Echtzeitvorhersage mit Hilfe Künstlicher Neuronaler Netze (KNN) Untersuchung der Möglichkeiten und Grenzen anhand der Simulation historischer Ereignisse Christian Gattke 2. Trierer Workshop zur Niederschlag-Abfluss-Modellierung 14. 15. September 2009
Gliederung Vor- und Nachteile des Einsatzes von KNN in der Hydrologie Methoden Fallstudie Traisen EZG Fallstudie Thur / Ill EZG Schlussfolgerungen 17.11.2009 2
Vor- und Nachteile Vorteile: Kein a priori Wissen über das zu modellierende System erforderlich Geringer Datenbedarf / geringer Aufwand bei der Modellbildung Geringer Kalibrierungsaufwand Weniger sensitiv gegenüber Datenfehlern / statistischem Rauschen Schnelle Rechenzeiten (Echtzeit) 17.11.2009 3
Vor- und Nachteile Nachteile: Kein a priori Wissen verwendbar / kein Erkenntnisgewinn Signifikante Systemveränderung (z.b. Bau eines HRB) erfordern Neu-Kalibrierung Extrapolationsfähigkeiten werden als gering eingeschätzt Autokorrelation des Abflusses / prediction lag effect, Vos & Rientjes (2005) 17.11.2009 4
Q [cbm/s] N [mm] Vor- und Nachteile Prediction lag effect bei Erweiterung des Vorhersagezeitraums 35 0 30 25 20 15 gemessen KNN (t+2) KNN (t+4) KNN (t+6) KNN (t+8) KNN (t+10) KNN (t+12) 2 4 6 8 10 12 10 14 5 16 18 0 20 0 50 100 150 200 250 300 350 400 t [h] 17.11.2009 5
Abfluss [m 3 /s] Vor- und Nachteile Evaluierung der Modellgüte über Summe der Fehlerquadrate Ganglinie um 6h verschoben / Nash-Sutcliffe 0.76 250 200 Vorhersage Beobachtung 150 100 50 0 1 13 25 37 49 61 73 85 97 109 121 133 145 157 Zeit [h] 17.11.2009 6
Methoden State-of-the-art Algorithmen-Bibliothek (entwickelt für Vorhersagen auf dem Energiemarkt): Künstliche Neuronale Netze (KNN) Adaptive Logische Netze (ALN) Fuzzy und Neuro-Fuzzy Logik ARMA, ARIMA, ARIMAX modelle Kalman-Filter 17.11.2009 7
Methoden Verwendete Netztypen ALN Künstliche Neuronale Netze (KNN) Adaptive Logische Netze (ALN) Einschichtiges KNN, Knoten in Binärbäumen gruppiert Ermöglicht ein überwachtes Lernen, bei dem die relevanten Einflussgrößen schrittweise selektiert werden 17.11.2009 8
Methoden ALN Überwachtes Lernen 17.11.2009 9
Fallstudie: Einzugsgebiet der Traisen Fallstudie Einzugsgebiet der Traisen Einzugsgebiet: Gewässer der Traisen in Niederöstereich (südlicher Zufluss zur Donau) Pegel Windpassing ( 700 km 2 ) Daten: 5 Jahre beobachteter Abfluss und Niederschlag (hochaufgelöst) aufgeteilt in Kalibrierung / Validierungs zeiträume + Verifizierungsereignis 2 Abflussereignisse mit Wiederkehrintervall > 20a 17.11.2009 10
Fallstudie: Einzugsgebiet der Traisen Traisen EZG Herzogenburg St. Pölten Windpassing St. Veit Türnitz Lilienfeld Hohenberg Ramsau Türnitz Hainfeld Innerhalbach Annaberg Kernfeld Fig. 1a: Discharge Gauges Fig. 1b: Climate Gauges 17.11.2009 11
Fallstudie: Einzugsgebiet der Traisen Modellkonfiguration Dreischichtige, sigmoides KNN mit 26 Eingangs-Neuronen, 9 versteckten Neuronen und einem Ergebnis-Neuron Eingangswerte: Beobachteter Abfluss der letzten 12 Stunden Beobachteter Niederschlag der letzten 12 Stunden Vorhergesagter Niederschlag der nächsten 12 Stunden (Zur Modell-Kalibrierung wurde gemessener Niederschlag anstelle der Vorhersage genutzt) Ergebniswert: Abfluss in 12 Stunden (t+12), kontinuierliche Simulation, Δt = 1h 17.11.2009 12
Fallstudie: Einzugsgebiet der Traisen Modellkonfiguration t -11 t 0 t +12 17.11.2009 13
Fallstudie: Einzugsgebiet der Traisen Modellergebnisse (Pegel Windpassing) Kalibrierung, NSE für gesamten Zeitraum = 0.966 17.11.2009 14
Fallstudie: Einzugsgebiet der Traisen Modellergebnisse (Pegel Windpassing) Verifizierung 120 mm 70 mm 17.11.2009 15
Fallstudie: Einzugsgebiet der Traisen Modellergebnisse (Pegel Lilienfeld, 300 km 2 ) Verifizierung (Erweiterung des Vorhersagezeitraums) 17.11.2009 16
Fallstudie: Einzugsgebiet der Traisen Niederschlagsvorhersage für August 2006 Vorhersage für t+1 12 10 Observed Forecasted t+1 8 6 4 2 0 04/08/2006 05/08/2006 06/08/2006 07/08/2006 08/08/2006 09/08/2006 10/08/2006 17.11.2009 17
Fallstudie: Einzugsgebiet der Traisen Niederschlagsvorhersage für August 2006 Vorhersage für t+2 12 10 Observed Forecasted t+2 8 6 4 2 0 04/08/2006 05/08/2006 06/08/2006 07/08/2006 08/08/2006 09/08/2006 10/08/2006 17.11.2009 18
Fallstudie: Einzugsgebiet der Traisen Niederschlagsvorhersage für August 2006 Vorhersage für t+3 12 10 Observed Forecasted t+3 8 6 4 2 0 04/08/2006 05/08/2006 06/08/2006 07/08/2006 08/08/2006 09/08/2006 10/08/2006 17.11.2009 19
Fallstudie: Einzugsgebiet der Traisen Niederschlagsvorhersage für August 2006 Vorhersage für t+4 12 10 Observed Forecasted t+4 8 6 4 2 0 04/08/2006 05/08/2006 06/08/2006 07/08/2006 08/08/2006 09/08/2006 10/08/2006 17.11.2009 20
Fallstudie: Einzugsgebiet der Traisen Niederschlagsvorhersage für August 2006 Vorhersage für t+5 12 10 Observed Forecasted t+5 8 6 4 2 0 04/08/2006 05/08/2006 06/08/2006 07/08/2006 08/08/2006 09/08/2006 10/08/2006 17.11.2009 21
Fallstudie: Einzugsgebiet der Traisen Modellergebnisse (Pegel Windpassing) Verifizierung mit Niederschlagsvorhersagen (KNN) 17.11.2009 22
Fallstudie: Einzugsgebiet der Traisen Modellkalibrierung ALN-Cluster ( <= 8 m 3 /s > ) Q beobachtet N beobachtet N Vorhersage 17.11.2009 23
Fallstudie: Einzugsgebiet der Traisen Modellergebnisse (Pegel Windpassing) Verifizierung mit Niederschlagsvorhersagen (ALN-Cluster) 17.11.2009 24
Fallstudie: Einzugsgebiete der Ill / Thur Fallstudie Einzugsgebiete der Ill und Thur (Süd- Elsass) Einzugsgebiet: Gewässer der Ill und der Thur im Elsass Pegel Staffelfelden / Thur Pegel Didenheim / Ill ( 650 km 2 ) Daten: 10 Jahre beobachteter Abfluss und Niederschlag (hochaufgelöst) aufgeteilt in Kalibrierung / Validierungs zeiträume + Verifizierungsereignis Verfizierungsereignisse (Jan 95, Thur / März 06, Ill) höchste beobachtete Abflüsse seit 1973 (20a Wiederkehrintervall) 17.11.2009 25
Fallstudie: Einzugsgebiete der Ill / Thur Vorhersageszenarien 3h Vorhersage des Abflusses ohne Verwendung von Niederschlagsvorhersagen 6h Vorhersage des Abflusses / Verwendung von 3h Niederschlagsvorhersagen (Radar-nowcasting) 12h Vorhersage des Abflusses / Verwendung von 12h Niederschlagsvorhersagen (nowcasting + regionales met. Modell) 17.11.2009 26
Fallstudie: Einzugsgebiete der Ill / Thur Modell Konfiguration Deterministisches Modell zur Simulation der Schneeakkumulatuion und schmelze. Berücksichtigung eines flüssigen Anteils in der Schneedecke und einer erhöhten Schmelzintensität durch Energiezufuhr aus Regen (Anderson 1973, Braun 1985) Adaptive Logic Networks (ALNs) zur Berechnung des Abflusses, Eingangsgrößen: Ausgabe des Schneemodels + Regen 17.11.2009 27
Fallstudie: Einzugsgebiete der Ill / Thur Modell Konfiguration Eingangswerte: - Beobachteter Abfluss der letzten 12 Stunden - Beobachtete Niederschläge der letzten 12 (Ill), 36 (Thur) Stunden - Niederschlagsvorhersage für die nächsten 0,3,12 Stunden (Zur Modellkalibrierung wurde gemessener Niederschlag anstelle der Vorhersage genutzt.) Ergebniswerte: Abfluss in 3,6,12 Stunden 17.11.2009 28
Fallstudie: Einzugsgebiete der Ill / Thur Simulated Snowmelt (Thur) 390 mm Precipitation + Snowmelt (22.1. 26.1.) 17.11.2009 29
Fallstudie: Einzugsgebiete der Ill / Thur Simulated Snowmelt (Ill) runoff coefficient 0.79 (62mm snowmelt + rain) 17.11.2009 30
Fallstudie: Einzugsgebiete der Ill / Thur Calibration / Validation results 3h Forecast 6h Forecast 12h Forecast Staffelfelden (Thur) Didenheim (Ill) 17.11.2009 31
Fallstudie: Einzugsgebiete der Ill / Thur Model Verification results (Thur) Nash-Sutcliffe Model Efficiency (NSE) for 6h forecast: 0.89 17.11.2009 32
Fallstudie: Einzugsgebiete der Ill / Thur Model Verification results (Thur) 17.11.2009 33
Fallstudie: Einzugsgebiete der Ill / Thur Model Verification results (Ill) 17.11.2009 34
Fallstudie: Einzugsgebiete der Ill / Thur Model Verification results (Ill) 17.11.2009 35
Schlussfolgerungen In der Kurzfristvorhersage können KNN im Scheitelanstieg bessere Ergebnisse liefern als konzeptionelle hydrologische Modelle Die Extrapolationsfähigkeiten scheinen zumindest nicht schlechter zu sein als bei hydrologischen Modellen Der Aufwand bei der Modellerstellung / -kalibrierung ist wesentlich geringer als bei hydrologischen Modellen KNN ersetzen keine hydrologische Modellierung in größeren EZG (Abbildungen von steuerbarenelementen wie HRB, Überleitungen usw.) KNN stellen eine sinnvolle Ergänzung dar 17.11.2009 36
Danksagung Franz Hauer Hydrographischer Dienst Niederösterreich Nicolas Kreis - Service Aménagement de Rivières Conseil Général du Haut-Rhin 17.11.2009 37
Referenzen Anderson, E. (1973): National Weather Service river forecast system - snow accumulation and ablation model. National Oceanographic and Atmospheric Administration (NOAA), Technical Memorandum NWS Hydro-17, 217 S. Braun, L. (1985): Simulation of snowmelt-runoff in lowland and lower alpine regions of Switzerland. Zürcher Geographische Schriften, 21. Vos, N. & Rientjes, T. (2005): Constraints of artificial neuronal networks for rainfall-runoff modelling: trade-offs in hydrological state representation and model evaluation, Hydrol. Earth Syst. Sci., 9, 111-126. 17.11.2009 38
Vielen Dank für Ihre Aufmerksamkeit! KISTERS AG Charlottenburger Allee 5 Tel. +49 241 96 71-0 info@kisters.de 52068 Aachen Fax +49 241 96 71-555 www.kisters.de