is Íslenska en English

Lokaverkefni (Meistara)

Háskóli Íslands > Verkfræði- og náttúruvísindasvið > Meistaraprófsritgerðir - Verkfræði- og náttúruvísindasvið >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/30460

Titill: 
  • Titill er á ensku A spatial Bayesian hierarchical model for flood frequency analysis
  • Bayesískt stigskipt líkan með rúmfræðilegum slembiþáttum fyrir flóðagreiningu
Námsstig: 
  • Meistara
Leiðbeinandi: 
Útdráttur: 
  • Útdráttur er á ensku

    The goal of this thesis is to model data on annual maximum series of peak flow from 553 catchments across the UK. An accurate estimate of extreme floods is of interest in many circumstances, especially concerning vital civil infrastructure. For this purpose, a latent Gaussian model with a multivariate link function for the location, scale and shape parameters of the data density is proposed for flood frequency analysis. The observations are assumed to follow the generalised extreme value (GEV) distribution. The model is inferred using the Bayesian methodology, and due to the large dimension of the data, an approximation is made to make the inference computationally feasible. Structured additive regression models are proposed for the three parameters of the data density. These regression models all contain fixed linear effects for catchment descriptors, e.g., catchment area and average annual rainfall. Two spatial components, for the location and scale parameters, are introduced in order to explain some of the otherwise unexplained variability introduced by the geographical locations of the catchments. Using this model, the quantiles of the data are investigated so that predictions can be made for the return level of a given return period T.
    The results show that latent Gaussian models are a viable option for flood frequency analysis. The quantile plots for the return periods of floods show promising results, and a model of this form could prove to be useful. The results show that the spatial components for the location and scale parameter of the data density are both of importance and neither should be ignored.

  • Markmið þessarar ritgerðar er að búa til líkan fyrir flóðagreiningu á gögnum um árleg hágildi flóðs frá 553 vatnasviðum í Bretlandi. Nákvæm flóðaspá er mikilvæg við margar kringumstæður til dæmis þegar um mannvirki eða mannvirkjagerð er að ræða. Í þessari ritgerð er kynnt til sögunnar latent Gaussian líkan (fellur undir Bayesísk stigskipt líkön) með margvíðu tengifalli fyrir staðsetningarstika, skölunarstika og lögunarstika gagnadreifingarinnar til að gera flóðagreiningu. Gert er ráð fyrir því að gögnin fylgi almennri útgildisdreifingu (generalised extreme value (GEV) dreifingu). Líkanið er byggt á Bayesískri tölfræði og þar sem gögnin eru mjög umfangsmikil þá er gerð nálgun í þeim tilgangi að gera Bayesísku ályktunartölfræðina mögulega. Línuleg líkön með slembiþáttum eru skilgreind fyrir stika gagnadreifingarinnar. Líkönin innihalda öll vatnasviðs skýribreytur eins og til dæmis flatarmál vatnasviðsins og meðal ársúrkomu sem fellur á vatnasviðið. Vatnasviðs skýribreyturnar eru hluti af línulegum hluta líkananna. Líkönin fyrir staðsetningarstikann og skölunarstikann taka tillit til rúmhæðis (e. spatial dependency) í þeim tilgangi að útskýra áður óútskýrðan breytileika með því að nota staðsetningu vatnasviðanna. Líkanið er síðan notað í þeim tilgangi að geta spáð fyrir um stærð flóðs með gefinn endurkomutíma.
    Niðurstöður ritgerðarinnar benda til þess að líkanið sé góður kostur til þess að gera flóðagreiningar. Myndir af hlutfallsmörkum benda til þess að módelið sé vel til þess fallið að spá fyrir um stærð flóða fyrir gefinn endurkomutíma. Niðurstöður benda einnig til þess að mikilvægt sé að taka tillit til rúmhæðis staðsetningarstikans og skölunarstikans við framkvæmd flóðagreiningar.

Samþykkt: 
  • 28.5.2018
URI: 
  • http://hdl.handle.net/1946/30460


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
ritgerd_fin.pdf34.28 MBOpinnHeildartextiPDFSkoða/Opna
yfirlysing.pdf15.84 kBLokaðurYfirlýsingPDF