un modelo hidrológico distribuido

Transcripción

1 Estudio del efecto de escala espacial en un modelo hidrológico distribuido Miguel Ignacio Barrios Peña Director: Dr. Félix Francés García

2 Introducción Limitaciones para la representación de procesos a diferentes escalas: Heterogeneidad de características ambientales (parámetros) Variabilidad espacio-temporal de input No-linealidad en procesos hidrológicos Propiedades emergentes

3 Introducción Upwards (Klemes, 1983;Dooge, 1986) Downwards (Francés, 2011) (Sivapalan, 2005)

4 Introducción Por qué estudiar Efectos de escala y Escalado? Necesidad de vincular «microestados» y «macroestados» Reconciliar upwards y downwards Mejorar el conocimiento de las macro no-linealidades

5 Introducción: escalas espaciales de estudio Microescala: Soporte mínimo en el cual son válidas las ecuaciones

6 Introducción: escalas espaciales de estudio Microescala: Soporte mínimo en el cual son válidas las ecuaciones Mesoescala: Escala mayor en la cual se utilizan parámetros efectivos

7 Introducción Efecto de escala agregando procesos no lineales: Y S = g S 2 = g θ S 1, X S 1 θ S1, X 1 ( ) ( ) ( ) ( ) ( ) Parámetro efectivo: valor que busca reproducir el proceso agregado en la mesoescala (Wigmosta y Prasad, 2005) No es el valor medio en la microescala Puede perder sentido físico en la mesoescala No son estacionarios

8 Problema de investigación Indagar las propiedades p y utilidad de la aplicación de parámetros efectivos no estacionarios en el escalado de parámetros hidrológicos

9 Objetivos generales Analizar el efecto de la heterogeneidad de los parámetros del suelo en la microescala sobre los parámetros efectivos en la mesoescala, utilizando el mismo modelo hidrológico en ambas escalas Proponer ecuaciones de escalado ld que relacionen los parámetros en la microescala con los parámetros en la mesoescala, para mejorar los resultados de modelización y evaluar su funcionamiento en una cuenca de estudio

10 Metodología general 1.- Efecto de escala espacial: Campos de parámetros Formulación inversa que incluye la agregación del flujo en la microescala Cálculo de parámetros efectivos no estacionarios en la mesoescala y Estudio de sus propiedades (Barrios y Francés, 2011)

11 Metodología general 2.- Ecuaciones de escalado (de la microescala a la mesoescala): Funciones de distribución derivadas Ecuaciones empíricas no lineales 3.- Aplicación de las ecuaciones de escalado Implementación en la cuenca experimental de Goodwin Creek Experimento sintético Evaluación de resultados (Barrios y Francés)

12 (1/3) Efecto de escala espacial

13 Efecto de escala espacial: procesos Procesos no-lineales Almacenamiento estático: X = Max 0; X H + H Excedente 2, t [ 1, t u 1, t] Infiltración capilar 1, t 1, t 2, t Y = Min ETP λ ; H ET 1t 1 Almacenamiento superficial: Infiltración gravitacional D = X X Almacenamiento 1, 1, t X Min X t k = ; Δ 3, t 2, t s estático Almacenamiento superficial (Francés et. al., 2002)

14 Efecto de escala espacial: campos aleatorios Generación de campos aleatorios de parámetros H u y k s : PDF de H u [Beta(a,b)]: PDF de k s [LN(µ,σ)]: ( a b ) a b 1 u ( ) ( ) ( ) 1 1 u a Γ b Γ + f = H H Γ 1 e ksσ 2π Autocorrelación espacial básica tipo exponencial: Algoritmo de muestreo (Pinder( y Celia, 2006): ) Muestreo por Hipercubo Latino Factorización de Cholesky f = ( ln ks μ) 2 2 σ 2 ρ ( h ) = e 3h a

15 Efecto de escala espacial: campos aleatorios Estadísticos de los campos Microescala S1 Escalas espaciales Mesoescala S2 # de realizaciones Tamaño Notación [m 2 ] [m 2 ] 1 x 1 5 x 5 S2a x 1 15 x 15 S2b x 1 45 x 45 S2c x x 100 S2d 5000 μ (H u ) μ (k s ) CV=σ/μ Longitudes de correlación: a = 2.5, 5, 10, 50, 75, 100, 150, 250, 500, 2500 y 5000 m

16 Efecto de escala espacial: parámetros en la mesoescala Agregación: Excedente Infiltración gravitacional n 2 [ 2 ] = 2i i= 1 n X [ ] 3 S2 = X3 i i= 1 X S X Agregación del flujo Parámetros efectivos en la mesoescala (solución inversa): H [ S 2] = X [ S 2] + H [ S 2] X [ S 2] u t 1 t 1 t 2 t k s [ S 2 ] t ( ) 1 X 2[ S2] t t X 3[ S2] t X 2[ S2] Δ = t = X ( ) 1 3[ S2] t Δ t X 3[ S2] t > X 2[ S2] t

17 Efecto de escala espacial: parámetros en la mesoescala H u y k s tienen una fuerte dependencia de las variables de estado e input, y son sensibles a la heterogeneidad en la microescala: Valores sensibles al CV Baja influencia de la estructura de dependencia espacial (magnitud) en contraste con CV

18 Efecto de escala espacial: parámetros en la mesoescala Factor de reducción de varianza (VRF) ( u [ S2] ) H [ S1] V RF 1 ( H Var H u ) = = ρ 2 σ ( u ) ( s [ S2] ) ( ks [ S1] ) Var k VRF1 ( ks ) = = ρ 2 σ ( Hu [ S1] ) ( ks [ S1] ) Var( H [ S2], t) σ ( H [ S1], t) u = = ρ ( H 1[ S1] t ) VRF 2 ( H u, t ) ρ H [ S 1], t Var( ks[ S2], t) Δt VRF2 ( ks,) t = = ρ [ 1], 2 σ ( X 3 [ S 1], t ) ( X 3 S t)

19 Efecto de escala espacial: tamaño de celda - REA REA: la escala más pequeña en la cual se minimiza el efecto del patrón de variabilidad espacial, área umbral en la que se puede identificar una respuesta media similar en diferentes localizaciones (Wood, et al., 1988)

20 Efecto de escala espacial: tamaño de celda - REA Cuando l 2 > a, comienza a ser menos importante la representación del patrón de variabilidad espacial

21 Efecto de escala espacial: tamaño de celda - REA REA está relacionada con l 2 /a y remueve el efecto del patrón espacial. La disminución de VRF en REA puede influir en la selección de un tamaño de celda óptimo (Wood, et al., 1988)

22 Efecto de escala espacial: selección de tamaño de celda Tamaño de celda óptimo Depende de criterios adicionales muy importantes: Resolución de datos de entrada disponibles Objetivos de la modelación en un caso concreto Discretización requerida para las variables de salida Escala de validez de los modelos utilizados para representar los procesos hidrológicos relevantes

23 (2/3) Ecuaciones de escalado

24 Ecuaciones de escalado Parametrización de heterogeneidades: de la microescala a la mesoescala

25 Ecuaciones de escalado: procesos no lineales Almacenamiento estático: Excedente X 2, t = Max [ 0; X1, t H u + H1, t ] Infiltración capilar ET D = X X 1, t 1, t 2, t Y = Min ETP λ; H 1, t 1, t Almacenamiento superficial: X = Min X ; t k 3, Δ 2, Infiltración gravitacional t t s Almacenamiento gravitacional: Percolación X = Min X ; t k 4, Δ 3, t t p (Francés et. al., 2002) Almacenamiento estático Almacenamiento superficial Almacenamiento gravitacional

26 Funciones de distribución derivadas Método de dos pasos («two-step approach»): Y = g X ( ) 1) Calcular la CDF de Y: Y P ( ) F y = g X y ( ) ( ) 2) Diferenciar para obtener la PDF: f Y y ( ) = df Y dy y ( )

27 Funciones de distribución derivadas Caso de a =0! Capacidad de almacenamiento estático: H u [ S2] t a 1 b 1 nt ( 1 w) Hu Γ ( a+ b) Hu Hu = 1 dhu + 0 Λ Γ( a) Γ( b) Λ Λ a 1 b 1 Λ w+ nt t t t t n t ( 1 w) H 1, 1 + X 1, Γ ( a + b ) H 1, 1 H 1, 1 1 Λ w Γ( a) Γ( b) Λ w Λ w dh 1, t 1 Conductividad hidráulica saturada del suelo: k s [ S2] t = 0 X 3max ( X3 Δt) + 2 ( X ) ( X3 Δt) 2 ( X ) ( X3 Δt) 2 ( X ) F F F F F F ks X 3 ks X 3 ks X 3 Δt Conductividad hidráulica saturada del sustrato: k p [ S 2 ] t 0 = X 4max ( 4 / Δ ) + 3 ( 4) ( 4 / Δ ) 3 ( 4) ( 4 / Δ ) 3 ( 4) F X t F X F X t F X F X t F X k X k X k X p p p Δt

28 Funciones de distribución derivadas Comprobación vía simulaciones de Monte Carlo:

29 Funciones de distribución derivadas La deducción analítica de funciones de distribución conjuntas y funciones de distribución condicionadas para incorporar dependencia espacial es bastante compleja, dada la no linealidad de las ecuaciones del flujo Alternativa: regresión no-lineal

30 Ecuaciones de escalado empíricas Capacidad de almacenamiento estático en la mesoescala: ( X1, t + H1, t ω1 ) ln Hu [ S2] t = ( X1, t + H1, t) 1 Φ + ω 2 H u ln [ S1] Φ ( X1t + H1t ω1 ) ω 1, 1, ω ω 2 2 Parámetros relacionados con CV(H u [S1]) y l 2 /a

31 Ecuaciones de escalado empíricas Capacidad de almacenamiento estático en la mesoescala:

32 Ecuaciones de escalado empíricas Conductividad hidráulica saturada del suelo en la mesoescala: { ( )} ε ( X 2 ; α ) k [ S2] = k [ S1] ε X 2 [ S2] ; α s t s t X { } [ S2 ] 1 [ S 2 ] 2 2 t t ; Parámetro relacionado con CV(k s [S1]) y l 2 /a

33 Ecuaciones de escalado empíricas Conductividad hidráulica saturada del suelo en la mesoescala:

34 Ecuaciones de escalado empíricas Conductividad hidráulica saturada del sustrato del suelo en la mesoescala: { ( )} ε ( X 3 ; β ) k [ S2] = k [ S1] ε X3 [ S2] ; β p t p t X 3 { } [ S2 ] 1 [ S2 ] t t Parámetro relacionado con CV(k p [S1]) y l 2 /a

35 Ecuaciones de escalado empíricas Conductividad hidráulica saturada del sustrato del suelo en la mesoescala:

36 (3/3) Aplicación de las ecuaciones de escalado

37 Cuenca de estudio Cuenca experimental de Goodwin Creek Área de la cuenca: 21.6 km 2 Río efímero Escorrentia Hortoniana 16 estaciones pluviográficas (resolución temporal de 5 minutos) 6 estaciones de aforo (calibración ió en la salidadelacuenca) DEM: 30x30 m 2 Cinco eventos de crecida seleccionados en el periodo de 1981 a 1983: caudal pico de 38 a 106 m 3 /s

38 Escenarios modelados Tres escalas de información, con o sin ecuaciones de escalado Notación R1 R1+EE R2 R2+EE R3 R3+EE Escenarios Mapas con resolución de 30x30 m 2, sin ecuaciones de escalado Mapas con resolución de 30x30 m 2, con ecuaciones de escalado Mapas con resolución de 1740x1740 m 2, sin ecuaciones de escalado Mapas con resolución de 1740x1740 m 2, con ecuaciones deescalado ld Mapas con el promedio para toda la cuenca, sin ecuaciones de escalado Mapas con el promedio para toda la cuenca, con ecuaciones de escalado R1 R2 R3

39 Índices de evaluación de los modelos Cinco índices: Nash-Sutcliffe (NSE) Raíz cuadrada del error cuadrático medio (RMSE) NSE T ( Qˆ ) 2 t Qt = 1 t= 1 ( Q Q) 2 t= RMSE = 1 t T ( Q ˆ ) 2 t Qt T Error en volumen (E v ) Error en caudal pico (E Q ) E v V Vˆ = 100 V E Q Q ˆ p Qp = 100 Q Q p Error en tiempo al pico (E t ) E = t tˆ t p p

40 Calibración Calibración de factores correctores (FCs): FC1* FC3* FC4* FC5* FC6* FC9* Identificador Parámetro/Proceso afectado Almacenamiento estático Infiltración Velocidad del flujo en ladera Percolación Velocidad del flujo subsuperficial Velocidad del flujo en canales + 4 parámetros de EE Calibración automática (SCE-UA) minimizar: FO = 1 NSE = 1 1 T ( Qˆ ) 2 t Qt t= 1 ( Q ) 2 t Q R1, R1+EE, R2, R2+EE, R3 y R3+EE: calibrados en la salida de la cuenca

41 Validación espacial

42 Validación temporal

43 Validación espacio-temporal

44 Desempeño vs. área de sub-cuenca

45 Efecto de agregación - experimento sintético Campos de parámetros: Propiedad Modelo espacial Rango máximo Rango mínimo Dirección Meseta Pepita Media Desviación estándar Parámetro Hu ks kp Exponencial 200 m 100 m Exponencial 200 m 100 m Exponencial 200 m 100 m CV

46 Efecto de agregación - experimento sintético Parámetros de EE estimados: Resolución Parámetro Hu ks kp 600 m CV = 0.6 ω 1 = 4.5 CV = 0.6 α = 0.35 CV = 0.5 β = 1 l2 a> 3 ω 2 = 0.8 l2 a> 3 l2 a> m CV = 0.6 ω 1 = 4.5 CV = 1 α = 0.45 CV = 0.6 β = 1.2 l2 a> 3 ω 2 = 0.8 l2 a> 3 l2 a> 3 cuenca CV = 0.9 ω 1 = 3.5 CV = 2.1 α = 0.6 CV =1.2 β = 3 l2 a> 3 ω 2 = 1.2 l2 a> 3 l2 a> 3

47 Efecto de agregación - experimento sintético Sin calibración Con calibración

48 Conclusiones

49 Conclusiones La solución inversa propuesta permitió transferir la variabilidad del sistema en la microescala a la mesoescala a través de parámetros efectivos no estacionarios i A medida que la heterogeneidad se incrementa a nivel de microescala, es más probable encontrar valores del parámetro efectivo en la mesoescala inferiores al promedio del campo de valores en la microescala (mientras no se alcance la saturación) La varianza de los parámetros efectivos estimados en la mesoescala disminuye cuando aumenta la relación entre el tamaño de celda en la mesoescala y la longitud de correlación (l 2 /a). Esta propiedad es fundamental para identificar un tamaño de celda que tenga las características de REA

50 Conclusiones El efecto de la macro no-linealidad, la heterogeneidad de los parámetros y la variabilidad del input puede mitigarse mediante el uso de Ecuaciones de Escalado de parámetros efectivos no estacionarios La representación de la variabilidad a nivel de sub-celda es importante en la modelación hidrológica, particularmente: Se observó un mejoramiento sistemático del desempeño del modelo en las validaciones en puntos internos de la cuenca y para los eventos de crecida más pequeños En general, se encontró un mejor funcionamiento en validación de R1+EE y R2+EE en comparación con el modelo de referencia R1

51 Futuras líneas de investigación Se ha identificado que el efecto de escala espacial está relacionado con la magnitud del evento. Es importante investigar la existencia de umbrales de lluvia a partir de los cuales se minimice el efecto de escala espacial Esta tesis se ha centrado en el análisis del efecto de escala espacial en los parámetros hidráulicos del suelo (que representan dos tipos de no linealidad). Es necesario estudiar y entender los efectos de escala en otros procesos como la evapotranspiración ylapropagación del flujo

52 Futuras líneas de investigación Interesa abordar desde este mismo enfoque el efecto de escala espacial en otros modelos hidrológicos i distribuidos ib id para contrastar sus resultados con los resultados de esta investigación Implicaciones de la utilización de las ecuaciones de escalado en la incertidumbre del modelo Articular el conocimiento de los diferentes procesos hidrológicos que se han conceptualizado en la mesoescala con formulaciones desarrolladas en otras escalas

53 Agradecimientos Este trabajo ha sido subvencionado por el Ministerio Español de Ciencia e Innovación a través de los proyectos de investigación FLOOD-MED (ref. CGL C02-02/BTE) y Consolider-ingenio SCARCE (ref. CSD ). Y ha contado con el soporte del Programa ALβan, Programa de Becas de Alto Nivel de la Unión Europea para América Latina, beca No. E07D402940CO. Gracias por su atención