Überschwemmungen zählen weltweit zu den häufigsten und am weitesten verbreiteten Naturkatastrophen und stellen eine langfristige Bedrohung für die sozioökonomische Entwicklung und die öffentliche Sicherheit dar. Da der Klimawandel zu häufigeren Extremniederschlägen führt, steigt das Überschwemmungsrisiko in vielen Regionen deutlich an. Genaue und zeitnahe Hochwasservorhersagen liefern nicht nur wichtige Informationen für die Katastrophenprävention und -bewältigung, sondern bieten auch entscheidende Unterstützung für Entscheidungen in den Bereichen Wasserressourcenverteilung, Stadtentwicklung und Landwirtschaft.

Lange Zeit stützte sich die Hochwasservorhersage hauptsächlich auf physikalische Prozessmodelle (PBM).Auf Grundlage der Theorie des hydrologischen Kreislaufs werden Abflussänderungen durch die Simulation von Prozessen wie Niederschlag, Verdunstung, Änderungen des Bodenfeuchtegehalts, Grundwasserneubildung und Flusszusammenfluss vorhergesagt.Das Sacramento Soil Moisture Accounting Model (SacSMA), das vom US-amerikanischen Nationalen Wetterdienst häufig verwendet wird, ist beispielsweise ein typisches hydrologisches Einzugsgebietsmodell. Physikalische Modelle verfügen über eine klare wissenschaftliche Grundlage und spielen eine entscheidende Rolle in der hydrologischen Forschung und der operationellen Wettervorhersage.Diese Art von Modellen erfordert typischerweise eine komplexe Parameterkalibrierung, und ihre Simulationsfähigkeiten sind oft begrenzt für hydrologische Prozesse mit stark nichtlinearen Eigenschaften.

In den letzten Jahren hat sich die KI-Technologie im Bereich der Hydrologie rasant weiterentwickelt, insbesondere die zunehmend verbreitete Anwendung von Deep-Learning-Modellen zur Abflussvorhersage. Zeitreihen-Neuronale Netze wie Long Short-Term Memory (LSTM)-Netze können komplexe Niederschlags-Abfluss-Beziehungen aus großen Mengen historischer Daten lernen und haben in vielen Studien im Vergleich zu traditionellen Modellen überlegene Vorhersagefähigkeiten gezeigt.

Rein datengetriebene Modelle stehen jedoch vor neuen Herausforderungen. Einerseits mangelt es ihnen oft an physikalischer Interpretierbarkeit und sie können reale hydrologische Prozesse nur schwer abbilden; andererseits bleibt ihre Generalisierbarkeit bei extremen Klimaereignissen oder in nicht beobachteten Einzugsgebieten ungewiss. Daher hat sich in der hydrologischen Fachwelt allmählich ein neuer Forschungsansatz herausgebildet.Dabei geht es darum, Fachwissen in Modelle des maschinellen Lernens zu integrieren, um intelligente Modelle zu erstellen, die sowohl hochgradig vorhersagefähig sind als auch den physikalischen Gesetzen entsprechen.Diese Richtung wird als „wissensgeleitetes maschinelles Lernen (KGML)“ bezeichnet.

Vor diesem Hintergrund hat ein Forschungsteam der University of Minnesota Twin Cities ein neues wissensbasiertes maschinelles Lernmodell entwickelt.Die algorithmische Struktur dieses Modells ist direkt von der Hydrologie inspiriert und wird als Factorized Hierarchical Neural Network (FHNN) bezeichnet.Untersuchungen zeigen, dass das Modell auf einer Zeitskala von 2 bis 7 Tagen nach Veröffentlichung der Vorhersage vergleichbare oder sogar bessere Ergebnisse liefert als die Hochwasservorhersagen des Nationalen Wetterdienstes und gängige Methoden des maschinellen Lernens übertrifft, die keine physikalischen Kenntnisse in ihre Struktur einbeziehen.

Die entsprechenden Forschungsergebnisse mit dem Titel „Wissensgeleitetes maschinelles Lernen für die operationelle Hochwasservorhersage“ wurden in Water Resources Research veröffentlicht.

Forschungshighlights:

* Die vorgeschlagene Methode integriert Beobachtungsinformationen mittels eines inversen Modells, um eine hierarchische, mehrskalige Darstellung des Zustands eines Wassereinzugsgebiets zu erstellen.

* 12–18 Stunden nach der Prognoseerstellung übertraf das FHNN-Modell im Allgemeinen die Vorhersagen von menschlichen Experten, die physikalische Mechanismenmodelle verwendeten.

* Die vorgeschlagene Methode ist einem modernen Alternativmodell (autoregressives LSTM) überlegen, insbesondere in ariden Wassereinzugsgebieten, Regionen, die mit anderen Methoden oft schwer vorherzusagen sind.

Papieradresse:
https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024WR039064
Folgen Sie unserem offiziellen WeChat-Konto und antworten Sie im Hintergrund mit „FHNN“, um das vollständige PDF zu erhalten.

Datensätze: Ausgewogene Zusammenstellung von Benchmark-Datensätzen und Geschäftsdatensätzen

Um die Vorhersagekraft des Modells zu überprüfen, verwendeten die Forscher zwei Arten von Datensätzen:

Großer CAMELS-US Benchmark-Datensatz

Während der Modelltrainings- und grundlegenden Evaluierungsphasen wurde der bekannte CAMELS-US-Datensatz verwendet. CAMELS (Catchment Attributes and Meteorology for Large-Sample Studies) ist einer der einflussreichsten Datensätze in der hydrologischen Forschung der letzten Jahre und zeichnet sich insbesondere durch seine große Menge an langfristigen hydrologischen und meteorologischen Beobachtungsdaten aus Wassereinzugsgebieten aus. Der CAMELS-US-Datensatz umfasst Hunderte von Wassereinzugsgebieten auf dem gesamten Festland der Vereinigten Staaten und beinhaltet Tagesdaten zu Niederschlag, Temperatur, Evapotranspiration und Flussabfluss sowie umfangreiche Informationen zu den Eigenschaften der Wassereinzugsgebiete.Beispielsweise Topographie, Klimatyp, Bodenbeschaffenheit und Vegetationsbedeckung. Diese Informationen bilden eine wichtige Grundlage für die Untersuchung hydrologischer Prozesse unter verschiedenen Umweltbedingungen.

In dieser StudieDie Forscher wählten 531 Wassereinzugsgebiete als Versuchsobjekte aus.Die Daten werden zeitlich geordnet in Trainings-, Validierungs- und Testphasen unterteilt:

* 1985–1993 als Ausbildungszeit

* 1993–1995 als Überprüfungszeitraum

* 1995–2005 als Testperiode

Daten zur Hochwasservorhersage für Unternehmen

Zusätzlich zum Standarddatensatz wurden in der Studie auch reale operationelle Hochwasservorhersagedaten einbezogen, um die Leistungsfähigkeit des Modells in realen Vorhersageumgebungen zu testen.Die Studie wählte mehrere Flussgebiete, die unter die Zuständigkeit des North-Middle River Forecasting Center (NCRFC) des National Weather Service fallen, als Fallstudien aus.Diese Einzugsgebiete liegen im Mittleren Westen der USA und weisen typische Merkmale eines kontinentalen Klimas auf. Sie sind sowohl von Starkregen als auch von Schneeschmelze betroffen und daher sehr repräsentativ. Die relevanten hydrologischen Daten stammen hauptsächlich aus Flussmessungen des U.S. Geological Survey (USGS), während meteorologische Daten wie Niederschlag und Temperatur aus der Vorhersagedatenbank des National Weather Service stammen.

Es ist erwähnenswert, dass das Hochwasservorhersagesystem des US-amerikanischen Nationalen Wetterdienstes ein „involviertes Vorhersagemodell“ verwendet. In diesem Modell generiert ein physikalisches Modell zunächst erste Vorhersageergebnisse, die anschließend von erfahrenen Hydrographen anhand von Echtzeitbeobachtungen und ihrer Expertise angepasst werden und schließlich die offizielle Vorhersage bilden. Diese Methode kann die Vorhersagegenauigkeit in vielen Fällen deutlich verbessern. Daher wird in dieser Studie…Der Vergleich von Prognosen menschlicher Experten mit automatisierten Modellen des maschinellen Lernens ist von Bedeutung, da er direkt das Anwendungspotenzial von KI-Modellen in realen Geschäftsumgebungen widerspiegelt.

Modellrahmen: Wissensbasierte Architektur FHNN

FHNN ist eine wissensbasierte Architektur, die entwickelt wurde, um komplexe, hierarchische Systemdynamikprozesse über mehrere Zeitskalen hinweg zu modellieren.

Diese hierarchische Interaktionsstruktur ist für die hydrologische Modellierung von Einzugsgebieten von entscheidender Bedeutung. So kann beispielsweise ein Starkregenereignis rasche Veränderungen der Bodenfeuchte in oberflächennahen Schichten verursachen, die dann von Pflanzen durch Evapotranspiration genutzt wird – ein Prozess, der stündlich, täglich und saisonal variieren kann. Gleichzeitig kann dieser Niederschlag den Grundwasserspeicher in tieferen Bodenschichten im Laufe der Zeit wieder auffüllen, wo die Veränderungen typischerweise langsamer verlaufen. Darüber hinaus beeinflusst die Bodenfeuchte in oberflächennahen Schichten auch, wie viel Regen oder Schneeschmelze in Hochwasserabfluss umgewandelt wird.

Die FHNN-Methode zielt darauf ab, diese in der Hydrologie und der Abflussbildung allgegenwärtigen, vielschichtigen und hierarchischen Prozesse zu erfassen.Die Gesamtarchitektur ist im folgenden Diagramm dargestellt:

In der FHNN-Architektur wird Wissen auf zwei Arten eingeführt:

Methode 1: Verwendung einer Encoder-Decoder-Architektur

Dieser Ansatz modelliert die Vorwärts- und Rückwärtsprozesse explizit mithilfe eines Zustandskodierers (inverses Modell) und eines Antwortdekodierers (Vorwärtsmodell).Der Encoder-Teil wird als „inverses Modell“ betrachtet, dessen Hauptfunktion darin besteht, den aktuellen internen Zustand des Wassereinzugsgebiets anhand historischer meteorologischer Daten und Abflussdaten abzuleiten.Beispielsweise kann das Modell durch die Analyse vergangener Veränderungen von Niederschlag, Temperatur und Abfluss wichtige Variablen wie den aktuellen Bodenfeuchtegehalt und die Grundwasserreserven schätzen. Obwohl diese Variablen in der Realität schwer direkt zu beobachten sind, lassen sie sich mithilfe von Methoden des maschinellen Lernens effektiv schätzen. Nach der Erfassung des Einzugsgebietszustands beginnt die Dekodierungsphase des Modells.

Der Decoder wird als „Vorwärtsmodell“ betrachtet, dessen Aufgabe es ist, zukünftige Abflussänderungen auf der Grundlage bekannter Einzugsgebietsbedingungen und zukünftiger Wettervorhersagen vorherzusagen.

Das FHNN-Modell wird end-to-end trainiert, um die Differenz zwischen den vorhergesagten und den tatsächlichen Antwortdaten zu minimieren. Darüber hinaus aktualisiert die Architektur den Encoder-Status in Echtzeit, sobald eine Abflussmessung (Antwort) erfolgt, wodurch eine dynamische Datenintegration ermöglicht wird.

Methode 2: Integration von Wissen in die FHNN-Architektur durch hierarchisches Faktorisierungsdesign

In dieser Konstruktion,Der Encoder von FHNN ist so konstruiert, dass er Prozesse auf verschiedenen Skalen und deren Wechselwirkungen erfasst.Der hierarchische Zustandsencoder verwendet mehrere bidirektionale LSTMs, um historische Abflussbeobachtungen und meteorologische Daten als Eingabe zu nehmen und Einbettungen für verschiedene zeitliche Auflösungen/Skalen (z. B. langsam, mittel und schnell) zu generieren.

Diese Einbettungen liefern komprimierte Darstellungen von Informationen, die in historischen Fahrdaten, Systemreaktionen und deren Wechselwirkungen auf verschiedenen Skalen (saisonal, sub-saisonal und täglich/sub-täglich) enthalten sind. Diese Einbettungen, als komprimierte Darstellungen potenzieller Systemzustände (z. B. Bodenfeuchte, räumliche Vernetzung, Schneemenge), werden verkettet, um die verborgenen und die Einheitszustände des Decoders zu initialisieren. AnschließendDer Decoder verwendet zukünftige Wetterdaten als Eingabe, um Abflussvorhersagen zu generieren. Encoder und Decoder werden gemeinsam anhand einer einzigen Zielfunktion trainiert.Die Zielfunktion minimiert den mittleren quadratischen Fehler (RMSE) zwischen vorhergesagtem und beobachtetem Abfluss innerhalb des Zielvorhersagezeitfensters.

Bidirektionale LSTM-Systeme lesen Sequenzen gleichzeitig aus beiden Richtungen und ermöglichen es dem Encoder, alle verfügbaren Beziehungen in den Beobachtungsdaten zu nutzen, um ein umfassenderes Verständnis des Zustands innerhalb des Wassereinzugsgebiets zu erlangen.Dieser Ansatz hat auch intuitive Implikationen in der Hydrologie. So können Forscher beispielsweise Informationen zur Bodenfeuchte gewinnen, indem sie Niederschläge und deren verzögerte Abflussreaktion beobachten. Ebenso können sie auf die Bodenfeuchtebedingungen schließen, indem sie zunächst die Abflussreaktion beobachten und anschließend den Niederschlag analysieren, der dieses Ereignis verursacht hat. Der bidirektionale LSTM-Encoder ermöglicht es dem Modell, historische Daten aus diesen beiden „Perspektiven“ zu analysieren und die endgültige „beste Schätzung“ zu erhalten, die zur Initialisierung des verborgenen Zustands und der Zellzustände des Decoders verwendet wird.

FHNN ist insgesamt besseren menschlichen Prognostikern überlegen, die physikalische Mechanismenmodelle verwenden.

Forscher demonstrierten die Vorhersagekraft von FHNN in der hydrologischen Wettervorhersage anhand mehrerer Experimente. In der ersten Versuchsreihe wurde FHNN mit LSTM-AR, einer führenden Deep-Learning-Methode mit denselben Eingangsvariablen und Datenintegrationsfähigkeiten, auf einem umfangreichen CAMELS-Datensatz verglichen. Die zweite Versuchsreihe konzentrierte sich auf die Leistungsfähigkeit von FHNN im operationellen Vorhersagebetrieb und evaluierte die Ergebnisse offizieller NWS-Vorhersagestationen im Mittleren Westen der USA.

Vergleich mit dem LSTM-Modell

Im CAMELS-US-Datensatz wurde FHNN mit dem traditionellen autoregressiven LSTM-Modell (LSTM-AR) verglichen.FHNN ist LSTM-AR sowohl im 7-Tage-Vorhersagezeitraum als auch in der Gesamtvorhersage überlegen.Selbst wenn beide Modelle nur mit 1-Tages-Vorhersagen trainiert wurden, zeigte FHNN immer noch eine bessere Leistung. Die Gesamtleistung ist in der folgenden Tabelle dargestellt:

Durch die Analyse des Zusammenhangs zwischen den Leistungsunterschieden und den Eigenschaften jedes Wassereinzugsgebiets wurde ein Diagramm erstellt.Die Forscher stellten außerdem fest, dass FHNN in Einzugsgebieten mit geringen Niederschlägen, niedrigen Abflusskoeffizienten und hohem Dürregrad bessere Ergebnisse lieferte als LSTM-AR.Wie unten gezeigt:

Im Basisabflussindex, der potenziellen Evapotranspiration (PET) und dem Gefälle des Einzugsgebiets wurden keine eindeutigen Trends beobachtet. Dieses Ergebnis deutet darauf hin, dass…In ariden Wassereinzugsgebieten und Wassereinzugsgebieten mit einem niedrigen Verhältnis von Gesamtabfluss zu Gesamtniederschlag zeigt FHNN den größten Leistungsvorteil gegenüber LSTM-AR.

Die Forscher verglichen FHNN außerdem mit LSTM-AR im KALI4-Einzugsgebiet des NWS und stellten es darüber hinaus den Vorhersagefähigkeiten der menschlichen Experten des NWS gegenüber, wie in der folgenden Abbildung dargestellt:

Die Ergebnisse zeigen, dass am ersten Tag nach der Veröffentlichung der Vorhersage die Vorhersagegenauigkeit der NWS-Experten, die das SacSMA-Modell verwenden, höher ist als die von FHNN und LSTM-AR; jedoch innerhalb des gleichen ZeitraumsFHNN ist LSTM-AR weiterhin überlegen und zeigt bei Überschwemmungsereignissen eine bessere Datenintegrationsfähigkeit.Bei einem Vorhersagezeitraum von 2–4 Tagen und länger weist FHNN im Vergleich zu NWS-Vorhersagen und LSTM-AR die höchste relative Vorhersagekraft auf.

Vergleich mit Geschäftsprognosen

Die Studie analysierte außerdem 46 reale Hochwasserereignisse, und die Ergebnisse zeigten Folgendes:FHNN übertraf die offizielle Vorhersage beim Ereignis 65%.Wie aus der folgenden Tabelle hervorgeht:

Hinsichtlich der Vorhersagevorlaufzeit: für Wasserstandsvorhersagen (d. h. Vorhersagen, die tatsächlich vom NWS herausgegeben werden).FHNN übertraf die Expertenvorhersagen des NWS bereits 12 Stunden (2 Zeitschritte) nach Veröffentlichung der Vorhersage;Bei der Verkehrsvorhersage übertrifft FHNN die Experten des Nationalen Wetterdienstes (NWS) nach 18 Stunden (3 Zeitschritte). Zwischen Tag 2 und Tag 3–4 (abhängig von den Bewertungskriterien) ist die Vorhersagegenauigkeit von FHNN deutlich höher als die menschlicher Prognostiker. Nach Tag 4 besteht kein signifikanter Unterschied mehr zwischen der Vorhersagegenauigkeit von FHNN und menschlichen Prognostikern.

Fähigkeit zur Vorhersage von Hochwasserspitzen

Ein wichtiger Leistungsindikator ist der Fehler bei der Vorhersage des Scheitelpunkts des Flusspegels.Dies bezieht sich auf den höchsten Spitzenwert, der im Abflusshydrographen während eines bestimmten Regen- oder Schneeschmelzereignisses erreicht wird.Daher evaluierten die Forscher die Leistungsfähigkeit der menschlichen Prognostiker des FHNN und des NWS bei der Vorhersage von Hochwasserspitzen (jeweils unter Verwendung unsicherer Niederschlagsprognosen). Sie verglichen außerdem die Leistungsfähigkeit des FHNN und der menschlichen Prognostiker mit dem zugrunde liegenden SacSMA-Modell, das von den Prognostikern verwendet wurde. Die Ergebnisse zeigten, dass…FHNN ist physikalischen Modellen ohne menschliche Korrektur bei der Vorhersage von Hochwasserspitzen deutlich überlegen, bleibt aber noch etwas hinter Expertenprognosen zurück.

Menschliche Prognostiker waren den FHNNs bei der Schätzung von Hochwasserspitzen über fast alle Vorlaufzeiten hinweg überlegen (mit Ausnahme von Vorlaufzeiten von etwa 60 Stunden oder mehr), wie die folgende Abbildung zeigt:

Doch selbst bei unvollständig bekannten zukünftigen Wetterbedingungen ist die Schätzung der Hochwasserspitzen durch FHNN immer noch besser als die des SacSMA-Modells, das ausschließlich auf beobachteten Niederschlägen basiert, aber ohne Eingriff von Meteorologen auskommt.

Zwischen 48 und 18 Stunden vor dem Hochwasserscheitelpunkt,FHNN erzielt durch Datenintegration eine ähnliche Rate an Prognoseverbesserungen wie menschliche Prognostiker.Während dieses Zeitraums wurde die Vorhersage alle 6 Stunden aktualisiert, und der Vorhersagefehler (RMSE) des Hochwasserscheitels verringerte sich um etwa 0,2 Fuß; allerdings behielten die menschlichen Prognostiker ihren Vorhersagevorsprung in allen Vorhersagen bis 2,5 Tage vor dem Hochwasserscheitel bei; 12–18 Stunden (2–3 Zeitschritte) vor dem Hochwasserscheitel hörte der RMSE der Hochwasserscheitelvorhersage des FHNN im Grunde auf zu sinken und stieg sogar leicht an.

Dies deutet darauf hin, dass FHNN im Vergleich zu menschlichen Meteorologen bei Hochwasserspitzen weniger empfindlich auf Systemänderungen reagiert. Dieses Ergebnis deckt sich mit Vergleichen der allgemeinen Vorhersageleistung, wonach der NWS in den ersten 12–18 Stunden nach Veröffentlichung der Vorhersage eine höhere Treffsicherheit aufweist. Die unzureichende Reaktion von FHNN in der Nähe von Hochwasserspitzen könnte mit Problemen bei der Extremwertvorhersage zusammenhängen.Bei jedem LSTM-Modell ist die Vorhersage des höchsten Hochwasserscheitels oft schwierig, da in den Trainingsdaten relativ wenige extreme Hochwasserereignisse vorkommen.

Fortschritte bei der Anwendung künstlicher Intelligenz in der hydrologischen Forschung

In den letzten Jahren hat die Technologie der künstlichen Intelligenz den technologischen Ansatz in der hydrologischen Forschung und der operativen Wettervorhersage grundlegend verändert. Von frühen Methoden, die auf statistischer Regression basierten, bis hin zu den heutigen datengetriebenen Modellen des Deep Learning entwickelt sich die hydrologische Vorhersage schrittweise hin zu einer intelligenteren und automatisierteren Phase.

Auf Anwendungsebene haben sich temporale Deep-Learning-Modelle, insbesondere Long Short-Term Memory (LSTM)-Netzwerke, zu einem der wichtigsten Werkzeuge für hydrologische Vorhersagen entwickelt. Zahlreiche Studien haben gezeigt, dass…Diese Modelltypen sind traditionellen physikalischen Modellen in der Mehrbecken-Abflusssimulation im Allgemeinen überlegen, insbesondere in Gebieten mit reichlich Daten, wo ihre Vorhersagefähigkeit noch herausragender ist.

In den letzten Jahren wurde die Transformer-Architektur schrittweise in die Hydrologie eingeführt. Ihre Vorteile bei der Langzeitmodellierung haben neue Möglichkeiten zur Erfassung des langfristigen hydrologischen Gedächtnisses eröffnet. Gleichzeitig haben Wissenschaft und Ingenieurwesen zunehmend erkannt, dass die alleinige Verwendung datengetriebener Modelle gewisse Grenzen hat. Beispielsweise kann das Fehlen physikalischer Randbedingungen in Extremfällen zu Ergebnissen führen, die nicht den hydrologischen Gesetzen entsprechen, und die Interpretierbarkeit des Modells ist ebenfalls eingeschränkt. Daher„Physikalisch informationsgesteuerte“ oder „wissensgeleitete“ Methoden des maschinellen Lernens haben sich zu einem neuen Forschungsschwerpunkt entwickelt.

Im Hinblick auf aktuelle Forschungsergebnisse gewinnt die Fusion von Daten aus verschiedenen Quellen zunehmend an Bedeutung für die Verbesserung hydrologischer Modelle. Die Kombination von Fernerkundungsdaten (wie Satellitendaten zu Niederschlag, Bodenfeuchte und Schneewasseräquivalent) mit Bodenbeobachtungsdaten ermöglicht es Modellen, umfassendere Informationen über Einzugsgebiete zu gewinnen. Gleichzeitig werden Graph-Neuronale Netze (GNNs) vermehrt zur Modellierung räumlicher Beziehungen zwischen Einzugsgebieten eingesetzt, was zu verbesserten Hochwasservorhersagen auf regionaler Ebene beiträgt.

Kürzlich hat Google Research den Groundsource-Überschwemmungsdatensatz als Open Source veröffentlicht. Dieser extrahiert validierte Bodeninformationen aus unstrukturierten Daten und ermöglicht so die Kartierung historischer Katastrophenspuren mit beispielloser Genauigkeit.Forscher automatisierten die Verarbeitung von über 5 Millionen Nachrichtenberichten aus mehr als 150 Ländern und trugen schließlich über 2,6 Millionen Datensätze historischer Überschwemmungsereignisse zusammen. Dies ermöglicht eine beispiellose Datenbasis für die globale Überschwemmungsforschung.

derzeit,Der Datensatz „Groundsource Global Flood Events“ ist jetzt auf der HyperAI-Website (hyper.ai) im Bereich „Datensätze“ verfügbar und kann online genutzt werden.
https://go.hyper.ai/KO3dB

Grey Nearing und sein Team von Google Research entwickelten zuvor ein maschinelles Lernmodell zur Flussvorhersage, das Überschwemmungen zuverlässig bis zu fünf Tage im Voraus prognostizieren kann. Bei der Vorhersage von Überschwemmungen, die alle fünf Jahre auftreten, ist das Modell dem derzeitigen Verfahren zur Vorhersage von jährlichen Überschwemmungen überlegen oder gleichwertig. Das System deckt über 80 Länder ab.

Titel der Studie: Globale Vorhersage extremer Überschwemmungen in nicht messstellenüberwachten Einzugsgebieten
Papieradresse:https://www.nature.com/articles/s41586-024-07145-1

Aus betriebswirtschaftlicher Sicht wird künstliche Intelligenz (KI) die traditionellen hydrologischen Prognostiker nicht vollständig ersetzen, sondern vielmehr durch die „Mensch-Maschine-Kollaboration“ eine wichtige Rolle spielen. KI-Modelle liefern schnelle und stabile Vorhersageergebnisse, während Experten auf Basis ihrer Erfahrung Korrekturen vornehmen und wichtige Szenarien bewerten können. Dieses kollaborative Modell verbessert nicht nur die Prognoseeffizienz, sondern erhöht auch die Zuverlässigkeit des Systems bei Extremereignissen. Mit der kontinuierlichen Erweiterung des Datenbestands und der stetigen Verbesserung der Algorithmen werden zukünftige Hochwasservorhersagesysteme intelligenter, effizienter und anpassungsfähiger sein und so eine stärkere technische Unterstützung für Katastrophenprävention und -bewältigung sowie für das Wassermanagement bieten.

Quellen:
1.https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2024WR039064
2.https://phys.org/news/2026-03-ai-higher-accuracy-current-methods.html
3.https://mp.weixin.qq.com/s/ZWU-v_4k7FIm0MoDh6Rxuw
4.https://www.nature.com/articles/s41586-024-07145-1