mµn h×nh.
A.2.3. Tuú chän Monte-Carlo Analysis (Ph©n tÝch Monte-Carlo)
Trong tuú chän nµy mét sè lín lÇn ch¹y cã thÓ lµm (giíi h¹n chØ bëi kh¶ n¨ng lu
tr÷ cña file kÕt qu¶) b»ng c¸ch dïng mÉu ngÉu nhiªn ®ång nhÊt cña c¸c th«ng sè ®·
chän ®Ó ph©n tÝch. Gi¸ trÞ c¸c th«ng sè kh¸c ®îc gi÷ nguyªn ë gi¸ trÞ hiÖn thêi. Hép
320
- kiÓm tra ®îc dïng ®Ó chän biÕn vµ hµm môc tiªu vµ ®îc ghi cho mçi lÇn ch¹y.
File kÕt qu¶ t¹o ra sÏ t¬ng thÝch víi phÇn mÒm GLUE
A.3 Ph©n tÝch DTM
Ch¬ng tr×nh ph©n tÝch DTM ®îc dïng ®Ó rót ra mét ph©n bè cña gi¸ trÞ
ln(a/tgB) tõ líi raster ®Òu cña cao tr×nh cho lu vùc hay lu vùc con bÊt kú b»ng c¸ch
dïng thuËt to¸n dßng ch¶y ®a híng cña Quinn vµ nnk (1995). §Çu ra cña ch¬ng
tr×nh lµ mét to¸n ®å ph©n bè cña c¸c gÝa trÞ ln(a/gB) vµ file b¶n ®å cña c¸c gi¸ trÞ nµy
cã thÓ dïng lµm ®Çu vµo b¶n ®å cña ch¬ng tr×nh TOPMODEL.
Cã 3 tuú chän trong ch¬ng tr×nh
A.3.1.Tuú chän Topographic Index Distribution Calculation (TÝnh to¸n
ph©n bè chØ sè ®Þa h×nh)
Tuú chän Topographic Index Ditribution Calculation lµ phiªn b¶n ®¬n gi¶n nhÊt
cña thuËt to¸n trong ®ã chç ”lâm’ hoÆc hè” trong ma trËn cao tr×nh ®îc x¸c ®Þnh,
kh«ng cè g¾ng khëi t¹o ®êng dÉn dßng ch¶y liªn tôc ®Õn cöa ra lu vùc. Chç “lâm”
®îc lo¹i trõ b»ng c¸ch thay ®æi sè liÖu cao tr×nh khi dïng tuú chän Automatic Sink
Removal (Lo¹i trõ “lâm” tù ®éng), sö dông trung b×nh liªn tiÕp cña c¸c cao tr×nh xung
quanh ®Ó ph©n ®Òu c¸c ®iÓm “lâm”. §iÒu nµy lµ ®¬n gi¶n nhng lîi dông ®îc c¸c s«ng
suèi nhá mµ líi cao tr×nh kh«ng thÓ quyÕt ®Þnh ®êng dÉn dßng ch¶y liªn tôc.
Tuú chän nµy còng yªu cÇu chØ sè cao tr×nh cña c¸c ®iÓm bªn trong lu vùc míi
®îc sö dông, tÊt c¶ c¸c gi¸ trÞ kh¸c trªn ma trËn ®îc g¸n cho gi¸ trÞ lín h¬n 9999.0
(m). Tuú chän Cachment Identification (®ång nhÊt lu vùc) cã thÓ dïng ®Ó c¾t ra c¸c
¶nh ®iÓm (pixel) riªng biÖt b»ng thuËt to¸n “Hill-Climbing-TrÌo dèc”.
Ghi nhí r»ng sè liÖu cao tr×nh sÏ cã ®é ph©n gi¶i 50 m hoÆc tèt h¬n. Còng lu ý
r»ng ph©n bè rót ra gi¸ trÞ ln(a/tgB) phô thuéc vµo ®é ph©n gi¶i sè liÖu c¸c cao tr×nh
sö dông vµ trªn c¸c quy t¾c riªng cho ®iÖn tÝch ngîc dèc ®ãng gãp vµ ph©n chia víi
s«ng nhá h¬n kÝch cì líi. C¸c ph©n bè kh¸c cã thÓ ®a ®Õn c¸c gi¸ trÞ th«ng sè hiÖu
qu¶ kh¸c nhau cho lu vùc ®a ra.
A.3.2. Tuú chän Automatic Sink Removal (Lo¹i trõ lâm tù ®éng)
Tuú chän nµy cã thÓ sö dông ®Ó söa ch÷a tù ®éng c¸c chç “lâm” hoÆc “hè “ trong
mét cao tr×nh tríc khi ch¹y tuú chän Topographic Index Distribution Calculation.
Ch¬ng tr×nh sÏ x¸c ®Þnh mét hè bÊt kú (gi¸ trÞ xung quanh cã cao tr×nh b»ng hoÆc cao
h¬n) vµ cè g¾ng söa ch÷a chóng b»ng trung b×nh c¸c cao tr×nh xung quanh. Sau mçi
lÇn ch¹y qua tÊt c¶ c¸c chç lâm x¸c ®Þnh ®îc, ch¬ng tr×nh sÏ cã thÓ kiÓm tra ®Ó xem
cßn cã chç lâm nµo cßn tån t¹i.
Lu ý r»ng thuËt to¸n kh«ng x¸c ®Þnh trùc tiÕp mét lu vùc bªn trong lín nµo
trong b¶n ®å cao tr×nh. Dï sao c¸c lu vùc nh vËy thêng ®a ®Õn mét hè côc bé. Do
®ã b»ng phÐp lÆp qua ch¬ng tr×nh nã sÏ cã thÎ söa ch÷a c¸c ®iÓm ®ã.
ë cuèi cña tuú chän mét sè liÖu cao tr×nh míi cã thÓ ghi vµo file. File ®Çu ra cã
format chÝnh x¸c nh file ®Çu vµo. File ph©n t¸ch x¸c dÞnh tÊt c¶ c¸c hè ®· söa ch÷a
321
- vµ thay ®æi cao tr×nh còng cã thÓ ®îc ghi vµo.
A.3.3.Tuú chän Cachment Identification (§ång nhÊt lu vùc)
TÝnh to¸n chØ sè ®Þa h×nh yªu cÇu tÊt c¶ c¸c cao tr×nh bªn ngoµi lu vùc ®îc g¸n
nh·n gi¸ trÞ 9999.0 hoÆc lín h¬n. Tuú chän nµy lÊy file sè liÖu cao tr×nh raster vµ ®ång
nhÊt diÖn tÝch lu vùc thu vµo mét ®iÓm x¸c ®Þnh. ThuËt to¸n lµm viÖc b»ng sù liªn
kÕt tÊt c¶ c¸c ®iÓm lµ ngîc dèc liªn tôc cña cöa ra lu vùc. ë mçi lÇn lÆp thuËt to¸n
t×m kiÕm c¸c ®iÓm kÕ cËn nh÷ng ®iÓm ®îc ®ång nhÊt nh lµ trong lu vùc cã cao
tr×nh lín h¬n gi¸ trÞ ngìng x¸c ®Þnh. Gi¸ trÞ 0 cã thÓ chän lµ gi¸ trÞ ngìng (nghÜa lµ
c¸c ®iÓm l©n cËn cã cao tr×nh b»ng nã sÏ ®îc thªm vµo lu vùc). Nhng ®iÒu nµy cã
thÓ g©y ra vÊn ®Ò lµ trong mét sè m¶ng cao tr×nh chøa c¸c gi¶i b»ng ph¼ng më réng ra
xung quanh lu vùc ph©n chia. NÕu ®iÒï nµy xÈy ra th× phÐp néi suy cao tr×nh gèc sÏ
®îc c¶i tiÕn hoÆc ®é ph©n gi¶i cña ma trËn cao tr×nh sÏ ph¶i gi¶m.
A.4. GLUE.
Gãi phÇn mÒm GLUE cung cÊp c«ng cô cho ph©n tÝch ®é nh¹y vµ íc lîng ®é bÊt
®Þnh b»ng c¸ch dïng m« pháng Monte-Carlo. §iÓm khëi ®Çu cho quan ®iÓm cña
GLUE lµ thay thÕ t tëng bé th«ng sè tèi u b»ng kh¸i niÖm t¬ng ®¬ng cña cÊu
tróc m« h×nh vµ bé th«ng sè víi ngô ý r»ng chØ cã kh¶ n¨ng ®¸nh gi¸ thùc hiÖn cã liªn
quan trong kho¶ng c¸c m« h×nh cã kh¶ n¨ng, hoÆc ®Þnh tÝnh hoÆc ®Þnh lîng, trong
d¹ng cña ®é h÷u hiÖu nµo ®Êy. Lu ý r»ng ®é h÷u hiÖu ®îc dïng ë ®©y theo nghÜa
réng h¬n hµm h÷u hiÖu cña lý thuyÕt íc lîng thèng kª. Nhng hµm h÷u hiÖu còng
cã thÓ dïng bªn trong GLUE. Còng lu ý r»ng mét gi¶i thÝch mê cña ®é h÷u hiÖu
còng cã thÓ sö dông.
Dù b¸o c¸c thÓ hiÖn Monte-Carlo khi ®ã ®îc träng sè ho¸ bëi ®é h÷u hiÖu ®Ó x¸c
®Þnh giíi h¹n dù b¸o cña c¸c biÕn yªu cÇu. Nh vËy, c¸c thÓ hiÖn cña bé th«ng sè nµy
mµ thùc hiÖn tèt trong viÖc ®¸nh gi¸ ®îc ®a ra bëi träng sè lín nhÊt trong dù b¸o.
Kh«ng cã gi¶ thiÕt ph©n bè ®îc lµm trong viÖc x¸c ®Þnh giíi h¹n dù b¸o – Chóng chØ
dùa trªn mÉu s½n cã cña dù b¸o. Cã c¸c tiÖn Ých trong phÇn mÒm ®Ó biÕn ®æi ®é h÷u
hiÖu (vÝ dô b»ng c¸ch n©ng lªn luü thõa ®Ó lµm cho bÒ mÆt ph¶n øng th«ng sè nhän
h¬n hoÆc b»ng c¸ch thay ®æi ngìng chÊp nhËn ®îc). Bé th«ng sè víi ®é h÷u hiÖu
díi ngìng khi ®ã ®îc coi lµ kh«ng hµnh vi vµ cã gi¸ trÞ ®é h÷u hiÖu b»ng 0.
Ph¬ng ph¸p GLUE tËp trung sù chó ý vµo b¶n chÊt chñ quan cña ®¸nh gi¸ m«
h×nh (vÝ dô chän ®é h÷u hiÖu, chän gi¸ trÞ ngìng) nhng yªu cÇu c¸c yÕu tè nµy ®îc
®Þnh nghÜa râ rµng vµ do dã ®îc më ®Ó xem xÐt vµ chøng minh.
Sù t¬ng t¸c gi÷a c¸c th«ng sè vµ sù phi tuyÕn trong ph¶n øng m« h×nh (nã cã thÓ
cùc kú phøc t¹p vµ tiÒm tµng ngay c¶ khi hçn ®én) ®îc gi¶i Èn trong ph¬ng ph¸p
GLUE. VÒ b¶n chÊt ph¶n øng phi tuyÕn cña mét bé th«ng sè cña mét m« h×nh riªng
®îc tãm t¾t b»ng gi¸ trÞ h÷u hiÖu liªn hîp, nghÜa lµ thùc hiÖn cña thÓ hiÖn m« h×nh
riªng ®ã trong viÖc t¸i t¹o l¹i c¸c quan tr¾c. Nh vËy ph©n tÝch tËp trung vµo bé th«ng
sè h¬n lµ d¸ng ®iÖu cña tõng th«ng sè riªng biÖt vµ t¬ng t¸c cña chóng (mÆc dï mét
sè ph¬ng tiÖn ®îc cung cÊp trong tuú chän Sensitivity Plot (®å thÞ ®é nh¹y) ®Ó kh¶o
322
- s¸t ®é nh¹y cho c¸c th«ng sè riªng biÖt). Sai sè trong sè liÖu ®Çu vµo vµ sè liÖu quan
tr¾c còng ®îc thùc hiÖn mét c¸ch Èn. Nh vËy ®é h÷u hiÖu ph¶n chiÕu kh¶ n¨ng cña
m« h×nh riªng ®Ó dù b¸o mét chuçi riªng (cã thÓ kh«ng lµ sai sè tù do) ®a ®Õn mét bé
®Çu vµo riªng (cã thÓ kh«ng cã sai sè tù do). Nh thÕ cã mét gi¶ thiÕt Èn r»ng trong dù
b¸o cÊu tróc sai sè “t¬ng tù” trong nghÜa më réng víi nh÷ng cÊu tróc nµy trong thêi
kú ®¸nh gi¸.
Giíi h¹n chÝnh cña ph¬ng ph¸p GLUE lµ phô thuéc vµo m« pháng Monte-Carlo.
Cho c¸c m« h×nh phøc t¹p cÇn nhiÒu thêi gian cho mçi lÇn ch¹y, nã sÏ kh«ng cã kh¶
n¨ng ®Ó kh¶o s¸t ®Çy ®ñ bÒ mÆt ph¶n øng th«ng sè bËc cao. Dï sao, c¸c thùc nghiÖm
gîi ý r»ng giíi h¹n trªn cña thùc hiÖn m« h×nh thêng ®îc x¸c ®Þnh tèt bëi giíi h¹n
c¸c thÓ hiÖn m« h×nh vµ r»ng kho¶ng dù b¸o lµ chÊp nhËn ®îc trong sù so s¸nh víi
quan tr¾c.
C¸c tuú chän s½n cã trong ch¬ng tr×nh nh sau
A.4.1.Dotty Plots (§å thÞ ®iÓm)
Mµn h×nh Dotty Plots cung cÊp ®å thÞ cña ®é h÷u hiÖu bÊt kú hoÆc biÕn dù b¸o
t¬ng ph¶n víi gi¸ trÞ cña mçi th«ng sè riªng biÖt. Mét ®iÓm ®îc vÏ cho mét lÇn ch¹y
Monte-Carlo trong file sè liÖu ®Çu vµo. Do ®ã ®å thÞ ®iÓm lµ phÐp chiÕu cña tÊt c¶ c¸c
mÉu Monte-Carlo vµo c¸c trôc th«ng sè ®¬n. V× vËy chóng ®îc gi¶i thÝch víi sù thËn
träng v× chóng cã thÓ che dÊu mét sè cÊu tróc trong bÒ mÆt ph¶n øng th«ng sè N-
chiÒu. §é h÷u hiÖu hoÆc c¸c biÕn ®· chän cã thÓ thay ®æi hoÆc chuyÓn ®æi b»ng c¸ch
chän tõ c¸c tuú chän trªn dßng menu.
A.4.2. Sensitivity Plot (§å thÞ ®é nh¹y)
Mµn h×nh nµy cung cÊp ®å thÞ ph©n bè luü tÝch cña nhãm gi¸ trÞ th«ng sè theo
ph©n cÊp cña mçi lÇn ch¹y Monte-Carlo cho ®é h÷u hiÖu hoÆc cña biÕn dù b¸o ®a ra.
Sù kh¸c nhau m¹nh mÏ gi÷a c¸c ph©n bè luü tÝch cña ®é h÷u hiÖu hoÆc biÕn dù b¸o
®a ra chØ ra ®é nh¹y cña th«ng sè ®ã. ViÖc vÏ ph©n bè sÏ kÕt thóc cïng víi viÖc chØ ra
mét thiÕu sãt cña ®é nh¹y. §é h÷u hiÖu hoÆc biÕn ®· chän cã thÓ thay ®æi hoÆc chuyÓn
®æi b»ng c¸ch chän tõ c¸c tuú chän trªn dßng menu.
A.4.3. Uncertainty Plots (§å thÞ tÝnh bÊt ®Þnh)
Mµn h×nh nµy cung cÊp ®å thÞ cña to¸n ®å vµ ph©n bè luü tÝch cña biÕn dù b¸o
®îc träng sè ho¸ bëi ®é h÷u hiÖu ®· chän. C¸c ®iÓm ph©n vÞ mÉu (5% vµ 95%) ®· chØ
ra trªn ®å thÞ ph©n bè luü tÝch. C¶ ®é h÷u hiÖu vµ biÕn cã thÓ thay ®æi b»ng tuú chän
trªn dßng menu.
A.4.4. List Simulation (Danh s¸ch m« pháng)
Tuú chän nµy cung cÊp ®Çu ra cña ®Ønh (hoÆc ®¸y) cña 20 m« pháng ph©n cÊp theo
®é h÷u hiÖu hoÆc biÕn dù b¸o.
A.4.5. Transforming Likelihood Measures (ChuyÓn ®æi ®é h÷u hiÖu)
Tuú chän nµy cung cÊp mét sè tuú chän chuyÓn ®æi bao gåm ¸p dông mét giíi h¹n
323
- ngìng thÊp h¬n, t¨ng ®é h÷u hiÖu lªn luü thõa, lÊy hµm mò cña ®é h÷u hiÖu nh©n
víi mét hÖ sè, lÊy log cña ®é h÷u hiÖu. §é h÷u hiÖu míi nhËn ®îc b»ng c¸ch nµy cã
thÓ lu tr÷ hoÆc so¹n th¶o.
A.4.6. Combining Likelihood Measures (KÕt hîp ®é h÷u hiÖu)
CÇn kÕt hîp c¸c ®é h÷u hiÖu kh¸c nhau b¾t nguån tõ sè c¸c t×nh huèng kh¸c nhau
bao gåm kÕt hîp c¸c ®é h÷u hiÖu cho c¸c d¹ng ®¸nh gi¸ m« h×nh kh¸c nhau (vÝ dô mét
®é h÷u hiÖu tÝnh cho dù b¸o lu lîng, mét ®é h÷u hiÖu tÝnh cho dù b¸o mùc níc
ngÇm hoÆc møc ®é Èm cña ®Êt), hoÆc cËp nhËt ®é h÷u hiÖu hiÖn cã víi mét ®é h÷u
hiÖu míi ®îc tÝnh cho dù b¸o theo mét tËp hîp quan tr¾c míi. Cã 4 d¹ng kh¸c nhau
cña to¸n tö tæ hîp ®îc phÐp dïng trong phÇn mÒm GLUE: §ã lµ phÐp nh©n Bayes,
t¨ng träng sè, liªn kÕt mê vµ giao nhau mê (hép 7.2).
324
nguon tai.lieu . vn