阶段与排放图。

合格质量还是不确定性?您的水文数据有多真实?

对不确定性感兴趣的任何人的推荐读物是Keith Beven’s (2015) ‘不确定性的方面:认知不确定性,非平稳性,可能性,假设检验和沟通,’(水文科学学报,DOI:10.1080 / 02626667.2015.1031761)。我非常同意Keith Beven提出的许多观点,但是今天我想着重谈谈他在本节中使用的一个问题:“我们可以在模型仿真中谈论信心而不是不确定性吗?”基思·贝文(Keith Beven)询问模型仿真问题,但我会问关于水文数据的同样问题。七州:“但是,决策者和决策者对证据的兴趣远胜于不确定性。”测量的不确定性和测量的质量都很重要。它们不是对同一事物的不同度量,而是不同的事物。这似乎是讨论差异的好时机。


数据不确定性是衡量测量结果与‘truth’.

Data quality is a metric for deviation 在 the actual process of creating a measurement result from a 知道n standard process that is 知道n to be reliably ‘truthful’.


一个简单的事实是,水文变异性的实际真相在高精度下是不可知的。换句话说,对值的不确定性的任何估计的真实不确定性都是不确定的,因为无法确定地发现事实。相反,是否遵循标准的真实性是可以测试的,因此可以非常有把握地获知。如果多年的经验证明标准操作程序确实是真实的,则证明符合该标准将证明过程的结果是真实的。

数据质量和数据不确定性不应混为一谈。这两个概念传达了有关数据适用性的不同信息。

For any statistical analysis I want to 知道 if the assumptions that errors are 在dependent and identically distributed (IID) are true. I can 上 ly assume this is the case if I 知道 that all of the data are a consistent result of a trusted process. There will be unknowable errors 在 the data, but there is no systematic reason for the error profile to change through time. The result of the analysis will be 真实, but with an error component that is the result of unquantified data error.

工程师和水资源经理习惯于处理此错误,并且永远不会基于数据分析做出正确的决定。它们始终基于基于数据真实性和代表性的经验来建立安全系数(也称为工程判断)。有许多因素会影响安全系数的选择,但正是这些数据的最终用户才能够最好地处理真实情况(例如,通过错误的警报疏散命令或堤防故障得知)。但是,生成数据的过程越好,在处理该过程的结果中获得的经验越多,则对数据的信任程度就越高,这直接转化为减少设计失败和过度设计的风险。

情况正在发生变化。不能再假设国家水文计量计划将提供足够的数据,而该计划在生产具有高度完整性的数据方面具有悠久的历史。可以从多种不同实践标准的来源获得数据的情况越来越普遍。如我的电子书中所述‘传达水文数据质量:如何以及为什么‘,在这种环境下,量化数据质量并与数据进行通信非常重要。但是,任何具有不同质量的数据收集都将使IID假设无效。

需要不依赖IID假设的新数据分析技术。这样的技术将需要具有对数据不确定性的可靠估计的完整数据。这样,减轻水文不确定度的量化和交流对于减轻不可避免的工程判断因素的膨胀就变得越来越重要,而工程判断因素的不可避免地需要进行膨胀,以处理具有多种出处的数据分析。这是我的电子书审阅者希望看到一个主张提倡水文不确定性的强势理由。

但是,我仍然认为,将关于数据真实性的两个信息源作为完全独立的概念来处理是正确的做法。让我用一个简单的场景解释为什么要说明评估真实性的统计方法与基于能力的方法之间的区别。

水文学家‘A’通过将通道细分为25个面板,以标准面积-速度法测量放电。使用ISO方法评估测量的不确定性‘knows’该流被很好地采样,因此该算法估计出较低的不确定性。不确定性评估方法不‘know’ that the hydrographer is poorly trained and had his current meter assembled upside down and backwards. The method does not 知道 that the section chosen for the measurement has non-uniform flow.

水文学家‘A’请注意,他的测量结果未绘制在误差条内的额定曲线上,因此修改了额定值(或应用了位移校正)以使其合适。排放数据是使用此修改后的等级得出并发布的,该等级现已与‘low uncertainty’ rating measurement.

水文学家‘B’也使用标准的面积速度方法测量流量,但是他精心选择了将要使用的截面,该截面只有1米宽,但深度和速度均匀。由于宽度受限制,他只能将通道细分为5个独立的面板。可以肯定的是,他更换了另一个电流表并重复了测量,并能够非常高精度地复制他的测量。考虑到接近理想的条件以及他能够复制其结果的事实,他将测量结果的质量评估为:‘good’.

经过合格人员,水文学家的审查后,‘B’ confirms that, consistent with his field observations of the control conditions, the measurement validates the rating curve so no revision to the rating model is required. Subject to further review and approval, discharge data are derived and published using the rating. However, nothing is 知道n about the uncertainty of the result.

We do 知道 how to produce data that are reliably 真实.

这可能是艰苦的工作。这可能很耗时。它可能更昂贵。但是我们可以做到。几十年来,国家水文计划一直在这样做。对于任何水文数据生产者来说,这都是一个遥不可及的目标。

We do not 知道 how to calculate an estimate of hydrometric uncertainty that is reliably 真实.

We should be able to. It seems like a solvable problem. There is a lot of really 好 work being done to resolve the problem. In fact, we must quantify and communicate uncertainty 在 order to be able to take full advantage of data sourced from diverse standard operating procedures. We just aren’还没到那儿。在相关主题上,您可能需要看一下我的电子书的评论‘传达水文数据质量:如何以及为什么‘发表于 WMO公告第63卷(2)。审查不仅涉及数据质量,而且涉及不确定性主题。任何需要更多信息的人‘传达水文数据质量:如何以及为什么’ is 在vited to 在此处下载电子书.


电子书:传达水文数据质量–什么,如何,& Why

OGC WaterML 2.0标准是行业的游戏规则改变者。各机构之间水数据的互操作交换正在释放信息孤岛。但是并非所有数据都是一样的。共享数据质量是建立信任的关键。做出正确的决定需要适合目的的数据。该电子书检查了表征和传达数据质量的当前标准。发现 验证数据如何建立信心和信任。

没意见

发表评论

评论
名称
电子邮件
网站