Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Flood Forecasting for Fast Responding Catchments Faculty of Forestry, Geo- and Hydrosciences Institute of Hydrology and Meteorology, Department Hydrology.

Ähnliche Präsentationen


Präsentation zum Thema: "Flood Forecasting for Fast Responding Catchments Faculty of Forestry, Geo- and Hydrosciences Institute of Hydrology and Meteorology, Department Hydrology."—  Präsentation transkript:

1 Flood Forecasting for Fast Responding Catchments Faculty of Forestry, Geo- and Hydrosciences Institute of Hydrology and Meteorology, Department Hydrology Adelaide, 4/15/2008 Combining Meteorological Ensemble Forecasts and Uncertainty of Initial Hydrological Conditions Andy Philipp, Gerd H. Schmitz, Johannes Cullmann (IHP/HWRP), Thomas Krauße

2 A. Philipp Flash Flood Forecasting Slide 2 Contents 01 Introduction 02 The PAI-OFF Forecasting System 03 Application (Catchment in Eastern Germany) 04 Summary

3 A. Philipp Flash Flood Forecasting Slide 3 01 Introduction Extreme flood events in small and steep catchments are characterised by: –High runoff coefficients resulting from extreme rainfall events –Small retention capacity –Steep and fast floodwaves –Difficult online forecasting due to high process dynamics –Increasing vulnerability due to short warning times Flood formation: factors of influence

4 A. Philipp Flash Flood Forecasting Slide 4 01 Introduction State of the art in flood forecasting & problems ATMOSPHERE Precipitation gauges (on-site) Radar nowcasting NWP > precip. Forecast Uncertain quantitative precipitation forecast (uncertainty increases with decreasing catchment size and increasing lead time of the forecast) CATCHMENT Formation and concentration of runoff - modelled with R-R-model Uncertain catchment state and retention characteristics Uncertain process description Parameterisation/ calibration uncertainty FLOOD ROUTING Hydrodynamic routing model No major problem with good data - but adequate portraiture of governing processes necessary (backwater effects, instationary flow, …) Dealing with numerics and computational efforts Objective: Robust and efficient forecasting system on the basis of artificial neural networks with the ability of quantifying the uncertainty of the forecast

5 A. Philipp Flash Flood Forecasting Slide 5 Objective: Robust and efficient forecasting system on the basis of artificial neural networks with the ability of quantifying the uncertainty of the forecast PAI-OFF (Process modelling and artificial intelligence for online flood forecasting 02 The PAI-OFF Forecasting System

6 A. Philipp Flash Flood Forecasting Slide 6 MLFN River reach ANN generation PoNN Catchment Modelled Input-Output Scenarios for all realistic and possible constellations of pre-event catchment state and precipitation WATER LEVEL DISCHARGE Application Online- Measurements Weather forecast Initial hydrological conditions DISCHARGE Hydrodynamics (HEC-RAS) Lower boundary River reach Cross sections Mannings values Upper boundary Catchment R-R-Model (WaSiM) Discharge Precipitation Temperature, etc… Catchment parameters +UNCERTAINTY MCM +UNCERTAINTY Preparation

7 A. Philipp Flash Flood Forecasting Slide 7 02 The PAI-OFF Forecasting System Setup of the rainfall runoff ANN (PoNN)

8 A. Philipp Flash Flood Forecasting Slide 8 02 The PAI-OFF Forecasting System Setup of the rainfall runoff ANN (PoNN)

9 A. Philipp Flash Flood Forecasting Slide 9 02 The PAI-OFF Forecasting System Setup of the rainfall runoff ANN (PoNN)

10 A. Philipp Flash Flood Forecasting Slide 10 02 The PAI-OFF Forecasting System PoNN training with serial stepwise regression

11 A. Philipp Flash Flood Forecasting Slide 11 03 Application Catchment and ANN setup

12 A. Philipp Flash Flood Forecasting Slide 12 03 Application Rainfall runoff ANN (PoNN – Kriebstein gauge) Validation of ANN models (R-R and routing) (italic) Routing ANN (MLFN – Erlln gauge) EventGauge [m³/s] Model [m³/s] 200213301234 1996186190 1954537439 1955229337 1958439781 197386103 1974586537 1977257253 1983406366 1993131111 1995/07288248 1995/09293 1998200181 EventGauge [m³/s] Model [m³/s] 1974608635 1983569606 1986444385 1995/07433399 1995/09453403 1996241247 1998307305 * Event 2002 not recorded due to damage to gauging station

13 A. Philipp Flash Flood Forecasting Slide 13 03 Application PAI-OFF performance for extreme rainfall event 08/02 Accumulated rainfall 12.08.-13.08.2002, 06 UTC (German Weather Service, Meteomedia) Accumulated rainfall 10.08.-13.08.2002, 06 UTC (German Weather Service)

14 A. Philipp Flash Flood Forecasting Slide 14 03 Application PAI-OFF performance for extreme rainfall event 08/02 Forecast for Kriebstein gauging station (12.08.2002 11:00) for 199 synthetic quantitative rainfall forecasts (based on real event) (computation time on 2-GHz-PC approximately 8 mins.)

15 A. Philipp Flash Flood Forecasting Slide 15 03 Application PAI-OFF performance for extreme rainfall event 08/02 Forecast for Kriebstein gauging station (12.08. 11:00) for different initial hydrological conditions (taken from the years 1953 to 1999), chared with 2002 rainstorm (computation time approximately 2 mins.) 2002 1985 1982 1955 2002 1955 1982 1985 2002 gauge

16 A. Philipp Flash Flood Forecasting Slide 16 04 Summary PAI-OFF performance for extreme rainfall event 08/02

17 A. Philipp Flash Flood Forecasting Slide 17 04 Summary Advantages of PoNN for portraiture of the rainfall-runoff function –Basis: polynomial (Taylor)-approximation of the rainfall-runoff function (Stone-Weierstrass Theorem) –Low computational effort online MCM –Constant number of training epochs, not depending on the lead time of the forecast (vs. MLFN) –Selection and interpretability in a physical senseful manner of input vectors via network training (arrangement of vectors through serial stepwise regression) –Better ability to generalize than MLFN –Comparing catchment model and ANN: NSE 0,97 Error in peak flows max. 4 % Error in peak time < 1 hour

18 A. Philipp Flash Flood Forecasting Slide 18 04 Summary Integration of other sources of uncertainty –Meteorological uncertainty Improved quantitative rainfall forecasts (ensembles needed for sampling the possible occurrence range) Incorporation of stochastic modeling and downscaling techniques to disaggregate on-site measurements of precipitation and to generate more realistic wetness conditions –Hydrological uncertainty Uncertain process modelling and parameterization of the water movement in the vadose zone most sensitive for runoff formation MCM and/or perturbation methods for consideration of uncertain soil hydraulic properties –Calibration uncertainty Fuzzy/pareto optimal paremter sets Integration of different relevant sources of uncertainty in a framework (current research at our institute) Potential of improvement

19 A. Philipp Flash Flood Forecasting Slide 19 Thank You for Your Attention! Funded by: German Federal Ministry for Education and Science References: Cullmann, J. (2007): Online Flood Forecasting in Fast Responding Catchments on the Basis of Artificial Neural Networks, Dissertation TU Dresden. Görner, W., J. Cullmann, R. Peters, G. H. Schmitz (2006): Nutzung künstlicher neuronaler Netze zur Bereitstellung von Entscheidungsgrundlagen für operative und planerische wasserwirtschaftliche Aufgaben, Projektbericht RIMAX. Peters, R. (2007): Künstliche neuronale Netze zur Beschreibung der hydrodynamischen Prozesse für den Hochwasserfall unter Berücksichtigung der Niederschlags-Abfluss-Prozesse im Zwischeneinzugsgebiet, Dissertation TU Dresden. Schmitz, G. H., J. Cullmann, W. Görner, F. Lennartz, W. Dröge (2005): PAI-OFF: Eine neue Strategie zur Hochwasservorhersage in schnellreagierenden Einzugsgebieten. Hydrologie und Wasserbewirtschaftung 10, 2005.

20 A. Philipp Flash Flood Forecasting Slide 20 04 Zusammenfassung und Ausblick Trainingsdatenbank –Verbesserungen am prozessbasierten Modell (WaSiM-ETH) Schneemodellierung Parametrisierung (eindeutig? oder transient) Pre-Processing –Mehr physikalische begründete Merkmale (vs. Netzarchitektur?) –Deterministisches Verfahren für beliebige Einzugsgebiete –Objektivierung der Merkmalsselektion? Neuronales Netz –Aggregierung des Niederschlagsfeldes zu (flächenbezogenen) eindimensionalen Inputs mgl. Oszillationen in Vorhersage (Glättung?) –Andere Architekturen zur Zeitreihenvorhersage (rekurrente und modulare Netze) –Plattformunabhängigkeit und Modularisierung Verbesserungsmöglichkeiten

21 A. Philipp Flash Flood Forecasting Slide 21 02 Das PAI-OFF Vorhersagesystem Process Modelling and Artificial Intelligence for Online Flood Forecasting (PAI-OFF): –Synthese der Vorteile physikalisch begründeter Modellierung (Prozessbeschreibung) mit denen von künstlichen neuronalen Netzen (Schnelligkeit und Robustheit) –Dabei Vermeidung mangelnder Generalisierbarkeit der neuronalen Modells durch spezifische Methodik (datengetrieben) Einzugsgebietsspezifische Methodik zur Berücksichtung der Vorhersageunsicherheit Die PAI-OFF-Methodik

22 A. Philipp Flash Flood Forecasting Slide 22 01 Einführung Starkregen Hydrologische Charakteristika des EZG Hochwasser- ereignis Hochwasserentstehung: Einflussfaktoren Menge/Intensität, Dauer (räumliche und zeitliche Verteilung des Niederschlagsfeldes) Zugrichtung/orographische Effekte (advektive und konvektive Ereignisse) Größe des Flussgebiets, Topographie/Morphologie Retentionscharakteristik (Bodenart, Landnutzung) Große EZG: (Abflussbildung, Abflusskonzentration), Wellenablauf Kleine EZG: Abflussbildung und Abflusskonzentration, Wellenablauf Flash Floods +

23 A. Philipp Flash Flood Forecasting Slide 23 02 Das PAI-OFF Vorhersagesystem Setup des N-A-ANN (PoNN) Größe des Einzugsgebietes Topographie / Morphologie Retentionscharakteristik Bodenart, Landnutzung Flussnetz Charakteristiken des Einzugsgebietes Vorgeschichte des Ereignisses Gebietszustand/Feuchte Abflussbereitschaft Speichervermögen Vegetationsentwicklung Niederschlag Form Intensität Dauer Volumen Gebietsantwort Hydrologic Response Features Ereignisvorgeschichte State Features

24 A. Philipp Flash Flood Forecasting Slide 24 04 Zusammenfassung und Ausblick Performance von PAI-OFF für Extremereignis 2002 Vorhersage Pegel Kriebstein (12.08. 11:00 Uhr) für verschiedene Ereignisvorgeschichten (1953 bis 1999), beaufschlagt mit synthetischen Ensemble- Vorhersagen (rund 5200 Simulationen)

25 A. Philipp Flash Flood Forecasting Slide 25 02 Das PAI-OFF Vorhersagesystem Setup und Training des Hydrodynamik-ANN (MLFN)

26 A. Philipp Flash Flood Forecasting Slide 26 02 Das PAI-OFF Vorhersagesystem Auf Grund der mehr oder minder mangelhaften Generalisierbarkeit künstlicher neuronaler Modelle (Trainings-Datenbank): –Historische Reihen (Felder) –Entwicklung eines Niederschlagsgenerators aus Beobachtungen und KOSTRA (Görner 2006) –Generierung typischer, Hochwasser auslösender Niederschlagsszenarien –Variation Form und Schiefe der Hyetographen an Referenzstation Zugrichtung und Geschwindigkeit advektiver Felder Für konvektive Ereignisse Ort der Maximalintensität sowie Radius des gesamten konvektiven Ereignisses Zufallsanteil –Ereignis-Datenbank hydrologisch/hydraulisches Modell Input-Output-Datenpaare für das Netztraining Meteorologische Analyse

27 A. Philipp Flash Flood Forecasting Slide 27 03 Anwendungsbeispiel Freiberger Mulde Vorhersage für verschiedene Startpunkte, Niederschlagsereignis 2002 real; Pegel Kriebstein Performance von PAI-OFF für Extremereignis 2002

28 A. Philipp Flash Flood Forecasting Slide 28 02 Das PAI-OFF Vorhersagesystem Niederschlagsgenerator – Bsp. Pegel Kriebstein Konvektives Ereignis über Fichtelberg


Herunterladen ppt "Flood Forecasting for Fast Responding Catchments Faculty of Forestry, Geo- and Hydrosciences Institute of Hydrology and Meteorology, Department Hydrology."

Ähnliche Präsentationen


Google-Anzeigen