Das Flüstern der Flüsse

Kleine Flüsse werden als unscheinbare Idylle wahrgenommen: An ihren Ufern wächst sattes Grün, das Plätschern des Wassers strahlt Ruhe aus und beim gemütlichen Spaziergang können unterschiedlichste Tierarten beobachtet werden, die hier ihren Lebensraum haben. Doch diese vermeintlich harmlosen Fließgewässer sind eines der ungesehenen Risiken unserer Zeit. Manchmal genügt ein winziger Pegelanstieg nach einem Sommergewitter oder eine verirrte Wolkenwalze, die eine Talmulde als Platzregen trifft. Vor allem kleine Wasserläufe reagieren unglaublich schnell auf Starkregen und können sich binnen weniger Minuten bis Stunden in reißende Fluten verwandeln. Diese schnell reagierenden Einzugsgebiete zeichnen sich durch geringe Vorwarnzeiten, hohe Unsicherheiten und ein enormes Schadenpotenzial aus.

Dem Flüstern eine Stimme geben

Das Forschungsprojekt KI-HopE-De will genau dieses Flüstern der Flüsse verstehen und ihm eine Stimme geben, die rechtzeitig warnt. „Wir untersuchen und entwickeln moderne Methoden der künstlichen Intelligenz, um diese deutschlandweit in Flusseinzugsgebieten kleiner gleich 500km² einzusetzen. Dieser Ansatz ermöglicht uns erstmals, eine einheitliche Prognose für diese Regionen zu erstellen und damit die Vorhersage von Extremwetterereignissen zu verbessern“, beschreibt Dr. Ralf Loritz, Nachwuchsgruppenleiter der Gruppe ‚Energy and information flows in hydrological systems‘ am Institut für Wasser und Umwelt (IWU) des KIT, das Vorhaben. Seine Motivation? Der promovierte Hydrologe nennt Neugierde als Antrieb: „Mit dem zunehmenden Einsatz von KI ist meine Faszination gewachsen, wie diese Modelle funktionieren. Daraus wiederum ist eine pragmatische Haltung entstanden: Was in anderen Bereichen einen Mehrwert stiftet, könnte auch in der Hydrologie wertvolle Unterstützung leisten. Ich habe mich daraufhin als Postdoktorand und später mit meiner Nachwuchsgruppe genauer damit beschäftigt und fand Bestätigung. Meine Forschung hat gezeigt, dass diese Modelle sehr gut hydrologische Zustände und Flüsse abbilden können.“ 

Mit KI gegen die Katastrophe

Was mit wissenschaftlicher Neugierde begann, wird mit KI-HopE-De nun zu einem konkreten Projekt. Gemeinsam mit weiteren Forschenden des KIT vom Institut für Meteorologie und Klimaforschung (Prof. Dr. Peter Knippertz), dem Deutschen Wetterdienst sowie verschiedenen Landesämtern möchte Loritz zusammen mit seinem Kollegen Dr. Uwe Ehret vom IWU mit KI gegen potenzielle Katastrophen vorgehen. Passend zum Namen macht das Projekt Hoffnung auf das, was bisher eingesetzte Modelle in kleinen Flusseinzugsgebieten nicht leisten können. Loritz erklärt: „Traditionelle, physikalisch-basierte Modelle werden für große Flüsse eingesetzt. Diese Modelle berechnen Fließgeschwindigkeit, Querschnitt sowie Pegel und sind dabei sehr präzise. Sie sind jedoch aufwändig einzurichten, oft nur für ein einzelnes Flussbett optimiert und stark abhängig von zuverlässigen Niederschlagsvorhersagen. Dort, wo Meteorologie unpräzise wird, etwa bei lokal begrenzten Gewittern, geraten sie an ihre Grenzen.“ Ein klassisches Modell rechnet mit einer festen Regenmenge: 15ml oder 100ml pro qm², nichts dazwischen. Genau hier setzt KI-HopE-De an. Machine-Learning-Modelle, die über viele Flüsse hinweg trainiert werden, erlernen Muster unter anderem aus historischen Wasserpegel- und Niederschlagsdaten. Sie können dadurch die Unsicherheit mehrerer Wetterszenarien statistisch integrieren. Selbst aus ungenauen Prognosen, wie beispielsweise großen Spannweiten der Regenmenge, können sinnvolle Abflussvorhersagen abgeleitet werden. Das Ergebnis ist eine KI-gestützte Hochwasservorhersage, die bei kurzen Vorwarnzeiten wichtige Hinweise liefern kann. „Die Modelle lernen aus vielen hydrologischen Daten und können dadurch den Arbeitsaufwand deutlich verringern, besser mit Unsicherheiten umgehen und Vorhersagen für bundeslandübergreifende Gebiete möglich machen“, berichtet Loritz.

Der Datensee als Fundament

Ein einheitlicher, deutschlandweiter Datensatz ist das fundamentale Ziel des Projekts. Pegelstände, Abflüsse, Niederschlag, Temperatur, Windgeschwindigkeiten, Landnutzung — alles in einer Datenbank. Bis dato sind diese Messreihen oft fragmentiert: Landesämter, Verbände, Untergruppen oder Regierungspräsidien verwalten eigene Daten. Für Forschende hat dies bisher viele Anfragen zur Datenweitergabe, unterschiedliche Formate und oft fehlende Zugriffsmöglichkeiten zur Folge. Loritz betont: „Niemand weiß eigentlich, was wir in Deutschland alles an Messungen im Bereich Umwelt und Wasser durchführen. Die Erstellung eines deutschlandweiten einheitlichen Datensatzes ist daher ein wichtiger Meilenstein. Durch die Zusammenarbeit von Partnern aus Forschung, Wirtschaft und öffentlicher Hand können wir eine große Menge an Daten zur besseren Erforschung sammeln. Selbst wenn das Projekt am Ende keine Anschlussfinanzierung erhalten sollte, hätten wir diesen wichtigen Datenschatz. Für die Forschung, für spätere Projekte und für eine bessere Risikobewertung.“

Vom Labor in die Leitstelle

KI-HopE-De ist aber kein reines Vorzeigeprojekt der Forschung: Erste Datensätze und einfache Modelle für Nordrhein-Westfalen, Rheinland-Pfalz und Baden-Württemberg existieren bereits und wurden zur Implementierung an Hochwasservorhersagezentralen übergeben. Um die Algorithmen reibungslos nutzen und von der Theorie in die Praxis überführen zu können, werden Mitarbeitende der Landesämter durch die Forschenden in Workshops geschult. Die Umsetzung verlangt Sorgfalt: Serverausfälle oder verspätete Wetterdaten sind beispielsweise reale Risiken, wenn eine KI in operative Vorhersageketten eingebunden wird. „Im Labor lässt sich viel zeigen — die Frage ist, wie sich diese Ergebnisse in der Praxis bestätigen lassen, wo nichts mehr schiefgehen darf, weil es um Sachschäden oder schlimmstenfalls Menschenleben geht“, sagt Loritz mit Blick auf erste Testphasen. Eine Frage, die das Projekt innerhalb der nächsten zwei Jahre verbleibender Projektlaufzeit klären soll. Das Flüstern der Flüsse bleibt – aber es wird hörbar: KI-HopE-De schafft eine Stimme, die aus Fragmenten ein Gesamtbild formt. 

Weiterführende Links:

• Weitere Informationen

Bilder: 

• Midjourney
• Amadeus Brahmsiepe / KIT