Skalenanalyse in der Hydrologie – warum? Von Peter Braun, ehemals Bayerisches Landesamt für...
12
Skalenanalyse in der Hydrologie – warum? Von Peter Braun, ehemals Bayerisches Landesamt für Wasserwirtschaft Das BMBF-Vorhaben Das BMBF-Vorhaben Skalenanalyse hydrologischer Skalenanalyse hydrologischer und hydrometeorologischer und hydrometeorologischer Zeitreihen Zeitreihen Bayerisches Landesam t fürW asserw irtschaft Norwegisches Waldforschungsinstitut
Skalenanalyse in der Hydrologie – warum? Von Peter Braun, ehemals Bayerisches Landesamt für Wasserwirtschaft Das BMBF-Vorhaben Skalenanalyse hydrologischer
Skalenanalyse in der Hydrologie warum? Von Peter Braun, ehemals
Bayerisches Landesamt fr Wasserwirtschaft Das BMBF-Vorhaben
Skalenanalyse hydrologischer und hydrometeorologischer Zeitreihen
Norwegisches Waldforschungsinstitut
Folie 2
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Ausgangspunkt Empirischen Daten in
der Hydrologie werden in einer bestimmten Auflsung (Skala) gemessen
Wichtige statistische Kennzahlen bzw. Charakteristika hngen (in
oftmals unbekannter Weise) von diesen Skalen ab. Im Rahmen von
KLIWA wurde erkannt, dass es dringend notwendig ist, diese
Skalenabhngigkeit zu klren Zunchst wurde versucht, den Einfluss
rumlicher Skalen zu untersuchen (z.B. Einfluss der
Rastermaschenweite auf den dynamischen Output von ASGII (WH
Modell)) Zahlreiche rasterbasierte Parameterfelder (z.B. der BEVEN
Index) fr das Modell waren s kaleninvariant, d.h., sie zeigen
fraktales Verhalten.
Folie 3
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Skaleninvarianz, Potenzgesetze Fr
die Hydrologie besonders wichtig ist die Erkenntnis, dass nicht nur
geometrische bzw. rumliche Objekte skaleninvariant sein knnen,
sondern auch statistische Eigenschaften von Zeitreihen
skaleninvariantes Verhalten aufweisen knnen. Statistische
Charakteristika knnen bei Skalenwechsel durch einfache
Transformationen (Potenzgesetze) ineinander umgerechnet werden
Diese Potenzgesetze gewinnt man empirisch aus der Bestimmung
interessierender Eigenschaften bei unterschiedlichen Auflsungen
(Skalen)
Folie 4
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Grndung des Verbundprojektes Durch
Hinweise aus der Literatur und eigener Analysen kamen wir zu dem
Schluss, dass der Befund der Langzeitkorrelation weitreichende
Konsequenzen fr die Bewertung gngiger hydrologischer
Auswerteverfahren haben wrde. Es war notwendig, externe Expertise
zu akquirieren Das BMBF und der Freistaat Bayern konnten fr die
Finanzierung des Projektes gewonnen werden.
Folie 5
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Langzeitkorrelationen
Skaleninvariante Prozesse zeigen das Phnomen der
Langzeitkorrelation (Persistenz): Bestimmte statistische
Eigenschaften kehren auf lngeren Zeitskalen wieder (bzw.
unterscheiden sich nur durch Faktoren, die man gut bestimmen kann)
Es gibt zwei prinzipiell verschiedene Grnde fr Persistenz: Solche,
die in der Dynamik der Prozesse begrndet sind und solche, die durch
skaleninvariante Verteilungsfunktionen induziert werden. HURST war
der Erste, der am Beispiel des Nils zeigte, dass es
Langzeitkorrelationen geben msse. In der Literatur waren diese
Befunde heftig umstritten. Ein wesentlicher Grund fr die
Missverstndnisse war aus unserer heutigen Sicht die Tatsache, dass
man Trends und Langzeitkorrelationen zur damaligen Zeit nicht
trennen konnte
Folie 6
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Befunde in KLIWA mittels Spektren
(problematisch wg. mglicher Trends) Die in KLIWA untersuchten
Zeitreihen zeigten das typische Potenzverhalten skaleninvarianter
Prozesse. Die Intensitt der Langzeitkorrelation misst der
Skalenexponent
Folie 7
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Trends und Langzeitkorrelationen
ein Beispiel
Folie 8
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Hydrologische Methoden, die durch
Langzeitkorrelationen beeinflut werden: Identifikation von Trends
bei gleichzeitigem Vorliegen von Langzeitkorrelationen
Extremwertstatistik: Sind Reihen langzeitkorreliert, dann sind es
auch die seltenen Ereignisse selbst wenn die Korrelationen nur noch
schwach ausgeprgt sind. Bez. der Wiederkehrintervalle gelten die
einfachen Beziehungen zwischen der (unbedingten)
Eintrittswahrscheinlichkeit und dem Wiederkehrintervall nicht mehr!
Simulation langer Reihen mittels ARMA Prozessen ist problematisch,
da das Langzeitverhalten falsch beschrieben wird Besser: Simulation
langzeitkorrelierter Reihen mittels spezieller Generatoren, die das
fraktale Verhalten nachbilden. Der Skalenexponent erweist sich als
Schlssel Parameter fr den Einfluss der Langzeitkorrelation
Folie 9
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Typisches Beispiel fr
Langzeitkorrelationen an der Weser mit der DFA: DFA: Detrended
Fluctuation Analysis. Es werden polynomiale Trends n-ter Ordnung
eliminiert Mischen: Zerstrung der zeitlichen Ordnung der
Mepunkte
Folie 10
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Stand Durch umfangreiche Tests an
vielen heimischen und internationalen Flssen wurde nachgewiesen,
dass wir in weiten Skalenbereichen skaleninvariantes Verhalten
finden. Es konnte nachgewiesen werden, dass die Durchflussreihen
ein multifraktales Verhalten zeigen (ist im Moment nicht von groer
Relevanz, da sich wichtige Eigenschaften auch ohne dieses spezielle
Merkmal erklren lassen) Es konnte gezeigt werden, dass bei Existenz
von Langzeitkorrelationen die Extremwertstastik stark beeinflusst
wird (ist noch in Arbeit)
Folie 11
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Stand Es wurden gngige Trend Tests
berprft (z.B. PETTITT). Ergebnis: Bei simultanem Vorliegen von
Langzeitkorrelationen sind diese Tests wenig aussagekrftig Die
fraktale Signatur ist ein zustzliches Gtekriterium zur Bewertung
von WH Modellen (Beispiel ASGII) Empirische Verteilungsfunktionen
wurden auf Stationaritt berprft (incl. mgliche rumliche Muster) Es
wurde die Wirkung von Kurzzeitkorrelationen auf das
Langzeitverhalten untersucht Es wurde mittels SSA nach
quasizyklischen langwelligen Komponenten in den Reihen gesucht und
deren regionale Ausprgung erforscht
Folie 12
21. 10. 2004 Mnchen Skalenanalyse hydrologischer und
hydrometeorologischer Zeitreihen Ausblick Absicherung der
statistischen Befunde zur Skaleninvarianz durch Vergleich mit
geeigneten Proxy Variablen bzw. Ausdehnung des Skalenbereiches
durch geeignete Reihen Suche nach operationellen Verfahren fr die
Bestimmung von Extremwertverteilungen bei langzeitkorrelierten
Reihen Konstruktives Verfahren zur Rekonstruktion von Trends bei
langzeitkorrelierten Reihen Stochastische Simulation langer Reihen,
die u.a. Langzeitkorrelationen explizit bercksichtigen Untersuchung
der hheren Momente von Verteilungen, weil sie wichtige
Prozeinformationen beinhalten