Entwicklung eines Vorhersagemodells für pluviale Überflutungen in urbanen Gebieten auf Basis von Maschinellen Lernverfahren
Starkregenereignisse und die daraus resultierenden Sturzfluten führen insbesondere in den hochverdichteten urbanen Gebieten immer wieder zu einer Überlastung der Entwässerungssysteme und in der Folge zu Überschwemmungen. Da derzeit keine geeigneten Frühwarnsysteme für solche Ereignisse existieren, kann die konkrete Überflutungssituation aufgrund überlasteter Kanalnetze und oberflächig abfließender Wassermaßen erst beim Eintreten eines Ereignisses beschrieben werden. Dadurch ist die zielgerichtete Warnung der betroffenen Bevölkerung nur unzureichend möglich. Zudem wird die Handlungsfähigkeit der beteiligten Akteure des Krisenmanagements stark beeinträchtigt und beschränkt sich häufig nur noch auf die Schadensbeseitigung.
Da konvektive Starkregenereignisse nur für kurze Zeiträume vorhergesagt werden können, die Berechnung der resultierenden Überflutungssituation mit den verfügbaren Modellen aber sehr rechenintensiv ist, ist eine effektive Frühwarnung derzeit nicht realisierbar. Um dieser Problematik zu begegnen, wurde im Rahmen der vorliegenden Arbeit ein Ansatz entwickelt, mit dem auf Basis einer Niederschlagsprognose das resultierende Überflutungsausmaß möglichst verzögerungsarm berechnet werden kann. Ziel war es dabei, die bevorstehende Überflutungssituation als dynamische Starkregengefahrenkarte für die kommenden Zeitschritte darzustellen. Hierfür wurde auf Maschinelle Lernverfahren (ML) zurückgegriffen, deren Training zwar sehr rechen- und damit zeitintensiv ist, mit denen im Anschluss an den Trainingsprozess aber eine schnelle Berechnung der gewünschten Zielgröße möglich ist.
Zur Berechnung der bevorstehenden Überflutungssituation wurde ein zweigeteilter Systemaufbau, bestehend aus einem ML-Modell zur Vorhersage von Überstauganglinien an den Schächten eines Kanalnetzes und einem ML-Modell zur Vorhersage der resultierenden Überflutungsflächen an der Geländeoberfläche entwickelt. Da für das Training der beiden Modelle keine geeigneten Beobachtungsdaten über das Überflutungsausmaß historischer Ereignisse zur Verfügung standen, wurde ein umfangreicher künstlicher Trainingsdatensatz mit einem hydrodynamischen Berechnungsmodell erstellt. Mit diesem Datensatz wurden anschließend die beiden Vorhersagemodelle für Überstau und für Überflutungsflächen entwickelt.
Im Rahmen des Entwicklungsprozesses wurden verschiedene ML-Verfahren und Modellaufbauten getestet und hinsichtlich der Prognosegüte miteinander verglichen. Zudem wurde der Einfluss unterschiedlicher Kombinationen von Eingabedaten auf das Prognoseergebnis analysiert. Die besten Modelle wurden zusätzlich verschiedenen Sensitivitätsanalysen unterzogen, um die Genauigkeit der entwickelten Modelle weiter zu optimieren sowie deren Skalierbarkeit und Übertragbarkeit zu verbessern. Abschließend erfolgte einerseits die Kopplung der beiden Vorhersagemodelle zur Bewertung der gemeinsamen Prognosegüte, andererseits wurde die Integration der beiden Modelle in die Vorhersagekette eines Frühwarnsystems aufgezeigt.
Heavy rainfall events and the resulting flash floods repetitively overload the capacity of drainage systems and lead to flooding, particularly in highly urbanised areas. As there are currently no appropriate early warning systems for such events, the specific flooding situation due to the overload of the sewer networks and to the generated surface runoff can only be determined when an event occurs. As a result, the targeted warning of the affected population is only insufficiently possible. In addition, the ability of crisis management actors to respond during these extreme events is severely impaired, being often limited to damage repair.
Since convective rainfall events can only be predicted for short lead times, and calculating the resulting flooding situation with the available models is, on the other hand, very computationally intensive, an adequate early warning is currently not feasible. To overcome this problem, an approach to calculate the resulting flood extent based on a precipitation nowcast with as little temporal delay as possible was developed in this study. The aim was to visualise the upcoming flooding situation as a dynamic heavy rain hazard map for the subsequent time steps. For this purpose, machine learning (ML) methods were applied, whose training is very computationally intensive and consequently time-consuming, but which allow a rapid calculation of the desired target value, once the training process has been completed.
To estimate the upcoming flooding situation, a system structure consisting of two sub-models was developed, one ML model for predicting overflow hydrographs at the manholes of a sewer network and one ML model for predicting the resulting flooded areas at the terrain surface. As no suitable monitoring data about the flooding situation of historical events was available for the training of these two models, a comprehensive artificial training data set was created with a hydrodynamic simulation model. This data set was then used to develop the two forecasting models for overflow and flooded areas.
As part of the development process, various ML methods and modelling setups were tested and compared with each other in terms of their forecasting performance. The influence of different combinations of input data on the forecast result was also analysed. Additionally, the best models were subjected to various sensitivity analyses to further optimise the accuracy of the developed models and improve their scalability and transferability. Finally, the two forecasting models were coupled to evaluate the combined forecasting performance and the integration of the two models into the forecasting chain of an early warning system was demonstrated.