Details zur Publikation

Kategorie Textpublikation
Referenztyp Zeitschriften
DOI 10.1007/s00506-021-00766-0
Lizenz creative commons licence
Titel (primär) Regionalisierung hydrologischer Modelle mit Function Space Optimization. Regionalization of hydrological models using function space optimization
Autor Feigl, M.; Herrnegger, M.; Schweppe, R.; Thober, S.; Klotz, D.; Samaniego, L. ORCID logo ; Schulz, K.
Quelle Österreichische Wasser- und Abfallwirtschaft
Erscheinungsjahr 2021
Department CHS
Band/Volume 73
Heft 7-8
Seite von 281
Seite bis 294
Sprache deutsch
Topic T5 Future Landscapes
Keywords Hydrologische Modellierung; Parameterregionalisierung; Deep Learning; Vorhersage in unbeobachteten Einzugsgebieten; Hydrological modelling; Parameter regionalization; Deep Learning; Predictions in ungauged basins
Abstract

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.   

The estimation of distributed hydrological model parameters is a long studied and challenging problem. Parameter transfer function, i.e. mathematical equations that describe the relationship between model parameters and geo-physical catchment properties, make it possible to potentially estimate parameters without the need for calibration. Function Space Optimization (FSO) is a symbolic regression method for automatically estimating parameter transfer functions from data. FSO is based on a text generating neural network that transforms the search for a best fitting transfer function into a continuous optimization problem.

In this contribution we discuss FSO and its characteristics and show its applicability with the mesoscale Hydrological Model (mHM). The aim of this application is the estimation of transfer functions for two model parameters: KSat (saturated hydraulic conductivity) and FieldCap (field capacity). We use the data of 7 large German Basins and 5 years of data to estimate the transfer functions and additional numerical parameters of mHM. The resulting functions und parameters are applied without any further calibration to 222 validation basins with 35 different years of data. By applying the model in these “ungauged” basins, it is possible to estimate the transferability in time and space of the estimated transfer functions.

The application in ungauged basins result in model performance values which are in similar range compared to the training basins. The median Nash-Sutcliffe Efficiency (NSE) in the training basins in the validation time-period is 0.73, while the median NSE of the validation basins in the same time period is 0.65.

Transfer functions have the potential to increase the performance, the transferability, and the physical interpretability of the model parameters of existing hydrological models. FSO is the first objective, data-driven method for estimating parameter transfer functions for hydrological models.

dauerhafte UFZ-Verlinkung https://www.ufz.de/index.php?en=20939&ufzPublicationIdentifier=24707
Feigl, M., Herrnegger, M., Schweppe, R., Thober, S., Klotz, D., Samaniego, L., Schulz, K. (2021):
Regionalisierung hydrologischer Modelle mit Function Space Optimization. Regionalization of hydrological models using function space optimization
Österreichische Wasser- und Abfallwirtschaft 73 (7-8), 281 - 294 10.1007/s00506-021-00766-0