ABSCHLUSSBERICHT ZUM DFG-PROJEKT „CLASS“ (CA 728/5-1)

1

ABSCHLUSSBERICHT ZUM DFG-PROJEKT „CLASS“ (CA 728/5-1)

Allgemeine Angaben • DFG-Geschäftszeichen: CA 728/5-1 • Antragsteller: Prof. Dr. Markus Casper • Institut/Lehrstuhl: Fachbereich VI Geographie/Geowissenschaften, Fach Physische

Geographie • Thema des Projekts: Klassifikation und Regionalisierung von Einzugsgebieten mit

Selbst-Organisierenden Merkmalskarten (SOMs) und flexiblen Modellstrukturen (Cat-chment classification and regionalisation with Self-Organizing Maps (SOMs) and flexible model structures)

• Berichtszeitraum, Förderzeitraum insgesamt: 1. März 2013 bis 31. Dezember 2016

Liste der wichtigsten Publikationen aus diesem Projekt a) Mit wissenschaftlicher Qualitätssicherung

[1] Rita Ley, Hugo Hellebrand, Markus C Casper and Fabrizio Fenicia: Is catchment classification possible by means of multiple model structures? A case study based on 99 catchments in Germany, Hydrology, 3.22, 2016. doi: 10.3390/hydrology3020022

[2] Rita Ley, Hugo Hellebrand, Markus C. Casper and Fabrizio Fenicia: Com-paring classical performance measures with signature indices derived from flow duration curves to assess model structures as tools for catchment classification. Hydrology Research 47.1, 2016. doi: 10.2166/nh2015.221

b) Andere Veröffentlichungen

[3] Rita Ley, Hugo Hellebrand, Markus C. Casper: Abbildung räumlicher Ein-zugsgebiets-Eigenschaften mit konzeptionellen Modellen. Forum für Hydro-logie und Wasserbewirtschaftung Heft 36.16, 2016, S. 95-105. doi: 10.14617/for.hydrol.wasbew.36.16

[4] Hugo Hellebrand, Rita Ley and Markus C. Casper: Parameter transfer as a test for hydrological model regionalization strategies. Forum für Hydrologie und Wasserbewirtschaftung Heft 36.16, 2016, S. 107-111. doi: 10.14617/for.hydrol.wasbew.36.16

[5] Hugo Hellebrand, Rita Ley and Markus C. Casper: Catchment classification by means of hydrological models. Forum für Hydrologie und Wasserbewirt-schaftung Heft 33.13, 2013, S. 105-110. http://www.fghw.de/publikationen

Poster

[6] Rita Ley, Markus C. Casper, (2016): Catchments characterization by means of lumped conceptual models – a case study. EGU General Assem-bly Conference Abstracts, Vol 18, 2016EGUGA..1811329L

[7] Hugo Hellebrand, Rita Ley, Markus C. Casper (2015): Parameter transfer as a test for hydrological model regionalization strategies. 4.Trierer Work-shop zur Niederschlags-Abfluss-Modellierung.

2

[8] Rita Ley, Hugo Hellebrand, Markus C. Casper, F. Fenicia, (2015): Assess-ment of classical performance measures and signature indices from Flow Duration Curves for model evaluation. EGU General Assembly Conference Abstracts, Vol 17, 2015EGUGA..17.4432L

[9] Hugo Hellebrand, Rita Ley, Markus C. Casper, Fabrizio Fenicia (2015): Identification of hydrologically similar basins by means of parameter trans-fer with a view to regionalization. EGU General Assembly Conference Ab-stracts, Vol 17, 2015EGUGA..17.9562H

Vorträge

[10] Hugo Hellebrand, Rita Ley, Markus C. Casper (2015): Parameter transfer as a test for hydrological model regionalization strategies. 4. Trierer Work-shop zur Niederschlag-Abfluss-Modellierung, Trier, Oktober 2015.

[11] Rita Ley, Hugo Hellebrand, Markus C. Casper (2015): Abbildung räumli-cher Einzugsgebiets-Eigenschaften mit konzeptionellen Modellen. 4.Trierer Workshop zur Niederschlags-Abfluss-Modellierung, Trier, Oktober 2015.

[12] Rita Ley, Hugo Hellebrand, Markus C. Casper (2014): Testing the SU-PERFLEX Modelling Framework for basin classification purposes: an analy-sis of performance measures. AGU Chapman conference „Catchment Spa-tial Organization and Complex Behavior“, 2014, Luxembourg.

[13] Hugo Hellebrand, Rita Ley, Markus C. Casper, (2012): Catchment Classi-fication by means of hydrological models. 3. Trierer Workshop zur Nieder-schlag-Abfluss-Modellierung, Trier, September 2012.

Wirtschaftliche Verwertbarkeit der Ergebnisse nein

Kooperationspartner, Projektmitarbeiter Projektmitarbeiter: Dr.-Ing. Hugo Hellebrand Dr. rer. nat. Rita Ley Kooperationspartner: Dr. Fabrizio Fenizia, Swiss Federal Institute of Aquatic Science and Technology (Eawag), Dübendorf (CH).

Qualifikationen des wissenschaftlichen Nachwuchses im Zusammenhang mit dem Projekt

nein

3

Arbeits- und Ergebnisbericht Ausgangsfragen und Zielsetzungen Ausgangsfrage: Lassen sich Gewässer-Einzugsgebiete (EZG) über geeignete Modellstrukturen klassifizieren und eignet sich diese Klassifikation für eine Übertragung von Abflusseigenschaf-ten und Modellparametern auf nicht beobachtete Gebiete (Regionalisierung)?

In einer Vorabstudie (Veröffentlichung [5] und [13]) wurde gezeigt, dass ein Parametertransfer zwischen hydrologisch ähnlichen Gebieten zu deutlich besseren Ergebnissen führt als zwischen hydrologisch andersartigen Gebieten. Grundlage für die Unterscheidung zwischen ähnlichen und andersartigen Gebieten ist eine Klassifikation der EZG nach ihrem Abflussverhalten. Wenn es möglich ist, verschiedene Modellstrukturen unterschiedlichen EZG mit bestimmten Gebiets-eigenschaften zuzuordnen, wäre dies ein wichtiger Schritt in Richtung der Klassifikation von Gewässer-Einzugsgebieten. Gleichzeitig würde dies die Modellanwendung durch Vorabauswahl der Modellstrukturen vereinfachen. Die Verbindung dieser Klassen zu einfach bestimmbaren Gebietseigenschaften würde neue Möglichkeiten der Modellierung und Vorhersage unbeobach-teter EZG bieten. Dafür muss sich die Klassifikation nach geeigneten Modellstrukturen in einer Klassifikation der Gebiete nach abflussrelevanten Gebietseigenschaften wiederfinden.

Ziel dieser Studie ist die Klassifizierung von EZG mittels geeigneter Modellstrukturen und die Erklärung der Klassen bzw. Modellstrukturen mit Gebietseigenschaften. Diese Klassifizierung ermöglicht dann die Auswahl geeigneter Modellstrukturen und die Übertragung von Abfluss- und Modellparametern auf nicht beobachtete Gebiete (Regionalisierung). Arbeiten: Die Projektarbeiten sind im Folgenden stichpunktartig dargestellt:

• Daten: o Akquisition: Gebietseigenschaften, Abfluss, und Niederschlags- und Tempera-

turdaten für Einzugsgebiete in Rheinland-Pfalz und Baden-Württemberg o Überprüfung der Daten auf Plausibilität und Ausschluss unsicherer Datensätze o Aufbereitung der Abfluss-, Temperatur- und Niederschlagsdaten o Auswahl und Aufbereitung der Gebietseigenschaften je Einzugsgebiet

• Modellierung: o Einarbeitung 12 konzeptionelle Modelle, SUPERFLEX Framework (Fenicia et al.,

2014, Abbildung 1). Anpassung der Modelle an Erfordernisse im Untersuchungs-gebiet.

• Modellierung der 99 EZG mit allen Modellstrukturen = 1188 Modelle • Auswertung Modellergebnisse:

o Untersuchung des Einflusses verschiedener Gütemaße auf die Modellperfor-manz und Auswahl geeigneter Gütemaße

o Identifikation eines besten Modells je EZG mit unterschiedlichen Methoden. Gruppierung der EZG nach besten Modellstrukturen und Analyse der Gruppen.

o Analyse der Modellergebnisse je EZG durch Klassifikation der Signature Indizes mit SOM

• Parametertransfer o Simulation aller EZG mit allen kalibrierten Parametersätzen für die Modellstruktu-

ren M03, M04, M07, M11 und M12 o Analyse der Simulationen mit SOM

4

Abbildung 1: Für die Modellkalibrierung genutzte Modellstrukturen, verändert nach Fenicia et al. (2014) D: Aufteilung zwischen langsamen und schnellem Speicher; E (Ce) = Verdunstung; I = Interzeption; K = Speicherkoeffizient; P = Niederschlag; Q = Abfluss; S = Speicher; Sumax = Speicherkapazität; β: = Potenzfunktion; f = schnell; r = Aue; s = langsam; t = total; u = ungesättigt

Untersuchungsgebiet Das Untersuchungsgebiet erstreckt sich über 99 EZG, die in den Bundesländern Rheinland-Pfalz (56 EZG) und Baden-Württemberg (43 EZG) liegen (Abbildung 2). Die EZG sind zwischen 10 und 1825 km² groß und zeigen unterschiedliche geologische Voraussetzungen, Landschaf-ten, Klima- und Abflussverhältnisse. Die meisten EZG sind benachbart oder ineinander ge-schachtelt.

5

Abbildung. 2: Untersuchte EZG in Rheinland-Pfalz und Baden-Württemberg. Geschachtelte EZG sind übereinander abgebildet, so dass nur Kopfeinzugsgebiete vollständig dargestellt sind.

Gütemaße Für die Beurteilung der Modell-Performanz stehen eine Reihe von Gütemaßen zur Verfügung: die häufig genutzte Nash-Sutcliffe-Efficiency (NSE), weitere hydrologische Maße, statistische Gütemaße und die Auswertung der Flow Duration Curve (FDC). Eine Gegenüberstellung der hydrologischen und statistischen Gütemaße ergab, dass diese die Unterschiede der mit unter-schiedlichen Modellstrukturen simulierten Abflüsse nur unzureichend darstellen (Abbildung 3). Viele Modellergebnisse werden ähnlich bewertet und nur Modellstrukturen mit sehr schlechten Performanzen eindeutig als solche identifiziert (Abbildung 3).

Abbildung. 3: Unterschiedliche Gütemaße für simulierte Abflüsse mit 12 kalibrierten Modellen für EZG ‚Kloster En-gelport‘. Jede Linie zeigt die Werte eines Gütemaßes. Alle Gütemaße haben ihr Maximum (= perfekte Übereinstim-mung) beim Wert 1, variieren aber in ihren unteren Grenzen von –Inf. über -1 bis 0. Die mit unterschiedlichen Modellstrukturen simulierten Abflüsse zeigen trotz ähnlicher Werte der in Abbildung 3 genannten Gütemaße unterschiedliche Abflussganglinien und FDCs. Diese Unterschiede werden mit von der FDC abgeleiteten Signature Indizes deutlich gemacht und ausgewertet (Yilmaz et al., 2008; Herbst et al., 2009). Dafür wird die FDC in 4 Teile geteilt, die alle Abflussbereiche und somit unterschiedliche Funktionen und Prozesse im EZG abbilden (Abbildung 4). Jeder Abschnitt der FDC wird durch einen Signature Index abgebildet, der den Unterschied zwischen der beobachteten und der simulierten FDC als Differenz (Bias) der FDCs relativ zur mittleren Abflusshöhe im entsprechenden Abschnitt quantifiziert.

6

Für den einfachen Vergleich verschiedener simulierter Abflusszeitreihen wurden die Signature Indizes zu einem Wert kombiniert. Hierfür sind verschiedene Methoden denkbar. Es wurden zwei Kombinationen favorisiert, die alle Teile der FDC gleichwertig bewerten:

o Summe der standardisierten Signature Indizes (Standardized signature Index Sum, SIS). Durch die Standardisierung der Signature Indizes wird eine mögliche Dominanz besonders hoher Signature Indizes vermieden. Diese Methode ist für einzelne EZG we-niger geeignet, da die Standardisierung eine größere Anzahl von Werten voraussetzt. Außerdem ist die SIS abhängig von der Auswahl der EZG bzw. der Signature Indizes.

o Summe der Absolutwerte der Signature Indizes (SSI). Die SSI ist dagegen unabhängig von der Auswahl und Anzahl untersuchter EZG, schließt aber die Gefahr ein, dass Er-gebnisse durch sehr hohe Abweichungen eines Indexes beeinflusst werden.

Beide Ansätze führen zu vergleichbaren Ergebnissen (Abbildung 5). Je nach Fragestellung können in diese Maße auch gewichtete Signature Indizes eingehen, um bestimmte Abflussbe-reiche besonders zu berücksichtigen.

Abbildung 4: Bedeutung und Lage der vier Signature Indices.

Die vier Signature Indizes stellen deutliche Unterschiede zwischen den Simulationen heraus und sind für den Vergleich mit unterschiedlichen Modellstrukturen simulierter Abflüsse besser geeignet als herkömmliche Gütemaße. Abbildung 5 zeigt für drei Beispiel-EZG die einzelnen Signature Indizes für verschiedene Modellstrukturen und die kombinierten Werte SIS und SSI im Vergleich zur NSE. Die Signature Indizes zeigen deutlich unterschiedliche Werte trotz ähnlicher NSE. Darüber hinaus erlauben die Signature Indizes die Beurteilung der Simulation bestimmter Abflussbereiche und geben damit wichtige Hinweise für die Modellentwicklung. Diese Ergebnisse wurden in den Veröffentlichungen [2], [8] und [12] präsentiert. Modell-Evaluation Für jedes der 99 untersuchten EZG wurden alle 12 Modellstrukturen kalibriert und für jedes der 1188 Modelle die Signature Indizes, der Wert SSI und die NSE berechnet. Als eine erste Stufe der Modell-Evaluation wurden die 1188 Modelle in akzeptable und nicht akzeptable Modelle unterschieden: Modelle mit einem SSI > 70 und einer NSE < 0,65 wurden

7

als nicht akzeptabel von der weiteren Untersuchung ausgeschlossen. Auf Basis dieser Grenz-werte konnte für 15 EZG kein akzeptables Modell gefunden. Alle übrigen 84 EZG haben zwischen einem (5 EZG) und elf (4 EZG) akzeptablen Modellen, insgesamt haben 511 Modelle eine akzeptable Performanz. Keine Modellstruktur führt zu einem akzeptablen Modell für alle 84 EZG. Nur die Modellstruktur M02 führt zu keinem akzeptablen Modell.

Abbildung 5: Darstellung der vier Signature Indizes für 3 EZG und Gegenüberstellung der Kombinationen der Sig-nature Indizes (SSI und SIS) und des NSE. Die jeweils beste Performanz (fett gedruckt) zeigen Signature Indices und SSI mit Werten nahe Null, möglichst kleine Werte für SIS und Werte der NSE nahe Eins.

8

Model-Equifinality Der Vergleich der Signature Indizes der akzeptablen Modelle zeigte, dass einige EZG sehr ähn-liche Signature Indizes für Modelle mit unterschiedlichen Modellstrukturen haben. Dieses Phä-nomen der sehr ähnlichen Simulationen mit unterschiedlichen Modellen oder Parametern ist in der Literatur als Model-Equifinality beschreiben (Beven, 1993; Beven and Freer, 2001; Perrin et al., 2001; Lee et al., 2005). In dieser Studie bezieht sich der Begriff „Model-Equifinality“ auf eine sehr ähnliche Kombination von Signature Indizes für unterschiedliche Modelle eines EZG. Im Gegensatz dazu zeigen andere EZG eine starke Abhängigkeit der Signature Indizes von der Modellstruktur. Je nach Verhalten wurden daher drei Gruppen von EZG unterschieden: I. alle akzeptablen Modelle zeigen unterschiedliche Signature Indizes (35 EZG) IIa. alle akzeptablen Modelle zeigen sehr ähnliche Signature Indizes und damit Mo-

del-Equifinality (17 EZG) IIb. die Mehrzahl der akzeptablen Modelle (> 60 %) zeigen sehr ähnliche Signature

Indizes und damit eine eingeschränkte Model-Equifinality (32 EZG). Für die weitere Untersuchung wurde dieser Einteilung eine Gruppe III. hinzugefügt, die die 15 EZG ohne akzeptable Modelle beinhaltet. Der Vergleich der räumlichen Anordnung der EZG der Gruppen I bis III (Abbildung 6a) zeigt nur vereinzelt einen räumlichen Zusammenhang der Gruppen mit gleichem Auftreten der Model-Equifinality. Auch der Vergleich der Gruppen I bis III mit wichtigen Gebietseigenschaften der EZG zeigt keine eindeutige Korrelation zu den Gebietseigenschaften (Abbildung 6b). Ge-schachtelte EZG zeigen weder Zusammenhänge, noch eine feste Abfolge des Verhaltens vom obersten Oberlieger-EZG bis zur Mündung (Abbildung 6a).

Abbildung. 6: Lage der EZG mit unterschiedlichem Auftreten der Model-Equifinality und die Gebietseigenschaften je Gruppe. In Karte a) sind die Grenzen großer EZG mit mehreren Oberlieger-Pegeln (geschachtelte EZG) mit einer stärkeren Linie dargestellt. Model-Equifinality kommt mit allen Modellstrukturen und in unterschiedlichen Kombinationen von Modellstrukturen vor. Sie ist damit nicht von der Modellstruktur abhängig sondern muss als

9

Gebietseigenschaft gesehen werden, die jedoch mit häufig genannten Eigenschaften der EZG nicht sicher erklärt werden kann. Diese Ergebnisse wurden in den Veröffentlichungen [1] und [6] präsentiert. Beste geeignete Modellstruktur je EZG Für jedes EZG wurde das akzeptable Modell mit der besten Performanz auf Basis des niedrigs-ten SSI bestimmt. Einige EZG zeigen sehr ähnliche SSI für unterschiedliche Modelle, auch als Folge der Model-Equifinality. Zur Berücksichtigung dieser sehr ähnlichen Modelle wurden alle Modelle eines EZG mit einer Differenz < 2 zur niedrigsten SSI als beste Modelle identifiziert. Damit haben 18 EZG zwei oder drei beste Modelle und 66 EZG haben genau ein eindeutig bes-tes Modell. Die EZG mit den gleichen besten Modellen zeigen weder einen Zusammenhang zur Lage noch eine deutliche Korrelation zu gängigen Gebietseigenschaften (Abbildung 7). Die geschachtelten EZG zeigen ebenfalls keinen Zusammenhang oder Abfolge von besten Modellstrukturen. Die Zuordnung einer geeigneten Modellstruktur zu EZG mit bestimmten Gebietseigenschaften ist auf Grundlage der räumlichen Nähe oder der untersuchten Gebietseigenschaften nicht möglich. Diese Ergebnisse wurden in den Veröffentlichungen [1], [3], [6] und [11] präsentiert.

Abbildung 7: Lage der EZG mit gleichen besten Modellstrukturen und ihre Gebietseigenschaften. In der Karte sind die Grenzen großer EZG mit mehreren Oberlieger-Pegeln mit einer stärkeren Linie dargestellt. Parametertransfer Der Parametertransfer ist eine andere Möglichkeit, hydrologisch ähnliche EZG zu identifizieren und eine Regionalisierung von Modellen zu testen. Dabei werden Abflüsse von EZG mit auf andere EZG kalibrierte Parametersätze simuliert. Hydrologisch ähnliche EZG sollten auch mit den auf das andere EZG kalibrierte Parameter ein vergleichbares Ergebnis simulierter Abflüsse zeigen. Die Signature Indizes der mit übertragenen Parametersätzen simulierten, akzeptablen Abflüsse wurden mit einer SOM mit den Signature Indizes der Simulationen mit den kalibrierten Parametersätzen verglichen. Dabei wurden für 16 EZG ein paarwiese erfolgreicher Parameter-transfer festgestellt (Abbildung. 8), d. h. Abflüsse dieser EZG können mit dem auf ein anderes EZG kalibrierten Parametersatz ähnlich gut simuliert werden wie mit dem direkt kalibrierten Parametersatz. Die niedrige Zahl korrespondierender EZG und deren Lage im Untersuchungs-gebiet (Abbildung 8) zeigen, dass die Modelle sehr speziell für die jeweiligen EZG kalibriert werden. Ein Transfer der Parametersätze führt nur selten zu zufriedenstellenden Ergebnissen. Dies gilt für alle untersuchten Modellstrukturen.

10

Auch wenn der Parametertransfer zwischen einigen benachbarten EZG zu ähnlichen Simula-tionsergebnissen führt, so zeigt die Anzahl der EZG mit funktionierendem Parametertransfer, dass der Transfer von Modellparametern zwischen EZG allgemein nicht zufriedenstellend mög-lich ist. Diese Ergebnisse wurden in den Veröffentlichungen [4], [7], [9] und [10] präsentiert.

Abbildung 8: Ergebnis des Parametertransfers. Die schwarzen Linien verbinden EZG mit ähnli-chen Abflusssimulationen nach getauschten Parametersätzen. Die Farben zeigen die jeweili-gen Modellstrukturen: grün = M03, rot = M07, gelb = M11, blau = M12. Die Modellstruktur M04 führte zu keinem erfolgreichen Parametertrans-fer.

Kalibrierung mit Signature Indizes Eine Ursache für die Ergebnisse des Parametertransfers könnten die unterschiedlichen Güte-maße für die Kalibrierung (gewichtete Kleinste-Fehlerquadrate) und die Modell-Evaluation (Sig-nature Indizes) sein. Um dies zu testen, wurden einige EZG mit den Signature Indizes als Ziel-funktion kalibriert. Da die FDC das Timing der Abflüsse nicht berücksichtigt, führte die Kalibrie-rung mit Signature Indizes als Zielfunktion zu einer deutlich schlechteren Anpassung der simu-lierten Abflüsse an die beobachteten Abflüsse. Daher wurde dieser Ansatz nicht weiter verfolgt. Diskussion und Ausblick Ein wesentliches Ergebnis dieser Studie ist die Tatsache, dass es im Untersuchungsgebiet EZG gibt, die nicht mit den Modellstrukturen akzeptabel modelliert werden können, die eine ausge-prägte Model-Equifinality zeigen oder die eine starke Abhängigkeit der Modellperformanz von den jeweiligen Modellstrukturen zeigen. Da EZG dieser Gruppen in allen Regionen des Unter-suchungsgebietes und für alle Modellstrukturen nachgewiesen wurden, müssen die Gründe für das Verhalten der EZG in den EZG selbst gesucht werden. Die Ergebnisse der Untersuchungen zeigen aber auch, dass kaum Zusammenhänge der Gruppen zu gängigen Gebietseigenschaf-ten wie Klima, Landnutzung, Topographie oder Gebietsgröße offensichtlich sind. Daher muss nach weiteren Gebietseigenschaften gesucht werden. EZG ohne akzeptables Modell Für ca. 15 % der untersuchten EZG führte die Kalibrierung der 12 Modellstrukturen zu keinem akzeptablen Modell. Ursache hierfür kann die Auswahl der Modellstrukturen oder Eigenschaften der EZG sein. Diese 15 EZG liegen über das gesamte Untersuchungsgebiet verteilt und zeigen höchstens eine Korrelation zur Gebietsgröße (Abbildungen 7 und 8). Von diesen 15 EZG sind

11

11 EZG kleiner als 150 km² und gleichzeitig relativ homogen bezüglich Landnutzung, Gelände-form, Böden und Geologie. Die meisten EZG im Untersuchungsgebiet sind größer oder zeigen für die genannten Gebietseigenschaften eine deutlich größere Heterogenität, die zu einer grö-ßeren Anzahl unterschiedlicher Abflussprozesse und damit einem zu einem zusammengesetz-ten, gedämpften Abflussverhalten am Gebietsauslass führen können. Möglicherweise ist die Homogenität der Abflussprozesse kleiner, homogener EZG für ein individuelles Abflussverhal-ten verantwortlich, das durch die konzeptionellen Modelle nicht nachgebildet werden kann. Das bedeutet, dass die Modellstrukturen ein gedämpftes Abflussverhalten, das eine Überlagerung vieler Abflussprozesse darstellt, besser nachbilden können. Zwei EZG ohne akzeptables Modell liegen in der Rheinebene und werden fast ausschließlich für den Weinbau genutzt. Hier können auch die besonderen Abflussverhältnisse der Rheinebe-ne oder eine starke Beeinflussung der Abflüsse durch den Weinbau für Probleme bei der Mo-dellierung führen. Für drei andere, größere EZG ohne akzeptables Modell ist eine Ursache nicht direkt erkennbar. Eine signifikante Aussage über die Modellierbarkeit dieser Gruppe von EZG ist jedoch wegen der niedrigen Zahl der betroffenen EZG zu klein. Möglicherweise könnte hier eine Erweiterung der untersuchten Modellstrukturen oder die Berücksichtigung anderer konzeptioneller Modelle außerhalb des SUPERFLEX Frameworks weitere Erkenntnisse bringen. Model-Equifinality Die untersuchten Gebietseigenschaften der EZG mit Model-Equifinality zeigen kaum Unter-schiede zu den EZG ohne oder mit weniger Model-Equifinality. Einzig bei der Klima- und Ab-flusseigenschaften scheinen sie eine Tendenz zu höheren Niederschlagsmengen und höheren Abflussbeiwerten zu haben. Jedoch zeigen auch andere EZG ohne Model-Equifinality diese Eigenschaften. Eine Ursache für Model-Equifinality könnte damit die in der Literatur beschrie-bene bessere Modellierbarkeit feuchter EZG im Vergleich zu trockeneren EZG sein (van Esse et al., 2013; Parajka et al., 2013). Diese Beobachtung kann aber weder als Begründung für die EZG mit Model-Equifinality im Bereich mittlerer Niederschlagsmengen und Abflussbeiwerte, noch für die fehlende Model-Equifinality bei anderen EZG mit hohen Niederschlägen und Ab-flüssen herangezogen werden. Eine Ursache für Model-Equifinality könnte die Komplexität der EZG sein. Komplexe Systeme (EZG) bestehen aus einer Vielzahl miteinander verbundener und interagierender Komponenten, die dazu führen, dass ihre Eigenschaften nicht vollständig aus den Systemkomponenten erklärt werden können. Komplexe EZG haben oft ein gedämpftes, ausgeglichenes Abflussverhalten, das von vielen Prozessen beeinflusst wird. Dagegen haben kleine, homogene EZG ein Abfluss-verhalten, das stärker direkt von Niederschlagseigenschaften beeinflusst ist. Für die Modellie-rung mit konzeptionellen Modellen würde das bedeuten, dass diese geeignet sind, das ge-dämpfte Abflussverhalten komplexer EZG zu simulieren, nicht aber Gebietsstrukturen nachzu-bilden. Damit wären die Parameter konzeptioneller Modelle Ergebnisse der Kalibrierung ohne eindeutigen Bezug zu den Gebietseigenschaften des EZG auf das das Modell kalibriert wird. Die Ergebnisse des Parametertransfers können als Hinweis hierfür gedeutet werden. Die Bestimmung der Komplexität von EZG, bzw. dessen Abflussverhalten wäre ein entschei-dender Schritt für die Beurteilung der Modellierbarkeit und von EZG mit konzeptionellen Model-len. Da ein EZG ein offenes System ist und der konkrete Abfluss eines Niederschlag-Abfluss-Ereignisses auch von den jeweiligen Niederschlagseigenschaften abhängt, muss die Beurtei-lung der Abflusskomplexität in Zusammenhang mit den Niederschlagseigenschaften gesehen werden. Die Auswahl eines geeignetes Komplexitäts-Maßes und dessen Analyse auf Eignung für dieses Problem mit dem Ziel, die EZG mit starker Model-Equifinality vor der Modell-Auswahl und –Kalibrierung zu identifizieren, kann ein wichtiger Schritt sowohl für die Anwendung von Modellen als auch für die Regionalisierung von Abflussparametern sein.

12

Potenzial der Selbstorganisierenden Merkmalskarten (Self-Organizing Maps, SOMs) In dieser Studie wurden SOMs für zwei Untersuchungen eingesetzt: Für den Vergleich der Sig-nature Indizes der akzeptablen Modelle und für die Analyse der Ergebnisse des Parameter-transfers. Bei beiden Anwendungen sollten aus einer Vielzahl von Datensätzen jeweils ähnliche Datensätze gefunden und dargestellt werden. In beiden Fällen konnten auf Basis der SOM ein-deutige Aussagen über Ähnlichkeiten bzw. Unähnlichkeiten zwischen Datensätze gemacht werden. Neben dem Aufbau einer Klassifikation (Ley, 2014; Ley et al., 2011) oder der Modellbewertung (Herbst et al., 2009) wird auch hier das große Potential der SOMs für wissenschaftliche Unter-suchungen deutlich. SOMs sind immer dann geeignet, wenn eine große Zahl hochdimensiona-ler Datensätze nach Ähnlichkeiten sortiert, gruppiert, visualisiert, analysiert und interpretiert werden müssen. Referenzen: Beven, K.: Prophecy, reality and uncertainty in distributed hydrological modelling, Adv. Water Resour., 16, 41–51, 1993.

Beven, K. and Freer, J.: Equifinality, data assimilation and uncertainty estimation in mechanistic model-ling of complex environmental systems using the GLUE methodology, J. Hydrol., 11–29, 2001.

van Esse, W. R., Perrin, C., Booij, M. J., Augutsijen, D. C. M., Fenicia, F. and Lobligeois, F.: The influ-ence of conceptual model structure on model performance: a comparative study for 237 French catch-ments, Hydrol. Earth Syst. Sci., 17, 4227–4239, doi:10.5194/hess-17-4227-2013, 2013.

Fenicia, F., Kavetski, D., Savenije, H. H. G., Clark, M. P., Schoups, G., Pfister, L. and Freer, J.: Catch-ment properties, function, and conceptual model representation: is there a correspondence?, Hydrol. Process., 28, 2451–2467, doi:10.1002/hyp.9726, 2014.

Herbst, M., Gupta, H. V. and Casper, M. C.: Mapping model behaviour using Self-Organizing Maps., Hy-drol. Amd Earth Syst. Sci., 13, 395–409, doi:10.5194/hess-13-395-2009, 2009., 2009.

Lee, H., McIntyre, N., Wheater, H. and Young, A.: Selection of conceptual models for regionalisation of the rainfall-runoff relationship, J. Hydrol., 312, 125–147, doi:10.1016/j.jhydrol.2005.02.016, 2005.

Ley, R.: Klassifikation von Pegel-Einzugsgebieten und Regionalisierung von Abfluss- und Modellparame-tern unter Berücksichtigung des Abflussverhaltens, hydroklimatischer und physiogeografischer Gebiets-merkmale, PHD-Thesis, Universität Trier., 2014.

Ley, R., Casper, M. C., Hellebrand, H. and Merz, R.: Catchment classification by runoff behaviour with self-organizing maps (SOM), Hydrol. Earth Syst. Sci., 115, 2947–2962, doi:10.5194/hess-15-2947-2011, 2011.

Parajka, J., Viglione, A., Rogger, M., Salinas, J. L., Sivapalan, M. and Blöschl, G.: Comparative assess-ment of predictions in ungauged basins - Part 1: Runoff-hydrograph studies, Hydrol. Earth Syst. Sci., 17, 1783 – 1795, 2013.

Perrin, C., Michel, C. and Anréassian, V.: Does a large number of parameters enhance model perfor-mance? Comparative assessment of common catchment model structures on 429 catchments, J. Hydrol., 242, 275–301, 2001.

Yilmaz, K. K., Gupta, H. V. and Wagener, T.: A process-based diagnostic approach to model evaluation: Application to the NWS distributed hydrologic model, Water Resour. Res., 44(9), doi:10.1029/2007WR006716, 2008.

13

Zusammenfassung Im Projekt „Klassifikation und Regionalisierung von Einzugsgebieten mit Selbst-Organisierenden Merkmalskarten (SOMs) und flexiblen Modellstrukturen“ (Catchment classifica-tion and regionalisation with Self-Organizing Maps (SOMs) and flexible model structures, CLASS) wurden 99 EZG in Rheinland-Pfalz und Baden-Württemberg mit 12 Modellstrukturen aus dem SUPERFLEX Framework (Fenicia et al., 2014) kalibriert und die mit den kalibrierten Modellen simulierten Abflüsse analysiert. Der Vergleich unterschiedlicher Gütemaße für die Modell-Evaluation zeigt, dass vier von der FDC abgeleitete Signature Indizes gut geeignet sind, das Modellverhalten nachzuvollziehen und vergleichbar zu machen. Die Kombination der Signature Indizes zu einem Kennwert ermög-licht zudem einen einfachen Vergleich unterschiedlicher Simulationen. Darüber hinaus zeigen die Signature Indizes, in welchen Abflussbereichen ein Modell den Abfluss gut oder schlecht nachbildet. Diese Information ist für die Modellinterpretation und -weiterentwicklung wichtig. Die 12 verwendeten Modellstrukturen zeigen für die untersuchten EZG unterschiedliche Ergeb-nisse und führen für die große Mehrzahl der EZG zu akzeptablen bis sehr guten Abflusssimula-tionen. Keine Modellstruktur ist für alle EZG gut geeignet. Nach den Simulationsergebnissen wurden die EZG in Gruppen ohne akzeptables Modell, EZG mit Model-Equifinality und EZG mit unterschiedlichen Simulationen abhängig von der Modellstruktur unterschieden. Die Ergebnisse zeigen, dass die Ursachen für die unterschiedliche Reaktion der Modelle der EZG in den Eigen-schaften der EZG begründet sein müssen. Auf Basis gängiger Gebietseigenschaften und der räumlichen Anordnung konnten diese Ursachen jedoch nicht gefunden werden. Der Transfer von Modellen auf andere Gebiete als die, für die sie kalibriert wurden, der sog. Parametertransfer, zeigt, dass eine Übertragung der konzeptionellen Modelle auf andere EZG nur in sehr wenigen Fällen zufriedenstellend möglich ist. Damit ist weder die Identifikation hy-drologisch ähnlicher EZG über geeignete Modellstrukturen noch die Regionalisierung von kon-zeptionellen Modellen möglich. Unsere Ergebnisse lassen vermuten, dass konzeptionelle Modellstrukturen nicht geeignet sind, unterschiedliche Gebietseigenschaften wie Klima, Topographie, Größe, Geologie oder Land-nutzung nachzubilden. Für EZG mit guten Simulationen in Abhängigkeit von der Modellstruktur erscheinen die geeigneten Modellstrukturen in diesem Zusammenhang als beliebig. Für kom-plexe EZG deren Abflussreaktionen aus der Überlagerung einer Vielzahl unterschiedlicher Ab-flussprozesse und Abflusswege besteht, sind mehrere Modellstrukturen für eine akzeptable Simulation geeignet. Damit scheinen konzeptionelle Modellstrukturen vor allem gedämpfte Ab-flussreaktionen komplexer Gebiete zufriedenstellend nachbilden zu können. Der erfolgreiche Einsatz der Selbstorganisierenden Merkmalskarten (Self-Organizing Maps, SOMs) für die Analyse großer Datenmengen zeigt das Potenzial dieser Technik für wissen-schaftliche Untersuchungen wie Klassifikationen, Modellbewertungen und Identifikation ähnli-cher Datensätze aus großen Datenmengen. Mit den genutzten Modellen, Gütemaßen und Gebietseigenschaften kann das gesetzte Ziel, eine Klassifikation der EZG nach geeigneten Modellstrukturen und die Übertragung von Model-len zwischen hydrologisch ähnlichen EZG (Regionalisierung) nicht erreicht werden. Die Ergeb-nisse dieses Projektes geben jedoch wichtige Hinweise über die Wirkung wichtiger Gütemaße und das Verhalten konzeptioneller Modelle in Abhängigkeit von den Eigenschaften der zu kali-brierenden EZG.