Zur Seitenansicht
 

Titelaufnahme

Titel
Uncertainty analysis of a hydrological model within the flood forecasting of the Tyrolean river Inn / Johannes Bellinger
VerfasserBellinger, Johannes
Begutachter / BegutachterinHolzmann, Hubert ; Kavetski, Dmitri
GutachterSchöberl, Friedrich
Erschienen2015
UmfangXVIII, 171 S. : zahlr. Ill., graph. Darst., Kt.
HochschulschriftInnsbruck, Univ., Diss., 2015
Datum der AbgabeSeptember 2015
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Tirol / Inn / HoPI / HQsim / Hochwasservorhersage / Hochwasserprognose / MODIS / Bayesianische Inferenz / Markov Chain Monte Carlo / MT-DREAMZS / Unsicherheiten / Latin Hypercube Sampling
Schlagwörter (EN)Bayesian inference / Uncertainty / Sensitivity Analysis / rainfall-runoff modeling / snow-covered area / GLUE
Schlagwörter (GND)Tirol / Inn / Hochwasservorhersage / Hydrologische Vorhersage / Bayes-Verfahren / Markov-Ketten-Monte-Carlo-Verfahren
URNurn:nbn:at:at-ubi:1-3475 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Uncertainty analysis of a hydrological model within the flood forecasting of the Tyrolean river Inn [27.64 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Im Rahmen des Hochwasserprognosesystems für den Tiroler Inn (HoPI) wird das halb-verteilte hydrologische Modell HQsim für nicht-vergletscherte Einzugsgebiete angewandt. Die vorliegende Arbeit analysiert die Hinzunahme von flächendeckender Information der Schneeausdehnung im Optimierungsprozess am Beispiel von 11 bepegelten Einzugsgebieten hinsichtlich der Reduzierung von Modellunsicherheiten. Mithilfe einer Sensitivitätsanalyse lässt sich zeigen, dass ein kalibriertes Schneemodul die Varianz im simulierten Abfluss reduziert. Darauf folgend werden zwei in der Hydrologie anerkannte Methoden zur Unsicherheitsabschätzung eingesetzt. Dies sind die GLUE-Methode sowie die formelle Bayesianische Modellinferenz. Beide Methoden vergleichen eine gewöhnliche Modellinferenz mit Abfluss als Zielvariable mit einer multi-objektiven Modellinferenz mit Abfluss und Schneeausdehnung als Zielvariable. Beginnend mit der GLUE-Methode können nur vereinzelte Unsicherheitsreduzierungen infolge der multi-objektiven Inferenz ermittelt werden, jedoch lassen sich mithilfe der Residuenanalyse ähnliche Strukturen innerhalb der Modellfehler von benachbarten Einzugsgebieten aufdecken. Bei der formellen Bayesianischen Inferenz können, neben der Berücksichtigung von heteroskedastischen Residuen, diverse Unsicherheitsquellen getrennt voneinander analysiert werden. Obwohl die letzte Analyse einen Programmierfehler im verwendeten hydrologischen Modell aufdeckt, bestätigten sich erneut die räumlichen Strukturen innerhalb der Residuen von benachbarten Einzugsgebietsmodellen. Darüber hinaus lassen sich in Teilbereichen klare Prognoseverbesserungen sowie Reduzierungen in den Modellunsicherheiten ermitteln. Abschließend werden die Auswirkungen des Programmierfehlers auf die vorliegenden Analysen untersucht. Es ist davon auszugehen, dass eine Neuoptimierung der Modelle zu einer weiteren Reduzierung der Modellunsicherheiten, sowie zu einer schärferen Trennung der räumlichen Residuenmuster führt.

Zusammenfassung (Englisch)

This thesis is closely related to the framework of the operational flood forecasting system of the Tyrolean River Inn (HoPI), in which the hydrological model HQsim is applied for tributary catchments. The present studies pursue the issue, whether the integration of additional snow data into the optimization process decreases parameter and prognosis uncertainty of HQsim. The analyses start with a sensitivity analysis of the modelled runoff output attributable to the simulated snow cover performance. A variance reduction in the model output due to a well-calibrated snow module could be shown. The effect of additional snow cover data, considered within the model optimization, is analyzed subsequently. Two methods to quantify model uncertainty, established in hydrological sciences, are applied to confront the results of a classical uni-objective optimization with the results of a multi-objective optimization regarding runoff and snow cover data. To start with the results of the GLUE method, no homogeneous prognosis improvement with only minor differences between the results of both optimization approaches is recognizable. Yet, the residual analysis of the runoff simulations and the goodness-of-fit values of the snow cover simulation feature obvious spatial patterns. Since uncertainties cannot be separated further into model predictive uncertainty and total predictive uncertainty within the GLUE method, a proper Bayesian Inference considering heteroscedastic residuals is computed. The results unfortunately show irregular characteristics of the predictive intervals, due to a recently identified programming error within the source code of HQsim. Inferential improvements are still noticeable for the use of the multi-objective likelihood. Finally, the regional model behaviour characteristics, analyzed by the GLUE method, are also confirmed by the proper Bayesian inference. The effects of the programming error on the performed analyses are still analyzed and lead to the assumption, that further simulation improvements, including narrower uncertainty intervals using the multi-objective likelihood, can be assumed by an optimized adjusted model. Thus, similar modeling results oriented to several mountain ranges of Tyrol should also be more distinctive.