Impact of limited streamflow data on the efficiency and the parameters of rainfall—runoff models

Abstract

Streamflow data are essential for the calibration of continuous rainfall-runoff (RR) models. The quantity and quality of streamflow data can significantly influence parameter calibration and thus model robustness. Most existing sensitivity analysis studies on the role of streamflow data have used continuous periods to calibrate model parameters, with a minimum of one year, though ideally much longer periods are generally advised. However, in practical model applications, streamflow data series available for model calibration may be rather short or non-continuous. This study aims at assessing the sensitivity of continuous RR models to the quantity of information used during model calibration when it is randomly sampled in the observed hydrograph, i.e. using non-continuous calibration periods. This sampling provides less auto-correlated streamflow information for model calibration than continuous records. Two daily RR models with four and six free parameters were tested on a sample of 12 basins in the USA to obtain more general conclusions. The results showed that, in general, 350 calibration days sampled out of a longer data set including dry and wet conditions are sufficient to obtain robust estimates of model parameters. The more parsimonious model requires fewer calibration data to obtain stable and robust parameter values. Stable parameter values prove more difficult to reach in the driest catchments.Key words rainfall-runoff modelling; calibration; sampling; sensitivity analysis; streamflow data Impact d'une limitation de données de débit sur l'efficacité et les paramètres de modèles pluie-débit Résumé Les données de débit sont essentielles pour caler les modèles pluie-débit continus. La quantité et la qualité des données peuvent influencer de manière significative le calage des paramètres et donc la robustesse du modèle. La plupart des analyses de sensibilité ayant abordé le rôle des données de débit ont utilisé des périodes continues pour le calage des paramètres des modèles, avec un minimum d'une année, bien qu'idéalement des chroniques beaucoup plus longues soient généralement conseillées. Cependant, dans des applications pratiques de modélisation, les séries de données disponibles pour le calage des modèles sont courtes ou non-continues. L'objectif de cette étude est d'évaluer la sensibilité des modèles pluie-débit continus à la quantité d'information utilisée pour leur calage lorsqu'elle est échantillonnée aléatoirement dans l'hydrogramme observé, c'est-à-dire en utilisant des périodes de calage non-continues. Cet échantillonnage fournit une information de débit moins corrélée qu'une série continue pour le calage. Nous avons utilisé ici deux modèles pluie-débit avec quatre et six paramètres, et nous les avons testés sur un échantillon de 12 bassins aux Etats-Unis, pour obtenir des conclusions plus générales. Les résultats montrent qu'en général, 350 jours de calage tirés dans une série plus longue comprenant des conditions sèches et humides sont suffisants pour obtenir des valeurs robustes des...

Mapping (dis)agreement in hydrologic projections

“…C1). Several studies showed that humid circumstances enhance the calibration process (Melsen et al, 2014;Perrin et al, 2007;Yapo et al, 1996, e.g. ), which can explain why so many parameters were classified as behavioural in these basins.…”

A review of regionalisation for continuous streamflow simulation

“…Many studies have demonstrated usefulness of limited data (e.g. Vogel and Kroll, 1991;Burn and Boorman, 1993;Binley and Beven, 2003;Wagener et al, 2003;McIntyre and Wheater, 2004;Laaha and Blöschl, 2005;Rojas-Serna et al, 2006;Perrin et al, 2007;Seibert and Beven, 2009;Randrianasolo et al, 2011). On one hand, more research is needed to improve techniques in regionalisation and prediction in ungauged catchments, on the other hand, instrumentation and data assimilation technologies need to be advanced, along with other advancement in hydrological science, to reduce the number of completely ungauged catchments, improve understanding in physical processes of a catchment, and minimise predictive uncertainties.…”

HESS Opinions "Crash tests for a standardized evaluation of hydrological models"

“…We naturally do not advocate the intentional use of poor input data, but we consider that we need to document the impact of the progressive failure of a model when it encounters more and more input errors or missing values during its application or its calibration (see e.g. Oudin et al, 2006;Perrin et al, 2007).…”