Data assimilation using the ensemble Kalman filter in a distributed hydrological model on the Tocantins river, Brasil

Abstract

Neste trabalho, o método de assimilação de dados por filtro de Kalman por conjunto (EnKF) é aplicado na bacia do rio Tocantins. Esse método atualiza as vazões do rio usando um modelo hidrológico distribuído. O desempenho de EnKF é também comparado com um método de assimilação empírico a intervalos de tempo horário, onde duas aplicações baseadas em transferência de informação de locais monitorados para não monitorados e previsão de vazão em tempo real são avaliadas. Na primeira aplicação, ambos os métodos de assimilação de dado conseguem transferir vazões a outros locais não monitorados, obtendo melhores resultados quando mais de uma estação localizada a montante ou a jusante da bacia são monitoradas. Na segunda aplicação, a integração de um modelo de previsão com EnKF consegue absorver os erros no início da previsão. Dessa forma, uma maior eficiência no índice de Nash-Sutcliffe para as primeiras 144 horas de antecedência é encontrada quando se compara com os resultados do modelo sem assimilação. Finalmente, a comparação entre os métodos de assimilação de dados no modelo de previsão mostra uma maior vantagem a favor de EnKF em maiores horizontes de previsão.

In this work, the data assimilation method namely ensemble Kalman filter (EnKF) is applied to the Tocantins River basin. This method assimilates streamflow results by using a distributed hydrological model. The performance of the EnKF is also compared with an empirical assimilation method for hourly time intervals, in which two applications based on information transfer from gauged to ungauged sites and real time streamflow forecasting are assessed. In the first application, both assimilation methods are able to transfer streamflow to ungauged sites, obtaining better results when more than one station located upstream or downstream of the basin are gauged. In the second application, integration of a real time forecast model with EnKF is able to absorb errors at the beginning of the forecast. Therefore, a greater efficiency in the Nash-Sutcliffe index for the first 144 hours in advance in relation to its counterpart without assimilation is obtained. Finally, a comparison between both data assimilation methods shows a greater advantage for the EnKF in long lead times.