Usikkerheit i Hydrologiske Prognoser basert på Ensemble. Kossen i hule heite skal vi gjere dette????

Transkript

1 Usikkerheit i Hydrologiske Prognoser basert på Ensemble Kossen i hule heite skal vi gjere dette????

2 Innhald Glasskula.kva var no dette. Usikkerheit i prognosar kvifor bry seg med dette Bruk av meteorologiske ensemble Visjon Status Vegen vidare. Diskusjon!!!! For dette har vi ikkje klart korleis handtere side 2

3 side 3 Glasskula kva er det..

4 side 4 Glasskula

5 Glasskula Målet med prosjekt er å identifisere, kvantifisere og handtere usikkerheit i hydrologisk tilstand og prognose for å gje eit betre beslutningsgrunnlag for seinare trinn i produksjonsplanleggingsprosessen for vasskraftanlegg. for å kunne koble kostnader i form av tapte inntekter på grunn feil, dårleg eller usikker informasjon til kilda for usikkerheita i ein evalueringsprosess derved gje eit kost/nytte grunnlag for evt investeringar for reduksjon av usikkerheit side 5

6 ENKI - operativ fordelt hydrologisk modell Heilheitleg vassdragsforvaltning Hydrologiske prognoser Miljøvirknings analyser Flom beredskap Redskap for vannforvaltning Plattform for hydrologisk forskning Fordelt vassdrags modell ENKI - Mytologiens Gud over ferskvatn, visdom og magi Handtering av usikkerheit Oppdatering og tilbakekobling Vanntransport i fordelt modell Snømåling for fordelt modell Inngangsdata til fordelt modell Konsistent vannhushaldning side 6

7 side 7 Glasskula

8 Glasskula Delmål 1. Etablere ein metode for å finne kostnader relatert til usikkerheit. 2. Identifisere usikkerheit i dei ulike inngangsdataene til ein hydrologisk modell 3. Identifisere usikkeheit relatert til modellstruktur og parameterisering i modellen. 4. Kvantifisere usikkerheit i hydrologisk tilstand 5. Handtere usikkerheit i meteorologiske prognoser 6. Etabelere ein modell for estimering av sannsynleg tilsigsprognose og mogleg utfallsrom med tilknytta sannsyn. side 8

9 Delmål 1 1: Etablere metodikk for å finne kostnader relatert til usikkerheit produksjonsplanverktøy, historiske tilsigsprognoser og reelt tilsig utvikle metodikk for og deretter å estimere inntektspotensial ved å redusere usikkerheita. 1.1: Kostnader ved usikre tilsigsprognoser beregner kostnadene ved usikkerhet i prognosene. 1.2: Modell for prognosefeil fra HBV-modell avvik mellom målt og simulert tilsig tilpasses en enkel modell som beskriver sannsynlighetsfordelingen for feil i ulike situasjoner. utgangspunkt for bruk av stokastiske tilsigsprognoser i SHOP 1.3: Modell for prognosefeil fra fordelt modell I en regional fordelt modell brukes vesentlig mer input- og kalibreringsinformasjon enn i HBVmodellen, i tillegg til at struktur og ligningssett er et annet. Det utarbeides en feilmodell for den fordelte modellen som sammenlignes med den enkle HBV-feilmodellen. 1.4: Metodikk for kostnadsestimering og resultat for utvalgt case Vi vil så bruke simulering for å finne hva inntektene vil blitt med mindre feil i tilsigsprognosene. side 9

10 Delmål 2 2: Identifisere usikkerheit i dei ulike inngangsdata til ein hydrologisk modell Ved å sjå på HBV-modellen som ein deterministisk modell, ferdig kalibrert og med tilstanden nokre dagar tilbake i tid som kjent, kan vi undersøke kor stor usikkerheit i tilsigsvarsla vi får pga usikre inngangsdata. Frå resultata i delprosjekt 1 kan vi då kvantifisere kva usikkerheita i nedbørsfeltet kostar. Ut i frå dette kan ein finne nytteverdien av kvar observasjon ved å studere korleis denne påverkar usikkerheita i nedbør. Vidare kan nytteverdien av å redusere utsikkerheit ved å etablere nye stasjonar og plassere desse optimalt studerast. 2.1: Re-implementasjon og utvidelse av GRF-metoden Rutinen kan levere usikkerhets-anslag formulert enten som varians eller som ensembler. 2.2: Bayesiansk estimering av temperatur Metoden beskriver usikkerhet i form av et griddet kart som ledsager det interpolerte temperaturkartet. side 10

11 Delmål 3 3: Identifisere usikkeheit relatert til modellstruktur og parameterisering i modellen. Prosjektet vil bruke dagens operative integrerte HBV-modell og DEMLab, ein distribuert hydrologiske modell, for å studere nytteverdien av å ta i bruk meir informasjon og ein meir kompleks modell. Det vil bli etablert en feilmodell for vassføringsdata, og på grunnlag av denne utviklet kalibreringsrutiner som resulterer i fordelingar for parameterane. I forbindelse med oppdatering vil en implementere DYNIA-funksjonalitet (Wagener et al., 2003) i DEMLab, slik at en kan identifisere sesong- eller tilstandsavhengigheit i parameteranes optimalverdi og varians. 3.1: Usikkerhetsmodell for tilsigsdata For en pålitelig estimering av usikkerhet relatert til modellstruktur og parametre må en kjenne usikkerheten i kalibreringsdata. Her må en utvikle nye metoder for usikkerhetsberegning, og gis anbefalinger om anvendelse i kalibrering. 3.2: Analyse av parameterusikkerhet i fordelt modell I en regional, fordelt modell kalibrerer en på mange tilsigsserier, og har dermed langt mer informasjon enn for et enkeltfelt. Dette kan forventes å gi sikrere estimering av parametre, på bekostning av lokal tilpasning. side 11

12 Delmål 4 4: Kvantifisere usikkerheit i hydrologisk tilstand delprosjekt 2 og 3 kobla saman for å beskrive total usikkerheit i tilstanden som er utgangspunktet for prognoseperioden. På same måte som for inngangsdata vil verdien av betre informasjonsgrunnlag blir vurdert ved å sjå kva informasjon som i størst grad påverkar usikkerheita 4.1: Integrering av usikkerhet i inngangsdata og parametre til tilstands-usikkerhet Det etableres en bayesiansk rutine for å integrere de ulike kildene til usikkerhet i simulering med målt input. Dette resulterer i en beskrivelse av usikkerheten i modelltilstand ved det tidspunkt der en går over til varsla data. 4.2: Oppdatering av komplett modelltilstand ved tilsigsmåling Det etableres en forenklet usikkerhetsrutine der en kjører et antall simuleringer gjennom en oppdateringsperiode, med usikre inngangsdata og parametre. Dette gir en usikkerhetsfordeling som betinges på målt tilsig gjennom samme periode, slik at de ulike simuleringene tilordnes ulik sannsynlighet, som igjen gir grunnlag for informert vekting. side 12

13 Delmål 5 5: Handtere usikkerheit i meteorologiske prognoser Met.No, Storm og andre leverandørar tilbyr eit stort utval av prognosar. Eit utval av desse vil bli brukt i dette prosjektet. Det vil bli utvikla ein metodikk for å bruke fleire prognoser 1) å bruke dette til å kvantifisere usikkerheita i dei meteorologiske prognosane 2) studert korleis det å ta i bruk fleire prognoser kan bidra til å redusere usikkerheit. Ei kjent utfordring når ein bruker ensemble av meteorologiske prognoser til å kvantifisere usikkerheita er at dei ikkje er kalibrerte, dvs at dei ikkje har stor nok varians i forhold til den reelle usikkerheita. (Gneiting, 2008) side 13

14 Delmål 6 6: Etablere ein modell for estimering av sannsynleg tilsigsprognose med fordeling koble saman dei tidlegare delprosjekta. Vi skal finne sannsynsfordelinga til tilsigsprognosa i kvart tidssteg, og tidsavhengigheita. Vidare vil vi undersøke korleis den totale feilen blir redusert ved å gjennomføre usikkerheitsreduserande tiltak som testa i delprosjekta. Ved å koble dette mot metodikk frå delprosjekt 1, sjå kva som er mest kostnadseffektive tiltak. side 14

15 Glasskula ε Modell + ε Obs P + ε T + ε Prog P + ε Prog T = ε Prognose = ε Status side 15

16 side 16 Glasskula

17 side 17 Glasskula

18 side 18 Ensemble Prognoser

19 side 19 Kva er utfordringa?

20 side 20 Utfordringa

21 VISJON Tilsigsensemble.kor enkelt er det? side 21

22 Status Ensemble met prognoser har vore tilgjengeleg i lenger tid Til og med korrigerte ensemble prognoser. Muleg å sette opp datautval med utval prognoser i ICC Kan velge ensemble medlem og andre prognoser i kombinasjonar som ein sjølv måtte ynskje Begrensingar på kor mange modellar det let seg køyre for side 22

23 Status Tilsigsensemble kva så?..nokon skal ha eit svar side 23

24 VISJON = Time side 24

25 VISJON Time den kombinasjonen av desse om maksimaliserer inntekta er riktig. med fornuftig risiko. side 25

26 Løysing ensemble eller ei statistisk fordeling av tilsig og pris prosesserast i ein produksjons optimalseringsmodell Dette er lenger fram i tid I mellomtida må vi finne beste måten å velge den prognosa som skal brukast vidare i planprosessen I dag er dette overlatt til den enkelte produsenten Kva kan han hjelpe seg med side 26

27 Løysing Ensemble mean Kan vere betre enn å velge eit tilfeldig ensemble medlem Problem ved stor spreding, eit vått kluster og eit tørrt Mean av tilsigsprognoser.kan vere godt valg lapskaus.. Clustring.diskutert før men ingen konklusjon Hendelsesbasert Akvantusprosjektet undersøkte blant anna sannsynet for at ein hendelse vil opptre som funksjon av kor mange ensemble medlem dei er representert i side 27

28 Hendelsesbasert Oslo % treff med synop < > 40 N ensembler med hendelse side 28

29 Kva med langtidsprognoser? Korleis koble ensemble prognoser med klimatologi 52*70 = for mykje??? Prognose Klimatologi side 29