KI prognostiziert und erklärt Wasserstände der Großen Seen

Forschende haben ein neues KI-Modell entwickelt, das saisonale Wasserstandsschwankungen in den Großen Seen gleichzeitig präzise vorhersagt und wissenschaftlich erklärt. Veröffentlicht im Fachjournal Science of the Total Environment, adressiert die Studie die wachsende Herausforderung des Managements extremer hydrologischer Ereignisse, wie den dramatischen Wechsel von Rekordtiefständen 2013 zu schwerwiegenden Überschwemmungen an den Ufern der Seen Superior, Michigan, Erie und Ontario im Jahr 2020. Traditionelle hydrologische Modelle, die auf statischen Zufluss-Abfluss-Bilanzen basieren, erfassen komplexe Klimavariationen oft unzureichend. Reine maschinelle Lernverfahren verbessern zwar die Prognosegenauigkeit, besitzen jedoch keine Erklärungskomponente, was ihren Einsatz in kritischer Infrastrukturentwicklung einschränkt. Um diese Lücke zu schließen, trainierten die Forschenden acht Algorithmen auf vierzigjährige monatliche Wasserstandsdaten von 1982 bis 2022. Durch die Integration von neun meteorologischen und hydrologischen Variablen mit Mehrmonats-Zeitverzögerungen reduzierten die Modelle den Prognosefehler auf zwölf Zentimeter. Entscheidend für die Praxistauglichkeit war die Kombination aus SHAP-Werten zur quantitativen Bewertung einzelner Einflussfaktoren sowie der Variogrammanalyse von Antwortflächen zur Erfassung von Signalwegen im Einzugsgebiet. Die Analyse offenbarte, dass die Seen Systeme mit erheblicher Trägheit aufweisen: Saisonale Inputs wie Januarschnee entfalten ihren stärksten Effekt erst nach drei bis vier Monaten auf die Juni-Wasserstände. Jeder der vier untersuchten Seen zeigte spezifische hydrologische Profile. Während Superior und Michigan primär von der Schneeschmelze abhängen, ist Erie stark von Zuflüssen aus dem oberen Detroit River geprägt, und Ontario weist eine hohe Empfindlichkeit gegenüber Verdunstung auf. Der Ontario See erwies sich als komplexeste Herausforderung. Da sein Wasserstand durch tägliche Betriebsentscheidungen am Moses-Saunders-Kraftwerk reguliert wird, überlagern menschliche Eingriffe natürliche Klimasygnale. Standardmodelle interpretieren diese gesteuerten Abflüsse falsch. Die Forschenden schließen, dass die direkte Integration offizieller Damm-Betriebsregeln in den Algorithmus diese Diskrepanzen behebt. Über die Großen Seen hinaus wird die Methodik bereits in Kooperation mit dem Klimakonsortium Ouranos zur Modellierung der Grundwassererneuerung in Süd-Quebec adaptiert. Die Studie markiert einen entscheidenden Paradigmenwechsel in der Umweltinformatik: Für den operativen Einsatz von KI in der Wasserwirtschaft und Hochwasserschutz ist Transparenz unabdingbar. Erst durch interpretierbare und überprüfbare Modelle wird künstliche Intelligenz zu einem legitimierten Werkzeug zum Schutz von Trinkwasserentnahmen, küstennaher Infrastruktur und Feuchtgebieten unter den Bedingungen des Klimawandels.