Digitale Technologien können einen wichtigen Beitrag dazu leisten, Extremereignisse (z. B. Dürren, Starkregen) und Naturgefahren (z. B. Überschwemmungen) frühzeitig zu erkennen bzw. die Auswirkungen vorherzusagen. Sie ermöglichen es außerdem, auf Folgen des Klimawandels zu reagieren und die kostbare Ressource Wasser intelligent zu verteilen und zu nutzen. Die Wissenschaftler*innen des Projektes „Extremereignisse, Naturgefahren und Klimawandel“ untersuchen vernetzte Sensorsysteme und die Nutzung neuartiger Datenquellen, um wichtige Informationen für Prognosen und Smart Services zu erhalten.
Zu den neuartigen Datenquellen zählen Texte, Bilder und Videos, die freiwillig von Personen erstellt und im Internet geteilt werden (z. B. über Soziale Medien). Sie enthalten z. B. Informationen über Niederschläge, Überflutungen oder den Zustand von Gewässern und sind bezüglich ihrer hohen Verfügbarkeit, zeitlichen und räumlichen Auflösung wertvoll. Diese Daten werden mittels Künstlicher Intelligenz (KI) automatisch ausgewertet. Die Herausforderung besteht darin, dass die Daten mit verschiedenen Kameras und aus unterschiedlichen Blickwinkeln erhoben werden und nicht einheitlich beschrieben sind. Zudem ist der Ort der Aufnahme oft nicht genau bekannt. Für die integrierte Auswertung des Materials werden aber georeferenzierte Daten benötigt. Deshalb entwickeln die Wissenschaftler*innen Methoden, um die Aufnahmeposition aus der Umgebung abzuleiten (z. B. bekannte Landmarken in den Daten). Hierzu sollen auch 3D-Punktwolken und -Modelle eingesetzt werden.
Außerdem arbeiten die Wissenschaftler*innen an kurzfristigen Vorhersagen (sog. Nowcasting) von Starkniederschlägen. Insbesondere in Städten haben durch Regenereignisse bedingte Hochwasser eine hohe Dynamik und sind schwer vorhersagbar. Das Nowcasting soll zur Entwicklung von Frühwarnsystemen beitragen. In diesem Zusammenhang untersuchen die Wissenschaftler*innen die Online-Aneichung von Niederschlagsinformationen. Dabei kombinieren sie Radardaten mit Niederschlagsmessungen am Boden. Des Weiteren entwickeln sie die Radarvorhersagen zu nichtlinearem Tracking weiter, also der Erfassung von sich ungleichmäßig bewegenden Objekten. Sie untersuchen auch, wie Modelle zur Wettervorhersage und Radartracking gekoppelt werden können. Des Weiteren beschäftigen sich die Wissenschaftler*innen mit der Erfassung und Reduzierung von Unsicherheiten in Modellen (sog. Unsicherheitsquantifizierung) und analysieren Ensemblevorhersagen, also Vorhersagen, die aus mehreren Szenarien bestehen.
Frühwarnung ist eine wichtige Präventionsmaßnahme, um große Schäden bei Starkregenereignissen zu vermeiden. Basierend auf einer Regenvorhersage können mit physikalisch basierten Modellen Berechnungen angestellt werden, wie groß Überflutungshöhen oder Fließgeschwindigkeiten auf Plätzen oder Straßen sein werden. Solche Berechnungen sind jedoch zu langsam für Echtzeitvorhersagen. Daher testen die Wissenschaftler*innen KI-Modelle, die schnelle Vorhersagen von Überflutungshöhen erlauben. Zudem betrachten die Wissenschaftler*innen stadtplanerische Aspekte als Vorsorge für Überflutungen. Für ihre Untersuchungen beziehen sie Überflutungskarten ein und ermitteln das Potenzial weiterer Aspekte wie Entsiegelung und Dachbegrünung. Weiterhin untersuchen die Wissenschaftler*innen im Rahmen eines Kosten-Nutzen-Vergleichs den Mehrwert grüner Infrastruktur für das Ökosystem. Mit grüner Infrastruktur sind strategische geplante natürliche und naturnahe Flächen gemeint, die das Ökosystem und die biologische Vielfalt unterstützen.
Im Falle eingetretener Extremereignisse treffen Impakt-Vorhersagen Aussagen darüber, wie sich die Extreme auf Überflutungsflächen auswirken und welche Schäden sie an Gebäuden, der Infrastruktur und landwirtschaftlichen Flächen erzeugen werden. Impakt-Vorhersagen unterstützen somit die Gefahrenabwehr und die Steuerung wasserwirtschaftlicher Systeme. Für Impakt-Vorhersagen sind vielfältige Informationen zu hydrologischen Variablen (z. B. Wasserstand, Bodenfeuchte, Niederschlagsintensitäten) sowie deren Interaktionen mit sozio-ökonomischen Faktoren erforderlich. Daher entwickeln die Wissenschaftler*innen KI-Verfahren, um heterogene Daten aus unterschiedlichen Quellen zusammenführen und auswerten zu können. Die entwickelten KI-Verfahren binden sie in modellgestützte operative Vorhersage- und Warnsysteme ein und erproben sie.
KI-Algorithmen können auch dazu beitragen, die Daten aus Sensornetzwerken zu überprüfen, die wichtige Daten für das digitale Wassermanagement liefern. Indem Algorithmen die Datenströme analysieren, können sie z. B. Sensorfehler oder Infrastrukturprobleme frühzeitig erkennen. Hierfür muss die KI verschiedene Arten von Daten in Echtzeit kombinieren und analysieren. Dazu kombinieren die Wissenschaftler*innen Algorithmen und Techniken aus dem Data Stream Mining, dem Data Pre-Processing, der Concept Drift Detection und der Anomaly Detection: Beim Data Stream Mining werden Informationen aus kontinuierlichen, schnellen Datensätzen extrahiert. Das Data Pre-Processing beschreibt die Aufbereitung von Rohdaten, damit sie für automatisierte Verarbeitungsverfahren genutzt werden können. Bei der Concept Drift Detection werden Veränderungen in den Beziehungen von Datensätzen festgestellt. Ähnlich ist es bei der Anomaly Detection, bei der abweichende Daten erkannt werden.
In Extremsituationen wie Überschwemmungen müssen Akteure aus dem Katastrophenschutz oder der Politik schnell belastbare Entscheidungen treffen und Maßnahmen zur Schadensbegrenzung einleiten. Hierfür benötigen sie eine zuverlässige und umfangreiche Datengrundlage, die wir mithilfe digitaler Technologien schaffen und automatisch auswerten. Wichtig ist, die Erkenntnisse aus der Datenanalyse für die Entscheider*innen verständlich aufzubereiten. Hier kommen Smart Services ins Spiel. Das sind datenbasierte, digitale Dienstleistungen, die die Bedürfnisse der Nutzer*innen in den Fokus stellen.
Mit diesem Ziel arbeiten die Wissenschaftler*innen an den oben beschriebenen Bausteinen, wie quelloffene, IoT-basierte (Internet of Things; Objekte, die über das Internet vernetzt sind und Daten austauschen) und autonom arbeitende Sensorknoten, die relevante Umweltparameter kosteneffizient erfassen und selbstvernetzend zu einem zentralen Punkt, etwa einem Daten- oder Lagezentrum, übertragen. Die erzeugten Datenprodukte liefern Lagebilder mit hoher Relevanz für Entscheider*innen (z. B. Status, Entwicklungen, Risikobewertung). Die Technologie eignet sich nicht nur für schnelle Einsätze bei Katastrophenschutzszenarien, sondern auch für die Langzeitüberwachung kritischer Infrastruktur.
Folgende Wissenschaftler*innen beteiligen sich am Projekt „Extremereignisse, Naturgefahren und Klimawandel“:
