Lead
Dieses Forschungsprojekt setzt sich zum Ziel, mit Hilfe von verbesserten Regen-Abfluss-Modellen und Inferenzverfahren zu zuverlässigeren Vorhersagen von Abflusssignaturen (Spitzen, Ganglinien, etc.) in natürlichen Einzugsgebieten zu gelangen.

Lay summary

Ziele des Forschungsprojektes:

Es ist seit langem bekannt, dass auf grossen Zeitskalen sowohl Regen- als auch Abflusszeitreihen bemerkenswert universellen Skalengesetzen folgen. Dies deutet darauf hin, dass viele der klein-skaligen Prozesse im Zustandekommen dieser gross-skaligen Gesetze keine Rolle spielen, und letztere daher mit relativ einfachen stochastischen Modellen beschrieben werden können. Dies wollen wir ausnützen um zu zuverlässigeren Abflussprognosen insbesondere von Extremereignissen zu gelangen.

Stochastische Modelle an gemessenen Daten zu kalibrieren und die resultierende Parameterunsicherheit abzuschätzen ist eine sehr rechenintensive Aufgabe, welche wir mit unseren neu entwickelten Algorithmen angehen werden. Dies wird uns erlauben die Unsicherheiten in den geschätzten Modell-Parametern zuverlässiger zu schätzen und damit auch die Zuverlässigkeit der Prognosen zu erhöhen.

Eine einfache Art und Weise stochastische Modelle zu kalibrieren besteht darin, bloss gewisse Signaturen von Regen und Abflusszeitreihen mit entsprechenden simulierten Signaturen zu vergleichen. Dies ist insbesondere für Einzugsgebiete ohne gemessene Ganglinien interessant. Oft kann man nämlich aufgrund klimatischer und geologischer Eigenschaften des Einzugsgebietes dennoch Aussagen über gewisse Regen-Abfluss-Signaturen machen. Skalengesetze sind bisher in der Hydrologie im Zusammenhang mit Signaturen kaum berücksichtigt worden. Diese dürften aber wichtige Informationen über das zugrunde liegende Einzugsgebiet enthalten.

Wissenschaftlicher und gesellschaftlicher Kontext:

Zuverlässigere Prognosen von Abflusscharakteristika sind sowohl für den Hochwasserschutz als auch für die Prognose der Gewässerqualität sehr wichtig. Neben dieser Bedeutung für die Hydrologie werden die Einsichten aus diesem Projekt auch für die nichtlineare Zeitreihenanalyse im allgemeinen nützlich sein.