Hochauflösende Schwerefelder für verbesserte Hochwasservorhersagen

Description: Hochwasser ist eine der größten Naturgefahren. Beobachtung, Vorhersage und Frühwarnung von Hochwasserereignissen ist daher essentiell für die Schadensminderung. Neben Niederschlagseigenschaften sind die Vorfeuchtebedingungen ein wichtiger Faktor für die Abflussbildung und somit für die Ausprägung von Hochwasserereignissen. Seit 2002 wurde es mit der Satellitenmission GRACE (Gravity Recovery and Climate Experiment) und deren Nachfolger GRACE Follow-On (GRACE-FO, ab 2018) möglich, Anomalien der terrestrischen Wasserspeicherung (Terrestrial Water Storage, TWS) aus den zeitlichen Veränderungen des Erdschwerefeldes zu beobachten. Dies eröffnet die Möglichkeit, die Feuchtebedingungen vor und während Hochwasserereignissen zu erfassen. Die Nutzung dieser Daten war bisher jedoch wegen ihrer geringen Auflösung (monatlich, 250 - 300 km) stark eingeschränkt. Daher ist es das Ziel dieses Projektes, die Vorhersage und Beobachtung von Hochwasserereignissen mit täglicher zeitlicher Auflösung und auf 50 km räumlicher Auflösung herunterskalierten globalen TWS-Datensätzen von GRACE/GRACE-FO zu verbessern. Im ersten Schritt werden tägliche Schwerefelder mit einem Kalman-Filter Ansatz erzeugt. Diese Verbesserung gegenüber den Standard-Schwerefeldprodukten geht jedoch mit einer schlechteren räumlichen Auflösung einher. Mit neuen Methoden des Maschinellen Lernens (ML), die TWS-Daten von GRACE/GRACE-FO mit simulierten TWS-Daten hydrologischer Modelle kombinieren, werden hochauflösende TWS-Daten erzeugt. Für die Hochwasserwarnung und -beobachtung werden zudem ML-Methoden zur Erzeugung von TWS-Daten in Echtzeit und zu ihrer Vorhersage entwickelt. Auf Basis der hochauflösenden TWS-Anomalien wird ein Vorfeuchteindex als ein Indikator zur Frühwarnung bei hochwasserträchtigen Bedingungen der Wasserspeicherung in Einzugsgebieten abgeleitet. Der Nutzen des Indizes wird im Vergleich mit anderen Hochwasserfaktoren für verschiedene Umweltbedingungen in Einzugsgebieten mit einer Größe von wenigen 10.000 km² bis einigen Millionen km² weltweit analysiert. Ein ML-Ansatz zur Hochwasservorhersage wird unter Nutzung von Vorfeuchteindex, Niederschlagsvorhersagen und andere Hilfsdaten entwickelt. Die schwerebasierten TWS-Anomalien werden zudem in ein bestehendes Hochwasservorhersagemodell für ausgewählte Einzugsgebiete in Niedersachen integriert. Die Vorhersagegüte des ML-Ansatzes und des Hochwassermodells werden auf der regionalen Skala über die Analyse von Hochwasserereignissen der Vergangenheit und einen Vergleich mit dem bestehenden Hochwasservorhersagesystem evaluiert. Der neue Ansatz hat ein großes Potenzial zur Verbesserung der Genauigkeit und Zuverlässigkeit von Hochwasservorhersagen. Weiterhin können auch andere Anwendungen von den hochauflösenden TWS-Daten profitieren, wie zum Beispiel bei der Beobachtung von Grundwasser- oder Bodenfeuchtedynamiken.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Hochwasserprognose ? Hochwasser ? Hochwassermodell ? Hydrogeologie ? Schadensminderung ? Frühwarnsystem ? Einzugsgebiet ? Hydrochemie ? Künstliche Intelligenz ? Limnologie ? Siedlungswasserwirtschaft ? Vergleichsanalyse ? Naturgefahr ? Hydrologie ? Standortbedingung ? Integrated Water Resources Management ? Integrierte Wasserressourcen-Bewirtschaftung ? Urban Water Management ? Water Chemistry ?

Region: Brandenburg Lower Saxony

Bounding boxes: 13.01582° .. 13.01582° x 52.45905° .. 52.45905° 9.16667° .. 9.16667° x 52.83333° .. 52.83333°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Eidgenössische Technische Hochschule Zürich, Swiss Federal Institute of Technology (Mitwirkung)
• GFZ Helmholtz-Zentrum für Geoforschung (Projektverantwortung)
• Technische Universität Carolo-Wilhelmina zu Braunschweig, Leichtweiß-Institut für Wasserbau (Projektverantwortung)
• Umweltbundesamt (Bereitstellung)
• Universität Bern, Astronomisches Institut (Mitwirkung)

Time ranges: 2025-01-01 - 2025-08-22

Alternatives

• Language: Englisch/English
  Title: High-resolution gravity fields for better flood forecasting
  Description: Floods are one of the most destructive natural hazards. Real-time monitoring, forecasting, and early warning of floods are thus essential for disaster mitigation. Besides rainfall characteristics, the wetness conditions of the river catchment prior to the event are important factors for runoff generation and thus for the magnitude of the flood event. With the advent of the Gravity Recovery and Climate Experiment (GRACE) twin satellites in 2002 and their successor mission GRACE Follow-On (GRACE-FO) in 2018, it became possible to retrieve terrestrial water storage (TWS) anomalies by measuring temporal variations of the Earth’s gravity field. This opens the possibility of estimating the wetness conditions before and during flood events. However, the use of these data in flood warning systems has largely been limited so far by their low temporal (monthly) and spatial (250 - 300 km) resolution. The goal of this project is to improve the prediction and monitoring of flood events by using daily TWS anomalies derived from GRACE/GRACE-FO, downscaled to a high spatial resolution of 50 km globally. In a first step, we will derive daily gravity fields using a Kalman filter approach. However, this improvement compared to the standard gravity field data comes at the cost of a worse spatial resolution. To achieve a high spatial resolution of the TWS data sets, we will develop new methods based on machine learning to fuse TWS anomalies from GRACE/GRACE-FO with those from hydrological simulations. Towards flood warning and monitoring applications, we develop a methodology to derive the TWS data in near real-time and predict them into the future with machine learning. From the high-resolution TWS anomalies, we will derive a wetness index that will serve as an (early-warning) indicator of flood-prone water storage conditions in river basins. We assess its value relative to other flood-generating factors for different environmental conditions in river basins worldwide of various sizes in the range of few 10,000 km² to several millions of km². A machine learning framework that utilizes this GRACE/GRACE-FO-based wetness index, precipitation forecasts, and other auxiliary data to issue flood warnings will be developed. Furthermore, the gravity-based water storage anomalies will be incorporated into an existing flood forecasting model in selected river basins in Lower Saxony, Germany. The performance of the forecasts based on both the machine-learning approach and the flood modelling system on the regional scale will be evaluated with benchmark hindcast experiments, i.e. by studying in detail its performance for flood events in the past. Our new approach has significant potential to improve the accuracy and reliability of flood forecasts. In addition, we also see further applications of the high-resolution TWS anomalies such as for quantifying groundwater or soil moisture dynamics. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1138760

Resources

• Webseite zum Förderprojekt

  https://gepris.dfg.de/gepris/projekt/551141034 (Webseite)

Status

Aktiv

Quality score

• Overall: 0.50
• Findability: 0.66

  • Title: 1.00
  • Description: 0.19
  • Identifier: false
  • Keywords: 0.79
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.