Heft 4
Online flood forecasting in fast responding catchments on the basis of a synthesis of artificial neural networks and process models
von Johannes Cullmann (2006)
Zusammenfassung: Eine umfassende Analyse der bestehenden Hochwasservorhersagesysteme beleuchtet Vorteile und Schwachpunkte heutzutage angewandter Ansätze. Dabei fällt besonders auf, dass in aktuellen Hochwasservorhersagemodellen nur ein einziger Parametersatz zur Beschreibung der vielfältigen Muster der Hochwasserentstehung verwendet wird. Die Arbeit begegnet diesem strukturellen Schwachpunkt mit einem alternativen Ansatz der Modellparametrisierung. Die damit mögliche Verwendung multipler Parametersätze in einem Modell erlaubt die Integration grundlegend verschiedenen Muster der Hochwasserentstehung in einem Modell. Weitere Schwachpunkte der aktuellen Hochwasservorhersage erschweren derzeitig den operationellen Echtzeiteinsatz, besonders die langen Rechenzeiten der detaillierten prozessbeschreibenden Modelle und deren komplizierte Anwendung. Die neue PAI-OFF Methodik (Process Modelling and Artificial Intelligence for Online Flood Forecasting) bietet einen Ausweg aus dieser generellen Problematik. PAI-OFF vereinigt die Zuverlässigkeit und Prognosefähigkeit detaillierter, physikalisch begründeter Prozessmodellierung mit den Vorteilen künstlicher neuronaler Netze. Letztere zeichnen sich insbesondere durch einfache Handhabung und enorm kurze Rechenzeiten in der Anwendung aus. Somit entsteht ein schnelles, robustes und trotzdem zuverlässiges Modell, welches die Online-Betrachtung von Vorhersageunsicherheiten mittels Monte-Carlo-Simulationen erlaubt. Die Synthese der physikalisch fundierten Modelle mit künstlichen neuronalen Netzen wird durch eine spezielle Trainingsstrategie möglich. Dabei werden die Netze nicht mehr – wie bisher üblich – anhand historischer Daten trainiert. Das PAI-OFF-Netz lernt stattdessen die allen möglichen Hochwasserentstehungsmustern zugrunde liegende Prozessdynamik, welche mit den physikalisch fundierten Modellen beschrieben wird. Somit entsteht ein zuverlässig vorhersagefähiges Modell für den operativen Einsatz, welches beispielhaft zur Vorhersage des Augusthochwassers 2002 am Pegel Kriebstein im Osterzgebirge angewendet wird.