Zur Seitenansicht
 

Titelaufnahme

Titel
Uncertainty estimation of a glacier mass balance model / by Tobias Zolles
VerfasserZolles, Tobias
GutachterMaussion, Fabien
ErschienenInnsbruck, 27. Oktober 2016
Umfangix, 113 Seiten : Illustrationen, Diagramme, Karten
HochschulschriftUniversity of Innsbruck, Masterarbeit, 2016
Anmerkung
Kurzfassung in deutscher Sprache
Datum der AbgabeOktober 2016
SpracheEnglisch
DokumenttypMasterarbeit
Schlagwörter (DE)Glaziologie / Massenbilanz / Energiebilanz / Modellierung / Unsicherheit / Monte-Carlo / Sensitivtätsanalyse
Schlagwörter (EN)galciology / mass balance / energy balance / modeling / uncertainty analysis / sensitivity analysis / Monte-Carlo
URNurn:nbn:at:at-ubi:1-5240 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Uncertainty estimation of a glacier mass balance model [44.64 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Oberflächen-Energiebilanzmodelle werden häufig angewandt um die Interaktion zwischen der Atmosphäre und im betrachteten Fall Eis und Gletscher, sowie den Einfluss von Klimavariabilität auf die Gletscher-Massenbilanz, zu untersuchen. Diese Modelle basieren auf physikalischen Zusammenhängen, welche zwar oft gut charakterisiert sind, aber nur durch Parametrisierungen umgesetzt werden können. Die freien Parameter müssen durch eine Kalibrierung ermittelt werden. Es wird oft durch eine Optimierung des Modells auf die kleinste Abweichung zur Messung umgesetzt. Das Parameterset der besten Lösung wird dann für die Analyse herangezogen. Die Unsicherheiten, die durch diese Vorgehensweise entstehen, wurden selten untersucht. In dieser Studie werden verschiedene innovative "`Kalibrierungstechniken" angewandt, mit dem Ziel eine bessere Schätzung der Modellunsicherheit der simulierten Massenbilanz zu erreichen.

Die Studie verwendet ein etabliertes Energiebilanzmodell um die "`verteilte"' Massenbilanz auf zwei alpinen Gletschern im Abstand von 40km über drei Sommer zu simulieren. Die entscheidenden Modellparameter wurden mit einer globalen Sensitivitätsanalyse (GSA) gefunden. Die sensitiven Parameter variieren zwischen/über den beiden Gletschern und den drei Jahren. Dies zeigt, dass unterschiedliche Prozesse aktiv sind. 11 Parameter (von 23) wurden für die Monte-Carlo Optimierung ausgewählt. Es wurde eine mehrdimensionale Optimierung durchgeführt: Die optimalen Lösungen in Bezug auf fünf Gütekriterien wurden aus 20.000 Läufen für jede einzelne Sommer-Massenbilanz ausgewählt. Die optimalen Parameter dieser Lösungen decken den ganzen Parameterraum ab (verteilen sich über den ganzen Parameterraum). Die Albedo über Neuschnee und Firn sind die Parameter mit der geringsten Streuung, während die skalare und die Impuls-Rauhigkeitslänge am meisten variieren. Die Variabilität der optimalen Parameter zwischen einzelnen Jahren an einem Gletscher ist genauso stark ausgeprägt wie zwischen den beiden Gletschern.

Die Optimierung zeigt, dass es keine Lösung gibt die in Bezug zu allen Kriterien optimal ist, aber es kann ein Ensemble von simulierten Massenbilanzen erzeugt werden, welches eine erste Abschätzung der Unsicherheit erlaubt. Jedoch gibt es auch bei einem Ensemble das Problem des "`over-fittings"': Die optimalen Parameter für einen trockenen Sommer sind unzureichend für feuchte Bedingungen. Dieser Effekt tritt unabhängig von den gewählten Gütekriterien auf. Wenn die Performance des Models durch Funktionen, die das Akkumulations- und Ablationsgebiet individuell bewerten bestimmt, wird, kann dieser Effekt reduziert werden. Das Bias ist ein schlechtes Gütekriterium, da es sehr leicht im Modell minimiert werden kann und daher anfälliger für "`over-fitting"' ist.

Die Unsicherheit, welche durch "`over-fitting"' entsteht, kann mit Hilfe einer "`out-of-sample"' Cross-validierung geschätzt werden. Die Doppel-Cross-Validierung (Die Unsicherheit einer ersten Cross-Validierung wird gegen einen zweiten Datensatz getestet) zeigt, dass in diesem Fall mindestens fünf Sommer-Massenbilanzen modelliert werden müssen um eine gute Schätzung der Unsicherheit zu bekommen. Die so erhaltene Unsicherheit des Models beträgt 1m w.e.. Dies entspricht in etwa der jährlichen Variation der Massenbilanzen der beiden Gletscher. Die Notwendigkeit einer Modell-Rekalibrierung um mit anderen Klimabedingungen umgehen zu können, zeigt, dass aktuelle Massenbilanzmodelle noch Verbesserungspotential haben. Weitere Forschung sollten die Gründe für Unsicherheit des Modells und der Eingabedaten (Inputdaten) untersuchen. Robustere Kalibrierungsmethoden, basierend auf besseren räumlichen und zeitlichen Daten, sollten für zukünftige Modelle entwickelt werden.

Zusammenfassung

Surface energy and mass balance models are popular tools to study ice-atmosphere interactions or the response of glacier mass-balance to climate variability. These complex models rely on physical relationships which are well understood but also contain many unknown free parameters that need to be calibrated. The calibration procedure often minimizes a single performance measure with respect to observed mass-balance data. The parameter set leading to the best model performance in then selected for the analysis. The real uncertainty associated with this tuning procedure is rarely addressed in the literature. In this thesis various innovative calibration approaches are applied and discussed with the objective to provide more robust uncertainty estimates of the simulated mass-balance.

We use a well established energy balance model to simulate the distributed mass balance of two alpine glaciers distant of 40 km for a period of three summers. A global sensitivity analysis (GSA) was performed to identify the key model parameters. The most sensitive parameters are different over the two glaciers and for the three years, illustrating the different processes at play in each case. 11 parameters (out of 23) were selected for the final Monte-Carlo optimization. Then a multi-objective calibration procedure was applied: the optimal solutions with respect to five objective functions (instead of one in a classic calibration) were identified out of 20.000 runs for each individual summer mass balances. The optimal parameters often span over the entire allowed parameter space. The fresh snow and firn albedo are the best confined parameters, while the momentum and scalar roughness length above ice are among the most variable. The variability of the optimal parameter set between two different years at one location can be as pronounced as between the two glaciers.

This multi-objective optimization clearly shows that no parameter set can rank best for all objectives, but it also allows to create an ensemble of simulated mass balances, providing a first hint about the model uncertainty. Nevertheless, this ensemble is also subject to over-fitting, i.e. the optimal parameter sets for a dry summer might prove inefficient under wet conditions. This effect is always present, but it can be mitigated with the choice of an objective function considering the accumulation and the ablation area of the glacier separately. The bias turned out to be a objective function which is too easy for the model to minimize leading and thus is most prone to over-fitting.

The uncertainty associated with this over-fitting can be quantified with the help of “out-of-sample” validation. With a double cross-validation procedure (in which the uncertainty computed from a first cross-validation loop is tested against a second out-of-sample set of data), our results suggest that, in this case, a minimum of 5 summers of modeled mass balance is needed to have an accurate estimation of the model uncertainty. The uncertainty of the mass balance model is estimated to be as high a 1m w.e., representing about the annual variation of the mass-balance of the studied glaciers.

The necessity for a model recalibration in order to cope with various climate settings suggests that the current generation of mass-balance models could still be improved for a wider range of applications. Future research should focus on identifying the sources of uncertainty in the model and in the forcing data, as well as developing more robust calibration procedures, e.g. based on data of higher spatio-temporal resolution.