Einheitliche diagnostische Bewertung von physikalisch-basierten, datengetriebenen und hybriden hydrologischen Modellen mittels Informationstheorie

• Antragstellerinnen / Antragsteller: Dr.-Ing. Uwe Ehret; Dr. Anneli Guthke
• Fachliche Zuordnung: Hydrogeologie, Hydrologie, Limnologie, Siedlungswasserwirtschaft, Wasserchemie, Integrierte Wasserressourcen-Bewirtschaftung
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 507884992

Hydrologische Modelle beruhen auf physikalischen Gesetzen und Expertenwissen, formuliert als konzeptionelle Beziehungen oder partielle Differentialgleichungen. Solche physikalisch-basierten Modelle sind oft zu starr in ihrer Struktur und produzieren Modellfehler, die sich negativ auf die Vorhersagegüte auswirken. Daher haben datengetriebene Ansätze zur hydrologischen Modellierung an Aufmerksamkeit gewonnen: sie extrahieren die in den Daten enthaltenen Informationen und leiden nicht unter strukturellen Vorgaben. Insbesondere Deep-Learning-Methoden haben eine hohe Vorhersagekraft in der räumlichen Extrapolation bewiesen, doch es fehlt ihnen an Interpretierbarkeit und einer theoretischen Grundlage für Vorhersagen unter sich ändernden Bedingungen. Um Abhilfe zu schaffen, wurden physikalisch informierte datengetriebene Ansätze entwickelt. Durch die Einbeziehung von Expertenwissen gewinnen die datengetriebenen Modelle an Interpretierbarkeit und Prognosefähigkeit. Wir bezeichnen solche Ansätze im Modellkontinuum zwischen den beiden Reinformen als "Hybridmodelle". Die Verschmelzung von datengetriebener und physikalisch-basierter Modellierung erfordert aus unserer Sicht auch neue Standards auf der Ebene der statistischen Bewertung: Wir brauchen methodische Fortschritte, um die (fehlende) Information in physikalisch-basierten Modellen und die Information in Daten in die gleiche Einheit zu übersetzen. Bislang fehlen Diagnoseinstrumente, die speziell auf die Bewertung hybrider Modelle zugeschnitten sind. Für die „reinen“ Modellierungsansätze gibt es etablierte Gütemaße, aber es ist unklar, wie hybride Modelle zu behandeln sind. Es fehlt daher der Anreiz, konkurrierende Hybridmodelle aufzubauen und zu vergleichen. Wir sehen jedoch ein enormes Potenzial in der Analyse von echt-alternativen Modellen (die sich in Struktur und Modellierungsart unterscheiden, nicht nur in Details der Parametrisierung) für individuelle Fallstudien, da wir aus dem Vergleich der Defizite konkurrierender Modellstrukturen am meisten über Lücken in unserem Systemverständnis und in unserer Modellierungskompetenz lernen können. Das Ziel dieses Projekts ist die Entwicklung eines einheitlichen diagnostischen Bewertungsrahmens (UNITE) für hybride Modelle auf der Grundlage informationstheoretischer Maße. Informationsmaße sind bestens zur umfassenden diagnostischen Bewertung von Modelltrajektorien in hochdimensionalen Zustandsräumen geeignet. Unser Schwerpunkt bei der Entwicklung des Bewertungsrahmens liegt darauf, modellinterne Mechanismen zu identifizieren und zu vergleichen, um wissenschaftliche Erkenntnis und Modellierungsfortschritt zu ermöglichen. Wir werden die vorgeschlagene Toolbox anhand einer detaillierten Fallstudie zur Niederschlags-Abfluss-Modellierung testen und demonstrieren. Durch den allgemeingültigen Ansatz werden die erarbeiteten Methoden für beliebige Arten von dynamischen Hybridmodellen in einer Vielzahl von Disziplinen mit gesellschaftlicher Bedeutung nützlich sein.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: USA
• Kooperationspartner: Professor Dr. Hoshin Vijai Gupta
• Mitverantwortlich: Professor Mathias Niepert, Ph.D.