Verlässliche Vorhersagen des Wasserstands und Durchflusses gehören im Hochwasserfall zu den Grundvoraussetzungen eines effizienten Katastrophenmanagements. Die Methoden dieser Durchflussvorhersagen unterliegen einer immer rasanteren Entwicklung. Teil dessen sind Künstliche Neuronale Netze (KNN). Sie zählen zu den Datengetriebenen Modellen und reagieren daher empfindlich auf die Qualität, Quantität und Relevanz der Input- bzw. Trainingsdaten.

Bisher durchgeführte Untersuchungen am Institut für Hydrologie und Meteorologie der TU Dresden nutzten sowohl stündliche Durchfluss- als auch Niederschlagszeitreihen für die Abbildung des Niederschlags-Abfluss-Prozesses mit KNN, z.B. Deep Learning LSTM-Netzen (Long Short-Term Memory - eine Subkategorie von KNN). Die Niederschlagswerte entstammten Gebietsmitteln aus Radardaten, in welchen die räumliche Struktur des Niederschlags und damit wichtige Informationen für die Niederschlags-Abfluss-Modellierung verloren gehen. Dies ist insbesondere bei kleinräumigen, konvektiven Regenereignissen ein Problem.

Im Rahmen des Projekts KIWA („Künstliche Intelligenz für die Hochwasserwarnung“) wird nun eine Studie mit dem Ziel durchgeführt, die Verlässlichkeit der Hochwasservorhersagen eines LSTM-Netzes durch eine Ergänzung der Inputdaten um statistische Niederschlagsinformationen zu verbessern. Dazu werden die Gebietsmittelwerte des Niederschlags aus stündlichen Radardaten um statistische Informationen wie Gebietsmaximum und -minimum der Niederschlagsintensität, sowie deren Standardabweichung über dem Gebiet ergänzt.

Da diese Informationen zusätzliche Details zur Niederschlagsintensitätsverteilung über dem Gebiet enthalten, wird eine Verbesserung der Durchflussvorhersagegüte, ebenso wie eine Verbesserung des Timings erwartet. Zudem wird erwartet, dass das LSTM-Netz aus den statistischen Informationen lernt, die Relevanz und Qualität der zugespielten Niederschlagswerte besser einzuordnen und die den Gebietsmitteln inhärenten räumlichen Unsicherheiten abzuschätzen. Das daraus resultierende Wissen des Netzes kann nun für eine Durchflussvorhersage genutzt werden, welche zusätzlich Informationen zur Vorhersageunsicherheit kommuniziert.

Die vorläufigen Ergebnisse dieser Untersuchung werden anhand von kleinen sächsischen Einzugsgebieten mit unterschiedlichen hydrologischen und geographischen Eigenschaften präsentiert.