【资料图】

不确定性分析(UA)和SA是探究模型行为和评估输入参数的不确定性和敏感性所必需的。UA和SA都是建模过程的完整评估(Saltelli et al.， 2000)，当一起进行时，模型用户更了解结果的置信度。UA和SA是有区别的。根据输入的不确定性(和变化)来描述可能输出的范围，并调查缺乏知识或模型错误的影响。

进行SA有几个原因:确定哪些输入参数在输出中贡献了最大的可变性，哪些参数不重要，参数之间是否相互作用，以及输出是否可以解释(Iooss和Lemaître, 2015)。与敏感输入参数相关的可变性被传播到输出，并可能导致输入参数与输出中的显著变化之间存在很大的相关性(Hamby, 1994)。

在具有多个输入参数的模型中，情景分析评估输出变化的主要驱动因素，是对模型输入或参数影响的一种信息分析。SA定义了输出参数对单个输入参数变化的敏感性，通常是已知的(Hamby, 1994)。SA的重点取决于上下文和在评估中提出的问题，但集中于解决“最优”度量的变化以及这些对参数输出值的影响。

CPDA数据分析师一般在初始筛选工具，包括描述统计、散点图和皮尔逊相关系数，识别对模型输出有显著影响的参数。一旦完成，密集的方法可以进一步关注输出的灵敏度。本地SA检查输出的本地响应，每次改变一个输入参数，同时保持其他参数不变。全局SA通过量化输入输出关系和参数相互作用的规模和形状来评估全局响应。有几种方法可以进行SA，包括一次一次(OAT)、确定性、敏感系数、筛选技术、散点图、回归分析和基于方差的方法(satellite et al.， 2000)。

确定性SA独立地改变每个感兴趣的参数，保持其他参数不变，以评估输出对参数值的敏感性。使用上界和下界分别更改参数值，然后评估输出中的相对方差。最简单和最常用的SA形式是OAT方法，它评估输出中的个别差异对一个输入度量值的改变(Crosetto等人，2000年)。重要的是，OAT技术不探索输入交互作用，并且受限于标称值灵敏度(Crosetto等人，2000年)。然而，这种筛选方法允许快速探索模型和评估影响参数(Iooss和Lemaître, 2015)。在本章的案例研究中，选择了OAT方法来评估SOS和EOS的方差。