h1

000999042 001__ 999042
000999042 005__ 20250312132531.0
000999042 0247_ $$2HBZ$$aHT030921592
000999042 0247_ $$2Laufende Nummer$$a44016
000999042 0247_ $$2datacite_doi$$a10.18154/RWTH-2024-11825
000999042 0247_ $$2urn$$aurn:nbn:de:hbz:5:2-1415007
000999042 020__ $$a978-3-95806-796-7
000999042 037__ $$aRWTH-2024-11825
000999042 041__ $$aEnglish
000999042 082__ $$a550
000999042 1001_ $$0P:(DE-588)1354504763$$aLi, Fang$$b0$$urwth
000999042 245__ $$aAssimilation of groundwater level and cosmic-ray neutron sensor soil moisture measurements into integrated terrestrial system models for better predictions$$cFang Li$$honline, print
000999042 260__ $$aJülich$$bForschungszentrum Jülich GmbH, Zentralbibliothek, Verlag$$c2024
000999042 260__ $$c2025
000999042 300__ $$a1 Online-Ressource (xvii, 172 Seiten) : Illustrationen, Diagramme, Karten
000999042 3367_ $$02$$2EndNote$$aThesis
000999042 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000999042 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000999042 3367_ $$2BibTeX$$aPHDTHESIS
000999042 3367_ $$2DRIVER$$adoctoralThesis
000999042 3367_ $$2DataCite$$aOutput Types/Dissertation
000999042 3367_ $$2ORCID$$aDISSERTATION
000999042 4900_ $$aSchriften des Forschungszentrums Jülich. Reihe Energie & Umwelt$$v650
000999042 502__ $$aDissertation, RWTH Aachen University, 2024$$bDissertation$$cRWTH Aachen University$$d2024$$gFak05$$o2024-11-08
000999042 500__ $$aDruckausgabe: 2024. - Onlineausgabe 2024 - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025
000999042 5203_ $$aGrundwasser und Bodenfeuchte (SM) sind von entscheidender Bedeutung für den Wasserkreislauf. Daher muss die Dynamik dieser beiden Variablen auf räumlicher und zeitlicher Ebene genau quantifiziert werden. In situ-Monitoringnetze können direkte und genaue Informationen über den Grundwasserspiegel (GWL) und die Bodenfeuchte liefern, reichen jedoch nicht aus, um das hydrologische System der Erde vollständig zu erfassen. Dies ist nur möglich, indem auf Modelle zurückgegriffen wird. Integrierte Modelle wie die Terrestrial System Modelling Platform (TSMP) ermöglichen eine umfassende Simulation des hydrologischen Kreislaufs der Erde, welcher vom tiefen Untergrund bis zur oberen Atmosphäre reicht. Die aktuellen Modellschätzungen von GWL und SM sind jedoch aufgrund von Datenbeschränkungen und Modellfehlern mit erheblicher Unsicherheit behaftet. Die Hauptursachen für diese Unsicherheiten sind atmosphärische Einflüssen, strukturelle Modellfehler und ungenaue Parametrisierung. Durch Datenassimilation (DA) können numerische Modelle mit Beobachtungen kombiniert werden, was zu einer Korrektur der hydrologischen Zustände und Flüsse sowie zu verbesserten Parameterschätzungen führt. Unterschiedliche Unsicherheitsquellen können zu unbefriedigenden Simulationen der Grundwasserhydrodynamik mit hydrologischen Modellen führen. Ziel dieser Studie ist es, die Auswirkungen der Assimilierung von Grundwasserdaten in die TSMP zur Verbesserung der hydrologischen Modellierung in einem realen Fall zu untersuchen. Tägliche Grundwasserstandsmessungen (WTD) aus dem Jahr 2018 für das Einzugsgebiet der Rur in Deutschland wurden mit dem Localized Ensemble Kalman Filter (LEnKF) in die TSMP assimiliert. Der LEnKF wird mit einem Lokalisierungsradius verwendet. Das bedeutet, dass die assimilierten Messungen nur Modellzustände in einem begrenzten Radius um die Messungen aktualisieren, um unphysikalische Aktualisierungen im Zusammenhang mit unerwünschten Korrelationen zu vermeiden. Aufgrund der Diskrepanz zwischen den Grundwassermessungen und der groben Modellauflösung (500 m) müssen die Messungen vor der DA sorgfältig geprüft werden. Basierend auf der räumlichen Autokorrelation des WTD, die aus den Messungen abgeleitet wurde, wurden drei verschiedene Filter-Lokalisierungsradien (2,5 km, 5 km und 10 km) für die Assimilation evaluiert. Der Fehler des simulierten Grundwasserspiegels und die Wurzel der mittleren Fehlerquadratsumme (RMSE) sind nach der DA, im Vergleich zu Modellläufen ohne DA (bspw. Modellläufen mit offener Schleife (OL)), reduziert. Die besten Ergebnisse an den assimilierten Standorten werden mit einem Lokalisierungsradius von 10 km erzielt, wobei eine 81%ige Verringerung des RMSE an den Messstandorten festgestellt wird. Für die Lokalisierungsradien von 5 km und 2,5 km fallen die RMSE-Reduzierungen etwas geringer aus. Die Validierung mit unabhängigen WTD-Daten zeigte die besten Ergebnisse für einen Lokalisierungsradius von 10 km, aber die Charakterisierung des Grundwasserspiegels konnte nur für Standorte verbessert werden, die weniger als 2,5 km von den Messstandorten entfernt sind. Bei einem Lokalisierungsradius von 10 km betrug die RMSE-Reduzierung für die nahe gelegenen Standorte 30 %. Die Validierung der simulierten Bodenfeuchte erfolgte anhand der gemessenen Bodenfeuchte, welche mit kosmischen Neutronensensoren (CRNS) erfasst wurde. Eine Reduktion des RMSE für DA-Läufe im Vergleich zu OL-Läufen konnte jedoch nicht festgestellt werden. In beiden Fällen war die Korrelation zwischen gemessener und simulierter Bodenfeuchte jedoch hoch (zwischen 0,70 und 0,89, außer für den Standort Wüstebach). CRNS schließen die Lücke zwischen lokal gemessenem In situ-SM und fernerkundetem SM, indem sie eine genaue SM-Schätzung auf der Feldskala liefern. Dies ist vielversprechend für die Verbesserung von hydrologischen Modellvorhersagen, da CRNS wertvolle Informationen über den SM in der Wurzelzone auf der typischen Skala einer Modellgitterzelle liefern können. In einer zweiten Studie im Rahmen dieser Doktorarbeit wurden SM-Messungen aus einem Netz von 12 CRNS im Einzugsgebiet der Rur (Deutschland) in die TSMP integriert, um dessen Potenzial zur Verbesserung der Charakterisierung von SM, Evapotranspiration (ET) und Flussabfluss sowie zur Schätzung bodenhydraulischer Parameter auf der größeren Einzugsgebietsskala zu untersuchen. DA-Experimente (mit und ohne Parameterschätzung) wurden sowohl in einem feuchten Jahr (2016) als auch in einem trockenen Jahr (2018) mit dem Ensemble Kalman Filter (EnKF) durchgeführt und später mit einem durchschnittlichen Jahr (2017) ohne DA validiert. Die Ergebnisse zeigen, dass die SM-Charakterisierung an Messstandorten signifikant verbessert wurde (mit einer Verringerung des RMSE um bis zu 60 %) und dass die gemeinsame Schätzung der Zustandsparameter die SM-Simulation stärker verbesserte als die Zustandsschätzung allein (mehr als 15 % zusätzliche RMSE-Reduzierung). Jackknife-Experimente zeigten, dass SM an Validierungsstandorten geringere und unterschiedliche Verbesserungen in nassen und trockenen Jahren aufwies (eine RMSE-Reduzierung von 40 % im Jahr 2016 und 16 % im Jahr 2018). Darüber hinaus wurde festgestellt, dass die SM-Assimilation die ET-Charakterisierung in einem viel geringeren Ausmaß verbessert, mit einer RMSE-Reduzierung der monatlichen ET um 15 % in einem feuchten Jahr und um 9 % in einem trockenen Jahr. In einer dritten Studie wurden verschiedene Ansätze für die gemeinsame DA von beobachteten SM-Daten aus CRNS und GWL-Daten in das TSMP-Modell getestet. DA-Experimente (mit und ohne Parameterschätzung) wurden mit dem LEnKF für das Rur-Einzugsgebiet in Deutschland für die Jahre 2016-2018 durchgeführt, gefolgt von einer Kreuzvalidierung (bei Parameterschätzung) in unabhängigen Jahren. Die univariate SM-Assimilation reduzierte den RMSE von SM an den Assimilationsstandorten um mehr als 50 %. Die univariate GWL-Assimilation reduzierte den monatlichen RMSE der GWL an den Assimilationsstandorten um 70 %. Im Umkreis von 5 km um die assimilierten Standorte wurde die GWL-Schätzung mit einer Verringerung des RMSE um 2-50 % deutlich verbessert. Allerdings verschlechterte die univariate Assimilation von GWL die Charakterisierung von SM, und die univariate Assimilation von SM verschlechterte die Simulation von GWL. Ein neuer multivariater DA-Ansatz wird vorgeschlagen, bei dem GWL und SM getrennt assimiliert werden. GWL-Daten werden assimiliert und genutzt, um die Grenzfläche zwischen der ungesättigten und der gesättigten Zone zu schätzen und die Zustände (und möglicherweise Parameter) der gesättigten Zone zu aktualisieren. SM-Messungen werden assimiliert, um die Zustände der ungesättigten Zone zu aktualisieren. Zusätzlich wird eine beobachtungsspezifische Lokalisierung vorgeschlagen. Mit der multivariaten DA liegen die Schätzungen der Variablen (GWL, SM und ET) an den Assimilationsorten nahe an denen der univariaten Assimilation. An Validierungsorten in einem Umkreis von 2,5-5 km konnte jedoch im Vergleich zur univariaten Assimilation eine Verringerung des RMSE für GWL um mehr als 15 % erzielt werden. Darüber hinaus verbessert nur die SM-Assimilation (univariat oder multivariat) die ET-Schätzungen geringfügig, mit einer RMSE-Reduzierung von insgesamt 3 %. Die Parameteraktualisierung reduzierte den RMSE der Variablenschätzungen um bis zu 17 % im Vergleich zur alleinigen Zustandsaktualisierung. Diese Arbeit wurde für das Einzugsgebiet der Rur (2354 km²) durchgeführt, das über eine gut etablierte Monitoring-Infrastruktur und eine beträchtliche regionale Vielfalt in Bezug auf Klima, Bodenarten und Landnutzung verfügt. Im Gegensatz zu bisherigen Untersuchungen in kleineren Domänen, die hauptsächlich in synthetischen Experimenten oder vereinfachten realen Fällen durchgeführt wurden, steht die Assimilation von realen Daten auf der Ebene eines größeren Einzugsgebiets vor zusätzlichen Komplexitäten und Herausforderungen. Die Effektivität der DA kann durch die ungleichmäßige Verteilung von Messstationen, die grobe Modellauflösung und Modellstrukturfehler eingeschränkt werden. In dieser Arbeit werden spezifische Strategien für die Assimilation von GWL und SM (aus CRNS) unter Verwendung von EnKF und seinen Varianten getrennt oder gemeinsam in das integrierte terrestrische Modell TSMP vorgeschlagen. Insgesamt liefern die Ergebnisse dieser Arbeit Erkenntnisse zur Verbesserung der Charakterisierung mehrerer Variablen und Parameter (GWL, SM, ET und Ks) durch DA. Mögliche vielversprechende Ansätze für eine zukünftige Verbesserung der DA-Leistung in gekoppelten Modellen sind: (i) Verbesserung der Genauigkeit der Modellierung des terrestrischen Systems, einschließlich der Hinzufügung eines atmosphärischen Modells, der Einbeziehung detaillierterer agrarökologischer Prozesse in Landoberflächenmodelle und der Erhöhung der Modellauflösung; (ii) der Versuch, Daten aus vielfältigeren Quellen wie Fernerkundung (RS), unbemannten Luftfahrzeugen (UAVs) und Kleinsatelliten zu assimilieren, um der spärlichen Verteilung von In situ-Beobachtungen entgegenzuwirken; und (iii) die Erforschung fortschrittlicher DA-Algorithmen, möglicherweise EnKF-Varianten oder hybride Methoden mit Integration von maschinellem Lernen (ML), um die Probleme und Herausforderungen der multivariaten Assimilation in großen Maßstäben anzugehen.$$lger
000999042 520__ $$aGroundwater and soil moisture (SM) play a crucial role in the hydrological cycle, and therefore the dynamics of these two variables need to be accurately quantified on spatial and temporal scales. In situ observation networks can provide direct and accurate information on groundwater level (GWL) and SM. However, observations from observation networks are not sufficient to fully represent the Earth’s hydrological system without the help of models. Integrated models such as the Terrestrial System Modelling Platform (TSMP) can simulate the hydrological system from the subsurface to the atmosphere and accurately capture the full terrestrial hydrological cycle. Current model estimates of GWL and SM are highly uncertain due to data limitations and model uncertainties. The main sources of uncertainty are related to atmospheric forcings, model structural errors, and uncertain parameterization. Data assimilation (DA) can merge numerical models with observations, resulting in a correction of hydrological states and fluxes and improved parameter estimates.Different sources of uncertainty may lead to unsatisfactory simulations of groundwater hydrodynamics with hydrological models. The goal of first study is to investigate the impact of assimilating groundwater data into TSMP for improving hydrological modelling in a real-world case. Daily groundwater table depth (WTD) measurements from the year 2018 for the Rur catchment in Germany were assimilated by the Localized Ensemble Kalman Filter (LEnKF) into TSMP. The LEnKF is used with a localization radius so that the assimilated measurements only update model states in a limited radius around the measurements, in order to avoid unphysical updates related to spurious correlations. Due to the mismatch between groundwater measurements and the coarse model resolution (500 m), the measurements need careful screening before DA. Based on the spatial autocorrelation of the WTD deduced from the measurements, three different filter localization radii (2.5 km, 5 km and 10 km) were evaluated for assimilation. The bias in the simulated water table and the root mean square error (RMSE) are reduced after DA, compared with runs without DA (i.e., open loop (OL) runs). The best results at the assimilated locations are obtained for a localization radius of 10km, with an 81% reduction of RMSE at the measurement locations, and slightly smaller RMSE reductions for the 5 km and 2.5 km radius. The validation with independent WTD data showed the best results for a localization radius of 10 km, but groundwater table characterization could only be improved for sites less than 2.5 km from measurement locations. In case of a localization radius of 10km the RMSE-reduction was 30% for those nearby sites. Simulated soil moisture was validated against soil moisture measured by cosmic-ray neutron sensors (CRNS), but no RMSE reduction was observed for DA-runs compared to OL-run. However, in both cases, the correlation between measured and simulated soil moisture content was high (between 0.70 and 0.89, except for the Wüstebach site). CRNS fill the gap between locally measured in situ SM and remotely sensed (RS) SM by providing accurate SM estimation at the field scale. This is promising for improving hydrologic model predictions, as CRNS can provide valuable information on SM in the root zone at the typical scale of a model grid cell. In a second study of this PhD-work, SM measurements from a network of 12 CRNS in the Rur catchment (Germany) were assimilated into TSMP to investigate its potential for improving SM, evapotranspiration (ET) and river discharge characterization and estimating soil hydraulic parameters at the larger catchment scale. DA experiments (with and without parameter estimation) were conducted in both a wet year (2016) and a dry year (2018) with the Ensemble Kalman Filter (EnKF), and later verified with an independent year (2017) without DA. The results show that SM characterization was significantly improved at measurement locations (with up to 60% RMSE reduction), and that joint state-parameter estimation improved SM simulation more than state estimation alone (more than 15% additional RMSE reduction). Jackknife experiments showed that SM at verification locations had lower and different improvements in the wet and dry years (an RMSE reduction of 40% in 2016 and 16% in 2018). In addition, SM assimilation was found to improve ET characterization to a much lesser extent, with a 15% RMSE reduction of monthly ET in the wet year and 9% in the dry year.In a third study, we tested different approaches for joint DA of observed SM data from CRNS and GWL data into the TSMP model. DA experiments (with and without parameter estimation) were conducted with LEnKF for the Rur catchment in Germany for the years 2016-2018, followed by cross-validation (if parameters were estimated) in independent years. Univariate SM assimilation reduced the RMSE of SM over the assimilation locations by more than 50%. Univariate GWL assimilation reduced the monthly RMSE of GWL at assimilation locations by 70%. Within 5 km of the assimilated sites, GWL estimation was still obviously improved, with RMSE reductions 2-50%. However, the univariate assimilation of GWL degraded the characterization of SM, and the univariate assimilation of SM also diminished the simulation of GWL. A new multivariate DA approach that assimilates GWL and SM separately is proposed. GWL data are assimilated and used to estimate the interface between the unsaturated and saturated zones, and update the states (and possibly parameters) of the saturated zone. SM measurements are assimilated to update states of the unsaturated zone. In addition, observation specific localization is proposed. With multivariate DA, at the assimilation locations the estimates of variables (GWL, SM, and ET) are close to those in univariate assimilation. However, there were more than 15% RMSE reductions for GWL at 2.5~5 km validation locations compared to univariate assimilation. In addition, only SM assimilation (univariate or multivariate) improves very slightly ET estimates, with an overall RMSE reduction of 3%. Parameter updating reduced the RMSE of variable estimates by up to 17% compared to updating states alone. This work was carried out for the Rur catchment (2354 km²), which has a well-established monitoring infrastructure and considerable regional diversity in climate, soil types, and land use. In contrast to previously reported small-domain tests, which were primarily conducted in synthetic experiments or oversimplified real-world cases, the assimilation of real-world data at the larger catchment scale faces additional complexities and challenges. The effectiveness of DA can be limited by the uneven distribution of monitoring stations, coarse model resolution, and model structure errors. This thesis, using EnKF and its variants, proposes specific strategies for the assimilation of GWL and SM (from CRNS) separately or jointly in the integrated terrestrial model TSMP. Overall, the results of this thesis provide insights for improving the characterization of multiple variables and parameters (GWL, SM, ET, and saturated hydraulic conductivity (Ks)) by DA. Possible promising approaches for future improvement of DA performance in coupled models are: (i) improving the accuracy of terrestrial system modeling, including the addition of an atmospheric model, the inclusion of more detailed agro-ecological processes into land surface models and increasing model resolution; (ii) attempting to assimilate data from more diverse sources such as RS, unmanned aerial vehicles (UAVs), and small satellites to address the sparse distribution of in situ observations; and (iii) exploring advanced DA algorithms, potentially EnKF variants or hybrid methods with machine learning (ML) integration, to address the issues and challenges of multivariate assimilation at large scales.$$leng
000999042 588__ $$aDataset connected to Lobid/HBZ
000999042 591__ $$aGermany
000999042 653_7 $$acosmic-ray neutron sensor
000999042 653_7 $$adata asssimilation
000999042 653_7 $$agroundwater level
000999042 653_7 $$aintegrated terrestrial system models
000999042 653_7 $$asoil moisture
000999042 7001_ $$0P:(DE-82)682768$$aHendricks-Franssen, Harrie-Jan$$b1$$eThesis advisor$$urwth
000999042 7001_ $$aHuysmans, Marijke$$b2$$eThesis advisor
000999042 7001_ $$0P:(DE-82)IDM00172$$aWellmann, Jan Florian$$b3$$eThesis advisor$$urwth
000999042 7001_ $$aKlaus, Julian$$b4$$eThesis advisor
000999042 8564_ $$uhttps://publications.rwth-aachen.de/record/999042/files/999042.pdf$$yOpenAccess
000999042 8564_ $$uhttps://publications.rwth-aachen.de/record/999042/files/999042_AV.pdf$$yRestricted
000999042 8564_ $$uhttps://publications.rwth-aachen.de/record/999042/files/999042_source.docx$$yRestricted
000999042 909CO $$ooai:publications.rwth-aachen.de:999042$$pdnbdelivery$$pVDB$$pdriver$$purn$$popen_access$$popenaire
000999042 915__ $$0LIC:(DE-HGF)CCBY4$$2HGFVOC$$aCreative Commons Attribution CC BY 4.0
000999042 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000999042 9141_ $$y2024
000999042 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1354504763$$aRWTH Aachen$$b0$$kRWTH
000999042 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00172$$aRWTH Aachen$$b3$$kRWTH
000999042 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)682768$$aRWTH Aachen$$b1$$kRWTH
000999042 9201_ $$0I:(DE-82)532820_20140620$$k532820$$lLehr- und Forschungsgebiet Wissenschaftliches Rechnen in terrestrischen Systemen (FZ Jülich)$$x0
000999042 9201_ $$0I:(DE-82)530000_20140620$$k530000$$lFachgruppe für Geowissenschaften und Geographie$$x1
000999042 961__ $$c2025-02-28T14:44:37.210670$$x2024-12-11T14:48:20.140501$$z2025-02-28T14:44:37.210670
000999042 9801_ $$aFullTexts
000999042 980__ $$aI:(DE-82)530000_20140620
000999042 980__ $$aI:(DE-82)532820_20140620
000999042 980__ $$aUNRESTRICTED
000999042 980__ $$aVDB
000999042 980__ $$abook
000999042 980__ $$aphd