Chương trình TOPMODEL mục A.2 cùng với chương trình phân tích địa hình số hoá DTM-ANALYSIS mục A.3 có thể dùng để mô hình hoá quá trình mưa-dòng chảy ở quy mô lưu vực, nhưng cho phép dự
Trang 1phụ 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, tập trung ở quy mô lưu vực được mô tả trong chương 4 Chương trình TOPMODEL (mục A.2) cùng với chương trình phân tích địa hình số hoá DTM-ANALYSIS (mục A.3) có thể dùng để mô hình hoá quá trình mưa-dòng chảy ở quy mô lưu vực, nhưng cho phép dự báo phân bố biểu thị trong dạng bản đồ dựa trên dạng của chỉ số địa hình (xem chương 6) Chương trình TOPMODEL cũng có lựa chọn để chạy mẫu Monte-Carlo với các bộ thông số khác nhau, tạo ra một file có thể dùng trực tiếp với chương trình GLUE (mục A.4) Chương trình GLUE sử dụng khái niệm mô tả trong chương 7 để tạo ra ước lượng trọng số độ hữu hiệu của biến dự báo và có thể xác
định độ nhạy của dự báo cho các giá trị thông số khác nhau
A.1 TFM
TFM là chương trình để phân tích số liệu mưa – dòng chảy lưu vực căn cứ vào khái niệm mô hình hàm chuyển đổi, tương tự những gì đã dùng trong mô hình IHACRES của Jakeman và nnk (1990,1993: Jakeman và Hornberger, 1994) và mô hình luỹ thừa song tuyến tính của Young và Beven(1991, 1994) (xem chương 4) Màn hình mở của TFM có 3 phím : một để thoát khỏi phần mềm, một đưa đến tuỳ chọn Load File và một để mở file Log File Log được dùng để ghi file số liệu sử dụng,
sự biến đổi số liệu bất kỳ mang ra và các kết qủa của các tuỳ chọn Model Identification (Nhận dạng mô hình) và Parameter Estimation (ước lượng thông số)
Số liệu được ghi trong format văn bản ASCII cho soạn thảo sau đó và dùng trong các báo cáo
Các tuỳ chọn của TFM như sau:
A.1.1 Tuỳ chọn Load File (Tải file):
Tuỳ chọn Load File trên màn hình chính TFM hoặc tuỳ chọn New Data (Số liệu mới) trên màn hình Plots Data (vẽ số lệu) cho phép vào tên file cho bộ số liệu đầu vào
và đầu ra để sử dụng cho phân tích TFM yêu cầu số liệu đầu vào và đầu ra ở khoảng thời gian cố định là sẵn có
Trang 2Mâu thuẫn giữa file số liệu đầu vào và đầu ra được định nghĩa và được báo hiệu bằng các thông báo cảnh báo ở đâu 2 bộ số liệu có độ dài khác nhau thì độ dài được tính theo số liệu file đầu vào Giả thiết rằng cả 2 file bắt đầu cùng một thời điểm Việc tải đầy đủ file số liệu đầu vào và đầu ra được đưa đến màn hình Plot Data, từ
đó các tuỳ chọn khác sẵn có để lựa chọn
A.1.2 Tuỳ chọn Transform (Chuyển đổi)
Tuỳ chọn Transform trong màn hình Plots Data cho phép thực hiện 2 biến đổi phi
tuyến cho số liệu đầu vào tương ứng với mô hình luỹ thừa song tuyến tính và lượng trữ hoặc xấp xỉ chỉ số độ ẩm đất (cái sau là một đơn giản hoá của xấp xỉ IHACRES) Các chuyển đổi này cần thiết để tạo ra một đầu vào mưa hiệu quả, nó có liên hệ tuyến tính với đầu ra nhiều hơn là với số liệu mưa gốc Mỗi loại yêu cầu một giá trị thông só
đơn (hoặc luỹ thừa trong mô hình song tuyến tính hoặc hằng số thời gian của lượng trữ) Những thông số này dễ dàng tối ưu cho bộ số liệu bất kỳ bằng cách chạy lặp mô hình
Các tuỳ chọn khác cho phép chạy ban đầu bộ số liệu để thực hiện phân tích hoặc file số liệu được rút gọn bằng cách bỏ cách quãng từng giá trị thứ n File chuyển đổi có thể ghi lại hoặc số liệu gốc có thể khôi phục lại
A.1.3 Tuỳ chọn Identify (Đồng nhất)
Tuỳ chọn Identify cho phép xác định nhanh một khoảng rộng của cấu trúc mô hình Mô hình được xác định trong khoảng của giá trị thông số a, khoảng của giá trị thông số b và khoảng thời gian trễ
Các mô hình được phân khoảng trong dạng của tiêu chuẩn thông tin Young hoặc YIC (xem hộp 4.1) Nó có thể âm hoặc dương, chỉ ra sự phù hợp tốt giữa quan trắc và
dự báo và giá trị của thông số được xác định tốt Một giá trị của hệ số Rt2 cũng được
đưa ra Nó bằng 1 khi có một sự phù hợp hoàn hảo và bằng 0 cho mô hình không tốt hơn giả thiết một giá trị đầu ra trung bình
Nằm trong bước xác định mô hình là ý tưởng cho rằng số liệu sẽ cho phép chỉ ra cấu trúc mô hình là gần đúng nhất hơn là xác định một cấu trúc sẵn có Có thể có nhiều mô hình đưa đến sự phù hợp tốt với số liệu Mô hình đơn giản nhất đưa đến giá trị âm nhất và hàm chuyển đổi chấp nhận được về mặt vật lý sẽ được chọn
Nhấn đúp chuột trên bất kỳ mô hình liệt kê sau đó quá trình nhận dạng điều
khiển trực tiếp đến màn hình tuỳ chọn Estimate và sẽ ước lượng các thông số của mô
hình
A.1.4 Tuỳ chọn Estimate (Ước lượng)
Tuỳ chọn Estimate thực hiện một ước lượng cuối cùng các thông số của mô hình
đã chọn Kết quả của hầu hết các ước lượng gần nhất được vẽ Hầu hết các ước lượng gần nhất được chỉ ra trên màn hình Nếu file Log mở thì các kết quả cũng được ghi vào file
Ước lượng thông số được thực hiện bằng cách dùng biến phương tiện lọc đơn giản
Trang 3(SIRV), kỹ thuật tỏ ra là rất mạnh với sai số số liệu (xem Young 1984) Kết quả có thể
được xác đinh bằng cách dùng chỉ tiêu Rt2 hoặc YIC
Một số tuỳ chọn khác cho phép kiểm tra đồ thị và nghiên cứu thống kê các kết quả:
* Plot model (Đồ thị mô hình) đưa ra một đồ thị đầu ra dự báo và quan trắc cùng
với đồ thị của chuỗi sai số quan trắc Chuỗi thời gian mô hình hoá có thể ghi vào file
* Plot TF (Đồ thị TF) đưa ra một đồ thị của hàm chuyển đổi cho mô hình lựa chọn
Điều này có thể kiểm tra để đảm bảo rằng hàm chuyển đổi mô hình thường là dương
và không chỉ ra dáng điệu dao động hoặc sự không ổn định đáng kể bất kỳ nào Hàm chuyển đổi có thể ghi vào file
* Composite (Tổ hợp) đưa ra một đồ thị tổ hợp của số liệu, độ phù hợp của mô hình
và hàm chuyển đổi Điều này có thể in ra như một báo cáo tóm tắt của phân tích Hàm chuyển đổi có thể ghi vào file
* Validate (Kiểm chứng) cho phép màn hình kiểm tra một lần nữa với bộ số liệu mới Tuỳ chọn Validate có thể chỉ chọn sau khi tuỳ chọn Estimate đã thực hiện và mô
hình là có khả năng Có thể sử dụng theo 2 cách phụ thuộc vào việc liệu sẵn có cả đầu vào và đầu ra Nếu cả 2 là sẵn có, mô hình được đánh giá trong dạng của phù hợp với
số liệu mới cho thời kỳ kiểm chứng trong dạng giá trịR t2 Nếu chỉ có sẵn số liệu đầu vào thì mô hình có thể dùng để dự báo số liệu dòng chảy bị thiếu
* Để sử dụng tuỳ chọn Validate điền đầy đủ các trường tên fle (đầy đủ cả đường dẫn và phần mổ rộng yêu cầu) và chọn “Calculate” Ngay khi một đầu ra mới được mô
phỏng số liệu có thể được ghi vào file
A.2 TOPMODEL
Chương trình này được coi như là phiên bản thể hiện của TOPMODEL trong Windows và được phát triển từ phiên bản đã dùng để giảng dạy trong các bài giảng về khoa học môi trường ở Đại học Tổng hợp Lancaster Từ năm 1974 đã có nhiều phương
án phát triển TOPMODEL ở Leeds và các nơi khác nhưng chưa có một phiên bản “cuối cùng” Đây hoàn toàn là có chủ tâm TOPMODEL không dự định là một phần mềm mô hình như truyền thống mà là một tập hợp các khái niệm có thể dùng thích hợp ở bất
kỳ đâu Nó cho phép người dùng có thể thay đổi với các giả thiết về sự phù hợp (xem thảo luận về các giớí hạn trong Beven 1995 hoặc Beven 1997) Phiên bản này của chuơng trình sẽ là thích hợp nhất cho lưu vực có lớp đất nông và địa hình bằng phẳng, không trải qua thời kỳ khô hạn quá dài Thêm nữa diện tích phân bố sẽ được kiểm tra lại xem điều gì thực sự xảy ra trong lưu vực (ít nhất là định tính)
Mô hình cung cấp ở đây có sự thận trọng là không có diễn toán tối ưu hoá tự động
Điều này có 2 lý do Thứ nhất, người dùng được khuyến khích nhìn toàn cảnh đầu ra
từ mô hình và suy nghĩ về mô hình làm việc như thế nào Đây là điều có khả năng, một phần, bằng thực tế là các kết quả có thể ánh xạ trở lại vào không gian và người dùng nhìn thấy được toàn cảnh không gian đúng đắn của chúng Theo cách này có thể cho rằng đây không là mô hình tốt để biểu hiện cho lưu vực thực tế (nhưng bằng suy
Trang 4nghĩ về tại sao cải tiến tính đại biểu theo một con đường đơn giản quan hệ nào đấy)
Điều này là lý do tại sao bản chất phân bố của dự báo mô hình kết hợp với cấu trúc
đơn giản là rất quan trọng Sử dụng nó như một sự bổ sung để hiểu biết trước khi dùng nó như một công cụ dự báo
Thứ hai chúng tôi không tin rằng có một bộ giá trị thông số tối ưu ngay cả với một mô hình tiết kiệm thông số như TOPMODEL và không muốn khuyến khích thực hành tối ưu hoá tự động ở Lancaster chúng tôi đang dùng phương pháp GLUE (xem chương 7) để thực hiện các hiệu chỉnh /phân tích độ nhạy/ ước lượng độ bất định, dựa trên hàng ngàn lần chạy Phiên bản TOPMODEL này cung cấp một lựa chọn cho đầu
ra của kết quả mô phỏng Monte-Carlo để dùng sau đó với phần mềm GLUE tương thích (xem mục A.5)
Mỗi lưu vực áp dụng yêu cầu một file Project File này chỉ có 4 dòng như sau: 1.Mô tả văn bản áp dụng
2.Tên file số liệu lưu vực
3.Tên file số liệu thuỷ văn đầu vào
4.Tên file bản đồ chỉ số địa hình (có thể bỏ trống những dòng cho nó phải có) Một ví dụ file Project và file số liệu liên kết cũng được cung cấp
3 tuỳ chọn sau đây sẵn có trong chương trình:
A.2.1 Tuỳ chọn Hydrograph Prediction (Dự báo thuỷ đồ)
Tuỳ chọn Hydrograph Prediction cho phép chạy mô hình và hiển thị thuỷ đồ Giá
trị thông số có thể thay đổi trên màn hình và mô hình được chạy lại Sau mỗi lần chạy chỉ số sự phù hợp tốt nhất được đưa ra để đánh giá
Nếu không phải tất cả các thời kỳ mô phỏng có thể hiển thị một lần thì thuỷ đồ có thể được quét xuôi và ngược bằng cách dùng các phím mũi tên
Nếu file bản đồ chỉ số địa hình (Topographic Index Map) sẵn có thì một phím map
được biển thị cho phép hiện lên mô phỏng dự báo hoặc như một tóm tắt trên tất cả các bước thời gian hoặc chuyển động
A.2.2 Tuỳ chọn Sensitivily Analysis (Phân tích độ nhạy)
Màn hình này cho phép khảo sát độ nhạy của hàm mục tiêu khi thay đổi một hay nhiều thông số Một lần chạy đầu tiên được làm với bộ giá trị hiện thời của thông số Sau đó mỗi thông số được thay đổi trong khoảng của nó, khi giữ nguyên giá trị của các thông số khác Kết quả được hiển thị như một đồ thị con Giá trị thông số hiện thời bất
kỳ hoặc giá trị lớn nhất và nhỏ nhất trong phạm vi của nó đều có thể thay đổi trên màn hình
A.2.3 Tuỳ chọn Monte-Carlo Analysis (Phân tích Monte-Carlo)
Trong tuỳ chọn này một số lớn lần chạy có thể làm (giới hạn chỉ bởi khả năng lưu trữ của file kết quả) bằng cách dùng mẫu ngẫu nhiên đồng nhất của các thông số đã chọn để phân tích Giá trị các thông số khác được giữ nguyên ở giá trị hiện thời Hộp
Trang 5kiểm tra được dùng để chọn biến và hàm mục tiêu và được ghi cho mỗi lần chạy File kết quả tạo ra sẽ tương thích với phần mềm GLUE
A.3 Phân tích DTM
Chương trình phân tích DTM được dùng để rút ra một phân bố của giá trị ln(a/tgB) từ lưới raster đều của cao trình cho lưu vực hay lưu vực con bất kỳ bằng cách dùng thuật toán dòng chảy đa hướng của Quinn và nnk (1995) Đầu ra của chương trình là một toán đồ phân bố của các gía trị ln(a/gB) và file bản đồ của các giá trị này
có thể dùng làm đầu vào bản đồ của chương trình TOPMODEL
Có 3 tuỳ chọn trong chương trình
A.3.1.Tuỳ chọn Topographic Index Distribution Calculation (Tính toán phân bố chỉ số địa hình)
Tuỳ chọn Topographic Index Ditribution Calculation là phiên bản đơn giản nhất
của thuật toán trong đó chỗ ”lõm’ hoặc hố” trong ma trận cao trình được xác định, không cố gắng khởi tạo đường dẫn dòng chảy liên tục đến cửa ra lưu vực Chỗ “lõm”
được loại trừ bằng cách thay đổi số liệu cao trình khi dùng tuỳ chọn Automatic Sink
Removal (Loại trừ “lõm” tự động), sử dụng trung bình liên tiếp của các cao trình xung
quanh để phân đều các điểm “lõm” Điều này là đơn giản nhưng lợi dụng được các sông suối nhỏ mà lưới cao trình không thể quyết định đường dẫn dòng chảy liên tục
Tuỳ chọn này cũng yêu cầu chỉ số cao trình của các điểm bên trong lưu vực mới
được sử dụng, tất cả các giá trị khác trên ma trận được gán cho giá trị lớn hơn 9999.0
(m) Tuỳ chọn Cachment Identification (đồng nhất lưu vực) có thể dùng để cắt ra các
ảnh điểm (pixel) riêng biệt bằng thuật toán “Hill-Climbing-Trèo dốc”
Ghi nhớ rằng số liệu cao trình sẽ có độ phân giải 50 m hoặc tốt hơn Cũng lưu ý rằng phân bố rút ra giá trị ln(a/tgB) phụ thuộc vào độ phân giải số liệu các cao trình
sử dụng và trên các quy tắc riêng cho điện tích ngược dốc đóng góp và phân chia với sông nhỏ hơn kích cỡ lưới Các phân bố khác có thể đưa đến các giá trị thông số hiệu quả khác nhau cho lưu vực đưa ra
A.3.2 Tuỳ chọn Automatic Sink Removal (Loại trừ lõm tự động)
Tuỳ chọn này có thể sử dụng để sửa chữa tự động các chỗ “lõm” hoặc “hố “ trong
một cao trình trước khi chạy tuỳ chọn Topographic Index Distribution Calculation
Chương trình sẽ xác định một hố bất kỳ (giá trị xung quanh có cao trình bằng hoặc cao hơn) và cố gắng sửa chữa chúng bằng trung bình các cao trình xung quanh Sau mỗi lần chạy qua tất cả các chỗ lõm xác định được, chương trình sẽ có thể kiểm tra để xem còn có chỗ lõm nào còn tồn tại
Lưu ý rằng thuật toán không xác định trực tiếp một lưu vực bên trong lớn nào trong bản đồ cao trình Dù sao các lưu vực như vậy thường đưa đến một hố cục bộ Do
đó bằng phép lặp qua chương trình nó sẽ có thẻ sửa chữa các điểm đó
ở cuối của tuỳ chọn một số liệu cao trình mới có thể ghi vào file File đầu ra có format chính xác như file đầu vào File phân tách xác dịnh tất cả các hố đã sửa chữa
Trang 6và thay đổi cao trình cũng có thể được ghi vào
A.3.3.Tuỳ chọn Cachment Identification (Đồng nhất lưu vực)
Tính toán chỉ số địa hình yêu cầu tất cả các cao trình bên ngoài lưu vực được gán nhãn giá trị 9999.0 hoặc lớn hơn Tuỳ chọn này lấy file số liệu cao trình raster và đồng nhất diện tích lưu vực thu vào một điểm xác định Thuật toán làm việc bằng sự liên kết tất cả các điểm là ngược dốc liên tục của cửa ra lưu vực ở mỗi lần lặp thuật toán tìm kiếm các điểm kế cận những điểm được đồng nhất như là trong lưu vực có cao trình lớn hơn giá trị ngưỡng xác định Giá trị 0 có thể chọn là giá trị ngưỡng (nghĩa là các điểm lân cận có cao trình bằng nó sẽ được thêm vào lưu vực) Nhưng điều này có thể gây ra vấn đề là trong một số mảng cao trình chứa các giải bằng phẳng mở rộng ra xung quanh lưu vực phân chia Nếu điềù này xẩy ra thì phép nội suy cao trình gốc sẽ
được cải tiến hoặc độ phân giải của ma trận cao trình sẽ phải giảm
A.4 GLUE
Gói phần mềm GLUE cung cấp công cụ cho phân tích độ nhạy và ước lượng độ bất
định bằng cách dùng mô phỏng Monte-Carlo Điểm khởi đầu cho quan điểm của GLUE là thay thế tư tưởng bộ thông số tối ưu bằng khái niệm tương đương của cấu trúc mô hình và bộ thông số với ngụ ý rằng chỉ có khả năng đánh giá thực hiện có liên quan trong khoảng các mô hình có khả năng, hoặc định tính hoặc định lượng, trong dạng của độ hữu hiệu nào đấy Lưu ý rằng độ hữu hiệu được dùng ở đây theo nghĩa rộng hơn hàm hữu hiệu của lý thuyết ước lượng thống kê Nhưng hàm hữu hiệu cũng
có thể dùng bên trong GLUE Cũng lưu ý rằng một giải thích mờ của độ hữu hiệu cũng có thể sử dụng
Dự báo các thể hiện Monte-Carlo khi đó được trọng số hoá bởi độ hữu hiệu để xác
định giới hạn dự báo của các biến yêu cầu Như vậy, các thể hiện của bộ thông số này
mà thực hiện tốt trong việc đánh giá được đưa ra bởi trọng số lớn nhất trong dự báo Không có giả thiết phân bố được làm trong việc xác định giới hạn dự báo – Chúng chỉ dựa trên mẫu sẵn có của dự báo Có các tiện ích trong phần mềm để biến đổi độ hữu hiệu (ví dụ bằng cách nâng lên luỹ thừa để làm cho bề mặt phản ứng thông số nhọn hơn hoặc bằng cách thay đổi ngưỡng chấp nhận được) Bộ thông số với độ hữu hiệu dưới ngưỡng khi đó được coi là không hành vi và có giá trị độ hữu hiệu bằng 0
Phương pháp GLUE tập trung sự chú ý vào bản chất chủ quan của đánh giá mô hình (ví dụ chọn độ hữu hiệu, chọn giá trị ngưỡng) nhưng yêu cầu các yếu tố này được
định nghĩa rõ ràng và do dó được mở để xem xét và chứng minh
Sự tương tác giữa các thông số và sự phi tuyến trong phản ứng mô hình (nó có thể cực kỳ phức tạp và tiềm tàng ngay cả khi hỗn độn) được giải ẩn trong phương pháp GLUE Về bản chất phản ứng phi tuyến của một bộ thông số của một mô hình riêng
được tóm tắt bằng giá trị hữu hiệu liên hợp, nghĩa là thực hiện của thể hiện mô hình riêng đó trong việc tái tạo lại các quan trắc Như vậy phân tích tập trung vào bộ thông
số hơn là dáng điệu của từng thông số riêng biệt và tương tác của chúng (mặc dù một
số phương tiện được cung cấp trong tuỳ chọn Sensitivity Plot (đồ thị độ nhạy) để khảo
Trang 7sát độ nhạy cho các thông số riêng biệt) Sai số trong số liệu đầu vào và số liệu quan trắc cũng được thực hiện một cách ẩn Như vậy độ hữu hiệu phản chiếu khả năng của mô hình riêng để dự báo một chuỗi riêng (có thể không là sai số tự do) đưa đến một bộ
đầu vào riêng (có thể không có sai số tự do) Như thế có một giả thiết ẩn rằng trong dự báo cấu trúc sai số “tương tự” trong nghĩa mở rộng với những cấu trúc này trong thời
kỳ đánh giá
Giới hạn chính của phương pháp GLUE là phụ thuộc vào mô phỏng Monte-Carlo Cho các mô hình phức tạp cần nhiều thời gian cho mỗi lần chạy, nó sẽ không có khả năng để khảo sát đầy đủ bề mặt phản ứng thông số bậc cao Dù sao, các thực nghiệm gợi ý rằng giới hạn trên của thực hiện mô hình thường được xác định tốt bởi giới hạn các thể hiện mô hình và rằng khoảng dự báo là chấp nhận được trong sự so sánh với quan trắc
Các tuỳ chọn sẵn có trong chương trình như sau
A.4.1.Dotty Plots (Đồ thị điểm)
Màn hình Dotty Plots cung cấp đồ thị của độ hữu hiệu bất kỳ hoặc biến dự báo
tương phản với giá trị của mỗi thông số riêng biệt Một điểm được vẽ cho một lần chạy Monte-Carlo trong file số liệu đầu vào Do đó đồ thị điểm là phép chiếu của tất cả các mẫu Monte-Carlo vào các trục thông số đơn Vì vậy chúng được giải thích với sự thận trọng vì chúng có thể che dấu một số cấu trúc trong bề mặt phản ứng thông số N-chiều Độ hữu hiệu hoặc các biến đã chọn có thể thay đổi hoặc chuyển đổi bằng cách chọn từ các tuỳ chọn trên dòng menu
A.4.2 Sensitivity Plot (Đồ thị độ nhạy)
Màn hình này cung cấp đồ thị phân bố luỹ tích của nhóm giá trị thông số theo phân cấp của mỗi lần chạy Monte-Carlo cho độ hữu hiệu hoặc của biến dự báo đưa ra
Sự khác nhau mạnh mẽ giữa các phân bố luỹ tích của độ hữu hiệu hoặc biến dự báo
đưa ra chỉ ra độ nhạy của thông số đó Việc vẽ phân bố sẽ kết thúc cùng với việc chỉ ra một thiếu sót của độ nhạy Độ hữu hiệu hoặc biến đã chọn có thể thay đổi hoặc chuyển
đổi bằng cách chọn từ các tuỳ chọn trên dòng menu
A.4.3 Uncertainty Plots (Đồ thị tính bất định)
Màn hình này cung cấp đồ thị của toán đồ và phân bố luỹ tích của biến dự báo
được trọng số hoá bởi độ hữu hiệu đã chọn Các điểm phân vị mẫu (5% và 95%) đã chỉ
ra trên đồ thị phân bố luỹ tích Cả độ hữu hiệu và biến có thể thay đổi bằng tuỳ chọn trên dòng menu
A.4.4 List Simulation (Danh sách mô phỏng)
Tuỳ chọn này cung cấp đầu ra của đỉnh (hoặc đáy) của 20 mô phỏng phân cấp theo
độ hữu hiệu hoặc biến dự báo
A.4.5 Transforming Likelihood Measures (Chuyển đổi độ hữu hiệu)
Tuỳ chọn này cung cấp một số tuỳ chọn chuyển đổi bao gồm áp dụng một giới hạn
Trang 8ngưỡng thấp hơn, tăng độ hữu hiệu lên luỹ thừa, lấy hàm mũ của độ hữu hiệu nhân với một hệ số, lấy log của độ hữu hiệu Độ hữu hiệu mới nhận được bằng cách này có thể lưu trữ hoặc soạn thảo
A.4.6 Combining Likelihood Measures (Kết hợp độ hữu hiệu)
Cần kết hợp các độ hữu hiệu khác nhau bắt nguồn từ số các tình huống khác nhau bao gồm kết hợp các độ hữu hiệu cho các dạng đánh giá mô hình khác nhau (ví dụ một
độ hữu hiệu tính cho dự báo lưu lượng, một độ hữu hiệu tính cho dự báo mực nước ngầm hoặc mức độ ẩm của đất), hoặc cập nhật độ hữu hiệu hiện có với một độ hữu hiệu mới được tính cho dự báo theo một tập hợp quan trắc mới Có 4 dạng khác nhau của toán tử tổ hợp được phép dùng trong phần mềm GLUE: Đó là phép nhân Bayes, tăng trọng số, liên kết mờ và giao nhau mờ (hộp 7.2)