Data model integratie ten behoeve van het zoutbeheer. Rapport MS Meetstrategie 2000+

Data model integratie ten behoeve van het zoutbeheer Rapport MS2000+.97.09

Me

+ 0 0 0 2 e i g e t a r t s t e

Data model integratie ten behoeve van het zoutbeheer Een advies over de technische haalbaarheid

Rapport MS2000+.97.09 Prof. A.W. Heemink datum versie

21-08-97 1.0

Ministerie van Verkeer en Waterstaat Directoraat-Generaal Rijkswaterstaat Meetstrategie 2000+ in samenwerking met SIMONA

Meetstrategie 2000+

Colofon Uitgave : Programmabureau Meetstrategie 2000+ Rijkswaterstaat Rijksinstituut voor Kust en Zee/RIKZ Postbus 20907 2500 EX Den Haag Telefoon: 070-3114241 Telefax: 070-3114321 E-mail: [email protected] Omslag : Gerard Bik, BNO

Data model integratie ten behoeve van het zoutbeheer

3

Meetstrategie 2000+

Inhoudsopgave

Voorwoord

5

1. Inleiding 1.1. Achtergrond 1.2. Uitgangspunten 1.3. Leeswijzer

7 7 7 7

2. Data model integratie 2.1. Basis principes 2.2. Technieken 2.2.1. Inleiding 2.2.2. De adjoint methode 2.2.3. Kalman filtering 2.2.4. Voor- en nadelen

9 9 9 9 9 10 11

3. Data model integratie ten behoeve van het zoutbeheer 3.1. Inleiding 3.2. Een implementatie op basis van de adjoint methode 3.3. Een implementatie op basis van Kalman filtering 3.4. Risico's

12 12 12 14 14

4. Naar een operationeel zoutmonitoringssysteem

16

Referentie

18


4

Meetstrategie 2000+

Voorwoord Zoutbeheersing is een belangrijke taak voor Directie IJsselmeergebied van Rijkswaterstaat. Was dit na de afsluiting van de Zuiderzee met name gericht op het monitoren van het proces van zout naar zoet water, in de jaren zeventig en tachtig was de aandacht vooral gericht op de effecten van de lozingen door de kalimijnen in Noord-Frankrijk. Ook in de jaren negentig heeft het zoutgehalte van het IJsselmeer in de (politieke) belangstelling gestaan. Een wijziging in het bemalingsregime in de Flevopolders, met een verhoging van de zoutbelasting in het IJsselmeer tot gevolg, stuitte op bezwaren vanuit de drinkwatervoorziening. Het monitoren van zout heeft ook zo zijn ontwikkeling gehad. Eerst waren daar de bekende zouttochten. In een week tijd werd het IJsselmeergebied zigzaggend bemonsterd. Vanuit kostenoverwegingen is men daarna overgegaan op een meetprogramma, waarbij op een groot aantal plaatsen aan de oever van het meergebied handmatig monsters werden genomen. Door de technologische mogelijkheden staat nu het automatiseren van het meetnet op de rol. Een gevolg van deze ontwikkeling lijkt dat de informatiedichtheid is afgenomen. Op basis van de zouttochten werd vroeger een zogenaamde ruimtelijk isohaline plaat gemaakt. Door over te gaan op puntmetingen (aan de randen van het gebied) is het maken van deze ruimtelijk beelden schijnbaar verloren gegaan. Wellicht is deze informatievorm ook niet meer gewenst. Technologisch is hier echter geen beperking voor. Met de komst van krachtige computers en steeds beter wordende simulatie modellen kan het ruimtelijk isohaline beeld gereconstrueerd worden. Het gebruik van modellen is bij de “natte” waterstaat dagelijkse praktijk geworden. Ook het gebruik ervan in monitoringkaders kent enkele belangrijke toepassingen op het gebied van veiligheid en scheepvaartbegeleiding. Technologische ontwikkelingen rond het thema dataassimilatie, het integreren van meetgegevens met modellen, geven mogelijkheden tot verdere innovatie in de meetsector en in het bijzonder ten aanzien van zoutbeheersing. Hiervoor is nodig de beschikbaarheid van (reken)modellen die gebruiksklaar zijn (operationeel) en zich bewezen hebben (proven technology). Innovatie van de meetsector is de missie van het programma Meetstrategie 2000+. Het operationaliseren van (reken)modellen is het doel van het SIMONA-project. Aan prof. A.W. Heemink van de Technische Universiteit te Delft, deskundige op het gebied van data-assimilatie en met ruime ervaring in de RWS-praktijk, is een technisch advies gevraagd over mogelijkheden en risico’s van data-assimilatie voor het zoutbeheer in het IJsselmeergebied, uitgaande van proven technology. In dit rapport vindt u zijn antwoord. Hoewel het advies zich richt op de situatie bij Directie IJsselmeergebied, denken wij dat het gebruik van data-


5

Meetstrategie 2000+

assimilatietechnieken voor waterkwaliteitsbeheer voor meerdere beheersdirecties interessant kan zijn. P.A. Blokland J. v.d. Linden Programmabureau Meetstrategie 2000+ Projectgroep SIMONA


6

Meetstrategie 2000+

1.

Inleiding

1.1.

Achtergrond

Bij Directie IJsselmeergebied van de Rijkswaterstaat wordt op het ogenblik een meetnetinfrastructuur opgebouwd ten behoeve van het monitoren van de zoutconcentratie in het IJsselmeer. Metingen alleen geven echter geen compleet ruimtelijk en temporeel beeld van de zoutconcentratie. Bovendien is het niet goed mogelijk om uitsluitend op basis van de meetgegevens nauwkeurige voorspellingen te berekenen. Daarom zal in dit advies worden besproken in hoeverre het mogelijk is modellen in te zetten bij het monitoren en voorspellen van de zoutconcentratie in het IJsselmeer. Modellen leveren immers informatie over de concentratie die voldoet aan elementaire natuurwetten als de wet van behoud van massa. Modelinformatie is daarmee ruimtelijk en temporeel consistent en complementair aan de beschikbare meetinformatie. Daarnaast is het mogelijk om met een model het proces op on-line basis te voorspellen.

1.2.

Uitgangspunten

Voor het zinvol integreren van data en modellen, ook wel data assimilatie genoemd, is het van belang dat er goede modellen beschikbaar zien die ook daadwerkelijk in staat zijn het ruimtelijke beeld van de zoutconcentratie te reconstrueren. Een uitgangspunt van dit advies is dan ook dat het bestaande WAQUA zoutmodel voor het IJsselmeergebied hieraan voldoet en inzetbaar is (Oosterberg, 1993). Daarnaast wordt er bij dit advies van uit gegaan dat er gebruik zal worden gemaakt van de bestaande RWS programmatuur en dat eventuele aanpassingen van de programmatuur in het SIMONA systeem van RWS zullen worden geimplementeerd. Ten slotte worden er in dit advies alleen technieken in beschouwing genomen die hun waarde inmiddels hebben bewezen (proven technology).

1.3.

Leeswijzer

In dit advies wordt eerst in sectie 2 een kort overzicht gegeven over de basis principes van data model integratie en over de verschillende technieken voor het integreren van data en modelresultaten. Vervolgens worden er in sectie 3 twee mogelijke implementaties van een monitoringssysteem op basis van data model integratie besproken. Hierbij worden voor- en nadelen en de risico's geinventariseerd. Ten slotte wordt in sectie 4 een route voorgesteld om te komen tot een operationeel monitoringssysteem ten behoeve van de zoutconcentratie in het IJsselmeer. Als in dit advies over een model wordt gesproken dan is dit een gebiedsmodel: Een modelconcept waarvan algemeen bruikbare software beschikbaar is (in dit geval een transport


7

Meetstrategie 2000+

model) en dat is toegepast op een bepaald gebied (het IJsselmeer).


8

Meetstrategie 2000+

2.

Data model integratie

2.1.

Basis principes

Bij het toepassen van data model integratie wordt een afweging gemaakt tussen twee soorten informatie die van een proces beschikbaar zijn: Modelinformatie en meetinformatie. Metingen worden gebruikt om modelfouten te corrigeren. De modelinformatie wordt gebruikt om de metingen aan te vullen en te corrigeren. Ook metingen zijn immers nooit perfect. Het incorporeren van metingen in een numeriek model is verre van eenvoudig. Dit moet zeer zorgvuldig gebeuren anders raakt het model na een paar correcties volledig van slag en soms zelfs instabiel. De modelresultaten zijn dan nog veel slechter dan ze zonder correcties zouden zijn geweest. Goede data model integratie technieken kenmerken zich door een twee staps procedure: Stap 1: Specifikatie van de zwakke punten in het model door model deskundigen. Dit kunnen onzekere parameters als de diffusiecoëfficient zijn, of bijvoorbeeld de randvoorwaarden of onbekende emissies. Stap 2: Verbetering van deze zwakke plekken in het model gebruik makend van de beschikbare meetgegevens. Dit wordt automatisch door de computer uitgevoerd. Voordeel van deze aanpak is de metingen alleen worden gebruikt om de zwakke plekken in het model aan te passen. Het goede in het model blijft behouden en kan niet door de metingen worden beinvloed. Op deze wijze kunnen ook instabiliteiten in het model worden voorkomen.

2.2.

Technieken

2.2.1.

Inleiding

Er zijn ruwweg twee klassen van technieken om data assimilatieproblemen aan te pakken: De adjoint methode en Kalman filtering. De eerste aanpak wordt vooral veel gebruikt voor het calibreren van een model. Filtering technieken zijn met name geschikt voor on-line monitorings- en voorspelsystemen.

2.2.2.

De adjoint methode

Bij het toepassen van de adjoint methode worden eerst de te schatten modelparameters gekozen. Dit is stap 1 uit sectie 2.1. Er kunnen veel onbekende parameters zijn omdat sommige fysische parameters ruimteafhankelijk zijn en daardoor in ieder roosterpunt een andere waarde kunnen hebben. Het totaal aantal parameters dat zinvol geschat kan worden hangt af van de beschikbare meetgegevens. In stap 2 worden deze parameters automatisch zo ingesteld dat de modelresultaten


9

Meetstrategie 2000+

optimaal overeenkomen met de beschikbare meetgegevens. Hierbij moet dan wel worden gedefinieerd wat optimaal is. Dit geschiedt via de introductie van een criterium als maat voor het verschil tussen de metingen en de modelberekening bij een bepaalde keuze van parameters. De parameterwaarden zijn optimaal als het criterium minimaal is. Bij het oplossen van dit minimalisatie proces worden de parameterwaarden nu stap voor stap verbeterd. Bij iedere stap wordt het model gesimuleerd voor een bepaalde instelling van de parameters, wordt het criterium geevalueerd en worden de parameters verder verbeterd. Bij enkele tientallen parameters is dit een zeer rekenintensief proces waar vele honderden modelsimulaties voor nodig zijn. Het rekenproces kan echter aanzienlijk versneld worden door het gebruik van het zogenaamde adjoint model. Dit is een model dat uit het gebruikte simulatie model kan worden afgeleid. Met behulp van dit adjoint model is het aantal benodigde modelsimulaties ook bij honderden onbekende parameters nog beperkt tot 30-50. In figuur 1 is het gebruik van de adjoint methode schematisch weergegeven. Metingen

Adjoint model

Rekenmodel Modelparameters Gebiedsbeschrijving

Modelresultaten

.

Figuur 1: de adjoint methode

2.2.3.

Kalman filtering

Bij het toepassen van Kalman filtering worden de zwakke plekken van het simulatiemodel en de meetfouten beide op statistische wijze beschreven. Dit is weer stap 1 uit sectie 2.1. Bij stap 2 van het data assimilatie proces wordt na ieder meting ook op statistische wijze een afweging gemaakt tussen de modelinformatie en de meetinformatie en wordt het modelresultaat vervolgens bijgesteld. Hierbij blijven de fysische wetmatigheden behouden. Het simulatiemodel wordt bij Kalman filtering maar een keer doorgerekend, terwijl bij iedere meting die beschikbaar is het modelresultaat optimaal wordt gecorrigeerd. In figuur 2 is het gebruik van Kalman filtering schematisch weergegeven.


10

Meetstrategie 2000+

Metingen

Kalman filter

Filterresultaat

Rekenmodel Modelparameters Gebiedsbeschrijving

Modelresultaten

.

Figuur 2: Kalman filtering

2.2.4.

Voor- en nadelen

Beide data assimilatie technieken zijn zeer rekenintensief. Bij de adjoint methode zijn een groot aantal modelsimulaties nodig, bij Kalman filtering zijn er veel berekeningen nodig om een aangepast modelresultaat uit te rekenen. Dit stelt, afhankelijk van de grootte van het gebruikte simulatie model, zekere eisen aan de benodigde hardware. Een zeer belangrijk verschil tussen de twee aanpakken is dat de adjoint methode modelafhankelijk is en Kalman filtering niet. Dat betekent dat er voor ieder nieuw model concept, zoals een bepaald transport model, een nieuw adjoint model moet worden geimplementeerd. Dit is een zeer arbeidsintensief proces. Bovendien neemt de complexiteit van de software sterk toe zodat het beheer en onderhoud van het systeem nadelig beinvloed wordt. Ten slotte heeft deze modelafhankelijkheid tot gevolg dat als het model concept verandert, ook het adjoint model moet worden aangepast. Dit geldt niet als bijvoorbeeld alleen de geometrie of de randvoorwaarden veranderen, maar kan echter wel een belangrijke rol spelen als er een andere numerieke implementatie van het 2D transport model gebruikt gaat worden, of als er in de toekomst een 3D zoutmodel van het IJsselmeer beschikbaar komt. Kalman filtering is modelonafhankelijk zodat bestaande programmatuur ingezet kan worden. Deze programmatuur hoeft alleen maar gekoppeld te worden aan het nieuwe model. Hoewel beide methoden hetzelfde beogen, en voor sommige relatief eenvoudige problemen ook precies hetzelfde resultaat produceren, heeft de ervaring tot dusver geleerd dat Kalman filtering vooral geschikt is voor on-line toepassingen waarbij ruimtelijke patronen routinematig en automatisch moeten worden gereconstrueerd en voorspeld. De adjoint methode is juist erg geschikt voor off-line modelcalibratie problemen waarbij een aantal lange tijdreeksen worden gebruikt om het model gedetailleerd af te regelen. Dit zijn toepassingen die slechts incidenteel hoeven worden uitgevooerd. De adjoint methode kan ook worden ingezet voor on-line data assimilatieproblemen. In het waterbeheer zijn hier echter tot dusver weinig toepassingen van gerealiseerd.


11

Meetstrategie 2000+

3.


3.1.

Inleiding

Er is inmiddels bij RIKZ veel ervaring met data assimilatie toepassingen op hydrodynamische modellen. Kalman filtering wordt o.a. gebruikt bij het berekenen van on-line stormvloedvoorspellingen. De adjoint methode is inmiddels een veelgebruikt tool om hydrodynamische modellen gedetailleerd af te regelen. Deze ervaring is van groot belang voor het toepassen van deze technieken t.b.v. het monitoren en voorspellen van de zoutconcentratie in het IJsselmeer. Er zijn nog erg weinig toepassingen van data assimilatie bij het transport van opgeloste stoffen in water. Wel is er onlangs een Kalman filter ontwikkeld voor het monitoren van methaan concentraties in de lucht. Behalve het reconstrueren van het ruimtelijke en temporele patroon van de methaan concentratie bleek het filter ook in staat om emissies te schatten uitgaande van de concentratie metingen. Het filter is inmiddels bij het RIVM in gebruik.

3.2.

Een implementatie op basis van de adjoint methode.

De kern van de ontwikkeling van adjoint methode ten behoeve van het schatten van zoutconcentraties is de implementatie van het adjoint zouttransport model. Dit is zoals reeds eerder vermeld zeer arbeidsintensief. Hoewel de recent op de markt verschenen adjoint compilers wellicht het werk iets kunnen vereenvoudigen, moet hier inclusief het testwerk op 1.0 mensjaar werk worden gerekend. Vervolgens dient er op basis van concrete toepassingen ervaring te worden opgebouwd welke parameters er geschat moeten worden en wat de voor deze toepassingen beste programmatuurinstelling is. Dit is ongeveer 0.5 mensjaar werk. Na afloop van deze werkzaamheden is er een calibratietool dat voor een groot aantal waterkwaliteitsproblemen toepasbaar is en ook inzetbaar is voor on-line toepassingen. Voor een calibratietool is een krachtige computer noodzakelijk, zowel wat betreft de rekensnelheid (er zijn in het totaal 30-50 modelsimulaties nodig) als wat betreft de beschikbare schijfruimte (de hele modelsimulatie moet bewaard kunnen worden). Echter doordat het beschikbare zoutmodel van het IJsselmeer een relatief klein model is, zal een modern workstation ruim voldoende zijn voor vrijwel alle calibratietoepassingen. Dit wordt nog versterkt door het feit dat er hier sprake is van off-line toepassingen waarbij de doorlooptijden van de toepassingen in de regel minder van belang zijn dan bij on-line toepassingen. Bij on-line toepassingen van de adjoint methode zijn de eisen wat minder zwaar doordat de simulatieperiode vaak korter


12

Meetstrategie 2000+

gekozen kan worden dan bij een off-line calibratietoepassing.


13

Meetstrategie 2000+

3.3.

Een implementatie op basis van Kalman filtering

Bij het ontwikkelen van een Kalman filter voor het schatten van de zoutconcentratie in het IJsselmeer kan de bestaande programmatuur voor het filteren van hydrodynamische modellen worden gebruikt. Deze is geimplementeerd in het SIMONA systeem. Wel dient deze programmatuur gekoppeld te worden met het transportmodel. Inclusief testwerk zal dit ongeveer 0.3 mensjaar werk zijn. Analoog aan de adjoint methode zal er vervolgens aan de hand van concrete toepassingen ervaring moeten worden opgebouwd met de methode. Dit is ongeveer 0.5 jaar werk. Voor Kalmanfilter toepassingen is ook een krachtige computer nodig. Dit geldt zowel voor de rekensnelheid (het model wordt met Kalman filter ongeveer 20-40 maal trager) als voor het intern geheugen (20-40 tijdstappen met modelresultaten moeten in het geheugen kunnen worden opgeslagen). Ook in dit geval geldt echter dat het IJsselmeer model relatief klein is zodat de meeste workstations tegenwoordig krachtig genoeg zullen zijn voor dergelijk toepassingen.

3.4.

Risico's

Een belangrijke aanname bij de bovenbeschreven data assimilatie toepassingen is dat de model fouten vooral veroorzaakt worden door het transportmodel zelf en niet door het hydrodynamische model dat de watersnelheden berekent. Door deze aanname kan het zouttransport model ontkoppeld worden van het hydrodynamische model bij het assimileren van de meetgegevens. Het resulterende assimilatie probleem is dan relatief eenvoudig (proven technology). Als echter de fouten in het transportmodel vooral het gevolg zijn van fouten in de watersnelheden zoals berekend door het hydrodynamische model (bijvoorbeeld door een foutieve meteorologische invoer), dan zal de voorgestelde aanpak minder goed werken. In dit geval dient voor het assimilatie probleem het hydrodynamische model en het transport model als een totaal model te worden beschouwd en worden concentratie metingen vooral gebruikt om de zwakke plekken in het hydrodynamische model te verbeteren. Deze aanpak is zeker realiseerbaar, maar niet eenvoudig (geen proven technology) en valt buiten het kader van dit advies. Door het niet lineaire karakter van dit data assimilatie probleem lijkt de adjoint methode in dit geval de meest geschikte aanpak. Een risico dat alleen bij Kalman filtering optreedt, is dat het niet op voorhand kan worden uitgesloten dat er negatieve concentraties bij het reconstrueren van de zoutpatronen ontstaan. Dit risico is verwaarloosbaar als er een voldoende grote achtergrondconcentratie aanwezig is. De modelresultaten zoals beschreven in het rapport van Oosterberg (1993) geven geen reden tot ongerustheid. Eventueel kan ook een logaritmische transformatie hier uitkomst bieden.


14

Meetstrategie 2000+


15

Meetstrategie 2000+

4.

Naar een operationeel zoutmonitoringssysteem

Voor het ontwikkelen van een on-line monitorings- en voorspelsysteem zijn een goed gecalibreerd model en een online data assimilatie techniek beide noodzakelijk. Gezien het feit dat er een gevalideerd zoutmodel van het IJsselmeer beschikbaar is, zal de nadruk in eerste instantie liggen op het ontwikkelen van een on-line data assimilatie techniek. Kalman filtering ligt hierbij voor de hand, met name door de eenvoud van de implementatie en de modelonafhankelijkheid. Daarom wordt er voorgesteld om te starten met de uitvoering van: Fase 1: Ontwikkeling Kalman filter voor het zoutmodel IJsselmeer. Doel: Het inzicht krijgen in de impact van het gebruik van een model bij het monitoren en voorspellen van de zoutconcentratie in het IJsselmeer, het inzicht krijgen in het optreden van eventuele problemen bij de aanpak (zie de eerder genoemde risico's), en de ontwikkeling van de benodigde software. Inzet: Inclusief rapportage ongeveer 1.0 mensjaar. Als fase 1 positief wordt afgesloten kan, eventueel voorafgegaan door een voorstudie, gestart worden met: Fase 2a: Operationalisering Kalman filter. Doel: De implementatie van een volledig automatisch monitoringssysteem. Inzet: 0.5-2.0 mensjaar. Het operationaliseren is een proces waar vele mensen bij betrokken zijn. Het omvat de ontwikkeling van een automatisch productie lijn die de data routinematig aan het model systeem doorgeeft en de resultaten van het model visualiseert, het omvat de ontwikkeling van een data controle programma en het omvat het opbouwen van ervaring van de operateurs van het zoutinformatiesysteem met deze nieuwe methodiek. Van groot belang hierbij is de terugkoppeling van deze ervaring naar de ontwikkelaar van het systeem zodat dit eventueel aangepast en verbeterd kan worden. De operateurs van het informatiesysteem hoeven zelf geen deskundigheid te bezitten op het gebied van data model integratie. Wel is enige ervaring met het interpreteren van modelresultaten gewenst. In de eventuele voorstudie kan de operationaliseringsfase eerst in kaart worden gebracht om een nauwkeuriger inschatting van de benodigde inzet te kunnen maken. Het monitoringssysteem zal beter funktioneren als het gebruikte model nauwkeuriger is. Dat betekent dat het zinvol is om naast fase 2a een fase 2b uit te voeren: Fase 2b: Ontwikkeling calibratietool voor zoutmodellen Doel: De ontwikkeling van de benodigde software voor modelcalibratieproblemen bij zouttransport modellen (software ontwikkeling adjoint model), het opdoen van ervaring met dit


16

Meetstrategie 2000+

nieuwe tool, en het verkrijgen van een nauwkeuriger zoutmodel van het IJsselmeer. Inzet: Ongeveer 1.5 mensjaar. Als fase 2b voltooid is, is het mogelijk geworden om een onderzoek te starten naar een, waarschijnlijk nauwkeuriger, monitoringssysteem op basis van een geintegreerd hydrodynamisch en transport model gebruik makend van de adjoint methode. De belangrijkste ingredienten van een dergelijk systeem, het adjoint model van het hydrodynamische model (is al in gebruik) en het adjoint model van het transport model (ontwikkeld in het kader van fase 2b), zijn dan beschikbaar. Zoals reeds eerder opgemerkt is de ontwikkeling van een dergelijk systeem echter geen proven technology en valt derhalve buiten het kader van dit advies.


17

Meetstrategie 2000+

Referentie

Zoutmodellering IJsselmeer met behulp van WAQUA, W. Oosterberg, RWS, Directie Flevoland, 1993-15 LIO (intern rapport).


18

Data model integratie ten behoeve van het zoutbeheer. Rapport MS Meetstrategie 2000+

Recommend Documents