Bart Van Osnabrugge

Prognoses (forecasts) van hydrologische variabelen zijn een bruikbare en kosteffectieve manier om betere beslissingen te nemen omtrent watermanagement. Zulke hydrologi-sche verwachtingen worden gemaakt aan de hand van een serie van verschillende com-ponenten die samen moeten werken om een voorspelling te creëren. Onderdeel van deze trein aan modellen is het hydrologische model. Op het gebied van hydrologisch model-leren wordt er steeds meer gewerkt met ruimtelijk gedistribueerde modellen. Ook voor het operationele systeem voor afvoervoorspellingen voor de Rijn en de Maas, RWsOS Ri-vieren, worden zulke modellen op grid basis overwogen. Tegelijkertijd worden dergelijke hoge resolutie modellen ook gebruikt voor ensemble verwachtingen en gecombineerd met data-assimilatie methodes.

Daarnaast is er nog een aantal specifieke randvoorwaarden waar rekening mee gehouden moet worden wanneer het gaat om operationele hydrologische voorspellingen:
• Onmiddelijke beschikbaarheid van de benodigde datastromen;
• De systemen zijn continu in gebruik;
• De beschikbare verwerkingstijd is beperkt;
• Beslissingen moeten worden genomen op basis van onzekere verwachtingen.

De combinatie van ruimtelijk expliciete modellen en het gebruik van ensembles en data-assimilatie leidt tot nieuwe uitdagingen, vooral in combinatie met de specifieke rand-voorwaarden behorende bij operationele voorspellingen. In dit proefschrift wordt een aantal van deze operationele aspecten, ofwel de uitdagingen die ontstaan op het raakvlak tussen bestaande theorie en de genoemde randvoorwaarden, onderzocht.

In Hoofdstuk 3 wordt neerslaginterpolatie onder de loep genomen in het geval van be-perkte near-real time beschikbaarheid van neerslaggegevens. Specifiek wordt onderzocht hoe een betrouwbare ruimtelijke verdeling van de neerslag kan worden bepaald op ba-sis van een beperkte dataset die in near-real time beschikbaar is. Dit wordt gedaan op basis van klimatologische neerslagverdelingen die zijn afgeleid van een grotere, niet in real-time beschikbare, dataset. De resultaten laten zien dat de geteste genRE methode succesvol informatie gebruikt over de ruimtelijk verdeling van de neerslag uit de klima-tologische neerslagkaarten en zo de ruimtelijke interpolatie verbetert.

Hoofdstuk 4 kijkt naar het effect dat verschillende potentiële verdampingsproducten (PET) hebben op de hydrogische voorspelling. Het operationele aspect dat hiermee wordt on-derzocht is de keuze tussen het gebruik van een PET klimatologie, gebaseerd op een lange tijdreeks van historische PET, en het uitrekenen van PET in near-real time op basis van actuele gegevens en weersverwachtingen. Op basis van een twintigjarige reforecast zijn skill scores uitgerekend voor beide gevallen. Hieruit blijkt dat er voor een tiendaagse voorspelling nauwelijks verschil is tussen de twee methodes.

Hoofdstuk 5 beschrijft een methode om het hydrologische wflow_sbm model te para-meterizeren op basis van pedotransferfuncties uit de literatuur en publiekelijk beschik-bare ruimtelijke gegevens zoals bodemeigenschappen. De modelparameters worden geschaald van de hoogste dataresolutie naar verschillende lagere resoluties waarop de modelberekeningen worden uitgevoerd. De resultaten laten zien dat de voorgestelde methode zorgt voor redelijk tot goede prestaties op het gebied van het voorspellen van afvoeren. Ook blijven de hydrologische fluxen, zoals verdamping, behouden wanneer er wordt gewisseld tussen verschillende ruimtelijke modelresoluties. Deze schaalbaarheid en het feit dat bij deze methode niet gekalibreerd wordt, zijn eigenschappen die voordelig zijn in een operationele context.

In Hoofdstuk 6 wordt het Ensemble Kalman Filter (EnKF) gebruikt om te onderzoeken of het assimileren van waterstandsmetingen van de Zwitserse meren bijdraagt aan betere afvoervoorspellingen. De resultaten laten zien dat waterstandsmetingen van meren op deze manier kunnen bijdragen aan betere voorspellingen, maar dat het resultaat sterk afhangt van hoe goed de afvoeren van de meren worden gemodelleerd.

Hoofdstuk 7 gebruikt het Asynchrone Ensemble Kalman Filter (AEnKF) om afvoermetingen te assimileren in het gedistribueerde model voor de Rijn op het niveau van deelstroomge-bieden. De data-assimilatie wordt vergeleken met de ARMA-nabewerkingsmethode. Re-sultaten laten zien dat ARMA zeer goede resultaten geeft voor de eerste twee dagen van de verwachting, maar dat data-assimilatie meer consistente verbeteringen geeft voor langere tijd vooruit.

Naast de wetenschappelijke relevantie op het gebied van operationeel voorspellen van afvoeren, geven de resultaten uit deze hoofdstukken ook aanleiding tot specifieke ad-viezen over het verbeteren van hydrologische prognoses voor het Rijnstroomgebied. Het wordt aangeraden om:
• de methodes die gebruikt zijn in dit proefschrift over te nemen en om daarvan een continu geactualiseerde database bij te houden samen met (een selectie van) alle andere data die binnenkomt in het operationele systeem;
• de data-assimilatie toe te passen zoals gebruikt in Hoofdstuk 7, met de kantteke-ning dat de gebruikte implementatie nog verder geoptimaliseerd kan worden voor de verschillende deelstroomgebieden;
• verdere ontwikkelingen aan het hydrologische model te baseren op de hydrologi-sche modelleeromgeving wflow, op basis van de visie ‘kies eerst een framework, en dan pas een concept;’
• te investeren in een workflow voor automatische benchmarking van resultaten voor validatie en om verdere ontwikkelingen te bevorderen.

Dit advies past in een bredere visie op hoe state-of-the-art systemen voor hydrologische voorspellingen er uit zullen zien in de toekomst. Toekomstige systemen:
• zijn modulair qua opzet, met uitwisselbare componenten;
• hanteren geïntegreerde methodes om de onzekerheid van voorspellingen te bepalen, in combinatie met gekoppelde hydrologische, meteorologische en ecologische mo-dellen;
• houden rekening met de gebruiker als integraal onderdeel van het systeem en wor-den ook sociale aspecten meegenomen in het voorspellingsproces;
• kenmerken zich door vergevorderde integratie van verschillende bronnen van in-formatie die elkaar aanvullen;
• zijn multi-inzetbaar en leveren gegevens aan een breed spectrum van eindgebruik-ers;
• zijn zelfverbeterend door middel van standaard benchmarking en continue verbe-teringsprocessen;
• worden beheerd en geëxploiteerd door consortia die gezamenlijk de nodige ex-pertise en middelen hebben voor zulke geavanceerde systemen.