Diagnostische Bewertung von hybriden hydrologischen Modellen im UNITE Framework (UNI-BENCH)

• 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

In den Geowissenschaften werden Modelle genutzt, um das Verhalten natürlicher Systeme zu simulieren, zur Vertiefung unseres Systemverständnisses, für operationelle Vorhersagen oder zur Prognose bisher nicht beobachtbarer Zustände. In der Hydrologie werden traditionell physikalisch-basierte oder konzeptionelle Modelle verwendet, die unser Prozessverständnis abbilden. In datenreichen Szenarien setzen sich vermehrt Ansätze des maschinellen Lernens durch, da sie effizient Informationen aus den beobachteten Daten extrahieren und nicht unter zu starren Modellstrukturannahmen leiden wie prozessbasierte Modelle. Insbesondere Deep-Learning-Methoden haben selbst bei der Extrapolation beeindruckende Vorhersagefähigkeiten gezeigt. Dennoch werden sie wegen ihrer mangelnden Interpretierbarkeit und physikalischen Konsistenz kritisiert, was ihre Akzeptanz und Anwendbarkeit auf Probleme von gesellschaftlicher Relevanz einschränkt. Um das Beste beider Welten zu vereinen, werden verschiedenste Formen des physikalisch-informierten maschinellen Lernens in rasantem Tempo entwickelt. Die Erwartung an solche hybriden Ansätze ist, die Lernfähigkeit für die Interpolation zu nutzen und gleichzeitig Interpretierbarkeit und (zusätzliche) Extrapolationsfähigkeit durch das Einbringen von Expertenwissen zu erreichen. Im Rahmen des derzeit geförderten UNITE-Projekts haben wir die Lücke geschlossen, die ein effizientes Lernen aus den verschiedenen hybriden Ansätzen verhinderte: es fehlte eine formale Grundlage für den Vergleich beliebiger Modellierungsansätze. Wir haben ein solches einheitliches Framework entwickelt, um die Qualität hybrider Modelle mittels Informationstheorie systematisch zu bewerten. Wir haben praktikable Methoden zur Schätzung von informationstheoretischen Größen identifiziert und eine entropie-basierte Methode entwickelt, die den relativen Beitrag der datengetriebenen und der konzeptionellen Komponente in hybriden Modellen quantifiziert. Ein unterstützender diagnostischer Workflow zeigt auf, wieviel Physik nach dem Training tatsächlich noch in hybriden Modellen steckt. Unsere Ergebnisse machen deutlich wie wichtig es ist, besser zu verstehen, wie hybride Modelle funktionieren. Das Ziel dieses Fortsetzungsprojekts ist es daher, die Diagnose der hydrologischen Konsistenz von hybriden Modellen in den Mittelpunkt zu stellen, und zwar durch ein Mapping zwischen Modellverhalten und physikalischen Prozessen bzw. durch einen Vergleich der Informationsflüsse. Letztlich werden wir drei Achsen aufspannen, die für die Modellbewertung von zentraler Bedeutung sind: Güte, Interpretierbarkeit und Prozesskonsistenz. Mit universellen Benchmarks versehen soll dieser Modellbewertungsraum "UNI-BENCH" dazu beitragen, dass hybride Modelle aus den richtigen Gründen gut funktionieren, sodass wir Vertrauen in ihre Verwendung in Wissenschaft und Praxis fördern können.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Österreich, USA
• Kooperationspartner: Professor Dr. Hoshin Vijai Gupta; Professor Dr. Daniel Klotz