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
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
Modellkalibrierung und Unsicherheit
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.)
Daten, Modellierung und Unsicherheiten
Hinreichende Auflösung für representative Abbildung ?
Abhängig von der Komplexität (Heterogenität)
des Originals (Untersuchungsgegenstandes)
Strukturinformation,
Gesetzmäßigkeiten?
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??
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
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)
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
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 zukunftsgerichtetZukunft: Global change Æ stochastische Randbedingung Gegenwart: z.B. Morphologie Æ aktueller Systemzustand
Naturgesetze unveränderlich
Prozessmodelle + Einbeziehung Prognoseunsicherheit
Systemänderung
Optimale Global Change Anpassungsstrategien
?
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
Prozessmodell als Quasi-stochastisches
ANN
Varianz der Erwartungswerte Var(Ex(M)) + Ex(Var(S)) Erwartungswert der Varianzen
Perturbationsmodelle:
Überlagerung mittlerer & zufälliger Komponentenstochastisch 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
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
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
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-ArchitekturFeld Ebene Farm Ebene
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/3D ungesättigte Zone
• 2D Wurzelmodell
• optimale Wasserzuführung SOM-MIO(Kompakt-Modell)
Optimale Steuerung
•
Neuentwickelte ANN-Architektur•1D/2D SVAT Modell
• optimales Scheduling von Wasser (-güte) und Düngung
• Variabilität von Klima, Boden Stochastische Schadensfkt.
Minimale Nebenwirkungen
Feld Ebene Farm Ebene
BOTTOM UP zum großskaligen IWRM
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/3D ungesättigte Zone
• 2D Wurzelmodell
• optimale Wasserzuführung SOM-MIO(Kompakt-Modell)
Optimale Steuerung
•1D/2D SVAT Modell
• optimales Scheduling von Wasser (-güte) und Düngung
• Variabilität von Klima, Boden Stochastische Schadensfkt.
Minimale Nebenwirkungen
• Paretomengen von Nutzen- und Schad- funktionen (Wkt.) <-> GIS-Interface
• optimale Resourcenbewirtschaftung und Risikomanagement
Großskaliges multikriterielles und stochastisches IWRM Tool
• stochastische Optimierungs- verfahren
•
Neuentwickelte ANN-ArchitekturMikro- controller
Feld Ebene Farm Ebene
BOTTOM UP zum großskaligen IWRM
Regional Ebene
•1D/2D SVAT Modell
• optimales Scheduling von Wasser (-güte) und Düngung
• Variabilität von Klima, Boden SCWPF (Kompakt-Modell) Optimale Bewirtschaftung
•
• 2D/3D ungesättigte Zone
• 2D Wurzelmodell
• optimale Wasserzuführung SOM-MIO(Kompakt-Modell)
Optimale Steuerung
•1D/2D SVAT Modell
• optimales Scheduling von Wasser (-güte) und Düngung
• Variabilität von Klima, Boden Stochastische Schadensfkt.
Minimale Nebenwirkungen
• Paretomengen von Nutzen- und Schad- funktionen (Wkt.) <-> GIS-Interface
• optimale Resourcenbewirtschaftung und Risikomanagement
Großskaliges multikriterielles und stochastisches IWRM
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