DDD-modellen - NVE

Hydrologisk avdeling har utviklet en ny nedbør-avløpsmodell, Distance Distribution Dynamics (DDD) modellen. Modellen har siden 2013 blitt benyttet operativt i flomvarslingen og har i løpet av de siste tre årene blitt utviklet til også å kunne brukes i urbanhydrologiske problemstillinger.

DDD-modellen (Skaugen og Onof, 2014) forsøker, som så mange andre nedbør-avløpsmodeller, å bruke likninger for å beskrive de mest hydrologisk relevante prosessene i naturen. DDD-modellen er utviklet under filosofien om at prosessbeskrivelsene i modellen skal i størst mulig grad få sine parametere tallfestet fra observasjoner og ikke fra kalibrering mot observert vannføring. På denne måten sikrer vi at likningene for prosessbeskrivelser gjør det de er ment til å gjøre og ikke at de «samarbeider» på en ikke-fysisk måte for at sluttproduktet, vannføring, skal bli best mulig. I tiden etter at mange av de operative modellene ble utviklet (HBV på 1970-tallet) har vi fått digitale kart over en mengde relevante feltkarakteristika (for eksempel hypsografisk kurve, elvenettverk, myrer og breer, innsjøer), observasjoner av avløp foreligger på fin tidsoppløsning og vi har sterkere datamaskiner osv. Vi har altså mye mer informasjon som kan brukes for å teste ut nye konsepter om hvordan vannet beveger seg i det hydrologiske kretsløp.

Avstander

Sentralt i utviklingen av DDD er avstandsfordelingene for forskjellige landskapselementer som antas viktige for avrenningsdynamikken (fordelingen av vann over tid ved utløpet). I DDD-modellen brukes avstandsfordelinger for myrer, breer og det som ikke er verken bre eller myr, slått sammen til klassen «jord». I et GIS griddes nedbørsfeltet opp og avstanden fra hvert piksel til nærmeste elvebit beregnes. Disse avstandene har en fordeling som anvendes til å beskrive dynamikken av avrenning. Avstandsfordelingen for elvenettverket fremkommer ved å beregne avstanden for hvert piksel i elvestrengen til utløpet.

Vannhastigheter

Vi bruker resesjonsforløpet av avløpsobservasjonene til å informere oss om nedbørfeltets fuktighetsgrad og om hvor fort vannet transporteres til elvenettverket. Jo brattere resesjonen er, jo mer oppfylt er grunnvannsmagasinet. Videre kan vi fra resesjonsforløpet beregne hastigheter til vannet som transporteres i jorden (i myra, under breen) for forskjellige grader av fuktighet i feltet.

Snø og fordampning

At nedbør holdes tilbake i nedslagsfeltet som snø er den faktoren som sterkest påvirker forløpet av avrenningen i mange norske vassdrag. I en modell parametrisert av observert nedbørvariabilitet beregner DDD hvordan snøen fordeler seg og akkumuleres i terrenget for fem høydesoner (se Skaugen og Weltzien, 2016). Snøsmelting og fordamping beregnes i DDD ved hjelp av energibalanse beregninger. Inngangs data til DDD er bare nedbør og temperatur, men det finnes algoritmer som gjør at vi kan beregne strålingselementene som behøves uten å inkludere kalibreringsparametere (se Skaugen og Saloranta, 2015 og Skaugen et al., 2018).

Mark- og grunnvann

I DDD-modellen deler mettet (grunnvann) og umettet (markvann) på et magasin med en beregnet kapasitet. Det er kun vann i mettet sone som kan renne ut i elvenettverket. En slik deling innebærer at kapasiteten i henholdsvis mettet og umettet son forandrer seg over tid. Er det mye vann i mettet sone betyr det at det er lite plass i umettet sone og ny nedbør eller snøsmelting vil raskt gå til avrenning. Dette betyr at effekten på vannføringen av ny nedbør er helt avhengig av fuktighetsforholdene i feltet (hvor mye av kapasiteten er mettet/umettet). Overstiger ny nedbør/snøsmelting aktuell kapasitet i mark- og grunnvannsmagasinet får vi overflateavrenning som foregår vesentlig hurtigere enn grunnvannsavrenning.

Avrenningsdelen

Avstandsfordelingene, fuktighetsforholdene og hastigheten på vannet i grunnen, i elven og over bakken bestemmer responsen i modellen som følge av ny nedbør eller snøsmelting. Avstandsfordelingene og hastigheter gir enhetshydrogrammer (et sett vekter) som fordeler ny nedbør eller snøsmelting i tid fra det faller til det når elvenetterverket. Transport av vannet i elvenettverket foregår etter samme prinsipp som over vha avstandsfordelingen i elvenettverket og hastigheten på vannet i elven.

Beregne hydrologi i felt uten målinger

Vi kan altså i stor grad bestemme parametere til feltet ut ifra tilgjengelige data (digitale kart og avløpsobservasjoner) og ikke ut ifra kalibrering, noe som gjør det lettere å se kausaliteten i avløpsgenerering i naturen (en klarere modellstruktur), reduserer usikkerheten og gjør det lettere å diagnostisere modellene når de går dårlig. Færre kalibreringsparametere i DDD gjør den også godt egnet til prediksjoner i umålte felt (predictions in ungauged basins (PUB)). I Skaugen et al. (2015) beskrives hvordan modellparametere er signifikant korrelert med nedbørsfelt karakteristika og kan bestemmes ut ifra disse ved hjelp av regresjonslikninger.

Urbanhydrologi

Er det mye tette flater (hustak, veier) i et urbant nedbørfelt vil DDD (Urban) simulere rask avrenning fra disse flatene og langsommere (grunnvanns) avrenning fra flater hvor vannet kan infiltrere.

Kalibrering

Modellkalibrering foretas ved at vi varierer de (forhåpentligvis få) parametere vi ikke greier å bestemme fra observasjoner til vi får best mulig overensstemmelse mellom observert og modellberegnet (simulert) tilsig eller avløp, når vi lar modellen operere med sammenhørende historiske nedbør- og temperaturserier.

Referanser

Skaugen T. and C. Onof, 2014. A rainfall runoff model parameterized form GIS and runoff data. Hydrological Processes28, 4529-4542, DOI:10.1002/hyp.9968

Skaugen, T., I. O. Peerebom and A. Nilsson, 2015. Use of a parsimonious rainfall-runoff model for predicting hydrological response in ungauged basins. Hydrological Processes. 29, 1999-2013, DOI:10.1002/hyp.10315

Skaugen, T. and T. Saloranta, 2015. Simplified energy-balance snowmelt modelling, NVE report 31-2015, http://publikasjoner.nve.no/rapport/2015/rapport2015_31.pdf

Skaugen, T. and Weltzien, I. H., 2016. A model for the spatial distribution of snow water equivalent parameterised from the spatial variability of precipitation. The Cryosphere. 10, 1947-1963, DOI:10.5194/tc-10_1947_2016

Skaugen, T., H. Luijting, T. Saloranta, D. Vikhamar-Schuler and K. Müller, 2018. In search of operational snow model structures for the future - comparing four snowmodels for 17 catchments in Norway. Hydrology Research. 49(6), DOI:10.2166/nh.2018.198