No description available.

Published Article / Early indication of possible drought can help in developing suitable drought mitigation strategies and measures in advance. Therefore, drought forecasting plays an important role in the planning and management of water resource in such circumstances. In this study, a non-linear streamflow forecasting model was developed using Artificial Neural Network (ANN) modeling technique at the Melka Sedi stream gauging station, Ethiopia, with adequate lead times. The available data was divided into two independent sets using a split sampling tool of the neural network software. The first data set was used for training and the second data set, which is normally about one fourth of the total available data, was used for testing the model. A one year data was set aside for validating the ANN model. The streamflow predicted using the model on weekly time step compared favorably with the measured streamflow data (R2 = 75%) during the validation period. Application of the model in assessing appropriate agricultural water management strategies for a large-scale irrigation scheme in the Awash River Basin, Ethiopia, has already been considered for publication in a referred journal.

We develop and test a probabilistic real-time streamflow-forecasting platform, Multimodel and Multiproduct Streamflow Forecasting (MMSF), that uses information provided by a suite of hydrologic models and satellite precipitation products (SPPs). The SPPs are bias-corrected before being used as inputs to the hydrologic models, and model calibration is carried out independently for each of the model-product combinations (MPCs). Forecasts generated from the calibrated models are further bias-corrected to compensate for the deficiencies within the models, and then probabilistically merged using a variety of model averaging techniques. Use of bias-corrected SPPs in streamflow forecasting applications can overcome several issues associated with sparsely gauged basins and enable robust forecasting capabilities. Bias correction of streamflow significantly improves the forecasts in terms of accuracy and precision for all different cases considered. Results show that the merging of individual forecasts from different MPCs provides additional improvements. All the merging techniques applied in this study produce similar results, however, the Inverse Weighted Averaging (IVA) proves to be slightly superior in most cases. We demonstrate the implementation of the MMSF platform for real-time streamflow monitoring and forecasting in the Mara River basin of Africa (Kenya & Tanzania) in order to provide improved monitoring and forecasting tools to inform water management decisions.

The Colorado Basin River Forecast Center (CBRFC) provides forecasts of streamflow for purposes such as flood warning and water supply. Much of the water in these basins comes from spring snowmelt, and the forecasters at CBRFC currently employ a suite of models that include a temperature-index snowmelt model. While the temperature-index snowmelt model works well for weather and land cover conditions that do not deviate from those historically observed, the changing climate and alterations in land use necessitate the use of models that do not depend on calibrations based on past data. This dissertation reports work done to overcome these limitations through using a snowmelt model based on physically invariant principles that depends less on calibration and can directly accommodate weather and land use changes. The first part of the work developed an ability to update the conditions represented in the model based on observations, a process referred to as data assimilation, and evaluated resulting improvements to the snowmelt driven streamflow forecasts. The second part of the research was the development of web services that enable automated and efficient access to and processing of input data to the hydrological models as well as parallel processing methods that speed up model executions. These tasks enable the more detailed models and data assimilation methods to be more efficiently used for streamflow forecasts.

FundaÃÃo Cearense de Apoio ao Desenvolvimento Cientifico e TecnolÃgico / A hegemonia da hidroeletricidade na matriz de energia elÃtrica brasileira impÃe cautelosa anÃlise sobre o regime fluvial, tendo em vista o significativo impacto que possÃveis variaÃÃes das vazÃes possam produzir na oferta de energia e consequentemente em toda a economia nacional. Com base nisto, modelos estatÃsticos de previsÃo de afluÃncias tÃm sido uma ferramenta importante no suporte à tomada de decisÃes, no planejamento e na gestÃo de recursos hÃdricos aplicados ao Sistema Interligado Nacional (SIN). Neste sentido, a presente tese propÃe metodologias de previsÃo simultÃneas e elaboraÃÃo de cenÃrios de vazÃes mensais afluentes aos Postos Base (PBâs) do SIN atravÃs de modelos estatÃsticos; visando ao melhor aproveitamento dos dados disponÃveis a partir da inserÃÃo de mÃtodos que mantenham a estrutura espacial da rede hidrogrÃfica nacional. Esta visa tambÃm a analisar o impacto da incorporaÃÃo de informaÃÃes climÃticas na previsÃo de vazÃes mensais. Os modelos propostos de previsÃo de afluÃncia utilizam os dados de vazÃes naturais gerados pelo Operador Nacional do Sistema (ONS) e tÃcnicas estatÃsticas com as de RegressÃo Linear MÃltipla, AnÃlise de Componentes Principais, mÃtodo Stepwise para escolha de variÃveis explanatÃrias; alÃm de modelos do tipo PeriÃdico Autorregressivo (PAR) e periÃdico Autorregressivo com variÃveis exÃgenas (PARX). Os modelos do tipo PAR apresentam os melhores desempenhos, de acordo com o Ãndice de DistÃncia MulticritÃrio, na maioria dos meses e dos PBâs do SIN quando comparados aos modelos PARX. Entre os mÃtodos de correlaÃÃo espacial para os modelos PAR, destacam-se a correlaÃÃo entre os ruÃdos da regressÃo (CRD) e a anÃlise de componentes principais (ACP). NÃo hà um predomÃnio entre esses mÃtodos para todos os meses e PBâs do SIN. Os melhores modelos do tipo PARX sÃo os que fazem uso de Ãndices climÃticos como variÃveis exÃgenas, dentre os quais se destacam os Ãndices AMO (OscilaÃÃo AtlÃntica Multidecadal) e TNI (TransâNINO). Estes apresentam melhor desempenho no perÃodo seco das bacias do norte do Brasil â Amazonas e Araguaia-Tocantins; centro-leste brasileiro â AtlÃntico Leste e na maioria dos rios que formam a Bacia do ParanÃ.

Conselho Nacional de Desenvolvimento CientÃfico e TecnolÃgico / Sabe-se que a Ãgua à um recurso essencial à sobrevivÃncia da humanidade. Gestores ambientais do mundo inteiro vÃm chamando atenÃÃo para o problema da sua escassez e mà gestÃo. O presente trabalho destacou que no Nordeste Brasileiro, particularmente no semiÃrido, a escassez hÃdrica acentua-se por conta das caracterÃsticas peculiares que o diferem de outros locais, tais como: a irregularidade pluviomÃtrica e a mà distribuiÃÃo das chuvas no tempo e no espaÃo. Desenvolveram-se modelos matemÃticos de previsÃo de vazÃes sazonais/interanuais que incorporam as informaÃÃes climÃticas, bem como a metodologia de incorporaÃÃo dessas previsÃes na operaÃÃo e gestÃo de hidrossistemas e no estudo de controle de cheias. Esses modelos basearam-se na metodologia dos K-vizinhos desenvolvida por Souza Filho e Lall, e nos modelos estatÃsticos de regressÃo. Apresentou-se, ainda, o software AcquaNet como mecanismo de auxÃlio na operaÃÃo de sistemas de reservatÃrios. Aplicou-se a metodologia em reservatÃrios do Estado do Cearà e do Nordeste do Brasil. Concluiu-se que a inclusÃo da previsÃo de vazÃes na operaÃÃo de sistemas de reservatÃrios pode ser um instrumento eficaz na gestÃo dos recursos hÃdricos à medida que agrega a este processo mais confiabilidade e qualidade, e, desde que corretamente utilizada, pode aumentar a geraÃÃo de capital do Estado. / It is known that water is a resource essential to human survival. Environmental managers around the world have been calling attention to the problem of water scarcity and mismanagement. This study highlighted that in the Northeast of Brazil, particularly in semi-arid, water scarcity is accentuated because of the peculiar characteristics that differentiate it from other places, such as the irregularity and poor distribution of rain in time and space. Mathematical models of seasonal/interannual streamflow forecasting incorporating weather information were developed, as well as the methodology for incorporating these forecasts in the operation, management and study of water systems and flood control. These models were based on the methodology of the K-neighbors developed by Souza Filho and Lall, and on the statistical regression models. The software AcquaNet was also introduced as a mechanism to aid in the operation of reservoir systems. The methodology was applied in reservoirs of the State of Cearà and the Northeast of Brazil. We conclude that the inclusion of streamflow forecasting in the operation of reservoir systems can be an effective tool in water management as this process adds more reliability and quality, and, if properly used, can increase the income generation of the State.

PURPOSE: The method for streamflow forecasting by using Fourier Series and Multiple Regression as a mathematical model have been suggested and proved with high accuracy for the streamflow forecasting on Logan River, Utah by Professor Cleve H. Milligan and Dr. Rex L. Hurst. In this thesis the method is extended to the forecasting for the Blacksmith Fork River, south of the Logan River. Because the climatological data are not available in the Blacksmith Fork watershed, this thesis also provides a technique for using the available data from adjacent watersheds. OBJECTIVES: 1. To forecast the streamflow on Blacksmith Fork River, Cache County, Utah by using Fourier Series and Multiple Regression as a mathematical model. 2. To test the consistency of the snow, temperature, precipitation, and streamflow data by statistical methods. 3. To test the significance of the variables considered in the mathematical model.

Reliability and accuracy of the forcing data plays a vital role in the Hydrological Streamflow Prediction. Reliability of the forcing data leads to accurate predictions and ultimately reduction of uncertainty. Currently, Numerical Weather Prediction (NWP) models are developing ensemble forecasts for various temporal and spatial scales. However, it is proven that the raw products of the NWP models may be biased at the basin scale; unlike model grid scale, depending on the size of the catchment. Due to the large space-time variability of precipitation, bias-correcting the ensemble forecasts has proven to be a challenging task. In recent years, Ensemble Pre-Processing (EPP), a statistical approach, has proven to be helpful in reduction of bias and generation of reliable forecast. The procedure is based on the bivariate probability distribution between observation and single-value precipitation forecasts. In the current work, we have applied and evaluated a Bayesian approach, based on the Copula density functions, to develop an ensemble precipitation forecasts from the conditional distribution of the single-value precipitation. Copula functions are the multivariate joint distribution of univariate marginal distributions and are capable of modeling the joint distribution of two variables with any level of correlation and dependency. The advantage of using Copulas, amongst others, includes its capability of modeling the joint distribution independent of the type of marginal distribution. In the present study, we have evaluated the capability of copula-based functions in EPP and comparison is made against an existing and commonly used procedure for same i.e. meta-Gaussian distribution. Monthly precipitation forecast from Climate Forecast System (CFS) and gridded observation from Parameter-elevation Relationships on Independent Slopes Model (PRISM) have been utilized to create ensemble pre-processed precipitation over three sub-basins in the western USA at 0.5-degree spatial resolution. The comparison has been made using both deterministic and probabilistic frameworks of evaluation. Across all the sub-basins and evaluation techniques, copula-based technique shows more reliability and robustness as compared to the meta-Gaussian approach.

A previsão e emissão de alertas antecipados constituem um dos principais elementos na prevenção dos impactos ocasionados por eventos de cheias. Uma das formas utilizadas para se obter uma ampliação do horizonte de previsão é através do uso da modelagem chuva-vazão associada à previsão de precipitação, tipicamente derivada de modelos meteorológicos. A precipitação, no entanto, é uma das variáveis que impõe maior dificuldade na previsão meteorológica, sendo considerada uma das principais fontes de incerteza nos resultados da previsão de cheias. A previsão por conjunto é uma técnica originalmente desenvolvida nas ciências atmosféricas e procura explorar as incertezas associadas às condições iniciais e/ou deficiências na estrutura dos modelos meteorológicos com intuito de melhorar sua previsibilidade. A partir de diferentes modelos meteorológicos ou de diferentes condições iniciais de um único modelo, são gerados um conjunto de previsões que representam possíveis trajetórias dos processos atmosféricos ao longo do horizonte de previsão. Pesquisas recentes, principalmente na Europa e Estados Unidos, têm mostrado resultados promissores do acoplamento de previsões meteorológicas por conjunto à modelos hidrológicos para realizar previsões de cheia. Essa pesquisa trata da avaliação do benefício da previsão de cheias por conjunto em curto prazo, em uma bacia de médio porte, utilizando dados e de ferramentas para previsão de vazões disponíveis em modo operacional no Brasil. Como estudo de caso foi utilizada a bacia do Rio Paraopeba (12.150km²), de clima tipicamente tropical, localizada na região sudeste do Brasil. A metodologia proposta para geração das previsões hidrológicas utilizou o modelo hidrológico MGB-IPH alimentado por um conjunto previsões de precipitação de diferentes modelos, com diferentes condições iniciais e parametrizações, dando origem a distintos cenários de previsão de vazões. Como parâmetro de referência na avaliação do desempenho das previsões por conjunto foi utilizada uma previsão hidrológica determinística única, baseada em uma previsão de precipitação obtida da combinação ótima de saídas de diversos modelos meteorológicos. As previsões foram realizadas retrospectivamente no período entre ago/2008 e mai/2011, sendo analisadas durante o período chuvoso dos anos hidrológicos (out-abr). Os resultados das previsões de cheia por conjunto foram avaliados através de uma representação determinística, considerando a média dos membros do conjunto, assim como através de uma representação probabilística, considerando todos os membros, através de medidas de desempenho específicas para esse fim. Na avaliação determinística, a média do conjunto hidrológico apresentou resultados similares aos obtido com a previsão determinística de referência, embora tenha apresentado benefício significativo em relação à maior parte dos membros do conjunto. A avaliação das previsões de cheia por conjunto, por sua vez, mostrou a existência de uma superestimativa e de um subespalhamento dos membros em relação às observações, sobretudo nos primeiros intervalos de tempo da previsão. Na comparação dos resultados das previsões de eventos do tipo dicótomos, que consideram a superação ou não de vazões limites de alerta, o 9º decil das previsões por conjunto mostrou superioridade em relação à previsão determinística de referência e mesmo a média do conjunto, sendo possível obter, na maior parte dos casos analisados, um aumento significativo na proporção de eventos corretamente previstos mantendo as taxas de alarmes falsos em níveis reduzidos. Esse benefício foi, de modo geral, maior para maiores antecedências e vazões limites, situações mais importantes num contexto de prevenção de cheias. Os resultados mostraram ainda que, em média, uma diminuição do número de membros do conjunto diminui seu desempenho nas previsões. / The forecasting and issuing of early warnings represent a key element to prevent the impacts of flood events. An alternative to extend forecasting horizon is the use of rainfall-runoff modeling coupled with precipitation forecasts derived from numerical weather prediction (NWP) models. However, NWP models have difficulty to accurately predict precipitation due to the extremely sensitivity of the initial conditions. Therefore, this variable represents one of the major sources of uncertainties in flood forecasting. A probabilistic or ensemble forecasting approach was originally developed in the atmospheric sciences and then applied to other research areas. This procedure explores the uncertainties related to initial conditions and deficiencies in the structure of NWP models intending to improve its predictability. Using different NWP models or different initial conditions of a single model, an ensemble forecast showing possible trajectories of atmospheric processes over the forecast horizon are produced. Recent studies developed in Europe and the United States have shown promising results in flood forecasting using hydrological models fed by NWP ensemble outputs. The present research assess the performance of short term ensemble flood forecasting in a medium size tropical basin, based on data and streamflow forecasting tools available in operational mode in Brazil. The Paraopeba River basin (12,150 km²), located in the upper portion of the São Francisco River basin, in Southeastern Brazil, was selected as a case study. The proposed methodology used the MGB-IPH hydrological coupled to an ensemble of precipitation forecasts generated by several models with different initial conditions and parameterizations. The results are several scenarios of streamflow forecasts. A single deterministic streamflow forecast, based on a quantitative precipitation forecast derived from the optimal combination of several outputs of NWP models, was used as a reference to assess the performance of the streamflow ensemble forecasts. The streamflow forecasts were performed between aug/2008 and may/2011 and were analyzed during the rainy seasons (austral summer). The results from the ensemble flood forecasting were assessed by deterministic and probabilistic performance measures, with the ensemble mean being used by the former, and specific assessment measure by the later. Based on the deterministic assessment, the ensemble mean showed similar results to those obtained by the deterministic reference forecast, although showing better performance over most of the ensemble members. Based on the probabilistic performance measures, however, results showed the existence of an ensemble overforecasting and underspread of the members in regard to observed values, especially during the first lead times. The results for predictions of dichotomous events, which mean exceeding or not flood warning thresholds, showed that the 9th decile of the ensemble over performed the deterministic forecast and even the ensemble mean. In most cases, it was observed an increase in the proportion of correctly forecasted events while keeping false alarm rates at low levels. This benefit was generally higher for higher flow thresholds and for longer lead times, which are the most important situations for flood mitigation. The results show, also, that, in average, a reduction in the number of ensemble members decreases the performance of ensemble flood forecasts.

Orientadora: Profa. Dra. Andrea de Oliveira Cardoso / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Ciência e Tecnologia Ambiental, 2016. / Devido à importância do conhecimento das variações da vazão de rios para o planejamento dos usos múltiplos da água, este mestrado objetiva explorar as influências remotas do clima, via padrões de variabilidades climáticas, e regionais, via precipitação e vazão em bacias de contribuição. Para tanto, foram desenvolvidos modelos empíricos de previsão de vazões mensais na parte baixa da Bacia Hidrográfica do Rio Paraná (BHRP), mais especificamente onde está localizada a Usina Hidrelétrica (UHE) de Itaipu. Visando garantir séries históricas longas e completas, necessárias para construção de modelos empíricos, os dados de precipitação foram tratados de forma a identificar dados duvidosos e preencher dados faltantes. Além disso, os dados de precipitação foram interpolados, pelo método de Krigagem ordinária, e posteriormente, regionalizados, através de Análise de Cluster, visando diminuir o número de séries inseridas no modelo, mantendo regiões com padrões distintos. O modelo empírico utilizado foi o de Regressão Linear Múltipla, sendo aplicado para estimativas de vazão em Itaipu com defasagens variando de 1 a 4 meses, considerando todos os meses consecutivos (modelo geral). Também foram desenvolvidos modelos mensais, para cada mês do ano, separadamente, com defasagens variando de 1 a 12 meses. Para o desenvolvimento dos modelos, considerou-se o período de 1980 a 2000 para calibração e o período de 2001 a 2010, para validação. Estes modelos foram testados com diferentes grupos de preditores, tais como: índices climáticos; precipitação em regiões pluviométricas homogêneas; vazão em pontos a montante e na UHE Itaipu; e o conjunto de todos os preditores anteriores. Por meio do método stepwise foram selecionados os preditores mais significativos, sendo destacados os seguintes preditores: índices do El Niño Oscilação Sul e de anomalias de temperatura da superfície do mar no Atlântico Tropical Sul; precipitação em regiões ao sul da BHRP; e a própria vazão em Itaipu defasada. Os modelos foram validados, indicando de um modo geral maior desempenho nas defasagens mais curtas, quando considerados os preditores de vazão e precipitação, sendo que para os meses de janeiro, julho e agosto, a precipitação tem maior contribuição. Nas defasagens mais longas, verificou-se que o melhor desempenho, ocorre para o modelo considerando somente os índices climáticos, mas na maioria dos casos os extremos não são bem capturados, exceto nos meses de abril, junho e julho. Portanto, os resultados deste estudo demonstram a importância de serem consideradas as influências remotas do clima nas estimativas de vazão, principalmente para previsões de mais longo prazo. / Given the importance of knowledge of river flow variations to the planning of multiple uses of water, this objective masters explore the remote climate influences, though patterns of climate variability, and regional, though precipitation and flow in contribution of basins. Therefore, were developed empirical models of monthly streamflow in the lower of basin the Parana River (BHRP) at the site Itaipu Dam. In order to ensure long and complete historical series, necessary for building empirical models, the rainfall data were analyzed in order to identify unreliable data and fill out incomplete sets. Furthermore, the precipitation data were interpolated by the method kriging ordinary and subsequently regionalized through the cluster analysis, in order to reduce the number of inserted in series model, keeping regions with different patterns. The empirical model used was of multiple linear regression to estimate streamflow in Itaipu with period lagged by 1 to 4 months considering all consecutive months (general model). Also monthly models were developed for each month of the year, separately, with period lagged by 1 to 12 months. For the development of the models, it was considered the period from 1980-2000 for calibration and the period from 2001-2010, for validation. These models were tested with different groups of predictors as: I) only the lagged climate indices; II) only precipitation in homogeneous rainfall regions; III) only flow at upstream points and even the streamflow of Itaipu; IV) and the set of predictors cited I, II and III. Through stepwise method the most significant predictors were selected, being highlighted the best predictors: the contents of the El Niño Southern Oscillation and temperature anomalies of the sea surface in the tropical South Atlantic; rainfall in areas south of BHRP; and proper streamflow lagged in Itaipu. The models were validated, indicating generally higher performance in shorter lags, when considered predictors of flow and precipitation, except for the months of january, july and august, where precipitation has greater contribution. In the longer lags, it was found that the best performance is for the model considering only the climate indices, but in most extreme cases is not captured, except in april, june and july. Therefore, the results of this study demonstrate the importance of considering the remote climate influences on flow estimates, especially longer-term forecasts.