Winter Modelling of Green Roofs in Cold Climates Using SWMM

Abstract

Grønne tak har blitt identifisert som et mulig tiltak for å redusere og forsinke avrenningen av overvann i tett utbygde byområder. Selv om det er utført omfattende arbeid for å forutsi og forbedre grønne tak sine funksjoner, mangler det fortsatt kunnskap om ytelse og funksjon for bruken av grønne tak i kaldt og vått klima. Flere modelleringsverktøy har vist gode evner til å reprodusere observert avrenning av grønt tak. På grunn av mangelen på kunnskap er likevel få av disse modellene brukt blant forbrukere og utbyggere. Johannessen et al. (2019) utviklet en SWMM-modell med den hensikten å lage en overførbar modell for grønne tak. Vinterdata ble holdt utenfor kalibreringen i den studien. Denne studien vil prøve å endre modellen slik at den kan simulere avrenning fra vinternedbør og snøsmelting. Målet er å (1) evaluere SWMM sin evne til å modellere snøsmelting og regn-på-snø-hendelser fra et grønt tak i kalde perioder, (2) utføre en prestasjonsfølsomhetsanalyse av modellen under vinterforhold, identifisere de mest sensitive parameterne i modellen og (3) foreslå reviderte vintermodelleringsrutiner for langsiktige kontinuerlige og hendelsesbaserte simuleringer (3). Modellen ble endret ved å bruke andre parameterverdier hentet fra litteratur og lignende studier, inkludert å legge til en snø-modul. Modellen ble vurdert ved å sammenligne simulert avrenning med observert avrenning og nedbør, beregne NSE-verdier og volumfeil. En sensitivitetsanalyse ble gjennomført for å identifisere sensitive parametere. Det er funnet at modellen generelt fungerer bedre for hendelsesbaserte simuleringer enn langsiktige kontinuerlige simuleringer. Modellen viser god ytelse på regn og smelting, men sliter mer når det kommer til snø. Modellen genererer gjennomgående for lite avrenning. Parametere i jordlaget ble funnet å ha høyest usikkerhet, hvor porøsitet og feltkapasitet viste høyest usikkerhet, etterfulgt av ledningsevne og conduticity slope. Parametere i dreneringsmatten og snø-modulen ble funnet å ha liten innvirkning på modellusikkerheten. Det forblir utfordrende å finne et optimalt nivå når det kommer til kompleksitet, med tanke på å gjøre SWMM til et nøyaktig verktøy for vintermodellering samt å la det forbli et brukervennlig program. Et forslag er å utvikle en funksjon for automatisk kalibrering i SWMM, da dette kan løse flere problemer og begrensninger uten å redusere kompleksitetsnivået. Problemstillinger knyttet til et stort behov for datamengde og input, vil imidlertid fortsatt være uløst.

Green roofs have been identified as a measure for reducing and delaying stormwater runoff in densely developed urban areas. Altough extensive work has been carried out to predict and improve their function, there is a lack of knowledge about green roof performance and function in cold and wet climates. Several modelling tools have shown good abilities to reproduce observed green roof runoff. Nevertheless, due to the lack of knowledge, few of these models are applied among practitioners. Johannessen et al. (2019) made a SWMM model with the aim to make a transferable model for green roofs, while winter data was left out of the calibration. This study will attempt to modify their model to be able to simulate runoff from winter precipitation and snow melt, whereas the objective is to (1) evaluate SWMMs ability to model snowmelt and rain-on-snow events from a green roof during cold periods, (2) perform a performances sensitivity analysis of the model under winter conditions and identify most sensitive parameters in the model and (3) suggest revised winter modelling routines for long-term continuous and event-based simulations. The model was modified using different parameter values taken from literature and similar studies, including adding a snow pack module. The model was assessed by comparing simulated runoff to observed runoff and precipitation, calculating NSE values and volume errors. A sensitivity analysis was conducted to identify sensitive parameters. It is found that the model generally works better for event-based simulations than long-term continuous simulations. The model shows good performance on rain and melting, but has an issue when it comes to snow events. It is observed that the model generates consistently too little runoff. Parameters in the soil layer were found to have the highest uncertainty, whereas porosity and field capacity showed highest uncertainty, followed be conductivity and conductivity slope. Parameters in the drainage mat and the snow pack were found to have low impact on the model uncertainty. It remains challenging to find an optimal level of complexity, making SWMM an accurate tool for winter modelling as well as being user friendly. One identified suggestion is to find a way make auto calibration possible in SWMM, as this could solve several issues and limitations without decreasing the level of complexity. Issues relating the large data and input demand, would still however remain unsolved.