Erdkunde 92 Band 2911975
Edremit-Giire (Tiirkei). In: Der Tropenlandwirt 71, 1970, S. 137-161.
Wagner, G.: Die Bodenabtragung im Wandlungsprozefi der Kulturlandschaft. In: Ber. z. dt. Landeskunde 35, 1965, S.91-111.
Walter, H.: Das Problem der Zentralanatolischen Steppe.
In: Die Naturwissenschaften 43, 1956, S. 97-102.
Weitzenberg, H.: Praktischer Umweltschutz zur Kontrolle der Bodenerosion in den Landbau- und Weide-Gebieten der tropischen und subtropischen Zonen. In: Der Tropen
landwirt 74, 1973, S. 169-180.
Wendt, C. W., Olsen, T. C., Haas, H. J. & Willis, W. O.:
Soil Water Evaporation. Great Plains Agricultural Council Publication No. 50, 1970, S. 207-227.
ERZEUGUNG SYNTHETISCHER ABFLUSSDATEN MIT HILFE EINES ZEIT- UND RAUMVARIANTEN MODELLS IM EINZUGSGEBIET DER LAHN
Mit 6 Textabbildungen, 1 Beilage (V) und 4 Tabellen
Ulrich Streit
Summary: The generation of synthetic runoff data by a time- and space-varying model for the Lahn river catchment.
A time- and space-varying model for generation synthetic monthly streamflow series of any length is constructed
based on a sample of drainage basins in the Lahn river catchment. A first order autoregressive model (Markov model) including a seasonal component is used as the time
dependent generating scheme. If there exist runoff obser vation for the drainage basin in question, the parameters of the markov-model (monthly means, standard devia tions and correlation coefficients) may be computed from this data. Otherwise a space-varying extension is needed:
Approximation of the above mentioned statistics by Fourier-analysis results in Fourier-coefficients which are estimated by a few regression equations using physiographic basin characteristics (e.g. mean annual precipitation, for
ested area) as input data. Examples are discussed to point out qualifications and limitations of the model and to demonstrate application of synthetic streamflow series to design of water supply reservoirs.
Die wachsenden Ansprtiche von Bevolkerung und
Wirtschaft hinsichtlich der Versorgung mit Trink- und
Brauchwasser stellen die wasserwirtschaftliche Planung
vor die Aufgabe der bestmoglichen Nutzung aller vor
handenen Wasservorrate; dabei kommt der Gewin nung von Oberflachenwasser aus den Fliefigewassern eine wachsende Bedeutung zu. Eine optimale Nut
zungsplanung und Bewirtschaftung der Gewasser ist nur auf der Basis von Mefidaten ausreichender Quali tat und Quantitat durchfiihrbar; neben Beobachtungs werten fiir die Wassergiite sind dabei vor allem Ab
flufidaten zur Erfassung des natiirlichen Wasserdar
gebotes der Fliefigewasser in zeitlicher und raumlicher Dimension notwendig. Wahrend eine Verbesserung der
Datenqualitat vor allem durch Verfeinerung der Mefi
und Obertragungstechniken erreicht werden kann (dies liegt in der Regel jedoch aufierhalb der Moglichkeiten des mit Planungsaufgaben beschaftigten Hydrologen),
erscheint eine Steigerung der Datenquantitat zunachst nur durch Vermehrung der Beobachtungsstationen und Ausdehnung des Beobachtungszeitraumes moglich.
Die folgenden Ausfuhrungen beschaftigen sich fiir den Fall monatlicher Abflufihohen mit der Frage, in
wieweit derartige Daten mit Hilfe zeit- und raum varianter Modelle kiinstlich erzeugt und damit theore
tisch beliebig vermehrt werden konnen. Solch einem Modell wird selbstverstandlich nur dann eine prakti
sche Bedeutung zukommen, wenn es in der Lage ist, synthetische Daten so zu generieren, dafi sie in wich
tigen charakteristischen Eigenschaften mit tatsachlich
gemessenen bzw. mefibaren Daten weitgehend iiber einstimmen. Diese notwendige Anpassung des Mo
dells an die natiirlichen Verhaltnisse ist nur auf der
Basis existierender Mefiwerte moglich, deren Infor
mationsgehalt extrahiert und auf das Modell iiber
tragen werden mufi. Kiinstlich erzeugte Daten solcher Art ergeben damit keinen realen Informationsgewinn
gegeniiber den zur Modelleichung verwendeten Be obachtungsdaten; sie stellen im engeren Sinne auch
keine Prognose des zukiinftigen Abflufiverhaltens dar.
Ihr Nutzen ergibt sich aus der Moglichkeit, Daten serien beliebiger Lange und Anzahl fiir einen gegebe
nen Ort oder Raum zu generieren: Ist namlich das Verteilungsgesetz der interessierenden Variablen be
kannt oder als Hypothese formuliert, so lassen sich
lange Datenreihen erzeugen, in deren Verlauf relative Minima und Maxima sowie Extremwertabfolgen er
scheinen, die wahrend der meist kurzen Beobachtungs
periode wegen ihrer geringen Eintrittswahrscheinlich keit zufallig nicht aufgetreten sind. Damit eignen sich
synthetisch erzeugte Daten vorzugsweise zur Simula tion natiirlicher oder anthropogen gesteuerter Systeme
und der sich darin vollziehenden Prozesse. An zwei Beispielen soil dies fiir den hier untersuchten Fall mo natlicher Abflufihohen in Fliefigewassern verdeutlicht
werden.
Ulrich Streit: Erzeugung synthetischer Abflufidaten im Einzugsgebiet der Lahn 93
Die Forderung uferfiltrierten Grundwassers ist we
gen der starken Wechselwirkung zwischen Flufi und
Grundwasserkorper im ufernahen Bereich eng an den
Abflufi im Vorfluter gebunden; zur wirklichkeits aquivalenten Nachahmung der sich dabei abspielenden
Sickerungs- und Stromungsvorgange in einem Grund wassermodell mussen daher Abflufireihen als wesent
licher Teil des Modellinputs zur Verfiigung stehen.
Sind keine Beobachtungsdaten fiir den untersuchten Flufiabschnitt vorhanden bzw. erweisen sich beobach
tete Abflufireihen als liickenhaft oder zu kurz (etwa
zur Nachahmung von Langzeiteffekten), so konnen
mit Erfolg synthetisch erzeugte Abflufidaten verwen
det werden.
Als zweites Beispiel sei die Bemessung von Ver
sorgungsspeichern genannt. Bei vorgegebener Betriebs
dauer und Speicherabgabe stellt sich hier das Problem einer Bestimmung der optimalen Speichergrofie, wobei
der Versorgungsspeicher aus Kostengriinden moglichst
klein, jedoch zur Aufrechterhaltung der Funktion auch
in Trockenperioden ausreichend grofi zu bemessen ist.
Dabei ist zu beachten, dafi der Abflufivorgang einen zufallsbeeinflufiten Prozefi darstellt, so dafi die Anga be der optimalen Speichergrofie sinnvollerweise mit
einer Versagenswahrscheinlichkeit zu koppeln ist. Da
in synthetischen Abflufireihen auch solche Trocken
und Feuchtperioden verschiedener Lange und Inten
sitat auftreten, die zufallig nicht durch den Beobach tungszeitraum erfafit sind, jedoch eine gewisse Ereig niswahrscheinlichkeit haben, erlaubt die Verwendung kiinstlich erzeugter Daten (ggf. auch anstelle der Be
obachtungswerte) eine praxisnahe Losung dieses Opti
mierungsproblems (vgl. Schultz, 1973, 175ff.). In einem Anwendungsbeispiel fiir das hier diskutierte Modell wird auf diese Methode zur Bemessung von
Versorgungsspeichern naher eingegangen.
Die Konstruktion des zeit- und raumvarianten Mo
dells zur Erzeugung synthetischer Abflufireihen beruht auf folgenden Grundgedanken: Der Abflufivorgang im
natiirlichen Fliefigewasser stellt einen zeitvarianten
kontinuierlichen Prozefi praktisch unbeschrankter Dauer dar; er kann jedoch nur in zeitlich begrenzten Intervallen als sog. Zeitreihe beobachtet werden, die im statistischen Sinne als Stichprobe aus diesem Prozefi
anzusehen ist. Bei der Analyse solcher Zeitreihen ist zur Verringerung des numerischen Aufwandes in der Regel eine Diskretisierung durch Zusammenfassung
zu grofieren Zeitreiheneinheiten sinnvoll; im vorlie
genden Fall werden monatliche Abflufihohen (mm) zugrunde gelegt. Die Erzeugung kiinstlicher Zeitreihen
erfordert einen geeigneten zeitvarianten Modellansatz,
der die charakteristischen Eigenschaften des Prozesses
hinreichend genau wiederzugeben vermag. Die not
wendige Anpassung des Zeitreihenmodells an die Ab flufiverhaltnisse eines speziellen Flufigebietes kann durch Fixierung von Modellparametern erfolgen. Liegt fiir das betreffende Gebiet eine beobachtete Abflufi
reihe ausreichender Gute vor, so geschieht die Para
meterbestimmung in einfacher Weise durch Berechnung
gewisser statistischer Kennwerte aus den Beobach tungsdaten. Fiir Einzugsgebiete mit liickenhaften, un
zuverlassigen, kurzfristigen oder nicht existenten Be obachtungswerten ist dagegen eine Erweiterung des Zeitreihenmodells durch einen raumvarianten Ansatz notwendig. Da der an einem bestimmten Mefiquer
schnitt im Fliefigewasser beobachtbare Abflufivorgang durch die naturraumliche Ausstattung (einschliefilich der hydrometeorologischen Verhaltnisse) des zugehori gen Einzugsgebietes gesteuert wird, ist eine mehr oder
minder enge Korrelation zwischen den Einzugsgebiets charakteristika und den Parametern des Zeitreihen
modells zu vermuten. Auf der Basis einer Stichprobe verschiedenartiger Flufigebiete lassen sich daher mit Hilfe geeigneter statistischer Verfahren Schatzglei
chungen fiir die Modellparameter aufstellen. Auf diese
Weise kann der zeitvariante Modellansatz variieren den raumlichen Gegebenheiten angepafit werden, wo
bei als Bezugsbasis das jeweilige Einzugsgebiet gilt.
Das Modell basiert auf einer Stichprobe von 21 Ein zugsgebieten aus dem Flufigebiet der Lahn (vgl. Abb. 1
[Beil. V] und Tab. 1); sie sind so ausgewahlt, dafi min destens lOjahrige Abflufimessungen (hydrologische
Jahre) existieren und keine starke Beeinflussung durch wasserbauliche Mafinahmen auftritt. Die Grofie dieser Einzugsgebiete liegt zwischen 10 und 450 km2. Der
gewahlte Untersuchungsraum umfafit sowohl Teile
des palaozoischen Mittelgebirgsrumpfes (Hintertaunus,
Rheinisches Schiefergebirge), Buntsandsteingebiete des
Nordhessischen Berglandes und quartar-vulkanisch
gepragte Regionen (Vogelsberg, Westerwald) als auch
die mit jungtertiaren und quartaren Sedimenten aus
gefiillten Becken von Limburg und Giefien; die klima tische Differenzierung reicht von den feucht-kiihlen Mittelgebirgslagen bis zu den warmeren und relativ
trockenen Becken. Eine ausreichende naturraumliche
Variabilitat der untersuchten Einzugsgebiete ist somit gesichert, was der Anwendbarkeit des Modells zugute
kommt.
1. Der zeitvariante Modellansatz
Da die Zahi der moglichen Einflufigrofien auf die Entstehung des Abflusses im Fliefigewasser fast uniiber
schaubar grofi ist und ihr Zusammenwirken nach z. T.
noch nicht bekannten Gesetzmafiigkeiten erfolgt, er
scheint es gerechtfertigt, den Abflufivorgang als einen
stochastischen Prozefi anzusehen, dessen Realisationen vom Zufall mitbestimmt werden. Diese Auffassung
vom zufallsbeeinflufiten Abflufiprozefi bedeutet nicht zwangslaufig die Negation einer vollstandigen Deter miniertheit des Naturgeschehens; sie stellt vielmehr
ein fiir die quantitative Bearbeitung sinnvolles Axiom
dar.
Zur Analyse, Prognose und Synthese solcher sto
chastischer Prozesse wird zumeist von der Hypothese ausgegangen, dafi sich der Gesamtprozefi durch addi
tive Uberlagerung mehrerer Komponenten darstellen
lafit; diese werden jeweils unterschiedlichen Ursachen
komplexen zugeordnet: So verursacht der jahreszeit
Erdkunde 94 Band 29/1975
Tabelle 1: Untersuchte Einzugsgebiete; Matrix der Inputdaten Researched river basins; matrix of input data
Kenn- Pegelname Gewasser Beob.jahre FN NJAHR NWISO TEMP BODEN WALD
zeich. fiir AbfluB
_(bis 1972) (km*)
(mm)_(?C) (%) (%) A Freienseen Seenbach 15 11,0 945 0,93 19 59 7,6
B Oberkleen Kleebach 16 23,5 728 0,85 26 53 8,3
C Feudingen Lahn 23 25,0 1101 1,13 1 72 6,8
D Lohnberg Kallenbach 12 53,9 931 1,07 2 46 8,4
E Dill Haiger 15 63,0 1014 1,07 1 63 7,6 F Rod a. d. Weil Weil 21 77,1 875 0,82 16 58 7,6 G Etzelmuhle Salzbode 13 81,2 847 0,99 8,2 16 42
H Bonbaden Solmsbach 13 98,6 761 0,88 18 56 8,4
I Wieseck GieBen 20 100,0 734 0,81 39 29 8,5
K Gemunden Wohra 13 101,8 754 0,91 48 53 7,9
L Lumda Lollar 12 128,9 746 0,83 43 35 8,3 M Herbornseelbach Aar (Dill) 17 135,5 809 0,94 13 43 8,1
N
Michelbach Aar 12 143,7 774 0,87 26 49 8,1
O Schulmuhle Muhlbach 16 145,0 718 0,80 41 34 8,2
P Essershausen Weil 22 206,2 817 0,80 22 47 8,1
Q Weinahr Gelbach 17 215,0 907 0,91 36 38 8,4
R Dillenburg Dill 21 250,8 982 1,06 4 50 7,6
S Biedenkopf Lahn 22 295,0 1005 1,10 4 71 7,3
T Niederbrechen Emsbach 10 305,2 699 0,74 46 38 8,4
U Ober-Ofleiden Ohm 17 317,3 888 0,91 25 30 7,8
V Sarnau-West Lahn 15 451,0 956 1,07 6 60 7,5
X Breidenstein Perf 7 113,4 972 1,07 7 41 7,5
Y Niederwetter Wetschaft 7 173,6 762 0,97 39 43 7,9
Z Bartenhausen1) Wohra 7 272,6 739 0,87 8,0 47 71
Stichprobe fiir die Modellkonstruktion: A bis V l) Seit 1968 durch Hochwasserruckhaltebecken geringfiigig beeinfluBt.
Beispiele: X bis Z
liche Gang der meteorologischen Elemente eine perio dische Abflufischwankung 12monatiger Lange, wie sie
sich z. B. in den mittleren monatlichen Abflufthohen widerspiegelt. Langfristige Anderungen des Klimas,
vor allem aber anthropogene Eingriffe im Fluftgebiet konnen sich in einem Trend bemerkbar machen. Die Speicherwirkung im Fluftgebiet (durch Boden und Ge
stein, Schnee etc.) und die Auspragung des Nieder
schlagsregimes fiihren zu einer korrelativen Kompo
nente, die sich daran erkennen laftt, daft in der Regel auf hohe Abfliisse eher wiederum hohe als niedrige folgen (positive Autokorrelation). Das durch Periode, Trend und korrelative Komponente nicht erklarbare Residuum schlieftlich wird als deterministisch nicht
fafibare reine (d. h. stochastisch unabhangige) Zufalls
komponente aufgefafit.
In der Regel empfiehlt es sich, eine vorliegende Zeit
reihe zunachst einer Trendanalyse zu unterziehen, da
ein signifikanter Trend in den Daten eine weitere sta tistische Bearbeitung durch die damit gegebene Insta
tionaritat erheblich erschwert.
Fiir jedes Einzugsgebiet wird daher die zugehorige Beobachtungsreihe monatlicher Abflufthohen zunachst daraufhin untersucht, ob in den Daten ein signifikanter
linearer Trend - bedingt durch anthropogene Ande
rungen des Abfluft verhaltens (Gewasserausbau, Ande rung der Nutzung etc.) - nachzuweisen ist. Zu diesem
Zweck wird der Datenreihe eine Ausgleichsgerade an gepaftt, deren Steigung ein Maft fiir die Starke des
linearen Trends ist und auf Signifikanz gepriift wer
den kann. Der dafiir verwendete t-Test beruht auf der Voraussetzung annahernd normalverteilter und sto chastisch unabhangiger Variabler. Da letzteres wegen der Existenz einer korrelativen Komponente nicht an zunehmen ist, wird der Trendtest separat fiir jeden
Monat durchgefiihrt; eine Erhaltensneigung in den Daten ist so praktisch auszuschliefien. Ein durch an
thropogene Einfliisse verursachter Trend im Abflufi verhalten kann dabei als gesichert gelten, wenn ein
signifikanter gleichsinniger Trend nicht nur in einzel
nen isolierten Monaten, sondern zumindest in gewis
sen Jahreszeiten (z. B. Vegetationsperiode) auftritt.
Ein signifikanter Trend ist nach diesem Kriterium in den verwendeten (allerdings nicht sehr langen) Daten
reihen nicht nachzuweisen.
Die Superposition der drei iibrigen Komponenten bildet den Ansatzpunkt fiir die Konstruktion des sog.
markov-Modells (nach Fiering und Jackson, 1971,
56):
Ulrich Streit: Erzeugung synthetischer Abftufidaten im Einzugsgebiet der Lahn 95
(1) x{j j =
xj + rj (xi( j_i ?
Xj_!) s-Jshl + zi,j '
sj (! ? rj)5?
wobei: i = 1,2,... (Jahresindex)
j = 1, 2,..., 12 (zyklischer Monatsindex) xi? j = synthetischer Zeitreihenwert fiir das Jahr
i und den Monat j
Xj,Sj = monatliche Mittel und Standardabwei
chungen
rj = Korrelationskoeffizient zwischen den Monaten j und j ? 1
zio- =
standardnormalverteilte, stochastisch un
abhangige Zufallszahlen.
Vom Typ her stellt dieses Modell einen Autoregres
sivansatz 1. Ordnung dar, dem die periodische Kom
ponente der monatlichen Mittel iiberlagert ist. Der zweite additive Term dient als ?Gedachtnis" (Lan ge = 1 Zeiteinheit) des Modells, indem er durch den
monatsspezifischen Korrelationskoeffizienten einen entsprechenden Teil der Information des Vormonats auf den nachfolgenden Zeitreihenwert iibertragt. Die
Zufallskomponente gewahrleistet in dieser speziellen Form die Ubertragung bestimmter Eigenschaften der beobachteten in die kiinstlich erzeugte Zeitreihe. De
taillierte Darstellungen des markov-Zeitreihenmo dells geben in der deutschsprachigen Literatur Klee
berg (1971) und Schultz (1973).
Gegeniiber anderen Modellansatzen zur Erzeugung synthetischer Zeitreihen (z. B. Moving Average-Mo
delle; vgl. Box und Jenkins, 1970) zeichnet sich das
markov-Modell durch einen unkomplizierten forma
len Ansatz und leichte numerische Handhabung aus;
die einzelnen Komponenten lassen sich hydrologisch sinnvoll interpretieren. Ein weiterer Vorteil liegt in der leichten Bestimmbarkeit der Modellparameter, die
selbst aus kurzen Beobachtungsreihen noch relativ zu verlassig geschatzt werden konnen. Als Nachteil ge geniiber anderen Zeitreihenmodellen ist anzufiihren, dafi mit diesem Ansatz die Erzeugung von stochasti schen Prozessen mit sehr langsam abklingender Auto
korrelationsfunktion auf praktische Schwierigkeiten
stofit und die Simulation des sogenannten Hurst
Effektes (vgl. z. B. Klemes, 1974) nicht gelingt. Die
Beschrankung auf den Autoregressivansatz 1. Ord
nung erscheint im Hinblick auf die gewahlte Zeitbasis
gerechtfertigt.
Dieser Modellansatz erzeugt synthetische Zeitrei hen werte Xij, die einer Normal verteilung folgen. Dies steht nicht nur im Widerspruch zu den fast ausnahms los positiv-schiefen Stichprobenverteilungen der beob achteten monatlichen Abflufihohen, sondern es bedeu
tet infolge der nach unten unbeschrankten Normal
verteilung auch die gelegentliche Erzeugung negativer Abflufiwerte. Diese unerwiinschte Modelleigenschaft wird durch eine von Matalas (1967, 939ff.) vorge schlagene Modifikation ausgeschaltet. Anstelle der ur spriinglichen Modellparameter
Xj, sj, rj (j = 1,2,..., 12)
werden die GroBen
Xj, Sj, rd (j = 1,2,..., 12)
verwendet, die aus den Beziehungen
(2) Xj = exp (xj + Sj2/2)
(3) Sj2 = exp (2sj2 + 2xj) ? exp (sj2 + 2xj) (4) rj = (exp (Sj2 ^ - l)/(cxp (sj2) - 1) zu berechnen sind (vgl. auch Burges, 1972, 1493).
Ihre sinngemaBe Verwendung im Ansatz (1) ergibt synthetische Werte xi} j, die anschlieBend durch
(5) Xij = exp j)
in die endgiiltigen Zeitreihenwerte transformiert wer den.
Durch diese Modifikation werden logarithmisch (ln) - normalverteilte Abflufihohen Xij generiert. Diese Verteilung approximiert die beobachteten Stichproben verteilungen fiir alle Monate recht gut (was mit einem
KoLMOGOROV-Test gepriift werden kann); die An
wendung der Beziehung (5) gewahrleistet gleichzeitig, dafi
xi? j > 0 fiir alle i und j
ausfallt, was fiir monatliche Abflufihohen in dem ge
wahlten Untersuchungsraum durchaus realistisch ist.
Mit Hilfe dieses Modelles konnen, ausgehend von einem beliebig zu wahlenden Ausgangswert (z. B. xx) synthetische Abflufireihen monatlicher Werte in be liebiger Lange und Anzahl erzeugt werden, wozu le diglich die Modellparameter zu flxieren sind; die be notigten Zufallszahlen lassen sich in einem Zufalls
zahlengenerator (Monte Carlo-Methode) erzeugen.
Jede dieser synthetischen Zeitreihen zeichnet sich
u. a. dadurch aus, dafi in ihr die Parameter xj5 Sj, rj (j =
1,2,..., 12)
als statistische Kenngrofien erhalten bleiben; diesbe ziiglich sind also beobachtete und die darauf basieren den kiinstlichen Abflufireihen statistisch gleichwertig.
o o
n - z:
<8.000 Q.V83 0.960 I .?f?#0 U920 8.MOO HONflTE; ?10*
Abb. 2: Pegel Rod a. d. Weil: Monatliche Abflufihohen (mm), 1952-1972
Gauging station Rod a. d. Weil: Monthly discharges (mm), 1952-1972
^_Erdkunde_ Band 29/1975 o o
w
*Q -
?o a jc - u x;
,'000 oThBoT' 01960 UHMO '
liggO 2.h00
monfl8-"0
' 31360 '
sISHO '
4^80 '
^800 '
slgBO ' 51760
Abb. 3: Pegel Rod a. d. Weil: Monatliche Abflufihohen (mm), 50 Jahre einer lOOjahrigen synthetischen Reihe
Gauging station Rod a. d. Weil: Monthly discharges (mm), 50 years of a 100 years synthetic sequence
5? ? \ cqq / A
^ s? ' \ A
1 to *
II 1
a *B.OOO 0.M00 0.800 1.200 4 000 O.TOO 0.800 i.eoo b
M0NRTEv ?10T MONATEt HO1
o o o
^" ? beobachtet
M g -X: synthetisch
Jig ? /
ko m \ * I
o y *
/\ /
g| ^ t " , , ,
C ^.000 0.400 0.800 1*200
M0NRTE: ?10l
Abb. 4: Pegel Rod a. d. Weil: Monatliche statistische Kennwerte von beob'achteter und synthetischer Abflufireihe
(100 Jahre)
Gauging station Rod a. d. Weil: Monthly statistics of observed and synthetic discharge series (100 years)
Die Abb. 3 zeigt den ersten Teil einer derartigen syn thetischen Zeitreihe monatlicher Abflufihohen, wobei die notwendigen Modellparameter aus einer 21jahri gen Beobachtungsreihe (Abb. 2) ermittelt worden
sind. Schon der visuelle Vergleich beider Abflufireihen lafit deren Gleichartigkeit erkennen; der Vergleich der statistischen Kennwerte in der Abb. 4 erhartet diese Feststellung. Deutlich sichtbar werden aber auch die
Besonderheiten der langeren synthetischen Zeitreihe;
in ihr treten Extremereignisse geringer Eintrittswahr
scheinlichkeit auf, die im kurzen Beobachtungszeit
raum nicht vorhanden sind. Im Auftreten solcher zu
fallig nicht beobachteter aber doch wahrscheinlicher Extremwerte und Extremwertabfolgen liegt der spe
zielle Wert synthetischer Abflufireihen fiir die Simula tion hydrologischer Systeme.
Ulrich Streit: Erzeugung synthetischer Abfluftdaten im Einzugsgebiet der Lahn 97
2. Erweiterung zu einem raumvarianten Modell
Wie im einleitenden Kapitel bereits ausgefuhrt
wurde, ist eine unmittelbare Anwendung dieses 2eit reihenmodells nur dann moglich, wenn Beobachtungs
daten monatlicher Abfliisse fiir das betreffende Ein zugsgebiet in ausreichender Qualitat und Quantitat
zur Ermittlung der Modellparameter vorhanden sind.
Ist dies nicht der Fall, so bietet sich als Ausweg eine
Schatzung dieser Kennwerte durch bekannte oder
leicht zu ermittelnde naturraumliche Charakteristika
des Flufigebietes an. Diese Erweiterung des zeitvarian ten Modells durch einen raumbezogenen Ansatz kann
mit Hilfe der Regressionsanalyse durchgefiihrt wer den, wobei als raumliche Stichprobenbasis 21 Flufi gebiete aus dem Bereich der Lahn Verwendung finden.
Einen ersten Versuch zur Realisierung dieses Kon zeptes unternahmen Benson und Matalas (1967) im
Einzugsgebiet des Potomac (USA), indem sie fiir die Modellparameter Xj und si jeweils separate Regres
sionsgleichungen ermittelten (insgesamt also 24) und
die Korrelationskoeffizienten rj als Mittelwerte des
Gesamtgebietes bestimmten. Dieses Verfahren erscheint
jedoch als nicht voll befriedigend, da zum einen der numerische Aufwand bei 24 Regressionsgleichungen unpraktikabel hoch ist und zum anderen die raumliche Variabilitat der Korrelationskoeffizienten hohe Be
trage erreichen kann (im vorliegenden Untersuchungs
gebiet z. T. iiber 80%). Es wurde daher nach einer Methode gesucht, bei moglichst geringem Informa
tionsverlust die Anzahl der notwendigen Regressions
gleichungen wesentlich zu verringern und gleichzeitig die Korrelationskoeffizienten an wechselnde natur
raumliche Gegebenheiten anzupassen.
Die Abb. 5 zeigt exemplarisch die zeitliche Variation der Modellparameter iiber das hydrologische Jahr
(November bis Oktober) fiir ein Fluftgebiet aus dem
Untersuchungsraum. Sieht man von kleineren Schwan kungen und vereinzelt herausragenden Werten ab, so
laftt sich generalisiert ein sinusformiger Verlauf fiir
alle drei Parametertypen erkennen. Er spiegelt den
dominanten Einfluft der letztlich strahlungsabhangigen Abfluftregimefaktoren im Untersuchungsgebiet wider.
o o
o o
o o
to (o
"o r- O f-^ o *\ O "o o
? ?_ / X ?_ \ a- Im V
n
XL _ J/ \
\3
cq _A
/ \l_J O ' \ \ cx ?C ? X / m ^ A A A
o o
o o
_ 0 _ o
^.000 a 0.100 0.800 1.200 ^.000 0.H00 0.800 b 1.200
MONATE: ?10l MONATE: ?10l
? 1 beobachtet
a.""4 Fourier-Approximation UJ u_
ed /
o m ^ I m
ed be \* Y_w / \ /\ x / /
\*/? * ^ o o
C s&.OOO 0.400 0.800 1.200
MONATE: *10l
Abb. 5: Pegel Rod a. d. Weil: Fourier-Approximation der beobachteten monatlichen statistischen Kennwerte (= Para meter des MARKov-Modells)
Gauging station Rod a. d. Weil: Fourier approximation of observed monthly statistics (= parameters of the Markov
model)
98
Erdkunde Band 29! 1975
Zur Approximation und analytischen Darstellung
derartiger saisonaler Schwankungen stellt die Fourier
Analyse eine geeignete und vielfach bewahrte Technik dar (z. B. Roesner und Yevdjevich, 1967). Dabei wird einer beobachteten Datenreihe die harmonische
Reihe n-ter Ordnung n
(6) y(x) = a0 + 2 (ak ' coskx + pk sinkx)
k=l
durch Bestimmung der Fourierkoeffizienten ao, ak, /?k angepafit; die Approximationsgenauigkeit wachst mit der Anzahl der in die Analyse einbezogenen n har monischen Komponenten. Anstelle des Ansatzes (6) wird gelegentlich der mehr anschauliche, mathematisch
jedoch aquivalente Ansatz n
(7) y (x) = a0 + 2 ?k sin (kx + <Pk)
k=l
gewahlt, der aus einer Uberlagerung reiner Sinus
Schwingungen besteht. Dabei sind die Amplituden ak, die Phasenwinkel q?k, sowie ao als arithmetisches Mittel aus der Datenreihe zu bestimmen; eine Beschreibung der numerischen Losungsmoglichkeiten findet sich z. B.
bei Conrad und Pollak (1962, 119ff.).
Eine Entscheidung iiber die Anzahl n der in die
Analyse einzubeziehenden harmonischen Komponen
ten mufi sich im vorliegenden Fall nach zwei kon
kurrierenden Kriterien richten :
a) moglichst hohe Approximationsgenauigkeit durch
Superposition mehrerer harmonischer Komponen ten;
b) moglichst geringe Anzahl von Fourier-Koeffizien ten (Anzahl = 1 + 2n), da diese mit Hilfe je
einer Regressionsgleichung aus naturraumlichen
Charakteristika der Einzugsgebiete geschatzt wer
den sollen.
Versuche, die mit verschiedenen Werten fiir n durchgefiihrt wurden, zeigten folgende Ergebnisse:
Fiir die monatlichen Mittel Xj erbringt n = 1 bereits gute Approximationen, die fiir grofiere n nur noch in geringem Mafie zu verbessern sind (vgl. Abb. 5a). Be dingt durch hohe Winterniederschlage (Mittelgebirgs
typ mit z. T. primarem Wintermaximum) und geringe
Evapotranspiration treten im Dezember bei einigen
Flufigebieten hohe Abfliisse auf, die auch durch Ein beziehen hoherfrequenter Komponenten nicht optimal
angepafit werden. Gleichwertige Ergebnisse fiir die Standardabweichungen sj und Korrelationskoeffizien
ten rj lassen sich nur mit 2 oder mehr harmonischen
Komponenten erzielen, die vor allem eine verbesserte
Anpassung fiir die in einigen Fallen auftretenden
singularen Extremwerte erbringen (z. B. sekundare Sommermaxima bei den Standardabweichungen in
folge der hohen Variabilitat der sommerlichen Nieder schlage). Bei Verwendung einer einzigen Sinusschwin gung ist jedoch noch eine ausreichende Approxima tionsgiite zu erzielen (vgl. Abb. 5b, c).
In Anbetracht der Zielsetzung eines moglichst ein
fach zu handhabenden raumvarianten Ansatzes er
scheint es daher gereehtfertigt, fiir die numerische Darstellung der Zeitreihenmodellparameter lediglich
die erste harmonische Komponente zu verwenden;
mithin_ gelten fiir die approximativen Modellpara meter xj*, Sj* und rj* folgende diskretisierte analyti
sche Ausdriicke:
(8) x,-* = x + ax sin ((j ? 1) n/6 + <px) (9) Sj* = s + as sin ((j ? 1) */6 + %) (10) rj* = F + ar sin ((j ? 1) tz/6 + <pt) wobei: j = 1, 2,..., 12 (Monatsindex)
x, s, r = arithmetische Mittel der gegebenen x,-, Sj, rj
ax? as> ar =
Amplitude der Sinus-Schwingung
<px, q>s, <pT = Phasenwinkel der Sinus-Schwingung.
Auf diese Weise lafit sich die fiir die 36 Parameter des Zeitreihenmodells notwendige Information mit
tragbaren Verlusten durch das Approximationsver fahren auf 9 Kennwerte fiir den Fourier-Ansatz kom primieren.
Eine Schatzung der Zeitreihenmodell-Parameter
auf der Grundlage einzugsgebietstypischer Variabler erfordert danach nur noch 9 Schatzgleichungen, die mit Hilfe der multiplen linearen Regressionsanalyse
aufgestellt werden sollen. Es handelt sich dabei um
eine auf Stichprobenbasis arbeitende statistische Me thode zur Verkniipfung einer zu schatzenden Varia blen (Regressand) mit ggf. mehreren steuernden Varia
blen (Regressoren).
Dabei wird vom sog. Korrelationsmodell der Re
gressionsanalyse ausgegangen, bei dem alle beteiligten Variablen als zufallsbeeinflufite, stochastisch unab
hangige Grofien angesehen werden; es wird ange nommen, dafi sie einer mehrdimensionalen Normal
verteilung folgen (vgl. z. B. Taubenheim, 1969, 118).
Die Normalitat jeder Randverteilung ist eine not wendige, allerdings nicht hinreichende Bedingung da fiir. Da die verwendeten Variablen z. T. signifikante
Schiefewerte aufweisen, ist mit Hilfe geeigneter Funk tionen (z. B. ln,^) eine Transformation auf angena herte Normalverteilung vorzunehmen. Als Entschei dungskriterium dient dabei der KoLMOGOROV-Test; es
wird diejenige Transformation gewahlt, die zu einem Minimalwert der betr. Priifgrofie fiihrt.
Der hier verwendete multiple lineare Regressions ansatz hat die Form:
Y = b0 + bxXi + b2X2 +... + bnXn
mit: Y = Regressand; Xx..., Xn =
Regressoren b0 =
Regressionskonstante bi,..., bn =
partielle Regressionskoeffizienten.
Die b-Werte sind aus der mehrdimensionalen Stich
probe zu schatzen. Hinsichtlich geeigneter Schatz- und Priifmethoden sei auf die statistische Spezialliteratur
(z. B. Draper und Smith, 1966) verwiesen.
Ulrich Streit: Erzeugung synthetischer Abflujidaten im Einzugsgebiet der Lahn 99
Als Regressanden sind die Koeffizienten der drei Fourier-Ansatze (8), (9), (10)
x, ax, <px; s, as, <ps\ r, ar, (pr vorgegeben.
Die Regressoren stellen einzugsgebietstypische Varia
ble dar; sie sollten einerseits die den Abflufiprozefi im Fluftgebiet steuernden Faktoren einschlieftlich der kli
matischen Verhaltnisse moglichst gut reprasentieren, andererseits aus praktischen Griinden einfach zu quan tifizieren sein. Insgesamt werden 13 derartige natur
raumliche Variable in die statistische Analyse einbe zogen. Gemaft der dominierenden Rolle des Nieder schlages bei der Steuerung des Abflufiverhaltens kommt dieser Variablengruppe eine besondere Bedeu
tung zu; die Bestimmung der Niederschlagsvariablen geschieht auf der Grundlage monatlicher Nieder
schlagshohen aus der einheitlich fiir alle Gebiete er fafken Periode 1963-1972. Das verwendete Meft stellennetz ist aus der Tabelle 2 ersichtlich. Mit Hilfe
Tabelle 2: Verzeichnis der Niederschlagsstationen List of precipitation stations
Lfd. Nr. Stationsname Lfd. Nr. Stationsname
1 Allendorf (WZ) 35 Hillscheid
2 Alten-Buseck 36 Hirzenhain
3 Amonau 37 Homberg (Ohm)
4 Bad Schwalbach 38 Idstein
5 Berghofen 39 Kirchhain
6 Bickern 40 Kl. Feldberg
7 Biedenkopf 41 Laasphe
8 Brandoberndorf 42 Lohlbach
9 Braunfels 43 Mandeln
10 Breithard 44 Mappersheim
11 Burbach 45 Mellnau
12 Burg-Gemunden 46 Mengerskirchen
13 Camberg 47 Montabaur
14 Colbe 48 Niederbrechen
15 Dillbrecht 49 Niederkleen
16 Dilschhausen 50 Neuhof
17 Ehringshausen 51 Oberndorf-Riidershausen
18 Eisenroth 52 Quotshausen
19 Eppenroth 53 Rauschenberg
20 Erda 54 Rosenthal
21 Freienseen 55 Ruppertenrod
22 Frickhofen 56 Sackpfeife
23 Fronhausen 57 Selters
24 Gemmrich 58 Singhofen
25 Gemunden 59 Treis
26 Geroldstein 60 Treisberg
27 GieBen 61 Ulrichstein 28 Gilserberg 62 Weilburg
29 Gladenbach 63 Weilmunster
30 Griinberg 64 Weilrod-Neuweilnau
31 Haiger 65 Wiesenfeld
32 Haina 66 Willersdorf
33 Hainchen 67 Wommelshausen
34 Halsdorf 68 WZ-Nauborn
der EDV-adaquaten, allerdings recht groben Thiessen Polygon-Methode werden die Datenreihen der Ge bietsniederschlage fiir jedes Flufigebiet und daraus wiederum die verschiedenen Niederschlagsvariablen
errechnet. Alle ubrigen Variablen sind so ausgewahlt, dafi sie in sehr einfacher Weise aus topographischen,
pedologischen und klimatologischen Karten zu ent nehmen sind; sie dienen zur Kennzeichnung der Tem peratur- und Schneeverhaltnisse, der Relief- und Bo
deneigenschaften sowie der Bedeckung mit Wald und Siedlungsflachen. Im folgenden werden nur diejenigen Variablen kurz erlautert, die nach Durchfiihrung der Regressionsanalysen letztlich in die Schatzgleichungen
eingehen. Es sind dies:
NJAHR = mittlere jahrliche Hohe des Gebietsnie
derschlages in mm.
NWISO = Verhaltnis der Niederschlagshohen des Winterhalbjahres (Nov. bis Apr.) zum
Sommerhalbjahr (Mai bis Okt.).
TEMP =
Jahresmitteltemperatur im langjahrigen Mittel in ?C als Gebietsmittelwert, er
rechnet aus der Isothermenkarte
1:200 000 des Gewasserkundlichen Kar
ten werkes Hessen.
BODEN = Variable zur naherungsweisen Charak terisierung der hydrologischen Eigen schaften der im Einzugsgebiet verbreite ten Boden: Prozentanteil der Flachen mit mittel- bis tiefgriindigen Boden guter Wasseraufnahmefahigkeit und Speicher
fahigkeit im Untergrund (z. B. nicht zu stark tonhaltige Boden auf Lofi und an
deren pleistozanen/quartaren Sedimen ten, sandige Boden auf Sandsteinen etc.)
- kartiert auf der Grundlage der Boden iibersichtskarte 1:300 000 (Hessen, NRW).
WALD =
prozentualer Anteil der mit Wald be deckten Flachen an der Gesamtflache des
topographischen Einzugsgebietes; kartiert auf der Grundlage der topographischen Karte 1:50000.
In dieser Zusammenstellung der in den Schatzglei
chungen letztlich verwendeten Regressoren fehlen
einige naturraumliche Variable, die bekanntermafien steuernde Effekte auf den Abflufiprozefi ausiiben, so z. B. die Grofie des topographischen Einzugsgebietes oder etwa eine Indexgrofie, die mittlere Dauer und Hohe der Schneedecke angibt. Dieser an sich iiber raschende Sachverhalt lafit sich aus der Eigenart des
verwendeten statistischen Verfahrens und der zuge horigen Voraussetzungen erklaren: die Regressionsana
lyse stellt einen numerischen Zusammenhang zwischen Regressand und Regressoren lediglich auf der Basis
statistischer Beziehungen her, die durch partielle Kor relationskoeffizienten gemessen werden; dabei werden nur solche Regressoren in die Schatzgleichungen einbe
100 Erdkunde Band 29/1975
zogen, die zu einer signifikanten Verringerung der durch die Regressionshyperebene noch nicht erfafiten Restvarianz der Stichprobenpunktwolke beitragen.
Kausale Gesichtspunkte werden dabei stets erst vom Bearbeiter in Form einer Hypothese oder Interpreta
tion eingefiihrt. So kommt z. B. der Variablen ?Ein
zugsgebietsgrofie" wohl deshalb keine Signifikanz als Regressor zu, weil die Abflufidaten in der von der Grofte des zugehorigen Fluftgebietes nur noch schwach
beeinfluftten Mafteinheit ?mm" verwendet werden.
Die Auswahl eines statistisch wie kausal optimalen Regressorentupels stellt bei jeder Regressionsanalyse
das Hauptproblem dar. Insbesondere ist namlich dar
auf zu achten, dafi die Regressoren nicht interkorreliert sind; andernfalls (wie z. B. bei TEMP und einem Schneeindex) treten nicht nur numerische Probleme bei der Berechnung der partiellen Regressionskoeffizienten
durch quasisingulare Matrizen auf, sondern es konnen
auch Regressionsgleichungen mit sachlich unsinnigen Vorzeichen in den Koeffizienten resultieren. Mit der
Hauptkomponentenanalyse (z. B. Oberla, 1968) exi
stiert ein statistisches Verfahren zur Aufdeckung sol dier Abhangigkeitsstrukturen in Variablentupeln; fiir die praktische Durchfiihrung eignet sich ein von Efroymson (1960) angegebener Algorithmus.
Tabelle 3: Ergebnisse der Regressionsanalyse Results of regression analysis Regressand: ln x
Regressoren part. Regr. Koeff. Netto-Regr. Signifikanz
InNJAHR 2,522 0,81 ***
TEMP ?
0,181 ?0,20 **
Regr. Konst. ?12,182
S = 0,414 SS = 0,097 B = 0,95 ***
Regressand: ln ax
Regressoren part. Regr. Koeff. Netto-Regr. Signifikanz
InNJAHR 2,335 0,62 ***
BODEN ? 0,0119 ?0,37 **
Regr. Konst. ?12,576
S = 0,505 SS = 0,172 B = 0,90 ***
Regressand: <px
Regressoren part. Regr. Koeff. Netto-Regr. Signifikanz
InNWISO 1,327 0,87 ***
WALD ? 0,0039 ?0,25
Regr. Konst. 0,454
S = 0,190 SS = 0,135 B = 0,55 ***
2 i?
Regressand: j/s
Regressoren part. Regr. Koeff. Netto-Regr. Signifikanz
InNJAHR 5,473 0,68 ***
WALD 0,0154 0,20 **
BODEN ?
0,0119 ?0,17
Regr. Konst. ?32,782
S = 1,068 SS = 0,315 B = 0,93 ***
Regressand: In as
Regressoren part. Regr. Koeff. Netto-Regr. Signifikanz
In NWISO 2,503 0,64 ***
BODEN ? 0,0107 ?0,35 **
Regr. Konst. 2,798
S 0,488 SS = 0,178 B = 0,88 ***
Regressand: <ps
Regressoren part. Regr. Koeff. Netto-Regr. Signifikanz
InNJAHR 1,040 0,69 ***
Regr. Konst. ? 6,618
S = 0,201 SS = 0,148 B = 0,48 **
Regressand: j/r
Regressoren part. Regr. Koeff. Netto-Regr. Signifikanz
In NJAHR ? 0,410 ?0,77 ***
Regr. Konst. 3,389
S = 0,071 SS = 0,046 B = 0,59 ***
Abk.: S = Standardabweichung des Regressanden SS = Standardschatzfehler der Regression B = multiples BestimmtheitsmaB.
Signifikanzen gegen Null: *** = 1%-Niveau
* = 5%-Niveau
= 10%-Niveau
* = 15%-Niveau
Die Ergebnisse der Regressionsanalysen konnen der
Tabelle 3 entnommen werden. Mit entsprechenden Testmethoden sind sowohl das multiple Bestimmt heitsmafi, das den durch die Regression erklarten Va
rianzanteil des Regressanden angibt, als auch jeder Regressionskoeffizient auf Signifikanz gegen Null ge
priift; die gleichzeitig aufgefuhrten Netto-Regressions koeffizienten (Beta-Werte) ermoglichen eine verglei
chende Analyse des Einflusses der verschiedenen Re
gressoren auf den Regressanden und damit eine Inter
pretation. Wie die multiplen Bestimmtheitsmafie und
die Standardschatzfehler zeigen, lassen die Regres
sionsgleichungen fiir die Fourier-Koeffizienten x, ax,
s, as gute Schatzungen erwarten. Die Ergebnisse fiir
Ulricb Streit: Erzeugung synthetischer Abflufidaten im Einzugsgebiet der Lahn 101
(fx, und r sind dagegen relativ schlecht und liegen an der Grenze der praktischen Brauchbarkeit; bei der
Anwendung dieser Regressionsbeziehungen ist infolge dessen mit einer grofieren Fehlerstreuung zu rechnen.
Die Aufstellung von signifikanten Schatzgleichungen fiir die beiden iibrigen Koeffizienten ar, <pr ist auf der gegebenen Datengrundlage nicht moglich; in den fol genden Beispielen wird daher mit deren arithmetischen
Mittel werten im Untersuchungsgebiet gerechnet:
ar = 0,146 (raumliche Variabilitat = 35%) yr = 2,218 (raumliche Variabilitat = 29%) Bei der Suche nach den Griinden fiir die nicht voll befriedigenden Ergebnisse in den genannten Fallen ist zunachst der vergleichsweise geringe Stichprobenum
fang von N =
21 zu nennen, auf dem die Regressions analysen beruhen; steuernde Variable mit schwacherem
Einflufi kommen daher nicht hinreichend zur Geltung.
Eine Erweiterung der raumlichen Stichprobenbasis
durch Hinzunahme weiterer, naturraumlich moglichst verschiedenartiger Einzugsgebiete sollte daher ange
strebt werden. Weiterhin fallt auf, dafi vor allem die Phasenwinkel schlecht oder gar nicht geschatzt werden
konnen; hier sind offensichtlich die Inputvariablen
zur Kennzeichnung der zeitlichen Lage von Extrem
werten im Abflufiregime zu grob gefafit. Abhilfe ware durch eine detailliertere Auswertung der Nieder
schlagsdaten zu schaffen, jedoch wiirde dabei ein
praxisrelevanter Vorzug der hier benutzten Variablen verloren gehen: Alle verwendeten Niederschlagscha
rakteristika lassen sich namlich notfalls auch aus kli
matologischen Karten entnehmen.
Ein besonderes Augenmerk ist noch auf die Korre
lationskoeffizienten zu richten. Das Ziel der oben an
gesprochenen raumlichen Variabilitat bei ihrer Bestim mung ist zwar durch die Schatzgleichung fiir den
Koeffizienten" r des Fourier-Ansatzes im Prinzip er
reicht, jedoch befriedigt die Verwendung von raum lichen Mittelwerten fiir ar und cpv noch nicht. Abge
sehen von wahrscheinlichen Verbesserungen durch ver grofierten Stichprobenumfang und verfeinerte Input variable konnte z. B. gepriift werden, ob eine inter
vallspezifische Schatzung mit Hilfe der Diskriminanz
analyse zu brauchbaren Ergebnissen fiihrt.
3. Beispiele
An zwei Beispielen sollen Anwendbarkeit, Schatz
genauigkeit und Beschrankungen des entwickelten zeit und raumvarianten Modells zur Erzeugung syntheti
scher Abflufireihen aufgezeigt werden; es werden dafiir nur solche Einzugsgebiete herangezogen, die wegen der geringen Lange der beobachteten Abflufireihen (je 7 Jahre) nicht in die Stichprobe zur Modellkonstruk
tion eingegangen sind. Durch die Existenz der Beob achtungsreihen ist es moglich, die Schatzgenauigkeit des Modells in diesen Fallen zu iiberpriifen.
Zur Anwendung des raumvarianten Ansatzes miis
sen fiir das betreffende Einzugsgebiet zunachst die not wendigen naturraumlichen Charakteristika NJAHR, NWISO, TEMP, BODEN und WALD ermittelt wer
den; die zugehorigen Werte sind in der Tabelle 1 auf gefiihrt. Diese gehen als Inputwerte in die Regressions
gleichungen zur Schatzung der Fourier-Koeffizienten
ein. Die Ergebnisse dieser Einzelschatzungen sind in der Tabelle 4 aufgefiihrt, wobei die 90?/o-Konfidenz intervalle (fiir Schatzwert als Mittelwert) als zusatz
liche Information iiber den jeweiligen Mutungsbereich
angegeben werden. Die Regressionsschatzungen wer Tabelle 4: Beispiele: Geschatzte Koeffizienten des Fourier
Ansatzes
Examples: Estimated coefficients of Fourier approximation
Beispiel Koeffizienten des Fourier-Ansatzes 90%-Konfi denzintervall Koeffizient beobachtet geschatzt
43,2 x 44,9 41,7 /48,4 ax
32,3 30,0 26,4 /34,0 (px 0,26 0,39 0,25/ 0,52
Breiden- s~ 29,0 29,3 25,7 /33,1
stein as 22,6 19,4 17,0 /22,0
(ps 0,45 0,54 0,44/ 0,64
0,36 r 0,32 0,29/ 0,36
ar
0,13 0,16 Mittelwert
cpr
0,63 2,22 Mittelwert
21,7 x 20,6 18,7 /22,6 ax
10,6 7,4 4,9 /11,0
<px
0,10 0,09 0,02/ 0,16
Barten- s" 9,3 10,5 6,5 /15,5
hausen as 9,8 5,8 3,9 / 8,8
<ps
0,48 0,25 0,15/ 0,35 0,45 r 0,46 0,42/ 0,50
ar
0,37 0,16 Mittelwert
cpr
0,83 2,22 Mittelwert
den anschliefiend als Koeffizienten in den Fourier-An satzen (8), (9), (10) verwendet, wodurch man die be
notigten 36 Parameter xj, sj, rj (j =
1,...,12)
fiir den zeitvarianten Modellansatz erhalt. Damit las
sen sich schliefilich synthetische Datenreihen monat licher Abflufihohen fiir das betreffende Einzugsgebiet in beliebiger Lange und Anzahl erzeugen.
Das e r s t e Beispiel (Pegel Breidenstein) zeigt ins
gesamt befriedigende Schatzergebnisse des raumvarian ten Ansatzes fiir die Parameter des Zeitreihenmodells.
Im Vergleich mit den durch die Sinusfunktion approxi mierten Werten (Abb. 6) sind die Fehler bei den mo natlichen Mittelwerten und Standardabweichungen ge ring. Bei den Korrelationskoeffizienten ergeben sich dagegen deutliche Abweichungen; sie resultieren aus
schliefilich aus der starken Diskrepanz zwischen dem raumlichen Mittel des Phasenwinkels qjy und dem approximierten Wert fiir dieses Beispiel.
Der Vergleich mit den aus der Beobachtungsreihe
errechneten Kennwerten lafit z. T. auf gravierende
Fehlschatzungen schliefien; wahrend dies bei den Mit
102 Erdkunde Band 2911975
? I o
S A o
?- A ?
o o 1
"g // 1 ^-^tV J*v ?0 o J 51 I \ \ cc 1
U J 1 V\ Q X
iZ? \\ 2o / A
<=> sz
\ I feo" * 1 / Ms
o * ^
2 0
?_ _ o
a ^.000 o.moo 0.800 1.200 <e 000 '
oNoo '
olsoo-1 T.2ao b
MONATE: ?101 MONATE: ?10l
o a o
- beobachtet
A / ** Fourier-Approximation
A g / /\ 0-0 geschatzt
ul *" ? */*\ * / \ t\j&f-*>
o \ / Sr \ jb'Yx] *
0?_V_\ /_
o o to
C ^.000 0.400 0.800 1.200
MONATE: ?10l
Abb. 6: Pegel Breidenstein: Vergleich der geschatzten Parameter des MARKOV-Modells mit den beobachteten und durch Fourier-Ansatz approximierten Werten
Gauging station Breidenstein: Comparison of estimated, observed and approximated parameters of the Markov model
telwerten und Standardabweichungen nur fiir singu lare Monate zutrifft, scheint bei den Korrelations koeffizienten sogar die Zweckmafiigkeit der Fourier
Approximation in Frage zu stehen. Hierzu ist anzu
merken, dafi in diesem wie auch im folgenden Beispiel die Berechnung der Kennwerte auf der Basis lediglich
7jahriger beobachteter Abfliisse erfolgt (dagegen im Mittel 16 Jahre bei der Stichprobe fiir die Modellkon
struktion), weshalb mit einer starkeren Streuung der
Werte zu rechnen ist; dieser Stichprobenfehler macht sich bei der hier verwendeten Momentenmethode vor allem bei den Korrelationskoeffizienten bemerkbar.
Als Vergleichsmafistab zur Beurteilung der Schatzge nauigkeit sind diese Werte daher nur bedingt brauch bar. Eine geeignete Methode zur Verringerung des zeitlichen Stichprobeneffektes ist in diesem Falle die Anwendung eines Tiefpafi-Filters (z. B. gleitende Mit
telwerte) zur Unterdriickung unerwiinschter Fluktua tionen (z. B. Taubenheim, 1969, 31 If.); sie wird hier
nicht angewendet, weil der Fourier-Ansatz praktisch
eine (starker wirksame) Bandpafifilterang darstellt.
Insbesondere bei kurzen Beobachtungsreihen konnen
die derart gefilterten Werte also durchaus den reali tatsnaheren Vergleichsmafistab abgeben.