Hydrotec als Aussteller auf zwei Fachveranstaltungen
04.06.2025
Fachzeitschrift Wasserwirtschaft berichtet über neue Hochwasser-Warnsysteme für das Saarland
25.06.2025
Fachveröffentlichung zum KI-Einsatz in der hydrologischen Praxis
In der Ausgabe 05/2025 der Fachzeitschrift Wasser und Abfall, die sich dem Thema „Digitalisierung in der Wasserwirtschaft“ widmet, stellen Hydrotec-Gesellschafter Benedikt Rothe und Dr. Judith Nijzink in einem Fachartikel die Anwendung von KI-Techniken in der hydrologischen Praxis vor.
Im Fokus des Beitrags steht die Niederschlag-Abfluss-Modellierung (NA-Modellierung) mittels Neuronaler Netze. Dabei kommen sogenannte Long-Short-Term-Memory-Netzwerke (LSTM-Netzwerke) zum Einsatz. Im Gegensatz zu klassischen NA-Modellen, welche umfangreich kalibriert werden müssen, können Neuronale Netze aus hydrologischen Zeitreihen lernen und darauf basierend Abflussprognosen erstellen. Für die LSTM-Netzwerke wurden drei Ausbaustufen näher betrachtet:
- Pegelprognose für bekannte Messstelle: Training eines Neuronalen Netzes mit gemessenen Abflusswerten an einem Pegel und Niederschlags- und Klimadaten
- Prognose für mehrere Pegel gleichzeitig: Training eines gemeinsamen Neuronalen Netzes für mehrere Pegel, neben Niederschlags- und Pegeldaten gehen auch Charakteristiken der Pegeleinzugsgebiete mit ein
- Abflussberechnung für unbeobachtete Stellen: Abflussprognose an Gewässerpunkten ohne Pegel, Charakteristiken des Einzugsgebietes müssen bekannt sein
Die Ergebnisqualität des KI-Ansatzes wurde mit Messdaten und dem NA-Modell NASIM verglichen. Dabei hat sich gezeigt, dass die Modellperformance besonders bei Winterereignissen gut abschneidet. Sommerereignisse, bei denen es sich oft um lokale, konvektive Starkregenereignisse handelt, werden derzeit schlechter durch den KI-Ansatz abgebildet als durch herkömmliche NA-Modelle.
Fazit der Untersuchung ist, dass Neuronale Netze in Bezug auf Aufwand und Rechenzeit Vorteile bieten gegenüber klassische NA-Modelle, welche bisher jedoch bessere Ergebnisse liefern. Eine verbesserte Prognosequalität der Neuronalen Netzwerke ist deshalb für den operationellen Betrieb wünschenswert.
Für einfache Aufgabenstellungen eignen sich die Neuronalen Netze bereits sehr gut. Erste Anwendungen im operationellen Betrieb, beispielsweise in Vorhersagesystemen, wurden bereits erfolgreich realisiert.