008240612s2023      us  |||||||||||||||c||eng  d
■001000016931783
■00520240214100117
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379711382
■035    ▼a(MiAaPQ)AAI30423039
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a628
■1001  ▼aBrodeur,  Zachary  Paul.▼0(orcid)0000-0001-5242-7696
■24510▼aHydro-Meteorological  Uncertainty  Quantification  for  Water  Resources  Planning  and  Management:  Advances  in  Synthetic  Forecasting  and  Stochastic  Watershed  Models▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCornell  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(233  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Steinschneider,  Scott.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aAccounting  for  hydro-meteorological  uncertainty  in  water  resources  systems  analysis  (WRSA)  is  fundamental  to  robust  system  design  and  operations.  As  water  resources  systems  become  more  stressed  due  to  factors  like  complex  human  population  demands  and  climate  change,  the  need  for  faithful  representation  of  this  uncertainty  is  increasingly  more  salient.  Going  forward,  the  challenge  of  adapting  these  systems  to  new  hydro-meteorological  regimes  further  underscores  the  importance  of  attempting  to  understand  and  model  emergent  properties  of  this  uncertainty.  Moreover,  the  continued  evolution  of  water  resources  management  and  planning  strategies  make  legacy  methods  of  hydro-meteorological  uncertainty  characterization  inadequate.  In  this  study,  we  develop  novel  methodologies  to  address  these  emerging  requirements  for  uncertainty  modeling  brought  about  both  by  new  adaptation  strategies  (e.g.  forecast  informed  operations)  and  the  need  to  address  anthropogenic  non-stationarity  in  hydro-meteorological  errors.  We  first  develop  a  modeling  approach  to  produce  synthetic  forecasts,  which  are  emulations  of  hindcasts  produced  by  computationally  demanding  meteorological  and  hydrological  forecast  models.  This  computational  demand  and  short  period  of  availability  (~1980  to  present)  severely  limit  the  utility  of  the  native  hindcasts  for  robust  system  analysis  and  design.  Synthetic  forecasts  can  be  generated  anywhere  observations  exist  with  manageable  computational  effort  allowing  for  a  much  richer  characterization  of  forecast  uncertainty.  We  extend  this  effort  to  hydrologic  ensemble  forecasts  that  underpin  current  efforts  to  implement  forecast  informed  reservoir  operations  (FIRO)  in  the  western  U.S.  Through  operational  testing  with  the  latest  FIRO  operations  model,  we  show  that  these  synthetic  forecasts  both  faithfully  replicate  operational  behaviors  of  the  original  hindcasts  and  elucidate  system  vulnerabilities.  Finally,  we  address emergent  properties  of  hydro-meteorological  uncertainty  through  an  idealized  'model-as-truth'  experimental  design  that  shows  the  effect  of  climate  shifts  on  hydrologic  uncertainty.  We  then  develop  a  hybrid  machine  learning-statistical  approach  that  can  capture  these  shifts  in  uncertainty  through  model  state  relationships  and  propagate  it  into  new  simulations  through  a  stochastic  watershed  model  (SWM)  architecture.  Overall,  the  methodological  advances  forwarded  in  this  work  provide  a  rich  suite  of  hydro-meteorological  uncertainty  modeling  tools  to  address  fundamental  challenges  in  the  critically  important  sphere  of  water  resources  systems  adaptation.
■590    ▼aSchool  code:  0058.
■650  4▼aEnvironmental  engineering.
■650  4▼aWater  resources  management.
■650  4▼aHydrologic  sciences.
■653    ▼aClimate  change
■653    ▼aForecast  informed  reservoir  operations
■653    ▼aHydrologic  uncertainty
■653    ▼aNon-stationarity
■653    ▼aStochastic  watershed  models
■653    ▼aSynthetic  forecasts
■690    ▼a0775
■690    ▼a0595
■690    ▼a0388
■71020▼aCornell  University▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931783▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024