Tiefvisionbasiertes Framework für die Vorhersage von Küstenfluten unter den Einfluss des Klimawandels und der Küstenanpassungen

Im Licht der wachsenden Bedrohungen durch den Klimawandel im Allgemeinen und den Anstieg des Meeresspiegels (Sea Level Rise, SLR) im Besonderen ist die Notwendigkeit nach rechnerisch effizienten Methoden zur Schätzung und Analyse potentieller Küstenflutgefahren zunehmend drängender geworden. Datengetriebene überwachte Lernmethoden bieten sich als vielversprechende Kandidaten an, die den Prozess erheblich beschleunigen können und damit die rechnerische Engpasse, die mit traditionellen physikbasierten hydrodynamischen Simulatoren verbunden sind, beseitigen. Dennoch sind die Entwicklungen genauer und zuverlässiger Küstenflutvorhersagemodelle, insbesondere solche, die auf Tiefem Lernen (Deep Learning, DL) basieren, von zwei Hauptproblemen geprägt: (1) dem Mangel an Trainingsdaten und (2) der hochdimensionalen Ausgabe, die für detaillierte Überschwemmungskarten erforderlich ist. Um diese Barriere zu beseitigen, präsentieren wir ein systematisches Framework zur Ausbildung hochgenauer tiefvisionbasierter Küstenflutvorhersagemodelle in Szenarien mit wenigen Daten. Wir testen den vorgeschlagenen Workflow an verschiedenen existierenden Vision-Modellen, darunter einer vollständig transformerbasierten Architektur und einem Faltungsneuronalen Netzwerk (Convolutional Neural Network, CNN) mit additiven Aufmerksamkeitsgattern. Zudem führen wir eine speziell auf das Problem der Küstenflutvorhersage zugeschnittene tiefe CNN-Architektur ein. Das Modell wurde besonders auf seine Kompaktheit fokussiert entwickelt, um Ressourcenengpässe und Aspekte der Erreichbarkeit zu berücksichtigen. Die Leistung der entwickelten DL-Modelle wird anhand gängiger geostatistischer Regressionsmethoden und traditioneller Maschinelles-Lernen-(Machine Learning, ML)-Ansätze validiert, wobei eine erhebliche Verbesserung der Vorhersagequalität nachgewiesen werden konnte. Abschließend dokumentieren wir unsere Beiträge durch Bereitstellung eines sorgfältig zusammengestellten Datensatzes synthetischer Überschwemmungskarten der Küste von Abu Dhabi, die mit einem physikbasierten hydrodynamischen Simulator erstellt wurden. Dieser Datensatz kann als Referenz für die Bewertung zukünftiger Küstenflutvorhersagemodelle dienen.