Modellkalibrierung und Unsicherheit Modellkalibrierung und Unsicherheit

(1)

Internationale WasserforschungsAllianz Sachsen

Modellkalibrierung und Unsicherheit Modellkalibrierung und Unsicherheit

Gefördert vom

Prof. Dr.

Prof. Dr. - - Ing. habil. G.H. Schmitz Ing. habil. G.H. Schmitz TU Dresden

Institut für Hydrologie und Meteorologie

(2)

Inhalt

1. Daten, Modellierung und Unsicherheiten

2. Daten, Modellkalibrierung u. Prognoseunsicherheit 2.1 Unsicherheitsanalysen – Daten und Modelle

2.2 Hohe modellbezogene Unsicherheit – Was Tun?

3. I ntegriertes Wasser Resourcen Management (IWRM) & Unsicherheit

3.1 Einbeziehung der Unsicherheiten

3.2 Realisierung von IWRM Tools mit vernetztem Ansatz, zukunftsfähigen Modellen, Unsicherheiten &

multikriterieller Optimierung: Probleme

4. Innovative Lösungsansätze zur Implementation einer neuen Generation ganzheitlicher IWRM Tools 5. Umgang mit Unsicherheiten: Capacity building in

der Region

Modellkalibrierung und Unsicherheit

(3)

Systeminvarianz?

Input-Invarianz?

Unsicherheit

Maßstabsproblem, Strukturprobleme, gegenseitige Abhängigkeit Messfehler, geringe

Datenauflösung in Raum und Zeit

Abfluss- ganglinie

1. 1. Daten Daten - - und und Modellunsicherheit Modellunsicherheit

Naturgesetze & physikalische Parameter

beobachteter Input + korrespondierender Output oder-und

Niederschlags- ganglinie

IWRM

Gleichungen Gleichungslöser

Parameter Modellstruktur

Systemabbildung (Modell)

…

Beobachtetes Systemverhalten (natürlich, sozio-ökon.)

(4)

Daten, Modellierung und Unsicherheiten

(5)

Hinreichende Auflösung für representative Abbildung ?

Abhängig von der Komplexität (Heterogenität)

des Originals (Untersuchungsgegenstandes)

(6)

Strukturinformation,

Gesetzmäßigkeiten?

(7)

(8)

2.1. 2.1. Unsicherheitsanalysen Unsicherheitsanalysen – – Daten Daten und und Modelle Modelle

Analyse der Datenunsicherheit

¾ Statistische Analyse der Verteilung

¾ Wahrscheinlichkeitsbasiert: MC

¾ Homo - Heteroskedacity

Charakterisierung & Quantifizierung

Kalibrierung & Unsicherheit

¾ Gaußsches Fehlerfortpflanzungsprinzip, z.B.

First order second moment method (FOSM)

¾ Dynamic Identifiability Analysis (DYNIA)

¾ GLUE General Likelihood Uncertainty Estimation

¾ Pareto Optimalität (stochastische Optimierung)

¾ Bayes Inferenz (Markov-Ketten & MC-Methode)

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

31.8.95 18:00 1.9.95 12:00 2.9.95 6:00 3.9.95 0:00 Datum

Variationskoeffizient [-

0 3 6 9 12 15 18 21 24

Abfluss [m³/s]

Unsicherheit aus Niederschlag Unsicherheit aus Bodenparametern Unsicherheit aus Modellparametern Gesamt-Unsicherheit mit MCS Kontrolle Gesamt-Unsicherheit mit MCS Beobachtung

Quantifizierung der Modellunsicherheit

Flashflood: Häufigkeit/Größe ?

Modellierung Planung

akzeptabel zu hoch

zu wenig

Daten??

(9)

2.2. 2.2. Hohe Hohe m m odellbezogene odellbezogene Unsicherheit Unsicherheit Was Tun Was Tun? ?

• Engagement bei der Datenbeschaffung

• Infos über allgemeine Messpraxis

• Erfahrung lokaler Fachleute

¾ Nutzung von Kenntnissen, Plausibilitätsanalysen

• zusätzliche Messkampagnen (Partner)

¾ mit Hilfe modellgestützter Sensitivitätsanalysen

• Einbeziehung d. Partner in Entwicklung

¾ Ergänzende Feldexperimente und engste

Kooperation mit Generaldirektion landwirt. Forschung

Überzeugungsarbeit in der Region:

Identifikation der regionalen Partner mit dem IWAS Projekt

Bereitstellung eigener Ressourcen

(10)

Einbeziehung qualitativer Daten

¾ Fragebogen für Ortsansässige

¾ Sekundärinformationen, wie z.B.

- Wasserstandsmarken (HW Ereignisse) - Prozesskenntnisse -

mehr als eine Zielfunktion multikriterielle Kalibrierung

2.2 2.2 Hohe Hohe m m odellbezogene odellbezogene Unsicherheit Unsicherheit – – Was Was Tun Tun ? ?

Robust Parameter Estimation (ROPE) Robustere Modellparametrisierung

• Relativ unempfindlich gegen Messfehler

• geeignet für Klima- und Landnutzungswandel

• Iterativer (MC) Ansatz zur Bestimmung der

„Datentiefe“ robuster Parametersätze

(Stichprobe)

(11)

Modelltyp Schwerpunkt d. Kalibrierung

Sozioökomomisch Demographie sozioök.Funktioen Statistisch:

Wiederkehrs- intervalle Stochastisch:

Zeitreihen

Empirisch beobachtete Systemwirkung

Physikal.

begründet:

Wirkungsprozesse

historische Daten

beobachtete Systemwirkung

Zustandsinformation Gemessene Zustandsgrößen

2.2 Hohe 2.2 Hohe m m odellbezogene odellbezogene Unsicherheit Unsicherheit – – Was Was Tun Tun ? ?

Wichtigste IWAS Modelltypen: Anforderung an Kalibrierungsdaten

Physikalisch begründet

Lösung aufwendig, numerisch

Modell Aussage Empirisch

Einfach, direkt anwendbar

im Beobachtungsbereich Keine Änderung des Systems!

Außerhalb Beobachtungen

Systemänderung zulässig

(12)

3. I 3. Integriertes ntegriertes W W asser asser R R esourcen M esourcen Management anagement (IWRM) &

(IWRM) & Unsicherheit Unsicherheit

Vergangenheit Æ beobachtete Systemwirkung

Æ

Empirische Modellierung IWRM Æ nicht nur zukunftsweisend sondern auch zukunftsgerichtet

Zukunft: Global change Æ stochastische Randbedingung Gegenwart: z.B. Morphologie Æ aktueller Systemzustand

Naturgesetze unveränderlich

Prozessmodelle + Einbeziehung Prognoseunsicherheit

Systemänderung

Optimale Global Change Anpassungsstrategien

?

(13)

Aggregationd. Anworten

Fuzzy-Logic Modelle

• Unscharfe Wissensbasis: Zugehörigkeitsfunktionen

• Kombination durch Fuzzy Regel System

• Aggregation der Regelantworten

¾ Unscharfe Wahrscheinlichkeiten:

mathematical probability generalised possibility

NA-Modell Abfluss [ Q1, Q2, ... , Qk ]

NA-Modell NA-Modell Abfluss [ Q1, Q2, ... , Qk ] Abfluss [ Q1, Q2, ... , Qk ]

[N1, N2, ... Nk] [N1, N2, ... Nk] [N1, N2, ... Nk]

P (Q > Qkrit)

Statistische Analyse P (Q > Qkrit)

Statistische Analyse Statistische Analyse

Monte-Carlo Methode

• Wiederholtes Ziehen von Elementen aus einer Stichprobe ( der Verteilung der

Zufallsvariablen)

• Vielfache deterministische Modellsimulation mit variierenden Zufallsvariablen

• Statistische Analyse der resultierenden Verteilungen im Output

3.1 3.1 Einbeziehung Einbeziehung der der Unsicherheiten Unsicherheiten

(14)

Prozessmodell als Quasi-stochastisches

ANN

Varianz der Erwartungswerte Var(Ex(M)) + Ex(Var(S)) Erwartungswert der Varianzen

Perturbationsmodelle:

Überlagerung mittlerer & zufälliger Komponenten

stochastisch erweiterte Gleichungen, Simulation mit Erwartungswert & Covarianzfunktionen

Unsicherheiten Niederschlag

& Bodenparameter: Statistisch unabh

Statistisch unabhäängig! ngig!

Gesamtunsicherheit

3.1 3.1 Einbeziehung Einbeziehung der der Unsicherheiten Unsicherheiten

Parametervarianzen &

Input-Output Unsichere phys. Parameter

physikalisch begr. Modell

Stochastisches Prozessmodell

Grundwassermodell

Bodenwasser- strömungsmodell mit

stochastischen Randbedingungen

Vegetation:

Pflanzenphysiologie Klima

Verdunstung

Oberflächenwasser Grundwassermodell

Bodenwasser- strömungsmodell mit

stochastischen Randbedingungen

Vegetation:

Pflanzenphysiologie Klima

Verdunstung

Oberflächenwasser

Realisierungen

(15)

3.2 Realisierung von vernetzten IWRM Tools mit zukunftsf

3.2 Realisierung von vernetzten IWRM Tools mit zukunftsf ä ä higen higen Modellen, Unsicherheiten &

Modellen, Unsicherheiten & multikriterieller multikriterieller Optimierung: Probleme Optimierung: Probleme

¾ Benötigt für die IWRM Praxis:

¾ sozio-ökonomische, hydrologische & hydraulische Modelle - Zukunftsfähig, physikalisch begründet

- aber robust & zuverlässig, gut zu betreiben

¾ Vernetzung der vielen unterschiedlichen Module

¾ Einbeziehung der gesamten Modellunsicherheit

¾ Einbeziehung stochastischer Randbedingungen - Global Change Unsicherheit optimalen Anpassungstrategien

¾ Ganzheitliche multikriterielle Optimierung

unbeherrschbarer Rechenaufwand, zu komplex für

praktischen Einsatz, Risiko numerischer Instabilitäten

klassische Modellansätze Sackgasse

(16)

4. Innovative L

4. Innovative L ö ö sungsans sungsans ä ä tze zur tze zur Implementation Implementation einer einer neuen Generation ganzheitlicher IWRM Tools

neuen Generation ganzheitlicher IWRM Tools

Surface and Subsur‐

face Water Module Assessment

Water Resources Availability

Prognosis: Future Climate Scenarios

Groundwater Module

Water Demand Agriculture Potential and actual

water use Irrigation Module Technical System

Water‐Backbone Aquifer Pumping Artificial Recharge

Management:

• optimal and sustainable management strategies of water resources

• operative optimal control of the technical system

Planning: Evaluating the effects of planning scenarios for a most beneficial policy

APPM

Robust Simulation Tool of Water Resour‐

ces System (ANN)

Optimisation and Management Tool

Water supply

Water Productivity of Agriculture

Decision Making: Objectives, Management Options, Constraints, etc.

Monitoring Socio‐economicDevelopment

Surface and Subsur‐

face Water Module Assessment

Water Resources Availability

Prognosis: Future Climate Scenarios

Groundwater Module

Water Demand Agriculture Potential and actual

water use Irrigation Module Technical System

Water‐Backbone Aquifer Pumping Artificial Recharge

Management:

• optimal and sustainable management strategies of water resources

• operative optimal control of the technical system

Planning: Evaluating the effects of planning scenarios for a most beneficial policy

APPM

Robust Simulation Tool of Water Resour‐

ces System (ANN)

Optimisation and Management Tool

Water supply

Water Productivity of Agriculture

Decision Making: Objectives, Management Options, Constraints, etc.

Monitoring Socio‐economicDevelopment

IWAS

Wastewater Management

Hybrid: Physik. Basiert & problemspezifische K I Tools

(17)

Feld Ebene Farm Ebene

BOTTOM UP zum großskaligen IWRM

Regional Ebene

•

• 2D/3D ungesättigte Zone

• 2D Wurzelmodell

• optimale Wasserzuführung SOM-MIO(Kompakt-Modell)

Optimale Steuerung

•

Neuentwickelte ANN-Architektur

(18)

BOTTOM UP zum großskaligen IWRM Tool

Regional Ebene

•1D/2D SVAT Modell

• optimales Scheduling von Wasser (-güte) und Düngung

• Variabilität von Klima, Boden SCWPF (Kompakt-Modell) Optimale Bewirtschaftung

•

Neuentwickelter evolutionärer Algorithmus

• Monte Carlo Simul.

mit Importance Sampling Strategie und hocheffizienter Dichteschätzung

•

• 2D Wurzelmodell

•

• Variabilität von Klima, Boden Stochastische Schadensfkt.

Minimale Nebenwirkungen

(19)

BOTTOM UP zum großskaligen IWRM

Regional Ebene

•

Neuentwickelter evolutionärer Algorithmus

• Monte Carlo Simul.

mit Importance Sampling Strategie und hocheffizienter Dichteschätzung

•

• 2D Wurzelmodell

• Paretomengen von Nutzen- und Schad- funktionen (Wkt.) <-> GIS-Interface

• optimale Resourcenbewirtschaftung und Risikomanagement

Großskaliges multikriterielles und stochastisches IWRM Tool

• stochastische Optimierungs- verfahren

•

(20)

Mikro- controller

BOTTOM UP zum großskaligen IWRM

Regional Ebene

•

• 2D Wurzelmodell

• Paretomengen von Nutzen- und Schad- funktionen (Wkt.) <-> GIS-Interface

• optimale Resourcenbewirtschaftung und Risikomanagement

Großskaliges multikriterielles und stochastisches IWRM

(21)

5. Umgang mit Unsicherheiten:

5. Umgang mit Unsicherheiten: Capacity Capacity building building in der in der Region

Region

Zielgruppenbasierte Ansätze

(Beispiel IWAS Mittlerer Osten– Oman)

Wissenschaftsbereich:

inviteded keynote, 2 Vortr. Gulf Water Conf.

• Gemeinsames, Oman finanziertes, flankierendes Forschungsprojekt

• Wissenschaftleraustausch, Betreuung omanischer Doktoranden

• Gemeinsame Feldexperimente im Oman

Ministerialbereich Æ Entscheidungsträger

• Frühzeitige Integration in das IWRM-Projekt Æ Bildung einer eigenen IWAS-Expertengruppe mit 11 Beamten aus relevanten Abteilungen mit eigener finanzieller Ausstattung (600.000€)

• Projektspezifische, neu konzipierte E-learning module (Finanzierung Oman) in Zusammenarbeit mit IHP/UNESO und RTWTH Aachen Æ Fokus: IWRM in Arid Regions am Beispiel des Pilotptrojektes

• On-the-job-Training in Deutschland Æ Schwerpunkt: Umgang mit unsicheren Informationen und Modellierung im Rahmen von IWRM

Bauernverbände

• Pilotfarmen Æ Einsatz moderner Bewässerungstechnik u. Steuerung

• Schulungen und Planspiele

(22)