Low Flow Prediction in Time and Space
Total Page：16
File Type：pdf, Size：1020Kb
Low flow prediction in time and space An adaptive statistical scheme for regional climate change impact assessment Von der Fakultät für Bauingenieurwesen und Geodäsie der Gottfried Wilhelm Leibniz Universität Hannover zur Erlangung des akademischen Grades Doktor-Ingenieurin - Dr.-Ing. - genehmigte Dissertation von Anne Fangmann, M.Sc. geboren am 26.07.1986 in Lohne 2017 Referent: Prof. Dr.-Ing. Uwe Haberlandt Korreferent: Assoc. Prof. Dipl.-Ing. Dr.techn. Gregor Laaha Tag der Promotion: 01.12.2017 Danksagung Mein Dank richtet sich vor allem an Prof. Dr.-Ing. Uwe Haberlandt. Ohne seine Ideen, sein Wissen und die gute Betreuung während meiner Zeit am Institut für Hydrologie und Wasserwirtschaft wäre diese Arbeit nicht zustande gekommen. Vielen Dank für die Unterstützung, die ständige Motivation und neuen Anregungen, und dafür, dass ich so viel bei Ihnen lernen durfte. Außerdem möchte ich mich bei den Mitgliedern meiner Promotionskommission bedanken: bei Assoc. Prof. Dipl.-Ing. Dr.techn. Gregor Laaha für die Übernahme des Korreferats, sowie bei Prof. Dr. rer. nat. Insa Neuweiler und Prof. Dr.-Ing. Karl-Heinz Rosenwinkel als Mitglieder des Promotionskollegiums. Ein großer Dank gilt außerdem Hannes Müller und Bastian Heinrich, die bei allen arbeitsbezogenen und privaten Sorgen zur Stelle waren und mir von Anfang an eine äußerst angenehme Zeit am Institut beschert haben. i Erklärung Hiermit versichere ich eidesstattlich, dass ich 1. die Regeln der geltenden Promotionsordnung kenne und eingehalten habe und mit einer Prüfung nach den Bestimmungen der Promotionsordnung einverstanden bin, 2. die Dissertation selbst verfasst habe, keine Textabschnitte von Dritten oder eigener Prüfungsarbeiten ohne Kennzeichnung übernommen und alle von mir benutzten Hilfsmittel und Quellen in meiner Arbeit angegeben habe, 3. Dritten weder unmittelbar noch mittelbar geldwerte Leistungen für Vermittlungstätigkeiten oder für die inhaltliche Ausarbeitung der Dissertation erbracht habe, 4. die vorliegende Dissertation noch nicht als Prüfungsarbeit für eine staatliche oder andere wissenschaftliche Prüfung eingereicht habe, 5. die gleiche oder eine in wesentlichen Teilen ähnliche Arbeit bei keiner anderen Hochschule als Dissertation eingereicht habe und auch keine andere Abhandlung als Dissertation eingereicht habe, 6. damit einverstanden bin, dass die Dissertation auch zum Zwecke der Überprüfung der Einhaltung allgemein geltender wissenschaftlicher Standards genutzt wird, insbesondere auch unter Verwendung elektronischer Datenverarbeitungsprogramme. Hannover, den 01.09.2017 Anne Fangmann ii Abstract A comprehensive regional assessment of climate change impacts on low flows requires prediction of streamflow characteristics in time and space under consideration of non- stationarity. Three aspects of low flow estimation are analyzed, i.e. prediction in time, in space and simultaneously in time and space. For all three types, various methods are analyzed that all pose basic statistical approaches. The aim is the provision of fast and simple tools for inclusion into model ensembles for regional climate change impact assessment. Target variables for all methods are annual low flow index values, extracted from daily average discharge series measured all over Lower Saxony. Temporal low flow prediction via extrapolation of trends and patterns of low flow time series without any climatic input data appeared to be of high uncertainty and highly dependent on the period used for model calibration. Their application is therefore discouraged. Strong relationships could be found between meteorological and low flow indices at the individual catchments, which were successfully used to build multiple linear regression (MLR) models that appear promising for prediction of future low flows based on input of climate model data. For prediction of average low flow values in space, MLR models that relate the respective flow indices to catchment characteristics appeared to outperform geostatistical methods. The set of external variables primarily consisted of temporally aggregated meteorological indices rather than physiographic variables. The index flood method proved suitable for regional low flow frequency analysis and outperformed direct MLR regionalization for quantile prediction. A combined approach for spatiotemporal estimation of low flows via panel data regression was tested on three levels, i.e. direct prediction of annual low flow values, prediction of flood index values and fitting of stationary regional distribution functions, and spatiotemporal estimation of L-moments. It turned out that the direct approach gave the best results. The L-moment regionalization exhibited major issues with prediction of higher order moments and the index flood approach bases on too many assumptions that cannot hold under non-stationary scenarios. The performance of spatiotemporal modeling of annual low flow values surpassed station-wise temporal prediction and subsequent regionalization. Keywords: low flow, statistical modeling, spatiotemporal prediction iii Kurzfassung Eine umfangreiche regionale Folgenabschätzung des Klimawandels auf Niedrigwasser- abflüsse bedarf der Schätzung von Abflusscharakteristiken in Zeit und Raum unter besonderer Berücksichtigung von Instationaritäten. Drei Aspekte der Niedrigwasser- prognose werden hier analysiert, nämlich die zeitliche, die räumliche und die kombinierte Schätzung in Zeit und Raum. Für alle drei Arten werden unterschiedliche Methoden untersucht, die auf einfachen statistischen Ansätzen basieren. Ziel ist die Bereitstellung schneller und einfacher Werkzeuge, die in Modellensembles bei der Klimafolgenforschung berücksichtigt werden können. Zielvariablen für alle Methoden sind jährliche Niedrigwasser- indizes, abgeleitet aus Tageszeitreihen des Abflusses verteilt über ganz Niedersachsen. Zeitliche Niedrigwasserprognose durch Extrapolation von Trends und Mustern in Niedrigwasserzeitreihen ohne Hinzunahme klimatischer Eingangsdaten ergab große Unsicherheiten und hing stark von der Wahl des Kalibrierungszeitraumes ab. Die Anwendung in der Praxis wird deshalb nicht empfohlen. Es konnten straffe Zusammen- hänge zwischen meteorologischen Kenngrößen und Niedrigwasserindizes für die einzelnen Einzugsgebiete festgestellt und zur Formulierung multipler linearer Regressionsmodelle (MLR) genutzt werden. Die Anwendung dieser Modelle auf Basis von Klimamodelldaten scheint aussichtsreich. Für die Schätzung von mittleren Niedrigwasserkenngrößen im Raum erzielten MLR- Modelle wesentlich bessere Ergebnisse als geostatistische Methoden. Die wichtigsten Einflussgrößen sind dabei zeitlich aggregierte meteorologische Größen. Physiographische Größen stellten sich als eher unwichtig heraus. Die Index-Flood-Methode eignete sich für die regionale Niedrigwasseranalyse und übertraf MLR bei der räumlichen Prognose von Niedrigwasserquantilen. Ein kombinierter Ansatz zur räumlich-zeitlichen Prognose von Niedrigwasserkenngrößen mithilfe der Paneldatenregression wurde auf drei unterschiedliche Arten angewandt: zur direkten Prognose jährlicher Indexwerte, zur Schätzung von Indexwerten mit Anschließender Anpassung regionaler Verteilungsfunktionen und zur räumlich-zeitlichen Prognose von L-Momenten. Die direkte Prognose lieferte die besten Ergebnisse. Bei der Regionalisierung von L-Momenten stellte sich heraus, dass es Schwierigkeiten bei der Regionalisierung der Momente höherer Ordnung gab. Die Annahmen der Index-Flood- Methode können im Fall von instationärem Niedrigwasserverhalten nicht standhalten. Die Leistung des räumlich-zeitlichen Modells zur Schätzung jährlicher Indexwerte übertraf die stationsweise temporäre Schätzung mit anschließender Regionalisierung. Schlagworte: Niedrigwasser, statistische Modellierung, räumlich-zeitliche Prognose iv Table of contents 1 Introduction ............................................................................................................................ 1 1.1 Background ....................................................................................................................... 1 1.2 Motivation and objectives ................................................................................................. 2 1.3 Overview ........................................................................................................................... 3 2 State of the art ........................................................................................................................ 4 2.1 Temporal aspects of streamflow prediction ..................................................................... 4 2.2 Streamflow regionalization ............................................................................................... 7 2.3 Spatiotemporal considerations ....................................................................................... 12 3 Study area and data ............................................................................................................. 14 3.1 Study area ...................................................................................................................... 14 3.2 Data ................................................................................................................................ 15 3.2.1 Discharge data ........................................................................................................ 15 3.2.2 Climate data ............................................................................................................ 16 3.2.3 Physiographic