Usikkerheder på indvindings- og grundvandsdannende oplande

ealisationer (typisk 10-20, lidt afhængigt af hvad formålet er), som hver skal
kalibreres med inverse rutiner (fx PEST).
Monte Carlo simuleringer kan anvendes i de tilfælde, hvor det er muligt statistisk at
karakterisere usikkerhederne. Simuleringerne udføres ved, at der for hver af de
stokastiske variable "trækkes" en værdi, der ligger inden for det definerede interval
for denne parameter, og der foretages en almindelig modelkørsel. Herefter trækkes
en ny værdi for hver af de stokastiske parametre efterfulgt af endnu en modelkørsel.
Dette gentages "mange" gange (typisk 20-50 lidt afhængigt af hvornår den variabel
man kigger på ”stabiliserer”; hvis man fx er interesseret i middelværdien af
grundvandsdannelsen kan man formentlig nøjes med 20-50 kørsler, mens en 99 %
fraktil vil kræve mange flere), på en måde der tilgodeser sandsynlighedsfordelingen
for de enkelte stokastiske parametre. Hver modelkørsel kaldes en "realisation" og
samtlige realisationer benævnes et "ensemble". Ved en efterfølgende statistisk
analyse kan der fx beregnes middelværdi samt standard afvigelse for ensemblet.
Modelresultaterne kan således præsenteres som en middelværdi samt et
sandsynlighedsinterval (konfidens- eller prediktionsinterval).
PEST (alternativ metode UCODE m.fl.) anses i dag for at være det stærkeste værktøj
til invers modellering. Metoden i PEST (Doherty, 2004) har den underliggende
filosofi, at det interessante er ekstremerne, fx vil det mest interessante i forbindelse
med en forureningstrussel ofte være, hvornår det tidligste gennembrud kan forventes
samt hvad den maksimale koncentration vil blive. I stedet for at anvende en analytisk
løsning, med de uundgåelige antagelser om linearitet, tager PEST afsæt i at optimere
prediktionsværdien, dvs. finde den maksimale eller minimale prediktionsværdi, der er
mulig for den givne model. Denne maksimering/minimering bliver dog begrænset
ved, at modellen samtidig kræves at være kalibreret på et acceptabelt niveau,
defineret på basis af en acceptabel værdi for objektiv funktion. Analysen udføres ved,
at det angives, hvilken værdi objektiv funktionen maksimalt må antage, for at
modellen stadig vurderes at være kalibreret på et acceptabelt niveau. Er PEST ikke
indbygget i den anvendte GUI, kan programmet samt manual downloades fra
http://www.sspa.com/pest/index.htm.
Sammenlignet med Monte Carlo kræver metoden relativt få modelkørsler, hvilket kan
været et argument for at bruge PEST fx hvis modellens kørselstid er betydelig. Det er
ikke et problem ved stationære kørsler, men hvis dynamiske variationer indgår, kan
det være nødvendigt at begrænse antallet af kørsler. PEST beregner
konfidensintervaller og kovariansmatrice for parametrene og kan anvendes til
analyse af prediktions-usikkerheder for i princippet alle typer prediktioner. Den
vurderes dog p.t. som mindre egnet end Monte Carlo til kvantificering af usikkerhed
på IO og GO, så længe det er parameter- eller inputusikkerheden der undersøges.
PEST kan også benyttes til kvantificering af usikkerhed fra småskalavariation i
parameterværdier, selvom om dette felt endnu er så nyt, at det ikke har været
afprøvet i praksis endnu. PEST kan evt. kombineres med MC.
Præsentation af IO og GO på kort (tegning af stregen)
Når modelarbejdet er afsluttet, de sidste scenariekørsler er beregnet og de endelige
streger med IO og GO er udarbejdet, overdrages resultaterne til
ressourcemyndigheden i den pågældende kommune. Dette sker oftest gennem en
rapport med tilhørende GIS-temaer.
I forbindelse med indsatsplaner og de korttemaer som skal leveres af Miljøcentrene
til kommunerne, er det vigtigt at oplandsafgrænsningerne er foretaget på så højt
fagligt niveau som muligt. Derfor anbefales det, at der udarbejdes et reference-IO og
-GO, som svarer til den tilladte indvindingsmængde på den pågældende kildeplads
G E U S 41