Suchergebnisse

ZusammenfassungAngesichts der Klimawandelproblematik gewinnt auch die flächige Verfügbarkeit von bodenhydraulischen Informationen an Bedeutung. Diese Bodeninformationen bilden die Grundlage zur Modellierung hydrologischer Prozesse, speziell bei aktuellen Problemfeldern wie der Gefahrenausweisung von pluvialem Hochwasser. In Österreich gibt es derzeit kein Produkt, das die Bodendaten bundesweit flächig abbildet und gleichzeitig die hohe natürliche Variabilität der Bodeneigenschaften widerspiegelt. Ziel der vorliegenden Studie war es, auf Basis verfügbarer Daten relevante bodenhydraulische Parameter für die Gesamtfläche Österreichs abzuleiten und auch entsprechende Unsicherheiten anzugeben. Hierzu wurden zwei gängige Verfahren aus dem "Machine Learning" (ML), XGBoost und FNN, getestet, um Zusammenhänge zwischen leicht messbaren bzw. flächig verfügbaren physio-geografischen sowie zusätzlichen Informationen aus Satellitenfernerkundung und den relevanten Bodenparametern zu entwickeln. Auf Basis der ML-Verfahren wurden die Bodenparameter Sand, Schluff, Ton und Humus flächig für ganz Österreich und für drei verschiedene Tiefenstufen auf einer Rasterbasis von 1 × 1 km2 abgeleitet. Die Ergebnisse stellen im direkten Vergleich mit dem derzeitig einzig österreichweit flächig verfügbaren Bodeninformationssystem eine deutliche Verbesserung dar. Die Regionalisierung der gesättigten hydraulischen Leitfähigkeit (ks) wurde indirekt – auf Grundlage der regionalisierten Bodenparameter und mithilfe von existierenden Pedotransfer Funktionen (PTFs) – und direkt – auf Basis vorhandener bodenhydraulischer Datensätze – getestet. Die Ableitung von ks ist nur mit großen Unsicherheiten möglich. Die erstellten Bodenkarten leisten einen wichtigen Beitrag zur Reduktion der vorhandenen Bodendatenlücken in Österreich und sollen als Grundlage für weitere Arbeiten zur Abschätzung der pluvialen Hochwassergefahr dienen.

ZusammenfassungDie Fließgewässertemperatur ist ein essenzieller Umweltfaktor, der das Potenzial hat, sowohl ökologische als auch sozio-ökonomische Rahmenbedingungen im Umfeld eines Gewässers zu verändern. Um Fließgewässertemperaturen als Grundlage für effektive Anpassungsstrategien für zukünftige Veränderungen (z. B. durch den Klimawandel) berechnen zu können, sind adäquate Modellierungskonzepte notwendig. Die vorliegende Studie untersucht hierfür 6 Machine Learning-Modelle: Schrittweise Lineare Regression, Random Forest, eXtreme Gradient Boosting, Feedforward Neural Networks und zwei Arten von Recurrent Neural Networks. Die Modelle wurden an 10 österreichischen Einzugsgebieten mit unterschiedlichen physiographischen Eigenschaften und Eingangsdatenkombinationen getestet. Die Hyperparameter der angewandten Modelle wurden mittels Bayes'scher Hyperparameteroptimierung optimiert. Um die Ergebnisse mit anderen Studien vergleichbar zu machen, wurden die Vorhersagen der 6 Machine Learning-Modelle den Ergebnissen der linearen Regression und dem häufig verwendeten und bekannten Wassertemperaturmodell air2stream gegenübergestellt.Von den 6 getesteten Modellen zeigten die Feedforward Neural Networks und das eXtreme Gradient Boosting die besten Vorhersagen in jeweils 4 von 10 Einzugsgebieten. Mit einem durchschnittlichen RMSE (Wurzel der mittleren Fehlerquadratsumme; root mean squared error) von 0,55 °C konnten die getesteten Modelle die Fließgewässertemperaturen deutlich besser prognostizieren als die lineare Regression (1,55 °C) und air2stream (0,98 °C). Generell zeigten die Ergebnisse der 6 Modelle eine sehr vergleichbare Leistung mit lediglich einer mittleren Abweichung um den Medianwert von 0,08 °C zwischen den einzelnen Modellen. Im größten untersuchten Einzugsgebiet – Donau bei Kienstock – wiesen Recurrent Neural Networks die höchste Modellgüte auf, was darauf hinweist, dass sie sich am besten eignen, wenn im Einzugsgebiet Prozesse mit langfristigen Abhängigkeiten ausschlaggebend sind. Die Wahl der Hyperparameter beeinflusste die Vorhersagefähigkeit der Modelle stark, was die Bedeutung der Hyperparameteroptimierung besonders hervorhebt.Die Ergebnisse dieser Studie fassen die Bedeutung unterschiedlicher Eingangsdaten, Modelle und Trainingscharakteristiken für die Modellierung von mittleren täglichen Fließgewässertemperaturen zusammen. Gleichzeitig dient diese Studie als Basis für die Entwicklung zukünftiger Modelle für eine regionale Fließgewässertemperaturvorhersage. Die getesteten Modelle stehen im open source R‑Paket wateRtemp allen AnwenderInnen der Forschungsgemeinschaft und der Praxis zur Verfügung.

ZusammenfassungDa die Leistung eines Laufkraftwerks ohne Schwallbetrieb nicht gesteuert werden kann, sind möglichst präzise Leistungsprognosen nötig, um die generierte elektrische Energie bestmöglich am internationalen Strommarkt verwerten zu können. Derzeit befindet sich beim österreichischen Wasserkraftwerksbetreiber Verbund AG für den Zweck der Leistungsprognose eine Kombination aus hydrologischen und hydrodynamischen Modellen (PW) im operativen Betrieb, welche aber insbesondere bei an- sowie absteigenden Leistungsverläufen noch Defizite aufweist. Deshalb wird in dieser Studie an den Laufkraftwerken Braunau-Simbach, Aschach und Greifenstein das Potenzial von Machine Learning (ML) Verfahren bei der kurzfristigen (bis 4 h) Leistungsprognose in fünf hydrologisch interessanten Zeitfenstern eruiert. Dafür werden gemessene Abfluss- und Leistungswerte von stromauf liegenden Laufkraftwerken und Pegeln als Eingangsdaten herangezogen. Die erzielten Ergebnisse zeigen, dass ML im Anwendungsbereich der kurzfristigen Leistungsprognose innerhalb einer Laufkraftwerkskette sinnvoll eingesetzt werden kann. So konnte beim Grenzkraftwerk Braunau-Simbach der Modellfehler in Form der Wurzel der mittleren quadratischen Abweichung (RMSE) im Vergleich zu PW bei der 4‑Stunden-Prognose sowie über die fünf ausgewählten Zeitfenster um rund 63 % verringert werden. Beim Kraftwerk Aschach wurde eine Reduktion von 30 % erzielt, während beim Kraftwerk Greifenstein der RMSE mit ML um mehr als 50 % reduziert wurde. Es hat sich bei ML zudem gezeigt, dass mit kürzerer Prognosezeit auch die Prognosequalität deutlich verbessert wird, während sich diese bei PW in einem deutlich geringeren Ausmaß mit der Prognosezeit ändert. Es ist daher absehbar, dass ab einer bestimmten Prognosezeit PW gegenüber ML wieder im Vorteil ist. Nichtsdestotrotz könnte bei längerer Vorhersagezeit aber durch die Nachkopplung eines ML-Modells an PW die Prognosequalität weiter verbessert werden.

ZusammenfassungIm Rahmen dieser Arbeit wurden Abflusskennwerte für Hochwasser (MJHQ), Mittelwasser (MQ) sowie Niederwasser (MJNQ, MJNQ7, Q95, Q98) für alle topografischen Einzugsgebiete der österreichischen Oberflächenwasserkörper inklusive der ausländischen hydrologischen Oberlieger-Regionen vorhergesagt. Die Regionalisierung der Abflusskennwerte wurde mit dem Machine-Learning-Modell XGBoost durchgeführt. Zentrale Grundlage für das Training von XGBoost war der LamaH-Datensatz, welcher für 859 beobachtete Einzugsgebiete in Zentraleuropa über 70 aggregierte Einzugsgebietseigenschaften und 15 meteorologische Zeitreihen umfasst. Anthropogene Beeinflussungen wie z. B. Jahresspeicher oder Überleitungen wurden durch zusätzlich erstellte Attribute bei der Vorhersage berücksichtigt. Die Testergebnisse haben gezeigt, dass bei der Vorhersage der Abflusskennwerte in unbeobachteten Einzugsgebieten mit einer Abweichung von rund 20 % zu rechnen ist, wobei diese Schätzung auch stark anthropogen beeinflusste Gebiete beinhaltet. Darüber hinaus wurden auch 90-%-Konfidenzintervalle der Vorhersagen mit einem Quantile-Random-Forest-Modell geschätzt und klassifiziert. Die Ergebnisse werden der Öffentlichkeit in Form von Shapefiles unter https://doi.org/10.5281/zenodo.6523372 kostenlos zur Verfügung gestellt.

ZusammenfassungDas Schätzen von räumlich verteilten Parametern hydrologischer Modelle ist ein bereits lang erforschtes und anspruchsvolles Problem. Parameter-Transferfunktionen, die einen funktionellen Zusammenhang zwischen Modellparametern und geophysikalischen Gebietseigenschaften herstellen, sind eine potenzielle Möglichkeit, Parameter ohne Kalibrierung zu schätzen. Function Space Optimization (FSO) ist eine symbolische Regressionsmethode, die automatisiert Transferfunktionen aus Daten schätzen kann. Sie basiert auf einem textgenerierenden neuronalen Netzwerk, das die Suche nach einer optimalen Funktion in ein kontinuierliches Optimierungsproblem umwandelt.In diesem Beitrag beschreiben wir die Funktionsweise von FSO und geben ein Beispiel der Anwendung mit dem mesoscale Hydrological Model (mHM). Ziel der Anwendung ist die Schätzung zweier Transferfunktionen für die Parameter KSat (gesättigte hydraulische Leitfähigkeit) und FieldCap (Feldkapazität). Dafür verwenden wir Daten 7 großer deutscher Einzugsgebieten über einen Zeitraum von 5 Jahren zum Schätzen der Transferfunktionen und weiterer numerischer Parameter. Die resultierenden Funktionen und Parameter werden ohne weitere Kalibrierung auf 222 Validierungsgebiete über eine Validierungsperiode von 35 Jahren angewendet. Mit der Anwendung in diesen "unbeobachteten" Gebieten können wir die Übertragbarkeit und die zumindest regionale Gültigkeit der Transferfunktionen überprüfen.Die Ergebnisse zeigen, dass bei einer Anwendung in unbeobachteten Gebieten die Modellgüte in einem ähnlichen Wertebereich wie in den Trainingsgebieten liegt und somit weiterhin akzeptabel ist. Die Nash-Sutcliffe Efficiency (NSE) in den Trainingsgebieten über den Validierungszeitraum unterscheidet sich mit einem medianen Wert von 0,73 nicht nennenswert von dem der Validierungsgebiete mit einem medianen NSE von 0,65.Zusammengefasst haben Transferfunktionen das Potenzial, die Vorhersagefähigkeiten, Übertragbarkeit auf andere Gebiete sowie physikalische Interpretierbarkeit bestehender hydrologischer Modelle zu verbessern. Mit FSO wurde zum ersten Mal eine objektive, datengetriebene Methode entwickelt, mit der Transferfunktionen geschätzt werden können.