Flood Forecasting for Fast Responding Catchments

Präsentation zum Thema: "Flood Forecasting for Fast Responding Catchments"—  Präsentation transkript:

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

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

3 A. Philipp Flash Flood Forecasting
01 Introduction Flood formation: factors of influence 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 A. Philipp Flash Flood Forecasting

4 A. Philipp Flash Flood Forecasting
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 A. Philipp Flash Flood Forecasting

5 02 The PAI-OFF Forecasting System
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 A. Philipp Flash Flood Forecasting

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

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

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

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

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

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

12 A. Philipp Flash Flood Forecasting
03 Application Validation of ANN models (R-R and routing) (italic) Rainfall runoff ANN (PoNN – Kriebstein gauge) Routing ANN (MLFN – Erlln gauge) Event Gauge [m³/s] Model [m³/s] 2002 1330 1234 1996 186 190 1954 537 439 1955 229 337 1958 781 1973 86 103 1974 586 1977 257 253 1983 406 366 1993 131 111 1995/07 288 248 1995/09 293 1998 200 181 Event Gauge [m³/s] Model [m³/s] 1974 608 635 1983 569 606 1986 444 385 1995/07 433 399 1995/09 453 403 1996 241 247 1998 307 305 * Event 2002 not recorded due to damage to gauging station A. Philipp Flash Flood Forecasting

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

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

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

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

17 A. Philipp Flash Flood Forecasting
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 A. Philipp Flash Flood Forecasting

18 A. Philipp Flash Flood Forecasting
04 Summary Potential of improvement 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) A. Philipp Flash Flood Forecasting

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. A. Philipp Flash Flood Forecasting

20 04 Zusammenfassung und Ausblick
Verbesserungsmöglichkeiten 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 A. Philipp Flash Flood Forecasting

21 02 Das PAI-OFF Vorhersagesystem
Die PAI-OFF-Methodik 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 A. Philipp Flash Flood Forecasting

22 A. Philipp Flash Flood Forecasting
01 Einführung Hochwasserentstehung: Einflussfaktoren Starkregen Hydrologische Charakteristika des EZG Hochwasser-ereignis 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 +  A. Philipp Flash Flood Forecasting

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

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

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

26 02 Das PAI-OFF Vorhersagesystem
Meteorologische Analyse 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 A. Philipp Flash Flood Forecasting

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

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