La lecture à portée de main
Informations
Publié par | karlsruher_institut_fur_technologie |
Publié le | 01 janvier 2005 |
Nombre de lectures | 17 |
Langue | Deutsch |
Poids de l'ouvrage | 2 Mo |
Extrait
Institut für Wasser und Gewässerentwicklung
Universität Karlsruhe (TH)
River Flood Prediction Systems:
Towards Complementary Hydrodynamic,
Hydrological and Data Driven Models with
Uncertainty Analysis
Rajesh Raj Shrestha
Heft 229
Mitteilungen des Instituts für Wasser und Gewässerentwicklung
-Bereich Wasserwirtschaft und Kulturtechnik-
mit ″Theodor-Rehbock-Wasserbaulaboratorium ″
der Universität Karlsruhe (TH)
Herausgeber: Prof. Dr.-Ing. Dr. h. c. mult. Franz Nestmann, Ordinarius
2005
River Flood Prediction Systems:
Towards Complementary Hydrodynamic,
Hydrological and Data Driven Models
with Uncertainty Analysis
Zur Erlangung des akademischen Grades eines
DOKTOR-INGENIEURS
an der Fakultät für
Bauingenieur-, Geo- und Umweltwissenschaften
der Universität Fridericiana zu Karlsruhe (TH)
genehmigte
DISSERTATION
von
M. Sc. Rajesh Raj Shrestha
aus Kathmandu, Nepal
Tag der mündlichen Prüfung: 16.02.2005
Hauptreferent: Prof. Dr.-Ing. Dr. h.c. mult. Franz Nestmann
Universität Karlsruhe (TH)
Korreferent: Prof. Dr. rer. nat. Dr.-Ing. habil. András Bárdossy
Universität Stuttgart
Karlsruhe 2005
Zusammenfassung
ZUSAMMENFASSUNG
Hochwasser sind komplexe dynamische Prozesse, die durch räumliche und zeitliche
Variation geprägt sind. Das Verständnis dieser Prozesse und die Fähigkeit, diese in Form
von numerischen Modellen nachzubilden sind entscheidend für die Planung und das
operationelle Hochwassermanagement. Hydrodynamische und hydrologische numerische
Modelle sind bewährte Methoden der Hochwassermodellierung. In den letzten Jahren
wurden außerdem Verfahren wie Künstliche Neuronale Netze (KNN), Fuzzy Systeme und
genetische Algorithmen zu Werkzeugen weiterentwickelt, die sich für die
Hochwassermodellierung eignen. Jedes dieser Modelle basiert auf einer individuellen
Philosophie, die sich hauptsächlich in der Modellstruktur, Datenanforderung und
Fähigkeiten unterscheiden. Außerdem wohnen den Modellen unterschiedliche
Unsicherheiten inne, die aus den Daten und Modellrestriktionen entstehen. Die
Unterschiede in den Modellphilosophien und den Unsicherheiten legen nahe, einen sich
ergänzenden Modellierungsansatz zu schaffen anstatt die Modelle konkurrierend zu
betreiben.
Diese Arbeit wurde angeregt von den Möglichkeiten der verschiedenen ergänzenden
Herangehensweisen, die diese Modelle zusammen anbieten. Ziel dieser Arbeit ist es, die
verschiedenen Methoden zu identifizieren, zu entwickeln und umzusetzen unter
Ausnutzung ihrer individuellen Stärken und unter Berücksichtigung der innewohnenden
Unsicherheiten. Motiviert durch die Ergebnisse wurden verschiedene Untersuchungen für
den Rhein und den Neckar durchgeführt.
Die Arbeit liefert eine detaillierte Abschätzung der Fähigkeiten von hydrodynamisch-
numerischen (HN) und hydrologischen Muskingum-Cunge (MC) Modellen sowie KNN-
und Neuro-Fuzzy-Modellen. Die Anwendung der HN-Modelle zeigt die Vielseitigkeit dieser
Werkzeuge im Zusammenhang mit der Hochwasser- und Überflutungsflächenvorhersage,
insbesondere wenn sie in Kombination mit einem geographischen Informationssystem
genutzt werden. Die Abschätzung zeigt außerdem, wie effektiv KNN-, Neuro-Fuzzy- und
hydrologische MC-Modelle für nichtlineares Flood-Routing eingesetzt werden können.
Diese Verfahren sind besonders effizient, wenn nur die Fließvariablen an den Pegelstellen
von Interesse sind.
Jedes dieser Modelle ist jedoch nur mit einer Anzahl von Einschränkungen nutzbar. Es ist
bekannt, dass KNN-, Neuro-Fuzzy- und MC-Modelle nur so lange zur zuverlässigen
Vorhersage geeignet sind, wie die Eingabedaten innerhalb des Kalibrierungsbereiches
bleiben. Zur Beurteilung der Performance von KNN- und Neuro-Fuzzy-Systemen jenseits
des Kalibrierungsbereichs wird eine Anzahl von Methoden untersucht. Die Untersuchung
i
Zusammenfassung
zeigt Möglichkeiten auf, die Vorhersagefähigkeiten dieser Modelle etwas über den
Kalibrierungsbereich hinaus zu erweitern.
Weitere Untersuchungen berücksichtigen die Fähigkeit dieser Modelle, Extremereignisse
vorherzusagen. Die Ergebnisse des KNN-, des Neuro-Fuzzy- und des MC-Modells
wurden mit denen des HN-Modells verglichen. Der Vergleich zeigt beträchtliche
Differenzen sowohl in der Größenordnung als auch in der Dauer der Spitzenwerte. Daher
betonen die Ergebnisse die Einschränkungen eines einzig auf einem KNN-, Neuro-Fuzzy-
oder dem hydrologischen MC-Verfahren basierenden Modells für Vorhersagen jenseits
des Kalibrierungsbereichs. In dieser Arbeit wird daher ein Anwendungsbereich für diese
Modelle festgelegt.
Die Stärken und Einschränkungen der Modelle sind Grundlage der verschiedenen
Kopplungsansätze, die in dieser Arbeit beschrieben werden, bei der sich die Qualitäten
der einzelnen Modelle ergänzen. Der erste Ansatz bezieht sich auf die Vorhersage der
Wasserstandsganglinien des Rheins. Es wird argumentiert, dass auf Grund der
vorliegenden Einschränkungen jedes dieser Modelle die Modellierung mit einem einzigen
für eine Hochwasservorhersage nicht ausreichend ist. Beispielsweise können
hydrologische, KNN- und Neuro-Fuzzy-Modelle innerhalb des Kalibrierungsbereichs
verwendet werden, wo diese leicht anzuwenden sind. Für eine Vorhersage außerhalb des
Kalibrierungsbereichs ist das HN-Modell die beste Wahl. Die Nutzung von mehr als einem
Modell erhöht außerdem das Vertrauen in die Vorhersage, da die Ergebnisse so
gegenseitig validiert und verschiedene Szenarien untersucht werden können.
Die zweite Anwendung bezieht sich auf eine Reihe sich ergänzender Ansätze für die
Vorhersage von Hochwasserganglinien und Überflutungsgebieten im Flussgebiet des
Neckars. Das HN-Modell kann Ungenauigkeiten aufgrund von Unsicherheiten in den
Eingangsdaten (Zuflussganglinien) und dem Fehlen kleinerer seitlicher Zuflüsse
aufweisen, insbesondere für Hochwasservorhersagen. Daher wurde in einem
kombinierten Ansatz das KNN als Flood Routing Modell und das HN-Modell als
Überschwemmungs-Modell genutzt. Das KNN-Modell wird also für die Vorhersage der
Durchflussganglinien an den Pegelstellen für ein Hochwasservorhersagesystem genutzt.
Die vorhergesagten Spitzenabflüsse können als Eingangswerte für das HN-Modell
genutzt werden, welches seinerseits, in Verbindung mit dem digitalen Geländemodell, die
Überflutungsbereiche an kritischen Stellen des Flussabschnittes vorhersagen kann.
Diese Arbeit beschäftigt sich außerdem ausführlich mit Unsicherheiten in den
Eingabedaten, welche aus Wasserstands-Abflussbeziehungen herrühren. Einige
datenorientierte Ansätze werden für das Management, die Analyse und die Fortpflanzung
der Unsicherheiten herangezogen. Die Methode des Unsicherheits-Managements
umfasst die Beziehung zwischen Wasserstand und Abfluss als Ergebnis der nicht-linearen
KNN-Abbildungsmethode als Alternative zu einer klassischen Wasserstands-Abfluss-
Beziehung. Dies wird anhand der stark gestreuten, nicht linearen Wasserstands-/
ii
Zusammenfassung
Abflusswerte des Neckars und der geschleiften Wasserstands-Abfluss-Beziehung des
Rheins verdeutlicht. Beide Anwendungen zeigen, dass die nicht-lineare, KNN-basierte
Abbildungstechnik eine überlegene Alternative zu einer Schlüsselkurve ist. Das Verfahren
führt außerdem zu einem seriell ergänzenden Modellierungsansatz. Zum Beispiel kann
die nicht-lineare KNN-Abbildungsmethode als Pre- und Post-Prozessor für die
Randbedingungen eines Routing-Modells eingesetzt werden.
In dieser Forschungsarbeit werden auch auf dem Fuzzy-Erweiterungsprinzip basierte
Methoden für die Analyse und Fortpflanzung von Unsicherheiten als Folge der
Wasserstands-Abflussbeziehung betrachtet. Die Fuzzy-Regressions-Analyse wird
genutzt, um die oberen und unteren Unsicherheitsgrenzen zu definieren. Diese Analyse
definiert Abflüsse als Fuzzy-Zahl zu jedem beliebigen Wasserstand. Der Fuzzy-Alpha-Cut
einer Abfluss-Fuzzy-Zahl wird zusammen mit einem HN-Modell genutzt, um die
Fortpflanzung von Unsicherheiten in Flussschläuchen und Überflutungsflächen zu
bestimmen. Die Arbeit stellt einen Ansatz vor, bei dem sich Fuzzy-Erweiterungsprinzip-
basierte Methoden und HN-Modelle seriell ergänzen. Die Ergebnisse zeigen, dass
Unsicherheiten im Durchfluss zu entscheidenden Unsicherheiten bezüglich der
Wasserstände und der Überflutungsflächen führen können.
Diese Arbeit zeigt die sich ergänzenden Modellierungsansätze für die
Hochwasservorhersage sowie eine Unsicherheitsanalyse. Die Anwendung dieser sich
ergän