Une nouvelle méthode aide à réduire l’incertitude dans les modèles numériques

L’incertitude liée aux paramètres physiques est un enjeu majeur de la modélisation numérique. Cependant, en raison du grand nombre de ces paramètres dans les modèles numériques, la réduction de l’incertitude pour chacun d’eux serait extrêmement coûteuse en termes de main-d’œuvre et de ressources.

Par conséquent, il est essentiel de pouvoir identifier et étudier les paramètres physiques et les combinaisons de paramètres les plus importants et les plus sensibles dans les modèles numériques.

Pour résoudre ce problème, le membre du CAS Mu Mu et son équipe de l’Université de Fudan et de l’Institut de physique atmosphérique de l’Académie chinoise des sciences ont proposé une nouvelle méthode – « l’analyse de sensibilité aux perturbations optimales non linéaires conditionnelles (CNOPSA) » – pour réduire les incertitudes dans les modèles numériques. .

Leurs conclusions ont été publiées dans Progrès des sciences de l’atmosphère.

Ils ont d’abord analysé les limites de l’approche traditionnelle (basée sur la variance) pour l’analyse de la sensibilité des paramètres, qui semble incapable de prendre en compte les événements extrêmes en raison de l’influence statistique d’échantillons de paramètres discrets, puis ont proposé la nouvelle méthode du point de vue déterministe.

Ils ont constaté que la méthode CNOPSA était capable de prendre pleinement en compte les effets synergiques non linéaires des paramètres et pouvait estimer de manière déterministe l’effet maximal sur la sortie du modèle en raison des incertitudes dans les paramètres physiques. Ainsi, plus l’effet maximal sur la sortie du modèle est important en raison de l’incertitude du paramètre, plus le paramètre est important et sensible.

Les chercheurs ont appliqué CNOPSA à un modèle d’écosystème de prairie pour tester sa faisabilité. Les résultats numériques ont montré que la méthode était efficace pour identifier la sensibilité des paramètres physiques dans le modèle d’écosystème de prairie testé. Ces paramètres ont déplacé la biomasse fanée modélisée, ce qui a affecté la transformation de l’état de la prairie dans l’écosystème.

En comparaison, l’approche basée sur la variance a sous-estimé la sensibilité des paramètres car elle n’a pas pris en compte les effets de tous les paramètres dans l’espace des paramètres.

« Dans les travaux futurs, nous avons l’intention d’utiliser des modèles de processus de surface terrestre encore plus complexes pour valider l’utilité et l’efficacité de la méthode CNOPSA », a déclaré le professeur Mu.