Abteilung Systemanalyse, Integrated Assessment und Modellierung

In der Einzugsgebietshydrologie kommen verschiedene Modelle zum Einsatz, von denen jedes seine eigenen Stärken und Schwächen hat, was die Benutzerfreundlichkeit, die benötigten Daten und die Vorhersagequalität angeht. „Hybride Modelle“ zielen darauf ab, die besten Eigenschaften der verschiedenen Ansätze zu kombinieren, um die Leistung zu verbessern. Ein neuer Forschungsbereich konzentriert sich auf die Kombination von prozessbasierten Modellen (PB) mit Modellen des maschinellen Lernens (ML), um Vorhersagen zu verbessern und neue Erkenntnisse in der Hydrologie zu gewinnen.
Dieses Projekt baut auf den jüngsten Fortschritten bei flexiblen konzeptionellen Modellen auf und kombiniert sie mit den Stärken des maschinellen Lernens, insbesondere des Deep Learning, bei der Vorhersage von Abflüssen. Der Vorschlag führt „prozessbasierte Netzwerke“ ein, bei denen die Netzwerkknoten konzeptionelle Modellelemente darstellen, die durch Massenerhaltungsgleichungen gesteuert werden. Diese Elemente können verschiedene Teile des Einzugsgebiets darstellen, wie ungesättigte oder gesättigte Zonen, und sind besser interpretierbar als die Aktivierungsfunktionen, die in typischen ML-Modellen verwendet werden.
Die Kombination aus flexiblen Modellen und ML-Methoden ermöglicht eine effiziente Modellkalibrierung und paralleles Rechnen. Wir planen, Experimente mit verschiedenen Einzugsgebieten unter Verwendung von Attributen wie Topographie und Bodentyp durchzuführen und unsere Methode mit anderen Modellen zu vergleichen. Ziel ist es, ein besseres Verständnis der Modellkomplexität und der Prozesse in Einzugsgebieten zu erlangen und zu lernen, wie man aus dem Verhalten verschiedener Einzugsgebiete lernen kann.