Bluecat è ora applicabile a previsioni ottenute da modelli multipli.
E' disponibile una nuova versione del software, negli ambienti R e Python. Vai alla sezione di questa pagina dedicata agli ultimi sviluppi di Bluecat.
Bluecat è un nuovo metodo che Demetris Koutsoyiannis ed io abbiamo recentemente proposto per stimare l'incertezza associata a previsioni fornite da modelli idrologici. Abbiamo inoltre elaborato un software di facile utilizzo, con istruzioni, aperto e disponibile nel pubblico dominio per applicare Bluecat. L'idea originale di Bluecat è stata elaborata da Demetris durante il suo soggiorno a Bologna nel 2019. La formalizzazione del metodo e la preparazione ed i test del software sono stati purtroppo rallentati perche' il mio tempo, da febbraio 2020 a maggio 2021, è stato completamente assorbito dalla gestione dell'emergenza COVID all'università.
Bluecat è un "Brisk Local Uncertainty Estimator for Deterministic Simulations and Predictions". In sostanza, Bluecat è un metodo per trasformare un modello di previsione deterministico in un modello di previsione stocastico. Da una previsione puntuale si passa dunque alla distribuzione di probabilità della variabile prevista. In base a detta distribuzione è quindi possibile stimare il valore medio (o la mediana) della previsione nonchè i relativi limiti di confidenza.
Nel settembre 2024 è stata presentata un'estensione di Bluecat che permette di stimare l'incertezza di previsioni ottenute da un insieme di modelli, utilizzando un criterio di minima incertezza per selezionare il modello ottimale nel momento in cui è effettuata ogni singola previsione.
Quindi Bluecat permette di:
- Aggiornare la previsione deterministica, porgendo una nuova e più precisa previsione;
- Stimare i limiti di confidenza della previsione per livello di confidenza assegnato;
- Combinare previsioni ottenute con molteplici modelli utilizzando un criterio di minima incertezza.
Quindi, Bluecat non è solo un metodo per la stima d'incertezza: è piuttosto un nuovo modello di previsione, con struttura stocastica, ed una base fisica che è ereditata dal modello deterministico. Bluecat può essere associato ad ogni modello deterministico di previsione. Allo scopo di fornire un esempio consideriamo in quanto segue un applicazione di modellistica afflussi-deflussi.
Figure 1. Schema concettuale di Bluecat (si veda il Bluecat paper per dettagli).
Bluecat sfrutta l'appoccio teorico proposto nel "blueprint for process-based modeling of uncertain hydrological systems" proposto da Montanari and Koutsoyiannis nel 2012. Bluecat è un'estensione di detto blueprint, che pensiamo possa agevolarne l'applicazione pratica.
I seguenti articoli scientifici descrivono applicazioni di Bluecat:
- Koutsoyiannis, D., & Montanari, A. (2022). Climate Extrapolations in Hydrology: The Expanded Bluecat Methodology. Hydrology, 9(5), 86 (Open access).
- Rozos, E., Koutsoyiannis, D., & Montanari, A. (2022). KNN vs. Bluecat—Machine Learning vs. Classical Statistics. Hydrology, 9(6), 101 (Open access).
- Jorquera, J., & Pizarro, A. (2023). Unlocking the potential of stochastic simulation through Bluecat: Enhancing runoff predictions in arid and high‐altitude regions. Hydrological Processes, 37(12), e15046.
Figure 2. Bluecat (fonte: Hydrology (MDPI)).
Abbiamo preparato un pacchetto software per applicare Bluecat negli ambienti R e Python.
Una prima versione - nell'ambiente R - permette di applicare Bluecat per stimare l'incertezza del modello afflussi-deflussi HyMod (Boyle, 2000). Il pacchetto include quindi una routine per lanciare HyMod ed ottimizzarne i parametri. Il software è accompagnato da istruzioni per l'utilizzo, nonchè dai dati necessari e istruzioni specifiche per la riproduzione dei casi di studio presentati nel Bluecat paper.
Il software è aperto e ampiamente commentato. Clicca qui per accedere al software in GitHub.
Una seconda versione del software è stata rilasciata nel settembre 2024. Permette di applicare Bluecat ad un generico modello deterministico ad alle previsioni di ensemble. La seconda versione può essere lanciata sia in ambiente R sia in ambiente Python. Anche queste versioni sono accompagnate da istruzioni e funzioni di help, che permettono di riprodurre casi di studio che sono presentati in un paper che è attualmente sotto revisione (clcca qui per scaricare un preprint).
Clicca qui per accedere alla seconda versione in ambiente R in GitHub.
Clicca qui per accedere alla seconda versione in ambiente R in GitHub.
Clicca qui per scaricare una presentazione in Powerpoint di Bluecat (in aggiornamento).
Clicca qui per scaricare una presentazione Powerpoint di Bluecat in italiano.
La mia presentazione di Bluecat alla General Assembly EGU22.
Un'estensione di Bluecat è stata proposta nel settembre 2024. E descritta in un articolo sotto revisione disponibile qui. Una corrispondente nuova versione del Bluecat software è stata rilasciata per gli ambienti R e Python. Si tratta di un codice che può essere eseguito in soluzione indipendente dal modello di previsione, non essendo associato ad un modello specifico ed essendo quindi applicabile a modelli di qualsiasi natura.
Clicca qui per accedere alla seconda versione in ambiente R in GitHub.
Clicca qui per accedere alla seconda versione in ambiente R in GitHub.
Per il caso delle previsioni multimodello, abbiamo introdotto una misura di incertezza che viene utilizzata quale criterio per la selezione del modello ottimale ad ogni passo di previsione. Il codice incorpora quattro misure alternative. Nel momento in cui ogni singola previsione diviene disponibile, l'incertezza di ciascun modello viene valutata, il modello meno incerto viene selezionato la cui previsione - con limiti di confidenza - viene restituita all'utente. Si veda la Figura 3.
Figura 3. La procedura dì selezione del modello di previsione di Bluecat.
Siamo a disposizione per fornire ulteriori dettagli e ricevere suggerimenti.
Boyle, D. (2000). Multicriteria calibration of hydrological models (Unpublished doc- toral dissertation). Univ of Arizona, Tucson. Koutsoyiannis, D., and Montanari, A. (2021). Bluecat: A Local Uncertainty Estimator for Deterministic Simulations and Predictions, submitted manuscript. Preprint available online at http://dx.doi.org/10.13140/RG.2.2.23863.65445 (the paper provides an extended list of references).
L'immagine del gatto blu è tratta dalla fotografia disponibile all'indirizzo https://www.flickr.com/photos/cizauskas/36142084534/. Si tratta di una foto di un quadro esposto alla galleria di Andy Warhol al High Museum, Atlanta, Georgia, USA (CC BY-NC-ND 4.0)
- 10705 viste