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.

DSD-NL 2017 Analyse extreme neerslag voor WS De Dommel met Delft-FEWS - Entzinger, Diermanse, Van Dijk

441 views

Published on

Presentatie door Marc van Dijk en Ferdinand Diermanse (Deltares) en Niels Entzinger (Waterschap De Dommel) op de "Delft-FEWS NL Gebruikersdag 2017", tijdens de Deltares Software Dagen- Editie 2017. Dinsdag 13 juni 2017, Delft.

Published in: Software
  • Be the first to comment

  • Be the first to like this

DSD-NL 2017 Analyse extreme neerslag voor WS De Dommel met Delft-FEWS - Entzinger, Diermanse, Van Dijk

  1. 1. FEWS statistische analyse tool Voor waterschap De Dommel Ø Niels Entzinger Ø Ferdinand Diermanse Ø Marc van Dijk
  2. 2. Aanleiding Hoogwater Brabant en Limburg juni 2016 13 juni 2017
  3. 3. Aanleiding Tijdens hoogwater: Hoe extreem is dit op deze locatie? 13 juni 2017
  4. 4. Aanleiding 13 juni 2017 • Kost veel tijd • Niet direct beschikbaar • Niet voor alle meetpunten • Methode niet expliciet onderbouwd • Betrouwbaarheid onduidelijk. • Alleen voor de lengte van de reeks.
  5. 5. Aanleiding Na hoogwater: (o.a.) Breng voor het hele gebied in beeld wat er (hydrologisch) is gebeurd en hoe extreem dit was. • Neerslag • Afvoeren • Waterstanden • Grondwater • Overstorten 13 juni 2017
  6. 6. Vraagstelling Automatiseren: • Snel antwoord, veel locaties geen probleem. • Altijd op dezelfde manier. • Automatische data-check bruikbaarheid reeksen. • Methode herleidbaar. • Uitkomst direct toetsbaar. • Onzekerheid expliciet maken. 13 juni 2017
  7. 7. Vraagstelling In Fews: • Geen data-uitlevering tussen pakketten. • Direct zien hoe een meting zich verhoud tot normen en extremen. • Robuust. • Iedereen kan ermee werken: ‘druk op de knop’ • Wordt iedere aanvraag nóg veel sneller (èn beter) beantwoord. • Direct (of automatisch) updaten als er nieuwe data beschikbaar is. • Output direct gebruiken voor het BOS-hoogwater. 13 juni 2017
  8. 8. Vraagstelling Periode reeks: 01/01/1986 – 01/10/2016 Lengte reeks: 30,83 jaar Data: 79% Kwaliteit: redelijk 13 juni 2017 Locatie X
  9. 9. Implementatie in Delft-FEWS
  10. 10. Delft-FEWS en statistische analyses Vroeger had Deltares (Delft-Hydraulics) het systeem HYMOS • Veel functionaliteit overgezet naar Delft-FEWS • Focus op automatiseren van processen (vooral data management, inwinning, validatie, bewerkingen) • Grootste deel statistische analyse bibliotheek niet overgezet 13/6/17
  11. 11. Delft-FEWS en statistische analyses Recente ontwikkelingen maken een andere aanpak mogelijk • Voor analyses is gebruik van Python veel gebruikte omgeving • Binnen Deltares word Python steeds meer gebruikt i.c.m. met Delft-FEWS • Nieuwe presentatie modules in FEWS maken koppeling met externe modules eenvoudiger Ø Nieuwe statistische functies niet binnen de FEWS code ontwikkelen Ø Delen van bibliotheek met functies met ander (FEWS) gebruikers Ø Deltares zorgt voor voldoende voorbeelden Implementatie van ‘interne’ en ‘externe’ functies voor WS De Dommel 13/6/17
  12. 12. 13/6/17 Statistiek voor FEWS-Dommel WS De Dommel heeft database met een groot aantal jaren meetreeksen • Met Delft-FEWS ‘statisticsPeriodic’ functies worden met de meetdata per tijdreeks bandbreedtes berekend (per 10 daagse periode) • 1% percentiel • 10% percentiel • 50% percentiel • 90% percentiel • 99% percentiel • Maximum
  13. 13. 13/6/17 Statistiek voor FEWS-Dommel Koppelen van externe Python bibliotheek met Delft-FEWS • Navigatie via Forecast Tree en ‘Modifiers’ Navigatie en starten taken Aanpassen functie variabelen
  14. 14. 13/6/17 Statistiek voor FEWS-Dommel • Koppelen van externe Python functies via Delft-FEWS General Adapter • Huidige versie gebruikt PI-XML om tijdreeksen van FEWS naar Python module te sturen. Kan uitgebreid worden met efficiëntere formaten zoals NetCDF. Delft-FEWS General Adapter en PI-XML
  15. 15. 13/6/17 Statistiek voor FEWS-Dommel • Presentatie via HTML templates en door Python module gegenereerd ‘content’ Nieuwe HTML viewer in Delft-FEWS Grafieken en inhoud tabellen door Python
  16. 16. 13/6/17 Statistiek voor FEWS-Dommel • Gebruik van berekende herhalingstijden in standaard FEWS grafieken Grafieken met thresholds uit gegenereerd meta data
  17. 17. Delft-FEWS en statistische analyses Voordeel van deze aanpak • ‘Niet’ FEWS expert kan gebruik maken van grote hoeveelheid databases met gevalideerde tijdreeksen • Geeft ‘expert’ meer vrijheid in ontwikkelen eigen statistische functies • Grote vrijheid in generen specifieke grafieken vanuit Python Wat is er nog nodig • Beheer van bibliotheek aan Python functies: Taak Deltares? • Compileren van Python functies in speciale executables die geen Python installatie nodig hebben; eenvoudiger bij installatie en gebruik 13/6/17
  18. 18. Statistische analyses
  19. 19. Doel: afleiden relevante statistieken uit meetreeks 13 juni 2017 time DailyDischarge(m3 /s) Nieuwe Leij 07/12/1995 02/09/1998 29/05/2001 23/02/2004 19/11/2006 15/08/2009 11/05/2012 05/02/2015 01/11/2017 0 2 4 6 8 10 12 14 return period [years] DailyDischarge(m3 /s) Nieuwe Leij; Gumbel distribution 1 10 100 4 6 8 10 12 14 16 18 data fit 95% uncertainty bounds
  20. 20. 1. Data validatie 2. Analyse kenmerken data reeks (o.a. ontbrekende data) 3. Selectie hoogste waarnemingen uit meetreeks 4. Trendanalyse (homogeniteitstesten) 5. Keuze statistische extreme waarde verdelingsfunctie 6. Fitten verdeling op data 7. Beoordeling mate van fit, eventueel terug naar stap 3-6 Bepalen kansverdelingen extremen
  21. 21. Ontbrekende meetgegevens 13 juni 2017 time DailyDischarge(m 3 /s) Nieuwe Leij 07/12/1995 02/09/1998 29/05/2001 23/02/2004 19/11/2006 15/08/2009 11/05/2012 05/02/2015 01/11/2017 0 2 4 6 8 10 12 14
  22. 22. Overeige kenmerken meetreeks Tijdstappen • Welke resolutie (kwartier, uur, dag ..)? • Overstap naar andere resolutie binnen meetreeks voor 1 station? • Resolutie heeft effect op resultaten! Lengte meetreeks § Bij voorkeur minimaal 20 jaar aan data per station, helaas niet altijd mogelijk 13 juni 2017
  23. 23. Selectie hoogste waarnemingen 13 juni 2017
  24. 24. Trendanalyse (homogeniteit meetreeks) q Klimaat q Rivierwerken, bodemerosie, sediment q Condities stroomgebied (ontbossing, verstedelijking, bodemdaling) 13 juni 2017 Mogelijke bronnen van inhomogeniteit
  25. 25. Resultaat 13 juni 2017
  26. 26. Resultaat 13 juni 2017
  27. 27. Resultaat
  28. 28. Resultaat 13 juni 2017 Groen Geel Oranje Rood Lengte reeks jaren >20 >15 >10 <10 Aanwezigheid data in de reeks % >90 >85 >80 <80 Aanwezigheid data in de pieken % >95 >90 >85 <85 4homogeniteitstests (<0.05=slecht) slechtste test (0-1) >0.05 <0.05 beoordeling fit exponentiele functie test (0-1) >0.8 >0.6 >0.4 <0.4
  29. 29. Toepassing 13 juni 2017 Gebiedsanalyses Hoogwater Vergelijk Tool met modelstudies
  30. 30. Toepassing Direct aantal fouten uit data gehaald Nader naar data kijken Gemeten data vs Hydrologische reeksen 13 juni 2017
  31. 31. Doorontwikkeling - Notificatie als meetwaarde buiten bandbreedte komt. - Notificatie als meetwaarde extremen overschrijdt. - Automatische omrekenfunctionaliteit o.b.v. formule van de lijn. - Aanvullende statistische functies. - Verbeterde data validaties. 13 juni 2017
  32. 32. Samenwerkingsvorm 13 juni 2017

×