Realtidsvarsling og vandtilbageholdelse i Grejs Å
Oversat titel
Real-Time Flood Forecasting and Water Retention in Grejs Å
Forfattere
Nielsen, Peter Baade ; Neilson, Gordon Skarnvad
Semester
4. semester
Uddannelse
Udgivelsesår
2026
Resumé
Dette kandidatspeciale undersøger, hvordan realtids-hydrologiske data kan anvendes til både varsling af kritiske afstrømningssituationer og vurdering af hydrauliske effekter af vandtilbageholdende tiltag i Grejs Å-oplandet ved Vejle. Med udgangspunkt i målinger af nedbør, vandføring, vandstand og jordfugtighed (VWC) analyseres oplandets hydrologiske respons, herunder betydningen af stejlt terræn, korte koncentrationstider og forudgående vandmætning ved ekstreme hændelser. Der udvikles datadrevne machine learning-modeller baseret på neurale netværk, som beskriver og forudsiger vandføringen ud fra historiske observationer; her viser resultaterne, at især nedbør og oplandets vådhedstilstand styrer afstrømningen. Inklusion af VWC-data forbedrer modellernes evne til at genskabe ekstreme hændelser og spidser i vandføringen, mens modeller uden VWC generelt er mere stabile over længere perioder. Ved at koble modellerne med numeriske nedbørsprognoser (NWP) demonstreres mulighed for operationel varsling af vandføring op til 48 timer frem, dog med en tydelig afhængighed af kvaliteten af nedbørsprognoserne. For at opnå hydraulisk forståelse af vandtilbageholdelse gennemføres feltforsøg ved Fløjstrup reguleringsbygværk, hvor målinger af vandføring, opmagasinering og pulstransport bruges til at parameterisere en lineær reservoir-model. Denne konceptuelle model kalibreres og valideres for Grejs Å-oplandet og anvendes som screeningsværktøj til at vurdere effekten af forskellige vandtilbageholdende tiltag under ekstreme hændelser, herunder betydningen af både lagerkapacitet og timingen af, hvornår denne aktiveres. Samlet viser specialet, at kombinationen af realtidsobservationer, machine learning, nedbørsprognoser og hydrologisk modellering giver et robust grundlag for forbedret oversvømmelsesvarsling og planlægning af klimatilpasning i Grejs Å-oplandet og Vejle Midtby.
This thesis investigates how real-time hydrological data can be used both for flood forecasting and for evaluating the hydraulic effects of water retention measures in the Grejs Å catchment near the city of Vejle, Denmark. Based on measurements of precipitation, discharge, water level and soil moisture (VWC), the study analyses the catchment’s hydrological response, including the role of steep topography, short concentration times and antecedent wetness during extreme events. Data-driven machine learning models based on artificial neural networks are developed to describe and predict discharge from historical observations; the results show that precipitation and catchment wetness are the main controls on runoff generation. Including VWC data improves the representation of extreme runoff events and peak flows, while models without VWC provide more stable performance over longer time periods. By combining the models with numerical weather prediction (NWP) rainfall forecasts, the study demonstrates the potential for operational discharge forecasting up to 48 hours ahead, albeit with strong dependence on the quality of the precipitation forecasts. To build hydraulic understanding of water retention, field experiments are carried out at the Fløjstrup regulating structure, where measurements of flow, storage and pulse transport are used to parameterise a linear reservoir model. This conceptual model is calibrated and validated for the Grejs Å catchment and applied as a screening tool to assess the effectiveness of different water retention measures during extreme events, highlighting the importance of both storage volume and the timing of its activation. Overall, the thesis shows that combining real-time observations, machine learning, precipitation forecasts and hydrological modelling provides a robust framework for improved flood forecasting and climate adaptation planning in the Grejs Å catchment and the flood-prone urban area of Vejle.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet fuldtekst]