Wissenschaftler der TH Lübeck um Prof. Ozgur Kisi und Prof. Christoph Külls berechnen mithilfe von Satellitendaten und maschinellem Lernen Abflussvorhersagen von Flüssen.
Wasser bewegt sich in einem ständigen Kreislauf von Verdunstung, Kondensation, Niederschlag, Abfluss und erneuter Verdunstung. Dabei gilt der Abfluss des Wassers als eine der wichtigsten Komponenten des Wasserkreislaufs der Erde.
Er beschreibt die Wassermenge, die als Niederschlag in einem bestimmten Gebiet anfällt und durch den natürlichen Abfluss über Bäche und Flüsse in unsere Seen und Meere gelangt. Während ein hoher Abfluss zu Überschwemmungen und Stauungen führen kann, kann sich ein geringer Abfluss nachteilig auf die von dem Fluss abhängigen Ökosysteme auswirken.
Abfluss muss vorhersehbar sein
In beiden Fällen können die Folgen verheerend sein und zu schwerwiegenden sozioökonomischen Schäden und zur Zerstörung von Ökosystemen führen. Der Abfluss des Wassers muss also so genau wie möglich vorhergesagt werden, da er für die Wasserwirtschaftsplanung, die Sicherstellung und Regulierung der Trinkwasserversorgung sowie die Bewältigung von Dürren von entscheidender Bedeutung ist.
Dabei wirken sich zahlreiche Variablen, wie das Klima und die Hydrologie, die hydraulischen Eigenschaften des Flusses (Durchfluss, Fließgeschwindigkeit, Wasserspiegellage), die Höhenlage und die Wasserentnahme auf den Abfluss aus. In Kombination mit einer wachsenden Ungewissheit und hydroklimatischen Risiken wird es immer schwieriger den Abfluss genau vorherzusagen und die Schwachpunkte von Flusssystemen zu beheben.
Satellitendaten und maschinelles Lernen
Ozgur Kisi und Christoph Külls der TH Lübeck haben mit einem internationalen Team in einer Studie die Tauglichkeit von drei Methoden des maschinellen Lernens (CatBoost (CB), Random Forest (RF) und Extreme Gradient Tree Boosting (XGBoost, XGB)) für monatliche Abflussvorhersagen unter Verwendung von Abflussdaten von drei Stationen in der Türkei (Ducurasu, Sutluce und Kale) und Satellitenniederschlagsdaten von Tropical Rainfall Measuring Mission (TRMM) untersucht.
Im ersten Teil der Studie haben die Forschenden den Abfluss an jeder Station vorhergesagt. Im zweiten Teil bestimmten sie ihn an der flussabwärts gelegenen Station anhand der Daten der flussaufwärts gelegenen Stationen vorher.
Die Ergebnisse zeigten, dass die TRMM Satellitendaten nicht nur sehr genau und für die monatlichen Abflussvorhersagen sehr nützlich sind, sondern auch, dass sie die Fähigkeit der Methoden des maschinellen Lernens (z. B. CB, RF und XGB) erheblich verbessern.
Die Ergebnisse aus der Studie können nützliche Informationen für Entscheidungsträger liefern, insbesondere in Entwicklungsländern, in denen Niederschlagsdaten aus technischen Gründen fehlen oder gar nicht vorhanden sind.
-Pressemitteilung THLübeck/idw-
