Zielsetzung
Die zunehmende Häufigkeit extremer Wetterereignisse lenkt die Aufmerksamkeit auf Grundhochwasser, das durch steigendes Grundwasser entsteht und erhebliche Schäden an Infrastruktur, Gebäuden und Umwelt verursachen kann. Im Gegensatz zu fluvialen oder pluvialen Hochwassern ist Grundhochwasser schwer zu erkennen und mit traditionellen Schutzmaßnahmen nicht leicht zu bewältigen. Numerische Modelle, insbesondere probabilistische Ansätze wie die Bayessche Inferenz, helfen, Unsicherheiten in der Modellierung und Vorhersage besser zu quantifizieren. Hochwasserrisikokarten sind essenziell für das Management von Grundhochwasser. Allerdings fehlen oft präzise Unsicherheitsanalysen, was durch datengetriebene Ansätze wie maschinelles Lernen verbessert werden könnte. Citizen Science und kostengünstige Sensoren können ebenfalls beitragen, indem sie Datenlücken schließen und die öffentliche Beteiligung fördern. Diese Studie präsentiert ein Rahmenwerk zur Bewertung der Anfälligkeit für Grundhochwasser, das Unsicherheiten berücksichtigt und probabilistische Karten erstellt. Anhand eines Fallbeispiels in Garching 2023 wird gezeigt, wie Modellierungstools effektiv eingesetzt werden können. Abschließend wird vorgeschlagen, Monitoring-Tools und Bürgerbeteiligung auszubauen, um die Risikokommunikation zu stärken, das Bewusstsein zu erhöhen und Maßnahmen zum Grundhochwasserschutz besser zu verankern.