Überschwemmungen zählen weltweit zu den am weitesten verbreiteten und verheerendsten Naturkatastrophen. Die Genauigkeit der Abflussvorhersage und die rechtzeitige Herausgabe von Hochwasserwarnungen beeinflussen unmittelbar die Katastrophenschutz- und -minderungsmaßnahmen eines Flussgebiets, die ökologische Sicherheit und die Stabilität seiner sozioökonomischen Systeme. Aus diesem Grund zählt die Frage, wie Überschwemmungen genauer vorhergesagt werden können, seit Langem zu den Kernaufgaben der Hydrologie.

In den letzten Jahrzehnten hat sich das maschinelle Lernen in den Bereichen hydrologische Simulation und Hochwasservorhersage kontinuierlich weiterentwickelt. Frühe Forschungsarbeiten konzentrierten sich hauptsächlich auf konzeptionelle Niederschlags-Abfluss-Modelle.Diese Methoden haben eine wichtige Rolle in „datenfreien Wassereinzugsgebieten“ gespielt, in denen Beobachtungsdaten rar sind und es nur wenige Feldmessstationen gibt.Mit der Zunahme des Datenumfangs und der Rechenleistung hat sich der Forschungsschwerpunkt schrittweise von der einfachen Verbesserung der Vorhersagegenauigkeit hin zu komplexeren Bereichen wie der Interpretierbarkeit von Modellen, der Quantifizierung von Unsicherheiten, der Datenassimilation und der Integration mechanistischer Modelle mit Deep Learning verlagert, wodurch die hydrologische Vorhersage in eine neue Phase eintritt, die von der Synergie von „Daten + Mechanismus“ angetrieben wird.

Vor diesem Hintergrund hat Google Research kürzlich ein praxiserprobtes hydrologisches Machine-Learning-Modell in großem Umfang im globalen Hochwasservorhersagesystem eingesetzt.Die zweite Version (v2) des globalen Hochwasservorhersagesystems wurde offiziell eingeführt und ist zum Kernstück des Flussvorhersagemoduls von Google FloodHub geworden.Im Vergleich zur ersten Version bietet Version 2 systematische Verbesserungen, um drei zentrale, seit Langem bestehende Probleme zu beheben, die den operativen Einsatz behindern: unzureichende Trainingsdaten, begrenzte Zeitreihenlänge und Verzerrungen in der Verteilung der Eingangsdaten. Diese Verbesserungen erhöhen die Stabilität und Zuverlässigkeit globaler Abflussvorhersagen deutlich.

Der Übergang von der „Modelleffektivität“ zur „Reproduzierbarkeit und Skalierbarkeit in der Community“ erfordert jedoch die Auseinandersetzung mit Themen wie Algorithmentransparenz und Datenoffenheit. Vor diesem Hintergrund hat das Forschungsteam neben der Veröffentlichung des v2-Systems auch wichtige Implementierungsdetails des Entwicklungsprozesses sowie die aktuellen Herausforderungen öffentlich gemacht.Außerdem haben sie das Google Runoff Reanalysis and Reforecasting Dataset (GRRR) ins Leben gerufen.Dieser Datensatz umfasst mehr als eine Million Flussstationen weltweit und beinhaltet jahrzehntelange historische Simulations- und Prognoseergebnisse. Er bildet eine wichtige Datengrundlage für nachfolgende methodische Forschung und Modelliteration.

Die relevanten Datensätze sind online verfügbar:

https://go.hyper.ai/PdolQ

Die zugehörigen Forschungsergebnisse mit dem Titel „Erweiterung mittelfristiger globaler Hochwasservorhersagen: Das globale Hochwasservorhersagemodell von Google Version 2“ wurden in EGUsphere veröffentlicht.

Forschungshighlights:

* Die zweite Version des Globalen Hochwasservorhersagesystems wurde eingeführt, wodurch die effektive Dauer zuverlässiger Vorhersagen deutlich verbessert wurde.

* In 1.223 Testbecken weltweit zeigte die zweite Version der integrierten Vorhersage eine höhere Genauigkeit als die erste Version und zwei Referenzmodelle von Drittanbietern.

* Unter Verwendung des NSE als Bewertungsmetrik: Im Vergleich zur ersten Version der Live-Vorhersage verlängert die zweite Version die zuverlässige Vorhersagedauer um 6 Tage in Einzugsgebieten mit tatsächlichen Beobachtungsstationen und um 1 Tag in Einzugsgebieten ohne tatsächliche Beobachtungsstationen.

Lesen Sie das Dokument:
https://egusphere.copernicus.org/preprints/2026/egusphere-2026-2283/

Datensätze: Statische Attribute, dynamische Einflussfaktoren und Abflussbeobachtungen

Die Hauptaufgabe von Flussvorhersagemodellen besteht darin, den durchschnittlichen täglichen Abfluss am Auslass jedes Einzugsgebiets vorherzusagen.Die Modelleingabe besteht im Wesentlichen aus drei Teilen: statischen Wassereinzugsgebietsattributen, dynamischen meteorologischen Antriebsdaten und Zielabflussdaten.

Statische Wassereinzugsgebietsattribute werden verwendet, um die langfristigen, stabilen und zeitlich unveränderlichen physikalischen Eigenschaften eines Wassereinzugsgebiets zu beschreiben.Die Studie verwendete insgesamt 92 räumliche Durchschnittsattribute.Die Daten stammen hauptsächlich aus HydroATLAS und werden mit ERA5-Land-Reanalysedaten kombiniert, um hydroklimatische Statistiken zu berechnen, die verschiedene Aspekte wie Topographie, Klima, Landbedeckung, Boden und menschliche Aktivitäten abdecken, einschließlich durchschnittlicher Höhe, Trockenheit, Niederschlagssaisonalität, Waldbedeckung, hydraulischer Bodeneigenschaften und Bevölkerungsdichte.

Dynamische meteorologische Daten dienen der Charakterisierung von Wetterprozessen, die hydrologische Reaktionen auslösen. Bisherige Forschungsergebnisse zeigen, dass die Fusion meteorologischer Daten aus verschiedenen Quellen die Vorhersagekraft von LSTM-ähnlichen Modellen deutlich verbessern kann. Daher integriert das v2-System gleichzeitig mehrere globale meteorologische Produkte, darunter Daten des Europäischen Zentrums für mittelfristige Wettervorhersage (HRES), des National Oceanic and Atmospheric Administration (NOAA) CPC, GraphCast und der NASA (IMERG). Die Eingangsvariablen umfassen wichtige meteorologische Faktoren wie Gesamtniederschlag und Temperatur in zwei Metern Höhe und werden einheitlich zu Tagesdaten aggregiert. Im Vergleich zu einzelnen meteorologischen Quellen kann dieser Ansatz der Datenfusion Fehlerprobleme über verschiedene Regionen und Zeitskalen hinweg besser minimieren.

Bezüglich der Abflussdaten,Das v2-System wird anhand von drei Datensätzen trainiert: Caravan, GRDC und BANDAS.Version 1 basierte ausschließlich auf GRDC. Um die Vergleichbarkeit zu gewährleisten, wurden die in Version 1 verwendeten GRDC-Testgebiete vollständig in den Testdatensatz von Version 2 übernommen. Wie die Abbildung unten zeigt, decken die erweiterten Trainingsdatensätze verschiedene Klimazonen und hydrologische Umgebungen weltweit ab und verbessern so die räumliche Repräsentativität deutlich. Caravan selbst ist ein umfangreicher Open-Source-Datensatz zu Wassereinzugsgebieten, der auf dem CAMELS-System basiert und Datenressourcen aus verschiedenen Ländern und Forschungseinrichtungen integriert.

Das Modell unterscheidet zwischen zwei Phasen im Geschäftsbetrieb: „Nachberichterstattung“ und „Prognose“.Die Phase nach der Berichterstattung nutzt primär Daten mit einer Vorlaufzeit von 0 Tagen von HRES und GraphCast, während CPC und IMERG aufgrund ihrer Unfähigkeit, Echtzeitprognosen zu liefern, von zukünftigen Zeitreihenprognosen ausgeschlossen werden. Da die operationellen Archive von HRES und GraphCast erst 2012 bzw. 2016 beginnen, ERA5-Land- und Abflussbeobachtungen jedoch bis ins Jahr 1980 zurückreichen, nutzte das Forschungsteam ERA5-Land, um die fehlenden frühen Zeiträume zu ergänzen und so die Konsistenz im langfristigen Training der Zeitreihen zu gewährleisten.

Durch das Architektur-Upgrade wird der Mangel plötzlicher Änderungen bei der Prognoseinitialisierung vollständig behoben.

Das Herzstück der zweiten Version des globalen Hochwasservorhersagesystems von Google ist das Mean-Embedded Long Short-Term Memory Network (ME-LSTM).Im Vergleich zum Encoder-Decoder-LSTM (ED-LSTM), das in der ersten Version verwendet wurde, eignet sich ME-LSTM besser für den Umgang mit fehlenden Eingaben und langfristigen Zeitreihenprognosen und löst auch das Problem der Vorhersagemutationen, die beim Wechsel zwischen der Nachberichts- und der Prognosephase in v1 leicht auftraten.

In Version 1 werden die Nachbewertung und die Vorhersage von zwei unabhängigen LSTMs verarbeitet. Die vom Nachbewertungsnetzwerk ausgegebenen verborgenen Zustände und Zellzustände werden durch ein kleines neuronales Netzwerk transformiert und zur Initialisierung des Vorhersagenetzwerks verwendet. Ziel dieses Designs ist es, dass die Nachbewertungs- und Vorhersagephasen unterschiedliche Datenverteilungen lernen und dadurch die Diskrepanzen zwischen beobachteten Daten, Reanalysedaten und Wettervorhersagedaten verringert werden. Im praktischen Einsatz…Diese Struktur kann leicht zu Instabilität im anfänglichen Prognosezustand führen, wodurch das Modell der Anpassung seines internen Zustands Vorrang einräumt, anstatt prompt auf den tatsächlichen hydrologischen Prozess zu reagieren, was zu diskontinuierlichen Prognoseergebnissen führt.

Um diesem Problem zu begegnen, verknüpft ME-LSTM nicht mehr alle meteorologischen Eingangsdaten direkt miteinander.Stattdessen wird jedes Wetterprodukt als unabhängige Eingangsquelle behandelt und über ein dediziertes eingebettetes Netzwerk einem gemeinsamen verborgenen Bereich zugeordnet.Vor der Einbettung werden statische Wassereinzugsgebietsattribute mit den entsprechenden dynamischen Eingangsdaten verknüpft. Anschließend aggregiert das Modell automatisch Daten aus verschiedenen Quellen mithilfe eines maskierten Mittelwertmechanismus, wobei fehlende Eingangsdaten ignoriert werden. Dadurch wird die Robustheit des Modells gegenüber fehlenden Daten und Verschiebungen in der Eingangsverteilung erhöht.

Auf der Ebene der ZeitreihenmodellierungME-LSTM verwendet zwei übereinanderliegende LSTM-Schichten, um die gesamte Zeitreihe einheitlich zu verarbeiten, wodurch die manuelle Trennung von Prognose- und Vorhersagephase entfällt. Daher kann sich der Modellzustand kontinuierlich weiterentwickeln.Dies beseitigt grundsätzlich das Zustandsübergangsproblem in v1. Die erste LSTM-Schicht ist für die Verarbeitung der gesamten Eingabesequenz und die Generierung aggregierter Merkmale zuständig, während die zweite LSTM-Schicht diese Merkmale zur Durchführung der Abflussvorhersage verwendet.

Beide Modelle verwenden eine Ausgabeschicht mit gemischter Dichte, um probabilistische Vorhersagen zu ermöglichen. Sie geben Parameter der abzählbaren asymmetrischen Laplace-Verteilung (CMAL) aus, um die Unsicherheit des zukünftigen Abflusses zu charakterisieren. Die in diesem Artikel präsentierten deterministischen Ergebnisse werden aus dem Mittelwert der vorhergesagten Verteilung abgeleitet.

Für das Training verwendet Version 2 den Adam-Optimierer und die CMAL-Likelihood-Verlustfunktion und verbessert die Robustheit des Modells durch Strategien wie das Einfügen von Gaußschem Rauschen, Gradientenreduktion und das zufällige Verwerfen von Eingabedaten. Das zufällige Verwerfen bestimmter zeitlicher Eingabemerkmale verbessert die Fähigkeit des Modells, fehlende Daten in realen Geschäftsumgebungen zu verarbeiten. Der gesamte Trainingsprozess umfasst 125 Epochen, um die Generalisierungsfähigkeit des Modells in komplexen globalen hydrologischen Umgebungen zu verbessern.

Eine verbesserte zeitliche Korrelation führt zu einer signifikanten Verbesserung der Genauigkeit der zweiten Version der integrierten Vorhersage.

Diese Studie bewertet primär die Leistung des v2-Systems in zwei Arten von Szenarien:Eine Kategorie umfasst Einzugsgebiete mit tatsächlich gemessenen hydrologischen Stationen, die andere „datenfreie Einzugsgebiete“, für die keine lokalen Messdaten vorliegen und die sich bei der Vorhersage ausschließlich auf die Generalisierung über mehrere Einzugsgebiete hinweg stützen können. Im Vergleich zur randomisierten 10-fachen Kreuzvalidierung in Version 1 verwendet Version 2 zusätzlich unabhängige Testdatensätze zur Evaluierung, wodurch das Experiment realitätsnäher wird.

Da Version 2 nicht nur die Modellarchitektur aktualisiert, sondern auch die Trainingsdaten und meteorologischen Eingangsdaten erweitert hat,Das Forschungsteam entwickelte außerdem eine vereinfachte Version, bei der die GraphCast-Eingabe entfernt wurde, um den Beitrag von KI-Wettervorhersagedaten separat zu analysieren.Im Experiment wurden der Nash-Satcliffe-Effizienzkoeffizient (NSE) und der Kling-Gupta-Effizienzkoeffizient (KGE) als zentrale Indikatoren verwendet. Ersterer misst die allgemeine Anpassungsgüte, während letzterer die Modellleistung anhand von Dimensionen wie zeitlicher Konsistenz, Wasserbilanz und Durchflussschwankungen analysiert. Der Testzeitraum umfasste die Jahre 2016 bis 2023.

Da das Modell für die Initialisierung eine lange historische Sequenz benötigt, legten die Forscher ein einjähriges Isolationsintervall vor und nach dem Testjahr fest und entfernten diese Intervalle vollständig aus dem Trainingsdatensatz, um den Verlust zeitlicher Informationen zu vermeiden. Insgesamt wurden 1.222 gemeinsame Test-Einzugsgebiete für eine einheitliche Evaluierung ausgewählt. Als Vergleichsmaßstab dienten traditionelle operationelle Modelle wie das Global Flood Awareness System (GloFAS) und das European Flood Awareness System (EFAS).

Die Ergebnisse zeigen, dassv2 ist v1 global, über verschiedene Prognosezeiträume hinweg und in beiden Szenarien deutlich überlegen.Unterdessen übertreffen beide Generationen der Google-Modelle traditionelle Geschäftsmodelle deutlich. Die verbesserte Modellarchitektur und die erweiterten Trainingsdaten führten vor allem in Einzugsgebieten mit Messdaten zu einer höheren Genauigkeit. Die Vorteile von GraphCast zeigten sich hingegen deutlicher bei mittel- und langfristigen Prognosen und verbesserten sowohl Szenarien mit als auch ohne Messdaten. Die Ergebnisse der KGE-Zerlegung deuten zudem darauf hin, dass diese Verbesserung hauptsächlich auf die verbesserte Charakterisierung zeitlicher Abflussvariationen und Durchflussschwankungen zurückzuführen ist.

Ein typisches Ergebnis ist, dass in Einzugsgebieten mit verfügbaren Messdaten die Vorhersagegenauigkeit von v2 am sechsten Tag das Echtzeit-Vorhersageniveau von v1 erreichen oder sogar übertreffen kann; in Einzugsgebieten ohne Messdaten verlängert sich der Vorhersagezeitraum hingegen nur geringfügig. Dies deutet auch darauf hin, dass…Lokale Beobachtungsdaten bleiben ein Schlüsselfaktor, der die Leistungsfähigkeit des Modells beeinflusst.

Die Studie ergab außerdem, dass die natürlichen Eigenschaften eines Wassereinzugsgebiets die Vorhersagegenauigkeit maßgeblich beeinflussen. Im Allgemeinen liefern Wassereinzugsgebiete mit hoher Luftfeuchtigkeit, reichlicher Schneedecke und dichter Vegetation eher stabile Vorhersagen, während in ariden Regionen aufgrund drastischer Abflussschwankungen typischerweise größere Fehler auftreten. Allerdings…Die Verbesserung von v2 ist in ariden Wassereinzugsgebieten deutlicher ausgeprägt.Im Gegensatz dazu zeigten Wassereinzugsgebiete mit zahlreichen Stauseen und künstlichen Steuerungseinrichtungen selbst nach Modellaktualisierungen nur begrenzte Verbesserungen, was darauf hindeutet, dass die aktuellen Deep-Learning-Modelle noch nicht ausreichen, um komplexe, vom Menschen gesteuerte Prozesse zu charakterisieren.

Letzte Worte

Von der Modellentwicklung und dem operativen Einsatz bis hin zur Veröffentlichung von Daten und Code als Open Source spiegelt das v2-System einen immer deutlicheren Trend im Bereich des maschinellen Lernens für hydrologische Modellierung wider: Das Forschungsziel beschränkt sich nicht mehr allein auf die „Verbesserung der Genauigkeit um wenige Prozentpunkte“, sondern legt zunehmend Wert auf die Stabilität, Generalisierungsfähigkeit und Skalierbarkeit des Modells in realen und komplexen Umgebungen. Natürlich weist das aktuelle System noch erhebliche Einschränkungen auf. Trockene Einzugsgebiete, künstlich regulierte Gebiete und Szenarien ohne tatsächliche Messstationen stellen weiterhin Herausforderungen für die globale Hochwasservorhersage dar; die Abhängigkeit des Modells von lokalen Beobachtungsdaten ist noch nicht vollständig beseitigt.

Diese Arbeit belegt zumindest einen wichtigen Punkt: Durch die Kombination hochwertiger Trainingsdaten, globaler meteorologischer Informationen aus verschiedenen Quellen und einer für operative Szenarien entwickelten Deep-Learning-Architektur kann maschinelles Lernen ein wirklich globales Hochwasservorhersagesystem ermöglichen. Dies ist zweifellos eine bedeutende und bemerkenswerte Entwicklung für den zukünftigen Hochwasserschutz und die Katastrophenvorsorge, die Wasserressourcenverteilung und das Management extremer Klimarisiken.