1. Trang Chủ
  2. Địa Lý
  3. Mô hình hoá mưa - dòng chảy ( Phần cơ sở - Nxb ĐH Quốc Gia Hà Nội ) - Phụ lục A

Mô hình hoá mưa - dòng chảy ( Phần cơ sở - Nxb ĐH Quốc Gia Hà Nội ) - Phụ lục A

Biểu diễn phần mềm Một số phần mềm biểu diễn trong môi trường Windows sẵn có để minh hoạ một số khái niệm được thảo luận trong quyển sách này. Tất cả các chương trình có thể tải xuống từ trang Web http://www.es.lancs.ac.uk/beven2000.html. Cùng với bộ số liệu mẫu và file trợ giúp Windows đưa ra các thông tin chi tiết về việc sử dụng chương trình. Tất cả chương trình có thể dùng miễn phí trong nghiên cứu và giảng dạy. Chương trình TFM (mục A.1 dưới đây) minh hoạ cách sử dụng mô hình hàm chuyển đổi

Thể loại Tài liệu miễn phí Địa Lý

Số trang 8

Ngày tạo 8/29/2018 11:44:02 PM +00:00

Loại tệp PDF

Kích thước 0.21 M

Tên tệp

Tải Mô hình hoá mưa - dòng chảy ( Phần cơ sở - Nxb ĐH ... (.pdf)

Xem mẫu

  1. 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
  2. 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
  3. (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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
Toán học Môi trường Vật lý Sinh học Địa Lý Hoá học Nông - Lâm - Ngư Cơ khí - Chế tạo máy Tiếng Anh phổ thông Khoa học ứng dụng Nông - Lâm Kiến thức tổng hợp Giáo dục học Xã hội học