Dealing with artificial trans-catchment diversions during runoff interpolation with TopKriging

Abstract

Überleitungen sind künstliche Eingriffe an Flüssen und sind, bedingt durch den hohen Grad an Wasserkraftnutzung, in den Alpen reichlich vorhanden. Aber auch in den flacheren Gebieten sind sie vorzufinden und beeinflussen dadurch das natürliche Abflussgeschehen an Flüssen.Besonders Überleitungen zwischen Pegeleinzugsgebieten führen zu einer erhöhten Unsicherheit der and den Pegeln gemessenen Zeitreihen. Diese wiederum finden als Eingangsdaten für aktuelle Emissionsmodellierungen auf Einzugsgebietsebene, wie etwas MoRE, Verwendung. Diese Unsicherheiten beeinflussen sowohl die Berechnungen als auch die davon gewonnenen Erkenntnisse. Daraus wird die Genauigkeit der Modelle negativ beeinflusst, was ein Ärgernis für jene darstellt, die mit diesen Modellen arbeiten oder von diesen Ergebnissen abhängen.Erstaunlich wenig Forschung wurde diesem Thema gewidmet, obwohl solche Modelle zu einem hohen Grad von genauen und zuverlässigen Eingangsdaten abhängen.Die vorliegende Diplomarbeit diskutiert dieses Thema und zeigt eine Methode, mit der durch Berücksichtigung von Überleitungen zwischen Pegeleinzugsgebieten die Eingangsdaten solcher Modelle sowie deren Unsicherheiten verbessert werden. Als Bezugsgröße für Überleitungen wurde die Überleitungsfläche verwendet, welche in vielen Fällen von offiziellen Quellen bezogen wurde.Damit wurden dann die Einzugsflächen der betroffenen Pegel korrigiert.Das STOBIMO Projekt führt eine Stoffbilanzmodellierung, basierend auf dem MoRE Modell, für Spurenstoffe auf Einzugsgebietsebene aus. An einem Eingangsdatensatz dieseses Projektes welcher aus jährlichen mittleren Abflüssen (MQ) besteht, wird diese Methode angewendet.Im STOBIMO Projektbericht [3] wurde über Unsicherheiten durch Überleitungen bereits berichtet.Denn ungefähr 17% der verwendeten Pegel im Projektgebiet sind beeinflusst durch Überleitungen.Daher wurden die relevanten Überleitungen identifiziert, quantifiziert und verwendet, um die gemessenen Datenreihen der Pegel zu verbessern. Mit TopKriging wurde eine Interpolation der gemessenen Abflussspenden durchgeführt und anschließend in ein geeignetes Format für das MoRE Modell des STOBIMO Projektes überführt. Um die angewandte Methode zu überprüfen, wurden bei den relevanten Unternehmen Überleitungsdaten erhoben. Die meisten Unternehmen waren interessiert und lieferten Daten zu Überleitungen, welche dann für die Validierung verwendet wurden.Eine Kreuzvalidierung zeigte, dass die Güte der Interpolationeffizienz mit TopKriging für überleitungs beeinflusste Pegel um 83%, von 0,40 zu 0,73 Nash-Sutcliffe-Modelleffizienz (NSE),verbessert wurde. Für das ganze Projektgebiet betrugen die allgemeinen Verbesserungen 11%, von 0,63 zu 0,70 NSE. Ein Vergleich der simulierten Abflüsse im MoRE Modell zu den beobachteten Abflüssen der Pegel, zeigte für überleitungs beeinflusste Pegel eine Verbesserung der Prognoseeffizienz um 51%, von 0,63 zu 0,95 NSE. Verbesserungen gab es auch für das ganze Projektgebiet,diese betrugen 3%, von 0,92 zu 0,95 NSE.

Diversions, artificial interventions on rivers, are abundant all over the alpine regions due to thehigh number of hydropower stations, but also in the mid and low lands which cause a disturbance of the natural flow regime. Specially, those between catchments, hence trans-catchment diversions,lead to uncertainties in the observed datasets that are used as input to current catchment scaleemissions models like MoRE. Those uncertainties influence the calculation and further the results,which consequently reduce the accuracy of those models. It is a bother to those who work with these models or depend on their results. Although these models rely on accurate and reliable data as input, surprisingly very little research addresses this topic.This issue is discussed in the submitted master thesis. A method is evaluated to take trans catchment diversions in account, to improve input data and to reduce data uncertainty. Diversions were related to a diversion area, which were in many cases already available, and with that the catchment area of a runoff gauging station was corrected.This approach is applied to an input dataset with annual MQ values for the STOBIMO project,a substance transport study using the MoRE model, where problems with diversions have been reported. Around 17% of the runoff gauging stations in the study area are affected by diversions.Therefore, the relevant diversions were identified, quantified, and used to correct the runoff gaugedata. With TopKriging an interpolation was carried out and then transformed to an appropriated input format for the STOBIMO project. To validate this approach, all companies of the related diversions were asked for validation data and most were keen to provide observed diversion data for further use.Cross-validation indicated that TopKriging prediction efficiency, measured in Nash-Sutcliffeefficiency (NSE), for diversion affected gauges can be increased by 83% from 0.40 to 0.73 and forthe whole study area (17% diversion affected gauges) by 11%, hence from 0.63 to 0.70. Prediction comparison showed that MoRE runoff prediction efficiency (NSE) can be significantly improved for the diversion affected gauges by 51% from 0.63 to 0.95 and for the whole study area by 3%,hence from 0.92 to 0.95 in general.