A platform for research: civil engineering, architecture and urbanism
A platform for research: civil engineering, architecture and urbanism
Regionalisierung hydrologischer Modelle mit Function Space Optimization
https://orcid.org/http://orcid.org/0000-0002-3545-864X
https://orcid.org/http://orcid.org/0000-0002-5388-2831
https://orcid.org/http://orcid.org/0000-0003-3939-1523
https://orcid.org/http://orcid.org/0000-0002-9843-6798
https://orcid.org/https://orcid.org/0000-0002-8449-4428
https://orcid.org/http://orcid.org/0000-0002-6616-2876
Das Schätzen von räumlich verteilten Parametern hydrologischer Modelle ist ein bereits lang erforschtes und anspruchsvolles Problem. Parameter-Transferfunktionen, die einen funktionellen Zusammenhang zwischen Modellparametern und geophysikalischen Gebietseigenschaften herstellen, sind eine potenzielle Möglichkeit, Parameter ohne Kalibrierung zu schätzen. Function Space Optimization (FSO) ist eine symbolische Regressionsmethode, die automatisiert Transferfunktionen aus Daten schätzen kann. Sie basiert auf einem textgenerierenden neuronalen Netzwerk, das die Suche nach einer optimalen Funktion in ein kontinuierliches Optimierungsproblem umwandelt.
In diesem Beitrag beschreiben wir die Funktionsweise von FSO und geben ein Beispiel der Anwendung mit dem mesoscale Hydrological Model (mHM). Ziel der Anwendung ist die Schätzung zweier Transferfunktionen für die Parameter KSat (gesättigte hydraulische Leitfähigkeit) und FieldCap (Feldkapazität). Dafür verwenden wir Daten 7 großer deutscher Einzugsgebieten über einen Zeitraum von 5 Jahren zum Schätzen der Transferfunktionen und weiterer numerischer Parameter. Die resultierenden Funktionen und Parameter werden ohne weitere Kalibrierung auf 222 Validierungsgebiete über eine Validierungsperiode von 35 Jahren angewendet. Mit der Anwendung in diesen „unbeobachteten“ Gebieten können wir die Übertragbarkeit und die zumindest regionale Gültigkeit der Transferfunktionen überprüfen.
Die Ergebnisse zeigen, dass bei einer Anwendung in unbeobachteten Gebieten die Modellgüte in einem ähnlichen Wertebereich wie in den Trainingsgebieten liegt und somit weiterhin akzeptabel ist. Die Nash-Sutcliffe Efficiency (NSE) in den Trainingsgebieten über den Validierungszeitraum unterscheidet sich mit einem medianen Wert von 0,73 nicht nennenswert von dem der Validierungsgebiete mit einem medianen NSE von 0,65.
Zusammengefasst haben Transferfunktionen das Potenzial, die Vorhersagefähigkeiten, Übertragbarkeit auf andere Gebiete sowie physikalische Interpretierbarkeit bestehender hydrologischer Modelle zu verbessern. Mit FSO wurde zum ersten Mal eine objektive, datengetriebene Methode entwickelt, mit der Transferfunktionen geschätzt werden können.
Regionalisierung hydrologischer Modelle mit Function Space Optimization
https://orcid.org/http://orcid.org/0000-0002-3545-864X
https://orcid.org/http://orcid.org/0000-0002-5388-2831
https://orcid.org/http://orcid.org/0000-0003-3939-1523
https://orcid.org/http://orcid.org/0000-0002-9843-6798
https://orcid.org/https://orcid.org/0000-0002-8449-4428
https://orcid.org/http://orcid.org/0000-0002-6616-2876
Das Schätzen von räumlich verteilten Parametern hydrologischer Modelle ist ein bereits lang erforschtes und anspruchsvolles Problem. Parameter-Transferfunktionen, die einen funktionellen Zusammenhang zwischen Modellparametern und geophysikalischen Gebietseigenschaften herstellen, sind eine potenzielle Möglichkeit, Parameter ohne Kalibrierung zu schätzen. Function Space Optimization (FSO) ist eine symbolische Regressionsmethode, die automatisiert Transferfunktionen aus Daten schätzen kann. Sie basiert auf einem textgenerierenden neuronalen Netzwerk, das die Suche nach einer optimalen Funktion in ein kontinuierliches Optimierungsproblem umwandelt.
In diesem Beitrag beschreiben wir die Funktionsweise von FSO und geben ein Beispiel der Anwendung mit dem mesoscale Hydrological Model (mHM). Ziel der Anwendung ist die Schätzung zweier Transferfunktionen für die Parameter KSat (gesättigte hydraulische Leitfähigkeit) und FieldCap (Feldkapazität). Dafür verwenden wir Daten 7 großer deutscher Einzugsgebieten über einen Zeitraum von 5 Jahren zum Schätzen der Transferfunktionen und weiterer numerischer Parameter. Die resultierenden Funktionen und Parameter werden ohne weitere Kalibrierung auf 222 Validierungsgebiete über eine Validierungsperiode von 35 Jahren angewendet. Mit der Anwendung in diesen „unbeobachteten“ Gebieten können wir die Übertragbarkeit und die zumindest regionale Gültigkeit der Transferfunktionen überprüfen.
Die Ergebnisse zeigen, dass bei einer Anwendung in unbeobachteten Gebieten die Modellgüte in einem ähnlichen Wertebereich wie in den Trainingsgebieten liegt und somit weiterhin akzeptabel ist. Die Nash-Sutcliffe Efficiency (NSE) in den Trainingsgebieten über den Validierungszeitraum unterscheidet sich mit einem medianen Wert von 0,73 nicht nennenswert von dem der Validierungsgebiete mit einem medianen NSE von 0,65.
Zusammengefasst haben Transferfunktionen das Potenzial, die Vorhersagefähigkeiten, Übertragbarkeit auf andere Gebiete sowie physikalische Interpretierbarkeit bestehender hydrologischer Modelle zu verbessern. Mit FSO wurde zum ersten Mal eine objektive, datengetriebene Methode entwickelt, mit der Transferfunktionen geschätzt werden können.
Regionalisierung hydrologischer Modelle mit Function Space Optimization
https://orcid.org/http://orcid.org/0000-0002-3545-864X
https://orcid.org/http://orcid.org/0000-0002-5388-2831
https://orcid.org/http://orcid.org/0000-0003-3939-1523
https://orcid.org/http://orcid.org/0000-0002-9843-6798
https://orcid.org/https://orcid.org/0000-0002-8449-4428
https://orcid.org/http://orcid.org/0000-0002-6616-2876
Das Schätzen von räumlich verteilten Parametern hydrologischer Modelle ist ein bereits lang erforschtes und anspruchsvolles Problem. Parameter-Transferfunktionen, die einen funktionellen Zusammenhang zwischen Modellparametern und geophysikalischen Gebietseigenschaften herstellen, sind eine potenzielle Möglichkeit, Parameter ohne Kalibrierung zu schätzen. Function Space Optimization (FSO) ist eine symbolische Regressionsmethode, die automatisiert Transferfunktionen aus Daten schätzen kann. Sie basiert auf einem textgenerierenden neuronalen Netzwerk, das die Suche nach einer optimalen Funktion in ein kontinuierliches Optimierungsproblem umwandelt.
In diesem Beitrag beschreiben wir die Funktionsweise von FSO und geben ein Beispiel der Anwendung mit dem mesoscale Hydrological Model (mHM). Ziel der Anwendung ist die Schätzung zweier Transferfunktionen für die Parameter KSat (gesättigte hydraulische Leitfähigkeit) und FieldCap (Feldkapazität). Dafür verwenden wir Daten 7 großer deutscher Einzugsgebieten über einen Zeitraum von 5 Jahren zum Schätzen der Transferfunktionen und weiterer numerischer Parameter. Die resultierenden Funktionen und Parameter werden ohne weitere Kalibrierung auf 222 Validierungsgebiete über eine Validierungsperiode von 35 Jahren angewendet. Mit der Anwendung in diesen „unbeobachteten“ Gebieten können wir die Übertragbarkeit und die zumindest regionale Gültigkeit der Transferfunktionen überprüfen.
Die Ergebnisse zeigen, dass bei einer Anwendung in unbeobachteten Gebieten die Modellgüte in einem ähnlichen Wertebereich wie in den Trainingsgebieten liegt und somit weiterhin akzeptabel ist. Die Nash-Sutcliffe Efficiency (NSE) in den Trainingsgebieten über den Validierungszeitraum unterscheidet sich mit einem medianen Wert von 0,73 nicht nennenswert von dem der Validierungsgebiete mit einem medianen NSE von 0,65.
Zusammengefasst haben Transferfunktionen das Potenzial, die Vorhersagefähigkeiten, Übertragbarkeit auf andere Gebiete sowie physikalische Interpretierbarkeit bestehender hydrologischer Modelle zu verbessern. Mit FSO wurde zum ersten Mal eine objektive, datengetriebene Methode entwickelt, mit der Transferfunktionen geschätzt werden können.
Regionalisierung hydrologischer Modelle mit Function Space Optimization
Regionalization of hydrological models using function space optimization
Feigl, Moritz (author) / Herrnegger, Mathew (author) / Schweppe, Robert (author) / Thober, Stephan (author) / Klotz, Daniel (author) / Samaniego, Luis (author) / Schulz, Karsten (author)
Österreichische Wasser- und Abfallwirtschaft ; 73 ; 281-294
2021-08-01
14 pages
Article (Journal)
Electronic Resource
German
Hydrologische Modellierung , Parameterregionalisierung , Deep Learning , Vorhersage in unbeobachteten Einzugsgebieten Hydrological modelling , Parameter regionalization , Deep Learning , Predictions in ungauged basins Engineering , Engineering, general , Water Industry/Water Technologies , Chemistry/Food Science, general , Waste Water Technology / Water Pollution Control / Water Management / Aquatic Pollution , Waste Management/Waste Technology
Erratum zu: Regionalisierung hydrologischer Modelle mit Function Space Optimization
| Springer Verlag | 2021
Einfluss von Unsicherheiten auf die Kalibrierung urban-hydrologischer Modelle
| TIBKAT | 2015
Einfluss von Unsicherheiten auf die Kalibrierung urban-hydrologischer Modelle
| UB Braunschweig | 2015
Kopplung hydrologischer und hydrodynamischer Modelle zur Erstellung von Hochwassergefahrenkarten
| HENRY – Federal Waterways Engineering and Research Institute (BAW) | 2012