Τόπος: Κ2 - Κτίριο ΧΗΜΗΠΕΡ, Κ2.Α.1
Έναρξη: 25/07/2022 10:00
Λήξη: 25/07/2022 11:00
Πρόγραμμα Προπτυχιακών Σπουδών
ΑΝΑΚΟΙΝΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Όνοματεπώνυμο Φοιτητή: Αθανάσιος Τσιλιμίγκρας
Α.Μ.: 2015050098
Ημερομηνία Παρουσίασης: 25/07/2022
Ώρα: 10:00
Αίθουσα: K2.A1
Θέμα ΔE
«ΧΩΡΙΚΑ ΚΑΤΑΝΕΜΗΜΕΝΗ ΠΑΡΑΜΕΤΡΟΠΟΙΗΣΗ ΤΟΥ ΥΠΟ-ΣΥΣΤΗΜΑΤΟΣ TOTAL RUNOFF INTEGRATING PATHWAYS (TRIP) ΓΙΑ ΒΕΛΤΙΩΜΕΝΗ ΔΙΟΔΕΥΣΗ ΤΗΣ ΑΠΟΡΡΟΗΣ ΣΕ ΠΑΓΚΟΣΜΙΑ ΚΛΙΜΑΚΑ»
Title
«SPATIALLY DISTRIBUTED PARAMETRIZATION OF THE TOTAL RUNOFF INTEGRATING PATHWAYS (TRIP) SCHEME FOR IMPROVED ROUTING AT THE GLOBAL SCALE»
Επιβλέπων: Αριστείδης Κουτρούλης, Αναπληρωτής Καθηγητής, TUC
Τριμελής Εξεταστική Επιτροπή:
1. Αριστείδης Κουτρούλης, Αναπληρωτής Καθηγητής, TUC
2. Απόστολος Βουλγαράκης, Αναπληρωτής Καθηγητής, TUC
3. Εμμανουήλ Γρυλλάκης, Ph.D.,TUC
Περίληψη:
Τα παγκόσμια μοντέλα χερσαίων διεργασιών (Land Surface Models), προσομοιώνουν διάφορες διεργασίες που λαμβάνουν χώρα στην επιφάνεια του εδάφους, σχετικές με το ισοζύγιο ενέργειας, τον υδρολογικό κύκλο, τον κύκλο του άνθρακα κ.α. Έχουν αναπτυχθεί για μία πληθώρα εφαρμογών, μεταξύ αυτών η αξιολόγηση του αντίκτυπου της αλλαγής μιας συγκεκριμένης διαδικασίας στο συνολικό οικοσύστημα, π.χ. τον αντίκτυπο της κλιματικής αλλαγής στην υδρολογία και τη μελέτη πιθανών αλληλεπιδράσεων.
Λόγω της μεγάλης πολυπλοκότητάς τους η εξέλιξη αυτών των μοντέλων είναι μια διαρκής και εργώδης διαδικασία, όπως για παράδειγμα η περίπτωση του μοντέλου JULES (Joint UK Land Environment Simulator) που αναπτύχθηκε και εξελίσσεται από μια ευρεία κοινότητα ερευνητών. Είναι γεγονός, ότι παρόλο το υψηλό επίπεδο εξέλιξης του μοντέλου, ορισμένες διεργασίες αντιμετωπίζουν φειδωλή παραμετροποίηση. Μία από αυτές τις διεργασίες είναι η διόδευση της επιφανειακής απορροής όπως αυτή προσομοιώνεται από το υπό-σύστημα TRIP (Total Runoff Integrating Pathways). Στην παγκόσμιας κλίμακας παραμετροποίησή του το TRIP χρησιμοποιεί ενιαία χαρακτηριστικά ταχύτητας απορροής και μαιανδρισμού για όλη τη χερσαία επιφάνεια της γης, ανεξαρτήτως των πραγματικών φυσιογραφικών ιδιαιτεροτήτων κάθε περιοχής.
Σκοπός της παρούσας εργασίας είναι η βελτίωση της διόδευσης της επιφανειακής απορροής μέσω της βελτιστοποίησης των παραμέτρων ταχύτητας ροής και συντελεστή μαιανδρισμού, σε ένα δείγμα 360 λεκανών απορροής, και η έπειτα συσχέτιση αυτών με φυσιογραφικά χαρακτηριστικά της εκάστοτε λεκάνης, με στόχο τη δυνατότητα γενίκευσης σε παγκόσμια κλίμακα. Τα δεδομένα που υποστήριξαν την ανάπτυξη της μεθοδολογίας βελτιστοποίησης ήταν καταγεγραμμένη παροχή από την παγκόσμια βάση GRDC και φυσιογραφικά χαρακτηριστικά του HydroATLAS.
Ένα παραγοντικό πείραμα εκτελέστηκε, μελετώντας συνδυαστικά είκοσι τιμές ταχύτητας ροής και δώδεκα συντελεστές μαιανδρισμού, καταλήγοντας σε 198 προσομοιώσεις. Ο δείκτης Nash-Sutcliffe Efficiency (NSE) χρησιμοποιήθηκε για την αξιολόγηση των παροχών του μοντέλου για κάθε σετ παραμέτρων διόδευσης. Αναπτύχθηκαν δύο μέθοδοι βελτιστοποίησης, με την πρώτη να επιλέγει το σετ με την καλύτερη βελτίωση του NSE σε σχέση με την απόκλιση των παραμέτρων από τις προκαθορισμένες, και τη δεύτερη να αναθέτει ενιαία τιμή παραμέτρων βάσει κατηγοριοποίησης των λεκανών. Στη συνέχεια, με τη χρήση ενός νευρωνικού δικτύου προσαρμογής και ενός κατηγοριοποίησης, αντίστοιχα για κάθε μέθοδο, συσχετίστηκαν οι βέλτιστες παράμετροι διόδευσης με φυσιογραφικά χαρακτηριστικά κάθε λεκάνης. Τα εκπαιδευμένα νευρωνικά δίκτυα, εφαρμόσθηκαν στις λεκάνες απορροής του HydroATLAS για την παρέκταση της εκάστοτε μεθόδου σε παγκόσμια κλίμακα.
Τα χωρικά κατανεμημένα βέλτιστα σετ παραμέτρων διόδευσης, από κάθε μέθοδο, είναι διαθέσιμα για εισαγωγή στο υπό-σύστημα TRIP, προσφέροντας τη δυνατότητα βελτιωμένης διόδευσης της παγκόσμιας απορροής, καθώς και της συνολικής αναπαράστασης του υδρολογικού κύκλου του JULES.
Abstract:
Land Surface Models (LSMs) simulate various processes of the terrestrial land surface related to the energy balance, the hydrological cycle, the carbon cycle, etc. LSMs have been developed for a variety of applications, including assessing the impact of modifying a particular process on the ecosystem as a whole, e.g., the impact of climate change on hydrology, and studying potential feedback.
Due to their great complexity, the development of these models is a continuous and laborious process. For example, the JULES (Joint UK Land Environment Simulator) model is developed by a broad community of inter-disciplinary researchers. It is a fact that despite the high level of model development, some processes face parsimonious parameterization. One of these processes is the routing of surface runoff as simulated by the TRIP (Total Runoff Integrating Pathways) scheme. In its current global parameterization, TRIP uses uniform velocity and meandering characteristics for the entire land surface regardless of the actual physiographic characteristics of each catchment basin.
This work aims to improve the routing of the surface runoff through the optimization of the effective velocity and meandering ratio parameters. In a sample of 360 global river basins, these parameters are correlated with physiographic characteristics to derive a method of extrapolation at the global scale. The development and application of the method were based on observed river discharge from the global GRDC database and basin-scale physiographic attributes from the HydroATLAS database.
A factorial experiment was performed from a combination of 20 setups of effective velocity values and 12 meandering ratios, resulting in a total of 198 simulations. The Nash-Sutcliffe Efficiency (NSE) was employed to assess the model performance for each set of routing parameters. Two optimization methods were developed. In the first method, the optimum routing parameters are defined for the best NSE improvement with the least deviation from the default routing parameters, whereas in the second method a uniform parameter set was assigned based on a categorization of the basins. Neural Networks were used for regression and classification, respectively for each method, correlating the optimal routing parameters with physiographic attributes at the river basin scale. The trained neural networks were applied to the HydroATLAS attributes to extrapolate the routing parameters at the global scale.
The spatially distributed optimal routing parameters from each method are available as input into the TRIP scheme, enabling the improved routing of the global runoff and the overall representation of the hydrological cycle in the JULES model.
