Vorhersage von hydrologischen Abflusskennwerten in unbeobachteten Einzugsgebieten mit Machine Learning

Abstract

Im Rahmen dieser Arbeit wurden Abflusskennwerte für Hochwasser (MJHQ), Mittelwasser (MQ) sowie Niederwasser (MJNQ, MJNQ 7 , Q 95 , Q 98 ) für alle topografischen Einzugsgebiete der österreichischen Oberflächenwasserkörper inklusive der ausländischen hydrologischen Oberlieger-Regionen vorhergesagt. Die Regionalisierung der Abflusskennwerte wurde mit dem Machine-Learning-Modell XGBoost durchgeführt. Zentrale Grundlage für das Training von XGBoost war der LamaH-Datensatz, welcher für 859 beobachtete Einzugsgebiete in Zentraleuropa über 70 aggregierte Einzugsgebietseigenschaften und 15 meteorologische Zeitreihen umfasst. Anthropogene Beeinflussungen wie z. B. Jahresspeicher oder Überleitungen wurden durch zusätzlich erstellte Attribute bei der Vorhersage berücksichtigt. Die Testergebnisse haben gezeigt, dass bei der Vorhersage der Abflusskennwerte in unbeobachteten Einzugsgebieten mit einer Abweichung von rund 20 % zu rechnen ist, wobei diese Schätzung auch stark anthropogen beeinflusste Gebiete beinhaltet. Darüber hinaus wurden auch 90-%-Konfidenzintervalle der Vorhersagen mit einem Quantile-Random-Forest-Modell geschätzt und klassifiziert. Die Ergebnisse werden der Öffentlichkeit in Form von Shapefiles unter https://doi.org/10.5281/zenodo.6523372 kostenlos zur Verfügung gestellt. This study comprises the prediction of runoff characteristics for high water (MJHQ), mean water (MQ), and low water (MJNQ, MJNQ 7 , Q 95 , Q 98 ) for all topografic catchments of the Austrian surface water bodies including the foreign hydrological upstream regions. The machine learning model XGBoost was applied for the regionalization of the six runoff characteristics. The LamaH dataset was used for training XGBoost, which includes over 70 aggregated catchment characteristics and 15 meteorological time series for 859 observed catchments in Central Europe. Anthropogenic influences such as reservoirs or cross-basin water transfers were considered in the model by additionally created attributes. The test results showed that a deviation of approximately 20% can be expected for the prediction of runoff characteristics in ungauged catchments, which also includes highly anthropogenically influenced catchments. Furthermore, the 90% confidence interval of each prediction was estimated and classified using a Quantile Random Forest model. The results are provided free of charge to the public in form of shapefiles at https://doi.org/10.5281/zenodo.6523372