A new efficient Bayesian parameter inference strategy: Application to flow and pesticide transport through unsaturated porous media

Autor: Thierry A. Mara, Marc Voltz, Lamia Guellouz, Marwan Fahs, Husam Musa Baalousha, Anis Younes
Přispěvatelé: Laboratoire d'Hydrologie et de Géochimie de Strasbourg (LHyGeS), Ecole et Observatoire des Sciences de la Terre (EOST), Institut national des sciences de l'Univers (INSU - CNRS)-Université de Strasbourg (UNISTRA)-Centre National de la Recherche Scientifique (CNRS)-Institut national des sciences de l'Univers (INSU - CNRS)-Université de Strasbourg (UNISTRA)-Centre National de la Recherche Scientifique (CNRS)-École Nationale du Génie de l'Eau et de l'Environnement de Strasbourg (ENGEES)-Institut national des sciences de l'Univers (INSU - CNRS)-Centre National de la Recherche Scientifique (CNRS), Laboratoire d'étude des Interactions Sol - Agrosystème - Hydrosystème (UMR LISAH), Institut de Recherche pour le Développement (IRD)-Institut National de la Recherche Agronomique (INRA)-Centre international d'études supérieures en sciences agronomiques (Montpellier SupAgro)-Institut national d’études supérieures agronomiques de Montpellier (Montpellier SupAgro), Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Laboratoire de Modélisation en Hydraulique et Environnement [Tunis] (LR-LMHE ENIT), Ecole Nationale d'Ingénieurs de Tunis (ENIT), Université de Tunis El Manar (UTM)-Université de Tunis El Manar (UTM), Physique et Ingénierie Mathématique pour l'Énergie, l'environnemeNt et le bâtimenT (PIMENT), Université de La Réunion (UR), Qatar Environment and Energy Research Institute (QEERI), Hamad Bin Khalifa University (HBKU), École Nationale du Génie de l'Eau et de l'Environnement de Strasbourg (ENGEES)-Institut national des sciences de l'Univers (INSU - CNRS)-Centre National de la Recherche Scientifique (CNRS)-Université de Strasbourg (UNISTRA)-Ecole et Observatoire des Sciences de la Terre (EOST), Université de Strasbourg (UNISTRA)-Institut national des sciences de l'Univers (INSU - CNRS)-Centre National de la Recherche Scientifique (CNRS)-Centre National de la Recherche Scientifique (CNRS), Institut de Recherche pour le Développement (IRD)-Institut National de la Recherche Agronomique (INRA)-Centre international d'études supérieures en sciences agronomiques (Montpellier SupAgro)-Institut de Recherche pour le Développement (IRD [ Madagascar])-Institut national d’études supérieures agronomiques de Montpellier (Montpellier SupAgro), Laboratoire de Modélisation en Hydraulique et Environnement (LMHE), Sol Agro et hydrosystème Spatialisation (SAS), Institut National de la Recherche Agronomique (INRA)-AGROCAMPUS OUEST, Université de Strasbourg (UNISTRA)-Institut national des sciences de l'Univers (INSU - CNRS)-Centre National de la Recherche Scientifique (CNRS)-Université de Strasbourg (UNISTRA)-Institut national des sciences de l'Univers (INSU - CNRS)-Centre National de la Recherche Scientifique (CNRS)-École Nationale du Génie de l'Eau et de l'Environnement de Strasbourg (ENGEES)-Institut national des sciences de l'Univers (INSU - CNRS)-Centre National de la Recherche Scientifique (CNRS)
Jazyk: angličtina
Rok vydání: 2018
Předmět:
Zdroj: Journal of Hydrology
Journal of Hydrology, Elsevier, 2018, 563, pp.887-899. ⟨10.1016/j.jhydrol.2018.06.043⟩
ISSN: 0022-1694
Popis: International audience; Statistical calibration of flow and transport models in unsaturated porous media is often carried out with Markov Chain Monte Carlo (MCMC) methods. However, the practicality of these methods is limited by their computational requirement, particularly when large prior intervals are assigned to the model parameters. In this work, a new operational strategy is investigated to alleviate the computational burden of MCMC samplers using results from a preliminary calibration performed with the First-Order Approximation (FOA) method. With the new strategy, the posterior distribution is approximated using a high-order Polynomial Chaos Expansion (PCE) surrogate model constructed over reduced parameter ranges. The latter are obtained from the 99.9 FOA confidence intervals. Two challenging test cases are investigated to assess efficiency and accuracy of the new strategy. The first test case considers estimation of flow and pesticide transport parameters from a synthetic infiltration experiment. The second test case deals with the assessment of unsaturated hydraulic soil parameters from a real-word laboratory drainage experiment. The results of the proposed strategy are compared to those of FOA, of the standard MCMC method and of an improved MCMC method in which the sampler is preconditioned with draws from the FOA posterior distribution. For both test cases, the new strategy provides accurate mean estimated parameter values and uncertainty regions and is much more efficient than the other MCMC methods. It is up to 50 times more efficient than the standard MCMC method.
Databáze: OpenAIRE
Externí odkaz: