Nutzung künstlicher neuronaler Netze zur Bereitstellung von Entscheidungsgrundlagen für operative und planerische wasserwirtschaftliche Maßnahmen

摘要

Die PAI-OFF-Methodik (Process Modelling and Artificial Intelligence for Online Flood Forecasting) vereint die Zuverlässigkeit physikalisch basierter hydrologischer/hydraulischer Modellierung mit den Operationellen Vorzügen von Methoden der künstlichen Intelligenz. Diese Vorzüge sind: extrem geringer Rechenaufwand zur Erstellung einer Vorhersage, Robustheit sowie einfache Handhabbarkeit des Vorhersagesystems. Die Anwendung von PAI-OFF erfordert dabei zunächst die Erstellung eines physikalisch basierten hydrologischen Modells für ein zu betrachtendes Einzugsgebiet. Wenn besondere hydrodynamische Bedingungen auftreten, wie z.B. Rückstaueffekte beim Hochwasserwellenablauf, wird ein hydrodynamisches Wellenablaufmodell für die betreffenden Flussabschnitte mit einbezogen. Beide Modelle werden anschließend zur Simulation der Reaktion des Einzugsgebiets auf die Bandbreite potentiell Hochwasser auslösender Niederschlagsereignisse genutzt. Die resultierenden Niederschlags-Abfluss-Daten bilden die Grundlage einer Datenbank korrespondierender Input-Output-Vektoren. Die Datenbank wird weiterhin durch hydrologische/meteorologische Informationen zur Charakterisierung des Gebietszustandes vor Ereignisbeginn vervollständigt. Diese Datenbank dient dann dem Training jeweils eines künstlichen neuronalen Netzwerkes: ein Polynomielles Neuronales Netz (PoNN) zur Abbildung der Niederschlags-Abfluss-Funktion sowie ein Multilayer-Feedforward-Netzwerk (MLFN) zur Porträtierung des Hochwasserwellenablaufs.%The PAI-OFF method (Process Modelling and Artificial Intelligence for Online Flood Forecasting) combines the reliability of physically based hydrological/hydraulic modelling with the operational benefits of methods of artificial intelligence. Such benefits are extremely low computational effort in forecasting, robustness, and easy handling of the forecasting system. However, the use of the PAI-OFF presupposes at first the establishment of a physically based hydrological model of the catchment under consideration. In the presence of particular hydrodynamic conditions, such as backwater effects, a hydrodynamic flood-routing model of the affected river reach is also included. Both models are then used to simulate the response of the catchment to the full range of potential flood-generating precipitation events. The resulting rainfall-runoff data are processed into a database of corresponding input-output vectors. This database is supplemented by hydrological/meteorological information that characterizes the state of the catchment at the beginning of an event. Then several artificial neural networks are trained with the help of this database; a polynomial neural network (PoNN) to describe the rainfall-runoff function and a multilayer-feedforward network (MLFN) to depict the flood-routing process.