De la precipitación a los ensambles de caudal

HydroLearn De la precipitación a los ensambles de caudal De la precipitación a los ensambles de caudal View Course Planteamiento del problema Todo pronóstico hidrológico parte de una estimación de lluvia, y toda estimación de lluvia está equivocada en alguna cantidad. Las redes de pluviómetros son ralas, los haces de radar pasan por encima de la lluvia, las recuperaciones satelitales pierden las tormentas poco profundas. Alimenta un modelo hidrológico con una sola serie de lluvia de "mejor estimación" y obtienes una sola respuesta de caudal que hereda en silencio todo ese error oculto, y luego se presenta ante el oficial de turno con falsa confianza. La alternativa honesta es un ensamble : muchas series de lluvia igualmente plausibles, cada una coherente con lo que sabemos sobre cómo se equivoca el producto de precipitación. Este módulo te muestra cómo construir ese ensamble de lluvia con un modelo de error compacto y defendible, empujar cada miembro a través de un modelo hidrológico, y convertir la nube de hidrogramas resultante en una declaración de probabilidad sobre la que un oficial de turno de crecidas puede actuar: "la probabilidad de exceder el umbral de crecida sube a lo largo de la tormenta y culmina cerca del X por ciento." Descripción corta Aprende a representar la incertidumbre de la lluvia como un ensamble multiplicativo que preserva la media, a propagarlo a través del modelo lluvia-escorrentía HyMOD, a leer el ensamble de caudal resultante como gráficos de espagueti, gráficos de abanico y probabilidades de excedencia, y a atribuir la dispersión a sus fuentes. Las actividades prácticas usan dos notebooks de Python sobre la cuenca del Leaf River (Mississippi, EE. UU.), con cada número citado reproducible a partir de semillas aleatorias fijas. Audiencia Pronosticadores e hidrometeorólogos en el inicio de su carrera en los Servicios Meteorológicos e Hidrológicos Nacionales que necesitan pasar de la orientación de crecidas de valor único a la probabilística. Esfuerzo estimado Alrededor de 1.5 horas en total (rango de 1 a 1.5 horas). A tu propio ritmo. Sección Tiempo estimado Página Acerca de (leída al inscribirse) 5 min Sección 1, Introducción 5 min Sección 2, Incertidumbre de la precipitación 30 a 35 min (incluye la Actividad de aprendizaje 1) Sección 3, Ensambles de caudal 30 a 35 min (incluye la Actividad de aprendizaje 2) Sección 4, Tarea auténtica 15 min Total 85 a 95 min Requisitos previos Vocabulario hidrológico básico (precipitación, escorrentía, caudal) y soltura para leer un hidrograma. Conocimiento práctico de Python (numpy, matplotlib), suficiente para correr un notebook de Jupyter de punta a punta y editar el valor de un parámetro. Vocabulario básico de probabilidad (probabilidad, percentil, excedencia). No se requiere experiencia previa con ensambles, modelos de error o HyMOD, y no se requiere ningún otro módulo de esta serie. Qué podrás hacer al final Explicar por qué la precipitación suele ser la fuente dominante de incertidumbre en el pronóstico de crecidas. Generar un ensamble de lluvia que preserva la media y está correlacionado en el tiempo, y defender la elección de sus dos parámetros (magnitud de error \(\sigma\), persistencia \(\rho\)). Verificar que un ensamble agrega dispersión sin agregar ni quitar agua en promedio. Propagar un ensamble de lluvia a través de un modelo hidrológico y leer la nube de caudal como espagueti, bandas de percentiles y gráficos de abanico. Convertir los miembros de un ensamble en una probabilidad diaria de exceder un umbral de crecida e informarla con su base declarada. Atribuir la dispersión del ensamble a la incertidumbre de lluvia vs. parámetros, e identificar los miembros comportamentales después del evento. Sugerencia de imagen de tarjeta del curso Una figura de dos paneles del Notebook 2, Sección 3: gráfico de abanico del ensamble de caudal arriba (bandas de percentiles en naranja, caudal observado en negro, banda del umbral de crecida en rojo), la serie de probabilidad diaria de excedencia debajo. Coloca el título del módulo a lo ancho de la parte superior. Créditos Módulo desarrollado por Mohamed Abdelkader (University of Iowa) para el proyecto de desarrollo de capacidades de la OMM, sobre la base de los aportes de planificación del equipo del módulo. Las referencias se listan al final de cada sección.