Simulering med ensembleprognoser som metode for å kunne predikere vannføring i vassdrag

Abstract

Ensembleprognoser basert på nedbør og temperaturdata fra MetCoOp Ensemble Prediction System-modellen (MEPS) er simulert i Distance Distribution Dynamics-modellen (DDD) med formål om å evaluere hvor godt prognoser er egnet til å predikere vannføring, og dermed kunne egne seg som grunnlag for tidlig flomvarsling i vassdrag.

Simulert vannføring fra prognosene er analysert og sammenliknet med observert vannføring i for å vurdere og evaluere DDD-modellens ytelse. Evalueringen er utført for perioden 2022 og benytter observasjoner for vannføring, nedbør og temperatur i nedbørsfeltet ved Grosettjern i Tinn kommune.

Sammenlikningen ble utført ved hjelp av utregning av root-mean-sqare-error (RMSE) for hele perioden, og Pearsons korrelasjonskoeffisient for tre hendelser med vannføring over 90% persentilen. Resultatene viser at den lokale DDD-modellen ikke klarer å forutsi tiden på vårflommen ved Grosettjern, og at den kan være hensiktsmessig å rekalibrere modellen. Årsaken er at modellen ikke klarer å forutsi snøsmeltingen til riktig tid, slik at simulert flomtopp opptrer før observert flomtopp. Da vårflommen i størst grad er temperaturdrevet, viser resultatene at det er hensiktsmessig å beskrive geografiske temperaturvariasjoner i feltet, selv for små nedbørsfelt. For høstflommen treffer DDD-modellen bedre på tidspunktet, men overestimerer vannføringen.

Ved sammenlikning med observert vannføring fordeles de mest presise vannføringene slik at prognose 7 (av totalt 30) har flest andel totale tidsledd med lavest utregnet RMSE. Om prognosene sammenliknes med simulert vannføring ser man en jevnere fordeling mellom prognosene. En svakhet med RMSE i denne sammenheng er at den vurderer avstanden mellom to verdier, uten å nødvendigvis ta hensyn til formlikhet i dataene.

For Grosettjern i 2022 er det 3 prognoser som utpeker seg som «best» for de tre største vannføringshendelsene. Prognose 13 er best for vårflommen, mens prognose 6 og 3 er best for henholdsvis tidlig og sen høstflom. Temperatur er den variabelen som korrelerer mest med vannføring for vårflom, mens nedbør korrelerer mest med vannføring for høstflom.

En ser at resultatene kan være nyttige for enn mer nøyaktig flomvarsling. Videre bør forsøket gjentas over en lengre tidsperiode, for å se om det opptrer gjentakende mønstre. I tillegg bør DDD-modellen kalibreres og valideres på nytt før videre bruk.

Ensemble forecasts based on precipitation and temperature data from the MetCoOp Ensemble Prediction System model (MEPS) are simulated in the Distance Distribution Dynamics-model (DDD) with the purpose of evaluating how well forecasts are suited to predict streamflow, and thus could serve as a basis for early flood warning in watersheds.

Simulated streamflow from the forecasts is analyzed and compared with observed streamflow to assess and evaluate the performance of the DDD-model. The evaluation is conducted for the period of 2022 and utilizes observations for streamflow, precipitation, and temperature in the catchment area at Grosettjern in Tinn municipality.

The comparison was performed by calculating the root-mean-square-error (RMSE) for the entire period and Pearson's correlation coefficient for three events with streamflow over the 90th percentile. The results indicate that the local DDD-model fails to predict the timing of the spring flood at Grosettjern and that it may be appropriate to recalibrate the model. The reason is that the model fails to predict the timing of snowmelt correctly, causing the simulated flood peak to occur before the observed flood peak. As the spring flood is largely temperature-driven, the results suggest that it is appropriate to describe geographical temperature variations in the area, even for small catchment areas. For the autumn flood, the DDD-model better predicts the timing but overestimates the streamflow.

When compared with observed streamflow, the most accurate streamflows are distributed such that forecast 7 (out of a total of 30) has the highest proportion of total time steps with the lowest calculated RMSE. When the forecasts are compared with simulated streamflow, a more even distribution between the forecasts is observed. A weakness of RMSE in this context is that it assesses the distance between two values without necessarily considering similarity in the data.

For Grosettjern in 2022, there are 3 forecasts that stand out as "best" for the three largest streamflow events. Forecast 13 is best for the spring flood, while forecasts 6 and 3 are best for early and late autumn floods, respectively. Temperature is the variable that correlates most with streamflow for the spring flood, while precipitation correlates most with streamflow for the autumn flood.

The results indicate that they could be useful for more accurate flood forecasting. Furthermore, the experiment should be repeated over a longer period to see if recurring patterns emerge. Additionally, the DDD-model should be recalibrated and validated again before further use.