Hochwasser gehören zu den am häufigsten auftretenden Naturkatastrophen in Deutschland. Ihre verlässliche Vorhersage ist daher unabdingbar für ein effizientes Katastrophenmanagement und zum Schutz von Leben, Eigentum, Infrastruktur und Kulturgut. Im Forschungsfeld zu Methoden der Hochwasservorhersage haben sich in den letzten Jahren besonders Methoden des Deep Learning hervorgetan – unter ihnen Long Short-Term Memory (LSTM) Netze.
Für einen effizienten Katastrophenschutz werden zeitlich fein aufgelöste Durchflussvorhersagen benötigt. Vergangene Arbeiten an der TU Dresden mit LSTM-Netzen zeigen gewisse Herausforderungen bei Verwendung stündlich aufgelöster Inputdaten, wie zum Beispiel systematisch schlechtes Timing in der Durchflussvorhersage (Pahner et al. (2019) und Morgenstern et al. (2021)). Zusätzlich dazu ist es im Katastrophenschutz zuweilen nötig, Hochwasservorhersagen auch für bislang unbeobachtete Einzugsgebiete (EZG) zu machen, es wird also ein regional generalisierungsfähiges Niederschlags-Abfluss-Modell mit einer feinen zeitlichen Auflösung benötigt. Ein möglicher Ansatz dafür wird von Kratzert et al. (2019) und Fang et al. (2021) vorgeschlagen: Sie weisen nach, dass LSTM-Netze für die Niederschlags(N)-Abfluss(A)-Modellierung von einer Inklusion vielfältiger EZG im Trainingsdatensatz anstelle von einem streng lokalen Datensatz profitieren, da die Netze dadurch universelles hydrologisches Gebietsverhalten erlernen können. Der in diesen Studien verwendete Trainingsdatensatz basiert jedoch auf Daten in täglicher Auflösung.
Angelehnt an diesen Ansatz werden die LSTM-Netze in der hier präsentierten Studie einerseits anhand einzelner EZG („lokales Netztraining“) und andererseits anhand von Kombinationen diverser EZG („regionales Netztraining“) trainiert. Die verwendeten Trainingsdaten in stündlicher Auflösung bestehen aus Gebietsmitteln des beobachteten Niederschlags, abgeleitet aus dem RADOLAN-RW-Datensatz des DWD, sowie aus gemessenen Durchflüssen an langjährigen Beobachtungspegeln des Landesamtes für Umwelt, Landwirtschaft und Geologie in Sachsen. Sie stammen speziell von kleinen, schnell reagierenden sächsischen Einzugsgebieten mit unterschiedlichen hydrologischen und geographischen Eigenschaften, welche ebenfalls im Netztraining zum Tragen kommen. Folgende Fragestellungen werden untersucht und die vorläufigen Ergebnisse gezeigt:
1. Mit einer feineren zeitlichen Auflösung als Tageswerten treten Charakteristika von Hochwasserwellen deutlicher hervor. Ermöglicht ein regionales LSTM-basiertes N-A-Modell, bezogen auf die detaillierte Simulation von Hochwasserwellen, eine treffendere und robustere Durchflussvorhersage gegenüber einem lokalen LSTM-basierten N-A-Modell, gerade bei seltenen Extremereignissen?
2. Ist ein auf dieser zeitlichen Auflösung trainiertes, regionales LSTM-basiertes N-A-Modell übertragbar auf unbeobachtete Gebiete oder Gebiete mit für das Netztraining ungeeigneten Durchflussbeobachtungen?

Literatur / References
Fang, K., Kifer, D., Lawson, K., Feng, D., Shen, C. (2022). The Data Synergy Effects of Time-Series Deep Learning Models in Hydrology. In: Water Resources Research (58). DOI: 10.1029/2021WR029583
Kratzert, F., Klotz, D., Shalev, G., Klambauer, G., Hochreiter, S., Nearing, G. (2019). Towards learning universal, regional, and local hydrological behaviors via machine learning applied to large-sample datasets. Hydrology and Earth System Sciences (23), S. 5089–5110. DOI: 10.5194/hess-23-5089-2019
Pahner, S., Mietrach, R., Schütze, N. (2019): Flood Forecasting in small catchments: a comparative application of long short-term memory networks and artificial neural networks. DOI: 10.13140/RG.2.2.36770.89286.
Morgenstern, T., Pahner, S., Mietrach, R., Schütze, N. (2021): Flood forecasting in small catchments using deep learning LSTM networks. DOI: 10.5194/egusphere-egu21-15072