Konzept für die Erstellung und Veröffentlichung von Hochwasserprognosen durch die TLUG. Peter Krause

Transkript

1 Konzept für die Erstellung und Veröffentlichung von Hochwasserprognosen durch die TLUG Peter Krause

2 Operationelle Hochwasservorhersage Für die operationelle Hochwasservorhersage als Instrument für den Hochwasserwarn- und Alarmdienst ergeben sich folgende spezifische Anforderungen: Genauigkeit: Wasserstände und Abflüsse sollen für einen Vorhersagezeitraum von bis zu 72 Stunden möglichst genau in Bezug auf ihre Höhe und ihr Eintreten vorhergesagt werden. Einfachheit, Robustheit: Das Instrumentarium sollte möglichst einfach in der Bedienung sein und nur einen minimalen Nutzereingriff benötigen. Durch automatisierte Kontrollmechanismen soll eine hohe Robustheit und Fehlertoleranz sichergestellt werden. Schnelligkeit, Verständlichkeit: Die Berechnung soll möglichst schnell erfolgen und die Ergebnisse in ansprechender, leicht verständlicher Art und Weise präsentiert werden.

3 Methoden und Werkzeuge für die Hochwasservorhersage Georelationale Datenbanken: Speicherung und Management von raum-zeitlichen Eingangsdaten Plausibilisierung, Korrektur und Interpolation der Eingangsdaten Archivierung von Modellergebnissen und Prognosen Geoinformationssysteme: Räumliche Analyse und Auswertung der Eingangsdaten Parametrisierung von Modellen Visualisierung und räumliche Analyse von Modellergebnissen Prozessorientierte oder empirische Modelle: Modellgestützte räumliche Interpolation von punktuellen Daten Mittel- bis langfristige Wasserhaushaltsmodellierung Ereignisorientierte Vorhersagemodellierung Sensitivitäts- und Unsicherheitsanalyse

4 Methodische Verarbeitungskette Eingangsdaten DWD Stationsdaten DWD Prognosedaten Datenaufbereitung Analyse, Korrektur Regionalisierungsmodell Kontinuumsmodellierung GIS TLUG W, Q Daten TLUG Pegeldaten Zentrale Datenhaltung Prozessorientiertes Langfrist-Modell Empirisches Vorhersagemodell Prozessorientiertes Vorhersagemodell Bias-Korrektur Kurzfristvorhersage Modellanpassung

5 Methodische Verarbeitungskette Eingangsdaten DWD Stationsdaten DWD Prognosedaten Datenaufbereitung Analyse, Korrektur Regionalisierungsmodell Kontinuumsmodellierung GIS TLUG W, Q Daten TLUG Pegeldaten Zentrale Datenhaltung Prozessorientiertes Langfrist-Modell Empirisches Vorhersagemodell Prozessorientiertes Vorhersagemodell Bias-Korrektur Kurzfristvorhersage

6 Eingangsdaten - Wetter DWD Messwerte Vom DWD werden täglich aktuelle Messwerte für 150 Niederschlagsund Klimastationen in 10 minütiger Auflösung bezogen und zu Stundenwerten aggregiert. DWD Wettervorhersage Ergebnisse aus dem Regionalmodell Cosmo EU im 7 x 7 km Raster für einen Vorhersagezeitraum von 72 Stunden. Ergebnisse werden jeweils um 0:00, 6:00, 12:00 und 18:00 Uhr prozessiert und übertragen.

7 Cosmo EU Wettervorhersage

8 Eingangsdaten - Abfluss Pegelmessnetz Die TLUG betreibt insgesamt 52 Hochwassermeldepegel und zahlreiche weitere Pegel. Die Meldepegel sind redundant ausgestattet und übertragen die 15-minütigen Messwerte im Stundentakt an die TLUG. Für jeden Pegel liegen zusätzlich umfangreiche statistische Auswertungen und Informationen vor. Stationsnummer : NNQ [m³/s] : 0,130 am Name des Pegels : Erfurt-Möbisburg HHQ [m³/s] : 220 am Gewässer : Gera im DGJ : Ja Einzugsgebiet [km²] : 842,8 HWMP : Ja Pegelnullpunkt : 213,150 NHN MB [cm] : 160 A1 [cm] : 200 A2 [cm] : 240 A3 [cm] : 280

9 Methodische Verarbeitungskette Eingangsdaten DWD Stationsdaten DWD Prognosedaten Datenaufbereitung Analyse, Korrektur Regionalisierungsmodell Kontinuumsmodellierung GIS TLUG W, Q Daten TLUG Pegeldaten Zentrale Datenhaltung Prozessorientiertes Langfrist-Modell Empirisches Vorhersagemodell Prozessorientiertes Vorhersagemodell Bias-Korrektur Kurzfristvorhersage

10 Datenaufbereitung Plausibilitätsprüfung / Korrektur Eingehende Daten werden automatisch hinsichtlich ihrer Plausibilität geprüft und wenn möglich/nötig korrigiert. Lückenerkennung / Interpolation Kleinere Datenlücken werden automatisch durch lineare Interpolation geschlossen. Größere Lücken müssen/können durch manuelle Nachführung korrigiert werden. Regionalisierung Durch ein vorgeschaltetes Regionalisierungsmodell werden die DWD Messwerte auf die Cosmo-EU Datenpunkte projiziert um eine identische räumliche Auflösung für die nachfolgenden Modellierungen zu gewährleisten.

11 Methodische Verarbeitungskette Eingangsdaten DWD Stationsdaten DWD Prognosedaten Datenaufbereitung Analyse, Korrektur Regionalisierungsmodell Kontinuumsmodellierung GIS TLUG W, Q Daten TLUG Pegeldaten Zentrale Datenhaltung Prozessorientiertes Langfrist-Modell Empirisches Vorhersagemodell Prozessorientiertes Vorhersagemodell Bias-Korrektur Kurzfristvorhersage

12 Kontinuumsmodellierung Die mittel- bis langfristige Wasserhaushaltsmodellierung dient der kontinuierlichen Nachführung der einzelnen hydrologischen Prozessgrößen, z. B. Schneespeicherung, Bodenwasserhaushalt, Grundwassermenge Die Ausweisung und Parametrisierung räumlich distributiver Modelleinheiten erfolgt durch Aufbereitung, Analyse und Verschneidung relevanter Raumdaten im GIS

13 Kontinuumsmodellierung Für die kontinuierliche, distributive Simulation der hydrologischen Prozesse wird das objektorientierte, hydrologische modulare Modellsystem J2000 eingesetzt: Die Abflussbildungsprozesse werden explizit für die einzelnen räumlichen Modelleinheiten und jeden Zeitschritt (1 h) berechnet. Die Berechnung der Abflusskonzentration erfolgt durch entsprechende Routingverfahren.

14 Prozessorientierte Modellierung Gütekriterien Nash-Sutcliffe 0.89 r² 0.94 pbias 6.28%

15 Methodische Verarbeitungskette Eingangsdaten DWD Stationsdaten DWD Prognosedaten Datenaufbereitung Analyse, Korrektur Regionalisierungsmodell Kontinuumsmodellierung GIS TLUG W, Q Daten TLUG Pegeldaten Zentrale Datenhaltung Prozessorientiertes Langfrist-Modell Empirisches Vorhersagemodell Prozessorientiertes Vorhersagemodell Bias-Korrektur Kurzfristvorhersage

16 Bias-Korrektur Bei der Kontinuumsmodellierung tritt meist eine gewisse Abweichung (= Bias) zwischen Messwerten und Simulationen auf. Eine Hochwasserprognose sollte aber möglichst nahtlos an die vorhergehenden Messwerte anschließen. Kontinuumsmodellierung bis zum Vorhersagezeitpunkt und Speicherung der distributiven Modellzustände 3 7 Tage zuvor. Biasmodellierung vom Speicherzeitpunkt bis zum Vorhersagezeitpunkt mit iterativer Anpassung spezifischer Modellzustände (hier Bodenwasserspeichererhöhung) Durch eine automatisierte Nachführung und Anpassung spezifischer Modellzustände (z. B. Bodenwasserspeicher, Schneespeicher) wird diese Abweichung minimiert.

17 Methodische Verarbeitungskette Eingangsdaten DWD Stationsdaten DWD Prognosedaten Datenaufbereitung Analyse, Korrektur Regionalisierungsmodell Kontinuumsmodellierung GIS TLUG W, Q Daten TLUG Pegeldaten Zentrale Datenhaltung Prozessorientiertes Langfrist-Modell Empirisches Vorhersagemodell Prozessorientiertes Vorhersagemodell Bias-Korrektur Kurzfristvorhersage

18 Kurzfristvorhersage Ausgehend von den gespeicherten Modellzuständen aus der Biasmodellierung erfolgt die Kurzfristvorhersage für die folgenden 72 Stunden mit den Daten des Cosmo-EU Vorhersagemodells. Ziel ist es möglichst robuste und genaue Abschätzung der möglichen Entwicklungen von Wasserstand und Durchfluss für die hochwasserrelevanten Pegel zu generieren. Zur Berücksichtigung verschiedener Unsicherheitsquellen wird hierbei eine Ensemblemodellierung mit Modellläufen und anschließender statistischer Auswertung durchgeführt.

19 Unsicherheitsquellen Strukturelle Unsicherheit Ist das Modellkonzept und die Modellstruktur in der Lage die relevanten Prozesse, die zu Hochwasserentstehung führen, hinreichend genau abzubilden? Eingangsdatenunsicherheit Wie groß ist der Einfluss der Eingangsdaten auf das Modellergebnis? Parameterunsicherheit Welchen Einfluss haben Parameteränderungen auf das Modellergebnis?

20 Quantifizierung der Eingangsdatenunsicherheit Durch einen linear mit der Zeit wachsenden relativen Datenfehler nach: ε t = n t=1 ε max n Kann die zunehmende Unsicherheit der Eingangsdaten berücksichtigt werden: N t = N t ε t + ε(t 1)

21 Quantifizierung der Eingangsdatenunsicherheit

22 Quantifizierung der Parameterunsicherheit Die Unsicherheit, die aus der Modellparametrisierung stammt, kann durch Evaluation zufälliger Parameterkombinationen in einer Monte-Carlo-Analyse bestimmt werden. Es entsteht ein Modellensemble, das dann statistisch ausgewertet werden kann. Hierdurch erfolgt die Reduktion der Spannbreite auf ein zentrales Konfidenzintervall.

23 Vorhersageunsicherheit Die Kombination von Eingangsdatenunsicherheit und Parameterunsicherheit führt schließlich zur Quantifizierung der Gesamtunsicherheit:

24 Vorhersageunsicherheit Die Kombination von Eingangsdatenunsicherheit und Parameterunsicherheit führt schließlich zur Quantifizierung der Gesamtunsicherheit:

25 FALLBEISPIEL GERA AM PEGEL ERFURT-MÖBISBURG

26 Gera am Pegel Erfurt-Möbisburg

27 Hochwasser Mai/Juni 2013 Hochwasserursache: Langanhaltender Dauerregen Ende Mai und Anfang Juni nach einem insgesamt kühlen und verregneten Frühjahr. Die Spitzenabflüsse lagen deutlich über dem HQ 50 und knapp unter HQ 100

28 Hochwasserprognose (CEU Daten)

29 Hochwasserprognose (CEU Daten)

30 Hochwasserprognose (CEU Daten)

31 Hochwasserprognose (DWD Daten)

32 Hochwasservorhersage mit HWVOR

33 Fazit und Ausblick Der konsequente Einsatz moderner Datenverarbeitungsmethoden ermöglicht eine robuste und weitestgehend automatisiert ablaufende operationelle Hochwasservorhersage. Die Kombination von georelationaler Datenhaltung, Geoinformationssystemen und prozessorientierter Modellierung verspricht qualitativ hochwertige Ergebnisse. Dennoch hängt die Vorhersagegüte in hohem Maße von der Qualität der verwendeten Eingangsdaten, insbesondere von der Niederschlagsvorhersage ab. Deshalb sollte die resultierende Unsicherheit der Abflussprognosen explizit evaluiert und kommuniziert werden. Integration weiterer Datenquellen zur Modellparametrisierung (z.b. Niederschlagsradar) und Modellvalidierung (z.b. Fernerkundungsdaten) könnte zu einer weiteren Modellverbesserung bei gleichzeitig reduzierter Unsicherheit führen. Die gesamte Produktkette befindet sich derzeit in Entwicklung. Erste Ergebnisse werden zu Beginn 2015 im Internet veröffentlicht werden.

34 Talsperre Hohenwarte mit aktiver Hochwasserentlastung am