Расчеты речного стока на основе модели SWAP для водосборов с недостаточным

информационным обеспечением

Институт водных проблем Российской академии наук

АЙЗЕЛЬ ГЕОРГИЙ ВЛАДИМИРОВИЧ

Научный руководитель:доктор биологических наук Гусев Евгений Михайлович

Москва - 2014

Актуальность темы исследования 2

Данные только с 42% постов могут быть использованы для задач расчета и прогноза речного стока

Водные ресурсы

Метеорология и гидрология

Известия РАН. Серия

географическая

Вестник Московского

Университета. География

Ученые записки РГГМУ

Вестник СпбГУ.

География, Геология

Journal of hydrology

Advances in Water

Resources

Environmental modelling &

Software

6 5 3 1 3 1 312 53 43

Современное состояние изученности проблемы 3

2003 – 2013 Prediction in Ungauged Basins (PUB) scientific decade (IAHS)19 рабочих групп из 15 стран мира

1 рабочая группа из России

Цель и задачи диссертационного исследования 4

Цель: расчет гидрографов речного стока на основе модели тепло- и влагообмена поверхности суши с атмосферой SWAP для водосборов c недостаточным информационным обеспечением

Задачи:1. Адаптация модели SWAP к глобальным базам данных характеристик почвенного и растительного покровов, а также базам данных метеорологических характеристик.2. Получение оптимальных параметров модели SWAP с помощью применения алгоритма автоматической калибровки.3. Проверка эффективности воспроизведения речного стока моделью SWAP с использованием оптимальных модельных параметров на различных масштабах ее локализации.4. Обзор существующих в научной литературе методов районирования параметров физико-математических гидрологических моделей для решения задач расчетов речного стока с водосборов недостаточно обеспеченных информацией.5. Разработка метода получения параметров гидрологической модели SWAP на основе использования аппарата искусственных нейронных сетей (ИНС) и глобальных баз данных ландшафтно-географических дескрипторов поверхности суши.6. Алгоритмическая реализация средствами программных комплексов и применение на исследуемом материале основных методов районирования модельных параметров, нашедших широкое распространение в научной литературе.7. Оценка эффективности воспроизведения модельных параметров используемыми группами методов районирования. Сравнение эффективности воспроизведения речного стока моделью SWAP на основе модельных параметров, полученных различными методами.8. Разработка и проверка устойчивости методики принятия решений по априорному выбору стратегии поиска модельных параметров в зависимости от географической локализации исследуемого речного водосбора.

Постановка проблемы 5

Гетерогенность процессов формирования речного стока и подстилающей поверхности

Неопределенность задания ряда модельных параметров

Автоматическая калибровка необходимых параметров гидрологической модели по наблюденным значениям речного стока

Водосборы с недостаточным информационным обеспечением (неизученные) – речные водосборы, для которых информация об измеренном гидрометрическом стоке либо полностью отсутствует, либо является недостаточной для нахождения ряда модельных параметров с помощью метода автоматической калибровки. Соответственно для таких водосборов невозможным является и расчет речного стока с использованием располагаемых физико-математических моделей.

Разработка альтернативных автоматической калибровке методов определения модельных параметров

Обзор методов 6

Районирование модельных параметров – весь набор методов, направленных на перенос доступной информации с изученного бассейна на неизученный

Исследуемые географические объекты 7

323 экспериментальных водосбора проекта MOPEX

Расчеты речного стока с использованием модели SWAP 8

Расчеты речного стока производились на основе использования физико-математической модели тепло- и влагообмена поверхности суши с атмосферой

SWAP (Soil Water – Atmosphere – Plants)

Теплый период

Холодный период

Расчеты речного стока. Информационное обеспечение 9

Расчеты речного стока. Калибровка ряда модельных параметров 10

Модельные параметры

1 Логарифм коэффициента фильтрации

2 Толщина почвенной колонки

3 Пористость

4 Наименьшая влагоемкость

5Матричный потенциал почвенной влаги

при насыщении

6 В-параметр Клэппа и Хорнбергера

7 Влажность завядания

8 Глубина корнеобитаемой зоны

9 Поправочный коэффициент к относительной площади листьев

10 Коэффициент шероховатости Маннинга

11 Поправочный коэффициент к альбедо

Калибровка модельных параметров SWAP по наблюденным значениям речного стока осуществлялась в автоматическом режиме с использованием модифицированного алгоритма SCE-UA (Shuffled Complex Evolution method of University of Arizona)

( )

( )∑ −

∑ −−=

Ω

Ω2

obsobs

2obssim

1xx

xxEff

Целевая функция:

Модификация: поиск не глобального оптимума, а условного.

Условие: |Bias| < 5%

%100 )(

obs

Ωobssim

∑∑

Ω

−=

x

xxBias

компромисс между стремлениями повысить эффективность расчета и

уменьшить его систематическую ошибку

Расчеты речного стока. Результаты 11

Расчеты речного стока для 323-х MOPEX-водосборов с использованием модели SWAP на основе оптимальных модельных параметров, полученных путем прямой

автоматической калибровки по наблюденному речному стоку

Медианы:

Eff = 0.652, |Bias| = 3.7%

для 90% водосборов Eff > 0.5

лишь в 7 случаях |Bias| > 5%

Разработка методики районирования модельных параметров на основе ИНС 12

Искусственные нейронные сети (ИНС) – исключительно мощный метод статистического моделирования, позволяющий

воспроизводить чрезвычайно сложные зависимости

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов)

Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами

Разработка методики районирования модельных параметров на основе ИНС 13

323 MOPEX-водосбора

210 водосборов на которых будет происходить обучение ИНС

113 «неизученных» водосборов для проверки эффективности разрабатываемой методики

Разделение случайным образом, выборки статичны

Разработка методики районирования модельных параметров на основе ИНС 14

Информационное обеспечение для обучения нейронных сетей

17 характеристик

природныхусловий

GSWP – 2+

MOPEX

ИНС

11параметров

модели SWAP

Многослойный персептрон (МП)

Радиальная базисная функция (РБФ)

Разработка методики районирования модельных параметров на основе ИНС 15

Число

скрытых слоев

Число нейронов на

Относительное время обучения

ИНС

первом скрытом слое

втором скрытом слое

мин макс мин макс

МП-1 2 1 27 1 17 400-500МП-2 2 1 17 1 7 250-300МП-3 1 1 17 100-150МП-4 1 1 7 40-80РБФ-1 1 1 800 4РБФ-2 1 1 400 2РБФ-3 1 1 200 1

Обучение нейронных сетей

Различные архитектуры; Применение оптимизационного алгоритма Левенберга-Маркара;

Кросс-проверка; Анализ чувствительности.

Результаты 16

Результаты применения ИНС к оценке модельных параметров

R1-коэффициент корреляции между оптимальными значениями параметра и рассчитанными с помощью построенной ИНС для обучающей выборки (210 бассейнов);

R2- коэффициент корреляции между оптимальными значениями параметра и рассчитанными с помощью построенной ИНС для выборки «не обеспеченных информацией» бассейнов (113 бассейнов)

Результаты 17

Расчеты речного стока на основе модели SWAP при параметрах водосборов, определенных с помощью ИНС

Результаты 18

Постериорная оценка эффективности расчетов речного стока.

«Концепция исключительности» - каждому водосбору соответствует своя базовая архитектура ИНС, единственно использование которой дает лучший и

приемлемый результат

Медианы:

Eff = 0.484

|Bias| = 13.7%

Применение методов физико-географического подобия 19

п/п

Характеристики

1 Полевая влагоемкость2 Пористость3 Коэффициент фильтрации4 Почвенный потенциал5 B-параметр6 Размер листа7 Глубина корнеобитаемой зоны8 Высота вегетации растительности9 LAI-индекс10 P/PE11 R/P12 E/PE13 Выстота над у.м.14 Площадь водосбора15 Почвенные16 Растительные17 Климатические18 Бассейновые19 Все

Расчеты речного стока на основе полученных наборов параметров

∑=

−=

n

i i

iditdt X

XXd

1

2

,,, σ

Критерий близости:

донор мишень

Применение методов пространственной геостатистики 20

п/п Реализации метода1 Метод обратно взвешенных расстояний2 Метод Криге3 Метод минимальной кривизны4 Метод естественной окрестности5 Метод ближайшего соседа6 Метод полиномиальной регрессии7 Метод радиальных базисных функций8 Метод Шепарда

9 Метод триангуляции с линейной интерполяции

10 Метод скользящего среднего11 Метод локальных полиномов12 Ансамблевое осреднение

Постериорная оценка эффективности расчетов речного стока

Результаты 21

Постериорная оценка эффективности расчетов речного стока

Результаты 22

Разработка методики принятия решений 23

Использование гидрологических классификаций

по структуре физических процессов, определяющих межгодовую изменчивость

речного стока (Ye et al., 2012)

по основным характеристикам речного стока (Sawicz et al., 2013)

Разработка методики принятия решений 24

Постериорная оценка

Соотн. методов. %

Eff |Bias|

4 / 23 / 73 0.56 9.8

Физико-географическое подобие

Лучший метод Eff |Bias|

Почвенные характеристики

0.51 11.2

Пространственная интерполяция и геостатистика

Лучший метод Eff |Bias|

Ближайшего соседа 0.46 8.9

ИНС

Лучший метод

Eff |Bias|

МП-3 0.43 21.2

Результаты 25

Проверка разработанной методики

Бассейн Eff |Bias|

3054500 0.69 8.55482500 0.71 4.42475000 0.72 2.92138500 0.70 8.47056000 0.63 26.34115000 0.40 27.914321000 0.83 2.46914000 0.69 1.912358500 0.58 5.79132500 0.44 25.08033500 0.58 7.28103800 0.65 26.1

удовлетворительные результаты расчетов суточного слоя стока: высокая эффективность при допустимой систематической ошибке

методы физико-географического подобия обеспечивают лучшие результаты поиска необходимых модельных параметров в терминах эффективности расчетов речного стока,

выполненных на их основе

Полученные результаты и выводы 26

Результаты:

1. Впервые для выборки в 323 MOPEX-водосбора с помощью модели тепло- и влагообмена поверхности суши с атмосферой SWAP были рассчитаны суточные гидрографы стока.

2. Разработана и впервые применена методика районирования модельных параметров, опирающаяся на аппарат искусственных нейронных сетей и глобальные базы данных.

3. Расчеты речного стока для водосборов недостаточно обеспеченных информацией с использованием модельных параметров, полученных путем применения методики ИНС, показали удовлетворительные результаты.

4. Впервые для исследуемой выборки бассейнов, охватывающей основные ландшафтно-географические зоны США, были применены классические методы поиска модельных параметров в условиях отсутствия информации об измеренном стоке.

5. На основе информации о модельных параметрах, полученной с помощью применения классических методов геостатистики и физико-географического подобия, для каждого водосбора из исследуемой выборки был рассчитан гидрограф суточного стока.

6. На основе полученных в работе массивов модельных параметров и результатов модельных статистик эффективностей расчетов речного стока, была разработана методика принятия решений по выбору стратегии расчетов суточного слоя речного стока для неизученных бассейнов, заключающаяся в использовании районирования территории США по основным стоковым характеристикам на 12 зон. Разработанная методика принятия решений позволяет на удовлетворительном уровне рассчитывать слой суточного стока для водосборов, для которых получение модельных параметров затруднено.

Заключение.

Представленная тема диссертационного исследования является перспективной для дальнейшей разработки.

Основными направлениями в развитии данной тематики являются:

1.Количественные оценки речного стока с удаленных и необеспеченных данными наблюдений речных водосборов Севера и Востока РФ, находящихся в зоне потенциального хозяйственного освоения;

2.Оценки модельных параметров для речных водосборов с зарегулированным характером речного стока.

Тема относится к ключевым направлениям исследований взаимодействия человечества и гидрологического цикла суши, инициированных в рамках новой

декады исследований под эгидой МАГН:

«Pantha Rhei – everything flows», которая будет проходить с 2014 по 2024 гг.

27

СПАСИБО ЗА ВНИМАНИЕ