As flood intensities are increasing, Flood Early Warning Systems (FEWS) are becoming more crucial so the right mitigation measures can be taken. This study focused on the Phetchaburi river basin in Thailand, which experiences floods yearly. Currently, precipitation data from rain gauges are used in the FEWS for this region. However, weather radar is also available in Thailand. Weather radar is usually able to capture the spatial variability of precipitation in more detail. Therefore, this study aimed to research the effect of spatially distributed precipitation on flood modelling in the Phetchaburi river basin.

Using HEC-RAS, a hydrodynamic rainfall-runoff model of the Phetchaburi river basin was made. The area of interest was the middle reach of the Phetchaburi river and its two tributaries, lying in-between three reservoir dams upstream and the Phet Diversion Dam downstream. The Phetchaburi river and its tributaries were calibrated using measured dam outflow and water level data. Three types of precipitation data were used as input, namely homogeneous precipitation data and spatially distributed precipitation data obtained from weather radar and from rain gauges.

High infiltration rates were found for the Phetchaburi river basin. When homogeneous precipitation data was used as input, precipitation intensity would be too low, allowing all precipitation to infiltrate into the subsurface. Using homogenous precipitation data as input results in a underestimation of floods. On the contrary, precipitation intensities in spatially distributed precipitation data were high enough to exceed the soil infiltration capacity, leading to surface runoff and floods. When solely looking at the water balance, using precipitation data from weather radar and rain gauges as input lead to similar results. However, when it came to the water levels at specific locations, precipitation data from weather radar performed better. The density of the rain gauge network in the Phetchaburi river basin is too low to capture the spatial variability of the precipitation events in detail. This resulted in floods or the
lack thereof at the wrong locations. Weather radar captures the spatial variability of precipitation in greater detail than rain gauges can. This study showed that using precipitation data from weather radar as input results in more accurate flood modelling in the Phetchaburi river basin.

In het project Delft Meet Regen zijn er ongeveer 90 inwoners in Delft die een eigen handmatige regenmeter hebben gekregen en elke ochtend het aantal millimeters regen meten dat gedurende de ongeveer 24 uur daaraan voorafgaand is gevallen. De data van deze regenmeters gedurende een periode van ongeveer 6 weken zijn vergeleken met die van het automatische weerstation van het KNMI bij Rotterdam Airport, de regenmeter van het vrijwilligersnetwerk van het KNMI bij de Botanische tuin in Delft, en de automatische weerstations die verbonden zijn met het WOW-NL netwerk. De data van het automatische weerstation van het KNMI bij Rotterdam Airport zijn vergeleken met de gemiddelde waarden van de data van het Delft Meet Regen project, waarbij de verschillen te inconsistent zijn om dit aan een systematische fout te wijten. De buien in Delft verschillen van de buien in Rotterdam. De neerslagdata van de regenmeter van het vrijwilligersnetwerk van het KNMI volgen bijna dezelfde patronen als de regenmeter van het Delft Meet Regen project, met een afwijking van enkele millimeters. Er zijn vijf meetpunten waar de handmatige regenmeters van het Delft Meet Regen project zijn vergeleken met de automatische weerstations die zijn verbonden met het WOW-NL netwerk die op dezelfde locatie staan. Op een na, volgden de data van de handmatige regenmeter bijna dezelfde patronen als het automatische weerstation. Hierbij was er in de meeste gevallen een afwijking van enkele millimeters, waarbij sommige regenmeters een grotere afwijking vertoonden dan andere.