Förderprojekte

Förderbeginn 01.07.2020

Beschleunigte Kalibrierung und Kopplung hydrologischer Modelle durch künstliche Intelligenz

Prof. Dr.-Ing. Markus Disse
Technische Universität München
Lehrstuhl für Hydrologie und Flussgebietsmanagement

Prof. Dr. Yolanda Gil
University of Southern California, Marina del Rey
Information Science Institute

Das Projekt zielt darauf ab, maschinelle Lernwerkzeuge zu entwickeln, um die Kalibrierung der hydrologischen Modelle SWAT und MODFLOW, zwei gängige Modelle im Bereich der Hydrologie, zu automatisieren. In einem zweiten Schritt wird das automatisierte Kalibrierverfahren weiter verbessert, um an einer gekoppelten Version der beiden Modelle zu arbeiten. Zu diesem Zweck wird eine Zusammenarbeit mit der wissenschaftlichen Gruppe von Prof. Yolanda Gil von der University of Southern California (USC) aufgebaut. Das Team der USC schafft den Rahmen für die KI- basierte Modellkalibrierung und -kopplung, während die TUM die notwendige Expertise in der Disziplin der hydrologischen Modellierung zur Verfügung stellt. Außerdem liefert die TUM lauffähige hydrologische Modelle, die bereits kalibriert sind und als gegenseitige Testfälle für die maschinelle Lernkalibrierung dienen. Innerhalb dieser Testszenarien werden beide Ansätze, sowohl das Standardkalibrierverfahren als auch die KI-basierte Kalibrierung, evaluiert und verglichen. Um ein möglichst breites Spektrum an Eingangsbedingungen wie Topographie und allgemeine Datenbasis abzudecken, werden die Modelle für verschiedene Regionen aufgestellt, z.B. Kirgisistan, Italien, Deutschland und Äthiopien. Als Ergebnis werden drei Hauptergebnisse erwartet, nämlich
1. Die Schaffung eines interdisziplinären wissenschaftlichen Netzwerks
2. Veröffentlichung eines Leitfadens zur Modellkopplung und AI-basierten Kalibrierung der hydrologischen Modelle SWAT und MODFLOW
3. Die Anwendung der neuen Verfahren in bestehenden Vorlesungen