Vorhersage von hydrologischen Abflusskennwerten in unbeobachteten Einzugsgebieten mit Machine Learning

• Published in: Österreichische Wasser- und Abfallwirtschaft 2022, Vol.74 (11-12), p.469-485
• Main Authors: Klingler, Christoph, Feigl, Moritz, Borgwardt, Florian, Seliger, Carina, Schmutz, Stefan, Herrnegger, Mathew
• Format: Article
• Language: ger
• Subjects: Aquatic Pollution; Chemistry/Food Science; Engineering; Hydrology; Learning algorithms; Machine learning; Originalarbeit; Waste Management/Waste Technology; Waste Water Technology; Water Industry/Water Technologies; Water Management; Water Pollution Control
• ISSN: 0945-358X; 1613-7566
• DOI: 10.1007/s00506-022-00891-4

Zusammenfassung Im Rahmen dieser Arbeit wurden Abflusskennwerte für Hochwasser (MJHQ), Mittelwasser (MQ) sowie Niederwasser (MJNQ, MJNQ 7 , Q 95 , Q 98 ) 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.