EGU 2014 invited talk (mostly on simulation of ecohydrology) - by Giacomo Bertoldi et al

475 views
372 views

Published on

This contains the description of the use of GEOtop 2.0 in simulating the ecohydrology of a mountain environment

Published in: Education, Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
475
On SlideShare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
18
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

EGU 2014 invited talk (mostly on simulation of ecohydrology) - by Giacomo Bertoldi et al

  1. 1. Process-based modeling in alpine catchments Giacomo Bertoldi, Stefano Della Chiesa, Michael Engel, Georg Niedrist, Johannes G. Brenner ,  Stefano Endrizzi, Matteo Dall’Amico, Emanuele Cordano, Ulrike Tappeiner, Riccardo Rigon.  EGU 2014, Vienna, Austria, 28 April – 2 May 2014 Institute for Alpine     Environment
  2. 2. Aims and outline Motivation In mountain regions ecohydrological processes exhibit rapid changes within short  distances due to the complex interplay of topography, soil, biological and  atmospheric processes.  Are process‐based models able to deal with this complexity? Outline An (hopefully) useful instrument: the GEOtop 2 ‐ DV model. Application of the model to mountain areas: 1. Plot scale Modelling snow, soil moisture, ET, biomass  along an elevation gradient: Model as a tool to investigate coupled eco‐hydrological processes. 2. Catchment scale Remote sensing land surface temperature in complex terrain: Model as tool  to interpret processes behind observations  Discuss advantages and constraints of process based modelling in mountain areas
  3. 3. Coupled process based modelling in mountain areas  LWatm  V D0VI LWsurr  1V  SWsurr  1V  sTs 4 Shortwave radiation (yellow) Longwaveradiation (red) SWrefl Complex topography Bertoldi et al., J of Hydromet, 2006. s Snow module Endrizzi et al., GMDD, 2014 Zanotti et al., Hydrol Proc, 2004 Water budget Rigon et al., J of Hydromet, 2006. Figures adapted from VIC model (Liang et al., 1994) Energy budget Bertoldi al., Ecohydrol, 2010. Vegetation dynamics Della Chiesa et al., Ecohydrol., 2014 From SHE model (Abbot et al., 1986)
  4. 4. The GEOtop 2.0  – DV  model Rigon et al., JHM, 2006;  Endrizzi et al. GMDD, 2014. Processes Dynamic vegetation model (for grasslands) From Montaldo et al.,  2005; Della Chiesa et al., 2014
  5. 5. Does it works? Is  it usable ?      Or … too complex? Is it useful ? Two applications in mountain context 1. Plot scale Modelling snow, soil moisture, ET, biomass  along an elevation gradient: Model as a tool to investigate coupled eco‐hydrological processes. 2. Catchment scale Remote sensing land surface temperature in complex terrain: Model as tool  to interpret processes behind observations.
  6. 6. Application 1: modelling along an elevation gradient Motivation In dry inner‐alpine regions, managed grasslands are irrigated. Climate change raises issues about future water availability. Which are the effects of the elevation gradient on SWE, SWC, ET, grassland productivity? Della Chiesa et al., Modeling changes in grassland  hydrological cycling  along an elevational gradient in the Alps, Ecohydrology, 2014 .
  7. 7. An experimental elevation transect Elevation as a proxy of climate change: Mazia Valley, emerging LTER Station  B2000 m Hs, SWC,  Biomass, GAI Station B1500 m Hs, SWC,  Biomass, GAI,ET Station B1000 m Hs, SWC,  Biomass, GAI T~ 3.5K T~ 3.5K
  8. 8. Elevation gradient: validation Multiple variables validation: SWE, SWC, above ground biomass (Bag), ET Two years of data: calibration in B1500, validation in B1000, B2000 B2000 mB1500 mB1000 m Snow Height [cm] SWC 5cm [] ET [mm] Not Measured Not Measured r2=0.66 RMSE=7.1 r2=0.57 RMSE=5.9 r2=0.55 RMSE=2.9 r2=0.80 r2=0.78 r2=0.82 Bag [gDMm‐2] RMSE=0.04 RMSE=0.05 RMSE=0.04 r2=0.93 RMSE=58.39
  9. 9. Elevation gradient: resultsB2000 mB1500 mB1000 m Simulation extension to 20 year  Coupling snow – veg – ET ‐ SWC Water limitation below 1500 m SWC along the year
  10. 10. Elevation gradient: resultsB2000 mB1500 mB1000 m Coupling snow – veg – ET ‐ SWC SWC along the year Irrigation below 1500 m
  11. 11. Application 1: modelling along an elevation transect Insight on process understanding In the Vinschgau valley, water limits ET below an elevation threshold of 1500 m a.s.l.  while, above, the temperature and vegetation period length act as limiting factor.  Modelling lesson learning Need of coupled modelling  of energy and water fluxes, snow and vegetation dynamic. Model validation against multiple variables adds additional constrains to model consistency. SWE     →     SWC ↕ Bag ↔ LAI ↔ ET
  12. 12. Application 2: land surface temperature Motivation LST is a key variable of the surface energy budget. Improving its estimation in energy budget models can improve fluxes partitioning estimation. Which are the factors controlling LST in mountain environments (i.e. elevation, solar radiation, land cover, soil moisture)? Bertoldi et al., Topographical and ecohydrological controls on land surface temperature in an Alpine catchment,  Ecohydrology, 3, 189 – 204, 2010.    t E wLSTETLSTHwLSTGLSTR ssn    ),()(),()( 4
  13. 13. Modeling land surface temperature Stubai Valley experimental area (Tyrol, Austria) (Institute of Ecology Innsbruck University) •257 km2, elevation 1000 ‐ 3500 m. • Humid inner‐alpine climate.  • Comparison with 60 m LANDSAT LST TIR ETM+ map (13  September 1999, 10.50 AM). • Parameters from field data (Hammerle et al. 2007) and  literature for different land cover types (Findell et al.  2007). • One year model spin‐up to reach equilibrium. • Model validation against ground observations. • Leaf Area Index (LAI);  Roughness length (z0).
  14. 14. LST: spatial patterns comparison Aspect R2=0.63 Numerical experiment: add only one spatially varying factor at a time
  15. 15. LST: spatial patterns comparison Aspect R2=0.63 Elevation R2=0.74
  16. 16. LST: spatial patterns comparison Aspect R2=0.63 Elevation R2=0.74 Land cover R2=0.88
  17. 17. LST: spatial patterns comparison The model helps to identify factors controlling LST patterns  Aspect R2=0.63 Elevation R2=0.74 Land cover R2=0.88 Moisture R2=0.89
  18. 18. Application 2: land surface temperature Insight on process understanding Most relevant factors controlling LST result radiation distribution and elevation. Alpine vegetation and aspect strongly alter LST vertical distribution. Modelling lesson learning Need to have a model with LST as explicit prognostic variable. Model helps to discriminate controlling factors. (Complex) model allows to simplify complex patterns.
  19. 19. Benefits (and issues) from process based modeling ? Issues “Distributed model are  overparameterized”. “ Such a models cannot be really  calibrated”. “They cannot be used for unequipped  basins”. “Reality is simpler than that (and we  learn just from simple models)”. From “analogic” …. Possible solutions Coupling processes introduces  additional constrains. Use multiple/ multi‐scale observations.  Tools to extend detailed experimental  campaigns. Numerical experiments allow to  discriminate controlling factors. Toward “digital”?
  20. 20. GEOtop is an Open Source collaborative project and others are invited to bring into new components. https://code.google.com/p/geotop/ Main model developers:  Università di Trento; Zurich University (Now Quebec University); Mountain‐eering S.r.l; EURAC research; University of Augsburg KIT. Creating a community. Try it!
  21. 21. Acknowledgments This study is supported by the projects “HiResAlp” and “HydroAlp” financed by Provincia  Autonoma di Bolzano, Alto Adige, Ripartizione Diritto allo sudio, Università e ricerca scientifica. The RADARSAT2 images were made available through the project ESA AO 6820 in the  framework of the SOAR program. • We hereby would like to thank: C. Notarnicola, EURAC, Institute for Alpine Environment.   Thank you for your attention!
  22. 22. Application 3: remote sensing of soil moisture Motivation Limited availability of reliable soil moisture high resolution products on mountain areas.  Heterogeneity in soil type, land cover,  topography limits distributed models parameterization. How far can SAR remote sensing help for improving modelling surface soil moisture  in mountain grassland areas? Bertoldi, G., et al. Estimation of soil moisture patterns in mountain grasslands by means of SAR RADARSAT2 images and  hydrological modeling. J. Hydrol. (2014) RADASAT2 SAR 
  23. 23. Soil moisture: observations Fixed Stations Field surveys Mazia, South  Tyrol, Italy ~  100 km2 RADASAT2 SAR  images 20m res Surface SWC  retrieval (SVR Pasolli  et el., 2011)
  24. 24. Soil moisture: spatial patterns comparison SWC  SWC 
  25. 25. Soil moisture: spatial patterns comparison Insight on process understanding Model suggest that soil type and land management are major controls on  surface SWC. Modelling lesson learning Limitation in model performance  due coarse soil type / land cover information available. SAR remote sensing is able to provide higher spatial resolution information. Use RS information for model parameterization / data integration/ assimilation.  SWC  SWC 

×