Improving streamflow calculation by combining physical models and neural networks

Ana Isabel Baião Ramos de Oliveira

Key information

Authors:

Ana Isabel Baião Ramos de Oliveira (Ana Isabel Baião Ramos de Oliveira)

Supervisors:

Ramiro Joaquim De Jesus Neves (Ramiro Joaquim De Jesus Neves); Tiago Cunha Brito Ramos (Tiago Cunha Brito Ramos)

Published in

09/11/2023

Abstract

A modelação hidrológica é crítica para a avaliação do estado presente, tendências passadas e perspetivas futuras das disponibilidades de água. Mais especificamente, o conhecimento sobre os regimes e valores de caudais nos rios é essencial em diversas atividades e situações. O presente trabalho foca-se, assim, na estimativa do caudal considerando quatro domínios onde diferentes problemas relacionados com a água foram identificados. Os quatro domínios correspondem à zona Oeste da Península Ibérica (OPI) e às bacias hidrográficas do Guadiana, Maranhão e rio Ulla. A previsão do caudal foi realizada usando três abordagens diferentes, nomeadamente, um modelo físico, MOHID-Land, um modelo baseado em dados e uma solução híbrida na qual os dois tipos de modelos são acoplados. O domínio OPI inclui diferentes bacias hidrográfica independentes entre si. Este domínio foi modelado com o MOHID-Land para a estimativa do caudal em regime natural. Os resultados mostraram que a consideração de um domínio tão grande e diversificado não é a abordagem mais adequada na modelação de bacias hidrográficas. A bacia hidrográfica do Guadiana também foi simulada com o MOHID-Land considerando não só o caudal em regime natural mas, também, o impacto da operação das barragens no caudal. Nesta abordagem, à escala da bacia hidrográfica, foi possível demonstrar a capacidade do modelo em reproduzir o caudal em condições de regime natural. Contudo, aquando da consideração da operação das barragens, os resultados demonstraram uma diminuição na capacidade do modelo em reproduzir o regime de caudal. As limitações identificadas em ambos os estudos foram o ponto de partida para o restante trabalho. O MOHID-Land foi, assim, alvo de uma análise de sensibilidade por forma a identificar os principais parâmetros que influenciam a simulação do caudal. Esta análise foi realizada utilizando como caso de estudo a bacia hidrográfica do rio Ulla e os resultados permitiram que a simulação do caudal em regime natural nesta bacia atingisse um nível bastante bom. Os resultados deste estudo contribuíram, também, para o sucesso da modelação da bacia hidrográfica do Maranhão. Contudo, neste último caso o MOHID-Land foi calibrado e validado para uma sub-bacia, cujos parâmetros calibrados foram posteriormente expandidos ao domínio completo. A validação desses resultados foi, então, realizada considerando um balanço de massa ao nível da albufeira, a qual estava situada no ponto mais a jusante da bacia. Posteriormente, um modelo baseado em dados do tipo rede neuronal foi testado para a estimativa do caudal seguindo o mesmo procedimento. Assim, um modelo do tipo convolutional neural network (CNN) foi desenvolvido e treinado para a sub-bacia referida anteriormente e os resultados foram posteriormente expandidos ao domínio completo através da substituição das variáveis de entrada. Por fim, e por forma a ultrapassar a dificuldade na representação da operação das barragens em modelos hidrológicos, foi estudada uma solução híbrida aplicada à bacia hidrográfica do rio Ulla. Assim, o caudal de saída de uma barragem situada naquela bacia e com alta capacidade de armazenamento foi estimado com um modelo do tipo convolutional long short-term memory (CLSTM). Este modelo foi alimentado pelos valores de caudal de entrada e nível estimados pelo MOHID-Land, enquanto os caudais de saída previstos pelo modelo CLSTM foram impostos nesse mesmo modelo hidrológico. Os resultados obtidos indicaram uma melhoria substancial quando o modelo acoplado é considerado, relevando a importância de considerar este tipo de infraestruturas durante a modelação. A presente tese discute a fiabilidade de diferentes métodos para a estimação do caudal em regime natural e em sistemas complexos marcados por alterações antrópicas. A discussão centra-se nas principais limitações e nos principais parâmetros que interferem na precisão da representação dos sistemas. Os resultados levaram ao desenvolvimento de uma nova abordagem que conecta o modelo MOHID-Land e uma rede neuronal, permitindo ultrapassar as limitações identificadas inicialmente. Hydrological modeling is critical for evaluating the status, past trends, and future perspectives of water availability. More specifically, knowledge about streamflow regimes and values is essential for different activities and situations. This work focuses on the estimation of streamflow considering four different domains in which different water related problems were identified: the Western Iberian Peninsula (WIP), and the Guadiana, Maranhão and Ulla River watersheds. Streamflow was estimated using three different approaches, namely, with a physically based model, MOHID-Land, a data-driven model, and a hybrid solution coupling both types of models. The WIP, which contained several independent watersheds, was modelled with MOHIDLand for natural streamflow estimation. Results demonstrated the inadequacy in considering such a large and diversified domain. The Guadiana watershed was also modelled with MOHIDLand, considering the natural regime flow and the influence of reservoirs operation. This study at the watershed scale demonstrated the relative adequacy of the model in simulating the natural regime flow at the watershed scale, but identified several shortcomings when considering reservoirs’ operation, which the work that followed aimed to overcome. The MOHID-Land was first subjected to a sensitivity analysis to identify the key parameters impacting streamflow simulation. The Ulla River watershed was the selected case study, with the MOHID-Land showing high accuracy for simulations of the natural regime flow. The results of that study also contributed to the successful implementation of MOHID-Land model in the Maranhão watershed. In this case study, the MOHID-Land model was calibrated and validated for a sub-basin, and the calibrated parameters were extended to the entire watershed. The results’ validation was performed considering a mass balance of the reservoir located in the watershed’s outlet. Afterward, a data-driven model was tested following the same procedure in the same study area. A convolutional neural network model was developed and trained for the sub-basin and then extended to the entire watershed. Both approaches were compared, and the advantages and shortcomings of both solutions were discussed. Finally, a hybrid solution was applied to the Ulla River watershed. To overcome the difficulty in representing reservoirs’ operation in hydrological models, the outflow of a highcapacity reservoir placed in the watershed was estimated with a convolutional long short-term memory (CLSTM) model, with this model being fed by the inflow and level values estimated by MOHID-Land. Then, the outflow values obtained with the CLSTM model were imposed in MOHID-Land model. Results demonstrated a drastic improvement when the coupled system was considered, highlighting the importance of considering this type of infrastructure during the modelling task. Hence, this thesis discusses the reliability of different methods for streamflow estimation considering natural regime flow and complex systems with anthropogenic modifications, centering the discussion on the main limitations and key parameters influencing the accurate representation of systems. The findings allowed the development of a new approach that connects MOHID-Land with a neural network model, and which allowed to surpass many of the initial shortcomings.