Improving Time Structure Patterns of Orthogonal Markov Chains and its Consequences in Hydraulic Simulations

Abstract

The frequency of rainfall is relevant for agriculture because its distribution affects crop production. Few stochastic models successfully generate daily rainfall events and preserve spatiotemporal dependency between multiple sites. This work evaluated an extension of the traditional Orthogonal Markov Chain (TOMC) model to reproduce the temporal structure of rainfall events in Florida, Nebraska, and California. A simulation of a hydrographic basin was also carried out from rainfall reproduced by a meteorological generator. The results show that (i) an extended temporal structure of the TOMC (EOMC) preserved the spatial correlation between observed and synthetic rainfall events; (ii) the EOMC used a smaller number of simulations to reproduce the observed frequencies of wet periods than those used by the TOMC to achieve similar precision; (iii) the use of EOMC-generated rainfall in the SWMM model produced similar runoff values using observed rainfall data; and (iv) the EOMC decreased 50% of the computational time needed to generate synthetic rainfall. The use of the EOMC would benefit the simulation of future climate scenarios due to the reduction in hardware needs.

La frecuencia de lluvias es relevante para la agricultura porque su distribución afecta la producción de los cultivos. Pocos modelos estocásticos generan satisfactoriamente eventos de lluvia diaria y preservan la dependencia espacio-temporal entre múltiples sitios. Este trabajo evaluó una extensión del modelo tradicional de cadena ortogonal de Markov (TOMC) para reproducir la estructura temporal de eventos de lluvia en Florida, Nebraska y California. También se realizó una simulación de una cuenca hidrográfica a partir de lluvias reproducidas por un generador meteorológico. Los resultados muestran que (i) una estructura temporal extendida de la TOMC (EOMC) conservó la correlación espacial entre eventos de lluvia observados y sintéticos; (ii) la EOMC usó un número menor de simulaciones para reproducir las frecuencias observadas de períodos húmedos que las usadas por la TOMC para lograr una precisión similar; (iii) el uso de lluvias generadas por la EOMC en el modelo SWMM produjo valores de escorrentía similares que usa datos de lluvias observadas; y (iv) la EOMC disminuyó 50% del tiempo computacional necesario para generar lluvias sintéticas. El uso de la EOMC beneficiaría la simulación de escenarios climáticos futuros por la reducción en necesidades de hardware.