KI-Bildtechniken verbessern US-Sturzflutvorhersagen

Ein Forschungsteam um den Penn-State-Professor Chaopeng Shen hat ein KI-gestütztes Vorhersagesystem zur stundengenauen Abfrage von Sturzfluten entwickelt, das bisherige Modelle deutlich an Genauigkeit und Reaktionsgeschwindigkeit übertrifft. Die Studie, veröffentlicht im Fachjournal Water Resources Research, nutzt Verfahren der generativen KI, die ursprünglich für die Bildsynthese konzipiert wurden, um hydrologische Daten zu verarbeiten. Sturzfluten verursachen weltweit erhebliche Sachschäden und Verluste, da sich Pegelstände innerhalb kürzester Zeit um bis zu neun Meter erhöhen können. Bisherige nationale Hochwasservorhersagemodelle operieren meist im Tagesrhythmus und erfassen die extremen, stündlichen Höhepunkte rasch wechselnder Wetterlagen unzureichend. Um diese Lücke zu schließen, integrierte das Team Diffusionsmodelle in die Hydrologie. Bei diesem Training wird ein vollständiger Datensatz mit Rauschen versehen, woraufhin die KI lernt, das Rauschen zu eliminieren und zugrunde liegende Muster zu rekonstruieren. Dieser Ansatz eignet sich besonders für unstetige Wetterdaten, da er Unsicherheiten quantitativ abbildet. Das Modell wurde mit stündlichen Abfluss- und Niederschlagsdaten aus 516 Flusseinzugsgebieten der USA trainiert (Zeitraum 1990 bis 2003) und unabhängig für die Periode 2009 bis 2014 validiert. Dabei übertraf der Ansatz etablierte Deep-Learning-Baselines insbesondere bei der Prognose von Hochwasserscheiteln. Ein entscheidender Vorteil liegt im Inpainting-Verfahren: Neue Messwerte von Pegelstationen können nahezu in Echtzeit eingespeist werden, ohne dass das Modell neu trainiert werden muss. Zusätzlich ermöglicht die Architektur eine reverse Berechnung, bei der aus gemessenen Abflussmengen auf die ursächliche stündliche Niederschlagsmenge rückgeschlossen wird. Die Genauigkeit der Vorhersagen wurde mittels der Nash-Sutcliffe-Effizienz quantifiziert und deckt ein breites Spektrum der untersuchten Einzugsgebiete ab. Koautor Ming Pan von der Scripps Institution of Oceanography sowie weitere Forschende der Penn State University unterstützen die Entwicklung. Das Forschungsteam betont, dass nicht die technische Perfektion allein im Fokus steht, sondern die Entwicklung eines robusten Systems, das im Ernstfall Evakuierungen und Katastrophenschutzmaßnahmen rechtzeitig ermöglicht. Geplante Erweiterungen umfassen hybride Trainingsverfahren und die Integration physikalischer Variablen, um die Vorhersagegenauigkeit weiter zu stabilisieren.