Μπορεί να βελτιωθεί η προσδιοριστικότητα των υδρολογικών μοντέλων; Ελέγχοντας την έννοια της στοχαστικής βαθμονόμησης

V. Kourakos, A. Efstratiadis, and I. Tsoukalas, Can hydrological model identifiability be improved? Stress-testing the concept of stochastic calibration, EGU General Assembly 2021, online, EGU21-11704, doi:10.5194/egusphere-egu21-11704, European Geosciences Union, 2021.

[Μπορεί να βελτιωθεί η προσδιοριστικότητα των υδρολογικών μοντέλων; Ελέγχοντας την έννοια της στοχαστικής βαθμονόμησης]

[doc_id=2103]

[Αγγλικά]

Οι υδρολογικές βαθμονομήσεις με ιστορικά δεδομένα συχνά θεωρούνται ανεπαρκείς για την εξαγωγή ασφαλών εκτιμήσεων σχετικά με μια δομή ενός μοντέλου που μιμείται, όσο το δυνατόν περισσότερο, την αναμενόμενη συμπεριφορά της λεκάνης απορροής. Για να αντιμετωπίσουμε αυτό το ζήτημα, διερευνούμε μια πολλά υποσχόμενη στρατηγική, χρησιμοποιώντας ως οδηγούς συνθετικές χρονοσειρές, οι οποίες διατηρούν τις πιθανοτικές ιδιότητες και τη δομή εξάρτησης των παρατηρούμενων δεδομένων. Η βασική ιδέα είναι η βαθμονόμηση του μοντέλου με βάση συνθετικά δεδομένα βροχόπτωσης-απορροής, και η επαλήθευσή του σε σχέση με το πλήρες δείγμα δεδομένων που έχει παρατηρηθεί. Για το σκοπό αυτό, υλοποιούμε μια απόδειξη της ιδέας σε λίγες αντιπροσωπευτικές λεκάνες απορροής, δοκιμάζοντας πολλά ενιαία εννοιολογικά υδρολογικά μοντέλα, με εναλλακτικές παραμετροποιήσεις και σε δύο χρονικές κλίμακες, μηνιαία και ημερήσια. Στη συνέχεια, επιχειρήσαμε να ενισχύσουμε την εγκυρότητα της συνιστώμενης μεθοδολογίας χρησιμοποιώντας μηνιαίες στοχαστικές βαθμονομήσεις σε 100 λεκάνες απορροής από το πείραμα MOPEX. Όπως και πριν, εξετάστηκε ένα πλήθος διαφορετικών υδρολογικών μοντέλων, με σκοπό να αποδειχθεί ότι η βαθμονόμηση με στοχαστικές εισόδους είναι ανεξάρτητη από το επιλεγμένο μοντέλο. Τα αποτελέσματα υπογραμμίζουν ότι στις περισσότερες περιπτώσεις η νέα προσέγγιση οδηγεί σε ισχυρότερη αναγνώριση παραμέτρων και σταθερή προγνωστική ικανότητα σε διαφορετικά χρονικά παράθυρα, καθώς το μοντέλο εκπαιδεύεται σε πολύ εκτεταμένες υδροκλιματικές συνθήκες.

PDF Πλήρες κείμενο:

Εργασίες μας που αναφέρονται σ' αυτή την εργασία:

1. A. Efstratiadis, I. Tsoukalas, and P. Kossieris, Improving hydrological model identifiability by driving calibration with stochastic inputs, Advances in Hydroinformatics: Machine Learning and Optimization for Water Resources, edited by G. A. Corzo Perez and D. P. Solomatine, doi:10.1002/9781119639268.ch2, American Geophysical Union, 2024.

Κατηγορίες: Υδροπληροφορική, Υδρολογικά μοντέλα, Στοχαστική, Εργασίες φοιτητών