Untersuchungen zum Potenzial maschineller Lernverfahren für die hydrologische Simulation und Vorhersage am Beispiel von LSTM und LARSIM in Baden-Württemberg

130-145

Artikel aus einer Zeitschrift

200211801

Die Simulation und Vorhersage von Abfluss in Gewässern ist eine zentrale Aufgabe der hydrologischen Modellierung. Dazu finden prozessbasierte, konzeptionelle und datenbasierte Methoden Anwendung, wobei vor allem für letztere in den letzten Jahren eine rasante Entwicklung stattgefunden hat. In diesem Kontext ist es das Ziel dieser Studie, das Potenzial von Long Short-Term Memory (LSTM) Modellen für die langfristige Abflusssimulation und für die kurzfristige Abflussvorhersage zu untersuchen. Dazu werden LSTM-Modelle für vier Pegel in Baden-Württemberg auf Basis hydro meteorologischer Eingangsgrößen aufgestellt und Abflusssimulationen über vier Jahre bzw. 72 Stunden in die Zukunft reichende Abflussvorhersagen für Hochwasser auf Basis gemessener meteorologischer Antriebsdaten erstellt. Diese werden mit Abflussmessungen an den Pegeln und mit den Ergebnissen des etablierten prozessbasierten Wasserhaushaltsmodells LARSIM (Large Area Runoff Simulation Model) verglichen. Die Ergebnisse dieser Studie zeigen, dass die wichtigsten Einflussgrößen für die Simulationsgüte der LSTMs i) die zeitliche Tiefe des Netzwerks, ii) die Wahl der Eingangsgrößen und iii) die Wahl der Zielfunktion für das Training sind. Für i) stellten sich 3 Monate als bester Kompromiss zwischen Simulationsgüte und Rechenzeit heraus, für ii) verbesserte die Hinzunahme aggregierter Zeitreihen zusätzlich zu den stündlichen Eingangsdaten die Simulationsgüte, und für iii) verbesserte die Erweiterung des mittleren quadratischen Fehlers mit einer zusätzlichen Gewichtung des höchsten aufgetretenen Fehlers die Simulationsgüte vor allem für hohe Abflüsse. Weitere Modifikationen der Eingangsgrößen wie Quantiltransformation und stratifizierte Datenauswahl ergaben keine Verbesserungen. Die Langfristsimulationen mit den LSTMs sind sehr gut (Nash Sutcliffe
Effizienzen von 0,84 bis 0,90) und qualitativ vergleichbar mit denen von LARSIM. Auch hinsichtlich der Wiedergabe von gemessenen Hochwasserscheiteln erzielen die LSTMs sehr gute Ergebnisse, die qualitativ mit denen von LARSIM vergleichbar sind. Für die Vorhersage von Hochwasser wurden zwei LSTM-Varianten aufgestellt: Rekursive LSTMs, die ihre eigene Vorhersage des vorigen Zeitschritts als Eingangsgröße nutzen, und multi-LSTMs, bei denen für jede Vorhersagetiefe ein separates LSTM trainiert wird. Es zeigte sich, dass rekursive LSTMs wegen des Effekts der Fehlerfortpflanzung weniger robust sind als multi-LSTMs. Mit den multi-LSTMs wurden auch bei den Hochwasservorhersagetests ähnlich gute Ergebnisse erzielt wie mit LARSIM. Auf Basis dieser Ergebnisse wird dargelegt, das Potenzial von maschinellen Lernverfahren für die hydrologische Simulation und Vorhersage weiter auszuloten und auszuschöpfen, zum Beispiel durch die Kombination der Stärken prozessbasierter und datenbasierter Modelle in hybriden Systemen.
Schlagwörter: Maschinelles Lernen, LSTM, LARSIM, Simulation, Vorhersage