Auswahl und Justierung von hydro-morphodynamischen Modellen unter Anwendung der Informationstheorie: Aktives Lernen auf Surrogat-Emulatoren

• Antragstellerinnen / Antragsteller: Professor Dr.-Ing. Wolfgang Nowak; Professor Dr.-Ing. Sergey Oladyshkin, Ph.D.; Professorin Dr.-Ing. Silke Wieprecht
• Fachliche Zuordnung: Hydrogeologie, Hydrologie, Limnologie, Siedlungswasserwirtschaft, Wasserchemie, Integrierte Wasserressourcen-Bewirtschaftung
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 513054523

Die Modellierung hydro-morphodynamischer Prozesse in Flussökosystemen steht vor der Herausforderung, komplexe, dynamische und hochvariable Systeme durch vereinfachende Hypothesen abzubilden. Von Experten aufgestellte Hypothesen führen in hydo-morphodynamischen Modellen über große räumlich-zeitliche Skalen, z. B. für die Analyse von Klimawandelszenarien, zu großen Unsicherheiten. Eingangsdaten, die für die Modellierung der Hydromorphodynamik benötigt werden, beinhalten Informationen über Ökosystemcharakteristika, wie z. B. Sedimentkorngröße und Topographie. Jeder Eingangsdatensatz hat jedoch zeitliche und räumliche Grenzen bzw. Lücken und involviert zusätzliche Unsicherheit. In Summe beinhaltet jedes Modellierungsverfahren eine Kette von Datenerfassungs- und Datenverarbeitungsmethoden mit erheblichen Vereinfachungen komplexer Systeme, die zu verschiedenen Arten von Unsicherheiten führen. Die Modellierungsschritte (und ihre Schwächen) stellen deshalb wesentliche Forschungsherausforderungen hinsichtlich der Unsicherheitsquantifizierung für anspruchsvolle hydro-morphodynamische Modelle dar. Darüber hinaus ist die Auswahl mehrdimensionaler hydro-morphodynamischer Modellierungskonzepte eine Herausforderung, da zwischen einer Vielzahl von Modellierungsansätzen sinnvolle Varianten kombiniert werden müssen. Zur Verringerung der dabei involvierten Unsicherheiten können rigorose und statistische Methoden zur Modellauswahl, Kalibrierung und Justierung eingesetzt werden. Um hydro-morphodynamische Modellierungsherausforderungen mit realistischem Rechenaufwand anzugehen, schlägt dieses Projekt einen Ansatz basierend auf maschinellem Lernen vor. Die zu entwickelnden Methoden verwenden Bayes'sche Inferenz, Informationstheorie und aktive Lernmethoden, um nicht lineare hydro-morphodynamische Modelle zu emulieren. Der vorgeschlagene Ansatz berücksichtigt lückenhafte Messdaten "(dünnbesetzte Matrizen)" und zielt darauf ab, rechenintensive Simulationen deutlich zu beschleunigen. Der Lösungsweg für die Modellierungsherausforderungen impliziert die Entwicklung (1) einer hybriden Modellierungskette für deterministische Modellierungen, (2) eines Surrogat-Emulators, der auf stochastischen Ansätzen und der Informationstheorie basiert, (3) stochastischer Routinen für Modellauswahl, -kalibrierung und –Justierung sowie (4) eines Transferkonzepts auf reale Systeme. Dieses Projekt wird hydro-morphodynamische Modellierungen von subjektiven, deterministischen Arbeitsabläufen zu hochentwickelten, stochastisch optimierten und objektiv-transparenten Algorithmen weiterentwickeln.

• DFG-Verfahren: Sachbeihilfen