{"id":5844,"date":"2026-03-31T09:25:41","date_gmt":"2026-03-31T09:25:41","guid":{"rendered":"https:\/\/dodo.proefschriftmaken.nl\/portfolio\/bart-van-osnabrugge\/"},"modified":"2026-03-31T09:25:47","modified_gmt":"2026-03-31T09:25:47","slug":"bart-van-osnabrugge","status":"publish","type":"us_portfolio","link":"https:\/\/dodo.proefschriftmaken.nl\/en\/portfolio\/bart-van-osnabrugge\/","title":{"rendered":"Bart Van Osnabrugge"},"content":{"rendered":"","protected":false},"excerpt":{"rendered":"","protected":false},"author":8,"featured_media":5845,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"us_portfolio_category":[45],"class_list":["post-5844","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","us_portfolio_category-new-template"],"acf":{"main_text":"","naam_van_het_proefschift":"Interpolate, Simulate, Assimilate","samenvatting":"Prognoses (forecasts) van hydrologische variabelen zijn een bruikbare en kosteffectieve manier om betere beslissingen te nemen omtrent watermanagement. Zulke hydrologi-sche verwachtingen worden gemaakt aan de hand van een serie van verschillende com-ponenten die samen moeten werken om een voorspelling te cre\u00ebren. Onderdeel van deze trein aan modellen is het hydrologische model. Op het gebied van hydrologisch model-leren wordt er steeds meer gewerkt met ruimtelijk gedistribueerde modellen. Ook voor het operationele systeem voor afvoervoorspellingen voor de Rijn en de Maas, RWsOS Ri-vieren, worden zulke modellen op grid basis overwogen. Tegelijkertijd worden dergelijke hoge resolutie modellen ook gebruikt voor ensemble verwachtingen en gecombineerd met data-assimilatie methodes.\n\nDaarnaast is er nog een aantal specifieke randvoorwaarden waar rekening mee gehouden moet worden wanneer het gaat om operationele hydrologische voorspellingen:\n\u2022 Onmiddelijke beschikbaarheid van de benodigde datastromen;\n\u2022 De systemen zijn continu in gebruik;\n\u2022 De beschikbare verwerkingstijd is beperkt;\n\u2022 Beslissingen moeten worden genomen op basis van onzekere verwachtingen.\n\nDe combinatie van ruimtelijk expliciete modellen en het gebruik van ensembles en data-assimilatie leidt tot nieuwe uitdagingen, vooral in combinatie met de specifieke rand-voorwaarden behorende bij operationele voorspellingen. In dit proefschrift wordt een aantal van deze operationele aspecten, ofwel de uitdagingen die ontstaan op het raakvlak tussen bestaande theorie en de genoemde randvoorwaarden, onderzocht.\n\nIn Hoofdstuk 3 wordt neerslaginterpolatie onder de loep genomen in het geval van be-perkte near-real time beschikbaarheid van neerslaggegevens. Specifiek wordt onderzocht hoe een betrouwbare ruimtelijke verdeling van de neerslag kan worden bepaald op ba-sis van een beperkte dataset die in near-real time beschikbaar is. Dit wordt gedaan op basis van klimatologische neerslagverdelingen die zijn afgeleid van een grotere, niet in real-time beschikbare, dataset. De resultaten laten zien dat de geteste genRE methode succesvol informatie gebruikt over de ruimtelijk verdeling van de neerslag uit de klima-tologische neerslagkaarten en zo de ruimtelijke interpolatie verbetert.\n\nHoofdstuk 4 kijkt naar het effect dat verschillende potenti\u00eble verdampingsproducten (PET) hebben op de hydrogische voorspelling. Het operationele aspect dat hiermee wordt on-derzocht is de keuze tussen het gebruik van een PET klimatologie, gebaseerd op een lange tijdreeks van historische PET, en het uitrekenen van PET in near-real time op basis van actuele gegevens en weersverwachtingen. Op basis van een twintigjarige reforecast zijn skill scores uitgerekend voor beide gevallen. Hieruit blijkt dat er voor een tiendaagse voorspelling nauwelijks verschil is tussen de twee methodes.\n\nHoofdstuk 5 beschrijft een methode om het hydrologische wflow_sbm model te para-meterizeren op basis van pedotransferfuncties uit de literatuur en publiekelijk beschik-bare ruimtelijke gegevens zoals bodemeigenschappen. De modelparameters worden geschaald van de hoogste dataresolutie naar verschillende lagere resoluties waarop de modelberekeningen worden uitgevoerd. De resultaten laten zien dat de voorgestelde methode zorgt voor redelijk tot goede prestaties op het gebied van het voorspellen van afvoeren. Ook blijven de hydrologische fluxen, zoals verdamping, behouden wanneer er wordt gewisseld tussen verschillende ruimtelijke modelresoluties. Deze schaalbaarheid en het feit dat bij deze methode niet gekalibreerd wordt, zijn eigenschappen die voordelig zijn in een operationele context.\n\nIn Hoofdstuk 6 wordt het Ensemble Kalman Filter (EnKF) gebruikt om te onderzoeken of het assimileren van waterstandsmetingen van de Zwitserse meren bijdraagt aan betere afvoervoorspellingen. De resultaten laten zien dat waterstandsmetingen van meren op deze manier kunnen bijdragen aan betere voorspellingen, maar dat het resultaat sterk afhangt van hoe goed de afvoeren van de meren worden gemodelleerd.\n\nHoofdstuk 7 gebruikt het Asynchrone Ensemble Kalman Filter (AEnKF) om afvoermetingen te assimileren in het gedistribueerde model voor de Rijn op het niveau van deelstroomge-bieden. De data-assimilatie wordt vergeleken met de ARMA-nabewerkingsmethode. Re-sultaten laten zien dat ARMA zeer goede resultaten geeft voor de eerste twee dagen van de verwachting, maar dat data-assimilatie meer consistente verbeteringen geeft voor langere tijd vooruit.\n\nNaast de wetenschappelijke relevantie op het gebied van operationeel voorspellen van afvoeren, geven de resultaten uit deze hoofdstukken ook aanleiding tot specifieke ad-viezen over het verbeteren van hydrologische prognoses voor het Rijnstroomgebied. Het wordt aangeraden om:\n\u2022 de methodes die gebruikt zijn in dit proefschrift over te nemen en om daarvan een continu geactualiseerde database bij te houden samen met (een selectie van) alle andere data die binnenkomt in het operationele systeem;\n\u2022 de data-assimilatie toe te passen zoals gebruikt in Hoofdstuk 7, met de kantteke-ning dat de gebruikte implementatie nog verder geoptimaliseerd kan worden voor de verschillende deelstroomgebieden;\n\u2022 verdere ontwikkelingen aan het hydrologische model te baseren op de hydrologi-sche modelleeromgeving wflow, op basis van de visie \u2018kies eerst een framework, en dan pas een concept;\u2019\n\u2022 te investeren in een workflow voor automatische benchmarking van resultaten voor validatie en om verdere ontwikkelingen te bevorderen.\n\nDit advies past in een bredere visie op hoe state-of-the-art systemen voor hydrologische voorspellingen er uit zullen zien in de toekomst. Toekomstige systemen:\n\u2022 zijn modulair qua opzet, met uitwisselbare componenten;\n\u2022 hanteren ge\u00efntegreerde methodes om de onzekerheid van voorspellingen te bepalen, in combinatie met gekoppelde hydrologische, meteorologische en ecologische mo-dellen;\n\u2022 houden rekening met de gebruiker als integraal onderdeel van het systeem en wor-den ook sociale aspecten meegenomen in het voorspellingsproces;\n\u2022 kenmerken zich door vergevorderde integratie van verschillende bronnen van in-formatie die elkaar aanvullen;\n\u2022 zijn multi-inzetbaar en leveren gegevens aan een breed spectrum van eindgebruik-ers;\n\u2022 zijn zelfverbeterend door middel van standaard benchmarking en continue verbe-teringsprocessen;\n\u2022 worden beheerd en ge\u00ebxploiteerd door consortia die gezamenlijk de nodige ex-pertise en middelen hebben voor zulke geavanceerde systemen.","summary":"Hydrological forecasts are a useful and cost-effective tool to aid decision making. Hydro-logical forecasts are based on a set-up consisting of several model and data components, which need to be integrated for an effective forecast. Part of this model train is the hydrological model. Regarding hydrological models, there is a current trend to move towards high-resolution spatially distributed gridded models, both in the wider literature and in the specific case of the forecasting system RWsOS Rivers of Rijkswaterstaat. Concurrently, the forecasting models are used for ensemble forecasts and are further improved with data assimilation techniques.\n\nA number of constraints particular to the operational forecasting chain are identified:\n\u2022 Near real-time availability of data;\n\u2022 Continuous operation;\n\u2022 Processing time;\n\u2022 Desicion making under uncertainty.\n\nThe combination of the movement towards gridded models, ensemble forecasts and the inclusion of data assimilation leads to new challenges, conceptually, but even more so when intersected with operational practice. The challenges that arise on the intersection of hydrological science disciplines and the constraints above are called in this thesis operational aspects.\n\nThe thesis consists of five research chapters that each contribute original research on op-erational aspects of hydrological forecasts, with the Rhine basin as case study.\n\nIn Chapter 3, the operational aspect studied was precipitation interpolation under the constraint of limited data availability. Specifically, limited network density of hourly real-time reporting gauges and the constraint of reliability in the sense that any interpolation method should also work in case of missing data. Collected rain gauge data were spa-tially interpolated using the genRE method, which uses climatological grids to inform the interpolation about the spatial distribution of precipitation. It was shown that im-proved hourly interpolation results could be obtained with the operational interpolation method by using climatological grids which were derived from non-operationally avail-able daily data with a higher quality and quantity, thereby successfully using non real-time data to enhance the information available in real-time.\n\nThe subject of Chapter 4 was the treatment of potential evaporation (PET) in hydro-log-ical forecasting. The operational aspect that was studied was the choice between using average PET climatology based on a long time series of offline data, or the use of near real-time available data to calculate PET in near real-time, including calculating PET from forecast data for use in hydrological forecasts. A 20-year reforecast was done and the re-sulting skill scores with online and offline PET data were compared. It was shown that for our case there was a negligible difference in discharge forecast skill between using the offline or online PET data for forecasts up to 10 days.\n\nChapter 5 reported the set-up of the wflow_sbm model concept without calibration. Pa-rameters for the model were derived based on pedotransfer functions found in literature and open access spatial data, such as soil properties. The model parameters were subse-quently scaled from the highest data resolution to several coarser model resolutions. It was shown that this resulted in adequate modelling results of discharge throughout the Rhine basin, as well as flux conservation between modelling on different spatial scales. The scalability and uncalibrated properties of the model fit the use in an operational con-text very well.\n\nLast, Chapters 6 and 7 showed the results of two experiments with state updating. Chap-ter 6 employed the Ensemble Kalman Filter (EnKF) to investigate if measured lake water levels could be used to improve downstream discharge forecasts. The results showed that indeed state updating with lake level measurements can aid in making discharge fore-casts, but that the robustness of this state updating is highly dependent on the quality of the lake modelling.\n\nChapter 7 applied the Asynchronous Ensemble Kalman Filter (AEnKF) to assimilate dis-charge into the gridded hydrological model at the subbasin level. The results of the as-similation were compared with ARMA postprocessing. It was shown that the ARMA cor-rection was very strong for the first two days, but that the AEnKF provided more consistent improvements for longer lead times.\n\nBased on these results, specific advice is given to improve the forecasting system for the Rhine. It is recommended to:\n\u2022 Apply the methods used in this thesis for the spatial preprocessing of the forcing data and to keep an up-to-date database containing all the data that is needed for a reforecast analysis;\n\u2022 Implement the data assimilation set-up as used in Chapter 7, with the annotation that this method can be further optimized for individual subbasins;\n\u2022 Make the decision to base further developments in the hydrological model on the wflow model framework, under the vision of \u2018choose a modelling framework first, and hydrological model concept later\u2019;\n\u2022 Invest in the set-up of an automated benchmarking system.\n\nThis advice fits in a broader picture on the future of state-of-the-art forecasting systems. Such forecasting systems are likely to:\n\u2022 Be modular in set-up with interchangeable components;\n\u2022 Have integrated uncertainty estimation, with coupled models of hydrology, mete-orology and other environmental models;\n\u2022 Include the user as integral part of the forecasting chain and include social ele-ments in the forecast;\n\u2022 Apply improved integration of commensurable data sources throughout and up-and-down the forecasting chain;\n\u2022 Be multi-purpose and cater to a wide range of clients with different needs;\n\u2022 Be automated learning systems that utilize standard benchmarks to continuously improve modelling;\n\u2022 Be operated by consortia of parties that have the necessary expertise and resources.","auteur":"Bart Van Osnabrugge","auteur_slug":"bart-van-osnabrugge","publicatiedatum":"12 mei 2020","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/bartvanosnabrugge?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/e2ed3ba9-54d9-4a2e-a98b-3a3dad7ba6f2\/optimized","url_epub":"","ordernummer":"FTP-202603310920","isbn":"978-94-6395-301-6","doi_nummer":"","naam_universiteit":"Wageningen University","afbeeldingen":5846,"video_url":"","podcast_url":"","naam_student:":"","binnenwerk":"","universiteit":"Wageningen University","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/5844","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/comments?post=5844"}],"version-history":[{"count":1,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/5844\/revisions"}],"predecessor-version":[{"id":5847,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/5844\/revisions\/5847"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/5845"}],"wp:attachment":[{"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=5844"}],"wp:term":[{"taxonomy":"us_portfolio_category","embeddable":true,"href":"https:\/\/dodo.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio_category?post=5844"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}