Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Giacomo bertoldi seminar_30_padova_08


Published on

Seminar Given by Giacomo Bertoldi at the 2015 Workshop on Coupled Hydrological Modelling, held in Padua September 25

Published in: Education
  • Be the first to comment

Giacomo bertoldi seminar_30_padova_08

  1. 1. Eco-hydrological modeling in a mountain laboratory: the LTSER site Matsch/Mazia Bertoldi  G.,  Cordano  E.,  Brenner  J.,  Notarnicola.  C.,   Niedrist  G.,  Tappeiner  U.   Workshop  on  coupled  hydrological  modeling,     23-­‐24  September  2015,     University  of  Padova,  Italy.  
  2. 2. Outline   Overview  of  the  research  area  and  of  the  collected  data       Modelling  approach:      the  GEOtop  2  -­‐  DV  model.     Applica=ons  :    1.  Plot  scale  experiment    Modelling  snow,  soil  moisture,  ET,  biomass    along  an  elevaOon  gradient.        2.  Catchment  scale  applica=on    Modelling  impacts  of  climate  change  on  snow,  evapotranspiraOon  and  soil   moisture  spaOal  paPerns.          3.  Comparison  with  remote  sensing  data      EsOmaOon  of  soil  moisture  paPerns  by  means  of  SAR  images.       Discussion:      Limita=ons  and  uncertain=es  of  the  results.                                                Opportuni=es  hydrological  modelling  in  mountain  areas.  
  3. 3. Matsch/Mazia,  Vinschgau,  South  Tyrol,  Italy   3   Area:  ca.  100  km2.         AlOtudinal  range:   920–  3738  m  a.s.l.    Mean  annual   precipitaOon   (Mazia,  1580  m   a.s.l.):  525  mm  
  4. 4. Matsch  |  Mazia   A  dry  inneralpine  valley     4   low  precipitaOon   human  land-­‐use   closed  catchment       alOtudinal  transect   Eco  hydrological  monitoring  since  2009,  LTSER  since  2015  
  5. 5. Research  topics   5   climate change & elevation evapotranspiration soil moisture dynamics water and runoff agriculture productivity land use change ecosystem services biodiversity snow and ice grasslands and forest ecosystems
  6. 6. Alps   Ecosystem   Plot   Global   Future  History   Present   Region                                                       5  research  sites   4.  Saldur/Saldura  river   3.  Saldur/Saldura   catchment  network                               5.  Glacierforefield  of   Weisskugel/Palla  Bianca   1.  Muntatschinig/   Monteschino     In  collabora=on  with:     University of Bolzano   Hydrographic  Office  (Province  BZ)   Biological  Laboratory  (Province  BZ)   Chemical  Laboratory  (Province  BZ)     In  collabora=on  with:     Hydrographic  Office  (Province  BZ)   University  of  Bolzano   University  of  Padova   University of Innsbruck (AT)   In  collabora=on  with:     University  of  Innsbruck  (AT)   BoKu  Vienna  (AT)   Duke  University  (USA)   In  collabora=on  with:     University of Innsbruck (AT) Forest  department  (Province  BZ)     LTER  Matsch/Mazia:  Major  research  sites   2.  Al=tudinal   transect  of   Matsch/Mazia   In  collabora=on  with:     University  of  Innsbruck  (AT)   IRSTEA  Grenoble  (FR)   2000m   1500m   1000m   ΔT~  3.5K   ΔT~  3.5K   T   P  
  7. 7. Matsch  |  Mazia  7   -20 permanent micro-climate. stations, soil moisture. -2 eddy covariance stations. -3 gauge level/temp. measure points. -5 SAP flow measurements points. -5 weighting lysimeters Site  infrastructure   Micro-­‐climate  staOons  
  8. 8. Data  recorded  intervalic   8   Soil determinations and analyses Water quality analyses Vegetation transplantation experiments Vegetation surveys and biomass estimation Diversity analyses
  9. 9. Mapping  and  spaOal  data   Mapping of soil moisture: ground spatial campaigns, remote sensing (SAR, thermal, UAV). Mapping of vegetation/landuse: current and hystorical changes. Mapping of soil type / properties.
  10. 10. ApplicaOon  1:  modelling  along  an  elevaOon  gradient   Mo=va=on     •  Mountains  Region  are  considered  parOcularly  vulnerable  to  CC  1,          esp.  considering  the  alteraOons  of  the  water  cycle  2     •  In  dry    inner-­‐alpine  regions,  managed  grasslands  are  irrigated.   Climate  change  raises  issues  about  future  water  availability.     Which  are  the  effects  of  the  eleva=on  gradient  on  water  budget?   (SWE,  SWC,  ET)  and  grassland  produc=vity  ?       Della  Chiesa  et  al.,  Modeling  changes  in  grassland    hydrological  cycling     along  an  eleva6onal  gradient  in  the  Alps,   Ecohydrology,  2014             .   1  Bruneb  et  al.  (2006).  Temperature  and  precipitaOon  variability  in  Italy  in  the  last  two  centuries  from  homogenised  instrumental  Ome  series.      InternaOonal  Journal  of  Climatology,  26(3),  345–381.     2  Bates  et  al.  (2008).  Climate  Change  and  water.  IPCC  Technical  Paper  VI  (p.  214).  Geneva,  Switzerland:  IPCC  Secretariat.  Retrieved  from  hPp://        
  11. 11. An  experimental  elevaOon  transect   Eleva=on  as  a  proxy  of  climate  change   Sta=on     B2000  m   Hs,  SWC,     Biomass,  GAI   Sta=on   B1500  m   Hs,  SWC,     Biomass,  GAI,ET   Sta=on   B1000  m   Hs,  SWC,     Biomass,  GAI   ΔT~  3.5K   ΔT~  3.5K  
  12. 12. The  GEOtop  2.0    –  DV    model   € LWa tm ↓ V € D0V € I € LWs ur r ↓ 1−V( ) € SWs ur r ↓ 1−V( ) € εsσTs 4 Shortwave radiatio n(yell ow) Lo ngwave radiatio n (red ) € SW r ef l Complex  topography   Bertoldi  et  al.,  J  of  Hydromet,  2006.   s   Snow  module   Endrizzi  et  al.,  GMDD,  2014   Zanob  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.   Vegeta=on  dynamics   Della  Chiesa  et  al.,  Ecohydrol.,  2014    From  SHE  model  (Abbot  et  al.,  1986)   TRIBS-­‐VEGGIE  FaOchi  et  al.,  2012   Montaldo  et  al.,  2005   Eagleson,  2002     Alpine3D,  Lenhing  et  al.,  2006   CROCUS,  Brun  et  al.,  1992   SNTHERM,  Jordan,  1991     CLM,  Dai  et  al.,  2003   SEWAB,  Megelkamp  et  al.,  1999   Noah  LSM,  Chen  et  al.,  1996,   LSM,  Bonan,  1996   BATS,  Dickinson  et  al.,  1986,     Corripio,  2010.   Erbs  et  al.,  1983.   Iqbal,  1981.     tRIBS,  Ivanov  et  al,  2004   Cailow,  Zehe  et  al.,  2001   InHM,  VanderKwaak,  and  Loague,  2001   WaSim-­‐ETH,  Shulla  1997   Hydrogeosphere,  Therrien  and  Sudicki,  1996   Parflow,  Asby  an  Falgout,  1996   Cathy,  Paniconi  and  Pub,  1994   DHSVM,  Wigmosta  et  al.,  1994   SHE,  Abbot  et  al.  1986   Freeze  and  Harlan,  1969    
  13. 13. Coupling  GEOtop  2.0    with  a  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  
  14. 14. ElevaOon  gradient:  validaOon   MulOple  variables  validaOon:  SWE,  SWC,  above  ground  biomass  (Bag),  ET   Two  years  of  data:  calibra=on  in  B1500,  valida=on  in  B1000,  B2000   B2000  m  B1500  m  B1000  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  
  15. 15. Simula=on  extension  to  20  year     Coupling  snow  –  veg  –  ET  -­‐  SWC   Water  limitaOon  below  1500  m   SWC  along  the  year   SWC  []   2000  m  1500  m  1000  m   SWC  along  the  year   Water  source   Water  sink   CriOcal  elevaOon   ElevaOon  gradient:  soil  moisture  and  ET  
  16. 16. ElevaOon  gradient:  implicaOons  at  catchment  scale   It  exists  a  cri=cal  eleva=on  below  which  most  of  the  precipitaOon  is  used  for  ET.   Will  climate  change  move  this  cri=cal  eleva=on  upward?         2000  m  1500  m  1000  m   SWC  along  the  year  
  17. 17. ApplicaOon  2:  modelling  impacts  of  CC  in    Venosta     Downscaling  of  RCMs   to    Venosta  Valley     Mapping  cri=cal  varia=ons  in   water  budget  (ET,    SMC,  snow)   Hydrological   experiment  along  an   elevaOon  gradient  as   proxy  of  CC   (Mazia,  Venosta)  
  18. 18. ApplicaOon  2:  impacts  of  CC  on  sinw  ET  and  SWC   Research  ques=ons       Which  are  the  major  impacts  of  CC  on  snow,  evapotranspira=on,     soil  moisture  in  a  dry  alpine  valley?     How  to  iden=fy  the  most  vulnerable  areas  in  terms  of     topography/land  cover?     Which  are  the  major  uncertain=es?       Main  issues     Complex  topography  à  scale  vs.  computa=onal  effort     Model  parameteriza=on,  boundary  condi=ons     Brenner.,  Modeling  impacts  of  climate  change  on  evapotranspira6on     and  soil  moisture  spa6al  paTerns  in  an  alpine  catchment,  Thesis,  2014.             .  
  19. 19.     ApplicaOon  2:  Study  Area   Venosta  Valley,  Upper  Adige  River  1000  km2  
  20. 20.     •  RCM  ensemble  based  on  SRES  A1B  (ESEMBLES   project)1   •  Ctrl:  1990-­‐2010,  Scen2100:  2080-­‐2100   •  ∆  approach  (30  day  moving  average)     •  ∆  change  signals  at  daily  scale  for  air  temperature   and  precipitaOon   Downscaling   Technique   TopoSUB   Tool   GEOtop   Model   Simula=on   set-­‐up   1  Van  der  Linden,  P.,  &  Mitchell,  J.  (2009).  ENSEMBLES:  Climate  change  and  its  impacts  at  seasonal,  decadal  and  centennial  6mescales  (p.  160).  Exeter,  UK.      Retrieved  from  hPp://ensembles-­‐       ApplicaOon  2:  Methods  
  21. 21.     Downscale   Technique   TopoSUB   Tool   GEOtop   Model   Simula=on   set-­‐up   1  Fiddes,  J.,  &  Gruber,  S.  (2012).  TopoSUB:  a  tool  for  efficient  large  area  numerical  modelling  in  complex  topography  at  sub-­‐grid  scales.      Geoscien6fic  Model  Development  Discussions,  5(5),  1245–1257.     2  HarOgan,  J.  A.,  &  Wong,  M.  A.  (1979).  A  K-­‐Means  Clustering  Algorithm.  Journal  of  the  Royal  Sta6s6cal  Society.  Series  C  (Applied  Sta6s6cs),  28(1),  100–108.     Clustering   • sampling  of  most  important  aspects  of  land  surface   heterogeneiOes  and  land  cover   • K-­‐Means  clustering  algorithm  2   • based  on  20m  grids   GEOtop   • 1-­‐dimensional  simulaOons  for  cluster  centroids   Mapping   • Crisp  memberships   ApplicaOon  2:  Methods  
  22. 22.     Downscale   Technique   TopoSUB   Tool   GEOtop   Model   Simula=on   set-­‐up   •  GEOtop  model   •  DistribuOng  meteorological  input   •  Energy  and  mass  conservaOon   •  Soil  volumetric  water  content   •  Actual  evapotranspiraOon   •  Snow  accumulaOon  &  melt     •  ApplicaOon  in  mountain  areas   1  Rigon  et  al.  (2006).  GEOtop:  A  Distributed  Hydrological  Model  with  Coupled  Water  and  Energy  Budgets.  Journal  of  Hydrometeorology,  7(3),  371–388.   2  Endrizzi  et  al.  (2014).  GEOtop  2.0:  simulaOng  the  combined  energy  and  water  balance  at  and  below  the  land  surface  accounOng  for  soil  freezing,      snow  cover  and  terrain  effects.  Geoscien6fic  Model  Development  6(4),  6279–6341.     ApplicaOon  2:  Methods  
  23. 23.     Downscale   Technique   TopoSUB   Tool   GEOtop   Model   Simula=on   set-­‐up   •  SimulaOon  calibraOon/performance   •   2010/2011  (AlOtudinal  Transect)   •  MulOple  Point  SimulaOon  (300  cluster  centroids)   •  baseline  simulaOon  1990-­‐2010   •  7  scenario  simulaOon  2080-­‐2100   ApplicaOon  2:  Methods  
  24. 24.     scen2100   DJF   MAM   JJA   SON   ∆P  (%)   +14   +1.7   -­‐13   +16   ∆T  (°C)   +3.1   +3.3   +4.2   +3.2   ApplicaOon  2:  Results   Climate  Change  Projec=ons  for  the  Venosta  Valley  
  25. 25.            Baseline  SimulaOon                ∆%  (scen2100-­‐ctrl)   ApplicaOon  2:  Results   Climate  Change  Impact  –  Snow  Cover  Dura=on  
  26. 26.            Baseline  SimulaOon                ∆abs  (scen2100-­‐ctrl)   ApplicaOon  2:  Results   Climate  Change  Impact  –  Actual  Evapotranspira=on  
  27. 27.                                ∆abs  (scen2100-­‐ctrl)   Change  in  Mean  Annual  ETA  (mm)   Aspect   Forest:  South-­‐east   Major  impact   Pasture:  East   Bare  Soil:  South-­‐east   Grassland  &  Agriculture:   No  effect  of  aspect   ApplicaOon  2:  Results   Climate  Change  Impact  –  Actual  Evapotranspira=on  
  28. 28.     ApplicaOon  2:  Results   Climate  Change  Impact  –  Actual  Evapotranspira=on   4      14   +  250%    48          69   +  43%   131          149   +  12%   53      62   +  17%  
  29. 29.     ApplicaOon  2:  Results   Climate  Change  Impact  –  Soil  Mositure–  Severe  Water  Stress   CriOcal  soil  moisture  level  is  refered  to  plant  available  water   1 1  Jasper  et  al.  (2006).  Changes  in  summerOme  soil  water  paPerns  in  complex  terrain  due  to  climaOc  change.  Journal  of  Hydrology,  327(3-­‐4),  550–563.        
  30. 30.     ApplicaOon  2:  Results   Climate  Change  Impact  –  Soil  Water  Content  –  Severe  Water  Stress  
  31. 31.     ApplicaOon  2:  Conclusions   Conclusions     •  General  decrease  in  snow  cover  duraOon  (max  9  weeks),   which  drives  major  increase  in  evapotranspira=on  in  winter   and  spring  (+25%).   •  LiPle  decrease  of  catchment-­‐averaged  soil  moisture  (except   for  some  rainfall  scenarios).   •  Specific  sites,  which  are  already  characterized  by  water  stress,   show  an  increase  in  drought  days  (esp.  pastures  and  forests  ~   1500  m  a.s.l.).  
  32. 32.     Major  uncertainOes  and  perspecOves   Clima=c  scenarios     •  Temperature  -­‐>  Depends  on  concentraOon  scenarios  (IPPC,  2013)*   •  PrecipitaOon  -­‐>  No  clear  trend.  RCMs  do  not  reproduce  local  climatology.   •  No  info  on  trends  of  air  humidity,  wind,  radiaOon  (clouds).   Hydrological  model  (GEOtop  2.0)     •  ComputaOonal  limitaOons  (full  3D    vs.  1D)  for  soil  water  distribu=on  and   runoff  simulaOon.   •  Full  dynamic  vegetaOon  and  glaciers.   •  Land  cover  scenarios.   Data  availability     •  PrecipitaOon  in  high  elevaOon  regions  (>  2000  m)  (Mair  et  al.,  2013)**   •  InformaOon  on  soil  properOes  (IRKIS).   *IPPC  (2013).  Climate  Change  2013:  The  Physical  Science  Basis.  IPCC  Working  Group  I  ContribuOon  to  AR5.   **    Mair,  et  al..  (2013).  ESOLIP;  esOmate  of  solid  and  liquid  precipitaOon  at  sub-­‐daily  Ome  resoluOon  by  combining  snow   height  and  rain  gauge  measurements.  Hydrology  and  Earth  System  Sciences  Discussions,  10(7),  8683–8714.      
  33. 33.     Summer  2015   Courtesy  od  Andrea  Debiasi,  27  Luglio  2015  
  34. 34. ApplicaOon  3:  remote  sensing  of  soil  moisture   Mo=va=on     Limited  availability  of  reliable  soil  moisture  high  resoluOon  products  on  mountain  areas.       Heterogeneity  in  soil  type,  land  cover,    topography  limits  distributed  models  parameteriza=on.     How  far  can  SAR  remote  sensing  help  for  improving  modelling  surface  soil  moisture     in  mountain  grassland  areas?               Bertoldi,  G.,  et  al.  Es6ma6on  of  soil  moisture  paTerns    in  mountain  grasslands  by  means  of   SAR  RADARSAT2  images  and     hydrological  modeling.  J.  Hydrol.  (2014)       RADASAT2  SAR     Distributed  models  are  “hungry”  of  spa=ally   distributed  informa=on1   1Grayson  et  al.,  1998  
  35. 35. Soil  moisture:  observaOons   Fixed  Sta=ons   Field  surveys   Mazia,  South   Tyrol,  Italy  ~   100  km2   RADASAT2  SAR   images  20m  res   Surface  SWC   retrieval  (SVR  Pasolli   et  el.,  2011)  
  36. 36. Ground  observaOons:  mobile  surveys   •  Monitoring  SMC  spa=al  paserns  at  hillslope  scale;   •  Survey  planned  to  map  land  cover/topographic  features;   •  Good  correspondence  with  staOon  values.   •  More  than  10  surveys  between  2010  and  2014;   •  More  than  1000  points  with  mobile  Delta-­‐T  wet  sensor  (TDR)  0  –  5  cm  depth;   10  %   50  %   SWC  
  37. 37. Remote  sensing:  SAR  datasets   RADARSAT2  images:   •  Fully  polarimetric  images  (HH,  HV,  VH,  VV)  and  dual   pol  (HH-­‐HV)     •  5.5  cm  wavelength  (C-­‐band  radar)   •  Almost  all  images  with  45°nominal  incidence  angle   •  Final  spaOal  resoluOon  20x20  m2   (RADARSAT-­‐2  Data  and  Products©  MacDonald,  DeTwiler  and   Associates  Ltd.  (2010)  –  All  Rights  Reserved)   Data   Period   Number   RADARSAT2   2010-­‐2011,  2013-­‐2015   Un=l  now  20   ASAR  WS   2005-­‐2012   Un=l  now  analyzed   around  200  images   ASAR  WS:   •  Mainly  VV  pol.   •  5.5  cm  wavelength  (C-­‐band  radar)   •  Ascending  nd  descending   •  Final  spaOal  resoluOon  150x150  m2  
  38. 38. Methodological approach GEOtop  Model   (Rigon  et  al.,  2006)   Support  Vector   Regression     (Pasolli  et  al.,  2011)     gsr QQQETP t SMC −−−−= ∂ ∂ ET Qr QrQs Qs Qg P Mass  and  enegy   budget   3D  Richard     3D   equa=ons   SMC   es=ma=on   @  5cm     HH HV NDVI Modis Elev.DEM Land use Radarsat polarizations Features SMC observations Target SVR Param. SVR Regression Analysis SVR Map Estimation Estimated SMC Estimation Training
  39. 39. GEOtop  validaOon  in  staOons  locaOons   Model  validated  for  SMC  for  staOons  located  both  in  pastures  and  irrigated  meadows   Bias -0.047 m3/m3 RMSE 0.054 m3/m3 Bias -0.016 m3/m3 RMSE 0.041 m3/m3
  40. 40. SAR  SMC  validaOon   Outcome:   1. The   proposed   es:ma:on   system   is   effec:ve   in   handling   the   challenging  soil  moisture  retrieval  problem  in  Alpine  areas.   2. Mul:ple   polariza:ons   and   ancillary   data   are   needed   to   disentangle   the  effects  of  local  scale  vegeta:on  and  roughness.   RADARSAT 2 ASAR WS R2=0.89   R2=0.88   ValidaOon  on  a  different  ground  observaOons  subset  
  41. 41. Soil  moisture:  Radarsat  2  maps   Wettest locations are along the valley bottom and in irrigated areas. Driest locations are south-facing low elevation pastures.
  42. 42. Soil  moisture:  spaOal  comparison  
  43. 43. Results:  Radarsat  –  GEOtop  differences   •  Major  differences  in  in  irrigated  meadows;   •  Too  coarse  scale  model  soil  and  land  cover  parameterizaOon.   •  Radarsat  captures  the  small  scale  variability  related  to  land  cover/irrigaOon    
  44. 44. What  controls  the  observed  SMC  paPerns?   Coupling  between  (surface)  soil  type  and  land  management.      Model  helps  to  understand  physical  reasons  of  observed  paserns.   Topography, soil type or land use?
  45. 45. SAR  soil  moisture  esOmaOon:  conclusions   Modelling:  GEOtop   +  conOnuous  spaOal  and  temporal  coverage;   +  good  capability  to  capture  temporal  paPerns;   -  limitaOons  due  land  cover  /  soil  /  irrigaOon  parameterizaOon.   SAR:  RADARSAT  2   +  good  capability  to  capture  fine  scale  spaOal  paPerns;   +  strong  signature  of  land  cover  /  vegetaOon  /  irrigaOon  paPerns;   +  High  spaOal  resoluOon,  limited  temporal  coverage;   -  Possible  ambiguity  due  soil/land  cover  coupling;   -  limited  to  surface  layer  (~5  cm)  and  grassland  areas.  
  46. 46. PerspecOves:  toward  an  integraOon  strategy  …  temporal   Possible  integra=on  strategy:     temporal  driving  from  the  model,  spaOal  paPerns  SAR  imaging   Average  and  std  ASAR  and  GEOtop  SMC  
  47. 47. Toward  an  integraOon  strategy  …  spaOal   ASAR   GEOtop   Use  model-­‐derived  data  as  addiOonal  input  feature  for  a  SVR   approach  in  areas  where  limited  ground  truth  is  available.  
  48. 48. Overall Conclusions Experimental   observa=ons   Experimental  design   Models  valida=on     parameteriza=on   Process   understanding   Eco-­‐hydrological   modelling   ET 2 W/m2 286 W/ m2
  49. 49. Come  and  visit  us,     we  are  waiOng  for  you  J   Matsch  |  Mazia   49   Our data need modellers !
  50. 50. Acknowledgments      This  study  is  supported  by  the  projects  “and  “HydroAlp”  and  “HiResAlp”  financed  by  Provincia   Autonoma  di  Bolzano,  Alto  Adige,  Ripar=zione  Diriso  allo  sudio,  Università  e  ricerca  scien=fica.     We  hereby  would  like  to  thank:     M.  Dall´Amico,  Mountaneering  s.r.l.   S.  Endrizzi,  University  of  Zurich.   R.  Rigon,  University  of  Trento.   G.  Wohlxart,  University  of  Innsbruck     Thank  you  for  your  aGen:on!  
  51. 51.    
  52. 52. Opportunites  and  challenges   Ø  Using  physically  models  in  real  contexts  is   someOmes  more  Ome-­‐consuming  than   doing  real  experiments.   Ø  A  deep  knowledge  of  the  system  is  needed   for  set-­‐up  proper  assumpOons  in  model   parameterizaOon  (a  lot  on  unknown   informaOon).   Ø   Great  tools  for  tesOng  hypotheses  and   generalize  results.  
  53. 53. Opportunites  and  challenges   Ø  The  parOcularly  dry  area  represents  a  unique   chance  to  study  climate  change  allowing  predicOons   of  future  climate  on  mountain  ecosystems.   Ø  The  eleva=on  transect  allows  for  experimental  and   numerical  invesOgaOon  on  effects  of  elevaOon  on   eco-­‐hydrological  processes.     Ø  The  site  allows  interdisciplinary  observaOons  of   relevant  eco-­‐hydrological  processes  in    a  human-­‐ influenced  mountain  region.     Ø  The  climaOc  condiOons  of  Val  Mazia  may  allow   interesOng  comparisons  among  different  mountain   sites  of  the  MRI  /  LTER  network.     Ø  Chance  to  be  part  of  a  well  organized  and  good   structured  scien=fic  network.  
  54. 54.    
  55. 55. ElevaOon  gradient:  results  B2000  m  B1500  m  B1000  m   Coupling  snow  –  veg  –  ET  -­‐  SWC   SWC  along  the  year   IrrigaOon  below  1500  m  
  56. 56. GEOtop validation in stations locations Model  validated  for  SMC  for  staOons  located  both  in  pastures  and  irrigated  meadows  
  57. 57. Study  Area:  meadows   57 Mazia  Valley,  South  Tyrol,  Italy     Meadows   Up  to  ~  1700m  a.s.l.   Intensively  managed:    -­‐  cubng    -­‐  manuring    -­‐  irrigaOon   Homogenous  soil  surface   VegetaOon  dominated  by  grasses    
  58. 58. Study  Area:  pastures   58 Mazia  Valley,  South  Tyrol,  Italy     Pastures   Located  at  1700  to  2400m  a.s.l.   Steep  terrain   Heterogeneous  soil  surface:    -­‐  bare  soil    -­‐  stones    -­‐  large  rocks   VegetaOon  dominated  by  grasses        
  59. 59. Study  area:  soil  properOes   Kolmann and Tasser, 2012 •  Two  main  soil  types:       1.  Haplic  Leptosol    (ranker)  mainly  in  pastures;   2.  Dystric  Cambisol  (braunerde)  mainly  in  meadows  (Kollman,  M.  Th.,  2013).   •  Observed  soil  parameters  are  in  the  typical  range  of  loamy  sand  (Leptosoil)  and   sandy  loam  (Cambisoil).   Kollmann,  K..  Klima-­‐  und  landnutzungsbedingte  Bodenverteilung  im  Matschertal,  SüdOrol.  Ms.  Thesis,  Universität  Innsbruck.(2012).  
  60. 60. Ground  observaOons:  fixed  staOons   Network  of  14  staOons  with:   •   Meteorological  data   •   SMC  5  and  20  cm  depth      (Decagon  capaciOve  sensors  10Hs)     Transect  sta=ons   Catchment  sta=ons   Run-­‐off  measurements   Area  ~100  km2   •  Monitoring  SMC  temporal  dynamic  at  catchment  scale.  
  61. 61. Ground  observaOons:  mobile  surveys   •  Monitoring  SMC  spa=al  paserns  at  hillslope  scale;   •  Survey  planned  to  map  land  cover/topographic  features;   •  Good  correspondence  with  staOon  values.   •  More  than  10  surveys  between  2010  and  2014;   •  More  than  1000  points  with  mobile  Delta-­‐T  wet  sensor  (TDR)  0  –  5  cm  depth;   10  %   50  %   SWC  
  62. 62. Hydrological  modeling:  GEOtop  SMC  simulaOon   GEOtop  model   Rigon  et  al.,  JHM,  2006.   Endrizzi  et  al.,  GMDD,  2013.   ∂SMC ∂t = P − ET −Qr −Qs −Qg ET   Qr   Qr  Qs   Qs   Qg   P   Plot  scale  water  budget   Catchment  scale  SMC   @  5cm     3D  Richard’s  eq.   Endrizzi,  S.,  et  al.  GEOtop  2.0:  simulaOng  the  combined  energy  and  water  balance  at  and  below  the  land  surface  accounOng  for  soil  freezing,   snow  cover  and  terrain  effects.  Geosci.  Model  Dev.  Disc.  6,  6279–6341  (2013).   Rigon,  R,  et  al.  GEOtop:  a  distributed  hydrological  model  with  coupled  water  and  energy  budgets.  J.  Hydrometeorol.  7  (3),  371–388  (2006).    
  63. 63. GEOtop  –  DVM  coupling   GEOtop   VDM   -­‐  Rad,Rh,PAR,T,  Wind   -­‐  Ini=al  Condi=ons   -­‐  Meteo  input   -­‐  Soil  and  topography     Montaldo  et  al.,    2005   Endrizzi  et  al.,  2013   Canopy  Frac=on   Canopy  Height   Leaf  Area  Index   Senescence   Respira=on   Trasloca=on   Biomass     Budget   Photosynthesis   Evapotranspira=on   Intercep=on   Energy  Balance   Throughfall   Infiltra=on   Soil    Water     Balance   Runoff   Drainage   Rain/Snowfall   Rigon  et  al.,    2006   Della  Chiesa  et  al.,  2014  
  64. 64. Data  recorded  with  high  frequency  (15´since  2009)   Matsch  |  Mazia   64   precipitation (mm) global radiation (W/m²) soil temperature (°C) and soil moisture (Vol%) logger air temperature (°C) and humidity (%) Snow/Vegetation height (cm) Photosynthetic active radiation (µmol s−1W*−1) Radiation balance (W/m²) Soil surface temperature (°C) Soil heat flux (W/m²) Latent and sensible fluxes (W/m²) Soil water potential (hPa) wind speed and direction (m/sec, °)
  65. 65. Coupled ecohydrological modelling   How  to  use  experimental  observa=ons  to  validate  a   distributed  ecohydrological  models?     How  to  use  model  results  to  improve  our  knowledge  of   the  ecohydrological  behavior  of  mountain  catchments?