Reduktion von Unsicherheiten in der Niederschlag-Abfluss-Modellierung durch detaillierte Klassifizierung von Flächennutzungen mithilfe von Fernerkundungsdaten und Maschinellem Lernen (RUN-ML)
Die Hochwasserereignisse und urbanen Sturzfluten der letzten Jahre haben eindringlich gezeigt, welche Schäden und negative Folgen für die Umwelt durch extreme Niederschlag-Abfluss-Ereignisse entstehen können. Echtzeit-Warnsysteme zur Abbildung der realen, aktuellen Situation werden zurzeit noch erforscht, statische Hochwasser- und Starkregengefahrenkarten liegen dagegen schon für viele Flüsse und Kommunen vor. Die Abschätzung der Oberflächen-abflüsse von befestigten Flächen durch Kanalnetzmodelle (urbane Niederschlag-Abfluss-Modelle) ist aufgrund möglicher Kalibrierungen relativ gut möglich. Eine Prognose des Oberflächenabflusses von unbefestigten, versickerungsfähigen Flächen ist dagegen bei der Modellierung mit größeren Unsicherheiten behaftet. Hierzu zählen auch die Überlagerung von unbefestigten Flächen durch Baumkronen sowie eine fehlende Differenzierung zwischen der Art der Begrünung (Bäume, Büsche, Wiese). Insbesondere fehlt aber eine Berücksichtigung des über das Jahr veränderlichen Abflussverhaltens von unbefestigten Flächen. Da diese unbefestigten, versickerungsfähigen Flächen bei sehr starken Regen aber neben den befestigten Flächen ebenfalls und dann flächendeckend abflusswirksam werden können, ist eine detail-liertere Klassifizierung dieser Flächen erforderlich, um genauere Modellergebnisse zu erzielen.
In den letzten Jahren wurden verschiedene Ansätze zur detaillierten Erfassung von unbefestigten Flächen untersucht. Hierzu zählen die Klassifizierung von Flächen über alternative Daten wie die Auswertung von Topographie oder Color-Infrared-Falschfarbenbildern in Kombination mit Vegetationsindices sowie die Ableitung hydrologischer Kenngrößen aus Fernerkundungsdaten. Um aus diesen umfassenden Datensätzen die gewünschten Informationen zu extrahieren, sind maschinelles Lernen (ML) Techniken erforderlich. ML-Techniken können Informationen aus verschiedenen Quellen extrahieren und in ein einziges Modell umwandeln. Diese Fähigkeit ist besonders geeignet, um das Verhalten von Einzugsgebieten unter instationären Bedingungen zu modellieren, z. B. bei der Anpassung an die Auswirkungen des Klimawandels oder an saisonale Variationen.
Um die Ergebnisse dieser Forschungsarbeit in eine breite Anwendung überführen zu können, sollen die entwickelten methodischen Ansätze in die Modellierungsumgebung ++SYSTEMS integriert werden. So können in Zukunft Kanalnetzsimulationen auch bei seltenen, für Überflutungen relevanten Niederschlag-Abfluss-Ereignissen realitätsnäher durchgeführt werden.
