Zlepšení predikce sucha prostřednictvím asimilace dat

Bc. Irina Georgievová

Master's thesis

Improving drought forecasting using data assimilation

Abstract:

Metody datové asimilace vzhledem k jejich přesvědčivým výsledkům našly v posledních desetiletích široké uplatnění v hydrologii. Pojem datová asimilace lze shrnout jako metodu začlenění pozorování systému v čase do modelu za účelem získání lepších odhadů stavů systému. Tato práce se konkrétně zabývá implementací sekvenčních metod datové asimilace do celistvého hydrologického modelu BILAN, využívaného v rámci systému HAMR, který slouží pro monitorování a předpověď sucha v České republice. Tento systém byl vyvinut na základě novely vodního zákona schváleného v roce 2019, který deklaruje vznik komise operativního řízení v období nedostatku vody, obdobně jak tomu je v případě povodňových situací. Systém by tak měl sloužit jako všestranný zdroj informací pro přijetí konkrétních opatření zmíněnou komisí. Byly navrženy dva možné koncepty implementace datové asimilace do modelu: (a) kombinace predikcí více modelů metodou Kalmanova Filtru s cílem zlepšení výsledků predikce na týden dopředu, (b) zlepšení výsledků simulace modelu BILAN úpravou parametrů za pomocí metody Ansámblového Kalmanova Filtru s aktualizací po částech. Koncept (a) kombinuje predikce modelu BILAN s AR(1) procesem a byl aplikován na predikcích teploty vzduchu, srážek a potenciální evapotranspirace. Vyhodnocení proběhlo na sto útvarech povrchových vod České republiky za pomocí kritéria MASE. Navrženou metodikou se podařilo v průměru snížit chybu oproti predikcím BILANu u teplot o 10.3 %, v případě srážek o 7.15 % a pro potenciální evapotranspiraci o 9.26 %. Koncept (b) byl vyhodnocen na šesti českých povrchových útvarech metodou křížové validace, přičemž z jednoho roku pro každé povodí bylo vytvořeno 51 testovacích úseků pro následnou validaci. Při vyhodnocení tohoto konceptu došlo ke snížení RMSE simulace o 48.7 % - 88.4 % (v závislosti na zkoumaném povodí) oproti simulační metodice s neměnnými parametry. Oběma navrženým konceptům se tedy podařilo zlepšit přesnost simulací a predikcí oproti běžnému postupu v rámci systému HAMR. Jejich budoucí implementace by mohla přispět k lepšímu hospodaření a distribuci vody jak v extrémních hydrologických situacích, jakou je sucho, tak i při jeho nezbytném monitorování.

Abstract:

Data assimilation methods have been extensively used in recent decades in the field of hydrology due to their convincing results. The definition of data assimilation can be summarized as a method of incorporating observations of the system over time into the model in order to obtain improved estimates of the system states. This thesis specifically focuses on the implementation of sequential methods of data assimilation into the conceptual hydrological model BILAN, used in the system for monitoring and forecasting of drought in the Czech Republic named HAMR. Said system was developed based on amendments to the Water Act, which were approved in 2019 and entails the assembly of the operative management committee in case of water deficiency as well as floods and therefore is intended to serve as a comprehensive information source for their decision-making. Two possible concepts of data assimilation implementation were proposed: (a) combination of predictions from several models using Kalman Filter in order to improve performance of the one week ahead predictions, (b) improvement of BILAN simulation results by modifying model parameters using partitioned update scheme based on the Ensemble Kalman Filter (PU_EnKF). Concept (a) combines BILAN predictions with predictions of the AR(1) model and has been tested on air temperature, precipitation and potential evapotranspiration. Results were evaluated on one hundred catchments in the Czech Republic using MASE as a criterion. Proposed methodology succeeded in reducing the error of temperature predictions on average by 10.3%, in the case of precipitation by 7.15% and the potential evapotranspiration by 9.26% compared to BILAN predictions. Concept (b) was evaluated on six catchments by cross-validation method. For validation purposes, 51 subsequent test datasets from one year were created for each of the catchments. The evaluation of this concept showed a reduction in RMSE by 48.7% - 88.4% (depending on the catchment) compared to the simulation methodology with constant parameters. Thus, both proposed concepts managed to improve the accuracy of simulations and predictions compared to the usual procedures of the HAMR system. Therefore, their future implementation could contribute to better water management and distribution in extreme hydrological situations such as drought as well as in its essential monitoring routine.

Keywords

sucho, BILAN, asimilace dat, Kalmanův Filtr (KF), ansámbl, aktualizace po částech

Keywords

drought, BILAN, data assimilation (DA), Kalman Filter (KF), Partitioned Update Ensemble Kalman Filter (PU_EnKF)

Language used: Czech

Date on which the thesis was submitted / produced: 30. 6. 2020

Thesis defence

• Supervisor: doc. Ing. Martin Hanel, Ph.D.
• Reader: Oldřich Rakovec, Ph.D.

Czech University of Life Sciences Prague

Faculty of Environmental Sciences

Master programme / field:
Landscape Engineering / Environmental Modelling