Der Klimawandel verstärkt die Variabilität von Niederschlag und Abfluss, was die langfristige Simulation von Talsperrenzuflüssen erschwert. Langzeit-Abflussmodelle optimieren Parameter häufig anhand fehlerbasierter Metriken wie NSE oder RMSE, die zwar Abweichungen verringern, langfristige Trends jedoch möglicherweise nicht abbilden können. Wir optimieren das Four-Tank-Modell unter Verwendung des Trend Accuracy Index (TAI) und des Korrekturfaktors für die potenzielle Evapotranspiration (PET-CF), um Zuflusstrends besser zu erfassen. Wir validieren den Ansatz durch die Bewertung von Trends bei den simulierten Zuflüssen. Wir werten monatliche, saisonale und jährliche Niederschlagstrends an 101 Stationen aus, untersuchen deren Konsistenz mit Zuflusstrends und wenden K-means + +-Clustering an. Anhand von Niederschlagsdaten im Einzugsgebiet des Nakdong River und Zuflüssen an der Hapcheon-Talsperre führen wir Cluster- und Trendanalysen für den Zeitraum 2000–2019 sowie zwei zukünftige Zeiträume (2021–2050, 2051–2100) unter SSP2-4.5 und SSP3-7.0 durch. Drei Cluster erfassen räumliche Unterschiede im Niederschlag, die mit dem Standort und der Höhenlage der Stationen zusammenhängen. Über verschiedene Zeitskalen hinweg stimmen Niederschlags- und Zuflusstrends weder in den historischen noch in den zukünftigen Zeiträumen durchgängig überein. Bei der Simulation von Talsperrenzuflüssen erreicht TAI + PET-CF die höchste Übereinstimmung mit beobachteten Zuflusstrends (76,4 %) und übertrifft damit die NSE-basierte Kalibrierung. In Kombination mit Informationen zu Niederschlagstrends und Clustering kann dieses Framework ein effizientes Wasserressourcenmanagement unterstützen.
Wang et al. (Fri,) untersuchten diese Fragestellung.