PhD: Real-time data assimilation for flood forecasting (Echtzeit-Datenassimilation für Hochwasservorhersage)

Das Forschungsprojekt «Real-time data assimilation for hydrological modelling and flood forecasting in equipped alpine catchments» ist Teil des kantonalen Systems MINERVE für die Vorhersage und das Management von Hochwassern im Wallis. Dieses Dissertationsprojekt wird vom Laboratoire de Constructions Hydrauliques(LCH) der EPFL betreut und von CREALP finanziert. Es wird ebenfalls in Partnerschaft mit dem Kanton Wallis, MeteoSchweiz, HydroCosmos und der Universitat Politècnica de València (UPV) durchgeführt und soll die Leistungsfähigkeit der hydrologischen Vorhersagen in alpinen Gebieten verbessern.

Die Implementierung des MINERVE-Systems hat ein gewisses Verbesserungspotential aufgezeigt, insbesondere in Bezug auf die räumliche Darstellung des Niederschlags, die Kalibrierung des hydrologischen Modells und die Assimilation von Echtzeitdaten. Dieses Dissertationsprojekt, hier MINERVE D3 (D=data, 3=3. Zyklus des MINERVE-Projekts) genannt, hat zum Ziel, diese Herausforderungen anzugehen.

Im Laufe des Jahres 2015 wurden in der Literatur verschiedene Methoden zur Verräumlichung von Niederschlagsdaten am Boden erforscht. Diese Methoden zielen darauf ab, die Niederschlagsmenge über das gesamte Gebiet bestmöglich zu schätzen. Die geostatistische Kriging-Methode wurde für die Entwicklung einer räumlichen Methode ausgewählt, die die Daten von Bodenstationen mit Wetterradardaten kombiniert. Im Jahr 2016(1. Phase des Projekts) wurde eine solche räumliche Methode für das Gebiet des Kantons Wallis entwickelt.

Die Leistung eines hydrologischen Modells hängt in erster Linie von seiner Parametrisierung ab und die Berücksichtigung neuer Datenquellen trägt zur Verbesserung der Parametrisierung bei. Die Modellierung der Schneeschmelzprozesse des GSM-SOCONT Modells, das im RS MINERVE Tool verwendet wird, basiert auf einem Parameter, der die Schmelzrate mit der Temperatur verknüpft. Im Jahr 2017(2. Phase des Projekts) wird eine Methode zur Optimierung der Kalibrierung dieses Parameters entwickelt, wobei Daten zur gemessenen Schneehöhe am Boden, Satellitenschätzungen der Schneedecke(MODIS) und ein Produkt des Wasseräquivalents von Schnee (entwickelt vom SLF) verwendet werden. Anschließend werden alle Parameter kalibriert und das hydrologische Modell verfeinert.

Sobald das Modell kalibriert ist, werden beobachtete Echtzeitdaten, wie Abfluss- und Schneehöhenmessungen, in das Vorhersagesystem integriert(3. Phase des Projekts). Dies ermöglicht die Optimierung der Zustandsvariablen des Modells, die als Anfangsbedingungen für die Berechnung der hydrologischen Vorhersage verwendet werden. In dieser Phase wurden verschiedene Methoden der Datenassimilation untersucht, um schließlich die optimale Methode zu definieren, die verwendet werden sollte.

Dieses Forschungsprojekt führte zu einer erheblichen Verringerung der Unsicherheiten und einer höheren Zuverlässigkeit der hydrologischen Vorhersagen.