Seminar Oberflächenhydrologie LV-Nr.:

Transkript

1 Seminar Oberflächenhydrologie LV-Nr.: Modul Hydrologie und Wasserwirtschaftliche Planung Mag. KTWW (431) und Mag. WU (432) Gebundenes Wahlfach 2 SWS (3 ECTS) Sommersemester Übungseinheit Lehrveranstaltungsleiter: Hubert Holzmann hubert.holzmann@boku.ac.at Inhalt 4. Übungseinheit (1) Präsentation der Ergebnisse durch Studierendengruppen (2) Methoden der Hochwasserprognose (3) Fallbeispiel zur operationellen HQ-Prognose 1

2 Institut für Wasserwirtschaft, Hydrologie und Konstruktiven Wasserbau Vorstand: Prof. H.P. Nachtnebel Universität für Bodenkultur Wien Runoff forecasts and early warning systems Ao.Univ.Prof. Dipl.Ing. Dr. Hubert Holzmann ( BOKU Kongress - Wien, November 2001 Risikomanagement und Naturgefahren Situation Increasing Number of Floods Oder, Weichsel, Rhein, Donau, Traisen, Machland, Tessin, etc. Significant increasing Flood Losses Potential Causes - Cyclic behaviour of meteorological forces - Climatic Change - Decrease of retention areas - Increasing settlements and constructional activities - Inaccurate design of flood protection measures BOKU Kongress - Wien, November 2001 Risikomanagement und Naturgefahren 2

3 Loss development of the last 50 years Flood Damages BOKU Kongress - Wien, November 2001 Risikomanagement und Naturgefahren 3

4 Flood Warning Principles Runoff Q (m 3 /s) Threshold Time t 1h - days Upstream Gauge: - Flood Routing - Statistical Methods 1h - 12h Rainfall : - Rainfall-Runoff Modelling - Snow Melt Modelling - Flood Routing 3h - 3 days Weather Forecasts: - Weather Models - Rainfall-Runoff Modelling - Snow Melt Modelling - Flood Routing BOKU Kongress - Wien, November 2001 Risikomanagement und Naturgefahren Forecast Methods Statistical Methods: Predictors are upstream runoff data, rainfall, air temperature or soil moisture data Data are available online. Rainfall-Runoff Models: Rainfall data are used as online model input. The lead time corresponds to the runoff formation and translation time) Meteorological Forecasts: Distribution of continental Air Temperature, Humidity and Air pressure. (Multiple) Regression Cross Correlation Markov Processes Bayesian Methods Kalman Filter Techniques Event based models Continuous Models Deterministic Models Conceptual Models Snowmelt and Snow accumulation Models ECMWF (Reading) ALADIN (LAM) + RR-Modelling BOKU Kongress - Wien, November 2001 Risikomanagement und Naturgefahren 4

5 Snowmelt and Runoff Niederschlag Schneeschmelzmodell Verdunstung Schneeakkumulation Schneeschmelze Tiroler Inn Schneeakkumulation Tiroler Inn Oberflächenspeicher Niederschlags-Abfluss Verdunstung Modell Oberflächenspeicher Freies Bodenwasser Pflanzenverfügbares Bodenwasser bw1 Akk. Schnee in mmwaequ. Freies Bodenwasser bw Pflanzenverfügbares Bodenwasser FK PWP bw1 Niederschlag Schneeschmelze h1 h2 Versickerung f(bw1, h2, k3) Oberflächenabfluss f(bw, h1, k1) Zwischenabfluss f(bw1, h2, k2) Basisabfluss f(bw2, k4) Hoehenzone m.sh Hoehenzone m.sh Hoehenzone m.sh Hoehenzone m.sh Hoehenzone m.sh Hoehenzone m.sh Akk. Schnee in mmwaequ Hoehenzone m.sh Hoehenzone m.sh Hoehenzone m.sh Schneeschmelze und Schneeakkumulation Oberflächenabfluss f(bw, h1, k1) Schneeakkumulation: h1 If T i < O o C wobei Ti... mittl. Tageslufttemperatur der Höhenstufe i (gemäß Temperaturgradient) Zwischenabfluss f(bw1, h2, k2) Durch die Schneeakkumulation reduziert sich der abflußwirksame Niederschlag gemäß dem 0 flächengewichteten 200 Anteil des Neuschnees Zeit (d) h2 Schneeschmelze: Abfluss (m3/s) Q Prognose If T i > O o Q zukuenftig C Versickerung q i = fak* f(bw1, T i h2, (Grad-Tag-verfahren) k3) wobei qi den aktuellen, akkumulierten Schneespeicher nicht überschreiten kann.. Zeit (d) Q beobachtet Q Echtzeitsimulation Hoehenzone m.sh Hoehenzone m.sh Hoehenzone m.sh bw2 FK PWP Basisabfluss f(bw2, k4) Zeit (d) BOKU Kongress - Wien, November 2001 Risikomanagement und Naturgefahren Flood Warning Systems Lead time must be sufficient for protection measures - Reliable results achievable for bigger catchments with longer response time - For smaller catchments the combination with retention basins is recommended Protection Measures: Active Measures: - Mobile Flood Protection - (operable) retention basin - sand bags Passive Measures: - Evacuation of victims - Polders (pumping) The effectiveness increases with the length of the lead time!!! BOKU Kongress - Wien, November 2001 Risikomanagement und Naturgefahren 5

6 Real time observation Rainfall, Temperature, Runoff (incl. Forecasts) Data Transmission to computer center Radio- and telephone transmission Data Management No Flood Flood Data Processing Time Series, Preprocessing, Regionalisation Runoff Computation Models Updating: Improving of forecasts by means of estimation error Transmission of results to the civil services Actions and Master Plans due to runoff categories Short term protection actions Mobile flood protectors, warnings, evacuations, etc. BOKU Kongress - Wien, November 2001 Risikomanagement und Naturgefahren Conclusions Flood Warning Systems are important instruments of civil protection. Short term measures are efficiently applicable if - online data, - efficient forecast models, - appropriate protection measures and - sufficient master plans are available. Permanent protection level (dams, runoff capacity) varies within 30 and 100 years frequency. Additional warning systems decrease the remaining risk for big flood events. Flood warning systems do not substitute the necessity of a reliable environmental planning system with adopted land utilisation due to hazards and risks. Runoff forecasts can be used for other objectives (e.g. forecasts of hydro-electrical potential, river navigation, etc.) BOKU Kongress - Wien, November 2001 Risikomanagement und Naturgefahren 6

7 Department für Wasser, Atmosphäre und Umwelt Inst. für Wasserwirtschaft, Hydrologie und Konstruktiven Wasserbau Universität für Bodenkultur Wien Hochwassermodellierung in kleinen Einzugsgebieten Methodische Aspekte Hubert Holzmann Inhalt Veranlassung u. Hintergrund Spezifika kleiner Einzugsgebiete Methoden und Verfahren - Statistische Verfahren - Einheitsganglinienverfahren - Unbeobachtete Einzugsgebiete Erste Ergebnisse Allgemeine Erkenntnisse Ausblick 7

8 Veranlassung u. Hintergrund Vorstudie Hochwasserprognose für Nebeneinzugsgebiete Auftraggeber: Auftragnehmer: Amt der Niederösterr. Landesregierung HR. DI Labut SCIETECH Flussmanagement DI G. Reichel ZAMG Wien Dr. Th. Haiden IWHW - BOKU Prof. DI Dr. H. Holzmann DELFT Hydraulics Dr. D. Schwanenberg Veranlassung u. Hintergrund Warum Hochwasserprognosen? - Regionale und überregionale Hochwässer in den letzten Jahren - Grenzen des Schutzwasserbaus - Reduktion des (Restrisikos) und der Vulnerabilität - Etablierung von Frühwarnsystemen - Rasche und direkte Information der Öffentlichkeit 8

9 Veranlassung u. Hintergrund Ausgangslage in Niederösterreich - Haupt- und Nebeneinzugsgebiete - Unterschiedliche Gebietscharakteristik (Abflussregime, Besiedelung, Größe, etc.) - Unterschiedliche Modellrealisierungen - Flächendeckende Vorhersage Veranlassung u. Hintergrund 9

10 Spezifika kleiner EZG Eingeschränkte Datenlage (N, Q, T) Eingeschränkte fernübertragene Daten Dominanz konvektiver NS-Ereignisse Rasche Systemreaktion Hohe zeitliche Auflösung der Daten erforderlich Kurze Prognosefristen Begrenzte räumliche Übertragbarkeit Niederschlag Prognosekonzept Realtime Nowcast LA-Model (ALADIN) Abfluss 10

11 Prognosekonzept Niederschlag (mm) Julian. Tag Abfluss (m3/s) Julian. Tag Prognosekonzept Niederschlag (mm) Julian. Tag Abfluss (m3/s) Julian. Tag 11

12 Prognosekonzept Niederschlag (mm) Julian. Tag Abfluss (m3/s) Julian. Tag Allgemein Erfordernisse und Erwartungen Flächendeckendes Prognosesystem für ganz Niederösterreich bis 2013 Bereitstellung einer Hochwasserwarnung im Internet Bereitstellung von Prognoseganglinien mit Konfidenzintervall und/oder Bereitstellung von Warnstufen Automatischer Betrieb des Warnsystems Für kleine Einzugsgebiete Einfacher Methodenansatz zur einfachen Parameterisierung und Datenhandhabung Übertragbarkeit der Konzepte von beobachteten auf unbeobachtete EZG Differenzierte Visualisierungsoptionen 12

13 Methoden Angewendete Verfahren - Statistische Verfahren - Einheitsganglinienverfahren - Unbeobachtete Einzugsgebiete Statistische Verfahren zur Hochwasserprognose Methoden Zielgrößen: Prediktoren: HQ-Scheitel Auftrittszeitpunkt HQ-Scheitel Niederschlagssumme Niederschlagsintensität Monatszahl Vorregenindex am Ereignisanfang Vorregenindex Ereignismaximum 13

14 Hydr.-meteorol. Größen Niederschlagssumme Niederschlag (mm) Niederschlagsdauer Niederschlagsschwerpunkt Systemzustand (Vorfeuchte) Jul. Tag Abfluss (m3/s) Jul. Tag Abflussscheitel Anstiegszeit Translationszeit EZG Charakteristik (Fläche, Fließlänge, Höhendifferenz) Methoden Fahrafeld / Triesting Hirtenberg / Triesting Gutenstein (Kirche) / Piesting simuliert (m3/s) Param. qmax Korr.: 0.95 simuliert (m3/s) Param. qmax Korr.: 0.74 simuliert (m3/s) Param. qmax Korr.: beob. (m3/s) beob. (m3/s) beob. (m3/s) Woellersdorf (Hydro) / Piesting Ehrendorf / Lainsitz simuliert (m3/s) Param. qmax Korr.: 0.78 simuliert (m3/s) Param. qmax Korr.: 0.86 Gegenüberstellung beobachteter und berechneter HQ-Scheitelwerte (mittels statistischer Methode) beob. (m3/s) beob. (m3/s) 14

15 Methoden Fahrafeld / Triesting Q beobachtet Q berechnet Fehler der Warnstufe / n = 19 Abflussscheitel (m3/s) Meldestufe 4 Meldestufe 3 Meldestufe 2 Meldestufe 1 Absol. Haeufigkeit /17/ /17/ /17/ /17/ /17/ /17/ /17/ /17/ /17/ Zeit Hirtenberg / Triesting Q beobachtet Q berechnet Differenz in Meldestufe Fehler der Warnstufe / n = 20 Abflussscheitel (m3/s) Meldestufe 4 Meldestufe 3 Meldestufe 2 Meldestufe 1 Absol. Haeufigkeit /17/ /17/ /17/ /17/ /17/ /17/ Zeit Gutenstein (Kirche) / Piesting Q beobachtet Q berechnet Differenz in Meldestufe Fehler der Warnstufe / n = 21 Abflussscheitel (m3/s) Meldestufe 4 Meldestufe 3 Meldestufe 2 Meldestufe 1 Absol. Haeufigkeit /27/ /27/ /27/ /27/ /27/ /27/ /27/ Zeit Woellersdorf (Hydro) / Piesting Q beobachtet Q berechnet Differenz in Meldestufe Fehler der Warnstufe / n = 21 Abflussscheitel (m3/s) Meldestufe 4 Meldestufe 3 Meldestufe 2 Meldestufe 1 Absol. Haeufigkeit /17/ /17/ /17/ /17/ /17/ /17/ /17/ Zeit Ehrendorf / Lainsitz Q beobachtet Q berechnet Differenz in Meldestufe Fehler der Warnstufe / n = 21 Abflussscheitel (m3/s) Meldestufe 4 Meldestufe 3 Meldestufe 2 Meldestufe 1 Absol. Haeufigkeit /17/ /17/ /17/ /17/ /17/ /17/2001 Zeit Differenz in Meldestufe Methoden Ergebnisse der Schätzung des HQ-Auftrittszeitpunktes Gebiet 3 Fahrafeld 4 Hirtenberg 5 Gutenstein 6 Wöllersdorf 9 Ehrendorf Mittlere Anstiegszeit (in hh) Stabwg. (in hh)

16 Methoden Statistische Verfahren - Zusammenfassung Vorteile: Nachteile: Geringer Modellierungsaufwand Effiziente Berechnungszeiten Verfügbarkeit von N und Q muss gegeben sein Keine Information über Ganglinienverlauf Keine direkte Übertragbarkeit auf andere EZG Methoden Einheitsganglinienverfahren zur Hochwasserprognose Zielgrößen: Abflußganglinie (inkl. Scheitel u. Volumen) Ausgangsdaten: Fließlänge Höhendifferenz Monatszahl Niederschlagskennzahlen 16

17 Methoden Methods Konzept kleiner Einzugsgebiete Flächenaggregierte und ereignisbezogene Modellierung Dreiecksförmige Einheitsganglinie mit variabler Basis Dynamischer Abflussbeiwert Methoden Effektivniederschlag Zielgrößen: Anfangsverlust Abflussbeiwert am Ereignisanfang Abflussbeiwert am Ereignisende Prediktoren: Vorregenindex Monatszahl Niederschlagskennzahlen 17

18 Dynamischer Abflussbeiwert Methoden Verlustrate und Effektivniederschlag Niederschlag (mm) Zeit (h) Variable Abflussbeiwerte Abflussbeiwert variabler,linearer Abflussbeiwert lognormalverteilter Abflussbeiwert Akkum. Niederschlag (mm) Konstanter Abflussbeiwert Methoden Rainfall and Excess Precipitation (mm) UH-Discharge Discharge (m3/s) Init. Loss : 30 Method : 2 Lossrate / RR-Coeff 0.5 Stretch-Faktor

19 Linear variabler Abflussbeiwert Methoden Rainfall and Excess Precipitation (mm) UH-Discharge Discharge (m3/s) Init. Loss : 30 Method : 3 Lossrate / RR-Coeff Stretch-Faktor Lognormalverteilter Abflussbeiwert Methoden Rainfall and Excess Precipitation (mm) UH-Discharge Discharge (m3/s) Init. Loss : 0 Method : 4 Lossrate / RR-Coeff Stretch-Faktor

20 Methoden A priori Parameterschätzung UH-stretch Factor: Anfangsverlust: Start-ABW: End-ABW: stretch = f(nsum, nintens, month) Initloss = f(apistart, month) Lowpsi = f(initloss, Upperpsi) Upperpsi = f(apistart, apipeak, nsum, nintens, month) where nsum nintens month apistart apipeak total storm rainfall rainfall intensity month (hydrological year) antecedent precipitation index at start of storm maximum antecedent precipitation index during storm Ergebnisse Kalibrierung 20

21 Ergebnisse A priori Parameterschätzung Methoden A priori Parameterschätzung für unbeobachtete EZG Stretch Factor: big mean small > 4 NIntens Initial Loss: 9-12 big Mod. big mean Upper Psi: 9-12 small Mod. small mean month 5-8 Mod. big mean Mod. small month 5-8 Mod. small mean Mod. big 1-4 mean Mod. small small 1-4 mean Mod. big big APIStart NIntens where nintens month apistart rainfall intensity month (hydrological year) antecedent precipitation index at start of storm 21

22 Ergebnisse A priori Parameterschätzung für unbeobachtete EZG Rainfall and Excess Precipitation (mm) UH-Discharge HQ-30 Discharge (m3/s) Init. Loss : 3 Method : 3 Lossrate / RR-Coeff Stretch-Faktor 10 Zielwert: 2.56 HQ-5 HQ Rainfall and Excess Forecast Model Precipitation (mm) UH-Discharge Discharge (m3/s) Prognose Time to Peak hh

23 Forecast Model Rainfall and Excess Precipitation (mm) UH-Discharge Discharge (m3/s) Prognose Time to Peak 24 hh Rainfall and Excess Forecast Model Precipitation (mm) UH-Discharge Discharge (m3/s) Prognose Time to Peak 12 hh

24 Forecast Model Rainfall and Excess Precipitation (mm) UH-Discharge Discharge (m3/s) Prognose Time to Peak 6 hh Ensemblemodell Precipitation Realtime Nowcast LA-Model (ALADIN) Runoff 24

25 Methods Antecedent Precipitation Index API t n 1 i ARIi = ( a Pi ) t n i i = t a i = t (1) were i Time index (in days) a coefficient (=0.88) P Precipitation (plus snowmelt optional) in mm/d n memory length in days (=28) 2 Parameters n... Memory length a... Recession coefficient P1 t-i P2 t-j t time Methods Antecedent Precipitation Index API Gebietsniederschlag - Enns 1996 Rainfall NS (mm) Tage API Vorregenindex (inkl. Schneeschmelze) - Enns 1996 VRI (mm) Tage Runoff Abfluss - Enns 1996 Q (m3/s) Tage 25

26 Methods Antecedent Precipitation Index API Rainfall Niederschlag NS (mm) Zeit API Vorregenindex VRI (mm) VRI (Stundenbasis) VRI (Tagesbasis) Zeit Runoff Abfluss Q (m3/s) Zeit Schlussfolgerung Ereignisbezogene NA-Modelle eignen sich für die Abflussprognose. Eine Übertragberkeit auf unbeobachtete Einzugsgebiete ist z.t. möglich. Der ansteigende Ast der EGL kann gut über topographische Infos (z.b. DHM) abgeschätzt werden. Die Form der EGL kann in Abhängigkeit zu Ereignisparameter variiert werden. Verlustraten und Abflussbeiwerte können zufriedenstellend durch Funktionen aus Zustandsparameter geschätzt werden. Bei unbeobachteten EZG ermöglichen Soft-Rules die Vorabschätzung der Abflussbeiwerte. Zur Klassifizierung sind jedoch benachbarte, beobachtete EZG notwendig. Quantitative Niederschlagsprognosen sind notwendig, das Ergebnis hängt stark von der Güte der N-Prognose ab. Das EGL-Verfahren ermöglicht auch die Verwendung von Ensemblevorhersagen und die Darstellung von Konfidenzbereichen. 26

27 Allgem. Anmerkungen EGL-Verfahren für kleine EZG (< 300 km 2 ) Bei größeren Gebieten Routing-Prozesse berücksichtigen. Für alpine Gebiete Schneeschmelzmodul erforderlich. - verteilte Modellierung - Schnee- u. Gletscherschmelze - Strahlung u. Temperatur 27