Das Potential Wasserbewirtschaftung – The potential of combined machine learning and agent-based models in water resources management

332-338

Artikel aus einer Zeitschrift

200207165

Schlagwörter: Agenten-basierte Modellierung, Maschinelles Lernen, Lansing Modell, Bewässerungsstrategie, Sozio-Hydrologie, Wasserwirtschaft
Agenten-basierte Modelle ermöglichen es, komplexe dynamische Systeme nachzubilden und werden häufig dort eingesetzt, wo das Verhalten und das Zusammenspiel einzelner Akteure von Wichtigkeit sind. Besonders in gekoppelten, sozio-hydrologischen Modellen ist dieser Modelltypus verbreitet. Agenten-basierte Modelle leiden jedoch unter der starken Abstraktion und der mangelnden Dynamik in der Adaption an neue Umgebungen,
die nicht explizit im Regelwerk des Verhaltens der Agenten definiert sind. Um diesen Makel zu begrenzen wird hier ein wasserwirtschaftliches Agenten-basiertes Modell der Bewässerungsplanung um eine Lernfunktion erweitert, die mit Hilfe des maschinellen Lernens hydrologische Situationen erkennt, einordnet und die daraus resultierenden Reaktionen adaptiert. Damit kann ohne weitere Veränderungen der Randbedingungen und Modellkomponenten eine Strategieentwicklung der Agenten innerhalb dieser synthetischen Modellstudie beobachtet werden und der Ertrag aus der Bewässerungslandwirtschaft durch eine optimale Ausnutzung der verfügbaren Wasser Ressourcen unter Minimierung von Krankheitsrisiken verdoppelt werden.
Agent-based models allow to model complex and dynamic systems. This is of special interest in coupled socio-hydrological models, where the human components interact with the environment subdivided into several sub-components. Agent-based models could fit into that role, but they require rule sets that are often hard to describe for natural systems. Furthermore, the rule sets are often over-specialized on the training region and are thus impossible to transfer to different problems or regions. Therefore, we enhanced an agent-based irrigation planning model with a machine learning-based training component that is able to identify the current hydrological
situation and adapt irrigation and cropping schemes within the model at runtime. Without any changes in the model structure, the increase of the irrigated agriculture in this synthetic study could be doubled by minimizing the risk of loss due to diseases.
Keywords: Agent-based modelling, Machine Learning, Lansing Model, Irrigation strategy, Socio-Hydrology, water resource management