1 / 28

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.

leala
Download Presentation

Flood Forecasting for Fast Responding Catchments

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 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. Contents • 01 Introduction • 02 The PAI-OFF Forecasting System • 03 Application (Catchment in Eastern Germany) • 04 Summary A. PhilippFlash Flood Forecasting

  3. Flood formation: factors of influence 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 A. PhilippFlash Flood Forecasting

  4. 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 01 Introduction Objective: Robust and efficient forecasting system on the basis of artificial neural networks with the ability of quantifying the uncertainty of the forecast A. PhilippFlash 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. PhilippFlash Flood Forecasting

  6. PoNN Catchment Catchment River reach Catchment parameters Cross sectionsManning’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 constellationsof pre-event catchment state and precipitation ANN generation MLFN Riverreach Online-Measurements Weather forecast Initial hydrologicalconditions Application +UNCERTAINTY MCM WATER LEVEL DISCHARGE DISCHARGE +UNCERTAINTY +UNCERTAINTY +UNCERTAINTY A. PhilippFlash Flood Forecasting

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

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

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

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

  11. Catchment and ANN setup 03 Application A. PhilippFlash Flood Forecasting

  12. Validation of ANN models (R-R and routing) (italic) Routing ANN(MLFN – Erlln gauge) 03 Application • Rainfall runoff ANN(PoNN – Kriebstein gauge) * Event 2002 not recorded due todamage to gauging station A. PhilippFlash Flood Forecasting

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

  14. PAI-OFF performance for extreme rainfall event 08/02 03 Application • 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.) A. PhilippFlash Flood Forecasting

  15. PAI-OFF performance for extreme rainfall event 08/02 03 Application 1955 1955 2002 1982 • 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.) 1982 1985 1985 2002 gauge 2002 A. PhilippFlash Flood Forecasting

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

  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 A. PhilippFlash Flood Forecasting

  18. Potential of improvement 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) A. PhilippFlash 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. PhilippFlash Flood Forecasting

  20. Verbesserungsmöglichkeiten 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 A. PhilippFlash Flood Forecasting

  21. Die PAI-OFF-Methodik 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 A. PhilippFlash Flood Forecasting

  22. Hochwasserentstehung: Einflussfaktoren Menge/Intensität, Dauer (räumliche und zeitliche Verteilung des Niederschlagsfeldes)Zugrichtung/orographische Effekte (advektive und konvektive Ereignisse)Größe des Flussgebiets, Topographie/MorphologieRetentionscharakteristik (Bodenart, Landnutzung)Große EZG: (Abflussbildung, Abflusskonzentration), WellenablaufKleine EZG: Abflussbildung und Abflusskonzentration, Wellenablauf  Flash Floods 01 Einführung + • StarkregenHydrologische Charakteristika des EZGHochwasser-ereignis  A. PhilippFlash Flood Forecasting

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

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

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

  26. Meteorologische Analyse 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 A. PhilippFlash Flood Forecasting

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

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

More Related