Förderantrag im Rahmen der BMBF-Bekanntmachung “Flexible, resiliente und effiziente Machine-Learning-Modelle” vom 31.08.2023

Motivation: Starkregen und Hochwasser stellen eine der größten Naturgefahren dar, mit gravierenden Auswirkungen auf Mensch, Natur und Infrastruktur. Insbesondere kleine und mittlere Flusseinzugsgebiete, wie sie in Mitteleuropa häufig zu finden sind, reagieren schnell auf extreme Wetterbedingungen. Dies führt nicht nur zu drastischen Verkürzungen des Vorwarnfensters, sondern auch verstärkten Unsicherheiten der Vorhersagen. Aktuelle hydrologische Modelle stoßen hier an ihre Grenzen, da sie die Komplexität und Genauigkeit in der Wettervorhersage und Abflussbildung nicht ausreichend erfassen können. Das Forschungsvorhaben „KI-HopE-De“ setzt deshalb genau hier an und will diese effizienter, robuster und flexibler gestalten

Ziele und Vorgehen: Moderne Methoden der Künstlichen Intelligenz (KI) werden untersucht, entwickelt und eingesetzt, um erstmals eine deutschlandweit einheitliche Prognose in kleinen Einzugsgebieten (< 500 km²) zu ermöglichen und die Vorhersagegenauigkeit bei Extremen in diesen Gebieten zu steigern. Dazu ist geplant, einen umfassenden hydro-meteorologischen Datensatz zu erstellen, der sowohl Mess- als auch Vorhersagedaten enthält und damit die Basis für das zukünftige Training und Abgleichen von Modellen bildet. Als Anwendungsfall dienen Kurzfristvorhersagen (< 48 Stunden). Am Vorhaben sind mehrere Hochwasserzentralen direkt beteiligt.

Innovationen und Perspektiven: Durch „KI-HopE-De“ wird ein wesentlicher Beitrag zur öffentlichen Sicherheit und zum Schutz vor Überflutungen geleistet. Geschaffen wird eine innovative, prototypische Plattform, die potentiell von allen Hochwasservorhersagezentren bundesweit übernommen werden könnte. Damit würde auch die momentane Abhängigkeit und der Vorsprung von globalen Techunternehmen effektiv reduziert. Durch neuartige Einbettung von KI in großen, naturwissenschaftlichen Simulationsmodellen werden neue Anwendungsfälle, Datenintegrationstechniken und adaptive Lernmethoden vorangebracht.