Abstract:
Hohe Raten von Sedimentflüssen und ihre Schätzungen in Flusseinzugsgebieten erfordern die Auswahl effizienter Quantifizierungsansätze mit einem besseren Verständnis der dominierten Faktoren, die den Erosionsprozess auf zeitlicher und räumlicher Ebene steuern. Die vorherige Bewertung von Einflussfaktoren wie Abflussvariation, Klima, Landschaft und Fließprozess ist hilfreich, um den geeigneten Modellierungsansatz zur Quantifizierung der Sedimenterträge zu entwickeln. Einer der schwächsten Aspekte bei der Quantifizierung der Sedimentfracht ist die Verwendung traditioneller Beziehung zwischen Strömungsgeschwindigkeit und Bodensatzlöschung (SRC), bei denen die hydrometeorologischen Schwankungen, Abflusserzeugungsprozesse wie Schneedecke, Schneeschmelzen, Eisschmelzen usw. ... mehrnicht berücksichtigt werden können. In vielen Fällen führt die empirische Q-SSC Beziehung daher zu ungenauen Prognosen.
Heute können datenbasierte Modelle mit künstlicher Intelligenz die Sedimentfracht präziser abschätzen. Die datenbasierten Modelle lernen aus den eingespeisten Datensätzen, indem sie bei komplexen Phänomenen wie dem Sedimenttransport die geeignete funktionale Beziehung zwischen dem Output und seinen Input-Variablen herstellen. In diesem Zusammenhang wurden die datenbasierten Modellierungsalgorithmen in der vorliegenden Forschungsarbeit am Lehrstuhl für Wasser- und Flussgebietsmanagement des Karlsruher Instituts für Technologie in Karlsruhe entwickelt, die zur Vorhersage von Sedimenten in oberen unteren Einzugsgebieten des oberen Indusbeckens von Pakistan (UIB) verwendet wurden.
Die dieser Arbeit zugrunde liegende Methodik gliedert sich in vier Bearbeitungsschritte: (1) Vergleichende Bewertung der räumlichen Variabilität und der Trends von Abflüssen und Sedimentfrachten unter dem Einfluss des Klimawandels im oberen Indus-Becken (2) Anwendung von Soft-Computing-Modellen mit Eingabevektoren der schneedeckten Fläche zusätzlich zu hydro-klimatischen Daten zur Vorhersage der Sedimentfracht (3) Vorhersage der Sedimentfracht unter Verwendung der NDVI-Datensätze (Hydroclimate and Normalized Difference Vegetation Index) mit Soft-Computing-Modellen (4) Klimasignalisierung bei suspendierten Sedimentausträge aus Gletscher und Schnee dominierten Teileinzugsgebeiten im oberen Indus-Becken (UIB).
Diese im UIB durchgeführte Analyse hat es ermöglicht, die dominiertenden Parameter wie Schneedecke und hydrologischen Prozesses besser zu und in eine verbesserte Prognose der Sedimentfrachten einfließen zu lassen.
Die Analyse der Bewertung des Klimawandels von Flüssen und Sedimenten in schnee- und gletscherdominierten UIB von 13 Messstationen zeigt, dass sich die jährlichen Flüsse und suspendierten Sedimente am Hauptindus in Besham Qila stromaufwärts des Tarbela-Reservoirs im ausgeglichenen Zustand befinden. Jedoch, die jährlichen Konzentrationen suspendierter Sedimente (SSC) wurden signifikant gesenkt und lagen zwischen 18,56% und 28,20% pro Jahrzehnt in Gilgit an der Alam Bridge (von Schnee und Gletschern dominiertes Becken), Indus in Kachura und Brandu in Daggar (von weniger Niederschlag dominiertes Becken). Während der Sommerperiode war der SSC signifikant reduziert und lag zwischen 18,63% und 27,79% pro Jahrzehnt, zusammen mit den Flüssen in den Regionen Hindukush und West-Karakorum aufgrund von Anomalien des Klimawandels und im unteren Unterbecken mit Regen aufgrund der Niederschlagsreduzierung. Die SSC während der Wintersaison waren jedoch aufgrund der signifikanten Erwärmung der durchschnittlichen Lufttemperatur signifikant erhöht und lagen zwischen 20,08% und 40,72% pro Jahrzehnt.
Die datenbasierte Modellierung im schnee und gletscherdominierten Gilgit Teilbecken unter Verwendung eines künstlichen neuronalen Netzwerks (ANN), eines adaptiven Neuro-Fuzzy-Logik-Inferenzsystems mit Gitterpartition (ANFIS-GP) und eines adaptiven Neuro-Fuzzy-Logik-Inferenzsystems mit subtraktivem Clustering (ANFIS) -SC), ein adaptives Neuro-Fuzzy-Logik- Inferenzsystem mit Fuzzy-C-Mittel-Clustering, multiplen adaptiven Regressionssplines (MARS) und Sedimentbewertungskurven (SRC) durchgeführt.
Die Ergebnisse von Algorithmen für maschinelles Lernen zeigen, dass die Eingabekombination aus täglichen Abflüssen (Qt), Schneedeckenfläche (SCAt), Temperatur (Tt-1) und Evapotranspiration (Evapt-1) die Leistung der Sedimentvorhersagemodelle verbesserne. Nach dem Vergleich der Gesamtleistung der Modelle schnitt das ANN-Modell besser ab als die übrigen Modelle. Bei der Vorhersage der Sedimentfrachten in Spitzenzeiten lag die Vorhersage der ANN-, ANIS-FCM- und MARS-Modelle näher an den gemessenen Sedimentbelastungen. Das ANIS-FCM-Modell mit einem absoluten Gesamtfehler von 81,31% schnitt bei der Vorhersage der Spitzensedimente besser ab als ANN und MARS mit einem absoluten Gesamtfehler von 80,17% bzw. 80,16%.
Die datenbasierte Modellierung der Sedimentfrachten im von Regen dominierten Brandu-Teilbecken wurde unter Verwendung von Datensätzen für Hydroklima und biophysikalische Eingaben durchgeführt, die aus Strömungen, Niederschlag, mittlerer Lufttemperatur und normalisiertem Differenzvegetationsindex (NDVI) bestehen. Die Ergebnisse von vier ANNs (Artificial Neural Networks) und drei ANFIS-Algorithmen (Adaptive Neuro-Fuzzy Logic Inference System) für das Brandu Teilnbecken haben gezeigt, dass der mittels Fernerkundung bestimmte NDVI als biophysikalische Parameter zusätzlich zu den Hydroklima-Parametern die Leistung das Modell nicht verbessert. Der ANFIS-GP schnitt in der Testphase besser ab als andere Modelle mit einer Eingangskombination aus Durchfluss und Niederschlag. ANN, eingebettet in Levenberg-Marquardt (ANN-LM) für den Zeitraum 1981-2010, schnitt jedoch am besten mit Eingabekombinationen aus Strömungen, Niederschlag und mittleren Lufttemperaturen ab. Die Ergebnisgenauigkeit R2 unter Verwendung des ANN-LM-Algorithmus verbesserte sich im Vergleich zur Sedimentbewertungskurve (SRC) um bis zu 28%. Es wurde gezeigt, dass für den unteren Teil der UIB-Flüsse Niederschlag und mittlere Lufttemperatur dominierende Faktoren für die Vorhersage von Sedimenterträgen sind und biophysikalische Parameter (NDVI) eine untergeordnete Rolle spielen.
Die Modellierung zur Bewertung der Änderungen des SSC in schnee- und gletschergespeiste Gilgit- und Astore-Teilbecken wurde unter Verwendung des Temp-Index degree day modell durchgeführt. Die Ergebnisse des Mann-Kendall-Trendtests in den Flüssen Gilgit und Astore zeigten, dass der Anstieg des SSC während der Wintersaison auf die Erwärmung der mittleren Lufttemperatur, die Zunahme der Winterniederschläge und die Zunahme der Schneeschmelzen im Winter zurückzuführen ist. Während der Frühjahrssaison haben die Niederschlags- und Schneedeckenanteile im Gilgit-Unterbecken zugenommen, im Gegensatz zu seiner Verringerung im Astore-Unterbecken. Im Gilgit-Unterbecken war der SSC im Sommer aufgrund des kombinierten Effekts der Karakorum-Klimaanomalie und der vergrößerten Schneedecke signifikant reduziert. Die Reduzierung des Sommer-SSC im Gilgit Fluss ist auf die Abkühlung der Sommertemperatur und die Bedeckung der exponierten proglazialen Landschaft zurückzuführen, die auf erhöhten Schnee, verringerte Trümmerflüsse Trümmerflüsse und verringerte Schneeschmelzen von Trümmergletschern zurückzuführen sind.
Im Gegensatz zum Gilgit River sind die SSC im Astore River im Sommer erhöht. Der Anstieg des SSC im Astore-Unterbecken ist auf die Verringerung des Frühlingsniederschlags und der Schneedecke, die Erwärmung der mittleren Sommerlufttemperatur und den Anstieg des effektiven Niederschlags zurückzuführen. Die Ergebnisse zeigen ferner eine Verschiebung der Dominanz von Gletscherschmelzen zu Schneeschmelzen im Gilgit-Unterbecken und von Schnee zu Niederschlägen im Astore-Unterbecken bei Sedimenteden Sedimentfrachten in UIB.
Die vorliegende Forschungsarbeit zur Bewertung der klimabedingten Veränderungen des SSC und seiner Vorhersage sowohl in den oberen als auch in den unteren Teilbecken des UIB wird nützlich sein, um den Sedimenttransportprozess besser zu verstehen und aufbauen auf dem verbessertenProzessverständnis ein angepasstes Sedimentmanagement und angepasste Planungen der zukünftigen Wasserinfrastrukturen im UIB ableiten zu können.
Abstract (englisch):
High rates of sediment fluxes and its estimations in fluvial river basins require the selection of efficient quantification approaches with better understanding of dominated factors controlling the erosion process on temporal and spatial scale. The prior assessment of influencing factors such as amount of river discharges, climate, landscape and flow process is helpful to develop the suitable modeling approach for quantification of sediment yields. One of the weakest aspects of the quantification of sediment load is the use of traditional sediment rating curves, which cannot account the hydrometeorological variation and flow generation processes such as snow cover, snow melts, ice melts etc. ... mehrIn such cases the use of empirical sediment rating curve gives un reasonable estimation of sediment loads, which represents to the poor generality.
Nowadays the data-based models using artificial intelligence can make it possible to precisely estimate the sediment loads. The data-based models learn from datasets presented to them by establishing the suitable functional relationship between the output and its inputs variables in the cases of complex phenomena like the sediment transport. In this context the data-based modelling algorithms in present research work were developed at the Chair of Water and River Basin Management, Karlsruhe Institute of Technology of Karlsruhe, which was used for prediction of sediments in upper lower catchments of Upper Indus Basin (UIB) of Pakistan.
The framework of the methodology is divided into four objectives: (1) Comparative Assessment of Spatial Variability and Trends of Flows and Sediments Under the Impact of Climate Change in The Upper Indus Basin (2) Application of soft computing models with input vectors of snow cover area in addition to hydro-climatic data to predict the sediment loads (3) Prediction of sediment yields by using the hydroclimate and normalized difference vegetation index (NDVI) datasets with soft computing models (4) Climate signaling in suspended sediment exports from Glacier and Snow Melts Sub-basins in the Upper Indus Basin (UIB).
This analysis carried out on UIB has enabled to understand the better assessment of climate and dominated parameters such snow cover and hydrological process useful for sediment predictions.
The analysis of assessment of climate change on flows and sediments in snow and glacier dominated UIB of 13 gauging stations reveals that the annual flows and suspended sediments are in the balanced state on main Indus River at Besham Qila upstream of Tarbela reservoir. However, the annual suspended sediment concentrations (SSC) were reduced significantly ranging from 18.56%–28.20% per decade in Gilgit at Alam Bridge (Snow & glacier dominated basin), Indus at Kachura and Brandu at Daggar (lower rainfall dominated basin). During summer period the SSC were significantly reduced ranging from 18.63%–27.79% per decade along with flows in the Hindukush and Western–Karakorum regions due to climate change anomaly, and in rainfed lower sub-basin due to the rainfall reductions. However, the SSC during winter season were significantly increased ranging from 20.08%–40.72% per decade due to significant warming of averaged air temperature.
Within this research data-based modelling in snow and glacier melts Gilgit sub-basin of UIB was carried using artificial neural network (ANN), adaptive neuro fuzzy logic inference system with grid partition (ANFIS-GP), adaptive neuro fuzzy logic inference system with subtractive clustering (ANFIS-SC), adaptive neuro fuzzy logic inference system with fuzzy c-means clustering, multiple adaptive regression splines (MARS) and sediment rating curves (SRC).
The results of machine learning algorithms shown that the input combination consisting of daily discharges (Qt), snow cover area (SCAt), temperature (Tt-1) and evapotranspiration (Evapt-1) improved the performance of the sediment prediction models. From the comparison of overall performance of the models the ANN model performed better than remaining models. During peak time prediction of sediment loads the prediction of ANN, ANIS-FCM and MARS models were closer to the measured sediment loads. The ANIS-FCM model with a relative accuracy of 81.31% performed better during the estimation of peak sediments compared to the ANN and MARS with 80.17% and 80.16% of relative accuracy respectively.
The data-based modelling of sediment yield in the rainfall dominated Brandu sub-basin of lower UIB was carried out using hydroclimate and biophysical inputs datasets, consisting of flows, rainfall, mean air temperature and Normalized Difference Vegetation Index (NDVI). The results of four Artificial Neural Networks (ANNs) and three Adaptive Neuro-Fuzzy Logic Inference System (ANFIS) algorithms for the Brandu River basin has revealed that the remotely sensed NDVI as biophysical parameters in addition to hydroclimate parameters does not improved the performance of the models. The ANFIS-GP performed better in testing phase than other models with input combination of flows and rainfall. However, ANN imbedded with Levenberg-Marquardt (ANN-LM) for the period 1981-2010 performed best with input combinations of flows, rainfall and mean air temperatures. The results accuracy of R2 using ANN-LM algorithm improved up to 28% compared to sediment rating curve (SRC). Its demonstrated that for the lower part of UIB flows, rainfall and mean air temperature are more dominated factors than biophysical parameters of NDVI for prediction of sediment yields.
The modelling for assessing the changes in flow process to export the SSC in snow and glacier fed Gilgit and Astore sub-basins of UIB was carried out using Temp-Index degree day model. The results of Mann-Kendall Trend test in both Gilgit and Astore Rivers revealed that during winter season the increase of SSC is due to warming of mean air temperature, increase in winter precipitations and increase of winter snow melts. During spring season, the precipitation and snow cover fractions has increased in Gilgit sub-basin contrary to its reduction in the Astore sub-basin. In Gilgit sub-basin during summers the SSC were significantly reduced due to combined effect of Karakorum climate anomaly and increased snow cover area. Reduction of summer SSC in Gilgit River is due to the cooling of summer temperature and covering of the exposed proglacial landscape due to increased snows, reduced debris flows and reduced snow melts from debris glaciers.
Contrary to the Gilgit River the SSC in Astore River are increased during summer. The increase of SSC in Astore sub-basin is due to reduction of spring rainfall and snow cover, warming of summer mean air temperature and increased of effective rainfall. The results further reveal a shift in domination of glacier melts to snow melts in Gilgit sub-basin, and snow to the rainfall in Astore sub-basin in transports of the fine sediments in UIB.
The present research methodology for assessment of changes in SSC due to climate and its prediction in both upper as well as lower sub-basins will be useful for better understanding of sediment exports process, management of sediment and design of future planned water infrastructures in the UIB.
