Microsoft Word - whatever                     
       
Universität Bern               
 
                   
         
Universität Bern               
  Von der Philosophischnaturwissenschaftlichen Fakultät angenommen. 
       
 
iii   
Summary  This  study  presents  a  robust  modelling  framework  developed  for  assessing  the  available  water 
resources in a mountainous environment today and in the future. The semidiscrete, physicallybased 
Penn State  Integrated Hydrologic Model (PIHM) has been  identified as a suitable hydrological model 
for this challenging task. Here we present the customization, the enhancement and the application of 
this  on  a  catchment with  sparse  data  in  the  past  and  in  the  present, we  evaluate  extensively  and 
thoroughly its performance, its potential and its limitations. The melt modules for snow and ice were 
upgraded  from  a  simple  temperatureindex  model  to  a  model  including  the  influence  of  global 
radiation. Stationary  catchment attributes  such as  soil and  land  cover data were used  to distribute 
parameters, and the latters were mainly estimated basing on literature or experiments on site. Besides 
the  examination  of  the  internal  consistency  with  a  multicriteria  validation,  evaluating  snowpack, 
icemelt and different  components of  the water balance, model  results have been  further validated 
with discharge measurements. Results  show  a  very  good performance  of  the model  over different 
spatial and temporal scales. 
Sound hydrological modeling frameworks are needed to serve and support decision making in local to 
regional water management, in particular in mountainous regions, as main suppliers of natural water 
resources.  In  view  of  climate  change,  increasingly  complex  physically  based models  are  applied  in 
order to guarantee the predictability for new climate or environmental boundary conditions. However, 
while  the hydrological predictability might  increase with  complex models,  data demands  of  course 
increases too. 
In  the  present  study  we  investigate  the  challenges,  the  gains  and  the  problems  of  an  increased 
complexity in describing snow and precipitation patterns in data sparse regions at higher altitudes and 
in  an  environment with  a  highly  complex  topography.  Particular  efforts were  put  in  improving  the 
modelling of  snow and glacier dynamics and melt  including a  timevarying albedo and gravitational 
redistribution of snow  in a hydrological model. Furthermore, an extensive meteorological measuring 
network was set up and exploited generating high resolution input data. 
We provide evidence of the limits of an enhanced description of the albedo of snow depending on the 
surrounding  conditions,  when  other  processes  we  cannot  describe  emerge.  We  also  show  the 
importance  of  the  maintenance  and  extension  of  shortterm  monitoring  networks  in  mountain 
regions, demonstrating  that  an  increased  sampling of hydrometeorological  and  cryospheric data  – 
even on the basis of one to three years – retrieves the best model performance, and therefore these 
are crucial for the improvement of the hydrological knowledge of the local system. 
With the developed modelling framework we estimated available water resources for the headwaters 
of the study area, and made an overall plausibility assessment using all the available data, with very 
good  results. Overall  the headwaters of  the  catchment provide 110 mio m3. Generally  the western 
part of the catchment is richer in water resources than the eastern part, corresponding respectively to 
80% and 20% of the total water resources. Tseuzier, the subbasin at the western boundary, represents 
the “water tower” of the area, supplying 70% of the total estimated water amount 
In this work we integrated many relevant aspects of hydrological modelling, especially pertinent to the 
context of climate change in alpine regions, like transferability in time and space, as well as flexibility, 
and proved our modelling  framework  to be  robust over different scales. As such,  it provides a solid 
  Summary   
iv 
basis  for  hydrological  analysis  of  the  system  under  changing  forcing  conditions,  like  in  the  case  of 
climate change. 
We performed  an exploratory  climate  sensitivity  analysis, basing on  the data of  ten  climate model 
chains driven by the single emission scenario A1B, postprocessed and interpolated to the MeteoSwiss 
weather  station Montana  (as  provided  by  the  CH2011  initiative).  Two  scenario  periods  in  the  21st 
century were assessed relative to the short reference period 20072012: the near  future 20482053 
and  the  far  future  20972102.  The  most  pronounced  changes  are  expected  in  the  snow  cover 
dynamics  in the headwaters of the study area, and evaporation rates  in the  lower parts of the study 
area, with changes in temperature as the main drivers. Basing on the applied scenarios, for all models, 
a reshaped annual cycle, with earlier rise of spring runoff, significantly reduced summer runoff, and a 
tendency  for  increased  winter  runoff  in  the  first  half  of  the  21st  century,  becoming  increasingly 
pronounced  towards  the  end  of  the  century,  and  resulting  in  a  significant  change  of  regime:  first 
transforming  from  a  bglacionival  regime  in  a  nival  alpin  regime  as  a  transition  before  becoming, 
characterized by a nival de transition regime in the far future.  
All  in all, the overall available water resources are going to be affected only to a minor extent, with 
mean  changes  in  the order of magnitude of 510%, however  the major  changes estimated  for  the 
summer  runoff,  reduced  by  about  20%  in  the  near  future,  and  almost  50%  in  the  far  future  are 
expected  to  have  major  consequences  for  the  water  management  strategies  of  the  region.  In 
particular in dry years conflicts might arise between different usages, which here are mainly irrigation, 
hydropower production, tourism and artificial snow making. 
Ackowledgements   
 
“I  am  neither  the  first  commentator,  nor  the  most  luminous.  Therefore  I  will 
make no particular claim of originality  for the remarks presented here, but can 
only hope that they are framed in useful ways” 
J.W. Kirchner 
 
 
Ackowledgements  This study is embedded in the framework of the MontanAqua project. MontanAqua is financed by the 
NRP  61  (National  Research  Project  61,  Sustainable Water Management).  I would  like  to  thank  the 
Swiss National Science Foundation for funding the MontanAqua research project (4061401259646 1) 
within the National Research Program “Sustainable Water Management” (NRP 61). 
I would  like  to  thank Gopal Bhatt and Xuan Yu at  the Penn State University  for  their patience,  their 
help  for  the  customization  of  the model  (developed  by  their  research  group),  and  their  support 
throughout the first simulations. I also thank Christopher Duffy for his support and openness, as well 
as for evaluating this work. 
I gratefully acknowledge M. Huss for providing the stake measurements from the Plaine Morte glacier, 
as well as the detailed mass balance data. Furthermore, other data were thankfully provided by the 
FOEN  (discharge  data),  Maurice  Perraudin  from  Lienne  SA  (discharge  data),  Meteoswiss 
(meteorological  data)  and  SLF  (meteorological  data).  All  people  involved  in  the  tracer  experiment 
organization, sampling, etc… are also deeply acknowledged. 
The CH2011 data were obtained from the Center for Climate Systems Modeling (C2SM). 
I am particularly grateful  to my mentor Bruno Schädler, who always  followed me  through  the wide 
meanders of the thesis, providing me the right  instruments for this  long  journey, good advices and a 
lot of optimism. 
He and my supervisor Rolf Weingartner always supported and trusted me, even in the most uncertain 
and in the darkest moments, and this is something I will never forget. 
A big and  fat  thank you goes  to my colleagues and  friends,  for  their help  in every  field of  life,  their 
love,  their  patience  and  for  sharing  their  lifes  and  their  interests with me,  you made my  days.  In 
particular  I want  to  thank my  sister, Martìn, Giovanna, Nina,  Jan, Ole,  Anne  Catherine,  Raffi,  Yuri, 
Judith, Michl, my parents, Ioan and Alex, who each in its own way helped me to find my way. 
  Table of contents   
I 2 MontanAqua ...................................................................................................................................................... 6 
I 4 Structure of the thesis ....................................................................................................................................... 9 
II            CONTEXT AND DATA ....................................................................................................... 11  II 1 Study region .................................................................................................................................................... 12 
II 1.1 Glacier, karst and tracer experiments .................................................................................................... 14 
II 1.2 Case study: the Tseuzier catchment ....................................................................................................... 19 
II 1.3 Data ......................................................................................................................................................... 22 
II 1.3.2 Available meteorological and hydrological data .............................................................................. 24 
II 2 Temporary measurement network ................................................................................................................ 28 
II 2.2 Data ......................................................................................................................................................... 28 
II 3 Climatic data – the basics ............................................................................................................................... 36 
II 3.1 Projections for climate change – CH2011 .............................................................................................. 36 
II 3.2 Signals for different time periods ........................................................................................................... 38 
II 3.2.1 Main climatological variables: precipitation and temperature ....................................................... 38 
II 3.2.2 Discharge .......................................................................................................................................... 44 
III                           METHODS ......................................................................................................... 47  III 1 Physically based hydrological framework ..................................................................................................... 48 
III 1.1 Model setup .......................................................................................................................................... 49 
III 1.2 Input data preprocessing ....................................................................................................................... 54 
III 1.2.1 Parameter setting ............................................................................................................................ 54 
III 1.2.2 Incorporate topographic effects on the energy input .................................................................... 57 
III 1.2.3 Precipitation: necessary adjustments ............................................................................................. 59 
III 2 Cryosphere and high resolution precipitation .............................................................................................. 63 
Table of contents   
III 2.2 Increasing complexity of the modelling framework .............................................................................. 63 
III 2.2.1 Cryosphere: varying albedo and snow redistribution ..................................................................... 64 
III 2.2.2 Precipitation: data preprocessing and interpolation ...................................................................... 66 
III 3 Sensitivity and climate change ...................................................................................................................... 69 
III 3.1 Sensitivity ............................................................................................................................................... 70 
III 3.2 Climate change ....................................................................................................................................... 71 
IV                           RESULTS ............................................................................................................ 77  IV 1 Application of the developed physically based hydrological framework: the Tseuzier case study and 
plausibility of the results ...................................................................................................................................... 78 
IV 1.1 Plausibility: a multicriterial validation ................................................................................................... 78 
IV 1.1.1 Snow and ice .................................................................................................................................... 78 
IV 1.1.2 Evapotranspiration .......................................................................................................................... 82 
IV 1.2 Results: Tseuzier case study .................................................................................................................. 84 
IV 1.2.1 Simulation results ............................................................................................................................ 84 
IV 1.2.1.1 External contribution of karstified area added separately .................................................... 84 
IV 1.2.1.2 External contribution of karstified area added as a source at the Loquesse spring .............. 88 
IV 1.2.2 Performance .................................................................................................................................... 89 
IV 2 Adressing key elements of mountain hydrology in a data sparse alpine environment: the assets and 
drawbacks of an increased complexity ................................................................................................................ 91 
IV 2.1 Plausibility: a multicriterial validation ................................................................................................... 91 
IV 2.1.1 Snow and ice .................................................................................................................................... 91 
IV 2.1.2 Water balance ................................................................................................................................. 94 
IV 2.2  Results ............................................................................................................................................ 94 
IV 2.2.2 Performance .................................................................................................................................... 96 
IV 3.1 Spatial distribution of available water resources .................................................................................. 98 
IV 3.1.1 Tièche .............................................................................................................................................. 98 
IV 3.1.2 Ertentse ......................................................................................................................................... 103 
IV 3.1.3 Vatseret ......................................................................................................................................... 104 
IV 3.2.4 Boverèche ...................................................................................................................................... 106 
IV 3.1.3 Headwaters ................................................................................................................................... 108 
IV 4 Sensitivity and climate change .................................................................................................................... 109 
IV 4.1 Sensitivity analysis: effects of different settings and different time frames ...................................... 109 
IV 4.2 Climate change impact assessment for the headwaters of the study region .................................... 113 
IV 4.2.1 Effects of climate change on snow cover ..................................................................................... 113 
IV 4.2.2 Effects of climate change on the hydrological cycle and on the water availability ..................... 117 
IV 4.2.3 Effects of climate change on the water balance ........................................................................... 119 
IV 5 Discussion .................................................................................................................................................... 121 
A.1 Sources ..................................................................................................................................................... 146 
A.2 Evaporation .............................................................................................................................................. 146 
B.2 The effect of inclination and exposition .................................................................................................. 150 
C Snow and icemelt parameters ....................................................................................................................... 152 
D Land cover, soil and geology parameters ....................................................................................................... 153 
E Performance: Indexes ...................................................................................................................................... 155 
F Discharge measurements ................................................................................................................................ 157 
Figures     
ix   
Figures  Fig. 1: Schema of Working package 1 (WP1): the availability of natural water resources. ....................................... 7 
Fig. 2: Study area with catchments’ and subcatchments’ boundaries in black, main rivers and springs ................ 13 
Fig. 3: Uranine colouring the water coming from the Loquesse spring on 4 September 2012 ............................... 18 
Fig. 4: Study area with measuring stations, catchments’ and subcatchments’ boundaries. ................................... 20 
Fig. 5: Mean monthly cycle of springs’ discharge (Lourantse, Loquesse and the sum of these two) for the period 
between October 1976 and September 1981 compared with the discharge recorded at the Lie110 gauging 
station .............................................................................................................................................................. 26 
Fig. 6: Mean annual cycle of the relationship between discharge recorded at the Lie110 gauging station and the 
discharge estimated by Lienne SA at the Tseuzier lake dam .......................................................................... 28 
Fig. 7: Map of the study area showing the boundaries of the case study catchment Tseuzier, land use, the river 
network and the position of the measuring stations ...................................................................................... 29 
Fig. 8: Overview of  installed gauging  stations,  together with  the main  springs present  in  the area, and when 
available the corresponding mean specific discharge Qspec [mm/d], as estimated by Crestin (2001). ........ 33 
Fig. 9: Annual cycle of Delta T, and Delta P for the scenario period 20212050 (left) and 20702099 (right) at the 
station MVE, as provided by CH2011. ............................................................................................................. 38 
Fig. 10: Monthly cycle of precipitation P at MVE  for  the period 20072012,  represented as  the median of  the 
time series together with the interquartile range (between 25 and 75% quartile); envelope of the minimum 
and maximum monthly quartiles as well as the interquartile range computed using all possible consecutive 
6 years blocks between 1980 and 2009 .......................................................................................................... 39 
Fig. 11: (above) Monthly cycle of precipitation P at MVE for the two periods 19802009 and 20072012, with the 
medians of  the  time series,  their  interquartile  range  (between 25 and 75% quartile), and  their envelope 
representing  the  minimum  and  maximum  monthly  precipitation;  (below)  the  same  as  above  but  for 
temperature T. ................................................................................................................................................. 41 
Fig. 12: Seasonal anomalies of temperature against precipitation for winter – between November and April –and 
for summer – between May and October – .................................................................................................... 42 
Fig. 13: Annual (hydrological year between October of the previous year and September of the year of interest) 
anomalies of temperature against precipitation. ............................................................................................ 44 
Fig. 14:  (above) Monthly cycle of measured discharge Q of  the Tseuzier catchment  for  the  two periods 1980
2009 and 19742012, with the medians of the time series, their interquartile range (between 25 and 75% 
quartile),  and  their  envelope  representing  the minimum  and maximum monthly  discharge;  (below)  the 
same as above but the second time series covering the period 20072012. ................................................. 45 
Fig. 15: Overview of input data required to run a simulation of PIHM. ................................................................... 55 
Fig. 16: Mean daily  incoming clear sky solar radiation  in the main Tseuzier subcatchment for the four seasons: 
winter (DJF), spring (MAM), summer (JJA) and autumn (SON). ...................................................................... 58 
Fig. 17: Transverse profile  in  the Tseu_Lie  subcatchment of  the  shading  factor, defined as  the  ratio between 
potential incoming solar radiation on a flat surface at the same location and the effectively incoming solar 
radiation, on 4 different dates during the year. .............................................................................................. 59 
Fig. 18: Plot of annual precipitation against elevation for precipitation used in the case study between 1975 and 
1982 as well as between 2007 and 2012 with 5 to 95% range of the Meteoswiss corrected data;  for the 
longterm precipitation climatology by Kirchhofer and Sevruk (1992) 19511980 as well as for the longterm 
precipitation climatology by Schwarb et al.(2011) 19711990; and data recorded at the totalizer WEH ..... 62 
Fig. 19: Daily  interpolated precipitation on the 17th Ocober 2010 and on the 10th October 2011,as well as their 
standardized values ......................................................................................................................................... 68 
Fig. 20: (above) Monthly cycle of precipitation P at MVE for the two periods present 20072012 and near future 
20482053, with the medians of the time series, their  interquartile range (between 25 and 75% quartile), 
and their envelope representing the minimum and maximum monthly precipitation;  (below) the same as 
above but for temperature T ........................................................................................................................... 73 
 
  Figures   
x 
Fig. 21: (above) Monthly cycle of precipitation P at MVE for the two periods present 20072012 and far future 
20972102, with the medians of the time series, their  interquartile range (between 25 and 75% quartile), 
and their envelope representing the minimum and maximum monthly precipitation; (below) the same as 
above but for temperature T ........................................................................................................................... 74 
Fig. 22: Tseuzier catchment, the extension of  it across the hydrographic boundaries due to the Karst drainage 
system, Plaine Morte glacier in 3D and projected in 2D. ................................................................................ 78 
Fig. 23: Seasonal snow cover evolution between 2007 and 2012: at the VDS2 snow station as measured with a 
ultrasonic  sensor, as modelled by using precipitation  recorded at  the  station,  as modelled by using  the 
modified grid precipitation of Meteoswiss, and on element 452 ................................................................... 79 
Fig. 24: Calculated melt water  runoff  from Glacier de  la Plaine Morte  for  the hydrological  years 2009/2010–
2011/2012 and reconstruction by Huss et al.(2013) based on stake measurements .................................... 81 
Fig. 25: Daily observed and simulated runoff between 1975 and 1982, modelled daily ablation with the fractions 
of ice melt and snowmelt and precipitation .................................................................................................... 85 
Fig. 26: Monthly observed and simulated runoff between 1975 and 1982, modelled monthly ablation with the 
fractions of ice melt and snowmelt, monthly observed and simulated discharge from the Loquesse source 
and precipitation .............................................................................................................................................. 86 
Fig. 27: Measured daily discharge at Lie110, simulated in the river element at the location of Lie110, simulated in 
the river element at the location of Lie110 and adding the simulated contribution from the external karstic 
area until September, simulated  in  the river element at  the  location of Lie110 and adding  the simulated 
contribution from the external karstic area until October in 2011 (first panel); the same but in 2012 (second 
panel);  the  same but between 12  July 2012 and 25 October 2012 and with additionally daily discharge 
simulated  in  the  river  element  downstream  of  the  Loquesse  spring, measured  just  downstream  of  the 
Loquesse  spring,  simulated  in  the  river element at  the  location of  Lou, measured at  Lou and  simulated 
contribution from the external karstic area until September (third and fourth panel) .................................. 87 
Fig. 28: Daily observed  and  simulated  runoff between 1975  and 1982  in  the  Tseuzier  catchment, with  three 
different  simulations:  once  simply  adding  the  monthly  measured  contribution  from  the  two  springs 
Lourantse  and  Loquesse  as  an  external  source  when  simulating  Tseu_Lie,  once  adding  the  simulated 
external  contribution  from  the  karstic  area  as  an  external  source when  simulating  Tseu_Lie  and  once 
summing separately – or subsequentely –   the simulated external contribution from the karstic area with 
the streamflow simulated at the outlet of Tseu_Lie. ...................................................................................... 89 
Fig. 29: Flow duration curves of observed and simulated streamflow for the period 19751982 and for the period 
20072012. ....................................................................................................................................................... 90 
Fig. 30: (above) Seasonal snow cover evolution between 2007 and 2012: at the VDS2 snow station as measured, 
and  as  simulated with  a  fix  albedo,  as well  as with  a  varying  albedousing  different  precipitation  data; 
(below) calculated melt water runoff from Glacier de la Plaine Morte for the hydrological years 2009/2010–
2011/2012  applying  a  fix  albedo  as  well  as  applying  a  varying  albedo,  and  reconstruction  by  Huss  et 
al.(2013) based on stake measurements ......................................................................................................... 92 
Fig. 31: Daily observed and simulated runoff, modelled daily ablation with the fractions of ice melt and snowmelt  
and precipitation  in the Tseuzier catchment between 2010 and 2012, using different model settings and 
different meteorological data.. ........................................................................................................................ 95 
Fig. 32: Flow duration curves of observed and simulated streamflow for the period 1.10.200731.12.2012 using 
different model settings and different meteorological data ........................................................................... 97 
Fig. 33: Runoff simulated at the outlet of Tièche between 2007 and 2012, and discharge measured at Tie100 in 
the same period ............................................................................................................................................... 99 
Fig. 34: Runoff simulated at the outlet of Tièche  in 2008   and 2011, and discharge measured at Tie100  in the 
same period ................................................................................................................................................... 100 
Fig. 35: Runoff simulated at the outlet of Tièche in 2012 using set ups ; and discharge measured at Tie100 in the 
same period ................................................................................................................................................... 101 
Fig.  36:  Daily  simulated  runoff  at  the  outlet  of  Ertentse  between  1975  and  1980,  and measured  discharge 
between 1956 and 1961. ............................................................................................................................... 103 
 
Fig. 37: Monthly discharge between October 1975 and October 1981: measured on the Ertentse, simulated at 
the outlet of the Ertentse subcatchment, measured at Lie110 and the sum of the measured outflow at the 
Lourantse and Loquesse springs. ................................................................................................................... 104 
Fig.  38:  Monthly  discharge  in  the  Vatseret  subcatchment  between  October  1975  and  October  1979;  and 
between January 2007 and December 2012. ................................................................................................ 105 
Fig. 39: Mean monthly annual cycle between October and September  (hydrological year) of outflow  from: the 
sum of  the sources MOL38 and MOL9,  the RAN 1 source and  the RAN 28 source, and with additionally 
simulated streamflow at the outlet of the Boverèche subcatchment .......................................................... 107 
Fig. 40: Hourly discharge of the Boverèche measured at Colombire Oct.2010Sept.2011. .................................. 108 
Fig.  41:  Daily  simulated  discharge  of  the  Tseu_Lie  subcatchment  between  2007  and  2012  using  different 
settings: applying a  varying  soil depth, adding  the gravitational  redistribution of  snow and  changing  the 
description of albedo from a fix albedo to a varying albedo ......................................................................... 110 
Fig. 42:  (above) Annual  cycle of  simulated discharge of  the  Tseu_Lie  subcatchment between 2007  and 2012 
using  different  settings:  applying  a  varying  soil  depth,  adding  the  gravitational  redistribution  of  snow, 
changing  the  description  of  albedo  from  a  fix  albedo  to  a  varying  albedo,  and  additionally  with  the 
projections for the near  future;  (below) annual cycle of simulated discharge  in the Tseuzier catchment  in 
different years and as the mean over different periods:  for the period 19751982,  for the corresponding 
projection in the near future 20162023, for the corresponding projection in the far future 20652072 and 
for the same period but assuming clogging on the glacier, in 1976, in 1980 and in 2011 ........................... 112 
Fig. 43: Simulated  snow cover  in  the Tseu_Lie  subcatchment  for  the  three periods present  (20072012), near 
future (20482053) and far future (20972102) ............................................................................................ 115 
Fig.  44:  Spread  of  the  simulated  snow  cover  in  the  Tseu_Lie  subcatchment  for  the  two  periods  near  future 
(20482053) and far future (20972102) ....................................................................................................... 116 
Fig.  45:  Monthly  cycle  of  discharge  Q  of  the  headwaters  of  the  study  area,  as  well  as  of  each  of  its 
subcatchments for the three periods present (20072012), near future (20482053) and far future (2097
2102), with the medians of the time series, their  interquartile range (between 25 and 75% quartile), and 
their envelope representing the minimum and maximum monthly precipitation runoff ............................ 118 
Fig. 46: Monthly cycle of the components of the water balance for the headwaters of the study area in the three 
periods present (20072012), near future (20482053) and far future (20972102). .................................. 120 
Fig. 47: Monthly coefficient of determination for different extrapolations of solar radiation. ............................ 157 
Fig. 48: Conversion factor for direct radiation for a southwest exposed surface with 25° slope, and for a north
west exposed surface with 25° slope at the same location of the Montana station.................................... 157 
Fig. 49: Global solar radiation measured at the Montana station: measured and computed with GRASS .......... 157 
Fig. 50: View of the cross section of the Lie110 gauging station ........................................................................... 157 
Fig. 51: Water level measured at Loquesse against water level measured at Lie110 ........................................... 159 
Fig. 52: Stagedischarge relationship at the Lie110 gauging station ...................................................................... 160 
Fig. 53: Picture of the Loquesse spring the day of the  installation of the gauging station (24 July 2012), as seen 
from the station’s site; and picture of the installed water pressure sensor ................................................. 161 
Fig. 54: Difference in discharge between Lie110 and Lou as a function of water level recorded at Loq .............. 162 
Fig. 55:  Stagedischarge  relationship  at  the  Lourantse  gauging  station  for  the period between 12.7.2012  and 
25.10.2012. .................................................................................................................................................... 163 
Fig. 56: Picture of the gauging station Erte_2011 on 11 October 2011 ................................................................ 164 
Fig. 57:  Stagedischarge  relationship at  the Erte_2011 gauging  station  for  the period between 27.7.2011 and 
25.9.2011. ...................................................................................................................................................... 164 
Fig.  58:  Picture  of  the  installed  water  pressure  sensor  for  Erte_2012  and  overview  of  the  location  of  the 
Erte_2012 gauging station. ............................................................................................................................ 165 
Fig. 59:  Stagedischarge  relationship at  the Erte_2012 gauging  station  for  the period between 25.7.2012 and 
31.12.2012. .................................................................................................................................................... 165 
 
Fig. 60: View of the cross section of the Tie100 gauging stations ......................................................................... 166 
Fig. 61: Picture of the Tie100 gauging station. ....................................................................................................... 166 
Fig. 62: Stagedischarge relationships at the Tie100 gauging station .................................................................... 169 
Fig. 63: (above) Monthly cycle of precipitation P at MVE for the two periods 19312012 and 19802009, with the 
medians of  the  time series,  their  interquartile  range  (between 25 and 75% quartile), and  their envelope 
representing  the  minimum  and  maximum  monthly  precipitation;  (below)  the  same  as  above  but  for 
temperature T. ............................................................................................................................................... 170 
Tables     
xiii   
Tables  Tab. 1: Headwaters’subcatchments description ...................................................................................................... 14 
Tab. 2: Tseuzier’s subcatchments description .......................................................................................................... 21 
Tab. 3: List of meteorological and gauging stations already present in the study area .......................................... 25 
Tab. 4: List of meteorological, snow and rain gauging stations in the study area available 20072012 ................. 30 
Tab. 5: List of gauging stations installed in the study area in the period 20112012. ............................................. 34 
Tab. 6: Parameters values defined for the simulation of snow and icemelt with a varying albedo ...................... 65 
Tab. 7: Measured seasonal mass balance of Glacier de  la Plaine Morte  for  the hydrological years 2009/2010–
2011/2012 [m w.e.] (Huss et al. 2013) compared with the simulated melt. .................................................. 82 
Tab. 8: Mean annual  simulated water balance  components  in  the Tseuzier  catchment  for  the  two  simulation 
periods 19751982 and 20072012 in [mm].................................................................................................... 83 
Tab. 9: Performance indexes for the two simulation periods 19751982 and 20072012...................................... 90 
Tab. 10: Measured seasonal mass balance of Glacier de  la Plaine Morte for the hydrological years 2009/2010–
2011/2012  (Huss  et  al.  2013)  compared  to  the  seasonal mass  balance  simulated  applying  a  fix  albedo 
(SIMalbfix) as well as a varying albedo (SIMalbvar) in [m w.e.]. ..................................................................... 93 
Tab. 11: Mean annual simulated water balance components in the Tseuzier catchment between 2010 and 2012: 
using different model settings and different meteorological data. ................................................................ 94 
Tab. 12: Performance indexes for different model set ups and input data ............................................................. 97 
Tab. 13: Mean annual simulated water balance components between 2007 and 2012 of the Tseuzier basin and 
of the headwaters of the study area. ............................................................................................................ 109 
Tab. 14: Overview of the water availability in the headwaters of the study area for different periods ............... 119 
Tab. 15: Mean annual simulated water balance components of the headwaters of the study area for the three 
periods present (20072012), near future (20482053) and far future (209720102). ................................ 121 
Tab. 16: Monthly regression  factors  for the period 1.1.1975 31.12.1980  for computing global radiation at the 
MVE station .................................................................................................................................................... 148 
Tab.  17: Monthly  regression  factors  for  the  gap  period  between  28.2.197731.5.1977  for  computing  global 
radiation at the MVE station using data at the SIO station ........................................................................... 149 
Tab. 18: Parameters values defined for the simulation of snow and icemelt with a fix albedo .......................... 152 
Tab. 19: Landcover and topsoil parameters. .......................................................................................................... 153 
GHG  Greenhouse gas 
FOEN  Swiss Federal Office of the Environment (BAFU in german: Bundesamt für Umwelt) 
Lie SA  Lienne SA hydropower production company 
Loq  Loquesse spring 
Lou  Lourantse spring 
NRP61  National Research Programme "Sustainable Water Management" 
PIHM  Penn State Integrated Hydrologic Model 
RCM  Regional climate model 
 
2 
I 1 Object of research  In the last decades with the awareness of a changing and evolving environment, the number of studies 
on how  the climate and human activities affect  the natural systems and cycles has constantly risen, 
with the spillover effect to stimulate the development of more sophisticated models able to describe 
the system processes, and  improving predictions (Silberstein 2006; Liu and Gupta 2007).  In addition, 
efforts have been made  in order to enhance the spatial and temporal scale at which predictions are 
made. However the support of these developments by the increasing power of computers was neither 
accompanied  by  the  same  significant  increase  in  the  availability  of  data,  nor  in  the  quality  of  the 
measured data (Drécourt 2004a; Silberstein 2006). 
Particularly in conjuction with the changes expected to happen to the locally available water resources 
resulting  from climate change, an  increasing number of  regional climate change  impact assessment 
studies have been launched the last decade, with the increasing awareness that global sustainability is 
made  of  local/regional  sustainability,  and  that  resources  management  and  natural  variability  are 
tightly  coupled  and  interact.  As matter  of  fact  stakeholders, managers  and  politicians  need  to  be 
informed and included in such studies, as we need them to be able to undertake measures and make 
decisions on adaptation and mitigation strategies for the future (Reynard et al. 2014; Schneider et al. 
2014). For this purpose, the establishment of a robust and reliable modelling framework  is required. 
Hydrological or watershed models are crucial, as they serve here as exploratory and predictive tools. 
Usually  to be able  to adequately address questions about  the past, present and  future status of an 
environment it would be appropriate to focus efforts to monitor and anticipate changes and have the 
means to provide a historical context for the measurements. Yet, climate and hydrological monitoring 
in mountain areas are known to be difficult and challenging tasks, as besides the tough environment 
conditions to which measuring instruments are exposed, these remote areas require major efforts to 
visit, maintain and  keep  the measurements ongoing  (Diaz 2005). An other  fundamental problem  is 
that  often many  of  the  equations  used  to  represent  processes  occurring  in  the  hydrological  cycle 
require calibration, thus the parameters involved cannot be directly measured, or they are  invariably 
applied at a scale different to that at which they were derived (Grayson and Blöschl 2000), and this is 
even  more  true  in  alpine  areas.  Hence,  in  such  regions  since  usually  available  observations  are 
discontinuous  in  space  and  time,  and  furthermore do not provide  sufficient  information  about  the 
detailed processes that are represented by the model, it is often of practical impossibility to calibrate 
it properly for any time and spatial scales. 
Generally  it  could  be  said  that  the  inclusion  of more  processes  and/or  controlling  variables  in  the 
system  can  only  be  justified  on  the  basis  that  the  inclusion  of  additional  controlling mechanisms 
should both improve predictive skill and facilitate the estimation of parameter values on the basis of 
physiological characteristics or measurements  (Montaldo et al. 2007). On the other hand, especially 
for impact studies it is quintessential to keep the physical basis in the description of the dynamics, i.e. 
more complex and detailed, as  it assures a consistent reproduction of the behaviour of the system. 
The higher the degree of conceptualization, the higher is the danger this would lead to a model that 
mimics the system without understanding it. 
At this point  it  is clear that the choice of an appropriate model  is a demanding task, requiring good 
diplomatic  skills:  the  tradeoffs  between  parsimony,  complexity  and  robustness  should  be  tackled 
identifying  the optimum between data availability, model complexity and predictive performance.  It 
appears  that  in  this  sense  an  implicit  requirement  is  the model  to  be  flexible,  i.e.  extensible  and 
I                      INTRODUCTION  I 1 Object of research 
 
 
adaptable to the given circumstances. 
For most of  the  countries around  the world basic digital geospatial data  such as a digital elevation 
model  (DEM),  soil,  geology  and  landuse maps  are  actually  available, with  varying  resolution  and 
precision. They allow a  topographic as well as a physiographic characterization of  the environment, 
whose features can be described with attributes. If sufficiently accurate these attributes have a great 
potential,  and  regardless  of  being  quantitative  or  qualitative,  are  viewed  as  relevant  and 
discriminatory  indicators  for processes  (Pflaunder 2001). These data, as well as any other source of 
information like studies carried out within or close to the study area or literature should be combined 
and exploited in order to allow the implementation of a physically based model, despite the possible 
scarcity  of  data  and  observations  on  site. Maybe  one  or  some  of  the  processes might  need  some 
degree  of  simplification,  in  which  case  adjustments  of  the  parameters  will  be  needed,  allowing 
tailoring the model to the specific behaviour of the studied system. Automatic methods for parameter 
adjustment seek to take advantage of the speed and power of digital computers, while being objective 
and relatively easy to implement. In contrast, the trial and error method (manual approach), which has 
been developed and refined over the years to result in excellent model calibration, is complicated and 
highly laborintensive, and the expertise acquired by the modeller is not easily transferred (Boyle et al. 
2000). However here  this  limitation  is not considered decisive  in carrying out  the modelling  task, as 
this configuration is still considered representative of the best process understanding achievable from 
available data and catchment knowledge (Konz et al. 2010). 
All  in all,  the use of a procedure  including manual calibration and commonly available data appears 
particularly promising, as  it offers the possibility to rely almost entirely on the available data, exploit 
the hydrological knowledge of experts and transfer the model settings established  in subbasins with 
relatively  good  data  to  other  ungauged  basins.  Such  applications  suggest  that  the model  can  be 
regarded  as  a  very  powerful  tool  for monitoring  water  resources:  it  serves  as  an  interpolator  at 
locations where it is practically impossible to observe the necessary information (Drécourt 2004a). 
Of course, all of this envisages the availability of (at least) one subbasin where the model settings can 
be verified either through direct measurements, or indirectly through some kind of plausibility checks. 
In  order  to  judge model’s  predictive  performance meaningful  criteria  need  to  be  chosen.  Spatio
temporal  dynamics  as  well  as  spatial  fields  of  instantaneous  and  timeintegrated  hydrological 
variables,  such  as  evapotranspiration,  soil  moisture,  channel  discharge,  or  more  typical  and 
characteristic for an alpine environment such as snowpack and snow melt, are adequate variables to 
make  such  an  evaluation.  The  quality  and  confidence  of  these  different  intermediate  results, 
respectively measurements, must be carefully appraised, because of course data can be corrupted by 
different  types of error. Uncertainties might be present  in  the  forcing  terms,  in  the measurements 
themselves  as well  as  in  the  spatial  (or  eventually  temporal)  extrapolation  of  these,  in  the model 
structure  and  parametrization.  Moreover  scaling  uncertainties  arise  from  differences  in  the 
discretization  of  the  model,  in  the  description  of  the  physics  behind  this  and  finally  from  the 
observations, which  are  usually  carried out  at  a precise point  location  (Melching  et  al. 1990).  Still, 
usually the accuracy of at least some of these data is good enough to represent a precious source of 
information,  enabling  to  evaluate  reasonably  well  the  outcomes  of  the  applied  modelling  chain. 
Montanari  and  Di  Baldassarre  showed  that  if  measurements  are  made  following  stateoftheart 
techniques,  observation  uncertainty  has  a  limited  impact,  with  respect  to  model  structural 
uncertainty, on the results of hydrological models (Montanari and Di Baldassarre 2013). Further they 
  I                      INTRODUCTION  I 1 Object of research 
 
4 
showed that particular care should be taken in discarding measurements, as in hydrological modelling 
any information is important and the presence of data errors does not necessarily limit the usefulness 
of observed records, from what it follows that an appropriate selection of hydrological complexity and 
calibration  strategy  can  increase  the  robustness  of  hydrological  applications  against  data  errors 
(Montanari and Di Baldassarre 2013). 
The hydrological cycle  in alpine environments  is  to a  large extent controlled by snow accumulation, 
storage,  redistribution,  and  melting  (Parajka  et  al.  2012;  Warscher  et  al.  2013).  High  altitudinal 
gradients,  a  strong  variability  of  meteorological  variables  in  time  and  space,  usually  only  locally 
quantified  snow  cover  dynamics,  complex  and  often  unknown  hydrogeological  settings,  and 
heterogeneous  land use and  soil  formations  result  in high uncertainties  in  the quantification of  the 
water balance and  the prediction of discharge rates  (Warscher et al. 2013). However, despite  these 
difficulties,  hydrological modeling  systems  are  needed  and  applied  to  serve  and  support  decision 
making in water management. This is particularly the case in mountainous regions, which play a crucial 
role as  the “water  towers”  feeding downstream areas  (Viviroli et al. 2007). The more  the processes 
occurring at  these high elevations are  simplified and conceptualized within a model,  the more  they 
suffer from a lack of physical relevance and physical parameter interpretability (Drécourt 2004b; Clark 
and  Vrugt  2006).  This  implies  that  their  predictability  for  new  climate  or  environmental  boundary 
conditions  might  be  restricted  and  not  representative.  Therefore  increasingly  complex  physically 
based models are applied. This may enable a more comprehensive and enhanced perspective of the 
sensitivity  and  the  effects  of  climate  change  on  the water  balance,  including  the  consideration  of 
feedback processes on the different components of the hydrological cycle (for example the effects of 
snow albedo on snow cover pattern, and ultimately on runoff generation (Jost et al. 2012; Pellicciotti 
et al. 2012)). Furthermore, internal inconsistencies, such as an underestimation of precipitation input 
that can be compensated for by an overestimation of meltwater (Konz and Seibert 2010; Pellicciotti et 
al. 2012), might be reduced or avoided. However, while the hydrological predictability might increase 
with  complex models, data demands of  course  increase  as well. A parallel evaluation of  these  two 
issues, increased complexity and increased data availability, should help us to evidence, wheter we are 
getting the right answers for the right reasons. In a time of local and global change in the water cycle, 
when practical hydrological applications are increasingly used for impact studies and risk analysis this 
is crucial. 
During the past decades the Alpine climate has been subject to pronounced decadalscale variability, 
but  also  to  distinctive  longterm  trends  consistent with  the  global  climate  response  to  increasing 
greenhouse gas  (GHG) concentrations  (Gobiet et al. 2014).  In  the  last 100 years  the average annual 
temperature in Switzerland has risen by more than 1.5° C (FOEN 2012). A trend analysis of 1959–2008 
gridded Swiss  temperatures  showed  that  the  seasonal  trends are all positive and highly  significant, 
with  an  average  annual warming  rate  of  0.35°C/decade  (Ceppi  et  al.  2012).  Spatial  and  temporal 
variability are pronounced on a seasonal scale, however they clearly identified an anomalouslystrong 
warming at  low elevations in autumn and early winter and aboveaverage spring temperature trends 
at  elevations  close  to  the  snowline  (Ceppi  et  al.  2012).  Warming  in  Switzerland  ,  particularly 
pronounced  from 1980 onwards, appears to be about twice that of the global average  (FOEN 2012; 
Gobiet et al. 2014), which may be explained  in part by  the differences  in physical characteristics of 
land and  sea  surfaces and  is mainly caused by water vapour enhanced greenhouse warming  (FOEN 
2012; Philippona 2013). Furthermore,  large areas  in  the northern hemisphere, and  in particular  the 
Alps, are permanently or during prolonged periods covered with ice and snow. These areas are getting 
I                      INTRODUCTION  I 1 Object of research 
 
 
5   
smaller, meaning there is a larger dark surface area and