Räumlich verteiltes Deep Learning zur Niederschlag-Abfluss Modellierung und Systemanalyse

Lennart Schmidt1, Walter de Back2, Elona Gusho3, Kira Vinogradova4, Rohini Kumar5, Oldrich Rakovec5, Sabine Attinger5, Jan Bumberger1
1 MET/Forschungsdatenmanagement, UFZ Leipzig
2 Institut für Medizinische Informatik und Biometrie, TU Dresden
3 -
4 Myers Lab, Max-Planck-Institut für molekulare Zellbiologie und Genetik Dresden
5 Hydrosystemmodellierung, UFZ

5.3 in Data-Science in der Hydrogeologie: Potenziale, Limitationen und Herausforderungen

27.03.2020, 10:15-10:30, Weißer Saal

Niederschlag-Abfluss-Modellierung, d.h. die Vorhersage des Abflusses aus Niederschlagsdaten, ist eine traditionelle Disziplin der Hydrologie mit in der Praxis hochrelevanten Anwendungsgebieten wie der Hochwasservorhersage, der Optimierung von Wasserkraftanlagen oder der Raumplanung. In den letzten zwei Jahrzehnten haben datengetriebe Methoden erfolgreich Einzug in das Feld der NA-Modellierung gehalten und dabei in vielen Fällen die Vorhersagegenauigkeit gleichwertiger, physikalisch-basierter Ansätze übertroffen (Yaseen et al., 2015). Bisherige Anwendungen nutzten dabei jedoch nicht die räumlichen Muster der Inputs zur Vorhersage. Die vorliegende Machbarkeitsstudie schließt diese Lücke, indem aktuelle Deep-Learning-Methoden aus der Bildverarbeitung auf die hydrologische Wissenschaft übertragen und evaluiert werden. Zunächst wird als Referenz ein LSTM-Modell trainiert, dass den Abfluss der Elbe im Zeitraum 1950-2016 aus Einzugsgebiets-Mittelwerten von Tagesniederschlagssumme und Tagesmitteltemperatur vorhersagt und eine Abschätzung der Vorhersage-Unsicherheit gibt. Das Modell erreicht eine hohe Vorhersagegenauigkeit mit einem Concordance-Correlation-Coefficient (CCC) von 0.86. Darauf aufbauend wird die räumliche Verteilung von Niederschlag und Temperatur im Einzugsgebiet in Form von interpolierten Rastern in einer ConvLSTM-Modellstruktur einbezogen und der dadurch erreichte Zugewinn in der Vorhersagegenauigkeit evaluiert. Erste Ergebnisse zeigen, dass der Zugewinn gemessen am CCC zwar gering ausfällt, die zeitliche Abflussdynamik im räumlich verteilten Modell jedoch besser erfasst wird. Anschließend werden die vom räumlich-verteilten Modell erlernten Muster untersucht: Es werden sog. "saliency maps" für die stärksten historischen Hochwasser der Elbe abgeleitet. Dies beschreibt räumlich-zeitliche Muster in Niederschlag und Temperatur, welche aus Sicht des Modells für die Hochwasserentstehung ausschlaggebend sind. Diese saliency maps werden anschließend mit hydrologischer Literatur verglichen. Somit zeigt diese Studie neben der Anwendbarkeit von Deep Learning-Methoden zur Abflussvorhersage auch das Potential der Methoden zur Analyse des hydrologischen Systems.



Yaseen, Zaher Mundher, et al. "Artificial intelligence based models for stream-flow forecasting: 2000–2015." Journal of Hydrology 530 (2015): 829-844.



Export as iCal: Export iCal