Intelligent and risk-based early warning system for pluvial floods : Developing a framework to forecast pluvial flooding in real time combining hydrodynamic modelling and deep learning

  • Intelligentes und Risikobasiertes Frühwarnsystem für urbane Sturzfluten

Hofmann, Julian; Schüttrumpf, Holger (Thesis advisor); Jüpner, Robert (Thesis advisor)

Aachen : RWTH Aachen University (2022)
Doktorarbeit

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2022

Kurzfassung

Die Entwicklung von zuverlässigen Vorhersage- und Warnsystemen fokussierte sich in den letzten Jahrzehnten hauptsächlich auf Hochwasserereignisse in großen Fluss- und Küstenregionen. Die zunehmende Anzahl von schadensträchtigen Starkregenereignissen zeigen jedoch eine Lücke in den bestehenden Warnsystemen. Starkregenüberflutungen entwickeln sich innerhalb kürzester Zeit zu hochdynamischen, unvorhergesehenen Gefahren und stellen damit ein signifikantes Sicherheitsrisiko für Mensch und bauliche Infrastruktur dar. Warnungen vor starkregeninduzierten Überflutungen beschränken sich bislang auf die Vorhersage meteorologischer Paramater oder auf das Monitoring einzelner Gewässerpegel. Jüngste Ereignisse zeigen jedoch, dass diese Informationen unzureichend sind, um die Bevölkerung vor den lokalen topografiebedingten Überflutungsgefahren zu warnen. Mikroskalige Überflutungsmodelle auf Basis hydrodynamischer (HD) Verfahren sind zwar vorhanden und liefern detaillierte Ergebnisse, weisen derzeit aber zu hohe Rechenzeiten für operationelle Warnsysteme auf. Bisherige Forschungsmethoden erfordern den Gebrauch von Supercomputern oder basieren auf einfachen datengetriebenen Modellen, erfüllen jedoch nicht die notwendige Anforderung eines praxistauglichen Vorhersagemodells. Weiterhin wird bislang lediglich versucht die hydrologische Gefahr vorherzusagen, wobei das Schadenspotenzial kritischer Infrastrukturen meist völlig außer Acht gelassen oder nur unzureichend in den Warnungen berücksichtigt wird. Ziel dieser Arbeit ist die Entwicklung eines intelligenten und risikobasierten Frühwarnsystems zur Vorhersage starkregeninduzierter Überflutungsereignisse. Hierzu werden innovative Verfahren der HD-Modellierung sowie neuste Verfahren des Deep Learning (DL) untersucht, validiert und miteinander kombiniert, um echtzeitfähige und praxistaugliche Überflutungsmodelle zu entwickeln. Das konzipierte Frühwarnsystem bezieht sowohl die hydrologische Gefahr als auch das Schadenspotenzial der Infrastrukturen in seine Warnung mit ein und lokalisiert objektgenau jene urbanen Bereiche, die im Starkregenfall besonders betroffen sind und gesonderte Maßnahmen erfordern. Grundlegend setzt sich das Warnsystem aus einer dreigliedrigen Modellkette zusammen: einem Niederschlagsvorhersagesystem, einem hochauflösenden Überflutungsmodell und einem Schadenspotenzialmodell. Zunächst werden HD-Modelle zur Überflutungssimulation entwickelt und anschließend anhand von In-situ-Aufnahmen des Starkregenereignisses vom 29. Mai 2018 in der Stadt Aachen erfolgreich validiert. Trotz grafikkartenbasierter Berechnungsprozesse zeigt sich, dass konventionelle HD-Modelle für Echtzeitvorhersagen unzureichend sind. Zur Überwindung der bestehenden Rechenzeitproblematik werden zwei verschiedene methodische Verfahren konzipiert. Die erste Methode besteht aus einem multimodalen Ansatz, welcher das großflächige HD-Modell in Abhängigkeit des lokalen Risikopotenzials in hydrologische Teilmodelle aufteilt. Es folgt die Entwicklung eines Echtzeit-Optimierungsverfahrens, um die verbleibende Simulationszeit hinsichtlich bestehender Anforderungen und Ressourcen zu reduzieren. Die Kopplung mit dem Niederschlagsvorhersagesystem sowie die parallele Aktivierung der Echtzeitmodelle im Ereignisfall erfolgt durch die Programmierung eines Echtzeitsteuerungssystems (PFA-Operator). Die entwickelte Methode zeigt vielversprechende Ergebnisse hinsichtlich Modellgenauigkeit und Rechenzeitreduktion, weist jedoch Nachteile für den Einsatz in großen hydrologisch komplexen Gebieten auf. Zur Lösung dieser Problematik stellt die zweite Methode ein KI-basiertes Überflutungsmodell dar, welches auf auf neusten Verfahren des Deep Learning basiert. Das entwickelte Modell floodGAN vereint zwei Convolutional Neuronal Networks, die sich auf gegenseitig auf Grundlage synthetischer Daten aus Niederschlagsgeneratoren und HD-Modellen trainieren. FloodGAN überträgt das Problem der Hochwasservorhersage in eine Bild-zu-Bild-Translationsaufgabe und ermöglicht damit erstmalig die sekundenschnelle Übersetzung von Niederschlagsdaten in hochaufgelöste Gefahrenkarten. Die Resultate zeigen, dass ein Beschleunigungsfaktor von 10^6 unter Beibehaltung einer hohen Modellgüte sowie Generalisierungsfähigkeit für stark variable Starkniederschlagsereignisse erreicht werden kann. Die Ergebnisse dieser Arbeit stellen fundamentale Erkenntnisse in der Hochwasservorhersageforschung und insbesondere der Echtzeitmodellierung urbaner Überflutungsereignisse dar. In Kombination eines ersten Demonstrators wird mit dieser Arbeit der Proof-of-Concept für eine neue Generation von KI-gestützten Überflutungsmodellen erbracht, der für die Realisierung eines risikobasierten Frühwarnsystems notwendig ist. Künftig soll das floodGAN-Modell hinsichtlich Genauigkeit und Skalierbarkeit verbessert sowie für die Echtzeitmodellierung von fluvialen Sturzflutereignissen übertragen werden. Weiterer Forschungsbedarf ist im Bereich der gekoppelten Niederschlags-Überflutungs-Modellierung sowie im Kommuniktationsprozess erforderlich, um Unsicherheiten innerhalb der Warnung effektiv zu kommunizieren und zielgerichtete Handlungsanweisungen abzuleiten.

Identifikationsnummern

Downloads