TY - THES A1 - Metin Usta, Ayşe Duha T1 - The role of risk components and spatial dependence in flood risk estimations N2 - Flooding is a vast problem in many parts of the world, including Europe. It occurs mainly due to extreme weather conditions (e.g. heavy rainfall and snowmelt) and the consequences of flood events can be devastating. Flood risk is mainly defined as a combination of the probability of an event and its potential adverse impacts. Therefore, it covers three major dynamic components: hazard (physical characteristics of a flood event), exposure (people and their physical environment that being exposed to flood), and vulnerability (the elements at risk). Floods are natural phenomena and cannot be fully prevented. However, their risk can be managed and mitigated. For a sound flood risk management and mitigation, a proper risk assessment is needed. First of all, this is attained by a clear understanding of the flood risk dynamics. For instance, human activity may contribute to an increase in flood risk. Anthropogenic climate change causes higher intensity of rainfall and sea level rise and therefore an increase in scale and frequency of the flood events. On the other hand, inappropriate management of risk and structural protection measures may not be very effective for risk reduction. Additionally, due to the growth of number of assets and people within the flood-prone areas, risk increases. To address these issues, the first objective of this thesis is to perform a sensitivity analysis to understand the impacts of changes in each flood risk component on overall risk and further their mutual interactions. A multitude of changes along the risk chain are simulated by regional flood model (RFM) where all processes from atmosphere through catchment and river system to damage mechanisms are taken into consideration. The impacts of changes in risk components are explored by plausible change scenarios for the mesoscale Mulde catchment (sub-basin of the Elbe) in Germany. A proper risk assessment is ensured by the reasonable representation of the real-world flood event. Traditionally, flood risk is assessed by assuming homogeneous return periods of flood peaks throughout the considered catchment. However, in reality, flood events are spatially heterogeneous and therefore traditional assumption misestimates flood risk especially for large regions. In this thesis, two different studies investigate the importance of spatial dependence in large scale flood risk assessment for different spatial scales. In the first one, the “real” spatial dependence of return period of flood damages is represented by continuous risk modelling approach where spatially coherent patterns of hydrological and meteorological controls (i.e. soil moisture and weather patterns) are included. Further the risk estimations under this modelled dependence assumption are compared with two other assumptions on the spatial dependence of return periods of flood damages: complete dependence (homogeneous return periods) and independence (randomly generated heterogeneous return periods) for the Elbe catchment in Germany. The second study represents the “real” spatial dependence by multivariate dependence models. Similar to the first study, the three different assumptions on the spatial dependence of return periods of flood damages are compared, but at national (United Kingdom and Germany) and continental (Europe) scales. Furthermore, the impacts of the different models, tail dependence, and the structural flood protection level on the flood risk under different spatial dependence assumptions are investigated. The outcomes of the sensitivity analysis framework suggest that flood risk can vary dramatically as a result of possible change scenarios. The risk components that have not received much attention (e.g. changes in dike systems and in vulnerability) may mask the influence of climate change that is often investigated component. The results of the spatial dependence research in this thesis further show that the damage under the false assumption of complete dependence is 100 % larger than the damage under the modelled dependence assumption, for the events with return periods greater than approximately 200 years in the Elbe catchment. The complete dependence assumption overestimates the 200-year flood damage, a benchmark indicator for the insurance industry, by 139 %, 188 % and 246 % for the UK, Germany and Europe, respectively. The misestimation of risk under different assumptions can vary from upstream to downstream of the catchment. Besides, tail dependence in the model and flood protection level in the catchments can affect the risk estimation and the differences between different spatial dependence assumptions. In conclusion, the broader consideration of the risk components, which possibly affect the flood risk in a comprehensive way, and the consideration of the spatial dependence of flood return periods are strongly recommended for a better understanding of flood risk and consequently for a sound flood risk management and mitigation. N2 - Hochwasser sind ein großes Problem und treten hauptsächlich aufgrund extremer Wetterbedingungen (z. B. starker Regen und Schneeschmelze) auf. Die Folgen von Hochwasserereignissen können verheerend sein. Das Konzept des Hochwasserrisikos beinhaltet die drei Komponenten: Gefahr, Exposition und Vulnerabilität. Hochwasser sind natürliche Phänomene und können nicht sicher verhindert werden. Das Risiko kann jedoch gesteuert und gemindert werden. Für ein solides Hochwasserrisikomanagement und die Minderung des Risikos ist eine ordnungsgemäße Risikobewertung und ein klares Verständnis der Hochwasserrisikodynamik erforderlich. Beispielsweise verursacht der anthropogene Klimawandel eine höhere Intensität der Niederschläge und einen Anstieg des Meeresspiegels und damit eine Zunahme des Ausmaßes und der Häufigkeit von Hochwasserereignissen. Andererseits können unangemessene strukturelle Schutzmaßnahmen, das Anwachsen von Vermögenswerten und eine steigende Anzahl betroffener Personen in den hochwassergefährdeten Gebieten das Risiko erhöhen. Um diese Probleme zu adressieren, besteht ein Ziel dieser Arbeit aus der Durchführung einer Sensitivitätsanalyse, um die Auswirkungen von Änderungen in jeder Hochwasserrisikokomponente auf das Gesamtrisiko und deren Wechselwirkungen untereinander zu verstehen. Eine angemessene Risikobewertung wird auch durch die korrekte k Darstellung des realen Hochwasserereignisses erreicht. Traditionell wird das Hochwasserrisiko bewertet, indem homogene Wiederkehrintervalle von Hochwasserspitzen im gesamten Einzugsgebiet angenommen werden. In der Realität sind Hochwasserereignisse jedoch räumlich heterogen, weshalb die traditionelle Annahme von Homogenität das Hochwasserrisiko insbesondere für große Einzugsgebiete falsch einschätzt. In dieser Arbeit wird die Bedeutung der räumlichen Abhängigkeit bei der Bewertung des Hochwasserrisikos in großem Maßstab in zwei Studien für verschiedene räumliche Skalen untersucht. In der ersten Untersuchung wird die „reale“ räumliche Abhängigkeit durch einen kontinuierlichen Risikomodellierungsansatz dargestellt. Zusätzlich werden die Risikoabschätzungen unter dieser modellierten Abhängigkeitsannahme mit zwei weiteren Annahmen zur räumlichen Abhängigkeit der Wiederkehrintervalle von Hochwasser verglichen: vollständige Abhängigkeit und Unabhängigkeit für das Elbeeinzugsgebiet in Deutschland. Die zweite Studie repräsentiert die „reale“ räumliche Abhängigkeit durch ein copula-basiertes Abhängigkeitsmodell. In ähnlicher Weise werden die drei verschiedenen Annahmen zur räumlichen Abhängigkeit der Wiederkehrintervalle von Hochwasser auf nationaler und kontinentaler Ebene verglichen. Außerdem wird der Einfluss von „Tail-dependences“ im Modell sowie von Hochwasserschutzmaßnahmen auf die räumliche Abhängigkeit untersucht. Die Ergebnisse dieser Arbeit unter Anwendung des Sensitivitätsanalyse-Frameworks zeigen, dass das Hochwasserrisiko aufgrund möglicher Änderungsszenarien dramatisch variieren kann. Der Einfluss des Klimawandels kann durch Änderungen anderer Risikokomponenten (z. B. Änderungen der Deichsysteme und der Vulnerabilität) überdeckt werden. Die Untersuchung zur räumlichen Abhängigkeit zeigen, dass der Schaden unter der Annahme vollständiger Abhängigkeit für Ereignisse mit Wiederkehrintervalle von mehr als ungefähr 200 Jahren im Elbeeinzugsgebiet 100 % größer als der Schaden unter modellierter Abhängigkeit. Die Annahme vollständiger Abhängigkeit überschätzt den 200-jährigen Hochwasserschaden, einen Referenzindikator für die Versicherungsbranche, um 139 %, 188 % und 246 % für Vereinigte Königreich, Deutschland und Europa. Die Fehleinschätzung des Hochwasserrisikos kann unter verschiedenen Annahmen von Abhängigkeit zwischen Oberlauf und Unterlauf eines Einzugsgebietes stark variieren. Zudem können „Tail-dependences“ im Modell sowie der Hochwasserschutz im Einzugsgebiet die Ergebnisse der Risikoabschätzung, unter verschiedenen Annahmen der räumlichen Abhängigkeit, beeinflussen. Abschließend wird eine umfangreiche Berücksichtigung der Risikokomponenten und insbesondere der räumlichen Abhängigkeit von Wiederkehrintervallen stark empfohlen, um das Hochwasserrisiko und damit dessen Management und Minderung besser verstehen zu können. T2 - Die Rolle von Risikokomponenten und räumlicher Abhängigkeit bei Hochwasserrisikoabschätzungen KW - flood risk KW - sensitivity analysis KW - hazard KW - river flooding KW - vulnerability KW - spatial dependence KW - damage estimation KW - continuous simulation KW - flood risk assessment KW - kontinuierliche Simulation KW - Schadensabschätzung KW - Hochwasserrisiko KW - Hochwasserrisikobewertung KW - Gefahr KW - Flusshochwasser KW - Sensitivitätsanalyse KW - räumliche Abhängigkeit KW - Vulnerabilität Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-492554 ER - TY - THES A1 - Reusser, Dominik Edwin T1 - Combining smart model diagnostics and effective data collection for snow catchments T1 - Zeitlich aufgelöste Modelldiagnose und kosteneffektive Messungen für Schneeeinzugsgebiete N2 - Complete protection against flood risks by structural measures is impossible. Therefore flood prediction is important for flood risk management. Good explanatory power of flood models requires a meaningful representation of bio-physical processes. Therefore great interest exists to improve the process representation. Progress in hydrological process understanding is achieved through a learning cycle including critical assessment of an existing model for a given catchment as a first step. The assessment will highlight deficiencies of the model, from which useful additional data requirements are derived, giving a guideline for new measurements. These new measurements may in turn lead to improved process concepts. The improved process concepts are finally summarized in an updated hydrological model. In this thesis I demonstrate such a learning cycle, focusing on the advancement of model evaluation methods and more cost effective measurements. For a successful model evaluation, I propose that three questions should be answered: 1) when is a model reproducing observations in a satisfactory way? 2) If model results deviate, of what nature is the difference? And 3) what are most likely the relevant model components affecting these differences? To answer the first two questions, I developed a new method to assess the temporal dynamics of model performance (or TIGER - TIme series of Grouped Errors). This method is powerful in highlighting recurrent patterns of insufficient model behaviour for long simulation periods. I answered the third question with the analysis of the temporal dynamics of parameter sensitivity (TEDPAS). For calculating TEDPAS, an efficient method for sensitivity analysis is necessary. I used such an efficient method called Fourier Amplitude Sensitivity Test, which has a smart sampling scheme. Combining the two methods TIGER and TEDPAS provided a powerful tool for model assessment. With WaSiM-ETH applied to the Weisseritz catchment as a case study, I found insufficient process descriptions for the snow dynamics and for the recession during dry periods in late summer and fall. Focusing on snow dynamics, reasons for poor model performance can either be a poor representation of snow processes in the model, or poor data on snow cover, or both. To obtain an improved data set on snow cover, time series of snow height and temperatures were collected with a cost efficient method based on temperature measurements on multiple levels at each location. An algorithm was developed to simultaneously estimate snow height and cold content from these measurements. Both, snow height and cold content are relevant quantities for spring flood forecasting. Spatial variability was observed at the local and the catchment scale with an adjusted sampling design. At the local scale, samples were collected on two perpendicular transects of 60 m length and analysed with geostatistical methods. The range determined from fitted theoretical variograms was within the range of the sampling design for 80% of the plots. No patterns were found, that would explain the random variability and spatial correlation at the local scale. At the watershed scale, locations of the extensive field campaign were selected according to a stratified sample design to capture the combined effects of elevation, aspect and land use. The snow height is mainly affected by the plot elevation. The expected influence of aspect and land use was not observed. To better understand the deficiencies of the snow module in WaSiM-ETH, the same approach, a simple degree day model was checked for its capability to reproduce the data. The degree day model was capable to explain the temporal variability for plots with a continuous snow pack over the entire snow season, if parameters were estimated for single plots. However, processes described in the simple model are not sufficient to represent multiple accumulation-melt-cycles, as observed for the lower catchment. Thus, the combined spatio-temporal variability at the watershed scale is not captured by the model. Further tests on improved concepts for the representation of snow dynamics at the Weißeritz are required. From the data I suggest to include at least rain on snow and redistribution by wind as additional processes to better describe spatio-temporal variability. Alternatively an energy balance snow model could be tested. Overall, the proposed learning cycle is a useful framework for targeted model improvement. The advanced model diagnostics is valuable to identify model deficiencies and to guide field measurements. The additional data collected throughout this work helps to get a deepened understanding of the processes in the Weisseritz catchment. N2 - Modelle zur Hochwasservorhersage und –warnung basieren auf einer bio-physikalisch Repräsentation der relevanten hydrologischen Prozesse. Eine Verbesserungen der Beschreibung dieser Prozesse kann zuverlässigere Vorhersagen ermöglichen. Dazu wird die Benutzung eines Lernzykluses bestehend aus einer kritische Beurteilung eines existierenden Modells, der Erhebung zusätzlicher Daten, der Bildung eines vertieften Verständnis und einer Überarbeitung des Modells vorgeschlagen. In dieser Arbeit wird ein solcher Lernzyklus aufgegriffen, wobei der Schwerpunkt auf einer verbesserten Modellanalyse und kosteneffizientere Messungen liegt. Für eine erfolgreiche Modellbeurteilung sind drei Fragen zu beantworten: 1) Wann reproduziert ein Modell die beobachteten Werte in einer zufriedenstellenden Weise (nicht)? 2) Wie lassen sich die Abweichungen charakterisieren? und 3) welches sind die Modellkomponenten, die diese Abweichungen bedingen? Um die ersten beiden Fragen zu beantworten, wird eine neue Methode zur Beurteilung des zeitlichen Verlaufs der Modellgüte vorgestellt. Eine wichtige Stärke ist, dass wiederholende Muster ungenügender Modellgüte auch für lange Simulationsläufe einfach identifiziert werden können. Die dritte Frage wird durch die Analyse des zeitlichen Verlaufs der Parametersensitivität beantwortet. Eine Kombination der beiden Methoden zur Beantwortung aller drei Fragen stellt ein umfangreiches Werkzeug für die Analyse hydrologischer Modelle zur Verfügung. Als Fallstudie wurde WaSiM-ETH verwendet, um das Einzugsgebiet der wilden Weißeritz zu modellieren. Die Modellanalyse von WaSiM-ETH hat ergeben, dass die Schneedynamik und die Rezession während trockener Perioden im Spätsommer und Herbst, für eine Beschreibung der Prozesse an der Weißeritz nicht geeignet sind. Die Erhebung zusätzlicher Daten zum besseren Verständnis der Schneedynamik bildet den nächste Schritt im Lernzyklus. Daten über Schneetemperaturen und Schneehöhen wurden mit Hilfe eines neuen, preisgünstigen Verfahrens erhoben. Dazu wurde die Temperatur an jedem Standort mit unterschiedlichen Abständen zum Boden gemessen und mit einem neuen Algorithmus in Schneehöhe und Kältegehalt umgerechnet. Die Schneehöhe und Kältegehalt sind wichtige Größen für die Vorhersage von Frühjahrshochwassern. Die räumliche Variabilität der Schneedecke auf der Einzugsgebietsskala wurde entsprechend der Landnutzung, der Höhenzone und der Ausrichtung stratifiziert untersucht, wobei lediglich der Einfluss der Höhe nachgewiesen werden konnte, während Ausrichtung und Landnutzung keinen statistisch signifikanten Einfluss hatten. Um die Defizite des WaSiM-ETH Schneemodules für die Beschreibung der Prozesse im Weißeritzeinzugsgebiets besser zu verstehen, wurde der gleiche konzeptionelle Ansatz als eigenständiges, kleines Modell benutzt, um die Dynamik in den Schneedaten zu reproduzieren. Während dieses Grad-Tag-Modell in der Lage war, den zeitlichen Verlauf für Flächen mit einer kontinuierlichen Schneedecke zu reproduzieren, konnte die Dynamik für Flächen mit mehreren Akkumulations- und Schmelzzyklen im unteren Einzugsgebiet vom Modell nicht abgebildet werden. Vorschläge zur Verbesserung des Modells werden in der Arbeit gemacht. Zusammenfassend hat sich das Lernzyklus-Konzept als nützlich erwiesen, um gezielt an einer Modellverbesserung zu arbeiten. Die differenzierte Modelldiagnose ist wertvoll, um Defizite im Modellkonzept zu identifizieren. Die während dieser Studie erhobenen Daten sind geeignet, um ein verbessertes Verständnis der Schnee-Prozesse an der Weißeritz zu erlangen. KW - Hydrologie KW - Modellierung KW - Modell Diagnose KW - Schnee KW - Sensitivitätsanalyse KW - hydrology KW - modelling KW - model diagnostics KW - snow KW - sensitivity analysis Y1 - 2011 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus-52574 ER -