WATER RESOURCES RESEARCH, VOL. 46, W10531, doi:10.

1029/2009WR008933, 2010

Una función de verosimilitud formal para el

parámetro y la inferencia predictiva de modelos
hidrológicos con errores correlacionados,
heteroscedásticos y no gaussianos
Gerrit Schoups1 and Jasper A. Vrugt2,3,4
Received 26 November 2009; revised 22 May 2010; accepted 10 June 2010; published 20 October 2010.

[1] La estimación de parámetros y la incertidumbre predictiva de los modelos hidrológicos se han basado tradicionalmente en varias
suposiciones simplificadoras. Con frecuencia, se supone que los errores residuales son independientes y se describen
adecuadamente mediante una distribución de probabilidad gaussiana con una media de cero y una varianza constante. Aquí
investigamos hasta qué punto las estimaciones de los parámetros y la incertidumbre predictiva se ven afectadas cuando estas
suposiciones se relajan. Se presenta una función formal de verosimilitud generalizada, que amplía la aplicabilidad de las funciones
de verosimilitud previamente utilizadas a situaciones en las que los errores residuales están correlacionados, heteroscedástico y
no gaussiano con grados variables de curtosis y asimetría. El enfoque se centra en una descripción estadística correcta de los datos
y los residuales totales del modelo, sin separar varias fuentes de error. La aplicación al análisis bayesiano de incertidumbre de un
modelo conceptual de precipitación-escorrentía identifica simultáneamente los parámetros del modelo hidrológico y la distribución
estadística apropiada de los errores residuales. Cuando se aplica a los datos diarios de precipitación-escorrentía de una cuenca
húmeda, encontramos que (1) los errores residuales se describen mejor mediante un modelo de error heteroscedástico de primer
orden autocorrelacionado con una función de distribución laplaciana caracterizada por colas más pesadas que una distribución
gaussiana ; y (2) en comparación con un enfoque de mínimos cuadrados estándar, la representación adecuada de la distribución
estadística de errores residuales produce bandas de incertidumbre predictiva más ajustadas y estimaciones de incertidumbre de
parámetros diferentes que son menos sensibles al período de tiempo particular utilizado para la inferencia. La aplicación a los datos
de escorrentía pluvial diaria de una cuenca semiárida con errores residuales más significativos y subestimación sistemática de los
picos muestra que (1) los factores de sesgo multiplicativos se pueden usar para compensar algunos de los errores más grandes y
(2) los rendimientos de distribución de errores sesgados estimaciones mejoradas de la incertidumbre predictiva en esta cuenca
semiárida con flujos cercanos a cero. Concluimos que la metodología presentada proporciona estimaciones mejoradas de los
parámetros y la incertidumbre de predicción total y también debería ser útil para el manejo de errores residuales complejos en
otros modelos de regresión hidrológica.

Cita: Schoups, G. y J. A. Vrugt (2010), una función de verosimilitud formal para el parámetro y la inferencia predictiva de modelos
hidrológicos con errores correlacionados, heterocedásticos y no gaussianos, Water Resour. Res., 46, W10531,

doi: 10.1029 / 2009WR008933.

1 Department of Water Management, Delft University of Technology, Delft, Netherlands.

2 Center for Nonlinear Studies, Los Alamos National Laboratory, Los Alamos, New Mexico, USA.
3 Institute for Biodiversity and Ecosystem Dynamics, University of Amsterdam, Amsterdam, Netherlands.
4 Department of Civil and Environmental Engineering, University of California, Irvine, California, USA.

W10531
 WATER RESOURCES RESEARCH, VOL. 46, W10531, doi:10.1029/2009WR008933, 2010
1. Introducción
[2] La evaluación del parámetro y la incertidumbre predictiva de
los modelos hidrológicos es una parte esencial de cualquier
estudio hidrológico. El análisis de incertidumbre forma la base
para la comparación y selección de modelos [Schoups et al.,
2008], permite identificar estrategias sólidas de gestión del agua
que tienen en cuenta las incertidumbres de predicción [Ajami et
al., 2008] y proporciona un impulso para la recolección de datos
para mejorar las predicciones hidrológicas y la gestión del agua
[Feyen y Gorelick, 2004]. Además, a menudo se requiere una
estimación precisa de la incertidumbre de parámetros para la
regionalización y la extrapolación de parámetros hidrológicos a
cuencas no sometidas a pruebas [Vrugt et al., 2002; Zhang et al.,
2008].
[3] El análisis de incertidumbre se basa comúnmente en un
modelo de regresión, donde las observaciones se representan
mediante la suma de un componente determinista, es decir, el
modelo hidrológico y un componente aleatorio que describe los
errores o residuos restantes. Estos errores residuales
normalmente consisten en una combinación de entrada,
modelo estructural, salida y errores de parámetros. Las
inferencias de los parámetros del modelo se basan en una
función de verosimilitud que cuantifica la probabilidad de que
los datos observados hayan sido generados por un conjunto de
parámetros particular [Box y Tiao, 1992]. El mapeo del espacio
de parámetros al espacio de verosimilitud da como resultado la
identificación de un rango de conjuntos de parámetros
plausibles dados los datos y permite la estimación del
parámetro y la incertidumbre predictiva.
[4] En los últimos años, gran parte del debate se ha centrado en
el uso de un enfoque formal o informal para especificar la
función de verosimilitud [Mantovan y Todini, 2006; Beven et al.,
2008; Vrugt et al., 2008b; Stedinger et al., 2008; McMillan y
Clark, 2009]. En el enfoque formal, se parte de un modelo
estadístico supuesto para los errores residuales, es decir, la
forma funcional de la función de densidad de probabilidad
conjunta (pdf) de los errores residuales se especifica a priori.
Este modelo estadístico se usa luego para derivar la forma
apropiada para la función de verosimilitud [Box y Tiao, 1992].
Por ejemplo, suponiendo que los errores son independientes y
se distribuyen de forma idéntica según una distribución normal
con media cero y una varianza constante 𝜎 2 , se obtiene el
enfoque de mínimos cuadrados estándar (SLS) para la
estimación de parámetros. Una ventaja del enfoque formal es
que los supuestos del modelo de error se establecen
explícitamente, y su validez se puede verificar a posteriori [por
ejemplo, Stedinger et al., 2008].
[5] El enfoque formal ha sido criticado por confiar demasiado en
las suposiciones residuales de error que no son válidas en
muchas aplicaciones [Beven et al., 2008]. En muchos casos, los
errores residuales están correlacionados, no son estacionarios y
no gaussianos [Kuczera, 1983]. Una forma común de no
estacionariedad es la heterocedasticidad, que en muchos
W10531
estudios se observa como un aumento en la varianza del error
con la descarga del flujo de agua [Sorooshian y Dracup, 1980].
La violación de las suposiciones de SLS puede introducir un
sesgo en los valores estimados de los parámetros y afectar el
parámetro y la incertidumbre predictiva [Thyer et al., 2009].
Alternativamente, se han propuesto funciones informales de
verosimilitud como un enfoque pragmático para la estimación
de la incertidumbre en presencia de estructuras complejas de
error residual. Un ejemplo bien conocido es la metodología de
estimación de incertidumbre de verosimilitud generalizada de
Beven y Freer [2001]. Aquí la función de verosimilitud se
especifica a priori sin vincularla explícitamente a un modelo de
error subyacente. El modelador tiene flexibilidad para
especificar la forma de la función de verosimilitud, lo que hace
que el enfoque informal sea atractivo en situaciones en las que
se violan los supuestos de error tradicionales. Por ejemplo,
Beven et al. [2008] han defendido el uso de una función de
verosimilitud plana para evitar el exceso de acondicionamiento
del modelo de error estadístico en un solo conjunto de datos de
calibración. Sin embargo, dado que el enfoque informal no hace
referencia explícita al modelo de error subyacente, sus
suposiciones son implícitas y no pueden verificarse a posteriori.
Más discusión y comparación de enfoques formales e informales
son dados por Mantovan y Todini [2006], Beven et al. [2008],
Vrugt et al. [2008b], Stedinger et al [2008], y McMillan y Clark
[2009].
[6] El objetivo principal de este trabajo es ampliar la
aplicabilidad del enfoque formal derivando y aplicando una
función de verosimilitud formal basada en un modelo de error
general que permite el sesgo del modelo y la correlación, no
estacionariedad y no normalidad de los residuos del modelo.
Como tal, conservamos las ventajas del enfoque formal (base
teórica y posibilidad de verificación diagnóstica de los supuestos
del modelo de error), al tiempo que obtenemos flexibilidad y
reducimos la necesidad de suposiciones poco realistas sobre los
errores residuales.
[7] Construimos sobre enfoques formales previos que se han
utilizado para relajar algunas de las suposiciones de error de SLS
[Sorooshian y Dracup, 1980; Kuczera, 1983; Thiemann et al.,
2001; Bates y Campbell, 2001]. En particular, seguimos a Bates
y Campbell [2001] y damos cuenta de la dependencia en serie
de los errores residuales utilizando un modelo de serie temporal
general autorregresivo (AR). La principal contribución de
nuestro trabajo radica en el tratamiento de heterocedasticidad
y anormalidad, mientras que los enfoques anteriores han
utilizado datos y transformaciones de respuesta modelo, por
ejemplo, transformaciones de Box-Cox [Box y Tiao, 1992], para
inducir homoscedasticity (varianza constante) y eliminar
asimetria , en cambio, confiamos en un modelo estadístico
explícito para dar cuenta de heterocedasticidad y anormalidad.
La desviación estándar de error se modela como una función
lineal del flujo de flujo simulado, y la no normalidad se tiene en
cuenta con una distribución de error paramétrico que permite
un control separado de la curtosis y la asimetría en los residuos
del modelo. Como se analiza a continuación, nuestro enfoque es
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
a la vez más flexible e intuitivo en comparación con el método
de transformación. El foco está en la simulación y
representación correctas de los errores residuales totales, es
decir, la medición, la entrada del modelo y los errores
estructurales del modelo se tratan de forma agrupada, en
oposición a los intentos recientes de separar las diversas fuentes
de error en el modelado hidrológico [Kavetski et al. 2006a;
Kuczera et al., 2006; Gotzinger y Bardossy, 2008; Vrugt et al.,
2008b; Reichert y Mieleitner, 2009; Thyer et al., 2009; Renard et
al., 2010]. El enfoque agrupado proporciona una menor
comprensión de las fuentes de error, pero arroja estimaciones
prácticas del parámetro y la incertidumbre de la predicción
total.
[8] La siguiente sección presenta el enfoque de modelado
estadístico, deriva una nueva función de verosimilitud para la
inferencia de parámetros y describe un método para la
simulación predictiva. La metodología se aplica en la sección 3
para estimar el parámetro y la incertidumbre predictiva de un
modelo de precipitación pluvial espacialmente agrupado,
utilizando datos sintéticos y reales de una cuenca húmeda y una
semiárida. Siguiendo a Thyer et al. [2009], evaluamos los efectos
de las suposiciones en el modelo de error sobre la incertidumbre
de los parámetros y la predicción. La Sección 4 discute y resume
nuestros hallazgos.
2. Estimación formal de la incertidumbre de la
verosimilitud
2.1. Formulación modelo
[9] Nuestro análisis se basa en un modelo aditivo de regresión
no lineal de la forma,
𝒀 = 𝑬 + 𝒆, (1)
Figura 1. Densidades de la distribución de potencia exponencial sesgada (SEP) con media cero y desviación estándar unitaria para
varios valores de los parámetros de curtosis (𝛽) y sesgo (𝜉).
[11] Los errores residuales 𝒆 se caracterizan por una función de
densidad de probabilidad conjunta (pdf) y un vector de
parámetros 𝜼𝑒 . Un enfoque común es suponer que los errores
son independientes e idénticamente distribuidos (i.i.d.) de
3
donde 𝒀 es un vector de 𝑛 observaciones de flujo de corriente;
𝑬 es un vector correspondiente de valores esperados; y 𝒆 es un
vector de errores o residuales aleatorios de media cero, incluida
la medición, la entrada del modelo y los errores estructurales
del modelo.
[10] Los valores esperados se modelan utilizando un modelo
hidrológico ℎ basado en el balance de masa, que arroja valores
simulados 𝒀ℎ en función de una entrada observada 𝑿 y un
vector de parámetros modelo 𝜼ℎ . Como los errores en las
observaciones 𝒀, el modelo de entrada 𝑿 y la estructura del
modelo pueden llevar a desviaciones sistemáticas o sesgos en
las predicciones del modelo hidrológico, se introducen factores
de sesgo multiplicativos.
𝐸𝑡 = 𝑌ℎ,𝑡 (𝑿|𝜼ℎ )𝜇𝑡 , (2)
donde el flujo medio 𝐸𝑡 , el flujo simulado hidrológicamente 𝑌ℎ,𝑡 ,
y el factor de polarización 𝜇𝑡 varían todos como una función del
tiempo 𝑡. El factor de sesgo puede tratarse como una variable
estocástica, similar al enfoque de multiplicador de lluvia
introducido por Kavetski et al. [2006a, 2006b] para explicar los
errores de entrada del modelo, o el enfoque de parámetros de
modelo de tiempo variable de Kuczera et al. [2006] para dar
cuenta de los errores estructurales del modelo. Aquí se intenta
un enfoque más simple parametrizando los factores de
polarización como una función del flujo simulado 𝑌ℎ,𝑡 ,
𝜇𝑡 = exp(𝜇ℎ 𝑌ℎ,𝑡 ), (3)
donde 𝜇ℎ es un parámetro de sesgo que se deduce de los datos.
La ecuación (3) proporciona una forma simple de amplificar la
no linealidad de la respuesta esperada lluvia-escorrentía.
También se podrían usar otros enfoques, como la
parametrización de 𝜇𝑡 como función de la precipitación
(retardada).
acuerdo con una densidad gaussiana 𝑁 (0, 𝜎 2 ). Sin embargo,
en aplicaciones hidrológicas, los errores residuales
generalmente violan estas suposiciones, ya que muestran
correlación temporal, varianza no constante
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
(heterocedasticidad) y no normalidad. Para tratar con estas
situaciones no ideales, proponemos el siguiente modelo para
los errores residuales 𝑒𝑡 ,
Φ𝑝 (𝐵)𝑒𝑡 = 𝜎𝑡 𝑎𝑡 con 𝑎𝑡 ~SEP(0,1, 𝜉, 𝛽), (4)
Donde
𝑝
Φ𝑝 (𝐵) = 1 − ∑𝑖=1 𝜙𝑖 𝐵𝑖 es un polinomio
autorregresivo con parámetros 𝑝 autorregresivos 𝜙𝑖 , B, es el
operador de cambio de retroceso (𝐵𝑖 𝑒𝑡 = 𝑒𝑡−𝑖 ), 𝜎𝑡 es la
desviación estándar en el tiempo 𝑡, y 𝑎𝑡 es un i.i.d. error
aleatorio con media cero y desviación estándar unitaria,
descrita por una densidad de potencia exponencial oblicua
(SEP), que se definirá a continuación, con los parámetros 𝜉 y 𝛽
para dar cuenta de la anormalidad.
[12] El modelo autorregresivo de orden p, AR (p), en la ecuación
(4) explica la dependencia y la correlación entre los errores. El
modelo podría extenderse más a modelos autorregresivos y
promedio móvil (ARMA) más generales, como lo hizo Kuczera
[1983]. Sin embargo, la literatura publicada y la experiencia con
la simulación de errores residuales de los modelos de
precipitación y escorrentía sugieren que los modelos
autorregresivos (AR) suelen ser suficientes. Además, Bates y
Campbell [2001] señalan que la aproximación de los modelos
ARMA por los modelos AR de orden superior evita los
problemas con los óptimos locales múltiples en los modelos
ARMA. Por lo tanto, para propósitos prácticos, limitamos
nuestra presentación a los modelos AR, pero de ser necesario,
el enfoque podría adaptarse fácilmente para incluir modelos
ARMA.
[13] La heterocedasticidad se explica explícitamente
suponiendo que la desviación estándar de error 𝜎𝑡 aumenta
linealmente con el flujo medio 𝐸𝑡 ,
𝜎𝑡 = 𝜎0 + 𝜎1 𝐸𝑡 , (5)
donde 𝜎0 y 𝜎1 son parámetros que se deducen de los datos. Las
desviaciones estándar de error típicamente aumentan como
una función del flujo, es decir, 𝜎1 > 1, por ejemplo, debido a la
creciente incertidumbre en la relación etapa-descarga a flujos
a
Sesgo nunca se incluye, es decir, m1 = 0 en la ecuación (3).
4
más altos [Sorooshian y Dracup, 1980; Di Baldassarre y
Montanari, 2009]. Thyer y cols. Usaron un modelo
heteroscedástico similar. [2009], aunque en su estudio, se usó
como un modelo de error de medición del flujo, con los
parámetros 𝜎0 y 𝜎1 estimados utilizando los datos de la curva
de clasificación y fijados antes de la calibración del modelo
hidrológico. Aquí, la ecuación (5) se usa para representar la
heterocedasticidad de los residuales totales del modelo
(incluidos la observación, la entrada y los errores estructurales),
y los parámetros 𝜎0 y 𝜎1 se deducen simultáneamente con los
parámetros del modelo hidrológico.
[14] Finalmente, la densidad de 𝑆𝐸𝑃 (0, 1, 𝜉, 𝛽) en la ecuación
(4) explica la anormalidad de los residuales del modelo, con el
pdf expresado como (ver el Apéndice A para más detalles).
2𝜎𝜉 2⁄(1+𝛽)
𝑝(𝑎𝑡 |𝜉, 𝛽) = −1
𝜔𝛽 exp {−𝑐𝛽 |𝑎𝜉,𝑡 | }, (6)
𝜉+𝜉
donde 𝑎𝜉,𝑡 = 𝜉 −𝑠𝑖𝑔𝑛(𝜇𝜉 +𝜎𝑡 𝑎𝑡) (𝜇𝜉 + 𝜎𝑡 𝑎𝑡 ), y los valores de
𝜇𝜉 , 𝜎𝜉 , 𝑐𝛽 , 𝜔𝛽 se calculan en función del parámetro de asimetría
𝜉 y el parámetro de curtosis 𝛽, como se detalla en el Apéndice
A. Curtosis el parámetro 𝛽 toma valores entre -1 y + 1 y
determina el pico del pdf, mientras que el parámetro de
asimetría 𝜉 afecta la asimetría (𝑥 > 0), como se ilustra en la
Figura 1. La densidad es simétrica para 𝜉 = 1 y positivamente
(negativamente) sesgado para 𝜉 > 1 (𝜉 < 1). En el caso de
una densidad simétrica, se obtiene una distribución uniforme
cuando 𝛽 = −1, una distribución gaussiana cuando 𝛽 = 0, y
una distribución de Laplace o doble exponencial cuando 𝛽 =
1. Por lo tanto, los parámetros 𝜉 y 𝛽 nos permiten relajar el
supuesto de Errores gaussianos En particular, los valores para
𝛽 > 0 resultan en más densidades puntuadas con colas más
pesadas en comparación con un pdf Gaussiano, que es útil para
hacer robusta la inferencia de parámetros contra valores
atípicos.
Tabla 1. Varias funciones de verosimilitud utilizadas en la
literatura hidrológica, sus supuestos y su relación con la
ecuación (8) en este articuloa
 WATER RESOURCES RESEARCH, VOL. 46, W10531, doi:10.1029/2009WR008933, 2010
2.2. Parámetro Incertidumbre
[15] El modelo formulado en la sección anterior contiene una
serie de parámetros 𝜼 = {𝜼ℎ , 𝜼𝑒 }, incluidos los parámetros del
modelo hidrológico 𝜼ℎ y el modelo de error residual 𝜼𝑒 . La
incertidumbre del parámetro después de observar los datos 𝒀
puede expresarse mediante un parámetro posterior pdf [Box y
Tiao, 1992],
𝑝(𝜼|𝒀) ∝ ℓ(𝜼|𝒀)𝑝(𝜼), (7)
donde 𝑝(𝜼) es el pdf previo de los parámetros, lo que refleja el
conocimiento de los parámetros antes de que los datos 𝒀 estén
disponibles, y ℓ(𝜼|𝒀) es la función de verosimilitud. En el
Apéndice B, una expresión para la función de verosimilitud se
deriva en base al modelo de error definido en las ecuaciones (4)
- (6). La expresión resultante para la función log-verosimilitud
es,
2𝜎𝜉 𝜔𝛽
𝐿(𝜼|𝒀) = 𝑛 log
𝜉 + 𝜉 −1
𝑛 𝑛
2⁄(1+𝛽)
− ∑ log 𝜎𝑡 − 𝑐𝛽 ∑|𝑎𝜉,𝑡 | , (8)
𝑡=1 𝑖=1
donde los errores 𝑎𝜉,𝑡 y los valores para 𝜎𝑡 , 𝜎𝜉 , 𝑐𝛽 , 𝜔𝛽 se
calculan como se describe en la sección anterior. La función de
verosimilitud logarítmica en la ecuación (8) relaja las
suposiciones comunes sobre los errores residuales y, por lo
tanto, se prevé que sea más aplicable en los estudios
hidrológicos. Esto se investigará en la sección 3, donde el
rendimiento de la función de log-verosimilitud generalizada
("GL") en la ecuación (8) se comparará con el enfoque de
mínimos cuadrados estándar común ("SLS"). Como se discutió
en el Apéndice B, la ecuación (8) es una función de log-
verosimilitud condicional, válida para tamaños de muestra de
moderados a grandes 𝑛 típicamente disponible en aplicaciones
de precipitación-escorrentía. Por ejemplo, Sorooshian y Dracup
[1980] compararon las funciones de verosimilitud condicional y
exacta para el caso especial de un modelo de error de AR (1)
con innovaciones gaussianas y encontraron que estaban muy
de acuerdo.
[16] La Tabla 1 resume varias funciones de verosimilitud
formales utilizadas anteriormente en aplicaciones de modelado
de precipitación-escorrentía y muestra cómo la función de
verosimilitud logarítmica en la ecuación (8) puede reducirse a
estas haciendo suposiciones específicas sobre los errores
residuales. Por ejemplo, para errores gaussianos (𝜉 = 1, 𝛽 =
0) que son homoscedásticos (𝜎1 = 0) e independientes (𝜙𝑖 =
0), la ecuación (8) se reduce al enfoque SLS. También se
enumeran otras funciones de verosimilitud previamente
utilizadas. Sorooshian y Dracup [1980] introdujeron un modelo
de error gaussiano multivariante y derivaron funciones de
verosimilitud para casos de errores heteroscedásticos, es decir,
varianza no constante o de autocorrelación de primer orden. Su
enfoque fue generalizado por Kuczera [1983], que consideró un
modelo ARMA general para los errores, en combinación con
una transformación de Box-Cox del flujo de corriente
W10531
observado y simulado para explicar los errores
heteroscedásticos y asimétricos. Un enfoque similar fue
adoptado por Bates y Campbell [2001], pero utilizando AR en
lugar de modelos ARMA para dar cuenta de la correlación.
Finalmente, Thiemann et al. [2001] descuidó la correlación de
errores, pero propuso la distribución de potencia exponencial
[Box y Tiao, 1992] para modelar la curtosis, mientras usaba una
log-transformación para explicar la heterocedasticidad y la
asimetría. Debe quedar claro a partir de la Tabla 1 que la
función de verosimilitud logarítmica en la ecuación (8)
generaliza los enfoques previos e introduce flexibilidad
adicional para dar cuenta simultáneamente de los residuos
correlacionados, heteroscedásticos y no gaussianos.
[17] Con la especificación de un parámetro anterior pdf, la
ecuación (8) puede usarse para calcular la incertidumbre
posterior del parámetro usando la ecuación (7), por ejemplo,
mediante el muestreo repetido de Monte Carlo de conjuntos
de parámetros del espacio de parámetros anterior. Esto se
realiza de manera eficiente utilizando la simulación de la
cadena Monte Carlo Markov (MCMC) [Bates y Campbell, 2001;
Vrugt et al., 2003; Engeland et al., 2005; Vrugt et al., 2006;
Kuczera y Parent, 1998; Smith y Marshall, 2008]. El algoritmo
de MCMC utilizado en este documento se llama DREAM-ZS
(algoritmo de Metrópolis Adaptativa de DiffeRential Evolution)
y fue desarrollado por Vrugt et al. [2009]. DREAM-ZS se basa en
el algoritmo DREAM original [Vrugt et al., 2009] pero utiliza el
muestreo de un archivo de estados pasados para generar
puntos candidatos en cada cadena individual. El muestreo del
pasado evita la necesidad de un gran número de cadenas
paralelas, diseñadas para acelerar la convergencia en
problemas de grandes dimensiones. La experiencia con
DREAM-ZS sugiere que solo se necesitan tres cadenas paralelas
para explorar adecuadamente el PDF posterior, lo que reduce
el tiempo requerido para la quema. Además, DREAM-ZS no
requiere la detección y eliminación de valores atípicos,
manteniendo un equilibrio detallado en cada paso en cada una
de las cadenas paralelas. Finalmente, DREAM-ZS contiene una
actualización de snooker para generar saltos más allá de las
actualizaciones de dirección paralela [ter Braak y Vrugt, 2008] y
aumenta la diversidad de los puntos candidatos.
2.3. Incertidumbre predictiva
[18] Además de la incertidumbre de los parámetros, también
estamos interesados en la incertidumbre predictiva del
modelo. Los percentiles predictivos 𝒀𝛼 , que corresponden a
una probabilidad de excedencia especificada 1 − 𝛼 se
obtienen de la siguiente relación,
𝑃(𝒀 ≤ 𝒀𝜶 |𝑿) = 𝑃([𝒀ℎ (𝑿|𝜼ℎ )𝝁 + 𝒆(𝜼𝑒 )]1…𝐽 ≤ 𝒀𝛼 |𝑿)
= 𝛼, (9)
donde 𝐽 parámetro establece 𝜼 = {𝜼ℎ , 𝜼𝑒 } se muestrean
aleatoriamente desde el parámetro posterior pdf obtenido con
el algoritmo MCMC y se utilizan para generar series de tiempo
𝐽 para la salida del modelo 𝒀ℎ y los errores 𝒆. Estas series de
tiempo 𝐽 corresponden a predicciones del modelo 𝐽 en cada
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
paso de tiempo, a partir de las cuales podemos calcular los
percentiles de predicción 𝒀𝛼 para cada paso de tiempo (por
ejemplo, tomando 𝛼 = 0.975 y 𝛼 = 0.025 rendimientos de
series de tiempo de los percentiles de predicción de 97.5% y
2.5%; que juntos constituyen las bandas de incertidumbre de
predicción del 95%). Para 𝒆 = 0, obtenemos percentiles de
predicción 𝒀𝛼 debido a la incertidumbre en los valores del
parámetro del modelo hidrológico. La estimación de la
incertidumbre predictiva total requiere errores de cálculo 𝒆, lo
que implica generar muestras independientes de una
distribución de SEP. Esto se hace usando el siguiente algoritmo
basado en los estudios de Johnson [1979] y Würtz y Chalabi
[2009]:
[19] 1. Genere una muestra 𝑔𝑡 de la distribución 𝛾 con el
parámetro de forma (1 + 𝛽) / 2 y el parámetro de escala 1.
Figura 2. Estructura del modelo y parametrizaciones del proceso
hidrológico. Las cajas representan unidades de balance de agua
con los flujos de agua indicados simulados de la siguiente
manera: evaporación 𝐸𝐼 = 𝑚𝑖𝑛 (𝐸𝑝 , 𝑆𝐼,0 ), precipitación
efectiva 𝑃 𝑒 = 𝑃 − (𝐼𝑚𝑎𝑥 − 𝑆𝐼,0 ), evaporación 𝐸𝑎 = (𝐸𝑝 −
𝐸𝐼 ) 𝑓 (𝑆𝑟 |𝛼𝐸 ), escorrentía 𝑄𝑟𝑢𝑛𝑜𝑓𝑓 = 𝑃 𝑒 𝑓(𝑆𝑟 |𝛼𝐹 ),
percolación 𝑄 𝑝𝑒𝑟𝑐 = 𝑄 𝑠𝑚𝑎𝑥 𝑓 (𝑆𝑟 |𝛼𝑆 ), flujo de flujo rápido
𝑄𝐹 = 𝐾𝐹 𝑆𝐹 y flujo base 𝑄𝑆 = 𝐾𝑆 𝑆𝑆 . La relación funcional entre
los flujos y el almacenamiento en el yacimiento no saturado se
1−𝑒 −𝛼𝑆𝑟
parametriza como 𝑓(𝑆𝑟 |𝛼𝐹 ) = , donde 𝛼 es un
1−𝑒 −𝛼
parámetro específico del proceso. Todos los parámetros se
enumeran y explican en la Tabla 2.
[20] 2. Genera un signo aleatorio 𝑠𝑡 (+1 𝑜 − 1) con la misma
probabilidad.
Γ1⁄2 [(1+𝛽)⁄2]
[21] 3. Calcula 𝐸𝑃𝑡 = 𝑠𝑡 |𝑔𝑡 |(1+𝛽)⁄2 , que es una
Γ1⁄2 [3(1+𝛽)⁄2]
muestra de la distribución de potencia exponencial,
𝐸𝑃 (0, 1, 𝛽).
[22] 4. Genera un signo aleatorio 𝑤𝑡 (+1 𝑜 − 1) con
𝜉 𝜉
probabilidades 1 − −1 y −1 .
𝜉+𝜉 𝜉+𝜉
[23] 5. Calcule 𝑆𝐸𝑃𝑡 = −𝑤𝑡 𝐼𝐸𝑃𝑡 |𝜉 𝑤𝑡 , que es una muestra de la
distribución de potencia exponencial oblicua, 𝑆𝐸𝑃(𝜇𝜉 , 𝜎𝜉 , 𝜉, 𝛽),
con 𝜇𝜉 y , 𝜎𝜉 dados por (A5) y (A6).
[24] 6. Normalizar: 𝑎𝑡 = (𝑆𝐸𝑃𝑡 − 𝜇𝜉 ) / 𝜎𝜉
[25] El algoritmo se repite 𝑛 veces (𝑡 = 1 . . . 𝑛) para obtener
𝑛 muestras independientes a partir de la densidad de potencia
6
exponencial sesgada 𝑆𝐸𝑃(0,1, 𝜉, 𝛽). Los correspondientes
errores heteroscedásticos y correlacionados se obtienen
usando la ecuación (4). Una función de MATLAB que
implementa este algoritmo de simulación, así como también la
función de verosimilitud logarítmica generalizada de la
ecuación (8), está disponible a petición del primer autor.
3. Aplicación al modelado de precipitación-
escorrentía
[26] Usamos datos diarios de la precipitación media del área, la
evaporación potencial media del área y el flujo de dos cuencas
estadounidenses, a saber, la cuenca francesa Broad River en
Asheville, Carolina del Norte, y la cuenca del río Guadalupe en
Spring Branch, TX. Estas son, respectivamente, la más húmeda
y más seca de las 12 cuencas MOPEX descritas en el estudio de
Duan et al. [2006]. Los registros diarios de precipitación y
evaporación potencial se ingresan en un modelo de
precipitación-escorrentía conceptual concentrado [Schoups et
al., 2010] basado en el sistema de modelado FLEX [Fenicia et
al., 2007] para simular el flujo de flujo diario. El modelo
considera la interceptación, la caída, la evaporación, la
generación de escorrentía, la percolación y el enrutamiento de
agua superficial y subterránea a la salida de la cuenca. Se
supone que la generación de escorrentía está dominada por un
flujo superficial saturado y se simula en función del
almacenamiento de agua de la cuenca sin una dependencia
explícita de la intensidad de la lluvia. Esta suposición es
típicamente válida para climas templados, pero puede ser
violada en la cuenca semiárida del río Guadalupe. La
acumulación de nieve y el deshielo no se tienen en cuenta,
aunque estos procesos ocurren en la cuenca francesa de Broad
River. La severidad de estos errores estructurales del modelo se
evaluará en los estudios de casos a continuación. En la Figura 2
se muestran las parametrizaciones de la estructura del modelo
y del proceso hidrológico. Obsérvese que nuestro enfoque es
similar a las estructuras conceptuales de escorrentía pluvial
utilizadas comúnmente: el almacén no lineal de contabilidad de
humedad del suelo combinado con reservorios paralelos para
una respuesta hidrológica lenta y rápida fue defendido por
Jakeman y Hornberger [1993] y se ha utilizado en muchos otros
estudios también. El modelo incluye un total de siete
parámetros hidrológicos que deben estimarse, como se resume
en la Tabla 2. Suponemos los residuos que se describirán
mediante un modelo de error autorregresivo de primer orden,
la ecuación (4), con el coeficiente de correlación 𝜙1 . Este
modelo AR (1) se extenderá a modelos AR de orden superior si
así lo determinan los datos.
[27] La Tabla 2 resume todos los parámetros hidrológicos y del
modelo de error y sus intervalos de incertidumbre previos.
Suponemos priors uniformes para todos los parámetros, que se
considera aceptable aquí debido a la gran cantidad de puntos
de datos utilizados (𝑛 = 1825). Con un tamaño de muestra
más pequeño, se debe prestar más atención a la selección de
los antes y su efecto en el posterior. Además de los parámetros
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
hidrológicos, es necesario estimar un máximo de cinco
parámetros del modelo de error a partir de los datos de
descarga medidos. Sin embargo, como se analizará en los
siguientes estudios de casos, el número de parámetros del
modelo de error varía según cada caso, según lo dicten los
datos. La discusión de los resultados en las siguientes secciones
se enfocará en el parámetro y la incertidumbre predictiva
estimada usando la función de verosimilitud formal
generalizada derivada en la ecuación (8). En lo sucesivo, estos
resultados se denominan "GL" (probabilidad generalizada).
Para comparar nuestros resultados, incluiremos una
comparación con un enfoque de mínimos cuadrados estándar
("SLS"), asumiendo residuos de error gaussianos
independientes, homoscedásico.
Tabla 2. Rangos de incertidumbre anteriores de los parámetrosa
hidrológicos y del modelo de error
a
El parámetro de garantía 𝛼𝑆 se establece en cero (es decir, se
supone que la percolación es una función lineal del
almacenamiento del suelo, consulte la Figura 2).
3.1. Datos sintéticos: verificación de estimación y algoritmo
de simulación
[28] Antes de presentar nuestros hallazgos utilizando los datos
medidos de flujos de flujo, la metodología se prueba primero
usando datos de descargas artificiales. Se generaron series de
tiempo de datos de flujo diario con el modelo hidrológico de
siete parámetros utilizando la precipitación diaria observada y
la evaporación potencial de la cuenca francesa de Broad River.
Este registro de descarga sintética se corrompió
posteriormente con errores artificiales matemáticamente
definidos en la ecuación (4) utilizando el algoritmo descrito en
la sección 2.3. Los parámetros hidrológicos y del modelo de
error se dedujeron a partir de los datos del flujo de flujo
sintético dañado utilizando la probabilidad logarítmica de la
ecuación (8) y el algoritmo MCMC en la sección 2.2.
[29] La Tabla 3 presenta resultados para diferentes casos,
incluidos errores heteroscedásticos, correlacionados y no
gaussianos. Nuestro método es capaz de inferir la estructura de
error subyacente y los valores del parámetro del modelo
hidrológico para todos los casos presentados, con desviaciones
7
entre los valores del parámetro de verosimilitud y máxima que
son pequeños en comparación con los intervalos de
incertidumbre del parámetro del 95% obtenidos en cada caso.
De los resultados en la Tabla 3, se concluye que el algoritmo
MCMC es capaz de inferir de forma simultánea los parámetros
correctos del modelo hidrológico y de error. Estos resultados
confirman que tanto el método de inferencia en la sección 2.2,
basado en el modelo de error de la ecuación (4) y la
correspondiente función de verosimilitud de log de la ecuación
(8), y el método de simulación en la sección 2.3, se implementan
correctamente. En las siguientes secciones investigamos si el
modelo de error definido en la ecuación (4) proporciona una
representación precisa de los errores residuales encontrados
en las aplicaciones de precipitación-escorrentía.
3.2. Primer estudio de caso: Cuenca French Broad
3.2.1. Evaluación de modelos de error
[30] Se utilizaron cinco años de forzamiento diario observado
(precipitación, evaporación potencial) y flujo de flujo diario
observado para identificar los parámetros del modelo
hidrológico y de error. La Figura 3 muestra los resultados para
el modelo ajustado utilizando SLS con siete parámetros
hidrológicos y un parámetro de error (varianza de error
constante). Tenga en cuenta que el modelo imita los datos
bastante bien, reproduciendo la mayoría de los eventos de flujo
menor y mayor. Sin embargo, una inspección más cercana de
los residuos del modelo en la Figura 3 revela que las
suposiciones del SLS no son válidas: (1) la varianza del error
aumenta como una función del flujo simulado, lo que sugiere
heterocedasticidad; (2) el histograma de error es más
puntiagudo que el pdf gaussiano asumido, y (3) los errores
están significativamente correlacionados con un retraso de
uno, lo que viola la suposición de independencia de SLS. Tales
violaciones también se han informado en otros estudios de
escorrentía de lluvia [por ejemplo, Kuczera, 1983; Feyen et al.,
2007; Thyer et al., 2009]. Estos errores pueden deberse a una
combinación de medición, entrada de modelo y errores
estructurales del modelo. Por ejemplo, descuidar la
acumulación de nieve y los procesos de fusión pueden ser una
razón para la correlación en errores residuales, especialmente
durante el invierno y la primavera, pero eventualmente
durante todo el año, ya que los valores de los parámetros
compensan parcialmente los errores estructurales durante la
calibración.
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
Tabla 3. Resumen de los parámetros hidrológicos y de modelo de error verdaderos e inferidos que utilizan flujo diario generado sintéticamente

a
Los datos sintéticos se generan utilizando el algoritmo descrito en la sección 2.3, y la inferencia se basa en la función de verosimilitud generalizada correspondiente "GL" en la
ecuación (8). Los valores de máxima verosimilitud (bajo encabezados GL) y, a su lado, se dan intervalos del 95%. En cada caso, los valores informados son promedios de 10
repetidos experimentos sintéticos de 5 años.
b
Cases: 1 = errores gaussianos homoscedásticos, no correlacionados; 2 = errores gaussianos heteroscedásticos, no correlacionados; 3 = errores heteroscedásticos,
correlacionados y gaussianos; 4 = errores heteroscedásticos, correlacionados, laplacianos; 5 = errores laplacianos heteroscedásticos, correlacionados e inclinados.

8
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531

Figura 3. Calibración SLS para la cuenca francesa de Broad River: (a) series temporales de predicciones de flujo de máxima
verosimilitud (línea continua) y observaciones (puntos), (b) residuales en función del flujo simulado, (c) supuestos (línea continua) y
el pdf real (cruces) de residuos 𝑎𝑡 , y (d) coeficientes de autocorrelación parcial de residuos 𝑎𝑡 niveles de significación del 95%.

Figura 4. Calibración GL para la cuenca francesa de Broad River: (a) serie temporal de predicciones de flujo de máxima verosimilitud
(línea continua) y observaciones (puntos), (b) residuales en función del flujo simulado, (c) supuesta (línea continua) y el pdf real
(cruces) de residuos 𝑎𝑡 , y (d) coeficientes de autocorrelación parcial de residuos en niveles de significación del 95%.

9
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
[31] Para tener en cuenta las desviaciones de las suposiciones
de SLS, se realizó una segunda calibración en la que la
heterocedasticidad, la anormalidad y las correlaciones de
errores se contabilizaron explícitamente utilizando la función
de verosimilitud generalizada ("GL") de la ecuación (8). Los
parámetros hidrológicos ahora se aumentan con dos
parámetros de varianza (𝜎1 y 𝜎0 ), un parámetro de forma (𝛽) y
un coeficiente de autocorrelación de primer orden 𝜙1 ). Esto da
como resultado un modelo que nuevamente se ajusta bastante
bien a los datos, aunque con un error cuadrático medio (MSE)
que es dos veces mayor que con SLS (Figura 4). Una explicación
es que GL pone menos énfasis en ajustar los flujos máximos
debido a los errores heteroscedásticos. Además, dado que SLS
minimiza el MSE, siempre producirá valores de MSE más
pequeños que otros métodos. La comparación de modelos
basados en MSE supone que los errores satisfacen las
suposiciones de SLS. Como se ve claramente en la Figura 3,
estas suposiciones no se sostienen aquí. Una mejor forma de
evaluar la idoneidad del modelo de error GL con respecto al
modelo de error SLS es comparar sus respectivos valores
máximos de log-verosimilitud (o densidades posteriores). Para
el conjunto de datos de calibración de 5 años, encontramos que
el modelo de error GL tiene una probabilidad de registro mucho
mayor que el modelo de error SLS, es decir, 540 versus -1690.
Esto quizás no sea tan sorprendente ya que el modelo de error
GL contiene tres parámetros adicionales para el ajuste de datos.
Sin embargo, los valores máximos de verosimilitud logarítmica
durante un período de evaluación independiente de 20 años
(1970 para GL versus -6140 para SLS), así como valores para el
Criterio de Información Bayesiano (a minimizar) [Marshall et al.,
2005] (- 997 para GL versus 3440 para SLS) ambos confirman la
superioridad del modelo de error GL.

Figura 5. Histogramas posteriores de parámetros del modelo de error usando GL en la cuenca francesa de Broad River.

Figura 6. Histogramas posteriores de los parámetros del modelo hidrológico usando SLS (negro) y GL (gris) en la cuenca francesa de
Broad River.

[32] Además, la inferencia de parámetros usando GL es heterocedasticidad y la correlación entre errores, y la

consistente con las suposiciones a priori, como se muestra en distribución del error inferido coincide estrechamente con la
las gráficas de diagnóstico en la Figura 4. Se ha eliminado la distribución empírica del modelo derechos residuales de autor.
10
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
Los histogramas posteriores correspondientes de los
parámetros de error se muestran en la Figura 5, lo que indica
que los cuatro parámetros están bien identificados. Tenga en
cuenta que curtosis parámetro 𝛽 se acerca a un valor de 1, lo
que significa que los errores siguen una distribución de Laplace
o doble exponencial. Como se muestra en la Figura 4, la
distribución de Laplace tiene más picos que la distribución de
Gauss, y también tiene colas más pesadas, lo que la hace
robusta contra los valores atípicos. Nuestros resultados
muestran una fuerte evidencia de errores de cola pesada.
Figura 7. Valores de parámetros de máxima verosimilitud
(negro) y bandas de incertidumbre del 95% (gris) utilizando SLS
y GL en la cuenca francesa de Broad River.
3.2.2. Parámetro Incertidumbre
[33] Hasta ahora, los resultados indican que los errores
residuales están mejor representados por un modelo de error
que explica explícitamente la heterocedasticidad, la correlación
y la no normalidad, en comparación con los supuestos
11
simplificadores inherentes a SLS. La siguiente pregunta que
deseamos abordar es qué efecto tiene la violación de las
suposiciones de SLS sobre las estimaciones del parámetro
hidrológico y la incertidumbre predictiva.
[34] La Figura 6 presenta histogramas de parámetros
posteriores para los siete parámetros hidrológicos basados en
las estrategias de inferencia SLS y GL. Dos hallazgos importantes
se pueden deducir de estas parcelas. En primer lugar, la
inferencia de parámetros basada en supuestos de error no
válidos (SLS) arroja estimaciones de parámetros que se desvían
significativamente de las obtenidas con un modelo de error (GL)
más apropiado. Este es el caso más notable para el parámetro
𝑆𝑚𝑎𝑥 , la capacidad de almacenamiento de agua del suelo, que
es un parámetro clave en el modelo para separar la lluvia
efectiva en escorrentía, evaporación y percolación. Las
estimaciones de los parámetros bajo SLS pueden incluso
conducir a valores no físicos, como es el caso del parámetro
𝐼𝑚𝑎𝑥 , que representa la capacidad de interceptación de la
vegetación. Usando SLS, este parámetro se ubica en su límite
superior de 10 mm, mientras que bajo GL se obtienen valores
más realistas de alrededor de 2 mm [Breuer et al., 2003].
[35] El segundo hallazgo en la Figura 6 es que la incertidumbre
del parámetro, medida por el ancho o la extensión de los
histogramas de parámetros posteriores, es subestimada por
SLS en comparación con GL. Este es, por ejemplo, claramente el
caso para los parámetros 𝑄 𝑠𝑚𝑎𝑥 y 𝛼𝐹 Una mayor incertidumbre
bajo los resultados GL de una combinación de factores (1) que
explica la correlación de error reduce el contenido de
información de los datos, (2) el modelo de error
heteroscedástico asigna una mayor incertidumbre a los flujos
máximos y (3) la distribución inferida de Laplace tiene colas más
pesadas que la distribución Gaussiana. La subestimación de la
incertidumbre de parámetros usando SLS también fue
encontrada por Thyer et al. [2009].
[36] La evaluación adicional y la comparación de las
estimaciones de los parámetros por SLS y GL se realizó
mediante períodos de calibración de 5 años con diferentes
puntos de partida. Cada período de calibración se modificó en
1 año, de modo que los períodos subsiguientes tienen 4 años
de datos en común. Se consideraron diez períodos de
calibración diferentes, y para cada conjunto de datos, los
parámetros se dedujeron usando SLS y GL. La experiencia
sugiere que 5 años de datos de flujo diario contienen suficiente
información sobre los parámetros de los modelos conceptuales
de precipitación-escorrentía y, por lo tanto, no se prevén
variaciones significativas en las estimaciones de los parámetros
entre los conjuntos de datos de calibración. Las estimaciones
resultantes de la incertidumbre de los parámetros para cada
uno de los siete parámetros hidrológicos se muestran en la
Figura 7. La robustez de los parámetros se cuantificó calculando
la varianza de los medios de parámetros posteriores, dividida
por la varianza total de las muestras MCMC posteriores en
todos los períodos de calibración. Para cada parámetro, esta
relación fue menor para GL (rango, 0.04-0.84) que para SLS
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
(rango, 0.22-0.99). Junto con la Figura 7, estos resultados
indican que las estimaciones de los parámetros GL son
consistentes entre los conjuntos de datos de calibración,
mientras que las estimaciones de los parámetros SLS son más
sensibles a las variaciones en los datos de calibración. Este
último confirma los resultados informados por Thyer et al.
[2009]. La solidez de los resultados de inferencia GL se puede
atribuir a tres factores: (1) al dar cuenta de la
heterocedasticidad, se da menos peso a los flujos altos,
haciendo que la inferencia sea menos sensible a eventos de
flujo grandes en diferentes conjuntos de datos de calibración;
(2) las colas largas de la distribución de Laplace permiten un
mayor número de grandes errores, lo que de nuevo induce
robustez frente a valores atípicos y variaciones aleatorias en
eventos de gran flujo; (3) la contabilidad de la autocorrelación
en los errores residuales filtra la medición, la entrada del
modelo y los errores estructurales del modelo, lo que resulta
en estimaciones de parámetros menos sesgadas y más
consistentes [Vrugt et al., 2005].
3.2.3. Incertidumbre predictiva
[37] Además de la incertidumbre de los parámetros, se espera
que las suposiciones sobre los errores residuales tengan
consecuencias directas para las estimaciones de la
incertidumbre de la predicción. La Figura 8 muestra series
temporales y cuantiles cuantílicos (QQ) gráficas para
predicciones de flujo utilizando suposiciones de SLS. Es obvio a
partir de estos resultados que SLS produce predicciones de flujo
de agua inadecuadas. El problema de ignorar la
heterocedasticidad es claramente visible en las gráficas de
series de tiempo: el uso de una varianza de error constante
(promedio) resulta en una sobreestimación de la incertidumbre
de predicción para flujos bajos y una subestimación para flujos
altos. Como el registro del flujo está dominado por flujos bajos,
intercalados con eventos de alto flujo, la característica
dominante de los diagramas QQ de calibración y validación es
su curvatura en forma de S, indicativa de una sobreestimación
de la incertidumbre de predicción [Thyer et al., 2009]. Tal
sobreestimación puede incluso llevar a bandas de
incertidumbre de predicción que se vuelven negativas, como es
evidente en el gráfico de serie temporal de la Figura 8.
[38] Por el contrario, la incertidumbre predictiva calculada sin
hacer suposiciones simplificadoras de SLS da como resultado
bandas de incertidumbre que, aunque no son perfectas, son
más realistas (Figura 9). Ahora, las bandas de predicción a flujos
bajos son más estrechas y los flujos observados más de cerca.
Además, la mayor incertidumbre para los flujos altos se tiene
en cuenta mediante el uso de una varianza de error que
aumenta como una función del flujo de flujo simulado. Las
gráficas de QQ en la Figura 9 confirman que las predicciones en
GL representan mejor los flujos observados, ya que los gráficos
QQ se aproximan a la línea 1: 1, especialmente para el conjunto
de datos de validación, mientras que para el conjunto de datos
de calibración es aparente una sobre-predicción sistemática.
12
3.3. Segundo estudio de caso: cuenca del río Guadalupe
[39] En el segundo caso de estudio, estudiamos una cuenca
mucho más seca. El flujo de flujo se caracteriza por periodos
extendidos de flujos cercanos a cero, alternados con flujos pico
fuertemente no lineales después de eventos de lluvia. Se espera
que el modelo de escorrentía pluvial simple utilizado aquí no
tenga en cuenta todos los procesos relevantes en esta cuenca,
como la generación de exceso de infiltración y la inundación
repentina [Clark et al., 2008]. Por lo tanto, se anticipa que los
errores residuales serán más complejos que en el primer caso
de estudio, lo que representa un mayor desafío para un análisis
de incertidumbre formal. Seguimos un enfoque similar al del
primer caso de estudio, en el que aumentamos gradualmente
la complejidad del modelo de error, empezando por el modelo
más simple, a saber, SLS, hasta que se obtienen resultados
satisfactorios mediante controles posteriores y análisis de
bandas de incertidumbre predictiva.
[40] Las predicciones de modelo y las gráficas de diagnóstico
correspondientes que usan SLS se muestran en la Figura 10.
Como antes, las suposiciones de SLS de varianza constante y
residuos normalmente distribuidos se violan claramente.
Además, los residuos están ligeramente correlacionados en
rezagos pequeños, pero menos que en el primer caso de
estudio. Los resultados en la Figura 10 muestran que el modelo
de error SLS produce bandas de incertidumbre de predicción
poco realistas. La situación es especialmente problemática en
este caso con flujos cercanos a cero, donde SLS da como
resultado límites de predicción inferiores negativos para la
mayor parte del registro de flujo.
[41] A continuación, el análisis se repitió con parámetros de
error adicionales para heterocedasticidad, autocorrelación y
anormalidad (curtosis), siguiendo el mismo enfoque que en el
primer caso de estudio. Los resultados (no mostrados)
revelaron que, aunque se cumplen los supuestos de error, las
bandas de incertidumbre de predicción son grandes y sin
sentido. Esto es causado por el gran valor inferido para el
coeficiente de autocorrelación, que es cercano a 1 en este caso.
Un valor para 𝜙1 cerca de 1 equivale a una caminata aleatoria,
lo que resulta en grandes errores aleatorios. Una posible
explicación para este resultado es que los errores residuales
son demasiado severos para ser contabilizados por un modelo
simple AR (1). Por lo tanto, también se consideraron modelos
AR de orden superior, específicamente AR (2) y AR (4). Sin
embargo, esto resultó en límites de error similarmente irreales
como los de un modelo AR (1).
[42] Como una alternativa a la contabilidad de las correlaciones
de errores, se buscaron mejoras en la predicción de los valores
esperados del flujo introduciendo los factores de sesgo del
modelo variable en el tiempo 𝜇𝑡 , como en la ecuación (2), para
compensar los grandes errores residuales. Por lo tanto, el
parámetro de sesgo 𝜇ℎ en la ecuación (3) se dedujo junto con
los parámetros del modelo hidrológico y los parámetros del
modelo de error para heterocedasticidad (𝜎0 , 𝜎1 ) y curtosis (𝛽).
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
La magnitud de los factores de polarización en la ecuación (2)
se limitó a un valor de 10. Al tiempo que se mejoraron los
resultados, las bandas de incertidumbre de predicción y los
diagramas de diagnóstico en este caso (no mostrados)
indicaron la necesidad de dos correcciones adicionales.
Primero, la correlación significativa permaneció entre los
errores residuales en el desfase 1, sugiriendo la necesidad de
incluir un modelo AR. En segundo lugar, las bandas de
incertidumbre de predicción más baja se volvieron negativas,
debido a los bajos flujos generales en esta cuenca, combinados
con el uso de una distribución simétrica para los errores
residuales. Por lo tanto, una ejecución final incluyó los
siguientes parámetros del modelo de error: parámetro de
polarización 𝜇ℎ , parámetros de heterocedasticidad (𝜎0 , 𝜎1 ),
curtosis (𝛽) y sesgo (𝜉), y un coeficiente de autocorrelación de
primer orden 𝜙1 . Para evitar los problemas descritos
anteriormente, el coeficiente de correlación no se dedujo
automáticamente, sino que se fijó en un valor de 0,4, basado en
la inspección de las parcelas de diagnóstico.

Figura 8. Incertidumbre predictiva utilizando SLS en la cuenca francesa de Broad River: (a) series de tiempo de observaciones
(puntos) y 95% de bandas de incertidumbre de predicción total (líneas continuas); (b y c) diagramas QQ para períodos de calibración
y validación.

[43] La Figura 11 muestra diagramas de diagnóstico resultantes
y predicciones de flujo usando el enfoque GL. En comparación
con los resultados de SLS en la Figura 10, las bandas de
incertidumbre de predicción se han mejorado mucho,
proporcionando una mejor descripción de los valores
observados y permaneciendo positivos a lo largo del registro de
flujo. Además, la distribución de error inferido coincide más
estrechamente con la distribución supuesta. El valor inferido
para el parámetro de asimetría 𝜉 en este caso es
aproximadamente 1.3 (Figura 12), lo que indica una
13
distribución de error sesgada positivamente, como también se
puede observar en la Figura 11c. Las gráficas de diagnóstico en
la Figura 11 indican además que el modelo de error GL eliminó
la heterocedasticidad residual y la correlación de primer orden,
con alguna correlación menor restante en rezagos mayores. La
Figura 12 resume los histogramas posteriores para todos los
modelos hidrológicos y los parámetros del modelo de error
utilizando el enfoque GL. La mayoría de los parámetros están
bastante bien identificados, a excepción de dos parámetros
(𝑆𝑚𝑎𝑥 y 𝐾𝑆 ) que alcanzan su límite superior, lo que indica que
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
se prefieren valores aún mayores para estos parámetros. Una respuesta lentos para el flujo subsuperficial. Finalmente, la
interpretación física podría ser que estos grandes valores Tabla 4 muestra correlaciones posteriores algo elevadas
inferidos para 𝑆𝑚𝑎𝑥 y 𝐾𝑆 son indicativos de zonas vadosas alrededor de 0,9 entre los parámetros 𝑄𝑠𝑚𝑎𝑥 y tanto 𝛼𝐸 como
relativamente secas y profundas en cuencas semiáridas, lo que 𝛼𝐹 , lo que sugiere que uno de estos podría ser fijo en esta
resulta en grandes efectos de almacenamiento y tiempos de cuenca semiárida.

Figura 9. Incertidumbre predictiva utilizando GL en la cuenca francesa de Broad River: (a) serie de tiempo de observaciones (puntos)
y 95% de bandas de incertidumbre de predicción total (líneas continuas); (b y c) diagramas de QQ para períodos de calibración y
validación.

estudios de casos, los supuestos SLS tradicionales de

4. Discusión y conclusiones
[44] Los resultados de ambos estudios de casos confirman el
trabajo previo [por ejemplo, Kuczera, 1983; Vrugt et al., 2008a;
Thyer et al., 2009] que la estimación precisa de la incertidumbre
de parámetro y predicción depende de una representación
estadística adecuada de los errores residuales. En ambos
independencia residual, homocedasticidad y normalidad
fueron claramente violados. Nuestro enfoque relaja estas
suposiciones y se basa en un modelo de error residual
estadístico, con la correspondiente función de verosimilitud,
que explica explícitamente la correlación, la heterocedasticidad
y la no normalidad de los errores residuales del modelo.

14
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
[45] La aplicación del enfoque a la modelación de las
precipitaciones y la escorrentía en la cuenca húmeda (French
Broad River) dio como resultado resultados alentadores. El
modelo de error parece ser lo suficientemente flexible para
describir los errores en este caso. Un modelo autorregresivo de
primer orden, combinado con un modelo de
heterocedasticidad lineal y una distribución de Laplace para los
errores residuales, funcionó bastante bien, como lo revelan los
diagramas de diagnóstico de error posterior. Además, este
modelo de error y la función de verosimilitud correspondiente
generaron estimaciones de parámetros que son robustas para
el registro de datos específico utilizado para la inferencia y
arrojaron estimaciones mejoradas de incertidumbre predictiva
en comparación con SLS. La no-robustez de SLS también fue
expuesta por el trabajo de Thyer et al. [2009]. La solidez de los
parámetros usando GL se atribuye al uso de un modelo de error
residual más preciso.
[46] Para la cuenca semiárida, los errores residuales son más
complejos y se introdujeron factores de polarización
multiplicativos para compensar algunos de los errores
residuales más grandes. Estos errores son causados por una
combinación de errores de medición, errores de volumen /
tiempo de lluvia y errores estructurales del modelo. Por
ejemplo, podría hipotetizarse que la escorrentía en esta cuenca
está dominada por el mecanismo de exceso de infiltración (flujo
superficial de Horton). Esto implicaría que el coeficiente de
escorrentía no solo depende de la humedad del suelo, como se
explica en nuestro modelo hidrológico, sino también de la
intensidad de la lluvia. Como se espera que las intensidades de
las precipitaciones varíen de manera significativa

Figura 10. Incertidumbre predictiva y diagramas de diagnóstico usando SLS en la cuenca del río Guadalupe: (a) series de tiempo de
observaciones (puntos) y 95% de bandas de incertidumbre de predicción total (líneas continuas), (b) residuales en función del flujo
simulado (c) supuesto (línea continua) y real (cruces) pdf de residuos 𝑎𝑡 , y (d) coeficientes de autocorrelación parcial de residuos a
niveles de significación del 95%.

durante un solo día, las tasas de lluvia promedio diarias
utilizadas en este estudio no pueden capturar esta dinámica.
Por lo tanto, se puede requerir un cambio a los datos de lluvia
por hora y la adición de un mecanismo de flujo terrestre de
Hortonian al modelo para simular adecuadamente la dinámica
del flujo de la cuenca semiárida. Aquí se usaron factores de
sesgo multiplicativos para explicar algunas de estas
deficiencias. Aunque no es perfecto, este enfoque proporciona
un método simple y parsimonioso (un parámetro adicional)
para tener en cuenta el sesgo del modelo. Los resultados de la
cuenca semiárida también resaltan la importancia de dar
cuenta de la asimetría. El uso de una distribución sesgada
produce bandas de incertidumbre de predicción más realistas,
en el sentido de que se evitan los límites negativos de
predicción inferiores, como se obtienen con una distribución
simétrica.

15
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531

Figura 11. Incertidumbre predictiva y diagramas de diagnóstico usando GL en la cuenca del río Guadalupe: (a) series de tiempo de
observaciones (puntos) y 95% de bandas de incertidumbre de predicción total (líneas continuas), (b) residuales en función del flujo
simulado (c) supuesto (línea continua) y real (cruces) pdf de residuos 𝑎𝑡 , y (d) coeficientes de autocorrelación parcial de residuos a
niveles de significación del 95%.

Figura 12. Histogramas posteriores de los parámetros del modelo hidrológico y de error usando GL en la cuenca del río Guadalupe.

[47] Observamos además que ambas cuencas proporcionaron
una fuerte evidencia a favor de una distribución de Laplace
(simétrica o) para los residuos. La distribución de Laplace
también puede ser una buena elección en muchos otros casos,
16
ya que se han informado residuos de cola pesada en varios
otros estudios [por ejemplo, Bates y Campbell, 2001; Schaefli
et al., 2007; Yang et al., 2007]. La inferencia con un modelo
aditivo de error laplaciano equivale a la mediana o regresión L1,
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
que durante mucho tiempo ha sido defendida por su solidez
frente a los valores atípicos [Koenker y Bassett, 1978].
[48] El enfoque de modelado e inferencia presentado aquí se
desvía de los métodos anteriores que se han basado
principalmente en las transformaciones de Box-Cox para
manejar los residuos heteroscedásticos y no gaussianos en el
modelado hidrológico (Tabla 1). Aunque no proporcionamos
una comparación rigurosa, aún podemos señalar dos ventajas
de nuestro método. En primer lugar, las transformaciones de
Box-Cox son útiles para eliminar la heterocedasticidad y la
asimetría; sin embargo, típicamente no representan los
residuos de cola pesada, como lo muestran los estudios de
Tabla 4. Coeficiente de correlación de parámetros posteriores Matriz de los parámetros hidrológicos y de modelo de error utilizando
GL en la cuenca a del río Guadalupe.
a
Correlaciones mayores a 0.6 están subrayadas.
[49] Nuestro enfoque también se desvía de otros estudios que
se han centrado en separar las diversas contribuciones de error
que componen los residuos del modelo, incluida la medición, el
modelo de entrada y los errores estructurales del modelo [por
ejemplo, Kuczera et al., 2006; Reichert y Mieleitner, 2009;
Renard et al., 2010]. Tales estudios son importantes para
probar las hipótesis sobre las posibles causas de las
desviaciones entre las predicciones del modelo y los datos. Sin
embargo, el desenmarañamiento completo de las diversas
fuentes de error, especialmente la separación de la lluvia y los
errores estructurales del modelo puede ser bastante
desafiante, como se señala en un estudio reciente de Renard et
al. [2010]. Nuestro enfoque es menos ambicioso y se enfoca en
cambio en una descripción estadística correcta de los datos y
los residuales totales del modelo, sin separar varias fuentes de
error. Esto resulta en un método pragmático para estimar la
incertidumbre de parámetros y predicciones de los modelos
hidrológicos sin la necesidad de suposiciones explícitas sobre
diversas contribuciones de errores.
[50] En conclusión, la metodología propuesta en este
documento proporciona una mayor flexibilidad para describir
los errores residuales en las aplicaciones de precipitación-
escorrentía utilizando un enfoque estadístico formal. Esta
flexibilidad se traduce en estimaciones mejoradas de los
parámetros y la incertidumbre de predicción total, en
17
casos de Bates y Campbell [2001] y Yang et al. [2007]. Los
residuos de cola pesada parecen ser bastante comunes en el
modelado hidrológico y se tienen en cuenta utilizando nuestro
enfoque. En segundo lugar, el modelado explícito de la
distribución estadística de errores como se realiza aquí es más
intuitivo que el método de transformación, en el sentido de que
los parámetros del modelo de error tienen una relación directa
con las estadísticas de errores observables. Esto se ilustra
mediante gráficos de diagnóstico en la Figura 3 que sugieren
valores razonables para los parámetros del modelo de error.
Por el contrario, los valores de los parámetros de
transformación de Box-Cox no pueden deducirse fácilmente a
partir de dichos diagramas de diagnóstico.
comparación con los enfoques tradicionales que se basan en
suposiciones poco realistas de residuos de modelos
independientes, homoscedásico y distribuidos normalmente.
Aunque nuestra aplicación se centró en la simulación de flujo
de flujo, la metodología presentada es completamente general
y también puede ser útil para tratar los errores residuales
complejos en otros modelos de regresión hidrológica.
Apéndice A
[51] El apéndice muestra cómo se puede obtener el pdf del
poder exponencial sesgado (SEP) en la ecuación (6) a partir de
la potencia exponencial (EP) pdf de Box y Tiao [1992] utilizando
el método de Fernández y Acero [1998]. Nuestro desarrollo
sigue a Würtz y Chalabi [2009], quienes implementaron el SEP
como parte del paquete fGarch en R. El PDF estandarizado EP
con media cero y desviación estándar de la unidad se puede
expresar como:
𝑓(𝛼|𝛽) = 𝜔𝛽 exp{−𝑐𝛽 |𝑎|2⁄(1+𝛽) }, (𝐴1)
donde 𝛽 es un parámetro de curtosis (−1 < 𝛽 ≤ 1), y 𝜔𝛽 y 𝑐𝛽
están dados por [Box y Tiao, 1992; pag. 157],
Γ 1⁄2 [3 (1 + 𝛽)⁄2]
𝜔𝛽 = , (𝐴2)
(1 + 𝛽)Γ 3⁄2 [(1 + 𝛽)⁄2]
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
1⁄(1+𝛽) conjunto se puede escribir como el producto de densidades
Γ[3 (1 + 𝛽)⁄2]
𝑐𝛽 = ( ) , (𝐴3) marginales y condicionales,
Γ[(1 + 𝛽)⁄2]
𝑝(𝒆|𝜼) = 𝑝(𝒆1;𝑝 |𝜼)𝑝(𝒆𝑝+1:𝑛 |𝒆1;𝑝 , 𝜼). (𝐵2)
donde Γ[𝑥] es la función 𝛾 evaluada en 𝑥. Fernández y Steel
[1998] desarrollaron un método general para introducir sesgo [54] El pdf condicional en (B2) se puede expandir
en una densidad simétrica, recursivamente para producir,
2 𝑛
𝑝(𝜀|𝜉) = 𝑓(𝜉 −𝑠𝑖𝑔𝑛(𝜀) 𝜀), (𝐴4)
𝜉 + 𝜉 −1 𝑝(𝒆|𝜼) = 𝑝(𝒆1;𝑝 |𝜼) ∏ 𝑝(𝒆𝑡 |𝒆1;𝑡−1 , 𝜼) , (𝐵3)
𝑡=𝑝+1
donde 𝜉 es un parámetro de asimetría (𝜉 > 0) y 𝑓 denota una
densidad simétrica, en nuestro caso, el EP pdf estandarizado en que, usando el modelo de error en la ecuación (4), da como
(A1). La desviación media y estándar de 𝜀 puede derivarse de la resultado la siguiente expresión,
ecuación (5) en Fernández y Acero [1998], 𝑛

𝜇𝜉 = 𝑀1 (𝜉 − 𝜉 −1 ), (𝐴5) 𝑝(𝒆|𝜼) = 𝑝(𝒆1;𝑝 |𝜼) ∏ 𝜎𝑡−1 𝑝(𝑎𝑡 |𝜼) . (𝐵4)

𝑡=𝑝+1

𝜎𝜉 = √(𝑀2 − 𝑀12 )(𝜉 2 + 𝜉 −2 ) + 2𝑀12 − 𝑀2 , (𝐴6) con densidad 𝑝(𝑎𝑡 |𝜼) dada por la ecuación (6).

donde 𝑀𝑟 es el rth momento absoluto de la densidad simétrica [55] Para las innovaciones gaussianas en, el pdf marginal
𝑓, 𝑝(𝒆1;𝑝 |𝜼) también es gaussiano, lo que resulta en expresiones
∞
cerradas para la función de verosimilitud exacta (ver Newbold
[1974] para los modelos ARMA, y la ecuación (17) en el estudio
𝑀𝑟 = 2 ∫ 𝑠 𝑟 𝑓(𝑠)𝑑𝑠 . (𝐴7) de Sorooshian y Dracup [1980] para AR (1) modelos con
0 innovaciones gaussianas). Sin embargo, con innovaciones no
[52] Para el pdf EP estandarizado en (A1), se obtienen las gaussianas, el pdf marginal suele ser bastante complicado (ver,
siguientes expresiones para 𝑀1 y 𝑀2 , por ejemplo, Damsleth y El-Shaarawi [1989] para modelos
ARMA con innovaciones de Laplace). Un enfoque común, válido
Γ[1 + 𝛽] para tamaños de muestra 𝑛 moderados a grandes que se
𝑀1 = , (𝐴8)
Γ 1⁄2 Γ[3 (1 + 𝛽)⁄2]Γ 1⁄2 [(1 + 𝛽)⁄2] encuentran típicamente en el modelado de precipitación-
escorrentía, aproxima el pdf marginal 𝑝(𝒆1;𝑝 |𝜼) mediante el
𝑀2 = 1, (𝐴9)
condicionamiento en residuales no observados 𝑒𝑡 (𝑡 <
𝑝
lo que nos permite calcular la media 𝜇𝜉 y la desviación estándar 1): 𝑝(𝒆1;𝑝 |𝜼) ≃ 𝑝(𝒆1;𝑝 |𝒆1−𝑝;0, 𝜼) = ∏𝑡=1 𝜎𝑡−1 𝑝(𝑎𝑡 |𝜼) Insertar
𝜎𝜉 en (A5) y (A6). Para obtener una densidad SEP estandarizada, esta aproximación en (B4) produce una función de
con media cero y desviación estándar unitaria, el pdf en (A4) se verosimilitud condicional,
escala mediante la desviación 𝜎𝜉 y 𝜀 se reemplaza por 𝜇𝜉 + 𝑛
𝜎𝜉 𝑎, ℓ(𝜼|𝒀) ≃ ∏ 𝜎𝑡−1 𝑝(𝑎𝑡 |𝜼) , (𝐵5)
𝑡=1
2𝜎𝜉
𝑝(𝜀|𝜉) = 𝑓 (𝜉 −𝑠𝑖𝑔𝑛(𝜇𝜉 +𝜎𝜉 𝑎) (𝜇𝜉 + 𝜎𝜉 𝑎)), (𝐴10)
𝜉 + 𝜉 −1 que, con la ecuación (6), se puede escribir como,
𝑛
La sustitución de (A1) en (A10) produce la densidad SEP 2𝜎𝜉 2⁄(1+𝛽)
estandarizada de la ecuación (6). ℓ(𝜼|𝒀) ≃ ∏ 𝜎𝑡−1 −1
𝜔𝛽 exp {−𝑐𝛽 |𝑎𝜉,𝑡 | }. (𝐵6)
𝜉+𝜉
𝑡=1

apéndice B [56] Tomar la transformación logarítmica de esta expresión

[53] Derivamos la función de verosimilitud en la ecuación (8) del
modelo de error supuesto en las ecuaciones (4) - (6).
Verosimilitud ℓ(𝜼|𝒀) de los parámetros hidrológicos y del
modelo de error 𝜼 se define como el pdf conjunto de las
observaciones 𝒀 para los parámetros dados 𝜼,
ℓ(𝜼|𝒀) ≡ 𝑝(𝒀|𝜼) = 𝑝(𝒆|𝜼), (𝐵1)
donde 𝒀 = (𝑌𝟏 … 𝑌𝑛 )′ y 𝒆 = (𝑒1 … 𝑒𝑛 )′ . Dividiendo 𝒆 en dos
′ ′
subconjuntos, 𝒆1;𝑝 = (𝑒𝟏 … 𝑒𝑝 ) y 𝒆𝑝+1:𝑛 = (𝑒𝒑+𝟏 … 𝑒𝑛 ) , el pdf
produce la función de verosimilitud logarítmica (condicional)
en la ecuación (8). En (B6) y la ecuación (8), se supone que los
residuales no observados 𝑒𝑡 (𝑡 < 1) son iguales a cero.
[57] Agradecimientos. Queremos agradecer a tres revisores
anónimos por sus críticas constructivas y a Steven Weijs, Rol
Hut, Ronald van Nooijen y Nick van de Giesen por las fructíferas
discusiones. El segundo autor cuenta con el apoyo de J. Robert
Oppenheimer Fellowship del programa de postdoctorado
LANL.

18
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
References
Ajami, N. K., G. M. Hornberger, and D. L. Sunding (2008),
Sustainable water resource management under hydrological
uncertainty, Water Resour. Res., 44, W11406,
doi:10.1029/2007WR006736.
Bates, B. C., and E. P. Campbell (2001), A Markov chain Monte
Carlo scheme for parameter estimation and inference in
conceptual rainfallrunoff modeling, Water Resour. Res., 37(4),
937–947.
Beven, K., and J. Freer (2001), Equifinality, data assimilation,
and Uncertainty estimation in mechanistic modeling of
complex Environmental systems using the GLUE methodology,
J. Hydrol., 249, 11–29.
Beven, K., P. J. Smith, and J. E. Freer (2008), So just why would
a modeler choose to be incoherent, J. Hydrol., 354, 15–32.
Box, G. E. P., and G. C. Tiao (1992), Bayesian Inference in
Statistical Analysis, 588 pp., John Wiley, New York.
Breuer, L., K. Eckhardt, and H.‐G. Frede (2003), Plant
parameter values for models in temperate climates, Ecol.
Model., 169(2 3), 237–293.
Clark, M. P., A. G. Slater, D. E. Rupp, R. A. Woods, J. A. Vrugt, H.
V. Gupta, T. Wagener, and L. E. Hay (2008), Framework for
Understanding Structural Errors (FUSE): A modular framework
to diagnose differences between hydrological models, Water
Resour. Res., 44, W00B02, doi:10.1029/2007WR006735.
Damsleth, E., and A. H. El‐Shaarawi (1989), ARMA models
with doubleexponentially distributed noise, J. R. Stat. Soc., Ser.
B, 51(1), 61–69.
Di Baldassarre, G., and A. Montanari (2009), Uncertainty in river
discharge observations: A quantitative analysis, Hydrol. Earth
Syst. Sci., 13, 913–921.
Duan, Q., et al. (2006), Model Parameter Estimation
Experiment (MOPEX): An overview of science strategy and
major results from the second and third workshops, J. Hydrol.,
320, 3–17.
Engeland, K., C. Xu, and L. Gottschalk (2005), Assessing
uncertainties in a conceptual water balance model using
Bayesian methodology, Hydrol. Sci. J., 50, 45–63.
Fenicia, F., H. H. G. Savenije, P. Matgen, and L. Pfister (2007), A
comparison of alternative multiobjective calibration strategies
for hydrological modeling, Water Resour. Res., 43, W03434,
doi:10.1029/2006WR005098.
19
Fernandez, C., and M. J. F. Steel (1998), On Bayesian modeling
of fat tails and skewness, J. Am. Stat. Assoc., 93, 359–371.
Feyen, L., and S. M. Gorelick (2004), Framework to evaluate the
worth of hydraulic conductivity data for optimal groundwater
resources management in ecologically sensitive areas, Water
Resour. Res., 41, W03019, doi:10.1029/2003WR002901.
Feyen, L., J. A. Vrugt, B. O. Nuallain, J. van der Knijff, and A. de
Roo (2007), Parameter optimization and uncertainty
assessment for largescale stream flow forecasting, J. Hydrol.,
332, 276–289.
Gotzinger, J., and A. Bardossy (2008), Generic error model for
calibration and uncertainty estimation of hydrological models,
Water Resour. Res., 44, W00B07,
doi:10.1029/2007WR006691.
Jakeman, A. J., and G. M. Hornberger (1993), How much
complexity is warranted in a rainfall‐runoff model?, Water
Resour. Res., 29(8), 2637–2649, doi:10.1029/93WR00877.
Johnson, M. (1979), Computer generation of the exponential
power distribution,
J. Stat. Comput. Sim., 9(3), 239–240. Kavetski, D., G. Kuczera,
and S. W. Franks (2006a), Bayesian analysis of input uncertainty
in hydrological modeling: 1. Theory, Water Resour. Res., 42,
W03407, doi:10.1029/2005WR004368.
Kavetski, D., G. Kuczera, and S. W. Franks (2006b), Bayesian
analysis of input uncertainty in hydrological modeling: 2.
Application, Water Resour. Res., 42, W03408,
doi:10.1029/2005WR004376.
Koenker, R., and G. Bassett Jr. (1978), Regression quantiles,
Econometrica, 46(1), 33–50.
Kuczera, G. (1983), Improved parameter inference in
catchment models, 1. Evaluating parameter uncertainty, Water
Resour. Res., 19(5), 1151–1162,
doi:10.1029/WR019i005p01151.
Kuczera, G., and E. Parent (1998), Monte Carlo assessment of
parameter uncertainty in conceptual catchment models: The
Metropolis algorithm, J. Hydrol., 211(1–4), 69–85.
Kuczera, G., D. Kavetski, S. Franks, and M. Thyer (2006),
Towards a Bayesian total error analysis of conceptual rainfall‐
runoff models: Characterizing model error using storm‐
dependent parameters, J. Hydrol., 331, 161–177,
doi:10.1016/j.jhydrol.2006.05.010.
Mantovan, P., and E. Todini (2006), Hydrological forecasting
Uncertainty assessment: Incoherence of the GLUE
methodology, J. Hydrol., 330, 368–381.
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
Marshall, L., D. Nott, and A. Sharma (2005), Hydrological model
selection: A Bayesian alternative, Water Resour. Res., 41,
W10422, doi:10.1029/ 2004WR003719.
McMillan, H., and M. Clark (2009), Rainfall‐runoff model
calibration using informal likelihood measures within a Markov
chain Monte Carlo sampling scheme, Water Resour. Res., 45,
W04418, doi:10.1029/ 2008WR007288.
Newbold, P. (1974), The exact likelihood function for a mixed
autoregressive‐ moving average process, Biometrika, 61(3),
423–426. Reichert, P., and J. Mieleitner (2009), Analyzing input
and structural Uncertainty of nonlinear dynamic models with
stochastic, time‐dependent parameters, Water Resour. Res.,
45, W10402, doi:10.1029/2009WR007814.
Renard, B., D. Kavetski, G. Kuczera, M. A. Thyer, and S. W.
Franks (2010), Understanding predictive uncertainty in
hydrologic modeling: The challenge of identifying input and
structural errors, Water Resour. Res., 46, W05521,
doi:10.1029/2009WR008328.
Schaefli, B., D. B. Talamba, and A. Musy (2007), Quantifying
hydrological modeling errors through a mixture of normal
distributions, J. Hydrol., 332, 303–315.
Schoups, G., J. A. Vrugt, F. Fenicia, and N. C. van de Giesen
(2010), Inaccurate numerical implementation of conceptual
Hydrologic models corrupts accuracy and efficiency of MCMC
simulation, Water Resour. Res., doi:10.1029/2009WR008648,
in press.
Schoups, G., N. C. van de Giesen, and H. H. G. Savenije (2008),
Model complexity control for hydrologic prediction, Water
Resour. Res., 44, W00B03, doi:10.1029/2008WR006836.
Smith, T. J., and L. A. Marshall (2008), Bayesian methods in
Hydrologic modeling: A study of recent advancements in
Markov chain Monte Carlo techniques, Water Resour. Res., 44,
W00B05, doi:10.1029/ 2007WR006705.
Sorooshian, S., and J. A. Dracup (1980), Stochastic parameter
estimation procedures for hydrologic rainfall‐runoff models
correlated and heteroscedastic error cases, Water Resour.
Res., 16(2), 430–442, doi:10.1029/ WR016i002p00430.
Stedinger, J. R., R. M. Vogel, S. U. Lee, and R. Batchelder (2008),
Appraisal of the generalized likelihood uncertainty estimation
(GLUE) method, Water Resour. Res., 44, W00B06,
doi:10.1029/2008WR006822.
ter Braak, C. J. F., and J. A. Vrugt (2008), Differential evolution
Markov chain with snooker updater and fewer chains, Stat.
Comput., 18, 435–446.
Thiemann, M., M. Trosset, H. V. Gupta, and S. Sorooshian
(2001), Bayesian recursive parameter estimation for hydrologic
20
models, Water Resour. Res., 37(10), 2521–2535,
doi:10.1029/2000WR900405.
Thyer, M., B. Renard, D. Kavetski, G. Kuczera, S. W. Franks, and
S. Srikanthan (2009), Critical evaluation of parameter
consistency and predictive uncertainty in hydrological
modeling: A case study using Bayesian total error analysis,
Water Resour. Res., 45, W00B14,
doi:10.1029/2008WR006825.
Vrugt, J. A., W. Bouten, H. V. Gupta, and S. Sorooshian (2002),
Toward improved identifiability of hydrologic model
parameters: The Information content of experimental data,
Water Resour. Res., 38(12), 1312,
doi:10.1029/2001WR001118.
Vrugt, J. A., H. V. Gupta, W. Bouten, and S. Sorooshian (2003),
A Shuffled Complex Evolution Metropolis algorithm for
optimization and Uncertainty assessment of hydrologic model
parameters, Water Resour. Res.,39(8), 1201,
doi:10.1029/2002WR001642.
Vrugt, J. A., B. A. Robinson, and V. V. Vesselinov (2005),
Improved inverse modeling of flow and transport in subsurface
media: Combined parameter and state estimation, Geophys.
Res. Lett., 32, L18408, doi:10.1029/2005GL023940.
Vrugt, J. A., H. V. Gupta, S. C. Dekker, S. Sorooshian, T. Wagener,
and W. Bouten (2006), Application of stochastic parameter
optimization to the Sacramento Soil Moisture Accounting
Model, J. Hydrol., 325, 288–307.
Vrugt, J. A., C. J. F. ter Braak, M. P. Clark, J. M. Hyman, and B. A.
Robinson (2008a), Treatment of input uncertainty in hydrologic
modeling: Doing hydrology backward with Markov chain Monte
Carlo simulation, Water Resour. Res., 44, W00B09,
doi:10.1029/2007WR006720.
Vrugt, J. A., C. J. F. ter Braak, H. V. Gupta, and B. A. Robinson
(2008b), Equifinality of formal (DREAM) and informal (GLUE)
Bayesian approaches to hydrologic modeling, Stoch. Env. Res.
Risk A., 23, 1059–1060, doi:10.1007/s00477-008-0274-y.
Vrugt, J. A., C. J. F. ter Braak, C. G. H. Diks, B. A. Robinson, J. M.
Hyman, and D. Higdon (2009), Accelerating Markov chain
Monte Carlo simulation by differential evolution with self‐
adaptive randomized subspace sampling, Int. J. Nonlinear Sci.,
10, 273–290.
Würtz, D., and Y. Chalabi (2009), Rmetrics—autoregressive
conditional heteroscedastic modelling, http://cran.r‐
project.org/web/packages/ fGarch/index.html.
Yang, J., P. Reichert, and K. C. Abbaspour (2007), Bayesian
Uncertainty analysis in distributed hydrologic modeling: A case
study in the Thur River basin (Switzerland), Water Resour. Res.,
43, W10401, doi:10.1029/ 2006WR005497.
 W10531 SCHOUPS AND VRUGT: LIKELIHOOD FUNCTION FOR PARAMETER AND PREDICTIVE INFERENCE W10531
Zhang, Z., T. Wagener, P. Reed, and R. Bhushan (2008),
Reducing Uncertainty in predictions in ungauged basins by
combining hydrologic índices regionalization and
multiobjective optimization, Water Resour. Res., 44, W00B04,
doi:10.1029/2008WR006833.

G. Schoups, Department of Water Management, Delft

University of Technology, Stevinweg 1, PO Box 5048, 2600 GA
Delft, Netherlands. (g.h.w.schoups@tudelft.nl)

J. A. Vrugt, Department of

21