4 Het model#
4.1 Instroom model#
Het model wat is gebruikt om de regenval en verdamping van het stroomgebied van de Suriname rivier te verhouden aan een instroom is zelf opgesteld. Het is gemaakt aan de hand van de volgende formule met de variabelen eronder in tabel 2;
[2]
Tabel 2: Parameters instroom model.
Variabelen |
Omschrijving |
|---|---|
\(Q_{\text{in}}\) |
afvoer van het stroomgebied in het meer [m^3/s] |
\(\Delta s/ \Delta h\) |
Opslagverandering van het meer [m^3/s] |
\(E\) |
Verdamping [m/s] |
\(A\) |
Oppervlakte meer [m^2] |
\(Q_{\text{uit}}\) |
afvoer uit het meer [m^3/s] |
De gemiddelde afvoer uit het meer is eerder vastgesteld op 200 m3/s en de verdamping van het meer is ERA5 forcing data van het stroomgebied. Om de opslagverandering van formule 2 te bepalen zijn volumegegevens van het meer nodig over langere periode. Voor deze volumegegevens zijn hoogtemetingen via een hoogte-volumeverhouding berekend. Deze verhouding is vastgesteld door Sterl et al als volgt (2020);
[3]
De dieptemetingen zijn verkregen via de openbare DAHITI database, ontwikkeld door het Duitse Geodetisch onderzoeksinstituut van de technische universiteit van München (DGFI-TUM, 2025). De oppervlakte metingen zijn vriendelijk verschaft door Kate Brauman, die ze zelf van de GRDC database heeft verkregen.
Het meest opvallende aan de uitkomst van dit model is dat de berekende uitstroom weinig datapunten heeft over een periode van 8 jaar. De diepte gegevens zijn bepaald met een gat van 5 of 21 dagen ertussen, met sommige uitschieters van 32 dagen. Dit is het geval omdat deze gegevens met satellieten verkregen zijn en deze over het meer vliegen eenmaal in de 5 of 21 dagen. De uitzonderingen zullen momenten zijn geweest waarop er geen duidelijk beeld beschikbaar was van het meer en een meting is overgeslagen. Het gevolg is dan dat ook de afvoer dezelfde gaten heeft tussen datapunten.
4.2 Bovenstrooms model#
Het bovenstrooms model is gemaakt aan de hand van de volgende formule met bijbehorende variabelen;
[3]
Tabel 3: Parameters bovenstrooms model met gevonden waardes na kalibratie.
Variabelen |
Omschrijving |
Waarde |
|---|---|---|
\(Q_{\text{pin}}\) |
Afvoer van het stroomgebied in het meer [m^3/s] |
|
\(Q_{\text{gw}}\) |
Opslagverandering van het meer [m^3/s] |
1,30978424 |
\(\alpha\) |
Afvoerconstante [-] |
0,39171679 |
\(P\) |
Neerslag [m/s] |
|
\(E\) |
Verdamping [m/s] |
|
\(A\) |
Oppervlakte stroomgebied [m^2] |
|
\(\beta\) |
Afvoerexponent [-] |
1,05045276 |
Deze formule neemt als input dagelijkse verdampings- neerslag waardes van het stroomgebied van ERA5 forcing en produceert hiermee een modelafvoer van de Surinamerivier.
De grondwater afvoer, ook wel baseflow genoemd, is aangenomen als een constante waarde. Hoewel deze mogelijk zal veranderen aan de hand van droge en natte seizoenen is dit niet naar voren gekomen in eerdere onderzoeken over de Surinamerivier.
4.3 Kalibratie modellen#
De kalibratie is gedaan aan de hand van de Root Mean Square Error (RMSE) test, Nash-Sutcliffe Efficiency (NSE) test en de log(NSE) test. Deze testen hebben de afvoer van het tweede model vergeleken met het eerste model en een score gegeven. Deze score geeft weer hoeveel de modellen verschillen en geeft een manier om ze te beoordelen.
Voor RMSE zijn de scores gerangschikt van hoog, het slechtst, naar laag, het best met 0 als perfecte score. NSE en log(NSE) hebben allebei een score van 1 als perfect en 0 als een waarde waarbij het model niet beter is dan een gemiddelde waarde aannemen voor de hele set. Een waarde dichterbij 1 zal dus een betere uitkomst geven dan in de buurt of zelfs onder 0.
De RMSE test is als volgt;
[4]
De NSE test is als volgt (Nash & Sutcliffe, 1970);
[5]
De log(NSE) test is als volgt (Nash & Sutcliffe, 1970);
[6]
De bijbehorende variabelen van de formules zijn zichtbaar in tabel 4;
Tabel 4: Variabelen RMSE, NSE en log(NSE) testen.
Variabelen |
Omschrijving |
|---|---|
\(Q_{o}^{t}\) |
Geobserveerde instroom, model 1 |
\(Q_{m}^{t}\) |
Gemodelleerde instroom, model 2 |
\(Q_{o}^{-}\) |
Gemiddelde geobserveerde instroom |
\(n\) |
Aantal vergeleken punten |
Voor het vinden van een goede set parameters is er gebruik gemaakt van de Latin Hypercube Sampling (LHS) methode in python. Deze methode geeft een random groep parameters binnen handmatig ingevoerde grenzen op een manier waarop zoveel mogelijk van de range gebruikt wordt van alle parameters.
De 3 testen zullen elk uitgevoerd worden op parameter set en geven elk de 10 beste scores en de bijbehorende parameters. Dit is een aantal keer uitgevoerd met steeds kleinere grenzen, tot een acceptabele set parameters werd gegenereerd. Deze parameter set is weergegeven in tabel 3.
Omdat model 1 afhankelijk is van de hoogtemetingen van het Brokopondo stuwmeer zijn deze beschikbaar voor ongeveer 2 keer in de maand in tegenstelling tot model 2 wat dagelijkse afvoerwaardes produceert. Dit zorgt ervoor dat er niet evenveel punten zijn om te vergelijken. Hiervoor zijn de standaard testen aangepast om gemiddelde waardes te nemen van model 2 tussen de tijdspunten van model 1 en deze te vergelijken met de eerstvolgende waarde van model 1. Dit zorgt voor mogelijke afwijkingen op specifieke momenten, maar het doel is om de kalibratie uit te voeren op basis van het volume van de afvoer van de Surinamerivier. De cumulatieve afvoer geeft de volumeverandering van het meer het beste weer.
De resultaten van de kalibraties zijn te zien in figuren 5 en 6, met respectievelijk de dagelijkse instroom en de cumulatieve instroom in het Brokopondo meer. In 2022 was er grote regenval gemeten terwijl de waterhoogte niet is gestegen volgens de metingen. Dit zorgt voor een afwijking in de modellen in dat jaar, maar de cumulatieve waardes in de jaren eromheen volgen elkaar wel correct.
