Hydrologie und
Flussgebietsmanagement
o.Univ.Prof. DI Dr. H.P. Nachtnebel
Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau
Gliederung der Vorlesung
1. Statistische Grundlagen
2. Extremwertstatistik
3. Korrelation und Regression
4. Zeitreihenanalyse und Anwendung
5. Regionalisierung & räumliche Interpolation
6. Bodenwasserhaushalt
7. Grundwasserhaushalt
8. N-A Modelle – Einheitsganglinie
9. N-A Modelle – kombinierte Translations- und Speichermodelle
10. Retention und Flood Routing
11. Hydrologische Vorhersagen
12. Kontinuierliche Abfluss und Flussgebietsmodelle Stofftransport
Regionalisierung
¾
Ist wesentlich in der Hydrologie, da meist nur Punktdaten vorliegen, aber Aussagen über
andere Orte (wo keine Messstelle ist), bzw. über Flächen (Kartierung) benötigt werden
¾
Bodenkarte: aus Punktmessungen erstellt und
„homogene“ Bereich ausgewiesen
¾
Die meisten Verfahren beruhen auf Interpolation
Regionalisierung
¾ Darstellung von Feldern hydrologischer Daten und Parameter (Isolinien)
¾ Glättung räumlicher Verteilungen
¾ Ausweisung homogener Teilgebiete
¾ Übertragung von Punktinformation innerhalb eines Gebietes (auf die Fläche)
¾ Übertragung von Punktinformation aus einem Gebiet auf Punkte eines anderen Gebiets
¾ Änderung von Modellparametern bei Übertragung auf andere räumliche Skala
¾ Abhängigkeit von Modellparametern von gebiets-
Beispiel für Interpolation
¾
Heterogene Landschaft und einige Messstellen
Beispiel für Interpolation
¾
Die Berechnung der Verdunstung erfolgt durch
Gewichtung der Nutzungseinheiten
Jahresniederschlag in Österreich
Messnetz
Interpolation auf RasterInterpolation auf Flussgebiet
Allgemeines „Räumliche Interpolation“
¾ Hintergrund
• Hydrologische Daten weisen räumliche Variabilität auf (neben zeitlicher)
• Vergleich von Messwerten benachbarter Stationen
¾ Ziel
• Schätzung von Werten an einem nicht beobachteten Punkt
• Darstellung der räumlichen Variabilität
¾ Methodik
• Interpolationsverfahren deterministisch stochastisch
Regionalisierungsverfahren
¾ Anwendung
Interpolation
¾
Interpolation
• Schätzung von Werten an nicht beobachteten Stellen
¾
Unterteilung
• Globale Schätzung
z Schätzung eines charakteristischen Wertes für das Beobachtungsgebiet
• Punktschätzung
z Ermittlung der Werte an einem bestimmten Punkt P(X,Y)
¾
Methodik
• Prinzip der gewichteten linearen Kombination Globale Schätzung Punktschätzung
Globale Schätzung: Thiessen-Polygone
¾ Methodik
• Jeder Punkt erhält ein
Gewicht entsprechend des Flächenanteils des
zugehörigen Polygons Ai am Gesamtgebiet
• Geometrische Zuordnung jedes Punktes zur
nächstgelegenen Station
Globale Schätzung: Triangulierung
¾
Methodik
• Festlegung eines Dreiecksnetzes
• Messpunkte in den Knoten
• Jedem Dreieck wird der Mittelwert der Eckpunkte zugeordnet
Globale Schätzung: Rasterverfahren
¾
Methodik
• Gleichförmiges Raster über gesamtes Gebiet
• Jeder Messwert erhält Gewicht, das (1/Anzahl der Messwerte der
entsprechenden Zelle) ist
• Summe des Gewichts jeder Zelle ist 1
z Nachteil
• Ergebnis ist von der Größe des gewählten Rasters abhängig
Globale Schätzung: Isohyetenmethode
¾
Anwendung
• Häufig für die Ermittlung des Gebietsniederschlages
¾
Methodik
• Interpolation der Isolinien des Niederschlags
• Flächen zwischen den
Isolinien stellen Gewicht für das Mittel der
Niederschlagshöhen dar
Beispiel: Messnetz und Nitratbelastung
x N123 x N212
Punktschätzung: Thiessen-Polygone
• Oberfläche der Schätzfunktion weist an den Polygongrenzen Sprünge auf
Punktschätzung: Triangulierung
¾
Methodik
z Durch Eckpunkte ist das jeweilige
Dreieck eindeutig definiert
z Bestimmung der
Parameter aus dem Gleichungssystem
¾
Vorteil
z Keine Sprünge an den Kanten
cy bx
a y
x
N( , ) = + +
1 1
1 1
1(x , y ) a bx cy
N = + +
2 2
2 2
2(x , y ) a bx cy
N = + +
Punktschätzung: Inverse Distanzmethode
¾
Methodik
• Jeder Messwert wird in Abhängigkeit vom Abstand zur Lage des gesuchten Punktes gewichtet
• Größeres Gewicht, wenn Messwert näher zum gesuchten Punkt liegt
α jk
j d
w = c
∑
= * ( , )
) ,
( k k j j j j
k x y w N x y
N
Kriging
¾ Allgemeines
• Geostatistisches Verfahren zur Interpolation von räumlichen Daten
• Oberbegriff für stochastische Interpolationsverfahren
• Anfang der 60er von Krige (Bergbauingenieur in SA) entwickelt
• Mathematische Begründund durch Delhomme und G. Matheron, (Ecole des Mines, Frankreich)
• für geodätische Fragestellungen durch Krarup und Moritz über Kovarianzfunktionen weiterentwickelt (um 1969)
¾ Behandelt räumliche Zusammenhänge
¾ Ergebnis und Vorteil
• Schätzwert und dessen Schätzvarianz
¾ Idee
• Wenn 2 Punkte räumlich nahe beisammen sind, werden auch deren
Methodik
¾ Statistische Eigenschaften sind unabhängig von der Lage einer Messstelle
¾ Benachbarte Messstellen zeigen einen deutlicheren Zusammenhang als weit entfernt liegende Messstellen
P1
P2 P3
P
5 P
6
Kriging
¾
Ist ein BLUE Estimator
Best Linear Unbiased Estimator
¾
Erlaubt die lineare Schätzung eines Wertes und die Ermittlung der Unsicherheit!
¾
Die Schätzung basiert auf der Analyse des
räumlichen Zusammenhanges (Variogramm)
Ordinary Kriging: Methodik
• Anzahl von Messpunkten mit Messwerten Z(.)
• Wähle einen beliebigen Anfangspunkt i
• Definiere Distanz d1
• Suche alle jene Paare, die diese Distanzbedingung erfüllen
• Varianzen errechnen nach γ(d) = ½n∗Σ{ z(i) – z(j) } ²
• Gehe zum nächsten Punkt und setze die Methode fort
• Am Ende erhält man die Varianz der Messwerte, die etwa d1
entfernt sind i
j
j
j j
j
d1 d2
j d1
Ordinary Kriging
¾
Empirisches Variogramm
• Variogramm aus den errechneten Varianzen
Varianz
Distanz
d1 d d3
Empirisches Variogramm
Theoretisches Variogramm
¾
Theoretisches Variogramm
• Ermittlung einer passenden
Verteilung
Theoretische Variogramme
Theoretische Variogramme
¾ Nugget ist ein Maß für Streuung des Signals im Nahbereich (Messfehler)
Semivarianz für d = 0:
γ(d) = ½n∗Σ{ Z(i) – Z(i+d) } ² ⇒ γ(d) = 0
¾ Range gibt an, wie weit (räumlich) die Punkte korrelieren:
Innerhalb dieses Bereiches ist Interpolation sinnvoll.
¾ Sill gibt das Maximum des Semivariogramms
an. Dies ist ein Maß für die Varianz der beobach- teten Messwerte.
Theoretische Variogramme
¾ Grundannahmen sind:
Die Messwerte sind zufällig und räumlich stationär
¾ d.h.:
Die Schätzung statistischer Parameter ist unabhängig vom Ort
¾ Ähnlich wie bei Zeitreihen sind bei räumlichen Daten zuerst die Trends zu eliminieren
¾ Die räumliche Korrelation nimmt mit der Entfernung ab
Empirische Variogramme
¾
Nugget Effekt
drückt die lokale Variabilität aus
zB: es werden in kurzer Zeit am selben Ort
Messungen gemacht, die leicht variieren
Empirische Variogramme
γ(h) Die Messwerte haben
einen räumlichen
Trend und daher sind sie auch bei größerer Entfernung noch
korreliert Beispiel:
Grundwasserbelastung
Empirische Variogramme
h
γ(h) Die Messwerte zeigen in
Raum wiederkehrendes Verhalten
z.B. Messwerte aus
geologischen Formationen die sich wiederholen.
Durchlässigkeit in Seiten- tälern eines Flusslaufes
Theoretische Variogramme
Linear bis Parabolisch
Theoretische Variogramme
Sphärisch
Theoretische Variogramme Sphärisch
c Nuggeteffekt a Reichweite ω Varianz
Theoretische Variogramme Exponentiell
+ c
Theoretische Variogramme
Gauss
Theoretische Variogramme
de Wijs oder logarithmisch
Vergleich theoretischer Variogramme
Schätzung von Werten aus Punktmessungen
¾ Gegeben sind an den Orten xi die zugehörigen Messwerte Z(xi)
¾ Gesucht ist der Messwert Z*(x0) an der Stelle x0
¾ Die Schätzung für Z*(x0) und die Schätzvarianz lauten
¾ λi... Gewicht
( ) ∑ ( )
=
⋅
= n
i
i
i Z x
x Z
1
* 0 λ
( ) λλ γ λγ μ
σ = −
∑ ∑
− +∑
− += =
= n
i
i n
i i j
i j i n
j
x x x
x x
1 1
1
2 ( ) 2 ( )
Schätzung der Gewichte λ
i¾
Es liegen bei n Messpunkten n Gewichte λ
ivor.
¾
Diese ergeben sich aus der Lösung des Gleichungssystems
1
1
∑
== n
i
λ
i∑
n λ ⋅γ (u −u ) + μ = γ (u −u)Beispiel
¾
Gegeben ein Lineares Variogramm γ(h) = |h|
¾
Zwei Messwerte:
Z(u
1) = 2 und u
1= 1 Z(u
2) = 4 und u
2= -2
¾
Gesucht ist Schätzung für Ort u = 0.
?
Messwerte
Berechnung
¾
0λ
1+ 3λ
2+ μ = 1
¾
3λ
1+ 0λ
2+ μ = 2
¾
λ
1+ λ
2= 1
¾
λ
1= 2/3
,λ
2= 1/3 μ=0
¾
Z(u=0) = 8/3=2.6666
Krigingvarianten
¾ Ordinary Kriging: setzt räumliche Stationärität voraus
¾ Universal Kriging: schätzt polynomialen Trend
¾ External Drift Kriging: schätzt örtlich variablen Trend
¾ Indicator Kriging: erlaubt Schranken anzugeben
Krigingvarianten
¾ Ordinary Kriging: setzt räumliche Stationärität voraus
¾ Universal Kriging: schätzt polynomialen Trend
¾ External Drift Kriging: schätzt örtlich variablen Trend
¾ Indicator Kriging: erlaubt Schranken anzugeben
Krigingvarianten
¾ Ordinary Kriging: setzt räumliche Stationärität voraus
¾ Universal Kriging: schätzt polynomialen Trend
¾ External Drift Kriging: schätzt örtlich variablen Trend
¾ Indicator Kriging: erlaubt Schranken anzugeben
¾ Co-Kriging Kriging: schätzt die räumliche Verteilung in Abhängigkeit einer anderen Variablen
¾ Fuzzy Kriging: erlaubt die Analyse unscharfer Werte
¾ Siehe I. Clark und W. Harper; 2000
Unsicherheit in Daten
Realität (unknown) Beobachtungen
Interpolation mit Kriging
Glättet und hat geringe Var.
Messwerte
External Drift Kriging
Zusammenfassung
¾
Regionalisierung und Interpolation ist wichtig in der Hydrologie
¾
Gruppierung von Information
¾
Übertragung von Information
¾
Deterministische und stochastische Methoden
¾
Lineare und nichtlineare Methoden
¾