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

Description: Der vorliegende Forschungsantrag adressiert die Verbesserung von Starkregen- und Überflutungsvorhersagen insbesondere in urbanen Gebieten. Gegenüber rein physikalisch basierten Modellansätzen sollen in dieser Arbeit datengetriebene Modellansätze aus dem Bereich der Künstlichen Intelligenz (KI), insbesondere des Maschinellen Lernens (ML), weiterentwickelt und angewendet werden. Die Ziele dieses Forschungsantrags resultieren aus den im KIWaSuS-Projekt identifizierten Defiziten der aktuellen ML-Modelle im Anwendungskontext des Nowcastings. Es sollen daher in den Themenfeldern Niederschlags- und Überflutungsvorhersage grundlagenwissenschaftliche Untersuchungen durchgeführt werden, auf deren Basis ein vorwettbewerblicher Prototyp entwickelt werden kann, der beide Komponenten beinhaltet. Dabei steht bei den ML-Modellen zur Niederschlagsvorhersage die Qualitätsverbesserung (Generalisierungsfähigkeit) und die Vertrauenswürdigkeit der Vorhersagen im Vordergrund. Dafür sollen bisher genutzte ML-Modellstrukturen erweitert werden, um spezifische wasserwirtschaftliche Anforderungen besser berücksichtigen (Fusion multimodaler Sensordaten) und eine Unsicherheitsquantifizierung für die hochdimensionalen zeitlichen Datensequenzen räumlich und zeitlich verteilter Zeitreihen (z. B. Radardaten) ermöglichen zu können. Bei den Modellen zur Überflutungsvorhersage werden dagegen primär Methoden zur Skalierung und Generalisierung der Modelle auf größere Gebiete untersucht. Dabei soll u.a. geprüft werden, ob die Methode des aktiven Lernens zu einer Verbesserung führt. Nach einer zunächst separaten Entwicklung beider Modelltypen soll am Ende eine hydro-meteorologische Modellkette aufgebaut werden, in der beide Vorhersagemodelle gekoppelt werden.

SupportProgram

Tags: Radar ? Sensor ? Überschwemmung ? Starkregen ? Urbanes Gebiet ? Hydrochemie ? Hydrogeologie ? Künstliche Intelligenz ? Limnologie ? Prognosemodell ? Siedlungswasserwirtschaft ? Arbeit ? Hydrologie ? Zeitreihe ? Integrated Water Resources Management ? Integrierte Wasserressourcen-Bewirtschaftung ? Urban Water Management ? Water Chemistry ?

Region: Nordrhein-Westfalen

Bounding boxes: 6.76339° .. 6.76339° x 51.21895° .. 51.21895°

License: Creative Commons Namensnennung-keine Bearbeitung-Nichtkommerziell 4.0

Language: Deutsch

Organisations

• Hochschule Ruhr West (Projektverantwortung)
• Umweltbundesamt (Bereitstellung)
• fuseki GmbH (Mitwirkung)

Time ranges: 2025-01-01 - 2026-03-19

Alternatives

• Language: Englisch/English
  Title: Dynamic and scalable real-time prediction of heavy rainfall and resulting flooding using deep learning applications
  Description: This research proposal addresses the improvement of heavy rainfall and flooding forecasts, particularly in urban areas. In contrast to purely physically based model approaches, data-driven model approaches from the field of artificial intelligence (AI), especially machine learning (ML), are to be further developed and applied in this work. The objectives of this research proposal result from the deficits of current ML models in the application context of nowcasting that were identified in the KIWaSuS project. Therefore, basic scientific investigations are to be carried out in the fields of precipitation and flood forecasting, on the basis of which a pre-competitive prototype can be developed that includes both components. The focus of the ML models for precipitation forecasting is on improving the quality (generalization capability) and reliability of the forecasts. To this end, previously used ML model structures are to be expanded in order to better take specific water management requirements (fusion of multimodal sensor data) into account and to enable uncertainty quantification for the high-dimensional temporal data sequences of spatially and temporally distributed time series (e.g. radar data). In the case of flood forecasting models, on the other hand, methods for scaling and generalizing the models to larger areas are primarily being investigated. Among other things, it will be examined whether the method of active learning leads to an improvement. After initially developing both model types separately, a hydro-meteorological model chain will ultimately be developed in which both forecasting models are coupled. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1138689

Resources

• Webseite zum Förderprojekt

  https://gepris.dfg.de/gepris/projekt/537919295 (Webseite)

Status

Aktiv

Quality score

• Overall: 0.49
• Findability: 0.64

  • Title: 1.00
  • Description: 0.04
  • Identifier: false
  • Keywords: 0.78
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.