Distribuerade system för förbättrade snöoch avrinningsprognoser Integration i hydrologiska modeller Rapport 3, 2010 Nils Granlund, LTU och Jesper Ahlberg, KTH Angela Lundberg, LTU, David Gustafsson, KTH, Fredrik Wetterhall, SMHI och Göran Lindström, SMHI Finansiärer: SVC, HUVA & Kempestiftelsen
Varför ger snömätningar inte alltid bättre avrinningsprognoser? SM Evp UZ [mm] Inf [mm] Perc [mm] Q [mm] LZ [mm]
Modell Observationer Dataassimilering Förbättrade prognoser Med hjälp av snödata?
Osäkerhetsparadigmen Drivdata + Modell + Observation = Resultat
Data assimilation med Ensemble Kalman filter P t T t Beräkning av modelltillstånd vid tiden t, X fo X fo K cov X cov X fo fo covz t Observationer, z, av modelltillstånd vid t z t Uppdatering av modelltillstånd och parametrar vid t, Xup X up X up X fo K Z t X fo t=t+δt (Gustafsson et al, 2009; Ahlberg & Gustafsson, 2010, in prep)
Hur blir det i praktiken? Input Parameter(Modell) Observation Resultat
Korsvattnet, Jämtland ~20 km radarprofiler Automatiska Snömätningar Vid SMHI station Manuella 10 pkt
Distribuerad snöhydrologisk modell P P P Konceptuell avrinningsmodell Distribuerad snö och markmodell Flexibel struktur snow(i ) Ea wc(i ) soil(i ) uz q1 P E perc P E lz q2 q1+q2 slc3 slc1 slc2 maxbas
Assimilering av snödjup med olika observationsintervall Mätintervall 1 dag R Nash =0.99 R Nash =0.97
Assimilering av snödjup med olika observationsintervall Mätintervall 7 dagar R Nash =0.96 R Nash =0.96
Assimilering av snödjup med olika observationsintervall Mätintervall 14 dagar R Nash =0.92 R Nash =0.93
Assimilering av snödjup med olika observationsintervall Mätintervall 28 dagar R Nash =0.89 R Nash =0.87
Parameterskattning med EnKF
Assimilering av snö med/utan avrinning Utan Med avrinning
Slutsatser Modellering Ensemble Kalman filtermetoden är användbar för att ta till vara snödata i den hydrologiska modeleringen Osäkerheter i snödata, modell och inputvariabler hanteras på ett konsekvent sätt Snödjupsmätningar kan användas för förbättra modelleringen av snövattenekvivalenten
Framtidsplaner Känslighet i dataassimileringen för olika val av: Modellstruktur Snödata Rumslig representation Möjlighet att extrapolera till närliggande områden Betydelse för långtidsprognoser Licentiatavhandling Jesper Ahlberg, Maj 2010
Förbättring av SWE mätningar med markradar (GPR) (rumslig variation)
Mäta snöns vattenekvivalenten (SWE) med GPR Metod A: Vanligtvis uppskattas SWE direkt från tvåvägstiden SWE a twt b koefficienterna a och b beror på snödensiteten och måste kalibreras med manuella densitetsmätningar Metod B: Snödensiteten och SWE kan uppskattas från radarvågornas utbredningshatighet i snön mha en empirisk formel a) hastigheten bestäms från tvåvägstiden och snödjupet, eller b) både snödjupet och utbredningshastigheten uppskattas om ett radarsystem med flera kanaler används
Multi-Offset GPR Möjliggör att ha antennerna i en rad med fasta avstånd Då kan man samtidigt mäta flera radarpulser som färdas olika väg genom snötäcket Antennerna kan placeras så att alla uppmätta radarpulser får samma reflektionspunkt mot markytan
Beräkna snödjup och utbredningshastighet med en Common Mid-Point metod (CMP) v twt 1 2 l 1 2 2 d 2 v twt 2 2 l 2 2 2 d 2 där v och d är okända
Problem med att mäta SWE på blöt snö Den ovan nämnda metoden är bara giltig för torr snö Om vi tex har ett snötäcke med en densitet 300kg/m 3 och 5vol.% vatten, kommer SWE att överskattas med ca 20% (Lundberg and Thunehed 2000) 3 c v 2 3 snow ice 3 ice water 3 water air 3 air water 0, ice, ice snow
Målet är att förbättra SWE uppskattningarna med GPR genom att hitta en metod för att beräkna vattenhalten från befintlig radardata water?
Lösningsförslag Förutom att mäta tvåvägstiden kan också radarvågornas dämpning mätas Dämpningen beror på: Geometrisk spridning Scattering i snön (t.ex. från tunna islager) Transmission ner i marken Energi omvandling till värme Beror på snöns elektriska egenskaper (permittivitet och konduktivitet), vilka båda är beror på vattenhalten
Kräver: σ snow = f(θ water ) separera dämpningen från energiomvandling från förluster vid markreflektionen
Denna lösning kräver hitta sambandet mellan vattenhalten och snöns konduktivitet kunna separera dämpningen från värmeförluster från förluster i samband med markreflektionen
Hitta sambandet mellan vattenhalt och snöns elektriska konduktivitet Ett linjärt samband har tagits fram med hjälp av ett flertal experiment som beskrivs i artikel I och II i min avhandling snow 3 10 3 water 10
Pågående arbete: Att separera dämpningen från värmeförluster från förluster vid markreflektionen Vi föreslår Utnyttja Fresnells ekvation för vinkelberoende reflektionskoefficienter (infallsvinklarna är kända från CMP) Använd två olika infallsvinklar och två uppmätta amplituder för att lösa ett ekvationssystem för både den elektriska konduktiviteten i snön och reflektionskoefficienten i snö/mark-gränsskiktet
För- och nackdelar med denna metod + Endast två parametrar behöver mätas + Båda kan fås från en och samma CMP undersökning Men, denna metod ställer höga krav på noggrannheten i de uppmätta amplituderna Många beräkningssteg
Framtida arbete Bygga en modell för att kunna testa metodens känsligheten och för att göra feluppskattningar av metoden Testa metoden för att separera dämpningen från värmeförluster från förluster vid markreflektionen Jämföra våran metod med andra metoder för att bestämma vattenhalten
Granskade Publikationer Mätteknik Granlund N., Lundberg A., Feiccabrino J., and Gustafsson D. 2009. Laboratory test of snow wetness influence on electrical conductivity measured with ground penetrating radar. Hydrology research, 40, (3), 33-44. Granlund N., Gustafsson D., and Lundberg A. 2010. Laboratory study of the influence of salinity on the relationship between electrical conductivity and wetness of snow. Accepted for publication in Hydrological Processes. Lundberg A., Granlund N., and Gustafsson D. 2010. Review of operational and new ground-based snow measurement methods for Sweden, Norway and Finland. Accepted for publication in Hydrological Processes.