Dr. Gerald A. Corzo Dr. Leonardo Alfonso
Prof. Dimitri Solomatine
Contenido Introducción
Inundaciones y modelos
Modelación de cuencas y sus limitaciones en terminos de datos
Ejemplo 1 (fusion de datos y su incertidumbre)
Escalas regionales
Escala de cuenca
Ejemplo 2 (Analisis de sequias debidas al cambio climatico)
Sequias desde modelos globales
Laboratorio de hidroinformatica
Conclusiones
En 1957 nació como parte de una iniciativa del Gobierno Holandés en la creación de institutos para apoyar al mundo en aéreas de vital importancia para el desarrollo mundial. En el año 2003 IHE Delft se convirtió en un instituto Categoría 1, de la UNESCO. Pertenece a la división de ciencias en la parte de ciencias naturales. Su punto focal es el Agua (water).
UNESCO-IHE organisation and structure
&
UNESCO-IHE Alumni community UNESCO-IHE Alumni Community
0 - 50 51-150 151-300 301-500 501-850 851-1200
Core Activities
El Agua En el campo de la
investigación encontraran la ciencia dividida principalmente en dos
Cantidad
Calidad
Cual es el problema a resolver? Inundaciones o sequias?
Pronósticos?
Análisis de riesgos?
Cambios debidos a fenómenos exógenos (Cambio Climático?)
Cambios debido a la intervención del hombre (Antropogénicos)
Qué tengo que obtener de mi modelo? Un flujo optimo (que es optimo) ?
El Balance hídrico?
Flujo ecológico, servicios eco-sistémicos?
Repercusiones debidas al Cambio Climático?
Modelos disponibles Un modelo Hidrológico
Conceptual Agrupado (Lumped) Semi-distribuido (IHMS-HBV) Distribuido (SWAT, Wflow)
MikeShe, otros. (Que contemplen balance de enrgia y masa a lo largo de todos los procesos de la cuenca)
Un modelo Hidrodinámico Simples transito de avenidas (Muskingham-Cunge, funciones
de transferencia, Lisflood) Físicamente basados en ecuaciones de continuidad y energía
(HEC-RAS, SOBEK, MIKE11, otros)
Un modelo en cascada (Combinación de los dos anteriores)
River flooding
• Inundación por desbordamiento de ríos
Figures from: Christel Proudmme (Int Sym Climate Change 2012, CEH, UK)
Sustained rainfall • Inundación por lluvia continua
CEH UK
Figures from: Christel Proudmme (Int Sym Climate Change 2012, CEH, UK)
Flash floods • Crecientes rapidas
11
Groundwater flooding • Inundaciones generadas por incremento del
nivel freatico.
12
Coastal flooding
• Inundaciones por tormentas costeras.
13
Snow melt, ice breaking • Inundaciones por deshielo
14
Figures from: Leonardo Allfonso (Semi. Int. Mod. Corr. Superficiales 2012)
Keep It Simple but not Simpler Mantenga los modelos simples pero no muy
simples (balance de comprensión y complejidad)
En que deberíamos pensar?
Condiciones frontera
Calibración
Incremento de la incertidumbre
Tiempo de proceso computacional
Numero de parámetros
Numero de mediciones requeridas
Figures from: Bill Syme (BMT -2011 )
SMHI-HBV Model Modelo de lluvia escorrentia usado
incialmente en Suecia para pronositcos Modelo conceptual Semi-distribuido
Divide la cuenca en regiones (sub-cuencas)
Precipitación y temperatura puede ser espacialmente distribuidapor medio de la aplicacion de pesos relativos a distancias
Usa zonas de vegetacion y de elevación
SP=Snow Pack SM= Soil Moisture UZ= Upper zone LZ=Lower zone
Modelos mas complejos Distribuido
Datos disponibles
Escalas Tiempo
Espacio
Precisión e incertidumbre de los parámetros y de las mediciones distribuidas
Ejemplo Investigación Doctoral
Miguel Angel Laverde
Tema: Incertidumbre en el análisis de la inundación debida a la fusión de datos (evaluación de sus implicaciones en el riesgo de inundaciones.
datos
Estructura parametros
20
Descripción del problema
Incertidumbre en la modelación de la inundación flood depth
flow velocity rate of rise flood volume Residence time
Rufiji River, Tanzania
Profundidad
Velocidad
Distribución espacial juega un rol importante en la descipción de la inundacion.
21
Problem statement
Flood inundation model under uncertainty
Source: Mandlburger et. al 2015
Rainfall information RADAR; GPM(NASA/JAXA)
DEM LiDAR
Topographic information
2D-modelling Numerical methods
22
Metodología
Modelo Integrado MODEL STRUCTURE
Integración (fusión de datos) Fusión espacial de datos y su análisis de sensibilidad den los
modelos
Figure 4.2 Example of spatial distribution of satellite rainfall in different
spatial scales. (on the bottom, NASA TERRA images shown different pixel size; on Top, ECMWF Numerical Weather Prediction models (Beven et al., 2015)
24
Metodología
Data Fusion: Correction
Dynamic
Static
Flood modelling: scale
integrated
Coupled
Uncertainty: Sampling
Sampling Analysis
25
Metodología
Fusión de datos desde GEOS Web Server
Información de datos de satelites
GPM Constellation Status - Errores source: PROJECT Sigma
Eyal Amitai (2013)
Metodologias de fusión
Datos no son perfectos Mediciones disponibles dependen del
tipo de satélite y su periodicidad
Figure 3.3 Web Services Framework of OGC Geo-processing Standards. Source: http://live.osgeo.org/
Ejemplo 2 Cambio climático y el
uso de información de modelos globales para pronósticos de sequias
Doctorante: Vitali Diaz Mercado
Problema Sequias en el mundo son cada vez
mas comunes y sus implicaciones economicas han llevado a los paises del mundo a extender la importancia de este fenomeno y a buscar soluciones para mitigarlo
n
DD
AD
n
i
i 1
DD=Drought duration
n=Number of droughts
AD=Average drought
duration
Duración de sequìas
Problema Hacer un análisis de lo que ha ocurrido en el pasado
Hacer un análisis de lo que podría pasar en el futuro
Encontrar patrones y caracterizarlos
Problema: Datos disponibles son muchos (Big Data) Resolución de información de puntos sobre la tierra a 0.5
grados (67420 celdas)
40 anos de series de tiempo del siglo 20th century
100 anos de datos de modelos globales generados con escenarios críticos y modelos de circulación global
67modelos para toda la tierra a diferentes resoluciones
Ejemplo de tareas a seguir 1. Lectura de 6700 series (Archivos con mas de 15000
intervalos de tiempo), para cada variable hidrológica (e.g. 4 Gb por variable)
2. Calculo de limites de sequias diarios(365*67420) por celda (hacer un calculo de percentiles por celda)
3. Comparar los valores de los limites en toda la base de datos
4. Almacenar las estadísticas de cada región
5. Generar bases de datos para poder hacer minería de datos con los resultados
6. Este proceso se repite por modelos (alrededor de 67)
Drought analysis
50 100 150 200 250 300 350 400 450-2
0
2
4
6
8x 10
-6
Time step (days)
Qsb
(kg
/ m
2 s
)
50 100 150 200 250 300 350 400 450-5
0
5
10
15x 10
-5
De
ficit v
olu
me
Daily intensity
No deficit ends after some time steps
Percentile
per day
Drought cells at one time step
Spatial drought patterns (non-continuous areas) Area in drought (globe)
0 50 100 150 200 250 300 3500.12
0.14
0.16
0.18
0.2
0.22
0.24
0.26
0.28
0.3
0.32
Day
Pe
rce
nta
ge
of a
rea
in
dro
ug
ht
WATERGAP - Qsb 80
2000
1999
1998
1991
Standardized Clustered Variable Index • Cluster of droughts for the first 50 days of the year
1967
Integración de datos de modelos Investigacion de
maestria
Investigador: Solomon Vimal
Grupo de trabajo NFIE
Otros: David Tarboton, David Maidment , Prof. D. Solomatine.
Source: Choi, C. and Mantilla, R. (2015). "Development and
Analysis of GIS Tools for the Automatic Implementation of
1D Hydraulic Models Coupled with Distributed Hydrological
Models." J. Hydrol. Eng.
o Automatic Cross Sections Generator (Python, Arcpy)
o Extraction of 1D Hydraulic Model Parameters (Area,
Perimeter-Depth, Overbank, Morphology etc.) [Finished]
Next Step:
o Implement for NHD streams (Multi-core processor)
o Export data to the format that 1D-SVE Solver can be used
(e.g. SPRINT) {To DATA MANAGEMENT SYSTEM)
o Case studies of steady and unsteady coupled hydrologic
and hydraulic simulation for a small catchment, and
extend to much larger one
GIS Tools for Automatic Cross Sections
Lo Sensamos - Lo Sentimos. 7 Millones de Euros – Financiado Comisión Europea Séptimo Programa Marco – Observatorio Ciudadano del Agua
Governanza y actores
Infraestructura tecnológica
• (2012-2016), 7 millones de Euros
• 13 Socios: 4 acad., 8 Pymes, 2 autoridades.
• 3 casos de estudio
Doncaster (UK) Alto Adriatico (Italy)
Delfland (NL)
Laboratorio de Hidroinformatica
HI Support Center
Provide online Modeling
tools
Incubator of Models
and Research platform
Institutional Technological
Memory
Institutional Technological
Image
High performance
computing for modeling purposes
ICT GROUP -> Procedure sand access to web tools
ICT GROUP -> Access and hardware support and
maintenance of web servers
ICT GROUP->Acquisition, setup and support of new
technological equipment
Conclusiones Desarrollos en las tecnologías de medición están impulsando
nuevas formas de modelación que implican Mas información No siempre mejores modelos No siempre menos incertidumbre No siempre se puede usar
Para poder ser usada en tomas de decisiones Necesitamos desarrollo de herramientas tecnológicas
(principalmente nuevos conceptos de modelación) Necesitamos entender las mas y crear soluciones a diferentes niveles
para poder llegar a soluciones concreta Evitar proveer información sin sentido o modelos sin análisis de
incertidumbre
Conclusiones La disponibilidad de datos en los proximos años sera
exponencial, las bases de datos requiren conceptos avanzados como Big Data y escalabilidad
Modulos de integracion y difusion de datos
Modulos de interpretacion basica para sectores definidos (soluciones para mineria, agricultua, hidroelectrico, otros)
Gracias
Top Related