Starkregen und daraus resultierende Hochwasser und Überflutungen gehören zu den größten Naturgefahren mit gravierenden Auswirkungen auf Mensch, Natur und Infrastruktur – vor allem in kleinen Flusseinzugsgebieten. Im vom Karlsruher Institut für Technologie (KIT) koordinierten Projekt KI-HopE-De wollen Forschende, Wetterdienste und Hochwasserzentralen die Vorhersage solcher Hochwasser in Deutschland mithilfe Methoden des Maschinellen Lernens maßgeblich verbessern.
Hochwasserereignisse in kleinen Flusseinzugsgebieten – also Gebiete von etwa fünf bis 500 Quadratkilometern – treten bei extremen Wetterbedingungen schnell und lokal auf. Das verkürzt die Vorwarnzeiten und erhöht die Unsicherheiten der meteorologischen und hydrologischen Vorhersagen.
Die Bundesländer veröffentlichen deshalb für kleinere Flüsse meist nur regionale, einzugsgebiets- oder landkreisbezogene Warnstufen und keine detaillierten Vorhersagen. „Unser Hauptziel ist es daher, das erste nationale, probabilistische Hochwasservorhersagemodell zu entwickeln, das eine konsistente und zuverlässige Vorhersage für das gesamte Bundesgebiet ermöglicht“, sagt der Projektleiter Dr. Ralf Loritz vom Institut für Wasser und Umwelt des KIT.
Um solche kurzfristigen Hochwasservorhersagen von bis zu 48 Stunden für kleine Einzugsgebiete erstmals möglich zu machen und sie effizienter, robuster und flexibler zu gestalten, untersuchen und entwickeln die Forschenden im Verbundprojekt KI-HopE-De (steht für „Kl-gestützte Hochwasserprognose für kleine Einzugsgebiete in Deutschland“) Methoden der Künstlichen Intelligenz.
„Wir wollen einen umfassenden hydro-meteorologischen Datensatz erstellen, der weltweit öffentlich zugänglich ist und sowohl Mess- als auch Vorhersagedaten enthält. Diese beziehen wir aus eigenen Quellen sowie vom Deutschen Wetterdienst und über verschiedene Landesumweltämter aus ganz Deutschland“, so Loritz.
Der Datensatz soll die Grundlage bilden, um künftig hydrologische Vorhersagemodelle zu trainieren und zu vergleichen. Loritz schätzt das Potenzial moderner Methoden des Maschinellen Lernens hier als enorm ein. Sie seien in der Lage, komplexe Zusammenhänge in hydrologischen Datensätzen zu erlernen und so robuste und recheneffiziente Simulationen auf Basis hydro-meteorologischer Messdaten und numerischer Wettervorhersagen zu generieren.
„Die Forschung zeigt, dass diese Modelle physikalisch basierten Modellen, wie sie aktuell in der Hochwasservorhersage eingesetzt werden, mindestens ebenbürtig und teilweise bereits überlegen sind“, sagt der Hydrologe.
Anwendungsorientierte Entwicklung erleichtert Transfer in die Praxis
Das Projekt KI-HopE-De ist interdisziplinär und institutionenübergreifend angelegt: Es bündelt Expertise aus Hydrologie, Meteorologie sowie Maschinellem Lernen und verbindet Universitäten, nationale Großforschungseinrichtungen sowie Landes- und Bundesbehörden. Neben dem KIT sind der Deutsche Wetterdienst (DWD), das Landesamt für Umwelt Rheinland-Pfalz (LfU RP) und das Landesamt für Natur, Umwelt und Verbraucherschutz Nordrhein-Westfalen (LANUV NRW) Projektpartner.
„Wir erforschen und entwickeln die Modelle von Anfang an gemeinsam mit den späteren Anwendern – in diesem Fall den Landesbehörden“, sagt Loritz. „Damit stellen wir eine anwendungsorientierte Prototypenentwicklung sowie den Kompetenzaufbau bei den späteren Nutzern sicher und erleichtern so den Praxistransfer.“
Mit KI-HopE-De wollen die Forschenden wesentlich zur öffentlichen Sicherheit und dem Hochwasserschutz beitragen. Professor Peter Knippertz vom Institut für Meteorologie und Klimaforschung Troposphärenforschung des KIT, einer der Projektverantwortlichen, erklärt: „Wir schaffen eine innovative, prototypische Plattform, die potenziell von allen Hochwasservorhersagezentren in Deutschland übernommen werden könnte.“