Una delle principali sfide della modellistica idrologica a larga scala è la stima di parametri distribuiti che presentino una coerenza dal punto di vista spaziale, la quale si esplica in una robusta relazione funzionale con le caratteristiche climatiche e geomorfologiche del territorio in esame, qui definite descrittori di bacino. Questo studia presenta un approccio di machine learning denominato PArameter Set Shuffling (PASS), in grado di fornire set di parametri regionali da dare in input al modello idrologico concettuale distribuito SALTO (The SAme Like The Others), per circa 80 bacini dell’Italia Nord-Occidentale. Il metodo non richiede nessuna assunzione a priori sulla relazione tra i descrittori di bacino e i parametri del modello, ma deriva una o più possibili relazioni da pattern osservati di descrittori e parametri calibrati sui singoli bacini. L’applicazione ai dati italiani dimostra che la performance dei set di parametri calibrati regionalmente è consistente con quella dei parametri calibrati localmente e con altri approcci modellistici che utilizzano la calibrazione regionale, fornendo quindi un utile strumento per la modellistica anche in siti non strumentati. Inoltre, si tratta di una metodologia flessibile che può essere impiegata con svariati dataset e modelli idrologici distribuiti per la stima dei parametri. L’intera procedura applicata al caso studio, corredata dalla necessaria documentazione per l’utilizzo con altri dati e modelli, sarà raccolta in un pacchetto R, disponibile a breve in Github. Questo permette la riproducibilità e trasferibilità degli esperimenti condotti con PASS.

Calibrazione regionale per modelli idrologici distribuiti: un’applicazione nell’Italia Nord-Occidentale / Pesce, Matteo; Viglione, Alberto; Hardenberg, Jost; Tarasova, Larisa; Basso, Stefano; Merz, Ralf. - ELETTRONICO. - (2022). (Intervento presentato al convegno 4° Congresso Nazionale AISAM tenutosi a Milano (ITA) nel 15-18 Febbraio 2022).

Calibrazione regionale per modelli idrologici distribuiti: un’applicazione nell’Italia Nord-Occidentale

Pesce, Matteo;Viglione, Alberto;Hardenberg, Jost;
2022

Abstract

Una delle principali sfide della modellistica idrologica a larga scala è la stima di parametri distribuiti che presentino una coerenza dal punto di vista spaziale, la quale si esplica in una robusta relazione funzionale con le caratteristiche climatiche e geomorfologiche del territorio in esame, qui definite descrittori di bacino. Questo studia presenta un approccio di machine learning denominato PArameter Set Shuffling (PASS), in grado di fornire set di parametri regionali da dare in input al modello idrologico concettuale distribuito SALTO (The SAme Like The Others), per circa 80 bacini dell’Italia Nord-Occidentale. Il metodo non richiede nessuna assunzione a priori sulla relazione tra i descrittori di bacino e i parametri del modello, ma deriva una o più possibili relazioni da pattern osservati di descrittori e parametri calibrati sui singoli bacini. L’applicazione ai dati italiani dimostra che la performance dei set di parametri calibrati regionalmente è consistente con quella dei parametri calibrati localmente e con altri approcci modellistici che utilizzano la calibrazione regionale, fornendo quindi un utile strumento per la modellistica anche in siti non strumentati. Inoltre, si tratta di una metodologia flessibile che può essere impiegata con svariati dataset e modelli idrologici distribuiti per la stima dei parametri. L’intera procedura applicata al caso studio, corredata dalla necessaria documentazione per l’utilizzo con altri dati e modelli, sarà raccolta in un pacchetto R, disponibile a breve in Github. Questo permette la riproducibilità e trasferibilità degli esperimenti condotti con PASS.
File in questo prodotto:
Non ci sono file associati a questo prodotto.
Pubblicazioni consigliate

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11583/2959594