Die Regionalisierung hydrologischer Größen spielt eine zentrale Rolle in der Hydrologie, da z.B. Größen wie der Niederschlag nur punktuell erfasst werden, aber häufig für die hydrologische Modellierung eine Information über die räumliche Verteilung dieser Größen benötigt wird. Für die Regionalisierung werden Interpolationsverfahren wie Kriging verwendet, die aber zu einer Glättung der Regionalisierungsgröße führen. Damit zuverlässige Aussagen in der Hydrologie getroffen werden, ist es aber oftmals notwendig, dass die Variabilität der Größen erhalten bleibt. Stochastische Simulationsverfahren bieten diese Möglichkeit. Im Rahmen dieser Arbeit wird daher die Anwendung einer stochastischen Simulation für den Niederschlag demonstriert, indem räumlich hochaufgelöste stündliche Niederschlagsfelder für beobachtete und für unbeobachtete Extremereignisse erstellt werden. Dabei wird gezeigt, welche Bedeutung die stochastische Simulation des Niederschlags bei der Entwicklung eines effizienten Hochwasservorhersagesystems hat.
Die PAI-OFF-Methodik (Process modelling and Artificial Intelligence for Online Flood Forecasting) vereint die Zuverlässigkeit physikalisch basierter hydrologischer/hydraulischer Modellierung mit den operationellen Vorzügen von Methoden der künstlichen Intelligenz. Diese Vorzüge sind: extrem geringer Rechenaufwand zur Erstellung einer Vorhersage, Robustheit sowie einfache Handhabbarkeit des Vorhersagesystems. Die Anwendung von PAI-OFF erfordert dabei zunächst die Erstellung eines physikalisch basierten hydrologischen Modells für ein zu betrachtendes Einzugsgebiet. Wenn besondere hydrodynamische Bedingungen auftreten, wie z.B. Rückstaueffekte beim Hochwasserwellenablauf, wird ein hydrodynamisches Wellenablaufmodell für die betreffenden Flussabschnitte mit einbezogen. Beide Modelle werden anschließend zur Simulation der Reaktion des Einzugsgebiets auf die Bandbreite potentiell Hochwasser auslösender Niederschlagsereignisse genutzt. Die resultierenden Niederschlags-Abfluss-Daten bilden die Grundlage einer Datenbank korrespondierender Input-Output-Vektoren. Die Datenbank wird weiterhin durch hydrologische/meteorologische Informationen zur Charakterisierung des Gebietszustandes vor Ereignisbeginn vervollständigt. Diese Datenbank dient dann dem Training jeweils eines künstlichen neuronalen Netzwerkes: ein Polynomielles Neuronales Netz (PoNN) zur Abbildung der Niederschlags-Abfluss-Funktion sowie ein Multilayer-Feedforward-Netzwerk (MLFN) zur Porträtierung des Hochwasserwellenablaufs. Nach der Vorstellung der theoretischen Grundlagen präsentieren wir die Anwendung der PAI-OFF-Methodik für die Hochwasservorhersage im schnell reagierenden Einzugsgebiet der Freiberger Mulde (Einzugsgebietsgröße ca. 3000 Quadratkilometer) im Sächsischen Erzgebirge. Sowohl die ausgesprochene Rechenschnelle, als auch die hohe Güte der Vorhersage unterstreichen das Potential der PAI-OFF-Methodik für die Online-Hochwasservorhersage in schnell reagierenden Einzugsgebieten.
Zitierung:
VOGELBACHER, A. (2014): Zuverlässigkeitsaussagen in der Praxis der Hochwasserwarnung und -vorhersage in Bayern. – Hydrologie und Wasserbewirtschaftung 58 (2), 148–154; DOI: 10.5675/HyWa_2014,2_10
Hydrologie und Wasserbewirtschaftung 58. Jahrgang, Heft 2, April 2014
Autor/Autorin:
Manfred Bremicker und Daniel Varga
Schlagworte:
Baden-Württemberg, Hochwasserfrühwarnung, Hochwasservorhersage, Kommunikation von Vorhersagen, Nutzungsmöglichkeiten von Frühwarnungen, Unsicherheiten
Zitierung:
BREMICKER, M. & D. VARGA (2014): Kommunikation der Verlässlichkeit von Hochwasserfrühwarnung und Hochwasservorhersage in Baden-Württemberg. – Hydrologie und Wasserbewirtschaftung 58 (2), 76–83; DOI: 10.5675/HyWa_2014,2_3
Ensemblevorhersagen zielen darauf, die Vorhersageunsicherheit einzurahmen und Wahrscheinlichkeitsangaben für das Überschreiten kritischer Werte zu ermöglichen. Hier wird ein Ensemblesystem für das operationelle Hochwassermanagement präsentiert, welches meteorologische Vorhersagen der drei Systeme COSMO-LEPS, SRNWP-PEPS und COSMO-DE zur Simulation von Abflussvorhersagen mit einem Niederschlag-Abfluss-Modell kombiniert. Es wurden Vorhersagen für das Mulde-Flusseinzugsgebiet aus den Jahren 2002 bis 2008 ausgewertet. Es zeigte sich, dass Ensembles eine bessere Einschätzung der Vorhersageunsicherheit ermöglichen. In Kombination mit einer ständigen Aktualisierung der Bewertung durch Kurzfristvorhersagen und Datenassimilation bieten sie einen Mehrwert für das Hochwassermanagement.
Zitierung:
RESZLER, C., J. KOMMA, G. BLÖSCHL & D. GUTKNECHT (2006): Ein Ansatz zur Identifikation flächendetaillierter Abflussmodelle für die Hochwasservorhersage. – Hydrologie und Wasserbewirtschaftung 50 (5), 220–232
Dieser Beitrag schlägt eine Methode vor, die Parameter und die Struktur flächendetaillierter Abflussmodelle für ein konkretes Einzugsgebiet unter Verwendung prozessbezogener flächenspezifischer Informationen zu bestimmen. Das Ziel ist dabei, die Prozesse in jedem einzelnen Pixel möglichst wirklichkeitsnah zu beschreiben, um eine größtmögliche Genauigkeit bei der Hochwasservorhersage bei unterschiedlichen Situationen zu erzielen. Die Methode sieht fünf Schritte vor: Schritt 1: Setzen von a priori Parameterwerten; Schritt 2: Feinabstimmung der räumlichen Muster durch spektrale Entmischung; Schritt 3: Parametereichung (Feinabstimmung); Schritt 4: Feinabstimmung der Modellstruktur; Schritt 5: Plausibilitätskontrolle der simulierten räumlichen Muster. Die Methode wird an Hand der Abflussmodellierung für die Hochwasservorhersage am Kamp beschrieben.
Hydrologie und Wasserbewirtschaftung 49. Jahrgang, Heft 5, Oktober 2005
Autorin/Autor:
Gerd H. Schmitz, Johannes Cullmann, Wilfried Görner, Franz Lennartz und Werner Dröge
Schlagworte:
Hochwasservorhersage, kleine Einzugsgebiete, Modellierung, PAI-OFF, künstliche neuronale Netze
PAI-OFF (Process Modelling and Artificial Intelligence for Online Flood Forecasting) ist eine neue Methodik, die zuverlässige Hochwasservorhersagemodelle auf dem aktuellsten Wissensstand einer Echtzeitanwendung für den operativen Einsatz zugänglich macht. Die Auflösung des Widerspruchs zwischen der rechenintensiven und anspruchsvollen Nutzung solcher Modelle und der Forderung des operativen Betriebs nach robusten, unkomplizierten und schnellen Vorhersagesystemen gelingt durch die Verbindung von hydrologisch/hydraulischen Prozessmodellen mit aufgabenspezifisch adaptierten, künstlichen neuronalen Netzen (ANN). Dazu wird zunächst auf der Basis von Beobachtungsdaten und abflussrelevanten Einzugsgebietscharakteristika ein prozessorientiertes, gekoppeltes hydrologisch/hydraulisches Modell des Einzugsgebietes erstellt. Dieses berechnet auf der Grundlage einer orttypischen meteorologischen Charakterisierung Szenarien, die alle physikalisch möglichen und sinnvollen Konstellationen der Hochwasserentstehung abdecken. Unter Ausnutzung der im Vergleich zu klassischen Niederschlags-Abflussmodellen zusätzlichen Information aus der gebietsbezogenen meteorologischen Analyse entsteht so eine Datenbank, die insgesamt die Reaktion des Einzugsgebietes auf alle Hochwasser auslösenden Niederschläge unter den unterschiedlichsten Bedingungen beschreibt. Eine auf die Problematik abgestimmte Lernstrategie überträgt diese hydrologisch/hydraulische Charakteristika des Einzugsgebiets unter Einbeziehung der hochwasserrelevanten Merkmale der Ereignis-Vorgeschichte auf das neuronale Netz. Damit überwindet PAI-OFF die entscheidende Restriktion der eingeschränkt verfügbaren Beobachtungs-(Lern)daten, an der bisherige Versuche ANN zur Hochwasservorhersage zu nutzen scheiterten. Die benannten Arbeitsschritte werden nur einmalig für ein bestimmtes Einzugsgebiet durchgeführt. Anschließend kann PAI-OFF ohne nennenswerten Aufwand routinemäßig als Werkzeug zur Hochwasservorhersage
eingesetzt werden. Dabei kommen die generellen Vorteile neuronaler Netze wie Einfachheit, Schnelligkeit, Robustheit und die Fähigkeit sich im laufenden Betrieb noch besser dem Verhalten des Einzugsgebiets anzupassen, bzw. die Auswirkung von Änderungen z.B. der Landnutzung graduell zu berücksichtigen („learning by doing“), voll zum Tragen und nutzen dabei alle Vorteile einer gewissenhaften und modernen hydraulisch/hydrologischen Modellierung. Das volle Potential von PAI-OFF ist bei der Einbeziehung von Flussabschnitten mit deutlichem Rückstaueinfluss, entsprechenden Nebenflusseinmündungen etc. oder der Einbeziehung von Unsicherheiten erst wirklich auszuschöpfen.
Karten hinterlassen einen direkteren und stärkeren Eindruck über die räumliche Verteilung einer Größe oder eines Prozesses als andere Darstellungsformen (verbale Aussagen, Diagramme). Sie sind deshalb auch zur Darstellung der lokalen Hochwassersituation ein wertvolles Mittel und sind in der Hochwasservorsorge und im Katastrophenmanagement vielseitig einsetzbar. In Deutschland existieren keine einheitlichen Bezeichnungen oder Konventionen zu Hochwasserkarten. Deshalb wird in diesem Beitrag ein Vorschlag zur systematischen Darstellung von Hochwassergefahren und -risiken entwickelt, der von Gefahrenkarten bis hin zu Schadenrisikokarten reicht.
Will man die Bedeutung des globalen Klimawandels für den Wasserhaushalt einzelner Einzugsgebiete abschätzen oder kurzfristige Hochwasservorhersagen für Quellgebiete verbessern, stößt man auf die grundlegende Frage, inwieweit die Qualität meteorologischer Modelle (bzw. regionaler Klimamodelle) ausreicht, um Niederschlagsabfluss- oder flächendifferenzierte Wasserhaushaltsmodelle antreiben zu können. Vor diesem Hintergrund führten wir hochaufgelöste gekoppelte Meteorologie-Hydrologie-Simulationen für das orographisch komplexe und alpine Einzugsgebiet der Mangfall (Bayern) durch. Für die Untersuchungen koppelten wir in einem 1-Wege Verfahren das mesoskalige meteorologische Modell MM5 (z.B. Grell et al. 1994) mit dem Wasserhaushaltsmodell WASIM (Schulla & Jasper 1999). Das Modell wurde mittels beobachteten meteorologischen Stationsdaten an 18 Pegeln geeicht. Es wird gezeigt, dass für das spezielle Einzugsgebiet in der untersuchten Periode 1997 bei hoher räumlicher Auflösung des meteorologischen Modells die beobachteten Abflüsse gut nachvollzogen werden können.
