加拿大谢布鲁克大学学术研究:量化可用剩余水的不确定性

加拿大谢布鲁克大学学术研究:量化可用剩余水的不确定性

加拿大谢布鲁克大学（Universitéde Sherbrooke）位于魁北克省谢布鲁克市，在谢布鲁克（Sherbrooke）和朗基尔（Longueuil）分别设有校区。谢布鲁克大学采用法语授课，是蒙特利尔东南部艾斯特地区（Estrie）唯一的法语大学。

谢布鲁克大学规模较大，有超过4万名学生，6000余名教职工。除了两个主校区外，还有另外三个规模较小的校区。学校包括9个学院，主要本科教育及学校的行政管理都位于主校区谢布鲁克校区。

学术研究

虽然目前在生命周期评估中还没有实践应用，但影响评估方法与其不确定性数据相结合能够更好地指导决策者。这项工作使用了最佳可用信息来评估水资源短缺的可用剩余水AWARE模型的不确定性和相应输入参数的敏感性。可用剩余水AWARE表征因子(CF)的不确定度估计可通过(1)阵列(每CF 5000个值)提供统计信息，(2)方差分析，(3)分布最佳拟合和参数实现。结果表明，不确定性在全球范围内存在显著差异，其表现为数值的分散度，在资源稀缺程度较高的地区更为重要，而在全球大多数地区(以地区为基础)的绝对分散度较低。在全球范围内，差值分别为18.8和66.28，分别表示为百分位间范围(95%)和四分位间范围(25-75%)。对数正态分布最适合世界上大多数地区：可以用作默认分布。有两个参数会产生影响:实际可用水量(因为降水的不确定性)和全球水文模型本身(因为从不同模型获得的结果的可变性)。与时空变化相关的不确定性相比，这项工作中发现的不确定性通常较低，因此提高水资源短缺评估的分辨率(按月和流域水平)应该仍然是优先考虑的问题。最后，本研究提供了AWARE不确定度软件集成所需的数据。本文满足了在http://jie.click/badges上描述的Gold-Gold JIE数据开放徽章的要求。

由于生命周期评估(LCA)模型在行业、技术、地区或时间周期中存在一定的数据限制，决策者需要了解不同产品系统的LCA结果之间的不确定性和分歧，以做出好的决策。然而以往研究主要关注生命周期清单(LCI)的不确定性，对生命周期影响评价(LCIA)中的表征因子（CF）的不确定性分析关注很少。到目前为止，CF不确定性的量化还没有得到很好的解决，而且CF之间的相关性常常被忽略，这可能会导致LCA不确定性的累积。本研究旨在解决可用剩余水评估模型(AWARE)中存在的这些缺陷。

水资源短缺足迹评估是评估一个地区内水资源消耗对当地水资源可用性和潜在用户水资源匮乏影响的一种方法。应用该方法需要产品生命周期相关的不同工艺的用水量(清单数据)，以及区域化的表征因子。不同的数据库和模型用于计算AWARE所需的输入数据，每个值都有一定的不确定性范围，此外还有指标的建模选择，所有这些都导致了表征因子的不确定性。因而本研究的第一个目标是估计输入参数的不确定性，第二个目标是通过蒙特卡罗模拟进行AWARE模型表征因子CF的不确定度估计。谢布鲁克大学

如原文表1中所述，AWARE模型需要每个流域分月份的多个输入参数。其中用水量的不确定性是基于取水量的不确定性，而取水量的不确定性是根据全球地图上报告的建模性能的不确定性类别得出的；水资源可得性的不确定性基于降水输入数据选择的不确定性和全球水文模型(GHM)选择的不确定性两个方面。AWARE模型在一个基于Python的模块(AWAREStatic)中重新实现。该模型使用原文表1中描述的输入变量，为9707个流域的每个流域生成农业、非农业和未指定用水量的静态月CF值和年平均CF值。此外，本研究开发了第二个基于Python的模块（AWAREStocastic），以使用蒙特卡洛方法生成结果集，以及用来分析和解释结果的第三个Python模块(AWAREAnalyser)。

更多留学干货内容，欢迎继续关注学在加拿大官网和美国留学网以及我们的官方微信服务号。

更多留学申请规划问题欢迎扫码联系小助手免费咨询获取干货资料包

加拿大谢布鲁克大学学术研究:量化可用剩余水表征因子的不确定性

输入参数，数据来源及不确定度估计。显示了与不同年度累计表征因子CF(农业、非农业和未指定)的静态值比较的随机因子的总体趋势。

在对数尺度上，随机因子(平均值和中位数)与年度CF(农业、非农业和未知用途)静态值的比值进行比较。0代表静态因子和随机因子相等的值。数据补充在支撑材料S1中。

AWARE CFs的百分位差IPR值如原文t2a所示，显示出30%的盆地值在10以上，8.6%的盆地值在50以上。原文t2b显示了相当高的相对价差范围（2.5-97.5），世界大多数地区的值高于原始CF值的150%，但高稀缺区域（较大的已知值）除外，如尼罗河、墨累-达令或科罗拉多河流域。

2（a）未指定年值的AWARE CFs（97.5-2.5）的百分位数范围及其相关的小提琴图结果的流域分布（中位数=18.8）。（b）百分比间范围（97.5-2.5）除以静态值，用于未指定的年值，其相关的小提琴图结果的流域分布（中值=1.32）。数据补充在支撑材料S4中。

与百分位差IPR类似，四分位差IQR给出的区间在25%和75%之间，如原文t3a所示。因此，在这种情况下，50%的值被排除在外，因此IQR低于IPR，因为它代表了分布的中心部分，不考虑25%的最高值和25%的最低值。在原文t3b中，IPR再次除以静态值，以显示其与CF的比例。谢布克大学

3(a)四分位间范围(75%-25%)，用于未指定的年度值及其相关小提琴图结果的流域分布(中位数=6.28)。(b)四分位范围(75%25%)除以静态值，对于未指定的年度值，其相关小提琴图结果的流域分布(中位数=0.435)。数据补充在支撑材料S4中。

不确定性数据通常通过分布及其描述参数来传输和使用。重叠率(OVL)有助于确定描述数据的最佳分布。它量化了与被测试的分布重叠的分布式数据区域的百分比。使用75%的值表示满意的匹配，原文t4以较浅/较深的颜色标识为每个流域确定了最高的OVL分布。原文t4b显示了最佳拟合OVL与对数正态OVL之间的差异。

4(a)通过5000次迭代的不确定度数据计算出AWARE CF的最佳拟合(最高OVL)分布。深色代表拟合度好(OVL>75%)，浅色代表拟合度差(OVL<75%)。(b)最佳拟合分布与对数正态分布的OVL差值。这个差异的最大值是43%。数据补充在支撑材料S4中。

根据输入参数和每个月/流域CF之间的rS，确定每个流域的MIP，如原文t5所示。图5显示，全球水文模型对年AWARECFs>10的大多数流域影响最大(94%)，而最重要的参数是全球水文模型(68%)和净水可用性(来自降水)(29%)。

5基于等级相关性确定每个分水岭中最多月份最具影响力的参数(MIP)，(a)MIP考虑到rS最大。(b)MIP的rS在(a)中确定。数据补充在支撑材料S4中。

各流域的遥感结果以每个月的组合形式提供。如原文表2显示，平均而言计算可用性的全球水文模型的不确定性对CF的影响最大（平均相关系数为0.733），其次是净水可用性（由于降水不确定性）（0.31），以及全球流域需水量AMD值和环境需水量EWR（各为0.17）和灌溉（0.17）。

2：所有流域-月份的CF和输入参数的秩序相关性汇总（数据补充在支撑材料S4中）

3显示，可用性和灌溉不确定性对较高的CFs具有较大的影响，而全球流域需水量AMD和环境需水量EWR在较低的CFs中具有较高的相关性。

3各流域、各月各参数的影响与得到的AWARE CF之间的等级和正态相关（数据补充在支撑材料S4中）

为了评估在LCA中对AWARE CFs进行独立抽样而导致的误读不确定性风险，本研究计算了所有可能流域对的年平均CFs(未指定使用)的Pearson相关系数，并使用5000次迭代。在11,050个流域中，有376个静态值接近截止值(CFs>99或CFs<0.11)被排除在外，因为在每次迭代中采样相同的CF值(100或0.1)会导致人为的高相关系数。其余流域对的相关系数如6所示。

平均CFs流域对之间的Pearson相关系数(未指定使用)

使用本文提供的分布和相关数据，或者在简化方法中使用所有区域的对数正态分布，或者实现每个区域的特定分布，并根据这些信息解释结果，可以在LCIA模型的使用和解释中迈出重要一步。即使AWARE提供的不确定性通常很高，也不应在生命周期评估中有所回避。它可以用于更有力地比较产品，并透明地报告LCI和LCIA的不确定性。

作为一所相对年轻的学校，布鲁克大学固然没有那些百年老校的光辉历史，但也正是靠着年轻学校特有的创新进取精神，学校才在建校以来的三十年里，迅速成长为一所以一流的教学、友好的校园氛围、高度负责的教师队伍闻名的加拿大名校。拥有17000多名在校生的布鲁克大学提倡无论是在学术上还是生活上，教师与学生，学生之间应尽可能地进行面对面的交流。在布鲁克大学优美的校园里，每个人感受到的是一种亲切友好的氛围。学生们有机会直接与教授一起工作，进行项目研究。