Radarobservationer i HBVmodellen

Radarobservationer i HBVmodellen En utvärdering med inriktning på flödesprognoser Elforsk rapport 6:14 Barbro Johansson, Jonas Olsson, Günther Haase Januari 26

Radarobservationer i HBVmodellen En utvärdering med inriktning på flödesprognoser Elforsk rapport 6:14 Barbro Johansson, Jonas Olsson, Günther Haase Januari 26

Radarobservationer i HBVmodellen En utvärdering med inriktning på flödesprognoser Elforsk rapport 6:14 Barbro Johansson, Jonas Olsson, Günther Haase

Förord En arbetsgrupp har sedan 1981 administrerat stöd till hydrologiskt utvecklingsarbete. Arbetsgruppen benämns HUVA. Verksamheten har berört vattenkraftens driftfrågor, dimensionerande flöden, vattentillgång och vattenbalans samt kursverksamhet. Resultat från HUVA-projekt redovisas i rapporter såväl som i nationella och internationella vetenskapliga tidskrifter. HUVA-projekt har varit ett återkommande inslag vid konferenser med hydrologisk inriktning världen över. Programmet administreras med hjälp av en programstyrelse med följande ledamöter: Peter Calla, Vattenregleringsföretagen (ordf) Claes-Olof Brandesten, Vattenfall Sigrid Eliasson, E.ON Vattenkraft Sverige Peter Lindström, SVF Björn Norell, Vattenregleringsföretagen Lars Skymberg, Fortum Generation AB Mikael Sundby, Vattenfall Lars Hammar, Elforsk Stockholm Januari 26 Lars Hammar Elforsk AB i

Sammanfattning För att kunna förutse hur ett vattendrag svarar på en viss nederbördsmängd behövs information om hur blött det initialt är i området, dvs. hur mycket regn som fallit under perioden före prognosen. Skattningar av arealnederbörd från punktobservationer kan innehålla betydande fel, inte minst i realtidssituationen då data inte är tillgängliga från alla meteorologiska stationer. Med hjälp av väderradar kan nederbörd mätas med hög rumslig upplösning, men i praktiken har det hittills varit svårt att använda radarobservationer eftersom konverteringen av radarsignalen till nederbördsmängd inte varit tillförlitlig. Under senare år har kvalitén dock höjts och fler radarer har tagits i drift. Därför gjordes bedömningen att det återigen var dags att utvärdera nyttan av radarobservationer, framför allt i samband med höga flöden och stora nederbördsmängder under korta perioder. Vid utvärderingen gjordes simuleringar med en hydrologisk modell (HBV) i 17 avrinningsområden för perioder med höga flöden. Som indata till modellen användes arealnederbörd skattad enbart från stationsdata, enbart från radarobservationer samt från en kombination av båda. I de flesta fallen gav kombinationen av radar- och stationsdata det bästa modellresultatet. Sämst blev resultaten med enbart radarobservationer som indata. Utvärderingen visade att radarobservationer av god kvalité kan bidra till bättre flödesprognoser genom en bättre beskrivning av det hydrologiska läget inför prognosen. Det var dock nödvändigt att korrigera radardata för systematiska fel med hjälp av observationer från meteorologiska stationer. Antalet områden i utvärderingen begränsades av tillgången på data av tillräckligt bra kvalité. Fortfarande är svenska radarobservationer behäftade med stora kvalitetsproblem vilket förhindrar en operationell användning i många tillämpningar. Under 26 sker ett intensivt förbättringsarbete och målsättningen är att under 27 ta in data från det nordiska väderradarnätet i det mesoskaliga analyssystem som används på SMHI. iii

Summary Catchment response to rainfall depends on the initial conditions. It is thus important to know the amount of rain that has fallen during the period immediately preceding a forecast. Area estimates of precipitation from point observations may contain considerable errors, especially in near real-time situations when data are available only from a limited number of meteorological stations. Weather radars measure precipitation with a high spatial and temporal resolution, but data has been difficult to use due to unreliable estimates of actual precipitation amounts. However, in recent years data quality has improved and the number of weather radars has increased. This was considered justification for a new evaluation of the usefulness of radar observations in conjunction with flood forecasts in Sweden. The focus was on flood events caused by high rainfall over a few days. For the evaluation, simulations were made with a hydrological model (HBV) over flood events in 17 catchments. Areal rainfall input was estimated from three sources: meteorological stations, radar observations and a combination of both. For most events, the combination or radar data and point observations provided the best results. Model performance was worst when only radar observations were used. The evaluation showed that radar observations of good quality, contribute to better flood forecasts due to a better description of the initial conditions in the catchment. It was, however, necessary to modify radar data by means of point observations from meteorological stations. The number of catchments in the evaluation was limited by the availability of radar data of acceptable quality. Swedish radar data are still affected by observation errors. During 26, an intense effort is made to improve the quality. In 27, the aim is to include data from the Nordic weather radar network in the operational mesoscale analysis system at the Swedish Meteorological and Hydrological Institute. v

Innehållsförteckning 1 INLEDNING... 1 1.1 BAKGRUND... 1 1.2 MÅL... 1 1.3 AVGRÄNSNINGAR... 1 2 DATA... 3 2.1 RADAROBSERVATIONER... 3 2.2 NEDERBÖRDSOBSERVATIONER FRÅN METEOROLOGISKA STATIONER... 5 2.3 DATA FÖR UTVÄRDERING... 6 3 METOD... 8 3.1 AREALNEDERBÖRD FRÅN RADAROBSERVATIONER... 8 3.2 KRITERIER FÖR UTVÄRDERING AV FLÖDESBERÄKNING... 11 4 RESULTAT... 12 4.1 MODELLSIMULERINGAR MED OBSERVERAD NEDERBÖRD... 12 4.2 FLÖDESPROGNOSER... 14 5 SLUTSATSER OCH DISKUSSION... 17 6 REFERENSER... 18 Bilagor A B MODELLSIMULERINGAR - GRAFER RADAROBSERVATIONER FÖR FLÖDESPERIODER vii

1 Inledning Projektet har genomförts med finansiering främst från Elforsk/HUVA, men de grundläggande undersökningarna gjordes inom två EU-projekt, Carpe Diem och ELDAS. Under 24 och 25 har vi också haft stöd från Räddningsverket. 1.1 Bakgrund Vid höga flöden i våra älvar är prognoser ett viktigt hjälpmedel i planeringen av insatser för att minimera kostnader och förebygga skador. För att kunna göra bra flödesprognoser krävs en bra meteorologisk prognos, men flödesutvecklingen beror också av hur blött det initialt är i området. Därför är det viktigt att veta hur mycket nederbörd som fallit under perioden närmast före prognosen. Sveriges Meteorologiska och Hydrologiska Institut (SMHI) gör operationella flödesprognoser med HBV-modellen ([1], [2]), där nederbörden över ett avrinningsområde traditionellt beräknas utifrån punktobservationer vid SMHIs mätstationer. För ackumulerad nederbörd över en längre tidsperiod ger det troligen bra skattningar. Då är det främst topografin och det geografiska läget som styr de rumsliga variationerna. För enskilda nederbördstillfällen får lokala och slumpmässiga variationer större betydelse. Det gäller inte bara konvektiv nederbörd i samband med åska, utan även i frontsystem kan det förekomma celler med högre nederbördsintensitet. Skattningar av arealnederbörd från punktobservationer kan då innehålla betydande fel, inte minst i realtidssituationen då hela stationsnätet inte är tillgängligt. Detta får betydelse främst vid blöta förhållanden då området svarar snabbt på nederbörd. Nederbördsobservationer med väderradar har länge ansetts vara en möjlig lösning på problemen med att bestämma arealnederbörd. Med hjälp av radarteknik kan nederbörd mätas med hög rumslig upplösning i realtid. Dock har det visat sig svårt att konvertera radarsignalen till korrekt nederbördsintensitet, och inte förrän under de senaste åren har man sett en mer allmän användning av radarnederbörd för hydrologiska tillämpningar i exempelvis USA ([3]). Ofta utgår man ifrån att radar beskriver den rumsliga variationen väl men inte den totala mängden, och radardata kombineras därför med observationer från meteorologiska stationer ([4]). Inom det europeiska forskningssamarbetet, COST, har man samlat de europeiska erfarenheterna av användning av radarobservationer i hydrologiska modeller i ett nyligen avslutat program, COST717 ([5], [6]). 1.2 Mål Målsättningen med det redovisade projektet har varit att utveckla och utvärdera metoder för att utnyttja radarobservationer inför flödesprognoser med HBV-modellen, framför allt i samband med höga flöden och stora nederbördsmängder under korta perioder. 1.3 Avgränsningar Projektet har fokuserat på användning av radarobservationer fram till prognostillfället. Radar kan också utnyttjas för mycket korta nederbördsprognoser, genom att 1

nederbördsområdenas rörelsemönster extrapoleras i tiden, men det användningsområdet har inte utvärderats i detta projekt. Inom projektet har vi framför allt undersökt: Systematiska skillnader mellan arealnederbörd skattad från punktobservationer och radarobservationer o Felkällor som påverkar arealnederbörd bestämd från radardata. Möjligheten att kombinera radardata med observationer från meteorologiska stationer. Hur användning av radarobservationer påverkar HBV-modellens simulerade vattenföring, både under observations- och prognosperioder. Tidigt under projektperioden framgick det att fel i radarobservationerna försvårade användningen för hydrologiska tillämpningar. En del av projektresurserna avsattes därför till att stötta det arbete som pågår på SMHI för att förbättra kvalitén på radardata. 2

2 Data 2.1 Radarobservationer Det svenska väderradarsystemet innehåller 12 anläggningar. SMHI svarar för fem av dem och Försvarsmakten för sju. Med dessa radarer registreras data från nästan hela Sverige. Det svenska väderradarsystemet ingår tillsammans med fem norska och åtta finska radarer i ett nordiskt nätverk, NORDRAD (Figur 2.1). NORDRAD har också tillgång till dansk väderradarinformation. Med detta radarsystem täcks en stor del av Skandinavien. Figur 2.1 Geografiskt område som täcks av det nordiska radarnätet, NORDRAD. Källa: SMHI. De radardata som använts inom projektet kommer från BALTEX Radar Data Centre (http://www.smhi.se/brdc/). Databasen innehåller radardata för Östersjöns avrinningsområde från 1999 och framåt, arkiverade som tre timmars ackumulerade värden och med en rumslig upplösning av 2x2 km 2 ([7]). Nederbördsfälten består av komposit-bilder där data från flera radarer utnyttjats. Kompositerna görs med 15 minuters intervall. 2.1.1 Mätmetod Radartekniken innebär en indirekt mätning av nederbörd ([8]). Radarpulser sänds ut, och det som mäts är den andel som reflekteras av hydrometeorer i luften. Hur stor andel som reflekteras antas vara en funktion av nederbördsintensiteten: b Z = A R Z = reflektivitetsfaktorn (dbz) R = nederbördsintensiteten (mm/tim) A,b = koefficienter 3

Koefficienterna måste bestämmas för varje radar genom en form av kalibrering där jämförelser görs mot stationsdata ([9]). Koefficienterna beror också av regndropparnas storlek och nederbördsslag. Så ligger exempelvis värdet på A för regn runt 2, medan det för blötsnö ligger runt 2 [8]. Det innebär att en missbedömning av nederbördstypen kan ge stora fel i den mätta nederbörden. Några av de vanligaste felkällorna är: Nederbörden mäts inte vid marken. På grund av jordens krökning är det omöjligt utom allra närmast radarn. Dessutom används ofta en elevationsvinkel för att undvika att strålen blockeras av höga föremål i närheten av radarn. Ju längre från radarn man befinner sig, desto högre upp i atmosfären mäts nederbörden. Det innebär att regndroppar kan hinna avdunsta på vägen ner till marken eller alternativt växa till sig, beroende på lokala förhållanden. I Skandinavien är det vanligt att nederbördsområden inte har så stor vertikal omfattning, vilket gör det här problemet extra påtagligt. Trots att strålen riktas uppåt reflekteras den mot ogenomträngliga föremål, vilket ger s.k. markekon och en falsk indikation om nederbörd ( ground clutter ). Föremålen blockerar dessutom strålen så att ingen nederbörd mäts på dess baksida ( beam blocking ). Detta är främst ett problem i fjällterräng. I moln kan det förekomma skikt med smältande snö (blöt-snö) som innebär att en stor andel av den utsända energin reflekteras ( bright band ). Om dessa skikt inte identifieras korrekt leder de till en överskattning av nederbörden. Vid inversion kan radarstrålen böjas av vid gränsen mellan två luftskikt och så småningom reflekteras mot marken, vilket ger falska s.k. anomala ekon. ( anomalous propagation ). 2.1.2 Felkällor i svenska data - exempel För att kartlägga eventuella systematiska skillnader mellan radardata och stationsdata ackumulerades observerad nederbörd för en längre period över ett flertal avrinningsområden. En sammanställning av ackumulerade data visade tydligt på de problem som finns vid användning av radarobservationer för hydrologiska tillämpningar. Ett exempel är radarmätningarna över Gimåns avrinningsområde. Observationerna där görs i huvudsak från radarn i Östersund. Undantaget är den sydöstra delen som täcks av radarn i Hudiksvall. Figur 2.2 visar den totala nederbörden 22. I nordvästra delen av området tycks det vara problem med markekon och blockering av radarstrålen. Vissa pixlar får där en årsnederbörd på 9 mm, att jämföra med ett medelvärde runt 6 mm för näraliggande stationer. Det tycks också vara så att nederbörden avtar mot sydost. Någon sådan nederbördsgradient syns inte i stationsdata, och det är troligt att man i konverteringen av radardata inte på ett korrekt sätt tar hänsyn till avståndet till radarn. I sydöstra hörnet syns en mycket skarp nederbördsgradient som eventuellt förklaras av att data kommer från två olika radarer. 4

7 mm 65 mm 6 mm 55 mm 5 mm 45 mm 4 mm ÖSTERSUND HUDIKSVALL 35 mm 3 mm 25 mm 2 mm Figur 2.2 Ackumulerad nederbörd från radarmätningar 22 över Gimåns avrinningsområde. 2.1.3 Pågående förbättringsarbete För att komma till rätta med de största kvalitetsproblemen samarbetar de nordiska instituten i sitt förbättringsarbete. Under 26-27 kommer flera nya metoder att implementeras: Svenska väderradarer kommer att förses med ett Doppler-filter ut till 24 km avstånd från radarn. Detta kommer att i stor utsträckning eliminera de problem som idag finns med markekon. Finlands Meteorologiska Institut har utvecklat en algoritm som korrigerar för att radarer inte mäter nederbörden vid markytan ([1]). Algoritmen finns i dag för de finska radarerna och kommer att implementeras i övriga nordiska radarer Det norska institutet har utarbetat en metod för att korrigera för att radarstrålen delvis blockeras i kuperad terräng. Metoden utvärderas för närvarande i samarbete med SMHI ([11]). 2.2 Nederbördsobservationer från meteorologiska stationer I det svenska stationsnätet för nederbörd ingår för närvarande ca 75 stationer. Av dem rapporterar runt 27 in nederbörd minst en gång per dygn. Antalet automatstationer som ger tätare observationer i tiden är ca 11. I den här studien har stationsdata korrigerats för mätförluster ([12]). Mätförluster orsakas av att nederbörd blåser förbi mätaren, av avdunstning och av vidhäftning vid mätarens väggar då kärlet töms. Beroende på stationens vindutsatthet och andelen snönederbörd kan förlusterna uppgå till mellan 3 och 25 % av den genomsnittliga årsnederbörden. För att underlätta beräkning av arealnederbörd för avrinningsområden har en databas med interpolerade stationsdata byggts upp på SMHI (PTHBV, [13], [14]). Databasen innehåller dagliga värden fr.o.m. 1961 för ett rutnät som täcker Sveriges avrinningsområden. Rutorna är 4x4 km 2. För historiska data (PTHBV-arkiv) har samtliga tillgängliga nederbördsstationer använts vid interpolationen. I det som i denna rapport benämns PTHBV-realtid och PTHBV-automat, har enbart realtidsrapporterande respektive automatstationer använts. 5

2.3 Data för utvärdering Nederbördsserier baserade på olika observationer har jämförts för ett antal avrinningsområden och flödesperioder. Dels har det gjorts direkta jämförelser, dels har serierna använts som indata till simuleringar med HBV-modellen. De serier som jämförts är: PTHBV-arkiv (dygnsvärden) PTHBV-realtid (dygnsvärden) PTHBV-automat (dygnsvärden och 6-timmarsvärden) Enbart radar (dygnsvärden) Radar och automatstationsdata i kombination (dygnsvärden och 6- timmarsvärden) Nederbörden för ett avrinningsområde beräknas som ett areellt medelvärde av alla de radarpixlar/pthbv-rutor som ligger i området. Radardata lagras inte i samma kartprojektion som annan geografisk information som används i HBV-modellen. Konvertering mellan olika kartprojektioner har därför ibland varit nödvändig. För att undvika interpolation av radardata har vattendelarna som avgränsar avrinningsområden konverterats med hjälp av GIS-programvara. Val av områden och flödesperioder för utvärdering har styrts av tillgången på radarobservationer av acceptabel kvalité. I så stor utsträckning som möjligt har avrinningsområden som ligger inom täckningsområdet för en radar använts. Utgående från kravet på god datatillgång och intressanta flöden valdes följande studieobjekt (se också Figur 2.3): Sommarflödet 2 i södra Norrland då flödena i Gimån var de högsta i mätserien. I övriga testområden var flödena höga men inte lika extrema. Höstflödet 21 i södra Norrland. Stora nederbördsmängder under sensommaren ledde återigen till höga flöden i bl.a. Gimån, dock betydligt lägre än sommaren 2. Sommarflödet 24 i Lagan då flödena i den övre delen beräknades ha en återkomsttid på över 5 år. Sommarflödet 24 i Torneälven då kraftiga regn den 2:e föll på redan blöta marker i de övre delarna av älven. Återkomsttiden för flödet i Junosuando skattades till 65 år. HBV-modellen kördes fram över flödena i samtliga testområden. I några områden gjordes också flödesprognoser utgående från de initialförhållande de olika nederbördsserierna gav. Dels användes observerad nederbörd som indata (Lagan 24) dels arkiverade nederbördsprognoser gjorda med SMHIs meteorologiska prognosmodell HIRLAM (södra Norrland 2 och 21). De flesta simuleringarna gjordes på dygnssteg, bl.a. för att det oftast saknas vattenföringsdata med kortare tidssteg. Risnäs är ett undantag och där gjordes simuleringar med tidssteget 6 timmar. Tyvärr är inte alla testområden inbördes oberoende. Det är en följd av den begränsade datatillgången och att flera flöden var koncentrerade till ett fåtal vattendrag. 6

Abiskojokk Torneträsk Junosuando Idsjön Stennäs krv Fyrås Björna Västersel Risnäs Torpshammar Fryele Skeens krv Nore kvarn Laholms krv Rörvik Värmeshults krv Ängabäcks krv Figur 2.3 Valda avrinningsområden för utvärdering av radarobservationer 7

3 Metod 3.1 Arealnederbörd från radarobservationer De första nederbördsserierna från radarobservationer togs fram för Gimåns avrinningsområde. Erfarenheterna därifrån styrde valet av de metoder som använts för övriga områden. Genom att ackumulera data säsongsvis och för olika temperaturintervall kunde slutsatsen dras att de största problemen med datakvalitén uppstod vid låga temperaturer (Figur 3.1). Därför gjordes valet att använda radarobservationer enbart vid dygnsmedeltemperaturer högre än 5 o C i avrinningsområdet. 3 mm 25 mm 2 mm 15 mm 1 mm T < o C 5 mm mm 4 mm 35 mm 3 mm 25 mm 2 mm T > 1 o C 15 mm 1 mm 5 mm mm Figur 3.1 Ackumulerad nederbörd över Gimåns avrinningsområde för 22 för dygn med medeltemperatur < o C respektive >1 o C. Ackumulation av data över en längre tidsperiod visade på problemen med markekon (Figur 2.2). Det drabbar ett begränsat antal pixlar, men eftersom felen i radarvärdena blir så stora kan de ändå påverka arealmedelvärdet för ett större område. Därför behövs en metod som med automatik filtrerar bort sådana pixlar. Ett enkelt angreppssätt valdes. För varje dygn beräknas medelvärde och standardavvikelse av alla pixlar inom det aktuella avrinningsområdet. Pixlar där nederbörden avviker från medelvärdet med mer än ett visst antal standardavvikelser antas påverkade av markekon. Där ersätts observationen av ett viktat medelvärde från kringliggande pixlar. Hur många standardavvikelser som kan antas indikera ett felaktigt värde bestämdes genom att 8

studera ett stort antal nederbördstillfällen. Risken att felaktigt filtrera bort pixlar med hög verklig nederbörd är liten eftersom även värdet på standardavvikelsen påverkas av pixlarna med markekon och därför blir hög när sådana förekommer. Snarare är risken den omvända, att markekon ibland tas för observationer. Sett över längre tidsperioder bör skillnaden mellan arealnederbörd skattad från radaroch punktobservationer vara liten. Dels kan ett större antal nederbördsstationer då utnyttjas, dels utjämnas de lokala variationer som orsakas av skurnederbörd och varierande nederbördsintensitet. En jämförelse mellan månadsnederbörd över Gimåns område visade dock på systematiska skillnader (Figur 3.2). För 2 och första halvåret 21 gav radarobservationerna betydligt högre nederbörd än stationsdata. För andra halvåret 21 gällde det motsatta medan skillnaderna för 22 var små. Stationsdata har använts för hydrologiska beräkningar över hela perioden och det finns ingen anledning att misstänka några stora systematiska fel i dessa data. Därför är det troligt att felen ligger i radarobservationerna eller i konverteringen från reflektivitet till nederbördsintensitet. Månadsnederbörd (mm) 4 3 2 1 Enbart stationsdata Enbart radar 2 21 22 Figur 3.2 Månadsnederbörd för Gimåns avrinningsområde. Nederbördsserier beräknade från stationsdata respektive radarobservationer. Analysen av radardata ledde till slutsatsen att radarobservationer bör kombineras med stationsdata för att vara användbara som indata till hydrologiska modeller. Orsaken är bristen på homogenitet i tidsserierna, indikationer på att nederbördsmängden påverkas av avståndet till radarn samt att olika radarer tycks ge olika nederbördsmängd. Det senare märks i komposit-bilderna i övergången mellan radarer (t.ex.figur 2.2). 3.1.1 Att kombinera radarobservationer med stationsdata Syftet med att kombinera radarinformation med observationer från automatstationer är att utnyttja den information om de rumsliga variationerna som finns i radarbilden men samtidigt korrigera för de systematiska felen. Den metodik som valdes använder radarobservationerna som bas. I de pixlar där det finns observationer från automatstationer beräknas skillnaden mellan radarvärdet och stationsvärdet. Dessa fel i radarobservationen interpoleras sedan ut över radarbilden (Figur 3.3). Interpolationen 9

görs med en geostatistisk metod, så kallad optimal interpolation ([15]). Metoden tycks över en längre tidsperiod ge homogena tidsserier i nivå med stationsdata (Figur 3.4). En invändning som rests mot metoden är att stationsdata redan används löpande för att kalibrera radarerna. En ytterligare justering innebär då en dubbelanvändning som är vetenskapligt tveksam. Radarkalibreringen görs dock inte med data från den aktuella dagen utan för den föregående tvåveckorsperioden. Enbart radarobservationer (a) 4 mm 36 mm Interpolerad skillnad mellan radarobservationer och stationsdata (b) 15 mm 1 mm 5 mm 33 mm 51 mm 37 mm mm -5 mm 41 mm -1 mm -15 mm Radarobservationer korrigerade från stationsdata (a+b) 12 mm 1 mm 8 mm 6 mm 4 mm 2 mm mm Figur 3.3 Exempel på hur radarobservationer över Gimåns avrinningsområde justerats med hjälp av stationsdata. Månadsnederbörd (mm) 4 3 2 1 Enbart stationsdata Radar och stationsdata kombinerat 2 21 22 Figur 3.4 Månadsnederbörd för Gimåns avrinningsområde. Nederbördsserier beräknade från stationsdata respektive radarobservationer justerade med stationsdata. Jämförelsen enbart gjord för månader med temperatur >5 o C. Se också Figur 3.2. 1

3.2 Kriterier för utvärdering av flödesberäkning HBV-modellen automatkalibrerades ([16]) med indata från PTHBV-Arkiv för perioden 198991-1999831. Därefter kördes modellen fram till en dryg månad före de aktuella flödena och modelltillståndet sparades. För flödena 2 och 24 sparades ett tillstånd för förste juni och för septemberflödet 21 för förste. För att efterlikna en verklig flödessituation antogs endast radarobservationer samt data från realtidsrapporterande nederbördsstationer finnas tillgängliga efter det datumet. Från det sparade starttillståndet gjordes simuleringar med olika nederbördsserier som indata. Över själva flödesperioden jämfördes simulerat och observerat flöde med två kriterier, R 2 -värdet ([17]) och volymfelet (Vf): R Vf 2 n i= 1 = 1 n ( Qcom( i) Qrec( i)) i= 1 Qcom Qrec = Qrec ( Qrec( i) Qrec) 2 2 Qcom(i) = beräknad vattenföring dag i Qrec(i) = observerad vattenföring dag i Qrec = observerad medelvattenföring dag 1 till n Qcom = beräknad medelvattenföring dag 1 till n För Torpshammar i Gimån, Värmeshults kraftverk i Lagan samt Risnäs i Gådeälven simulerades ett antal prognoser under flödesperioden. Det som bedömdes som mest intressant var att utvärdera hur väl förändringen i vattenföring kan förutsägas. För att underlätta jämförelsen med observerad vattenföring användes därför autoregressiv uppdatering ([18]). Den innebär att prognosen startar från rätt flödesnivå och att en viss procent av felet i simulerad vattenföring sista tidssteget före prognosen adderas till varje prognosvärde. Prognoserna utvärderades visuellt. 11

4 Resultat 4.1 Modellsimuleringar med observerad nederbörd En sammanställning av resultaten av modellsimuleringar med olika nederbördsserier ges i Tabell 4.1. I termer av R 2 -värde och volymfel är det kombinationen av radarobservationer och automatstationsdata som i genomsnitt ger klart bäst simuleringar, speciellt om vi enbart jämför nederbördsserier baserade på realtidsobservationer. Medelvärdet av R 2 för kombinationen realtidsdata och radar är.71, medan det för PTHBV-realtid är.63. Sämst resultat i snitt ger nederbördsserierna som bygger enbart på radarobservationer. Något överraskande är att HBV-modellen i nästan samtliga fall underskattar flödesvolymen. Användning av radar leder till en ökad volym, men en viss underskattning kvarstår. Tabell 4.1 Sammanställning av utvärderingskriterier för framkörning av HBV-modellen över olika flödestillfällen. Modellen körd med olika nederbördsserier som indata. Det alternativ som ger det bästa R 2 -värdet har markerats med fet stil, det sämsta med kursiv stil. Område Period PTHBV PTHBV PTHBV Radar Radar + arkiv realtid automat automat R 2 Vf (%) R 2 Vf (%) R 2 Vf (%) R 2 Vf (%) R 2 Vf (%) Idsjön 271-2831.66-15.8-5.4.72-1.58-3.3.82 11 Torpshammar 271-2831.78-13.83-12.78-16.44-21.89 4.8 Idsjön 21825-2193.38-17.42-16.19-22.8-8..59-14 Torpshammar 21825-2193.51-18.52-18.26-23.8-12.82-9.8 Stennäs krv 271-2831.48-19.41-2.35-21.51-18.71-12 Björna 271-2831.7-9.8.61-13.58-12.52-3.7.84-4.7 Stennäs krv 21825-2193.72-9.7.71-6.7.71-3.9.63-14.43-18 Björna 21825-2193.91-6.1.91-3.9.92 -.7.74-14.75-14 Västersel 271-2831.89-6.8.93-5.3.92 4.6.83 11.98 -.9 Västersel 21825-2193.88-11.89-5.4.9-3.2.92-7.1.95 -.8 Risnäs 271-2831.8-16.76-19.86-2.6.75 2.88 11 Risnäs 21825-2193.88-17.85-2.53-39.84-21.85-21 Fyrås 271-2831.82-2.3.83 1.9.74-6.3 -.2-22.59-16 Fyrås 21825-2193.89-9..89-7.7.75-13.76-15.4-24 Rörvik 2471-24815.67-24.54-27.53-27.48-31.73-8.4 Värmeshult 2471-24815.24-35.12-37.13-37.23-32.73-15 Fryele 2471-24815.53-22.47-21.47-22.35-15.65 -.1 Bolmen 2471-24815.66-19.64-2.58-26.29-41.6-23 Ängabäcka krv 2471-24815.27-31.2-32.4-36 -.1-38.56-22 Nore kvarn 2471-24815.48-38.37-42.27-51.29-52.42-45 Laholms krv 2471-24815.5-22.41-24.23-29.16-3.7-14 Medel.65-17 17 *.62-17 17 *.55-19 19 *.51-17 2 *.71-11 14 * Abiskojokk 2471-2481.71-8.4.68-11.5-23.53-16 Torneträsk 2471-2481.58-11.57-11.95 2..72 6.4 Junosuando 2471-2481.6-14.67-12.88.2.85 1.4-16 Medel.65 16 *.63-16 16 *.55-16 19 *.71-1 13 * *) Medelvärde av absolutvärden 12

Två områden där radarinformationen ger en stor förbättring i simulerad vattenföring är Torpshammar och Värmeshults kraftverk (Figur 4.1 och Figur 4.2). Radarbilderna visar i båda fallen en ojämn nederbördsfördelning som inte speglas fullt ut i stationsdata. I radarbilderna syns mönster som tyder på att data från alla pixlar inte är tillförlitliga. Det är värt att observera att man trots detta får en så tydlig förbättring av modellresultaten. I bilaga A visas grafer för samtliga områden och flödestillfällen i Tabell 4.1. I några fall leder användning av radardata till klart sämre modellresultat än enbart stationsdata. Det har inte gjorts någon fördjupad analys för att hitta eventuella orsaker till skillnaden mellan olika områden och flödestillfällen. I Bolmen kan det troligen förklaras av att radarstrålen är blockerad i den aktuella riktningen, men för övriga områden ger en översiktlig studie av radarbilderna ingen förklaring (se bilaga B). 5 Nederbörd (mm) Vattenföring (m 3 /s) 4 3 2 1 4 3 2 1 Torpshammar observerad vattenföring realtidsstationer för nederbörd automatstationer för nederbörd radarobservationer och automatstationer för nederbörd 2712-2714 2715-2717 24 2 23 28 26 25 27 49 12 6 18 1 25 33 35 47 58 54 48 57 41 4 55 53 69 58 17 24 34 5 24 2718-272 11 1 mm 9 mm 13 32 39 46 21 21 16 8 mm 7 mm 6 mm 5 mm 48 7 65 126 63 27 42 27 4 mm 3 mm 2 mm 1 mm mm Figur 4.1 Simulering av sommarflödet 2 (279-85) i Torpshammar med tre olika nederbördsserier som indata (övre bilden). De nedre bilderna visar aktuella nederbördsmängder enligt radarobservationerna tillsammans med stationsdata från automatstationerna. 13

regn (mm) 8 6 4 2 Värmeshult kraftverk vattenföring (m 3 /s) 8 6 4 2 observerad vattenföring realtidsstationer för nederbörd automatstationer för nederbörd radarobservationer och automatstationer för nederbörd 2479 1 mm 9 mm 51 8 mm 43 27 7 mm 43 29 6 mm 77 5 mm 35 4 mm 14 54 78 3 mm 2 mm 1 mm mm Figur 4.2 Simulering av sommarflödet 24 (2475-81) vid Värmeshult med tre olika nederbördsserier som indata (övre bilden). Den nedre bilden visar aktuella nederbördsmängder enligt radarobservationerna tillsammans med stationsdata från automatstationerna. 4.2 Flödesprognoser De observerade nederbördsserier som används som indata till modellen styr från vilket modelltillstånd prognosen startar. Den effekt det får på det prognosticerade flödet undersöktes i några fallstudier som redovisas i Figur 4.3, Figur 4.4 och Figur 4.5. Fallstudierna tyder på att det är två faktorer som avgör hur prognosen påverkas. Skillnaden i nederbördsmängd före prognosen är självklart en sådan faktor. Den andra är hur snabbt eller långsamt området reagerar på nederbörd. I exemplet påverkas tillrinningsprognoserna för Torpshammar mycket lite av valet av nederbördsdata, trots de tydliga skillnader man ser i simulerad vattenföring. Här tycks det främst vara nederbördsprognosen som styr. För Värmeshults kraftverk däremot ger användningen av radarobservationer en betydligt bättre prognos. Det beror troligen dels på att skillnaden i nederbörd är större, men främst på att Värmeshults avrinningsområde har ett längre minne. Hur prognosen påverkas av magasineringen i området illustreras även i Risnäs, där det finns en liten sjö i avrinningsområdets utlopp. Tillrinningen till sjön stiger mycket snabbt efter regnet och prognosen på tidpunkt och storlek för flödestoppen tycks inte bli bättre med ett bättre starttillstånd. Däremot får man en bättre prognos på hur utflödet från sjön ökar efter regnen den 1 september, eftersom magasineringen i sjön ger en långsammare reaktion på nederbörden. För tillrinningen i Risnäs ger starttillståndet en positiv påverkan på hur väl recessionen efter toppen förutsägs. Det är intressant för planering av magasinstappning och åtgärder längre nedströms i vattendragen. 14

nederbörd (mm) 5 4 3 2 1 3 2 1 2-dygns nederbördsprognoser från HIRLAM: 2715-16; 2717-18;2718-19; 2719-2; 272-21;2721-22 4 13 18 23 28 13 18 23 28 observerad vattenföring nederbörd från stationsdata nederbörd från radarobservationer och stationsdata 4 vattenföring (m 3 /s) 3 2 1 3 2 1 13 18 23 28 13 18 23 28 Figur 4.3 Exempel på prognoser med HBV-modellen för Torpshammar under flödet i 2 (högra bilden). Prognoserna utgår från två olika starttillstånd. Nederbördsprognoserna kommer från Hirlam. Den vänstra bilden visar simulerad vattenföring med observerad nederbörd baserad på realtidsrapporterande nederbördsstationer respesktive radarobservationer och automatstationer för perioden 2712-31. Alla simuleringar är gjorda med dygnssteg. nederbörd (mm) 8 6 4 2 8 2 12 22 observerad vattenföring nederbörd från stationsdata 5 4 3 2 1 nederbörd från radarobservationer och stationsdata 1 Prognosnederbörd = observerad nederbörd, skattad från radarobservationer och stationsdata: 2471-19; 24713-22 2 12 22 vattenföring (m 3 /s) 6 4 2 8 6 4 2 2 12 22 2 12 22 Figur 4.4 Exempel på prognoser med HBV-modellen för Värmeshult under flödet i 24 (högra bilden). Prognoserna utgår från två olika starttillstånd. Som fiktiv nederbördsprognos har observationerna från kombinationen av radar och stationsdata använts. Den vänstra bilden visar simulerad vattenföring med observerad nederbörd baserad på realtidsrapporterande nederbördsstationer respesktive radarobservationer och automatstationer för perioden 2472-731. Alla simuleringar är gjorda med dygnssteg. 15

3 nederbörd (mm) 2 1 7 8 9 1 11 12 13 14 15 16 17 18 1 5 48-timmars nederbördsprognoser från HIRLAM: 2199: -1:24; 2191: -11:24; 2191:12-12:12; 21911: -12:24; 21911:12-13:12; 21912:12-14:12 7 8 9 1 11 12 13 14 15 16 17 18 observerad vattenföring nederbörd från stationsdata nederbörd från radarobservationer och stationsdata 5 5 vattenföring (m 3 /s) 4 3 2 1 tillrinning 4 3 2 1 7 8 9 1 11 12 13 14 15 16 17 18 7 8 9 1 11 12 13 14 15 16 17 18 vattenföring (m 3 /s) 3 2 1 utflöde 7 8 9 1 11 12 13 14 15 16 17 18 3 2 1 7 8 9 1 11 12 13 14 15 16 17 18 Figur 4.5 Exempel på prognoser med HBV-modellen för Risnäs under flödet i september 21 (högra bilden). Prognoserna utgår från två olika starttillstånd. Nederbördsprognoserna kommer från Hirlam. Den övre vattenföringsgrafen visar tillrinningen till områdets utloppssjö, den undre grafen utflödet. Den vänstra bilden visar simulerad vattenföring med observerad nederbörd baserad på automatstationer respesktive radarobservationer och automatstationer för perioden 2197-918. Simuleringarna är gjorda med tidssteget 6 timmar. I ett område som reagerar så snabbt som Risnäs finns ett värde i att kunna uppdatera modellsimuleringar och prognoser oftare än en gång per dygn, kanske speciellt då vattenföringsobservationer saknas för en beskrivning av det aktuella läget. Nederbördsprognoserna den 9:e och tidigt på morgonen den 1:e förutsade inte de stora regnmängder som kom under dagen den 1:e. Flödessituation på eftermiddagen och kvällen den 1:e blev därför helt annorlunda än enligt prognosen, något som HBVsimuleringarna visade. 16

5 Slutsatser och diskussion Det genomförda projektet har visat att radarobservationer av god kvalité kan bidra till bättre flödesprognoser genom en bättre beskrivning av det hydrologiska läget inför prognosen. I områden som saknar aktuella vattenföringsobservationer finns det en direkt nytta av att genom modellsimuleringar få en god beskrivning av den hydrologiska situationen. Man kan med större säkerhet relatera det aktuella läget till tidigare kända flöden. Hur stor inverkan det aktuella läget får på prognosen beror dels på områdets egenskaper, dels på när prognosen utfärdas i förhållande till tidpunkten för flödestoppen. I de lägen där området svarar mycket snabbt på nederbörd tycks noggrannheten i nederbördsprognosen ha störst betydelse för hur väl flödesökningen och maxvärdet på flödestoppen förutsägs. Däremot styr starttillståndet hur snabbt det simulerade flödet avtar efter att regnet upphört. I områden med högre magasineringskapacitet i grundvatten och sjöar/dammar får starttillståndet betydelse även för att förutsäga uppgången och tidpunkten när maxvärdet uppnås. Användning av radarobservationer ökar möjligheten att utnyttja kortare tidssteg än dygn i HBV-modellen. Det visade sig vara till nytta i ett litet område som svarade mycket snabbt på regn, men projektet har inte utvärderat i vilken utsträckning det ökar prognosnyttan i de större områden där de flesta operationella prognoserna görs. I de undersökta områdena har det varit nödvändigt att korrigera radardata före användning i HBV-modellen, och ett förslag till en metod för detta har presenterats och testats. Att radarobservationer inte kan användas direkt i hydrologiska modeller fann även [19]. Urvalet av områden i undersökningen har styrts av tillgången på data av acceptabel kvalité, men även dessa data har innehållit uppenbara felkällor. Det är värt att notera att det ändå i många fall gått att få en bättre skattning av arealnederbörd än med enbart stationsdata. Fortfarande är svenska radarobservationer behäftade med stora kvalitetsproblem vilket förhindrar en operationell användning i många tillämpningar. Under 26 sker ett intensivt förbättringsarbete och målsättningen är att under 27 ta in NORDRAD data i det mesoskaliga analyssystemet (MESAN, [2]) som används på SMHI. I slutrapporten från det tidigare nämnda COST717-programmet påpekas dock att radarobservationer aldrig kommer att bli perfekta, och en slutsats är att användarna behöver utbildning i dess styrkor och svagheter. Kanske är det nödvändigt med en visuell inspektion av radarbilden innan man väljer att utnyttja radardata. En annan slutsats är att osäkerheten i nederbördsobservationerna skall finnas med i bedömningen av osäkerheten i prognosen. Hur osäkerheten i indata påverkar modellresultaten har studerats av bl.a. [21] och [22]. Ett relativt enkelt alternativ är att skatta arealnederbörd med och utan radarobservationer och låta skillnaden bli ett mått på osäkerheten i indata. Detta kan kombineras med de osäkerhetsmått som används för nederbördsprognoser och de hydrologiska modellberäkningarna. 17

6 Referenser [1] Bergström, S. (1995) The HBV model. In Singh V.P. (ed.) Computer Models in Watershed Hydrology. Water Resources Publications, Highland Ranch, CO, pp. 443-476. ISBN -918334-91-8. [2] Lindström G, Johansson B, Persson M, Gardelin M, Bergström S (1997) Development and test of the distributed HBV-96 hydrological model, J. Hydrol. 21: 272-288 [3] Finnerty, B. D., Smith, M. B., Seo, D-J., Koren, V., Moglen, G. E. (1997) Spacetime scale sensitivity of the Sacramento model to radar-gage precipitation inputs. J. Hydrol. 23: 21-38. [4] Matsoukas, C., Islam, S., Kothari, R. (1999) Fusion of radar and rain gage measurements for an accurate estimation of rainfall. Journal of Geophysical Research. 14: 31437-3145 [5] Rossa, A. Bruen, M. Frühwald, D., Macpherson, B., Holleman, I., Michelson, D., Michaelides, S. (eds). (25) Use of Radar Observations in Hydrological and NWP Models. COST 717 Final Report, WDD_MC_255_1, (www.smhi.se/cost717/). [6] Michelson, D., Einfalt, T., Holleman, I., Gjertsen, U., Friedrich, K., Haase, G., Lindskog, M., Jurczyk, A. (24) Weather Radar Data Quality in Europe: Quality Control and Characterization. COST 717 Report, WDF_MC_243_1, (www.smhi.se/cost717/) [7] Michelson, D.B., Andersson, T., Koistinen, J., Collier, C. G., Riedl, J., Szturc, J., Gjertsen, U., Nielsen, A., Overgaard, S. (2) BALTEX Radar Data Centre products and their methodologies. SMHI Reports RMK No. 9. Swedish Meterological and Hydrological Institute, Norrköping. [8] Collier, C. G. (1996) Applications of Weather Radar Systems. A guide to uses of radar data in meteorology and hydrology. Praxis/ John Wiley and Sons. Chichester/London. ISBN 471 9613-6 [9] Michelson, D.B. (23) Quality Control of Weather Radar Data for Quantitative Application. PhD thesis. Telford Institute of Environmental Systems, University of Salford, Salford, Greater Manchester, UK, 281 s. [1] Koistinen, J., Michelson, D.B., Hohti, H., Peura, M. (23) Operational Measurement of Precipitation in Cold Climates, s. 78-114 i P. Meischner (red.) Weather Radar Principles and Advanced Applications, Springer Verlag.. [11] Haase, G., Gjertsen, U., Beach, J. (25) Weather radar data quality in Northern Europe: Beam propagation issues. I Proceedings of the AMS 32nd Conference on Radar Meteorology. 24-29 October 25, Albuquerque. (http://ams.confex.com/ams/32rad11meso/techprogram/paper_967.htm ) [12] Alexandersson H (23) Korrektion av nederbörd enligt enkel klimatologisk metodik. SMHI Meteorologi No. 111. [13] Johansson B, Chen D (23) The influence of wind and topography on precipitation distribution in Sweden: Statistical analysis and modelling. Int. J. Climatol. 23: 1523-1535 18

[14] Johansson, B. and D. Chen, 25: Estimation of areal precipitation for runoff modelling using wind data: A case study in Sweden. Climate Research Vol. 29, 53-61 [15] Daley, R. (1991) Atmospheric Data Analysis. Cambridge University Press, ISBN -521-38215-7. [16] Lindström, G. (1997) A simple automatic calibration routine for the HBV model. Nordic Hydrology 28: 153-168. [17] Nash, J. E., Sutcliffe, J. V. (197) River flow forecasting through conceptual models. Part I a discussion of principles. J. Hydrol. 1: 282-29. [18] Bengt Carlsson, B., Lindström, G. (21) HBV-modellen och flödesprognoser. SMHI Hydrologi nr. 85. [19] Hossain, F., Anagnostou, E.N., Dinku, T., Borga, M. (24) Hydrological Model Sensitivity to Parameter and Radar Rainfall Estimation Uncertainty. Hydrological Processes, vol. 18, no. 17, pp. 3277-3292 [2] Häggmark, L., Ivarsson, K-I., Gollvik, S., Olofsson, P-O. (2) Mesan, an operational mesoscale analysis system, Tellus 52A: 2-2. [21] Carpenter, T.M., Georgakakos, K.P. (24) Impacts of parametric and radar rainfall uncertainty on the ensemble streamflow simulations of a distributed hydrologic model. Journal of Hydrology, 24, vol. 298, no. 1-4, pp. 22-221 [22] Olsson, J. (25) Spatio-temporal precipitation error propagation in runoff modelling: A case study for a Central Swedish catchment. Submitted to Hydrology and Earth System Sciences. 19

Bilagor ELFORSK

A Modellsimuleringar - grafer regn (mm) 5 4 3 2 1 Idsjön 5 4 3 2 1 Torpshammar 16 4 vattenföring (m 3 /s) 12 8 4 3 2 1 regn (mm) 4 3 2 1 Stennäs krv 4 3 2 1 Björna 6 16 vattenföring (m 3 /s) 4 2 12 8 4 5 regn (mm) 4 3 2 1 12 Västersel observerad vattenföring realtidsstationer för nederbörd automatstationer för nederbörd vattenföring (m 3 /s) 8 4 radarobservationer och automatstationer för nederbörd Simulerad vattenföring med HBV-modellen för områden i södra Norrland under flödet sommaren 2. Tre olika nederbördsserier använda som indata. 1

regn (mm) 6 4 2 Risnäs regn (mm) 5 4 3 2 1 Fyrås 25 2 vattenföring (m 3 /s) 2 15 1 5 vattenföring (m 3 /s) 16 12 8 4 observerad vattenföring realtidsstationer för nederbörd automatstationer för nederbörd radaroberservationer och automatstationer för nederbörd Simulerad vattenföring med HBV-modellen för områden i södra Norrland under flödet sommaren 2. Tre olika nederbördsserier använda som indata. 2

regn (mm) 5 4 3 2 1 Idsjön 5 4 3 2 1 Torpshammar 16 september 4 september vattenföring (m 3 /s) 12 8 4 3 2 1 september september regn (mm) 4 3 2 1 Stennäs krv 4 3 2 1 Björna 6 september 16 september vattenföring (m 3 /s) 4 2 12 8 4 september september regn (mm) vattenföring (m 3 /s) 5 4 3 2 1 12 1 8 6 4 2 Västersel september observerade vattenföring realtidsstationer för nederbörd automatstationer för nederbörd radarobservationer och automatstationer för nederbörd september Simulerad vattenföring med HBV-modellen för områden i södra Norrland under flödet hösten 21. Tre olika nederbördsserier använda som indata. 3

regn (mm) 6 5 4 3 2 1 Risnäs 5 4 3 2 1 Fyrås 25 september 2 september vattenföring (m 3 /s) 2 15 1 5 16 12 8 4 september september observerad vattenföring realtidsstationer för nederbörd automatstationer för nederbörd radarobservationer och automatstationer för nederbörd Simulerad vattenföring med HBV-modellen för områden i södra Norrland under flödet hösten 21. Tre olika nederbördsserier använda som indata. 4

regn (mm) 8 6 4 2 Rörvik 8 6 4 2 Värmeshult kraftverk 5 8 vattenföring (m 3 /s) 4 3 2 1 6 4 2 regn (mm) 8 6 4 2 Fryele 8 6 4 2 Bolmen 1 2 vattenföring (m 3 /s) 8 6 4 2 16 12 8 4-4 regn (mm) 8 6 4 2 24 Ängabäck observerad vattenföring realtidsstationer för nederbörd vattenföring (m 3 /s) 2 16 12 8 4 automatstationer för nederbörd radarobservationer och automatstationer för nederbörd Simulerad vattenföring med HBV-modellen för områden i Lagan under sommarflödet 24. Tre olika nederbördsserier använda som indata. 5

regn (mm) 5 4 3 2 1 Abiskojokk 5 4 3 2 1 Torneträsk 2 36 vattenföring (m 3 /s) 16 12 8 4 32 28 24 2 16 regn (mm) 5 4 3 2 1 12 Junosuando observerad vattenföring realtidsstationer för nederbörd automatstationer för nederbörd vattenföring (m 3 /s) 1 8 6 4 radarobservationer och automatstationer för nederbörd 2 Simulerad vattenföring med HBV-modellen för områden i Torneälven under sommarflödet 24. Tre olika nederbördsserier använda som indata. 6

B Radarobservationer för flödesperioder 276-278 279-2711 41 4 43 88 48 35 57 29 11 4 1 1 23 2 9 9 25 6 7 4 11 13 21 13 16 34 7 13 18 1 2 7 2712-2714 2715-2717 24 2 23 28 26 25 27 49 12 6 18 1 25 33 35 47 58 54 48 57 41 4 55 53 69 58 17 24 34 5 24 2718-272 11 1 mm 9 mm 13 32 39 46 21 21 16 8 mm 7 mm 6 mm 5 mm 48 7 65 126 63 27 42 27 4 mm 3 mm 2 mm 1 mm mm Södra Norrland under sommarflödet 2. Aktuella nederbördsmängder enligt radarobservationerna tillsammans med stationsdata från automatstationerna 1

21826-21828 63 59 52 99 67 59 42 63 84 88 39 34 57 67 6 37 2196-2198 2199-21911 34 18 7 18 26 12 38 43 7 19 19 26 16 14 19 41 14 34 11 31 115 52 6 2 11 21 9 37 78 38 13 96 21912-21914 35 125 mm 26 25 24 35 21 29 48 1 mm 75 mm 25 37 34 5 mm 14 31 3 24 2 25 mm mm Södra Norrland under höstflödet 21. Aktuella nederbördsmängder enligt radarobservationerna tillsammans med stationsdata från automatstationerna 2

2479 2471 51 11 43 43 27 29 19 4 5 12 77 42 35 3 54 78 31 31 14 3 24711 1 mm 9 mm 8 mm 4 13 22 1 7 mm 6 mm 7 5 mm 3 21 31 4 mm 3 mm 2 mm 5 1 mm mm Lagan under sommarflödet 24. Aktuella nederbördsmängder enligt radarobservationerna tillsammans med stationsdata från automatstationerna 3

24719 2472 1 57 15 3 56 7 9 9 2 48 42 6 9 21 24721 1 mm 9 mm 8 mm 8 7 mm 11 6 mm 5 mm 4 mm 3 mm 2 mm 1 mm mm Torneälven under sommarflödet 24. Aktuella nederbördsmängder enligt radarobservationerna tillsammans med stationsdata från automatstationerna 4

SVENSKA ELFÖRETAGENS FORSKNINGS- OCH UTVECKLINGS ELFORSK AB Elforsk AB, 11 53 Stockholm. Besöksadress: Olof Palmes Gata 31 Telefon: 8-677 25 3. Telefax 8-677 25 35 www.elforsk.se