Statistische Methoden in der hydrologischen Vorhersage der BfG

Transkript

1 Statistische Methoden in der hydrologischen Vorhersage der BfG Bastian Klein, Dennis Meißner, Silke Rademacher Referat M2 - Wasserhaushalt, Vorhersagen und Prognosen Bundesanstalt für Gewässerkunde, Koblenz Kolloquium Statistische Methoden in der hydrologischen Vorhersagepraxis und deren Nutzen 13./14. September 2017 in Koblenz

2 Vorhersage bei der BfG Entwicklung von Vorhersagemodellen und systemen an Binnenwasserstraßen für die WSV (Rhein, inkl. Main und Mosel, Elbe, Donau, Eder, Nord-Ostsee-Kanal) für Institutionen der Bundesländer (Grenzoder, Main, Elbe, Rhein) kontinuierliche Weiterentwicklungen und Pflege der Modelle und Systeme Operationelle Berechnung und Veröffentlichung verkehrsbezogener Vorhersagen außerhalb von Hochwasserereignissen für Rhein und Donau ( Beratung von Vorhersagezentralen der Länder (Rhein, Main, Elbe, Grenzoder) Durchführung eigener sowie Beteiligung an nationalen / internationalen Forschungs- und Entwicklungsvorhaben (z.b. EU-Horizon2020 IMPREX) Seite 2

3 Mehr-Kanal-Filter MKF Ab 1975 Einsatz Mehrkanalfiltermodell MKF für Niedrigwasservorhersage Pegel Kaub Übertragungsfunktionen zwischen Systemeingang (z.b. um den Vorhersagezeitraum zeitverzögerte gemessene Abflüsse) und Systemausgang (z.b. Abfluss Vorhersagepegel) Ab 1980 HW-Vorhersage Pegel Koblenz auf Basis 6-stündlicher Wasserstandsänderungen von Pegeln im Rhein-, Lahn- und Moselgebiet Ab 1982 Erweiterung auf 15 Rheinpegel Vorhersagezeitpunkte 6:00, 12:00, 18:00 Separate Übertragungsfunktionen für die Wasserstandsänderung in 6 h, 12 h, 18 h, 24 h 60 Kanalfiltermodelle mit 500 Übertragungsfunktionen Seite 3

4 Mehr-Kanal-Filter MKF Ab 1975 Einsatz Mehrkanalfiltermodell MKF für Niedrigwasservorhersage Pegel Kaub Übertragungsfunktionen zwischen Systemeingang (z.b. um den Vorhersagezeitraum zeitverzögerte gemessene Abflüsse) und Systemausgang (z.b. Abfluss Vorhersagepegel) Ab 1980 HW-Vorhersage Pegel Koblenz auf Basis 6-stündlicher Wasserstandsänderungen von Pegeln im Rhein-, Lahn- und Moselgebiet Ab 1982 Erweiterung auf 15 Rheinpegel Vorhersagezeitpunkte 6:00, 12:00, 18:00 Separate Übertragungsfunktionen für die Wasserstandsänderung in 6 h, 12 h, 18 h, 24 h 60 Kanalfiltermodelle mit 500 Übertragungsfunktionen VZP Seite 4

5 Statistische Methoden in der BfG-Vorhersage Probabilistische 10- Tagesvorhersage Rhein Seite 5

6 Workflow probabilistische Vorhersage Echtzeit Messdaten Meteorologie Meteorologische Vorhersagen HBV Messdaten Abfluss AR- Korrektur Messdaten Wasserstand ARIMA (0,1,0) EMOS ECC SOBEK EMOS Korrektur Archivierte met. Vorhersagen Hindcast HBV Parameter schätzung EMOS ECC Hindcast SOBEK ARIMA (0,1,0) Korrektur AR- Korrektur Parameterschätzung EMOS Messdaten Meteorologie Messdaten Abfluss Messdaten Wasserstand Offline Abflussvorhersage Wasserstandsvorhersage Seite 6

7 Ermittlung probabilistische Vorhersagen Quantifizierung der meteorologischen Vorhersageunsicherheit über meteorologische Ensemblevorhersagen Problem: Unsicherheitsband von meteorologischen Ensemble-Vorhersagen sind im Allgemeinen zu schmal und sie weisen einen systematischen Fehler auf Anwendung statistischer Methoden zur Ermittlung probabilistischer Vorhersagen aus Ensemblevorhersagen ICON-EU ICON HRES COSMO-LEPS 16 ICON-EPS 40 ENS 51 GEFS Reforecast 11 Vorhersagezeitraum Seite 7

8 Ermittlung probabilistische Vorhersagen Ermittlung der Parameter der statistischen Methode Ensemble Output Statistics EMOS über die Nachrechnung vergangener Vorhersagen mit dem aktuellem Vorhersagesystem (Hindcasts) Ziel: Maximierung der Schärfe (sharpness) der Vorhersage unter der Bedingung guter Kalibrierung Seite 8

9 Ermittlung probabilistische Vorhersagen Ermittlung der Parameter der statistischen Methode Ensemble Output Statistics EMOS über die Nachrechnung vergangener Vorhersagen mit dem aktuellem Vorhersagesystem (Hindcasts) Ziel: Maximierung der Schärfe (sharpness) der Vorhersage unter der Bedingung guter Kalibrierung Seite 9

10 Ensemble Model Output Statistics EMOS Wahrscheinlichkeitsdichtefunktion Normalverteilung a b yˆ b yˆ b yˆ ˆ ˆ 1,, M, f y y y N Mittelwert Normalverteilung ist gewichtetes Mittel der Ensemblemitglieder Varianz Funktion der Varianz des Ensembles c d S 2 2 M M Ermittlung Parameter durch Minimierung probabilistisches Gütemaß CRPS Seite 10

11 Validierung Vorhersage Seite 11

12 Produkt Seite 12

13 Produkt Seite 13

14 Statistische Methoden in der BfG-Vorhersage Probabilistische 10- Tagesvorhersage Rhein Neuronale Netze Seite 14

15 Aktualisierung WAVOS Donau Seite 15

16 Aktualisierung WAVOS Donau Seite 16

17 Aktualisierung WAVOS Donau Seite 17 Große Anzahl von Staustufen im Bereich Neu-Ulm Kelheim Steuerung der Kraftwerke führte zu schlechten Simulationsergebnissen insbesondere bei NW Aufbau eines künstlichen neuronalen Netzes für die Abflusssimulation im Bereich Neu-Ulm bis Kelheim

18 Aktualisierung WAVOS Donau Seite 18

19 KNN Multilayer Perceptron (feedforward artificial neural network) Seite 19

20 Merkmale Es wurden zwei KNN (1 hidden layer) für verschiedene Abflussbereiche aufgebaut, um unterschiedliches Verhalten (z.b. Steuerung) abzubilden: größer (HQ) und kleiner (NQ) 400 m³/s Kombination der beiden Netze über Sigmoid-Funktion Pegel MQ [m³/s] Merkmal t(nq) [h] Neu-Ulm 124 M M M Harburg 12.1 M Augsburg 1146 M M M Mühlried 6.5 M t (HQ) [h] Offingen 12.5 M Seite 20

21 Validierung Trainingsperiode Validierungsperiode Seite 21

22 Statistische Methoden in der BfG-Vorhersage Probabilistische 10- Tagesvorhersage Rhein Neuronale Netze Seite 22

23 Statistische Methoden in der BfG-Vorhersage Statistische Post-Prozessierung Hemri, S: Statistische Post- Prozessierung von hydrologischen Ensemble-Vorhersagen Probabilistische 10- Tagesvorhersage Rhein Statistische Vorhersage Ionita, M.: Monthly to seasonal statistical prediction with application for the German and Romanian waterways and Arctic Sea Ice extent Datenassimilation Alvarado-Montero, R.: Assessment of predictive uncertainty using multimodel variational data assimilation Neuronale Netze Seite 23 Rekurrente Neuronal Netze Kobialka, H.-U.: Anwendung von Rekurrenten Neuronalen Netzen zur Abflusssimulation und vorhersage an Rhein, Mosel und Donau

24 Zusammenfassung Seit 1975 werden intensiv statistische Methoden in der Vorhersage der BfG eingesetzt. In F+E-Projekten (z.b. Seamless Prediction, IMPREX, HSAF) werden neue statistische Methoden entwickelt, die nach und nach in die operationelle Vorhersage überführt werden. Seit 04/2017 werden Stakeholdern des Projektes IMPREX präoperationell probabilistische 10-Tagesvorhersagen für 7 Vorhersagepegel entlang des Rheins zur Verfügung gestellt Seit 03/2012 werden an der Donau KNN in dem Wasserstandsvorhersagesystem WAVOS Donau operationell eingesetzt. Auch der Einsatz von statistischen Methoden erfordert weiterhin eine gute deterministische Beschreibung des hydro-meteorologischen Systems!!! Seite 24

25 Vielen Dank für Ihre Aufmerksamkeit! Dr.-Ing. Bastian Klein Referat M2 - Wasserhaushalt, Vorhersagen und Prognosen Bundesanstalt für Gewässerkunde Am Mainzer Tor Koblenz Tel.: 0261/ , Fax: 0261/ klein@bafg.de Projektpartner: Projektförderung: Horizon 2020 Framework Programme