Water quality prediction for river basin management

dc.contributorAalto-yliopistofi
dc.contributorAalto Universityen
dc.contributor.authorMalve, Olli
dc.contributor.departmentDepartment of Civil and Environmental Engineeringen
dc.contributor.departmentRakennus- ja ympäristötekniikan osastofi
dc.contributor.labWater Resources Laboratoryen
dc.contributor.labVesitalouden ja vesirakennuksen laboratoriofi
dc.date.accessioned2012-02-24T08:17:58Z
dc.date.available2012-02-24T08:17:58Z
dc.date.issued2007-05-18
dc.description.abstractWater quality prediction methods are developed which provide realistic estimates of prediction errors and accordingly increase the efficiency of river basin management and the implementation of EU's Water Framework Directive. The resulting river basin management decisions are based on realistic safety margins for restoration measures and accompanying targeted pollutant load limits. The realistic error estimates attached to the predictions are based on Bayesian statistical inference and MCMC methods which are able to synthesize two distinct water quality prediction approaches i.e. mechanistic and statistical. What is more, a hierarchical modeling strategy is employed in order to pool information from extensive cross-sectional lake monitoring data and consequently to improve the accuracy and precision of lake specific water quality predictions. Testing of the methods using extensive hydrological and water quality data from five real-world river basin management cases suggests that Bayesian inference and MCMC methods are no more difficult to implement than classical statistical methods. Even models with large numbers of correlated parameters can be fitted using modern computational methods. Moreover, the hierarchical modeling strategy proves to be efficient for river basin management. Guidelines for adaptive river basin management are also set up based on the experience gained. It is proposed that monitoring, prediction and decision making should be integrated into an efficient management procedure.en
dc.description.abstractTässä työssä kehitetään ja testataan vedenlaadun ennustemenetelmiä, jotka antavat realistisen kuvan ennustevirheistä, auttavat välttämään vesistöalueiden hoitotoimien virhemitoituksen sekä tehostavat EU'n vesipuitedirektiivin toimeenpanoa vastaavasti. Laskenta perustuu Bayeslaisen päättelyyn ja MCMC-menetelmään, jotka mahdollistavat mekanistisen vedenlaatumallin ennustevirheen realistisen estimoinnin. Lisäksi sovelletaan hierarkista mallintamisstrategiaa järvikohtaiseen vedenlaadun ennustamiseen laajan suomalaisen järviseuranta-aineiston perusteella. Valittu strategia pienentää ennustevirheitä ja parantaa ennusteiden tarkkuutta. Menetelmiä testataan Lappajärven, Kymijoen, Tuusulanjärven, Säkylän Pyhäjärven sekä yli kahden tuhannen, Suomen ympäristökeskuksen seurantaverkossa olevan järven hoitotoimien tavoitteen asettelussa. Testit osoittavat, että Bayes-päättelyn ja MCMC-menetelmän ja klassisten tilastomatemaattisten menetelmien laskennallinen toteutus on yhtä helppoa. Jopa suuren määrän korreloituneita parametrejä sisältävä vedenlaatumalli saadaan sovitettua havaintoaineistoon. Myös hierarkinen mallintamisstrategia on tehokas väline vesistökohtaisten vedenlaatuennusteiden tekemisessä ja vesistöalueiden hoidon suunnittelussa. Lopussa annetaan suosituksia vesistöseurannan, vedenlaadun ennustamisen sekä vesistöjen hoidon yhdistämisestä tässä työssä kehitettyjen laskentamenetelmien avulla jatkuvasti tarkentuvaksi, adaptiiviseksi hoitoprosessiksi.fi
dc.description.versionrevieweden
dc.format.extent126, [73]
dc.format.mimetypeapplication/pdf
dc.identifier.isbn978-951-22-8750-5
dc.identifier.issn1795-4584
dc.identifier.urihttps://aaltodoc.aalto.fi/handle/123456789/2864
dc.identifier.urnurn:nbn:fi:tkk-009220
dc.language.isoenen
dc.publisherHelsinki University of Technologyen
dc.publisherTeknillinen korkeakoulufi
dc.relation.haspartMalve, O., Huttula, T. and Lehtinen, K. 1991. Modelling of eutrophication and oxygen depletion in the Lake Lappajärvi. In: Wrobel, L., Brebbia, C. (Eds.), Water Pollution: Modelling, Measuring and Prediction. Computational Mechanics Publications, pp. 111-124.
dc.relation.haspartMalve, O., Salo, S., Verta, M. and Forsius, J. 2003. Modeling the transport of PCDD/F compounds in a contaminated river and the possible influence of restoration dredging on calculated fluxes. Environmental Science and Technology, 37 (15), pp. 3413-3421. DOI: 10.1021/es0260723.
dc.relation.haspartMalve, O., Laine, M. and Haario, H. 2005. Estimation of winter respiration rates and prediction of oxygen regime in a lake using Bayesian inference. Ecological Modelling, 182 (2), pp. 183-197. DOI: 10.1016/j.ecolmodel.2004.07.020.
dc.relation.haspartMalve, O., Laine, M., Haario, H., Kirkkala, T. and Sarvala, J. 2006. Bayesian modelling of algal mass occurrences—using adaptive MCMC methods with a lake water quality model. Environmental Modelling and Software, 22 (7), pp. 966-977. DOI: 10.1016/j.envsoft.2006.06.016.
dc.relation.haspartMalve, O. and Qian, S. 2006. Estimating nutrients and chlorophyll a relationships in Finnish lakes. Environmental Science and Technology, 40 (24), pp. 7848-7853. DOI: 10.1021/es061359b.
dc.relation.ispartofseriesTKK dissertationsen
dc.relation.ispartofseries67en
dc.subject.keywordriver basin managementen
dc.subject.keywordtarget pollutant loaden
dc.subject.keywordBayesian inferenceen
dc.subject.keywordMCMCen
dc.subject.keywordhierarchical modelen
dc.subject.keywordvesistöaluiden hoitofi
dc.subject.keywordtavoitekuormitusfi
dc.subject.keywordBayes-päättelyfi
dc.subject.keywordMCMCfi
dc.subject.keywordhierarkinen mallifi
dc.subject.otherEnvironmental scienceen
dc.subject.otherCivil engineeringen
dc.titleWater quality prediction for river basin managementen
dc.titleVedenlaadun ennustaminen vesistöaluiden hoidon suunnittelussafi
dc.typeG5 Artikkeliväitöskirjafi
dc.type.dcmitypetexten
dc.type.ontasotVäitöskirja (artikkeli)fi
dc.type.ontasotDoctoral dissertation (article-based)en
local.aalto.digiauthask
local.aalto.digifolderAalto_67178
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
isbn9789512287505.pdf
Size:
3.73 MB
Format:
Adobe Portable Document Format