Flood Risk Mapping -
Verallgemeinerbare Deep-Learning-Modelle zur Hochwasservorhersage

Projektbeschreibung
    Problemstellung
    Durch den Klimawandel nehmen Häufigkeit und Intensität von Hochwasserereignissen zu. Gleichzeitig verschärfen Urbanisierung, Flächenversiegelung und wachsende Siedlungsräume die Auswirkungen solcher Ereignisse. Das extreme Hochwasser im Ahrtal im Jahr 2021 hat gezeigt, dass bestehende Gefahrenkarten und klassische Risikobewertungen nicht immer ausreichen, um betroffene Gebiete zuverlässig abzubilden.
    Die Hochwasservorhersage ist deshalb ein zentraler Bestandteil des Hochwasserrisikomanagements. Sie unterstützt die Vorbereitung auf Extremereignisse, die Einsatzplanung und die Bewertung möglicher Schutzmaßnahmen. Traditionelle prozessbasierte Modelle liefern zwar detaillierte Simulationen, sind aber datenintensiv, rechenaufwendig und erfordern umfangreiches hydrologisches Fachwissen. Das Projekt untersucht, wie datengetriebene Deep-Learning-Modelle diese Einschränkungen überwinden und schnelle, robuste sowie kostengünstige Vorhersagen ermöglichen können.
    Zielsetzung
    Ziel des Projekts ist die Entwicklung genauer, verallgemeinerbarer und robuster Deep-Learning-Modelle zur Hochwasservorhersage. Die Modelle sollen aus räumlichen und zeitlichen Eingangsdaten lernen und Überschwemmungskarten erzeugen, die anzeigen, welche Gebiete unter gegebenen Niederschlags- und Randbedingungen potenziell überflutet werden.
    Ein besonderer Fokus liegt auf der Übertragbarkeit der Modelle auf neue Regionen und Hochwasserereignisse, für die keine spezifischen Trainingsdaten vorliegen. Damit sollen Deep-Learning-Ansätze nicht nur als schnelle Approximation klassischer hydraulischer Modelle dienen, sondern auch Regionen unterstützen, in denen detaillierte prozessbasierte Simulationen aus finanziellen oder technischen Gründen nur eingeschränkt verfügbar sind. Damit legt das Projekt ein besonderes Augenmerk auf weltweite ländliche Regionen.
    Ansatz
    In die Modellierung fließen Informationen ein, die ein Untersuchungsgebiet räumlich und zeitlich beschreiben. Dazu gehören unter anderem:
    • multispektrale Satellitenbilder, insbesondere Sentinel-2-Daten,
    • Höheninformationen und topographische Merkmale,
    • raum-zeitliche Niederschlagsdaten und Niederschlagsprognosen,
    • Bodenfeuchte und weitere hydrologische Vorbedingungen,
    • kartierte Hochwasserereignisse als Ground-Truth-Daten.
    Die Ground-Truth-Daten stammen aus kartierten realen Hochwasserereignissen, unter anderem aus dem Copernicus Emergency Management Service. Dadurch wird untersucht, wie Deep-Learning-Modelle nicht nur aus synthetischen Simulationsergebnissen, sondern auch aus Beobachtungsdaten realer Überschwemmungen trainiert werden können.
    IPC Werte am Horn von Afrika

    Methodik
    Deep-Learning-Modelle sind besonders geeignet, um komplexe nichtlineare Beziehungen in hochdimensionalen räumlich-zeitlichen Daten zu erfassen. Im Projekt werden neuronale Architekturen entwickelt, die sowohl lokale räumliche Muster als auch den weiteren hydrologischen Kontext eines Einzugsgebiets berücksichtigen können.
    Ein zentraler methodischer Schwerpunkt liegt darauf, die Verallgemeinerbarkeit zu verbessern. Dazu werden Modellarchitekturen und Lernverfahren untersucht, die bereichsinvariante Merkmale erkennen und den unabhängigen Einfluss einzelner Faktoren auf die Hochwasserwahrscheinlichkeit besser isolieren können. Die Modelle werden iterativ nach dem CRISP-DM-Ansatz entwickelt: Datenverständnis, Datenvorverarbeitung, Modellbildung, Evaluation und anschließende Verbesserung bilden einen wiederkehrenden Arbeitsprozess.
    Anwendung und Nutzen
    Die entwickelten Modelle sollen perspektivisch in zwei Bereichen eingesetzt werden:
    • als Echtzeit- oder Kurzfristinstrument zur Hochwasservorhersage bei aktuellen Niederschlagsprognosen,
    • als Werkzeug für Hochwasserrisikomanagement und Prävention, etwa zur Simulation geplanter Schutzinfrastruktur oder veränderter Flächennutzung (nature based solutions).
    Ein verallgemeinerbares Deep-Learning-Modell ist für ländliche Kommunen und Regionen wertvoll, die bislang nicht über hochauflösende Hochwassergefahrenkarten verfügen. Es ermöglicht, Hochwasserrisiken schneller, kostengünstiger und flächendeckender abzuschätzen.
    Nachhaltigkeit
    Das Projekt leistet einen Beitrag zu den globalen Nachhaltigkeitszielen der Vereinten Nationen, insbesondere zu nachhaltigen Städten und Gemeinden sowie zur Stärkung der Widerstandsfähigkeit gegenüber klimabedingten Naturkatastrophen. Wissenschaftlich adressiert es eine wichtige Forschungslücke: die Entwicklung von Hochwasservorhersagemodellen, die nicht nur auf einzelne Trainingsgebiete optimiert sind, sondern robust auf neue Regionen und Ereignisse übertragen werden können.
    Die Ergebnisse sollen im Rahmen einer kumulativen Promotion veröffentlicht und möglichst frei zugänglich gemacht werden. Darüber hinaus sind Vorträge, Konferenzbeiträge und Wissenschaftskommunikation geplant, um die entwickelten Methoden und Anwendungsmöglichkeiten sowohl in der Forschung als auch in der Praxis bekannt zu machen.
    Projektteam und Finanzierung
    Das Forschungsprojekt wird durch die →Rheinenergie Stiftung finanziell unterstützt. Dies bildet den Rahmen für die Promotion von →Natasha Randall an der Technischen Hochschule Köln und am Promotionskolleg NRW in der Abteilung Informatik und Data Science (→PK NRW). Betreut wird die Arbeit von mir, Prof. Dr. Gernot Heisenberg vom Institut für Informationswissenschaft (IWS), →Prof. Dr. Lars Ribbe vom Institut für Technologie und Ressourcenmanagement in den Tropen und Subtropen (ITT) sowie →Prof. Dr. Dietlind Zühlke vom Institut für Data Science, Engineering, and Analytics (IDE+A). Durch die Einbindung in das Cologne AIMLab und den Zugang zum →KI-Cluster der TH Kölnstehen dem Projekt interdisziplinäre Expertise und leistungsfähige GPU-Ressourcen zur Verfügung.