Predictive value of current HEC-RAS 2D water levels for machine learning flood postprocessing in southeastern Louisiana

Überschwemmungen gehören zu den zerstörerischsten Kräften auf der Erde, da sie Landschaften umgestalten und Gemeinschaften mit erschreckender Geschwindigkeit bedrohen. Um Menschen und Eigentum zu schützen, verlassen sich Wissenschaftler auf Computermodelle, die simulieren, wie Wasser über das Land, durch Flüsse und in Überschwemmungsgebiete fließt. Diese digitalen Simulationen, bekannt als hydraulische Modelle, berücksichtigen Niederschläge, die Form des Geländes und den Fluss von Flüssen, um vorherzusagen, wie hoch das Wasser steigen wird. Diese Modelle sind jedoch nicht perfekt. Sie basieren auf komplexer Physik und unvollkommenen Daten, was bedeutet, dass ihre Vorhersagen oft von der Realität abweichen und manchmal den tatsächlichen Wasserstand um mehrere Fuß verfehlen. Wenn ein Modell einen Fehler macht, kann der Unterschied zwischen dem vorhergesagten und dem tatsächlichen Wasserstand über den Unterschied zwischen einer sicheren Warnung und einer katastrophalen Überraschung entscheiden. Die Herausforderung für Wissenschaftler besteht nicht nur darin, diese Simulationen durchzuführen, sondern auch darin, herauszufinden, wie sie ihre Fehler im Nachhinein korrigieren können, indem sie die Informationen nutzen, die das Modell bereits generiert hat, um eine bessere Schätzung dessen zu machen, was wirklich passiert ist.

In Südost-Louisiana setzte ein Forscherteam eine spezifische Idee auf die Probe: Können die durch ein Computermodell aktuell vorhergesagten Wasserstände und der Pfad, den diese Pegel genommen haben, um dorthin zu gelangen, helfen, die Fehler des Modells zu korrigieren? Sie konzentrierten sich auf das Hydrologic Engineering Center's River Analysis System, ein weit verbreitetes Werkzeug, das die Landschaft in ein Raster von Zellen unterteilt und die Wassertiefe sowie die Höhe über die Zeit berechnet. Die Forscher sammelten Daten von acht großen Überschwemmungen, die bereits in der Region stattgefunden hatten, die von tropischen Stürmen bis hin zu schweren Regenfällen reichten. Sie verglichen die vom Computer vorhergesagten Wasserstände mit realen Messungen, die an Pegelstationen entlang von Flüssen und Bächen durchgeführt wurden. Das Ziel war es zu sehen, ob ein Machine-Learning-System – eine Art Computerprogramm, das Muster aus Daten lernt – in der Lage ist, die eigenen Ausgaben des Modells zu nutzen, um dessen Fehler zu korrigieren, ohne die genaue Ursache des Fehlers kennen zu müssen.

Die Forscher entwarfen ein sorgfältiges Experiment, um verschiedene Informationsquellen voneinander zu trennen. Zuerst bauten sie ein Korrekturmodell auf, das über den Regen, den Standort und die Zeit informiert war, aber strengstens untersagt war, den aktuellen Wasserstand des Computermodells zu betrachten. Dies diente als Baseline, um zu sehen, wie viel das Modell allein aus Wetterdaten und Geografie lernen konnte. Dann erlaubten sie dem System, den aktuellen Wasserstand des Computermodells zum exakten Zeitpunkt der Beobachtung zu sehen. Schließlich gaben sie dem System eine kurze Historie der Wasserstände, die dem Moment vorausgingen, und zeigten so, wie das Wasser in den Stunden zuvor gestiegen oder gesunken war. Durch das Testen dieser verschiedenen Versionen an Überschlemungen, die der Computer noch nie gesehen hatte, konnten sie genau messen, welchen Wert jedes einzelne Informationsstück hinzufügte.

Die Ergebnisse zeigten, dass der aktuelle Wasserstand des Computermodells das mächtigste Werkzeug zur Fehlerkorrektur war. Als die Forscher den aktuellen Wasserstand in ihr Korrektursystem integrierten, sank der durchschnittliche Fehler bei der Vorhersage der Wasserhöhe signifikant von etwa 1,63 Metern auf 0,67 Meter. Diese Verbesserung trat bei allen acht getesteten Überschwemmungen konsistent auf. Das System lernte, dass der aktuelle Zustand des Modells eine verborgene Zusammenfassung von allem enthielt, was bis zu diesem Punkt geschehen war – der Regen, der fiel, das im Boden gespeicherte Wasser und die Art und Weise, wie der Fluss den Abfluss leitete. Selbst wenn die Rohvorhersage des Modells falsch war, enthielt die spezifische Art und Weise, wie sie falsch war, einen Hinweis, den das Machine-Learning-System nutzen konnte, um die endgültige Zahl anzupassen. Dies deutet darauf hin, dass der interne Zustand des Modells, selbst wenn er fehlerhaft ist, nützliche Informationen über das Verhalten der Überschwemmung liefert, die einfache Wetterdaten nicht bieten können.

Das Hinzufügen der Historie der Wasserstände – der jüngeren Vergangenheit der Überschwemmung – lieferte einen kleineren, wenn auch positiven Schub. Es reduzierte den Fehler weiter von 0,67 Metern auf 0,62 Meter und verbesserte die Vorhersagen bei sieben der acht Überschwemmungen. Diese zusätzliche Information war jedoch weniger konsistent als der aktuelle Wasserstand. In einigen Fällen half das Wissen über die jüngere Vergangenheit, in anderen machte es kaum einen Unterschied. Die Forscher fanden heraus, dass der aktuelle Wasserstand bereits die meiste notwendige Information über die Entwicklung der Überschwemmung enthielt, was die Historie etwas redundant machte. Das System benötigte keine detaillierte Zeitlinie der vergangenen Stunden, um eine gute Korrektur vorzunehmen; die Momentaufnahme des Wasserstands im Hier und Jetzt war ausreichend, um die Korrektur zu leiten.

Die Studie testete auch, wie gut diese Korrekturen in der realen Welt funktionieren würden, in der die spezifischen Standorte der Pegel möglicherweise nicht Teil der Trainingsdaten waren. Als die Forscher alle Daten eines bestimmten Pegels aus dem Trainingsdatensatz entfernten, wodurch das System gezwungen wurde, von anderen Standorten zu lernen, versagte die Korrektur, die sich nur auf Wetter und Geografie stützte, fast vollständig. Es konnte den Wasserstand für einen neuen Standort ohne Hilfe nicht vorhersagen. Als das System jedoch den aktuellen Wasserstand des Computermodells nutzen durfte, schnitt es weiterhin gut ab und reduzierte den Fehler selbst für Pegel, die es zuvor noch nie gesehen hatte, erheblich. Dies ist eine entscheidende Erkenntnis, denn sie bedeutet, dass die Korrekturmethode nicht einfach nur das Verhalten spezifischer Flüsse auswendig lernt, sondern eine allgemeine Regel darüber erlernt, wie die Fehler des Modells mit dem Wasserstand zusammenhängen. Die größten Verbesserungen in diesen schwierigen Fällen traten in Gebieten auf, in denen die Karte des Geländes des Computermodells signifikant von der realen Flussrinne abwich, was darauf hindeutet, dass das System lernte, Kartierungsfehler durch die Betrachtung des Wasserstands zu kompensieren.

Trotz dieser Erfolge wiesen die Forscher vorsichtig darauf hin, was die Methode nicht leisten konnte. Während die Korrekturen den allgemeinen Wasserstand und die Höhe des Höchstwasserstandes verbesserten, korrigierten sie nicht perfekt den Zeitpunkt der Hochwasserspitzen oder die exakte Geschwindigkeit, mit der das Wasser alle drei Stunden stieg und fiel. Das System konnte Ihnen sagen, wie hoch das Wasser sein würde, aber es konnte nicht zuverlässig vorhersagen, wann genau das Wasser seinen höchsten Punkt erreichen würde. Darüber hinaus war die Studie auf Überschlemungen beschränkt, die bereits stattgefunden hatten. Die Forscher nutzten abgeschlossene Ereignisse, um ihr System zu trainieren und zu testen, was bedeutet, dass die Ergebnisse zeigen, wie gut die Methode bei vergangenen Daten funktioniert, nicht zwangsläufig, wie sie bei einer zukünftigen, noch unbekannten Überschwemmung performen wird. Das von ihnen verwendete Computermodell hatte zudem bekannte Einschränkungen, wie etwa fehlende Zuflüsse in die Flüsse und unvollständige Aufzeichnungen darüber, wie die Geländehöhe gemessen wurde, was bedeutet, dass die Korrekturen auf einem fehlerhaften Fundament arbeiten.

Die Studie kommt zu dem Schluss, dass Machine Learning die Hochwasserprognosen zwar signifikant verbessern kann, indem es die eigenen Wasserstandswerte des Modells nutzt, aber es keine magische Lösung für alle Probleme darstellt. Der aktuelle Wasserstand lieferte den größten und zuverlässigsten Gewinn, während die Historie des Wassers einen kleineren, weniger konsistenten Nutzen brachte. Die Methode funktioniert am besten, wenn der Wasserstand des Modells durch das Terrain gestützt wird, also wenn der Computer glaubt, dass Wasser vorhanden ist, wo es tatsächlich ist. In Gebieten, in denen das Modell kein Wasser anzeigt, obwohl es dort vorhanden ist, oder in denen die Abbildung des Flusses auf das Computergitter mangelhaft ist, werden die Korrekturen weniger zuverlässig. Die Forscher schlagen vor, dass vor einer Anwendung dieser Art der Nachbearbeitung für Echtzeitwarnungen die zugrunde liegenden Computermodelle bessere Daten über die Bodenbeschaffenheit, genauere Flusszuflüsse und ein klareres Verständnis darüber benötigen, wie die Wasserstände gemessen werden. Bis dahin dient die Methode als kraftvoller Beweis dafür, dass selbst unvollkommene Computermodelle wertvolle Hinweise enthalten, die, wenn man sie richtig liest, uns der Wahrheit einer Überschwemmung näher bringen können.