Αλγόριθμος επιλογής σταθμισμένης στοχικής συνάρτησης για την εκτίμηση των παραμέτρων μοντέλων εδάφους-βλάστησης-μεταφοράς στην ατμόσφαιρα με χρήση δεδομένων τηλεπισκόπησης

J. A. P. Pollacco, B. P. Mohanty, and A. Efstratiadis, Weighted objective function selector algorithm for parameter estimation of SVAT models with remote sensing data, Water Resources Research, 49 (10), 6959–6978, doi:10.1002/wrcr.20554, 2013.

[Αλγόριθμος επιλογής σταθμισμένης στοχικής συνάρτησης για την εκτίμηση των παραμέτρων μοντέλων εδάφους-βλάστησης-μεταφοράς στην ατμόσφαιρα με χρήση δεδομένων τηλεπισκόπησης]

[doc_id=1383]

[Αγγλικά]

Στα μοντέλα εδάφους-βλάστησης-μεταφοράς στην ατμόσφαιρα (Soil-Vegetation-Atmosphere Transfer, SVAT), η στοχική συνάρτηση του αντίστροφου προβλήματος μπορεί να διατυπωθεί ως συνάθροιση δύο κριτηρίων, που λαμβάνουν υπόψη τους τις αβεβαιότητες της επιφανειακής εδαφικής υγρασίας (θ) και της εξατμοδιαπνοής (ET), που ανακτώνται μέσω τηλεπισκόπησης. Στο πλαίσιο αυτό διαμορφώνουμε μια σταθμισμένη στοχική συνάρτηση (Weighted Objective Function, WOF) ως προς τις ενεργές υδραυλικές παραμέτρους τους εδάφους, που περιλαμβάνει δύο συνιστώσες για τα θ και ET, αντίστοιχα, και έναν αδιάστατο συντελεστή w. Δεδομένου ότι η ευαισθησία της θ αυξάνει όταν αγνοούμε τις περιόδους που πραγματοποιείται η αποσύνδεση (decoupling) της εδαφικής υγρασίας, εισάγουμε ακόμη εντός της WOF ένα κατώφλι, θd, το οποίο προσδιορίζει την αποσύνδεση της εδαφικής υγρασίας από αυτή του ριζοστρώματος. Οι βέλτιστες τιμές των w και θd καθορίζονται με τη χρήση μιας καινοτόμου μεθοδολογίας, του αλγορίθμου επιλογής σταθμισμένης στοχικής συνάρτησης (Weighted Objective Function Selector Algorithm, WOFSA). Αυτός πραγματοποιεί αριθμητικά πειράματα, θεωρώντας γνωστές τις συνθήκες αναφοράς. Συγκεκριμένα, επιλύει το αντίστροφο πρόβλημα για διαφορετικά σύνολα τιμών των και ΕΤ, θεωρώντας τις αβεβαιότητες ανάκτησής του από τηλεπισκόπηση, και στη συνέχεια εφαρμόζει το υδρολογικό μοντέλο ώστε να αποκτήσει τις προσομοιωμένες ροές νερού και τα υπόλοιπά τους ΔWF έναντι των αποκρίσεων αναφοράς. Εκτιμά τις δύο άγνωστες μεταβλητές, w και θd, μεγιστοποιώντας τη γραμμική συσχέτιση μεταξύ της WOF και της μέγιστης απόκλισης ΔWF. Το πλαίσιο αυτό ελέγχεται με χρήση ενός τροποποιημένου μοντέλου Εδάφους-Νερού-Ατμόσφαιρας-Φυτού (Soil-Water-Atmosphere-Plant, SWAP) έναντι 22 αντικρουόμενων υδροκλιματικών σεναρίων. Δείχνουμε ότι για κάθε τύπο εδαφικής υφής, το w μπορεί να εκφραστεί ως συνάρτηση του μέσου λόγου θ προς ET, ενώ για όλα τα σενάρια η τιμή θd μπορεί να μοντελοποιηθεί ως συνάρτηση της μέσης θ, της μέσης ΕΤ, και της τυπικής απόκλισης της ΕΤ. Με βάση τα συμπεράσματα της μελέτης, παρέχουμε ακόμη υποδείξεις σχετικά με την πλέον κατάλληλη χρονική περίοδο για την πραγματοποίηση μετρήσεων εδαφικής υγρασίας, ώστε να περιλάβουμε τη δυναμική της και τα διάφορα κατώφλια. Τέλος, προτείνουμε την υλοποίηση του WOFSA στο πλαίσιο της πολυμεταβλητής βαθμονόμησης, ως γενικευμένο εργαλείο αναγνώρισης εύρωστων λύσεων από το μέτωπο Pareto.

PDF Πλήρες κείμενο (2717 KB)

PDF Συμπληρωματικό υλικό:

Βλέπε επίσης: http://dx.doi.org/10.1002/wrcr.20554

Εργασίες μας στις οποίες αναφέρεται αυτή η εργασία:

1. A. Efstratiadis, and D. Koutsoyiannis, One decade of multiobjective calibration approaches in hydrological modelling: a review, Hydrological Sciences Journal, 55 (1), 58–78, doi:10.1080/02626660903526292, 2010.

Εργασίες μας που αναφέρονται σ' αυτή την εργασία:

1. E. Savvidou, A. Efstratiadis, A. D. Koussis, A. Koukouvinos, and D. Skarlatos, The curve number concept as a driver for delineating hydrological response units, Water, 10 (2), 194, doi:10.3390/w10020194, 2018.

Άλλες εργασίες που αναφέρονται σ' αυτή την εργασία (αυτός ο κατάλογος μπορεί να μην είναι ενημερωμένος):

1. Mohanty, B. P., Soil hydraulic property estimation using remote sensing: a review, Vadose Zone Journal, 12(4), 1-9, doi:10.2136/vzj2013.06.0100, 2013.
2. Wöhling, T., S. Gayler, E. Priesack, J. Ingwersen, H.-D. Wizemann, P. Högy, M. Cuntz, S. Attinger, V. Wulfmeyer, and T. Streck, Multiresponse, multiobjective calibration as a diagnostic tool to compare accuracy and structural limitations of five coupled soil-plant models and CLM3.5, Water Resources Research, 49(12), 8200–8221, doi:10.1002/2013WR014536, 2013.
3. #Gupta, M., N. K. Garg, P. K Srivastava, and T. Islam, Integration of TRMM rainfall in numerical model for pesticide prediction in subtropical climate, Proceedings of 11th International Conference on Hydroinformatics (HIC 2014), New York City, 2014.
4. Gong, W., Q. Duan, J. Li, C. Wang, Z. Di, Y. Dai, A. Ye, and C. Miao, Multi-objective parameter optimization of common land model using adaptive surrogate modelling, Hydrology and Earth System Sciences, 19, 2409–2425, doi:10.5194/hess-19-2409-2015, 2015.
5. Garg, N. K., and M. Gupta, Assessment of improved soil hydraulic parameters for soil water content simulation and irrigation scheduling, Irrigation Science, 33(4), 247-264, doi:10.1007/s00271-015-0463-7, 2015.
6. Larsen, M. A. D., J. C. Refsgaard, K. H. Jensen, M. B. Butts, S. Stisen, and M. Mollerup, Calibration of a distributed hydrology and land surface model using energy flux measurements, Agricultural and Forest Meteorology, 217, 74–88, doi:10.1016/j.agrformet.2015.11.012, 2016.
7. #Gupta, M., P. K Srivastava, and T. Islam, Integrative use of near-surface satellite soil moisture and precipitation for estimation of improved irrigation scheduling parameters, Satellite Soil Moisture Retrieval: Techniques and Applications , P. K. Srivastava, G. Petropoulos, and Y. H. Kerr (editors), 271-288, doi:10.1016/B978-0-12-803388-3.00014-0, 2016.
8. Maurya, S., P. K. Srivastava, M. Gupta, T. Islam, and D. Han, Integrating soil hydraulic parameter and microwave precipitation with morphometric analysis for watershed prioritization, Water Resources Management, 30(14), 5385–5405, doi:10.1007/s11269-016-1494-4, 2016.
9. Fernández-Gálvez, J., J. A. P. Pollacco, L. Lilburne, S. McNeill, S. Carrick, L. Lassabatere, and R. Angulo-Jaramillo, Deriving physical and unique bimodal soil Kosugi hydraulic parameters from inverse modelling, Advances in Water Resources, 153, 103933, doi:10.1016/j.advwatres.2021.103933, 2021.
10. Bonneau, J., G. L. Kouyi, L. Lassabatere, and T. D. Fletcher, Field validation of a physically-based model for bioretention systems, Journal of Cleaner Production, 312, 127636, doi:10.1016/j.jclepro.2021.127636, 2021.
11. Pollacco, J. A. P., J. Fernández-Gálvez, P. Ackerer, B. Belfort, L. Lassabatere, R. Angulo-Jaramillo, C. Rajanayaka, L. Lilburne, S. Carrick, and D. A. Peltzer, HyPix: 1D physically based hydrological model with novel adaptive time-stepping management and smoothing dynamic criterion for controlling Newton-Raphson step, Environmental Modelling & Software, 153, 105386, doi:10.1016/j.envsoft.2022.105386, 2022.
12. Pollacco, J. A. P., J. Fernández-Gálvez, C. Rajanayaka, S. C. Zammit, P. Ackerer, B. Belfort, L. Lassabatere, R. Angulo-Jaramillo, L. Lilburne, S. Carrick, and D. A. Peltzer, Multistep optimization of HyPix model for flexible vertical scaling of soil hydraulic parameters, Environmental Modelling & Software, 156, 105472, doi:10.1016/j.envsoft.2022.105472, 2022.

Κατηγορίες: Υδρολογικά μοντέλα, Βελτιστοποίηση, Άρθρα που αρχικώς απορρίφθηκαν