Datengesteuertes Frühwarnsystem für kleine und mittlere Fließgewässer
Solution
Datengesteuertes Frühwarnsystem für kleine und mittlere Fließgewässer
Okeanos.VIVID ist ein System für Hochwasser-Frühalarmierung. Das Grundmodul besteht aus Datenplattform Für Darstellung und Analyse von historischen und Echtzeitdaten, Möglichkeiten der Schwellwertalarmierung für Sensoren und Rasterdaten.
Das wichtigste Erweiterungsmodul des Systems ist ein datengetriebenes Frühalarmierungssystem für kleine und mittlere Fließgewässer. Es basiert auf dem Verhältnis von Niederschlag und Bodenfeuchte auf Wasserstände
Das System wird in einzelnen, sog. Warnregionen aufgesetzt, die meist den Einzugsgebieten der betreffenden Fließgewässer entspricht. In jeder Warnregion wird ein eigenes Messkonzept erarbeitet.
Je nach Ausprägung und Verzweigung können in einer Warnregion an mehreren neuralgischen Punkten Wasserstandssensoren notwendig sein, um die Charakteristika und Reaktivität des Einzugsgebiets richtig im Modell abzubilden. Auch für die Bodenfeuchtesensoren müssen die wichtigsten Bodenklassen im Untersuchungsgebiet analysiert und mit Sensorik ausgestattet werden. Sollten im Gebiet bereits Messreihen und Sensoren bestehen, welche die Qualitätsanforderungen erfüllen , können diese in das System integriert werden. Es ist essenziell, dass das Messkonzept und die Messtechnik richtig gewählt und ausgeführt werden, da über diese Daten die Abflussreaktion des gesamten Einzugsgebiets implizit beschrieben werden soll.
Nach einem Zeitraum von einem Jahr können die gesammelten Daten zum Training des Vorhersage-Systems genutzt werden. Dabei werden immer mindestens zwei Modelle trainiert und dann das mit der besseren Performance ausgewählt und getuned. Es kommen Algorithmen aus dem Bereich unsupervised learning zum Einsatz, wie random forest oder boosted regression tree. Ist das Training abgeschlossen, reagiert das Modell auf Regenvorhersagen, Bodenvorfeuchte und bestehenden Wasserstandsdaten und leitet mit Hilfe der gelernten Beziehung ab, ob eine Überschreitung von Grenzwerten an den beobachteten Pegeln mit hoher Wahrscheinlichkeit stattfinden wird. Auf dieser Basis werden dann Alarmmeldungen generiert, die die Verantwortlichen direkt erreichen.
Je nach Wetterlage sind im Fall persistenter Regenereignisse Alarmmeldungen von 1 bis 8 Stunden im Voraus und im kurzfristigen Starkregenfall 30 bis 60 Minuten möglich. Das Modell hat eine Aktualsierungsrate von 15 Minuten, reagiert also schnell auf sich verändernde Rahmenbedingungen und wird kontinuierlich und lückenlos betrieben.
Das wichtigste Erweiterungsmodul des Systems ist ein datengetriebenes Frühalarmierungssystem für kleine und mittlere Fließgewässer. Es basiert auf dem Verhältnis von Niederschlag und Bodenfeuchte auf Wasserstände
Das System wird in einzelnen, sog. Warnregionen aufgesetzt, die meist den Einzugsgebieten der betreffenden Fließgewässer entspricht. In jeder Warnregion wird ein eigenes Messkonzept erarbeitet.
Je nach Ausprägung und Verzweigung können in einer Warnregion an mehreren neuralgischen Punkten Wasserstandssensoren notwendig sein, um die Charakteristika und Reaktivität des Einzugsgebiets richtig im Modell abzubilden. Auch für die Bodenfeuchtesensoren müssen die wichtigsten Bodenklassen im Untersuchungsgebiet analysiert und mit Sensorik ausgestattet werden. Sollten im Gebiet bereits Messreihen und Sensoren bestehen, welche die Qualitätsanforderungen erfüllen , können diese in das System integriert werden. Es ist essenziell, dass das Messkonzept und die Messtechnik richtig gewählt und ausgeführt werden, da über diese Daten die Abflussreaktion des gesamten Einzugsgebiets implizit beschrieben werden soll.
Nach einem Zeitraum von einem Jahr können die gesammelten Daten zum Training des Vorhersage-Systems genutzt werden. Dabei werden immer mindestens zwei Modelle trainiert und dann das mit der besseren Performance ausgewählt und getuned. Es kommen Algorithmen aus dem Bereich unsupervised learning zum Einsatz, wie random forest oder boosted regression tree. Ist das Training abgeschlossen, reagiert das Modell auf Regenvorhersagen, Bodenvorfeuchte und bestehenden Wasserstandsdaten und leitet mit Hilfe der gelernten Beziehung ab, ob eine Überschreitung von Grenzwerten an den beobachteten Pegeln mit hoher Wahrscheinlichkeit stattfinden wird. Auf dieser Basis werden dann Alarmmeldungen generiert, die die Verantwortlichen direkt erreichen.
Je nach Wetterlage sind im Fall persistenter Regenereignisse Alarmmeldungen von 1 bis 8 Stunden im Voraus und im kurzfristigen Starkregenfall 30 bis 60 Minuten möglich. Das Modell hat eine Aktualsierungsrate von 15 Minuten, reagiert also schnell auf sich verändernde Rahmenbedingungen und wird kontinuierlich und lückenlos betrieben.
Added value
Die Erhöhung der Vorwarnzeit und die Ableitung von möglichen Gefahren durch bestimmte Gewässer ermöglicht eine sehr viel informiertere Reaktion von Entscheidungsträgern und Einsatzkräften, als beispielsweise reine Wetterwarnungen. Das System liefert nachvollziehbare, wissenschaftlich erprobte Prognosen auf deren Basis im Ereignisfall schnelle und fundierte Entscheidungen getroffen werden können. Es ermöglicht damit gerade kleineren Kommunen, aber auch ganzen Landkreisen, den Risiken aus Überflutungen durch ein hohes Informationsniveau zu begegnen. Da hydrologische oder hydraulische Analysen der Einzugsgebiete, wie beispielsweise der aufwendigen Erfassung von Gewässerquerschnitten, nicht nötig sind für das System, kann eine Umsetzung fast gänzlich unabhängig von Rahmenbedingungen stattfinden und so schnell und unkompliziert umgesetzt werden. Je nach Anforderung können auch Bürgerinformationsportale für eine transparente Datenlage bedient werden. Der Mehrwert des Einsatzes von Okeanos.VIVID spiegelt sich vor allem in einer Reduktion des Gesamtrisikos durch Hochwasser wieder.
Files & Info
Queries & Comments
Solutions already submitted
Cookies
We use cookies to make sure we give you the best experience on our website.
Find out more under "Collection of access data, log files and cookies" in our Privacy Policy.
Please log in if you would like to leave feedback.