.png){kind=icon}
返回
Python-Based Model Emulation Workflows with PEST
.png){kind=icon}
PRE
AI
DOI：10.1111/gwat.70082.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高保真环境模型的不确定性量化与优化计算需求常超出可用资源。尽管代理建模（或模型仿真）提供了实用解决方案，但广泛应用受到显著实施差距的阻碍：实践者往往缺乏标准化的、稳健的工具将仿真技术直接集成到现有建模工作流中，转而依赖定制实现。为弥合这一差距，我们介绍了开源pyEMU包中的Emulator模块。该框架提供了用于部署高斯过程回归（GPR）、数据空间反演（DSI）及其他模型仿真方法的即插即用架构。该框架自动化了基于仿真的工作流的复杂集成，包括非高斯数据变换和PEST接口文件生成，使训练后的代理模型可作为物理模型的直接替代品。我们认为，物理模型与基于仿真的工作流之间的一一对应关系将促进两者的直接比较，从而使整个社区能够积累何时以及如何有效且恰当地部署仿真的知识。我们通过一个基准优化问题和合成地下水模型的历史拟合应用，展示了这些工具的实用性。
Keyword:
EFFICIENT UNCERTAINTY QUANTIFICATION
DATA-SPACE INVERSION
