dc.contributor.advisor | Santos Granados, Germán Ricardo | |
dc.contributor.author | Ruiz Gómez, Andrés Julián | |
dc.date.accessioned | 2022-06-14T15:30:36Z | |
dc.date.available | 2022-06-14T15:30:36Z | |
dc.date.issued | 2022 | |
dc.identifier.uri | https://repositorio.escuelaing.edu.co/handle/001/2072 | |
dc.description | Extreme rainfall events have been a constant throughout human history. Throughout history
humanity has developed tools that have allowed us to be better prepared for these phenomena,
aiming at longer lead times that can diminish their consequences. Forecasting has attempted to
provide decision-makers with enough information, that leads to actions that can minimize
economic costs and human losses during extreme events. However, these developed tools are
not perfect, and gaps can be found in previous works, such as the lack of object-based
approaches to identify upcoming critical events.
This study focuses its interest on the Dapoling-Wangjiaba sub-basin located in the upstream
zone of the Huaihe River catchment, which is considered one major region in the country due
to its economic importance and its high population density. The region has experienced some
major flood events in the last years, and hence, the Huaihe river commission has raised interest
in finding improvements for the already existing flood forecasting tools, to increase the
reliability of models and to offer better preparedness for these events.
This research made use of three components: Ensemble Prediction System, Object-based
methodology ST-CORA and HBV hydrological model. Ensemble rainfall forecasting data was
acquired from ECMWF and then transformed into rainfall objects through ST-CORA, and then
this information was routed through an HBV lumped conceptual model to establish a
relationship between objects’ characteristics and their hydrological response.
Through the proposed methodology it was possible to analyse extreme rainfall events, based on
rainfall object characteristics, such as volume, intensity, duration and area, as well as its
location’s centroid. Clear spatial patterns over the catchment were observed that change with
seasonality. It was found that major critical objects tend to be concentrated in the south zone of
the catchment, specifically at latitude 32°N and between longitudes 114.5°W-115°, where 46%
of all critical hydrological responses took place. 67.9% Of major critical events take place
during the rainy season (June-July-August), while more intense hydrological responses tend to
occur in the first 10 days of September, which can be attributed to the state of the catchment
after a rainy season, meaning that extreme events are not fully dominated by high intensity
rainfall. Finally, it was found that critical events are not characterised for its length in time or
volume, such as in the last months of the year, but by its maximum voxel intensity, such as
during rainy season, meaning that for the events studied in this research, voxel intensity is the
decisive characteristic for high hydrological responses.
Finally, and aiming to provide ideas for future improvements in flood forecasting, a
classification algorithm was trained, with the task of predicting the occurrence or not occurrence
of high discharge based on object’s characteristics. The results were acceptable (73% average
precision) when only considering rainfall objects’ properties such as: start date, centroid
location, maximum voxel intensity, duration and volume, and they were almost perfect when
adding observed discharge from three days before the start date as attribute to represent the state
of the river. Object-based methodologies are much faster in terms of computing time than other
approaches such as hydrological modelling, when used for predicting flood events. Based on
the results of this research, further work on the precision of arrival peak time with the help of a
distributed conceptual model is recommended, as well as exploring a weighting scheme to
evaluate EPS perturbed members based on the object’s properties contained in them and its
expected hydrological response. | eng |
dc.description.abstract | Los eventos de lluvias extremas han sido una constante a lo largo de la historia humana. A través de la historia
la humanidad ha desarrollado herramientas que nos han permitido estar mejor preparados para estos fenómenos,
apuntando a plazos más largos que puedan disminuir sus consecuencias. La previsión ha intentado
proporcionar a los tomadores de decisiones suficiente información, que conduzca a acciones que puedan minimizar
costos económicos y pérdidas humanas durante eventos extremos. Sin embargo, estas herramientas desarrolladas son
no es perfecto, y se pueden encontrar lagunas en trabajos anteriores, como la falta de
enfoques para identificar los próximos eventos críticos.
Este estudio centra su interés en la subcuenca Dapoling-Wangjiaba ubicada aguas arriba
zona de la cuenca del río Huaihe, que se considera una de las principales regiones del país debido
a su importancia económica y a su alta densidad de población. La región ha experimentado algunos
grandes inundaciones en los últimos años, y por lo tanto, la comisión del río Huaihe ha despertado interés
en la búsqueda de mejoras para las herramientas de pronóstico de inundaciones ya existentes, para aumentar la
confiabilidad de los modelos y ofrecer una mejor preparación para estos eventos.
Esta investigación hizo uso de tres componentes: Sistema de predicción por conjuntos, basado en objetos
metodología ST-CORA y modelo hidrológico HBV. El conjunto de datos de pronóstico de precipitaciones fue
adquiridos de ECMWF y luego transformados en objetos de lluvia a través de ST-CORA, y luego
esta información se enrutó a través de un modelo conceptual agrupado de HBV para establecer un
relación entre las características de los objetos y su respuesta hidrológica.
A través de la metodología propuesta fue posible analizar eventos extremos de lluvia, con base en
características del objeto de lluvia, como volumen, intensidad, duración y área, así como su
centroide de la ubicación. Se observaron patrones espaciales claros sobre la cuenca que cambian con
estacionalidad. Se encontró que los principales objetos críticos tienden a concentrarse en la zona sur de
la cuenca, específicamente en la latitud 32°N y entre las longitudes 114.5°W-115°, donde el 46%
de todas las respuestas hidrológicas críticas. El 67,9% de los grandes eventos críticos tienen lugar
durante la temporada de lluvias (junio-julio-agosto), mientras que las respuestas hidrológicas más intensas tienden a
ocurren en los primeros 10 días de septiembre, lo que puede atribuirse al estado de la cuenca
después de una temporada de lluvias, lo que significa que los eventos extremos no están totalmente dominados por alta intensidad
lluvia. Finalmente, se encontró que los eventos críticos no se caracterizan por su duración en el tiempo o
volumen, como en los últimos meses del año, sino por su máxima intensidad de vóxel, como
durante la temporada de lluvias, lo que significa que para los eventos estudiados en esta investigación, la intensidad de vóxel es la
característica decisiva para respuestas hidrológicas altas.
Por último, y con el objetivo de aportar ideas para futuras mejoras en la previsión de crecidas, se
algoritmo de clasificación fue entrenado, con la tarea de predecir la ocurrencia o no ocurrencia
de alta descarga en función de las características del objeto. Los resultados fueron aceptables (73% promedio
precisión) cuando solo se consideran las propiedades de los objetos de lluvia tales como: fecha de inicio, centroide
ubicación, máxima intensidad de vóxel, duración y volumen, y eran casi perfectos cuando
agregando la descarga observada desde tres días antes de la fecha de inicio como atributo para representar el estado
del río. Las metodologías basadas en objetos son mucho más rápidas en términos de tiempo de cómputo que otras
enfoques como la modelización hidrológica, cuando se utilizan para predecir inundaciones. Residencia en
los resultados de esta investigación, seguir trabajando en la precisión de la hora pico de llegada con la ayuda de un
Se recomienda un modelo conceptual distribuido, así como explorar un esquema de ponderación para
evaluar los miembros perturbados de EPS en función de las propiedades del objeto contenidas en ellos y su
respuesta hidrológica esperada. | spa |
dc.format.extent | 77p. | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | eng | spa |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | spa |
dc.title | Analysis of spatiotemporal rainfall objects in hydrological ensemble forecast predictions: Application in the DapolingWangjiaba catchment in the Huai River Basin | eng |
dc.type | Trabajo de grado - Maestría | spa |
dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
oaire.version | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |
dc.contributor.corporatename | Escuela Colombiana de Ingeniería Julio Garavito | spa |
dc.description.degreelevel | Maestría | spa |
dc.description.degreename | Magíster en Ingeniería Civil | spa |
dc.identifier.url | https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23052 | |
dc.publisher.faculty | Ingeniería Cívil | spa |
dc.publisher.place | Delft, Netherlands | spa |
dc.publisher.program | Ingeniería Civil | spa |
dc.relation.indexed | N/A | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.rights.creativecommons | Atribución 4.0 Internacional (CC BY 4.0) | spa |
dc.subject.armarc | Modelado hidrológico - cuenca de captación de DapolingWangjiaba- cuenca del río Huai | |
dc.subject.armarc | Aprendizaje automático | |
dc.subject.armarc | Probabilidades de lluvia | |
dc.subject.proposal | Modelado hidrológico - cuenca de captación de DapolingWangjiaba- cuenca del río Huai | spa |
dc.subject.proposal | Hydrological modeling - DapolingWangjiaba catchment - Huai river basin | eng |
dc.subject.proposal | Aprendizaje automático | spa |
dc.subject.proposal | Probabilidades de lluvia | spa |
dc.subject.proposal | Chances of rain | eng |
dc.subject.proposal | Machine Learning | eng |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | spa |
dc.type.content | Text | spa |
dc.type.driver | info:eu-repo/semantics/masterThesis | spa |
dc.type.redcol | https://purl.org/redcol/resource_type/TM | spa |