Regionalisierung hydrologischer Modelle mit Function Space Optimization

Zusammenfassung Das Schätzen von räumlich verteilten Parametern hydrologischer Modelle ist ein bereits lang erforschtes und anspruchsvolles Problem. Parameter-Transferfunktionen, die einen funktionellen Zusammenhang zwischen Modellparametern geophysikalischen Gebietseigenschaften herstellen, sind eine potenzielle Möglichkeit, Parameter ohne Kalibrierung zu schätzen. Function Space Optimization (FSO) symbolische Regressionsmethode, automatisiert Transferfunktionen aus Daten schätzen kann. Sie basiert auf einem textgenerierenden neuronalen Netzwerk, das Suche nach einer optimalen Funktion in kontinuierliches Optimierungsproblem umwandelt. In diesem Beitrag beschreiben wir Funktionsweise FSO geben Beispiel der Anwendung mit dem mesoscale Hydrological Model (mHM). Ziel Schätzung zweier für KSat (gesättigte hydraulische Leitfähigkeit) FieldCap (Feldkapazität). Dafür verwenden 7 großer deutscher Einzugsgebieten über Zeitraum 5 Jahren zum weiterer numerischer Parameter. Die resultierenden Funktionen werden weitere 222 Validierungsgebiete Validierungsperiode 35 angewendet. Mit diesen „unbeobachteten“ Gebieten können Übertragbarkeit zumindest regionale Gültigkeit überprüfen. Ergebnisse zeigen, dass bei unbeobachteten Modellgüte ähnlichen Wertebereich wie den Trainingsgebieten liegt somit weiterhin akzeptabel ist. Nash-Sutcliffe Efficiency (NSE) Validierungszeitraum unterscheidet sich medianen Wert 0,73 nicht nennenswert NSE 0,65. Zusammengefasst haben Potenzial, Vorhersagefähigkeiten, andere Gebiete sowie physikalische Interpretierbarkeit bestehender verbessern. wurde ersten Mal objektive, datengetriebene Methode entwickelt, geschätzt können.