Dynamische und skalierbare Echtzeitvorhersage von Starkregen und daraus resultierenden Überflutungen mit Hilfe von Deep Learning Anwendungen

RAIN-DL

Die Forschungsarbeiten in KIWaSuS haben gezeigt, dass es grundsätzlich möglich ist, Überflutungsflächen in urbanen Einzugsgebieten aufgrund einer vorgegebenen Niederschlagsbelastung in Echtzeit und auf einem hohen Qualitätsniveau auszuweisen. Es hat sich aber auch gezeigt, dass die hohe Dynamik von Starkregenereignissen sowie die Skalierung und Übertragbarkeit des Überflutungsmodells auf größere Einzugsgebiete weiterhin Herausforderungen darstellen. In RAIN-DL wird daher das bereits in KIWaSuS etablierte Team von Prof. Dr. Markus Quirmbach (Lehrgebiet Siedlungswasserwirtschaft, Hydrologie und Wasserbau) und der fuseki GmbH um die KI-Experten zu Unsicherheitsquantifizierungen (Prof. Dr. Anselm Haselhoff) vom Institut Informatik der HRW ergänzt.

Bei der KI-basierten Starkregenvorhersage geht es in erster Linie um eine Qualitätsverbesserung bei der Vorhersage der hochdynamischen konvektiven Starkregen Damit einhergehend wird eine Vergrößerung des Vorhersagehorizontes auf einem adäquaten Niveau auf mehr als die bisher möglichen 30 Minuten erwartet. Eine Restriktion der bisher getesteten Modelle stellen die Radarniederschlagsdaten dar, da diese nur bereits fallenden Niederschlag messen und keine Aussagen über die Entwicklung der Starkregenzelle zulassen. Um die Vorhersagegenauigkeit der Prognosen bis zu mindestens zwei Stunden in der Zukunft zu verbessern und potenziell neue Niederschlagszellen vorhersagen zu können, wird das Niederschlagsvorhersagemodell aus KIWaSuS in RAIN-DL weiterentwickelt. Zusätzliche Informationen zur atmosphärischen Lage und zum Entwicklungspotenzial von Starkregen werden mit der Einbindung von Parametern aus Radiosonden-Messungen berücksichtigt. Weiterhin werden Satelliten-Daten und volumetrische Radarmessungen eingebunden, um Informationen zu konvektivem Überschießen in der Atmosphäre und zur Entstehung und Entwicklung von Niederschlagszellen zu bekommen. Die neuen KI-Modelle werden mit Daten aus Komposit-Produkten des DWD trainiert und sollen neben der erwarteten Niederschlagsintensität auch Auskunft über die Unsicherheit der generierten Prognosen liefern.

Bei der KI-basierten Überflutungsvorhersage stehen dagegen die Übertragbarkeit und Skalierbarkeit im Vordergrund. Um dies zu ermöglichen, soll das KI-Modell nur noch auf Informationen zur Oberfläche (u.a. Digitales Geländemodell, Rauheiten, Flächennutzung) zurückgreifen und ohne ein Kanalnetz auskommen. Hierzu sollen Algorithmen genutzt werden, die eine Übertragbarkeit des im bisherigen Einzugsgebiet (Gelsenkirchen) trainierten Modells auf andere, neue Gebiete (Düsseldorf und Wuppertal) ermöglicht.

Die HRW ist mit zwei Instituten zu gleichen Teilen am Projekt beteiligt.

Institut Bauingenieurwesen, Lehrgebiet Siedlungswasserwirtschaft, Hydrologie und Wasserbau; 
Prof. Dr. Markus Quirmbach, Juliana Koltermann da Silva

Institut Informatik, Lehrgebiet Fahrzeuginformationstechnik, Prof. Dr. Anselm Haselhoff, Kevin Trelenberg

Die Wissenschaftler der HRW werden dabei durch die fuseki GmbH (Essen) unterstützt.

Das Projekt RAIN-DL wird im Zeitraum 2025 – 2028 im Rahmen des Programms „Transfer HAW/FH PLUS“ von der Deutschen Forschungsgemeinschaft gefördert (Projektnummer 537919295).

Bisher sind keine relevanten Publikationen erschienen.

Laufende Promotionsverfahren:

Koltermann da Silva, J.: „Evaluation of rainfall nowcasting models for the prediction of heavy rainfall events within the prediction chain of urban flash floods“ (Arbeitstitel), Kooperative Promotion mit der Universität Duisburg-Essen, Institut für Wasserbau und Wasserwirtschaft, Prof. Dr. André Niemann

Verbundkoordinator:

Prof. Dr.-Ing. Markus Quirmbach

markus.quirmbach@hs-ruhrwest.de