Vidareutveckling och utvärdering av distribuerad hydrologisk modell

Transkript

1 125 Vidareutveckling och utvärdering av distribuerad hydrologisk modell Tjaktjajaure och Kultsjön Elforsk rapport 04:52 Per Larsson December 4

2

3 Vidareutveckling och utvärdering av distribuerad hydrologisk modell Tjaktjajaure och Kultsjön Elforsk rapport 04:52 Per Larsson December 4

4

5 Vidareutveckling och utvärdering av distribuerad hydrologisk modell Tjaktjajaure och Kultsjön Per Larsson

6

7 Förord Denna rapport är ett delresultat inom Elforsks ramprogram Dammsäkerhet. Kraftindustrin har traditionellt satsat avsevärda resurser på forsknings och utvecklingsfrågor inom dammsäkerhetsområdet, vilket har varit en förutsättning för den framgångsrika utvecklingen av vattenkraften som energikälla i Sverige. Målen för programmet är att långsiktigt stödja branschens policy, dvs att: Medlemsföretagens dammsäkerhetsarbete är i första hand inriktat på att så långt möjligt skydda människors liv och hälsa, men beaktar även andra skyddsbehov. Kraven på dammsäkerhet ställs i relation till bedömda konsekvenser i händelse av dammbrott. Med denna inriktning skall: sannolikheten för dammbrott där människoliv kan vara hotade hållas på en så låg nivå att detta hot såvitt möjligt elimineras konsekvenserna i händelse av dammbrott genom god planering såvitt möjligt reduceras. dammsäkerheten hållas på god internationell nivå Dammsäkerhetsarbetet bedrivs på ett kvalitetssäkrat sätt och skall kännetecknas av fortlöpande förbättringar. Ramprogrammet har en styrgrupp bestående av: Jonas Birkedahl FORTUM, Malte Cederström - Vattenfall Vattenkraft, Anders Isander Sydkraft Vattenkraft, Lennart Markland Vattenregleringsföretagen, Urban Norstedt - Vattenfall Vattenkraft, Gunnar Sjödin Vattenregleringsföretagen samt Lars Hammar - Elforsk Lars Hammar Elforsk AB Programområde Vattenkraft (Hydro Power) Stockholm Tel: Fax: lars.hammar@elforsk.se

8

9 Sammanfattning Vattenkraftsindustrin använder i kraftproduktions- och dammsäkerhetssyfte hydrologiska modeller för att prognostisera magasinstillrinning. Operationellt sett har den av SMHI utvecklad HBV-modellen använts i prognosarbetet. Snösmältningen och den efterföljande vårfloden är väldigt viktig för vattenkraftsindustrin. Vårflödesprognoserna har historiskt sett varit behäftade med en osäkerhet på i storleksordningen ± 10 %. På grund av detta har det sedan en tid tillbaka funnits en ambition att följa avsmältningen med satellitbilder för att på så sätt få en bättre beskrivning av vårfloden. En nackdel med HBV-modellen är att den helt saknar areell återgivning vilket kraftigt begränsar användandet av koordinatsatt satellitdata. Under hösten 3 utvecklades på SwedPower en distribuerad hydrologisk modell. Modellen är baserad på HBV-modellens konceptuella rutiner (delmodeller) och utvecklad i det rasterbaserade GIS-programmet PCRaster. Modellen sattes upp och utvärderades i Tjaktjajaure och dess förmåga att prediktera tillrinning och snöutbredning visade sig vara god. Arbetet med den distribuerade modellen har fortsatt i detta projekt. Några modifieringar som framförallt rör modellens hantering av snö och glaciärer har gjorts. Arbetet har fortsatt i Tjaktjajaure men modellen har även satts upp för Kultsjöns lokala tillrinningsområde. Vid jämförelser med HBV-modellen har den distribuerade modellen generellt sett lyckats beskriva magasinstillrinningen på ett bättre sätt i både Tjaktjajaure och Kultsjön. Modellerna har jämförts för längre perioder men även en detaljstudie av den för vattenkraftindustrin så viktiga vårfloden har gjorts. I Tjaktjajaure gav den distribuerade modellen för valideringsperioden ( ) ett Nash och Sutcliffe [10] R eff = 0,88 och ett volymfel på 2,9 %. HBV-modellen gav R eff = 0,76 och ett volymfel på -0,06 %. För Kultsjön var motsvarande värden för den distribuerade modellen: 0,82 och 4,2% och för HBV-modellen: 0,68 och 4,9 %. I Tjaktjajaure gav den distribuerade modellen för de sju vårfloder som studerades (1997-3) i medeltal ett R eff = 0,71 och ett volymfel på 5,8 % (medelvärde av varje års absoluta volymfel). HBV-modellen gav 0,46 respektive 19 %. För Kultsjön var motsvarande värden för den distribuerade modellen: 0,68 och 3,8 % och för HBV-modellen: 0,45 och 11 %. Vid jämförelse av modellerad och verklig snöutbredning användes en Landsat TM-scen med 30 m upplösning från 28 maj, 3 som referens. För Tjaktjajaure och Kultsjön erhölls en total klassningsnoggrannhet på 0,75 respektive 0,78. Omsamplingen av Landsat TM-scenen till modellens upplösning på 250 m har identifierats som en möjlig felkälla och rekommendationen inför framtiden är att använda sig av en sensor med en upplösning i samma storleksordning som modellens. MODIS med 500 m upplösning är ett tänkbart alternativ. En metod där snöutbredningskartor används för att uppdatera snötäckets vattenekvivalent har specificerats och testats. Resultaten och erfarenheterna från detta arbete bör knytas till det pågående projektet Kartering och simulering av snö för förbättrade vårflödesprognoser baserat på Envisat data. En del i det fortsatta arbetet kommer att bli att vidareutveckla den häri föreslagna metodiken för hur satellitbaserad snöutbredningsinformation skall användas för att uppdatera snötäckets vattenekvivalent. iii

10

11 Summary For power production and dam safety reasons the hydropower industry are using hydrological models to forecast reservoir inflow. In Sweden the most used model is the HBV-model developed by SMHI (Swedish Meteorological and Hydrological Institute). Snowmelt and the subsequent spring flood are of special importance for the hydropower industry. The magnitude of the spring flood forecasts error has historically been in the order of ±10%. Due to this there has for some time been an ambition to use satellite imagery to be able to follow the melt process in a better way. A major disadvantage with the HBV-model is that it is not distributed i.e. not able to handle information with know coordinates. This restricts the use of satellite imagery in an optimal way. During the fall 3 SwedPower developed a distributed hydrological model. The model is based on the conceptual routines (sub-models) of the HBV-model and developed in PCRaster, a raster based GIS. The model was set up in Tjaktjajaure and its ability to predict reservoir inflow and snow covered area was found to be good. The work with the distributed model has continued. Some modifications, mainly related to how the model treats snow and glaciers, have been done. The work has continued in Tjaktjajaure and the model has been set up in Kultsjön as well. The distributed model has from a general point of view been able to describe the reservoir inflow in a better way than the HBV-model both in Tjaktjajaure and Kultsjön. The models have been compared during longer periods and during the spring flood. In Tjaktjajaure a Nash and Sutcliffe [10] R eff = 0,88 and a volume error of 2,9 % was achieved with the distributed model during the validation period ( ). Corresponding values for the HBV-model were 0,76 and 0,06 %. In Kultsjön corresponding values for the distributed model were: 0,82 and 4,2 % and for the HBV-model: 0,68 and 4,9 %. Seven spring flood occasions (1997-3) were studied. The average R eff and average of the absolute volume error achieved with the distributed model in Tjaktjajaure were: 0,71 and 5,8 %. With the HBV-model the values 0,46 and 19 % were achieved. In Kultsjön corresponding values for the distributed model were: 0,68 and 3,8 % and for the HBVmodel: 0,45 and 11 %. When modeled and true snow covered area were compared a Landsat TM-scene with 30 m resolution from May 28, 3 was used as a reference. In Tjaktjajaure and Kultsjön a classification accuracy of 0,75 and 0,78 respectively was achieved. The re-sampling of the Landsat TM-scene to the model s resolution of 250 m has been identified as a possible source of error. The future recommendation is that a sensor with a resolution with the same order of magnitude as the model should be used. MODIS with 500 m resolution is possible alternative. A method where snow-covered area maps are used to update snow water equivalent has been specified and tested. The results and experiences from this work should be coupled to the ongoing project Snow Mapping for Improved Reservoir Inflow Forecasts Based on ENVISAT Data. A part of the future work will be to further develop the proposed method on how information on snow-covered area should be used to update the water equivalent of the snow pack. v

12

13 Innehållsförteckning 1 INLEDNING BAKGRUND DISTRIBUERAD HYDROLOGISK MODELL MÅL KOPPLINGAR TILL ANDRA PROJEKT OCH VERKSAMHETER MATERIAL OCH METOD OMRÅDESBESKRIVNING BAKGRUNDSMATERIAL MODIFIERING AV MODELL KALIBRERING OCH VALIDERING AV MODELLER RESULTAT TILLRINNING SNÖUTBREDNING VÅRFLOD UPPDATERING AV SWE UTIFRÅN SCA ETT FÖRSTA METODTEST SLUTSATSER OCH REKOMMENDATIONER REFERENSER Bilagor A. HYDROGRAFER KALIBRERING/VALIDERING vii

14

15 1 Inledning Syftet med det här presenterade utvecklingsprojektet har varit att fortsätta arbetet med den distribuerade hydrologiska modell som under hösten 3 utvecklats på SwedPower inom ramen för examensarbetet Utveckling och tillämpning av en distribuerad GIS-baserad snösmältnings- och avrinningsmodell [1]. Modellen har tidigare satts upp och utvärderats i Tjaktjajaures tillrinningsområde. Modellens förmåga att prediktera tillrinning och snöutbredning visade sig vara god. 1.1 Bakgrund Vattenkraftsindustrin använder i kraftproduktions- och dammsäkerhetssyfte hydrologiska modeller för att prognostisera tillrinningen. Operationellt sett har den av SMHI utvecklade HBV-modellen (se till exempel [2]) använts. Standardversionen från SMHI har sedan länge varit en modell som bäst karakteriseras som en semidistribuerad konceptuell modell [3]. Modellen använder delavrinningsområden som primär hydrologisk enhet och inom dessa en indelning i olika höjdzoner samt en grov indelning av marktyp (skog, öppen mark och sjö). Modellen simulerar daglig tillrinning utifrån dygnsmedelvärden för nederbörd och temperatur och månadsmedelvärden för potentiell evapotranspiration. Modellen består av olika rutiner. Snösmältning beräknas med en grad/dag-metod, påfyllning av grundvatten och verklig avdunstning är funktioner av aktuell mängd lagrat vatten i en markbox, avrinningsbildning representeras av en linjär och en olinjär reservoarekvation och kanalrouting simuleras med hjälp av en triangulär viktningsfunktion. En nackdel med HBV-modellen är att den helt saknar areell återgivning vilket kraftigt begränsar användandet av distribuerade data. Med en distribuerad modell finns det möjlighet att ta hänsyn till lokala variationer i topografi (höjd över havet, lutning och sluttningsriktning), marktyp med mera på ett sätt som inte är möjligt i HBV-modellen. Detta är variationer som högst avsevärt kan påverka temperaturens och nederbördens fördelning, snösmältning, avdunstning, lagring i marken och i slutänden naturligtvis också tillrinningen. Ur kraftproduktions- och dammsäkerhetssynpunkt är snösmältning och den efterföljande vårfloden väldigt viktigt. Vårflödesprognoserna har historiskt sett varit behäftade med en osäkerhet på i storleksordningen ± 10 %. På grund av detta har det sedan en tid tillbaka funnits en ambition att använda sig av fjärranalytiska data för att kunna följa avsmältningsprocessen och för att kunna uppdatera sin modell med aktuell information om snömagasinet. En distribuerad modells struktur möjliggör ett optimalt användande av rumsliga data som till exempel kan produceras med fjärranalys (t.ex. snöutbredning och mäktighet, markfuktighet, vegetation eller markanvändning). Försök har gjorts med HBV-modellen att använda sig av rumsliga snödata för att förbättra vårflödesprognoserna men utan större framgång. En av de största anledningarna anses vara just HBV-modellens struktur. Svårigheterna att förbättra HBV-modellens vårflödesprognoser kan dels ha varit beroende på att HBV-modellens struktur inte är anpassad till att utnyttja denna typ av indata [4]. Vidare blir det med en distribuerad modell möjligt att direkt jämföra data från till exempel georadar, satellitbilder eller 1

16 manuella mätningar med modellerade värden för en viss plats. Data kan användas för att uppdatera modellen och/eller i validerings- och kalibreringsfasen. 1.2 Distribuerad hydrologisk modell Den framtagna distribuerade modellen är baserad på rutinerna i den av SMHI utvecklade HBV-modellen. Rutinerna har till viss del ändrats, dels för att kunna implementeras distribuerat men även för att utnyttja de fördelar som ett distribuerat angreppssätt medför. Under utvecklingen har en rumslig upplösning på 250*250 m 2 använts. De drivande parametrarna är dygnsvärden för temperatur och nederbörd, veckomedelvärden för NRI (Normalized Radiation Index) samt månadsmedelvärden för potentiell evapotranspiration. NRI är ett strålningsindex som används för att ta hänsyn till lokala variationer i snösmältning och avdunstning. Modellen har utvecklats i PCRaster och den integrerar HBV-modellen med ett rasterbaserat geografiskt informationssystem. Eftersom inga restriktioner på rumslig upplösning finns (beror enbart på höjdmodellens upplösning) ökas möjligheterna att beskriva variationerna inom ett avrinningsområde avsevärt. Den rasterbaserade modellen är dessutom ytterst väl lämpad för att använda fjärranalytiska data till uppdatering av modellen (d.v.s. som indata) eller utvärdering av modellresultat (d.v.s. vid kalibrering och validering). För en utförlig beskrivning av modellen hänvisas till [1]. 1.3 Mål Fortsatt arbete i Tjaktjajaure för att möjliggöra en kvalitativ jämförelse med HBV-modellen. Sätta upp och utvärdera modellen i Kultsjön. Göra jämförelse med HBVmodellen. 1.4 Kopplingar till andra projekt och verksamheter Det finns en stark koppling mellan detta utvecklingsprojektet och det av Elforsk HUVA och Rymdstyrelsen finansierade projektet Kartering och simulering av snö för förbättrade vårflödesprognoser baserat på Envisat data. Om resultaten från de två projekten kombineras finns det en stor potential att utveckla ett kraftfullt koncept för flödesprognostisering i allmänhet och vårflödesprognostisering i synnerhet. 2

17 2 Material och metod 2.1 Områdesbeskrivning Två områden har studerats: sjön Tjaktjajaures tillrinningsområde och Kultsjöns lokala tillrinningsområde, se figur Tjaktjajaure Tjaktjajaure tillrinningsområde är beläget 67 o nord och är en del av Luleälvens tillrinningsområde. Området karakteriseras av kompakta massiv som omger en bred öppen dal med branta och smala sidodalar. Höjden över havet i området varierar mellan 430 och 1950 m och dess medelhöjd är 931 m. Huvuddelen av områdets ca 2300 km 2 ligger över trädgränsen varför andelen skog endast är 18 %. 6 % av områdets area utgörs av sjöar. I områdets övre delar ligger det små glaciärer vilka täcker 6 % av områdets totala area. Vegetationen underliggs av kvartära moränavlagringar. Över m saknar marken nästan helt jordtäcke och utgörs till största del av stenar och berg i dagen. [5]. Figur 2.1 Tjaktjajaures och Kultsjöns tillrinningsområden. 3

18 Tjaktjajaures utloppssjö regleras kraftigt av Seitevare kraftstation som togs i drift Karakteristiska vattenföringar i reglerat ( ) och oreglerat ( , ) tillstånd sammanfattas i tabell 2.1. Tabell 2.1 Karakteristiska vattenföringar för Tjaktjajaure. Källa: SMHI [7]. Vattenföring (m 3 /s) Specifik vattenföring (dm 3 /(s km 2 )) Reglerat Oreglerat Reglerat Oreglerat Högsta högvattenföring Normal högvattenföring Normal medelvattenföring Lägsta lågvattenföring , Kultsjön Kultsjöns lokala tillrinningsområde är beläget 65 o nord och är en del av Ångermanälvens avrinningsområde. I Kultsjöns totala tillrinningsområde ingår även sjön Ransarens tillrinningsområde. Området är ca 1100 km 2 stort, höjden över havet varierar mellan 530 och 1500 m och dess medelhöjd är 798 m. Drygt 40 % av området täcks av skog. 9 % av områdets area utgörs av sjöar. Från Kultsjön leds vattnet i tunnel till Stalons kraftstation som togs i drift Karakteristiska vattenföringar i reglerat tillstånd för tidsperioden sammanfattas i tabell 2.2. Tabell 2.2 Karakteristiska vattenföringar för Kultsjön. Källa: SMHI [8] Högsta högvattenföring Normal högvattenföring Normal medelvattenföring Lägsta lågvattenföring Vattenföring (m 3 /s) Specifik vattenföring (dm 3 /(s km 2 )) Kultsjön totalt Ransaren Kultsjön lokalt Kultsjön totalt Ransaren Kultsjön lokalt ,3 27, ,3 1,4 1,1 0,3 0,82 1,8 0, Bakgrundsmaterial Meteorologiska och hydrologiska data För att möjliggöra en kvalitativ jämförelse med HBV-modellen, som används operationellt både i Tjaktjajaure och i Kultsjön, har data från de meteorologiska stationer som idag nyttjas i HBV-modellen använts i den distribuerade modellen. Temperatur-, nederbörds- och tillrinningsdata har för Tjaktjajaure tillhandahållits av Vattenfall Norden Produktionsledning och för Kultsjön av Vattenregleringsföretagen i 4

19 Östersund. Evapotranspirationsdata har tagits från [6]. I tabell 2.3 listas de meteorologiska stationer som använts i de två olika områdena. HBV-modellen för Tjaktjajaure nyttjar även ett antal automatstationer som inte använts i den distribuerade modellen, se vidare avsnitt Tabell 2.3 Meteorologiska stationer Stationer för nederbörd (P), temperatur (T) och potentiell avdunstning (PET) som använts i den distribuerade modellen. Tjaktjajaure Kultsjön T P PET T P PET Aloukta Aloukta Aloukta Blaikliden Avasjö Klimpfjäll Kvikkjokk Kvikkjokk Kvikkjokk Gielas Fatmomakke Jokkmokk Jokkmokk Norråker Leipikvat Ritsem Ritsem Stekenjok Marsliden Tjåmotis Dikanäs Ransaren Raukasjö För att ta hänsyn till variationerna som orsakas av höjden över havet har antagandena att nederbörden ökar med 10 %/100 m och temperaturen avtar med 0,6 o C/100 m tillämpats Höjddata Höjddata från Lantmäteriets höjddatabas har använts. Ursprungsdata som har 50 m upplösning har samplats om till 250 m. Projektionen är RT90 2,5 g V Övriga datakällor Vid klassificering av skog, vatten och snöutbredning har satellitbilder (Landsat TM och MODIS) samt Blå kartan i digitalt format använts. 2.3 Modifiering av modell Modellen är med få undantag densamma som beskrivs i [1]. De modifieringar som gjorts beskrivs nedan. Interpoleringen av temperatur- och nederbördsdata sker som tidigare i två steg: Avståndsviktad medelvärdesinterpolering av stationsdata höjdkorrigerade till en referensnivå (det studerade områdets lägsta nivå). Med hjälp av höjdmodellen korrigeras sedan samtliga pixlar till dess verkliga höjd med hjälp av samma samband som användes för att korrigera ned/upp stationsdata i steg 1, se vidare i [1] Tidigare innehöll indatafilerna med temperatur- och nederbördsdata värden som var korrigerade till referensnivån. Denna höjdkorrigering gjordes tidigare externt (lämpligen i Excel) men har nu byggts in i modellen och sker automatiskt under förutsättning att man förser modellen med information om temperatur- och nederbördsstationernas nivå. Att man slipper denna förbearbetning av indata har förenklat hantering och iordningställande av indatafiler. 5

20 Några ändringar som har med modellens hantering av snö har också gjorts. Bland annat har snöns vattenhållande förmåga (P WHC ) ändrats från värdet 10 till 5 % av snöns vattenekvivalent enligt uppgift i [9]. Skillnaden mellan snösmältningsfaktorn (P CFMAX ) för skog och öppen terräng har tagits bort. Tidigare användes olika snösmältningsfaktorer för öppen terräng och skog. För att hålla ned antalet kalibreringsparametrar antogs smältningen i skog då vara en funktion av dess motsvarighet i öppen terräng. Olika uppgifter förekommer om sambandet mellan de båda och det fortsatta arbetet med modellen har visat att minst lika bra resultat kan erhållas om man använder sig av samma smältfaktor för skog som för öppen terräng. På grund av detta används numera samma snösmältningsfaktor oberoende av om det är skog eller öppen terräng. 1 Hanteringen av glaciärer har också ändrats. Tidigare definierades glaciärerna som ett mycket tjockt snötäcke. Eftersom mängden smält- och regnvatten som kan lagras i snötäcket är en procentsats av snötäckets frysta del medför detta angreppssätt att allt vatten kommer att lagras i glaciärerna. På grund av detta har en separat glaciärsmältning, som aktiveras när det vanliga snötäcket är bortsmält, lagts till modellen. 2.4 Kalibrering och validering av modeller Syftet med att kalibrera en modell är att ställa in dess parametervärden så att de av modellen simulerade värdena överensstämmer så väl som möjligt med uppmätta värden. För att underlätta bedömningen av hur god överensstämmelsen är tar man ofta hjälp av så kallade effektivitetsmått. För hydrologisk modellering är ett av de mest kända och använda måtten på en modells prestanda det som föreslogs av Nash och Sutcliffe [10] och som här betecknas R eff. Det är också vanligt att man tittar på volymfelet, V E, det vill säga den ackumulerade skillnaden mellan simulerad ( Qsim ) och observerad ( Qobs ) tillrinning. Tabell 2.4 innehåller de matematiska definitionerna på ovan nämnda effektivitetsmått. Tabell 2.4 Effektivitetsmått. Källa: Seibert [11] Effektivitetsmåt t Beteckning Definition Optimalt värde Nash & Sutcliffe R eff Q 1 2 obs sim 2 Q 1 Q obs Qobs Volymfel V E Q Q 0 obs Q obs sim R eff har värdet 1 om modellerad och uppmätt tillrinning överensstämmer exakt och 0 om modellen inte beter sig bättre än tillrinningsseriens medelvärde. Negativa värden kan 1 Smältfaktorn korrigeras fortfarande med NRI vilket gör att varje pixel får ett unikt värde beroende på dess läge i terrängen. För att ta hänsyn till att snöavdunstningen är större i skogsområden än i öppen terräng är P SFCF (korrektionen för nederbörd i form av snö) fortfarande mindre för skog än för öppen terräng, se vidare i [1]. 6

21 förekomma och tyder på dålig modellprestanda eller dåliga data. Det är svårt att avgöra hur långa tidsserier som behövs för att kalibrera sin modell. Det viktiga är att tidsserien innehåller hydrologisk variation så att modellen testas under olika förhållanden. I normala fall räcker det med 5 till 10 år för skandinaviska avrinningsområden [2]. Modellen kalibrerades genom att för en åttaårsperiod jämföra modellberäknad och uppmätt tillrinning. För att undvika en subjektiv och tidskrävande manuell kalibrering användes optimeringsprogrammet PEST (Parameter ESTimation) för att automatisera processen. Läs mer om modellkalibrering med PEST i [1] och [12]. Inom avrinningsmodellering avses med begreppet validering i allmänhet att testa sin modell på oberoende data [11]. Detta innebär att man kör sin modell, över en tidsperiod som inte till någon del sammanfaller med den som använts under kalibreringen, med den parameteruppsättning som erhållits under kalibreringsfasen. Resultaten utvärderas och blir ett mått på modellens prestanda. Det finns, beroende på tillgänglig data och syfte med modellen, många olika sätt att validera en modell, se till exempel [11]. Validering utfördes mot observerad tillrinning och satellitbildsklassificerad snöutbredning. Vid validering mot snöutbredning går det inte att använda de effektivitetsmått som används för tillrinning (R eff och V E ). Istället användes total klassningsnoggrannhet, CA, som definieras som summan av antalet rätt modellerade pixlar dividerat med totala antalet pixlar [13]. Vid jämförelse av modellerad snöutbredning och verklig (satellitbildsklassificerad) är följande fyra kombinationer möjliga: 1. Snö i modell och i verklighet 2. Barmark i modell och i verklighet 3. Snö i modell men barmark i verklighet 4. Barmark i modell men snö i verklighet CA blir alltså i detta fall summan av de pixlar (bildelement) som faller under punkt 1 och 2 dividerat med summan av samtliga pixlar (punkt 1-4). där: N korrekt = N tot = CA N N korrekt total antal korrekt modellerade pixlar totala antalet pixlar CA varierar således mellan noll och ett, där ett innebär att samtliga pixlar är rätt modellerade. 7

22 3 Resultat I följande avsnitt redovisas resultaten från arbetet med den distribuerade modellen. Där det är möjligt har en jämförelse med HBV-modellen gjorts. Resultaten diskuteras löpande. Den distribuerade modellen kalibrerades för perioden Till validering användes perioden För kalibrerings- och valideringsperioden redovisas R eff och V E sett över hela perioden. Hydrografer för uppmätt och modellerad tillrinning samt differensen mellan de båda återfinns i bilaga A. För valideringsperioden har även snötäckets utbredning studerats samt en detaljstudering av vårfloderna mellan 1997 och 3 gjorts. För HBV-modellen har värden för simulerad tillrinning och snömängd erhållits från Vattenfall Norden Produktionsledning och Vattenregleringsföretagen. Värdena härrör alltså från de parameteruppsättningar som för närvarande används i prognosarbetet. HBV-modellen för Kultsjön och Tjaktjajaure kalibrerades för åren respektive Det som nedan benämns kalibrerings- respektive valideringsperiod syftar på den distribuerade modellen. För HBV-modellen skall detta tolkas som resultat av körningar med HBV-modellen under de perioder som för den distribuerade modellen använts till kalibrering respektive validering. 3.1 Tillrinning I detta avsnitt redovisas endast resultaten från modellkörningar över hela kalibreringsrespektive valideringsperioden. Hur modellerna beter sig under vårfloden behandlas i avsnitt Tjaktjajaure I tabell 3.1 redovisas kalibrerings- och valideringsresultaten för den distribuerade modellen i Tjaktjajaure. I tabell 3.2 redovisas resultaten av körningar med HBVmodellen för motsvarande perioder. Tabell 3.1 R eff och V E, distribuerade modellen Tabell 3.2 R eff och V E, HBV-modellen Kalibrering Validering Kalibrering Validering R eff 0,87 0,88 R eff 0,76 0,76 V E 0,022 0,029 V E 0,026-0,0006 Höga R eff -värden tillsammans med relativt låga V E -värden vittnar om att den distribuerade modellen, sett över längre perioder, simulerar tillrinning på ett bra sätt. Anmärkningsvärt är att skillnaden mellan kalibrerings- och valideringsperioden är så liten och att R eff -värdet faktiskt ökar under valideringsperioden. Jämfört med HBVmodellen erhålls högre R eff -värdena med den distribuerade modellen. För valideringsperioden är V E högre för den distribuerade modellen. 8

23 I den senaste kalibreringen av HBV-modellen i Tjaktjajaure har Vattenfalls egna meteorologiska stationer inkluderats. Anledningen till att dessa inte använts i den distribuerade modellen är att en erfarenhet från det tidigare arbetet med den distribuerade modellen [1] är att nederbördsstationerna verkar ge för lite nederbörd, något som också konstateras i den kalibreringsrapport som sammanställts av SMHI [14]. Detta medför att jämförelsen mellan HBV- och den distribuerade modellen inte är helt rättvisande. Vid tidpunkten för arbetet med [1] användes inte Vattenfalls egna stationer i HBV-modellen. En mer rättvisande jämförelse mellan de båda modellerna vore därför att jämföra resultaten från den distribuerade modellen med resultaten från den gamla HBV-modellen. Lyckligtvis har samma valideringsperiod använts i de två arbetena varför en sådan jämförelse är möjlig. Resultaten redovisas i tabell 3.3. Tabell 3.3 R eff och V E för HBV och den distribuerade modellen under valideringsperioden gammal avser resultat med HBV-modellen innan den senaste kalibreringen då Vattenfalls egna meteorologiska stationer inkluderades. Distribuerade HBV (nuvarande) HBV ( gammal ) R eff 0,88 0,76 0,85 V E 0,029-0,0006 0,061 Den nya kalibreringen av HBV-modellen har resulterat i ett bättre V E men sämre R eff. Jämfört med den gamla HBV-modellen ger den distribuerade modellen både bättre R eff och V E Kultsjön I tabell 3.4 redovisas kalibrerings- och valideringsresultaten för den distribuerade modellen i Kultsjön. I tabell 3.5 redovisas resultaten av körningar med HBV-modellen för motsvarande perioder. Tabell 3.4 R eff och V E, distribuerade modellen Tabell 3.5 R eff och V E, HBV-modellen Kalibrering Validering Kalibrering Validering R eff 0,87 0,82 R eff 0,70 0,68 V E 0,013 0,042 V E 0,053 0,049 För Kultsjön, liksom Tjaktjajaure, ger den distribuerade modellen höga R eff - och relativt låga V E -värden. Även om resultaten försämras mer från kalibrering till validering än de gjorde i Tjaktjajaure ger den distribuerade modellen bättre resultat än HBV-modellen. 3.2 Snöutbredning Modellerad snöutbredning och omsampling av Landsat TM-scen Att jämföra modellerad snöutbredning med verklig kan ge en fingervisning om den modellerade snömängden stämmer med den verkliga eller om modellen under- eller överskattar mängden snö. Ur vattenkraftssynpunkt är detta extra viktigt precis innan och under vårfloden. Ännu bättre vore förstås att direkt kunna jämföra simulerat 9

24 vatteninnehåll med verkligt. Tyvärr finns det i dagsläget ingen operationell metod att med fjärranalysteknik extrahera snöns vattenekvivalent. För att jämföra simulerad snöutbredning med verklig användes en Landsat TM scen från som referens. Den distribuerade modellen genererar SWE-kartor (Snow Water Equivalent, vattenekvivalentskartor). För att möjliggöra en jämförelse med Landsat TM-scenen måste dessa således omvandlas till SCA-kartor (Snow Covered Area, snöutbredningskartor). Varje pixel med en SWE större än noll antogs vara snötäckt. Även om detta antagande är teoretiskt riktigt medför det en viss risk att modellerad SCA relativt satellitbilden överskattas. En pixel som har låg SWE (tunt snötäcke) modelleras som snötäckt trots att snötäcket kanske är så tunt att det i praktiken inte syns i satellitbilden, d.v.s. blir ej heltäckande. I detta sammanhang är det därför viktigt att få en uppfattning om SWE-fördelningen. I figurerna 3.1 och 3.2, som visar modellerad SCA samt SWE-histogram, kan man se att det både för Tjaktjajaure och Kultsjön är en liten andel av pixlarna som har en SWE under 20 mm, vilket för senvinter/vårsnö motsvarar ett snödjup på 5 8 cm [15]. Eftersom Landsat TM detekterar ytreflektansen är det framförallt närvaron/frånvaron av ett snötäcke och inte själva snödjupet som är avgörande. Detta innebär att även tunna snötäcken bör kunna detekteras [16]. Risken för en stor överskattning av modellerad SCA torde därför vara liten för ett snötäcke på 5-8 cm och därutöver. Figur 3.1 Modellerad snöutbredning och SWE-histogram, Tjaktjajaure

25 Figur 3.2 Modellerad snöutbredning och SWE-histogram, Kultsjön Eftersom Landsat TM har 25 m pixelstorlek (Landsat TM har egentligen 30 m upplösning men samplas vanligen om till 25 m vid geokodning och levereras i de flesta fall med 25 m pixelstorlek om inget annat specificeras) och den distribuerade modellen 250 m pixelstorlek måste satellitbilden samplas om. Frågan man måste ställa sig är hur många av de hundra 25 m pixlarna som måste vara klassificerade som snö för att den resulterande 250 m pixeln också skall klassificeras som snö? Oavsett antalet pixlar som väljs vid omsamplingen kommer information att gå förlorad och resultatet bli en mer generaliserad SCA-karta. Fem olika omsamplingar gjordes för att försöka hitta en omsampling som behåller så mycket som möjligt av ursprungsbildens variation. Omsamplingar gjordes med 1, 25, 50, 75 och 100 pixlar som gräns. I figur 3.3 och 3.4 ser man som väntat att 1 pixel leder till en överskattning och 100 pixlar till en underskattning av SCA. Empirisk utvärdering i bildbehandlingsprogrammet ERDAS Imagine nyttjades för att finna vilken av de övriga omsamplingarna som gav den bästa beskrivningen av ursprungsbilden. För Tjaktjajaure gav 50 pixlar och för Kultsjön 25 pixlar bäst resultat. Rent intuitivt kan man tycka att samma omsamplingsmetod borde användas i båda fallen. Vilken metod som ger bäst resultat avgörs av snötäckets beskaffenhet. Eftersom Kultsjön är beläget mycket längre söderut har avsmältningen kommit längre vilket resulterat i ett mer uppsprucket snötäcke. Detta är en trolig förklaring till varför ett lägre antal pixlar, jämfört med Tjaktjajaure, ger en bättre beskrivning i Kultsjön. 11

26 Landsat TM, Snöklassificerad Landsat TM Omsampling 1 pixel Omsampling 25 pixlar Omsampling 50 pixlar Omsampling 75 pixlar Omsampling 100 pixlar Figur 3.3 Omsampling av snöklassificerad Landsat TM, Tjaktjajaure Den snöklassificerade Landsat TM-scenen har 25 m och omsamplingarna 250 m pixelstorlek. 12

27 Landsat TM, Snöklassificerad Landsat TM Omsampling 1 pixel Omsampling 25 pixlar Omsampling 50 pixlar Omsampling 75 pixlar Omsampling 100 pixlar Figur 3.4 Omsampling av snöklassificerad Landsat TM, Kultsjön Den snöklassificerade Landsat TM-scenen har 25 m och omsamplingarna 250 m pixelstorlek Jämförelse - modellerad och verklig SCA En snöklassificerad Landsat TM-scen från omsamplad till 250 m jämfördes med modellerad SCA för samma dag. Total klassningsnoggrannhet (CA, se avsnitt 2.4) användes vid utvärderingen. För Tjaktjajaure och Kultsjön erhölls CA-värden på 0,75 respektive 0,78. Jämförelsen redovisas även i grafiskt i figur 3.5 och 3.6. Felmodellerade pixlar är antingen gröna eller blå och genom att studera figurerna kan man få en uppfattning om trender i resultatet. För Tjaktjajaure ser man på den relativt stora andelen blå pixlar (barmark i modell men snö i Landsat) att smältningen är något för långt kommen i modellen. Studerar man satellitbilden ser snötäcket tunt och uppsprucket ut på många av de platser där modellen ligger fel. Med tanke på att det vid den här tiden av året händer mycket från dag till dag behöver inte felet vara så stort som det vid en första anblick verkar. Att det även förekommer gröna pixlar (snö i modell men barmark i Landsat) kan verka 13

28 motsägelsefullt. Det stora flertalet av de gröna pixlarna kan förklaras med att det inte i modellen finns någon speciell hantering av mycket branta eller vindutsatta ytor där snön i princip aldrig lägger sig. Arbete pågår inom det Elforsk HUVA och Rymdstyrelsen finansierade projektet Kartering och simulering av snö för förbättrade vårflödesprognoser baserat på Envisat data att hitta gränsvärden för olika terrängparametrar som definierar snöfria ytor. Landsat TM, Modellerad SCA, Verklig SCA (omsampling 50 pixlar) Jämförelse modellerad och verklig SCA Figur 3.5 Modellerad och verklig SCA, Tjaktjajaure

29 För Kultsjön ser man att förhållandet är det omvända, det vill säga att modellen inte kommit tillräckligt långt i smältningen. Stora flertalet av de gröna pixlarna kan inte förklaras med ovanstående resonemang. Landsat TM, Modellerad SCA, Verklig SCA (omsampling 25 pixlar) Jämförelse modellerad och verklig SCA Figur 3.6 Modellerad och verklig SCA, Kultsjön Vid bedömning av ovanstående resultat skall man ha i åtanke att modellen enbart kalibrerats mot uppmätt tillrinning. Genom att för Kultsjön köra fram och för Tjaktjajaure backa modellen skulle man kunna hitta den dag då modellerad SCA stämmer bättre överens med den verkliga. I avsnitt 3.4 diskuteras hur man skulle kunna använda detta för att uppdatera modellerad SWE. 15

30 3.3 Vårflod Vårfloden är, som tidigare nämnts, väldigt viktig för vattenkraftindustrin. På grund av detta har modellernas förmåga att beskriva vårfloden studerats. För att få med hela avsmältningsperioden studerades perioderna 1 maj-31 augusti för Tjaktjajaure och 15 april-15 juli för Kultsjön. Utöver R eff och V E har även de båda modellernas snömagasin jämförts genom att titta på mängden smältvatten. Mängden smältvatten erhölls genom att ta differensen mellan mängden vatten lagrat i snötäcket (i form av snö och löst vatten) innan och efter vårfloden Tjaktjajaure I figur 3.7 ser man att den distribuerade modellen ger bättre R eff samtliga år som studerats. Även volymmässigt ger den distribuerade modellen överlag bättre resultat. Undantaget är 2 då HBV-modellen ger ett lägre volymfel. Det låga R eff -värdet indikerar dock att vattnet i HBV-modellen inte kommer vid rätt tidpunkt. I tabell 3.6 redovisas medelvärden för R eff ( R eff ), V E, ( V E ) och medel av varje års absoluta V E ( V ). E VE ger en indikation på om modellen i genomsnitt över- eller underskattar vårflodsvolymen. Eftersom antalet undersökta år är litet är det svårt att dra några slutsatser i det här fallet. Om V E skulle vara stort och ligga i samma storleksordning (oavsett tecken) som V E (som ger en bättre bild av hur mycket fel modellen ligger i genomsnitt eftersom positiva och negativa fel inte jämnar ut varandra) skulle det indikera ett systematiskt fel. Detta är inte fallet vare sig för HBV- eller den distribuerade modellen. Sammanfattningsvis kan man konstatera, att för de mått som är mest relevanta att studera R eff och V, ger den distribuerade modellen betydligt bättre E resultat än HBV-modellen. Tabell 3.6 Modelljämförelse under vårflod, Tjaktjajaure HBV Distr. Reff 0,46 0,71 VE 0,034 0,028 0,19 0,058 V E Antal år då vårflodsvolymen överskattas 4 3 Antal år då vårflodsvolymen underskattas

31 Q (m3/s) Q (m3/s) HBV: Reff= 0.7, VE= Distr.: Reff= 0.95, VE= maj 15 maj 1 jun 15 jun 1 jul 15 jul 1 aug 15 aug 31 aug HBV: Reff= 0.66, VE= 0.22 Distr.: Reff= 0.8, VE= Q (m3/s) Q (m3/s) HBV: Reff= 0.37, VE= 0.24 Distr.: Reff= 0.72, VE= maj 15 maj 1 jun 15 jun 1 jul 15 jul 1 aug 15 aug 31 aug HBV: Reff= 0.66, VE= Distr.: Reff= 0.72, VE= Q (m3/s) 1 maj 15 maj 1 jun 15 jun 1 jul 15 jul 1 aug 15 aug 31 aug HBV: Reff= 0.13, VE= Distr.: Reff= 0.54, VE= maj 15 maj 1 jun 15 jun 1 jul 15 jul 1 aug 15 aug 31 aug HBV: Reff=0.32, VE= 0.33 Distr.: Reff= 0.62, VE= 0.1 Q (m3/s) 1 maj 15 maj 1 jun 15 jun 1 jul 15 jul 1 aug 15 aug 31 aug HBV: Reff= 0.35, VE= Distr.: Reff= 0.6, VE= maj 15 maj 1 jun 15 jun 1 jul 15 jul 1 aug 15 aug 31 aug Observerad tillrinning HBV modell Distribuerad modell Q (m3/s) maj 15 maj 1 jun 15 jun 1 jul 15 jul 1 aug 15 aug 31 aug Figur 3.7 Uppmätt och modellerad tillrinning mellan 1 maj och 31 augusti, Tjaktjajaure Vid en jämförelse av de två modellernas smältvattenvolym kan man inte se några tecken på att någon av modellerna ständigt har ett större eller mindre snömagasin. Det man vid en jämförelse med figur 3.6 slås av är de stora skillnaderna i modellerad tillrinningsvolym de år som snömagasinet i de två modellerna är relativt lika: 1997, 1998, 1 och 3. Skillnaderna mellan modellernas snömagasin och de stora variationerna i vårflodsvolymen under år då snömagasinen är relativt lika vittnar om en icke konsekvent skillnad i hur nederbörden modelleras i de två modellerna. Vattenvolym (Mm3) År Distribuerad HBV Figur 3.8 Modellerad smältvattenvolym mellan 1 maj och 31 augusti, Tjaktjajaure 17

32 3.3.2 Kultsjön I tabell 3.7 och figur 3.9 ser man att den distribuerade modellen överlag ger bättre resultat även i Kultsjön. HBV-modellen ger bättre R eff -värden 1 och 3 samt bättre V E -värde 1. HBV-modellen verkar ha en tendens att överskatta vårflodsvolymen vilket man bland annat kan se på V och E V E. Tabell 3.7 Modelljämförelse under vårflod, Kultsjön HBV Distr. Reff 0,45 0,68 VE ,0073 0,11 0,038 V E Antal år då vårflodsvolymen överskattas 6 3 Antal år då vårflodsvolymen underskattas Q (m3/s) Q (m3/s) Q (m3/s) Q (m3/s) HBV: Reff= 0.22, VE= Distr.: Reff= 0.81, VE= april 1 maj 15 maj 1 juni 15 juni 1 juli 15 jul april 1 maj 15 maj 1 juni 15 juni 1 juli 15 jul HBV: Reff= 0.56, VE= Distr.: Reff= 0.75, VE= april 1 maj 15 maj 1 juni 15 juni 1 juli 15 jul HBV: Reff= 0.62, VE= Distr.: Reff= 0.56, VE= HBV: Reff= 0.83, VE= Distr.: Reff= 0.77, VE= Q (m3/s) Q (m3/s) Q (m3/s) HBV: Reff= 0.22, VE= Distr.: Reff= 0.62, VE= april 1 maj 15 maj 1 juni 15 juni 1 juli 15 jul HBV: Reff= 0.7, VE= Distr.: Reff= 0.75, VE= april 1 maj 15 maj 1 juni 15 juni 1 juli 15 jul HBV: Reff= , VE= Distr.: Reff= 0.52, VE= april 1 maj 15 maj 1 juni 15 juni 1 juli 15 jul Observerad tillrinning HBV modell Distribuerad modell april 1 maj 15 maj 1 juni 15 juni 1 juli 15 jul Figur 3.9 Uppmätt och modellerad tillrinning mellan 15 april och 15 juli, Kultsjön I figur 3.10 ser man att snömagasinet i Kultsjön ständigt är större i HBV-modellen. Det ligger nära till hands att tro att snömagasinet i Kultsjön överskattas i HBV-modellen vilket i sin tur leder till att vårflodsvolymen överskattas alla år utom 1. 18

33 Vattenvolym (Mm3) Distribuerad HBV År Figur 3.10 Modellerad smältvattenvolym mellan 15 april och 15 maj, Kultsjön 3.4 Uppdatering av SWE utifrån SCA ett första metodtest Ett försök att utifrån satellitbildshärledd SCA förbättra beskrivningen av vårfloden har utförts. Försöket bygger på det enkla antagandet att desto bättre överensstämmelse mellan modellerad och verklig SCA desto bättre överensstämmelse mellan modellerad och verklig SWE. Metoden kan sammanfattas i följande punkter: Kör modellen. Jämför modellerad och satellitbildshärledd SCA. Är modellerad SCA över- eller underskattad? o Vid överskattning kör fram och vid underskattning backa modellen. Hitta den dag som ger bäst beskrivning av SCA. Använd total klassningsnoggrannhet (CA, se avsnitt 2.4) som kriterium. Ersätt modellerad SWE för det datum satellitbilden är från med modellerad SWE för den dag med högst CA. Kör modellen med uppdaterad SWE. Utvärdera med hjälp av R eff och V E om uppdateringen har förbättrat beskrivningen av den efterföljande perioden. I avsnitt konstaterades det att den modellerade smältningen i Tjaktjajaure kommit en aning för långt och att förhållandet var det motsatta i Kultsjön. För Tjaktjajaure beräknades därför CA för varje dag i en tre veckors period före (satellitbildens datum). För Kultsjön gjordes motsvarande för en tre veckors period efter I figur 3.11 redovisas resultaten. Det högsta CA-värdet erhölls för Tjaktjajaure och för Kultsjön

34 Figur 3.11 Identifiering av högsta CA-värdet CA-värdena har beräknats genom att jämföra modellerad SCA från de i diagrammen angivna datumen med satellitbildsklassificerad SCA från När dagarna med de högsta CA-värdena identifierats modifierades modellen för att kunna hantera uppdateringen av SWE (SWE innefattar både vatten i form av snö och löst vatten lagrat i snötäcket) och kördes sedan ytterligare en gång för att kunna utvärdera om uppdateringen förbättrat eller försämrat beskrivningen av perioden efter (d.v.s. satellitbildens datum vilket är samma datum som modellen uppdateras). I figur 3.12 redovisas uppmätt tillrinning samt modellerad tillrinning med och utan uppdatering av SWE. För Kultsjön skall man ha i åtanke att en stor del av avsmältningen redan kommit långt den 28 maj (se figur 3.6) och att en stor del av vårfloden redan passerat (se figur 3.9). För Kultsjön skulle det ha varit lämpligare med en satellitbild från ett tidigare datum. Detta fanns inte tillgå inom ramen för detta projekt. Tjaktjajaure 300 Distr.: Reff= 0.68, VE= Distr. uppdaterad: Reff= 0.66, VE= Q (m3/s) maj 15 jun 1 jul 15 jul 1 aug 15 aug 31 aug Kultsjön Observerad tillrinning Distribuerad Distr. uppdaterad 180 Distr.: Reff= 0.041, VE= Distr. uppdaterad: Reff= 0.7, VE= Q (m3/s) maj 15 juni 1 juli 15 jul Figur 3.12 Uppmätt och simulerad tillrinning med och utan uppdatering av SWE 20

35 I Tjaktjajaure ser man att den modellerade tillrinningen innan uppdateringen ligger under den observerade. Under hela perioden underskattas volymen med 7,6 %. Syftet med uppdateringen är således att öka den modellerade tillrinningen vilket också åstadkoms. Även om V E minskar något blir resultatet av uppdateringen att den studerade periodens volym överskattas med nästan lika mycket som den tidigare underskattades. Även om den dag med bäst SCA-överensstämmelse (d.v.s. högst CA) användes för att uppdatera modellens SWE verkar det med andra ord som om modellen backades för långt. Möjliga förklaringar till detta diskuteras i slutet av detta avsnitt. I Kultsjön ser man att volymen under den studerade perioden överskattas med hela 28 %. Syfte med uppdateringen är därför det motsatta mot Tjaktjajaure, att minska den modellerade tillrinningen. Efter uppdateringen stämmer till en början modellerad och observerad tillrinning mycket bättre överens men efterhand underskattar modellen tillrinningen. Modellen har gått från en överskattning på 28 % innan uppdatering till en underskattning på 17 % efter. Även i Kultsjön användes den dag med högst SCAöverensstämmelse för att uppdatera SWE men av resultaten att döma verkar det som om modellen kördes fram för långt. Sammanfattningsvis kan man konstatera att uppdateringen av SWE ledde till en viss men ingen markant förbättring av resultatet. Underlaget (ett år) är alldeles för litet för att dra några långtgående slutsatser. Trots detta kan man diskutera den eventuella orsaken till den trots allt ganska blygsamma förbättringen och vad kan göras i framtiden för att åstadkomma en större förbättring. I det här projektet har som tidigare nämnts Landsat TM använts för att klassificera snöutbredningen. Med 25 m pixelstorlek får man en detaljerad bild över snöutbredningen. Eftersom modellen jobbar med 250 m pixelstorlek är det dock inte säkert att det är en fördel att ha en 100 gånger mer detaljerad satellitbild som referens. Vid uppdatering av SWE utifrån SCA blir den dag man väljer (den med högst CA) naturligtvis väldigt beroende av hur verkligheten ser ut vilket är avhängigt valet av omsamplingsmetod. För att minska eller helt slippa omsamplingsproblematiken bör man troligen använda en sensor med en upplösning i samma storleksordning som modellen. Detta kommer att utredas inom ramen för Kartering och simulering av snö för förbättrade vårflödesprognoser baserat på Envisat data. Vidare skulle resultaten säkerligen kunna förbättras om man gjorde mer än en uppdatering av SWE under avsmältningsperioden. Eftersom den föreslagna metoden bygger på kopplingen mellan modellerad tillrinning och SCA bör naturligtvis SCA inkluderas i kalibreringen av modellen. Till detta skulle man för ett antal år behöva serier av satellitbilder som följer avsmältningen. 21

36 4 Slutsatser och rekommendationer Det fortsatta arbetet med den distribuerade modellen som av SwedPower ses som ett naturligt och nödvändigt steg i det pågående arbetet med att förbättra vårflödesprognoserna har givit goda resultat. Vid jämförelser med HBV-modellen har den distribuerade modellen generellt sett lyckats beskriva magasinstillrinningen på ett bättre sätt i både Tjaktjajaure och Kultsjön. Modellerna har jämförts för längre perioder men även en detaljstudie av den för vattenkraftindustrin så viktiga vårfloden har gjorts. Vid jämförelse av modellerad och verklig snöutbredning användes klassningsresultat från en Landsat TM-scen med 25 m pixelstorlek från den 28 maj 2 som referens. En total klassningsnoggrannhet på 0,75 och 0,78 erhölls för Tjaktjajaure respektive Kultsjön. Resultatet får anses vara godkänt med tanke på att modellen enbart kalibrerats mot uppmätt tillrinning och att jämförelse gjorts mot ett resultat genererat med mycket högre rumslig upplösning (Landsat TM). Eftersom modellen har en pixelstorlek på 250 m var det nödvändigt att sampla om klassningsresultatet från satellitbilden. Valet av omsamplingsmetod har stor effekt på resultatet och det finns det finns en risk att ett onödigt stort fel introduceras eller att operatören lockas att välja den omsamplingsmetod som passar modellerade värden bäst. På grund av detta men även av andra skäl, återkomsttid och ekonomi, framstår MODIS (i dagsläget gratis) med 500 m upplösning som ett tänkbart alternativ i en operationell situation. En av de preliminära slutsatserna från det av ELFORSK-HUVA och Rymdstyrelsen finansierade projektet Kartering och simulering av snö för förbättrade vårflödesprognoser baserat på Envisat data är att MODIS i kombination med radardata, för att täcka upp eventuella långvariga molnperioder, skulle utgöra ett möjligt koncept för att följa snösmältningen med en till två veckors återkomsttid under avsmältningsperioden. En metod för att använda snöutbredningskartor för att uppdatera snötäckets vattenekvivalent har specificerats och testats. Uppdateringen gav en blygsam förbättring. En bidragande orsak till detta kan ha varit att jämförelsen gjordes mot ett bildmaterial som har betydligt högre rumslig upplösning än modellen. Det finns emellertid en potential att förbättra metoden. Resultaten och erfarenheterna från detta arbete bör knytas till det pågående projektet Kartering och simulering av snö för förbättrade vårflödesprognoser baserat på Envisat data. En del i det fortsatta arbetet kommer att bli att vidareutveckla den häri föreslagna metodiken för hur satellitbaserad snöutbredningsinformation skall användas för att uppdatera snötäckets vattenekvivalent. Några preliminära rekommendationer baserade på erfarenheterna från detta projekt är: Använd ett större underlag (undersök fler år) Inkludera snöutbredningskartor i kalibrering av modellen Använd sensor med lägre upplösning, t.ex. MODIS Gör flera uppdateringar under varje vårflodstillfälle, (t.ex. med två veckors intervall) 22

37 Inför det fortsatta arbetet med den distribuerade modellen bör en diskussion med de potentiella användarna föras om vilken roll den distribuerade modellen kan ha i det framtida prognosarbetet. Om det till exempel är så att man framförallt ser den som ett stöd vid vårflodsprognostiseringen kanske mer vikt borde läggas vid att få en så bra beskrivning som möjligt av just vårfloden även om detta skulle ske på bekostnad av modellens prestanda under resten av året. Snöutbredningskartor bör, som tidigare nämnts, inkluderas i kalibreringsfasen och man skulle kunna tänka sig ett kalibreringsförfarande där ett rätt modellerat vårvårde värderas högre än ett rätt modellerat höstvärde. Detta är frågor som bör diskuteras med användarna så att modellen utvecklas och utformas för att fylla rätt funktion. 23