Issue |
Agronomie
Volume 22, Number 2, March 2002
Parameter estimation for crop models
|
|
---|---|---|
Page(s) | 191 - 203 | |
DOI | https://doi.org/10.1051/agro:2002007 |
Agronomie 22 (2002) 191-203
DOI: 10.1051/agro:2002007
Using a Bayesian approach to parameter estimation; comparison of the GLUE and MCMC methods
David Makowskia, Daniel Wallachb and Marie Tremblayba Unité d'Agronomie, INRA Grignon, 78850 Thiverval-Grignon, France
b Unité d'Agronomie, INRA Toulouse, BP 27, 31326 Castanet-Tolosan, France
(Received 1 March 2001; revised and accepted 15 January 2002)
Abstract
The Bayesian approach allows one to estimate model parameters from prior expert
knowledge about parameter values and from experimental data. The purpose of this
paper is to compare the performances of two Bayesian methods, namely the
Metropolis-Hastings algorithm and the Generalized Likelihood Uncertainty
Estimation method (GLUE). These two methods are applied to a non-linear
model that includes 22 parameters. This model has the main features of an
agronomic model. The two Bayesian methods give similar results. The parameter
estimates obtained with the two methods have similar properties. Both methods
improve strongly the accuracy of model predictions even when only few data
samples are available for estimating the parameters. However, the values of
mean squared error of prediction of the model are slightly higher with the
GLUE method than with the Metropolis-Hastings algorithm. The performances of
the methods are sensitive to the prior assumptions made about parameter values.
Résumé
Une approche Bayésienne pour estimer les paramètres des modèles de cultures,
comparaison des méthodes GLUE et MCMC.
L'approche Bayésienne permet d'estimer
les paramètres des modèles en prenant en compte à la fois les connaissances a
priori des experts sur les valeurs des paramètres et les données expérimentales.
Le but de cet article est de comparer les performances de deux méthodes Bayésiennes :
l'algorithme de Metropolis-Hastings et la méthode GLUE. Ces deux méthodes sont
appliquées à un modèle non linéaire incluant 22 paramètres. Ce modèle a les
principales caractéristiques des modèles agronomiques. Les deux méthodes donnent
des résultats voisins. Les estimateurs des paramètres obtenus avec les deux
méthodes sont de qualités comparables. Les deux méthodes améliorent la précision
des prédictions du modèle, même lorsque peu de données sont disponibles pour
estimer les paramètres. Cependant, les valeurs du mean squared error of prediction
obtenues avec la méthode GLUE sont légèrement supérieures à celles obtenues avec
l'algorithme de Metropolis-Hastings. Les performances des méthodes sont par ailleurs
très dépendantes des hypothèses faites a priori sur les valeurs des paramètres.
Key words: Bayes / Markov chain Monte Carlo / parameter estimation / parameter uncertainty
Mots clés : Bayes / estimation des paramètres / Markov chain Monte Carlo / incertitude des paramètres
Correspondence and reprints: David Makowski
e-mail: makowski@grignon.inra.fr
Communicated by Gérard Guyot (Avignon, France)
© INRA, EDP Sciences 2002