Evaluation of global-scale precipitation products using the DHI Global Hydrological Model

Abstract

Simulações de vazões de rios em escala global através de modelos hidrológicos estão sujeitas a diversos tipos de incertezas. Dessa forma, os dados de entrada de precipitação são os principais causadores de variabilidade nos resultados simulados. Por esse motivo, esse estudo focou em analisar a habilidade individual de produtos de precipitação em reproduzir as vazões de rios simuladas através do Modelo Hidrológico Global da DHI no território Brasileiro. Assim, o trabalho comparou os resultados de vazões simulados com os hidrogramas observados em todas as regiões hidrográficas Brasileiras. Os seguintes quatro produtos de precipitação em escala global foram analisados como forçantes do modelo: Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS), Global Precipitation Measurement (GPM) - Final and Late versions, e ERA5 reanalysis. Além disso, uma grade de precipitação observada foi utilizada. O estudo investigou a disponibilidade de dados de vazões de rios no no território Brasileiro. Por conseguinte, analisamos as séries temporais de vazão simuladas pelo Modelo Hidrológico Global da DHI forçado pelos diferentes produtos de precipitação. A capacidade do modelo hidrológico em reproduzir os fluxos nos rios, o quais funcionam como variáveis independentes do modelo para validação, determina a acurácia dos produtos de precipitação como forçantes do modelo. Nesse sentido, os coeficientes de eficiência do modelo incluem a avaliação do balanço hídrico: Erro Médio (ME) e Erro Médio Relativo (MRE), e também, o coeficiente de eficiência Kling-Gupa (KGE), e seus componentes: correlação linear (r), variabilidade do erro (Alfa), e o viés (Beta). O Modelo Hidrológico Global da DHI é uma versão distribuída do modelo chuva-vazão NAM, também chamado de RDII em Inglês (Rainfall Dependent Inflow and Infiltration model). Adicionalmente, o método Kinematic descreve o roteamento nos rios. Resultaods preliminares do modelo em países como Estados Unidos da América (EUA) e França foram classificados como razoáveis quando forçados com os produtos de precipitação CHIRPS e GPM. Os resultados do estudo mostraram que em termos de balanço hídrico (ME e MRE) e KGE, a grade observada é uma referência suficiente para avaliar os produtos globais de precipitação. Além disso, ERA5 apresentou resultados não esperados, uma vez que mostrou os melhores resultados simulados entre os produtos de precipitação (MEQ50%=95.02 mm e MREQ50%=23.66 %). Contudo, ERA5 apresentou o menor KGE calculado entre as simulações, à medida que apontou baixos coeficientes de correlação. Entre os produtos com dados de satélite/corrigidos com observações (CHIRPS e GPM Final), CHIRPS mostrou os melhores resultados (MEQ50% = 153.86 mm e MREQ50% = 40.16 %). De forma geral, o GPM Final apresenta melhora relevante quando corrigido pelas observações (GPM Late). Finalmente, em relação às regiões hidrográficas Brasileiras, os produtos de precipitação mostraram acurácias diferentes - CHIRPS performou melhor que o GPM Final nas regiões do sul (subtropical). Enquanto o GPM Final apresentou os melhores resultados (MREQ50% = 19.86 %) na bacia Amazônica (floresta tropical).

Rivers discharge simulations on a global-scale by hydrological models are subject to several types of uncertainties. Thus, precipitation data inputs are the main cause of simulated results variability. For this reason, this study aimed to evaluate the ability of individual global-scale precipitation datasets to reproduce river discharges simulated by the DHI Global Hydrological Model in the Brazilian territory. In this regard, we compared the discharge model results against observed hydrographs from all the Brazilian Hydro-Regions. The following four global precipitation datasets were analyzed as simulation forcings: Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS), Global Precipitation Measurement (GPM) - Final and Late versions, and ERA5 reanalysis. Additionally, an observed precipitation grid was analyzed. The study investigated the availability of observed river discharge data in the Brazilian territory. Therefore, we evaluated the simulated discharge time-series from the DHI Global Hydrological Model forced by the different precipitation products. The hydrological model capacity to reproduce the in-situ rivers-flows, which act as a model-independent validation variable, determined the accuracy of the simulation-input precipitation datasets. In this sense, the model efficiency coefficients included the water balance assessment: Mean Error (ME) and Mean Relative Error (MRE), also, the Kling-Gupta efficiency coefficient (KGE), and its components: linear correlation (r), variability error (Alpha), and the bias (Beta). The DHI Global Hydrological Model is a grid-based version of the NAM rainfall-runoff model, also named RDII in English standing for Rainfall Dependent Inflow and Infiltration model. Additionally, the Kinematic method describes the river routing. Previous results of the model in countries as the United State of America (USA) and France were classed as good when forced by CHIRPS and GPM precipitation datasets. The study results showed that in terms of water balance (ME and MRE) and KGE, the observed grid is an enough reference to evaluate the global precipitation datasets. Also, ERA5 presented not expected results, since it provides the best-simulated values among the precipitation products (MEQ50%=95.02 mm and MREQ50%=23.66 %). However, ERA5 showed the lowest calculated KGE, since it gives low linear correlation coefficients. Among the satellite/observation-corrected datasets (CHIRPS and GPM Final), CHIRPS showed the best results (MEQ50% = 153.86 mm and MREQ50% = 40.16 %). In general, GPM Final shows a relevant improvement after the observation corrections (GPM Late). Finally, over the Brazilian Hydro-Regions, the precipitation products showed different accuracy - CHIRPS performs much better than GPM Final in the southern regions (subtropical). While GPM Final presents the best results (MREQ50% = 19.86 %) in the Amazon Basin (tropical rainforest).