Conference Paper, Published Version
Gerner, Alexander; Friedrich, Sebastian; Chiogna, Gabriele; Disse, Markus
Maschinelles Lernen zur Entwicklung einer dynamischen Wasserstandskarte für alle bayerischen Moorstandorte
Dresdner Wasserbauliche Mitteilungen
Zur Verfügung gestellt in Kooperation mit/Provided in Cooperation with:
Technische Universität Dresden, Institut für Wasserbau und technische Hydromechanik
Verfügbar unter/Available at: https://hdl.handle.net/20.500.11970/110931 Vorgeschlagene Zitierweise/Suggested citation:
Gerner, Alexander; Friedrich, Sebastian; Chiogna, Gabriele; Disse, Markus (2023):
Maschinelles Lernen zur Entwicklung einer dynamischen Wasserstandskarte für alle
bayerischen Moorstandorte. In: Technische Universität Dresden, Institut für Wasserbau und technische Hydromechanik (Hg.): Wasserbau und Wasserwirtschaft im 'Stresstest'. Dresdner Wasserbauliche Mitteilungen 69. Dresden: Technische Universität Dresden, Institut für Wasserbau und technische Hydromechanik. S. 99-103.
Standardnutzungsbedingungen/Terms of Use:
Die Dokumente in HENRY stehen unter der Creative Commons Lizenz CC BY 4.0, sofern keine abweichenden Nutzungsbedingungen getroffen wurden. Damit ist sowohl die kommerzielle Nutzung als auch das Teilen, die Weiterbearbeitung und Speicherung erlaubt. Das Verwenden und das Bearbeiten stehen unter der Bedingung der Namensnennung. Im Einzelfall kann eine restriktivere Lizenz gelten; dann gelten abweichend von den obigen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte.
Documents in HENRY are made available under the Creative Commons License CC BY 4.0, if no other license is applicable. Under CC BY 4.0 commercial use and sharing, remixing, transforming, and building upon the material of the work is permitted. In some cases a different, more restrictive license may apply; if applicable the terms of the restrictive license will be binding.
46. Dresdner Wasserbaukolloquium 2023
„Wasserbau und Wasserwirtschaft im `Stresstest`“
B2-04
Maschinelles Lernen zur Entwicklung einer dynamischen Wasserstandskarte
für alle bayerischen Moorstandorte
Alexander Gerner Sebastian Friedrich
Gabriele Chiogna Markus Disse
Stichworte: Moore, Regionalisierung, Maschinelles Lernen, Was- serstandskarte
1 Einleitung
Der Austrag von Treibhausgasen aus entwässerten Mooren hängt entschei- dend vom Wasserstand ab. Flächendeckende und -differenzierte Informati- onen zu Wasserständen sind daher ein wichtiger Beitrag für eine zuverläs- sige Treibhausgasbilanzierung. Im Rahmen des EFRE-Verbundprojektes Kli- maschutz- und Anpassungspotenziale in Mooren Bayerns (KliMoBay; Lauf- zeit 2019 – 2022) wurde daher eine Karte mittlerer monatlicher oder zeitlich aggregierter Wasserstände für alle bayerischen Moorstandorte entwickelt.
2 Datengrundlage und Methodik
Die Arbeit kann methodisch als Weiterentwicklung der bundesweiten Regio-
Maschinelles Lernen zur Entwicklung einer dynamischen Wasserstandskarte für alle bayerischen Moorstandorte
schlechten Vorhersagefähigkeit des Modells wurde eine Gittersuche zur Er- mittlung optimaler Hyperparameter und eine fünffache Kreuzvalidierung zur Modellparameteroptimierung durchgeführt. Die Modellgüte wurde anhand eines unabhängigen, zufällig erzeugten Testdatensatzes (25 % des gesamten Datenumfangs) überprüft, welcher nicht zuvor im Training und der Kreuzvali- dierung des Modells verwendet wurde. Um das Modell noch weiter zu ver- bessern, wurde die Methode des Ensemble-Modells angewendet. Dazu wur- den 100 (leicht) unterschiedliche Regressionsmodelle generiert, deren Auf- bau sich in der Kombination der Trainings- und Testdaten unterscheidet. So- mit kann zu den resultierenden Wasserständen auch eine Standardabwei- chung als Gütemaß angegeben werden. In der Modellanwendung wurden Karten für den Istzustand (2020) sowie Prognosen für die Jahre 2030, 2040 und 2050 basierend auf ClimEx-Klimaszenarien (www.climex-project.org) er- mittelt. Abbildung 1 veranschaulicht die Überlagerung von Klimaensembles als Eingangsgrößen (Prädiktoren) und Modellensembles für die Wasser- standsprognosen. Im Ergebnis wird für jede Rasterzelle ein trockenes, mitt- leres und nasses Szenario incl. Standardabweichung ausgeben.
Vorgehensweise zur flächendifferenzierten Prognose von Flurabstän- den für eher trockene, mittlere oder nasse Verhältnisse durch Kombi- nation von Klimaensembles als Prädiktoren und Ensemblemodellie- rung (Friedrich, in prep.).
3 Ergebnisse
Karte der mittleren Flurabstände in Moorstandorten für das Jahr 2020 (a) bayernweit (b) Bayerisches Donaumoos (c) Freisinger Moos (Klatt et al., 2022)
Die resultierende Wasserstandskarte (Abbildung 2) zeigt geringere Flurab- stände im regenreicheren Freisinger Moos gegenüber den tiefer gelegenen Wasserständen im Bayerischen Donaumoos. Die Netzstruktur, die im Freisinger Moos gut zu erkennen ist, gibt Gräben und Fließgewässer wieder.
Ca. 80 % der vorhergesagten Daten liegen innerhalb einer Fehlerspanne von ca. ± 0.25 m. Über die Gütemaße hinaus wurden die Karten von ortskundigen Experten plausibilisiert.
Maschinelles Lernen zur Entwicklung einer dynamischen Wasserstandskarte für alle bayerischen Moorstandorte
im Vergleich zu Bechtold et al. (2014) hohe Modellgüte also noch weiter ver- bessert werden. Als Beispiel dafür ist die Nachinstrumentierung bzgl. Was- serständen in naturnahen Mooren zu nennen. Mit der Berücksichtigung von Geländedaten jenseits der Landesgrenze, die bislang nicht verfügbar waren, können die Buffer-basierten, reliefabhängigen Prädiktoren weiter verbessert werden.
Bezüglich der methodischen Herangehensweise kann eine Klassifizierung der Messstandorte als wiedervernässt, naturnah oder drainiert als zusätzli- cher essenzieller Prädiktor eine weitere Verbesserung der Vorhersagegüte erzielen. Dieser konnte bis dato nicht eingesetzt werden, da die Daten nicht flächendeckend vorlagen.
5 Literatur
Bechtold, M., Tiemeyer, B., Laggner, A., Leppelt, T., Frahm, E., & Belting, S. (2014).
Large-scale regionalization of water table depth in peatlands optimized for greenhouse gas emission upscaling. Hydrology and Earth System Sciences, 18(9), 3319–3339. https://doi.org/10.5194/hess-18-3319-2014 Friedrich, S. (in preparation): An innovative machine learning approach for
estimating water depths in peatlands: Case application Bavaria (Germany).
J. Klatt, M. Schlaipfer, H. Meyer, C. Brehier, S. Friedrich, A. Gerner, M. Tarantik, G.
Chiogna, M. Disse, M. Frischhut, T. Machl, N. Conze, M. Herr, J. Kotzi, A.
Kühnel, L. Reifschneider, J. Welte, G. Kuhn, A. Freibauer, V. Huber García, T. Ramsauer, R. Wood, Y. Chen, V. Kuch, P. Marzahn, R. Ludwig & M.
Drösler (2022): Klimschutz- und Anpassungspotenziale in Mooren Bayerns. Abschlussbericht (unveröffentlicht).
Danksagung
Diese Arbeit wurde vom Bayerischen Staatsministerium für Umwelt und Ver- braucherschutz (StMUV) und dem Europäischen Fonds für regionale Entwick- lung (EFRE) im Rahmen des Projekts Klimaschutz- und Anpassungspotenziale in bayerischen Mooren (KliMoBay) gefördert.Die ClimEx-Klimaszenarien wur- den vom StMUV finanziert und von der Ludwig-Maximilian-Universität Mün- chen (Lehrstuhl Prof. Ludwig) bereitgestellt. Wir danken allen Institutionen, die diese Studie durch Bereitstellung von Wasserstandsdaten ermöglicht ha- ben (Hochschule Weihenstephan-Triesdorf, Bayer. Landesanstalt für Land- wirtschaft, Bayer. Landesamt für Umwelt, Regierung von Oberbayern, Baye- rische Staatsforsten, ARGE Donaumoos, Landkreis Ostallgäu, Nationalpark Bayerischer Wald, Thünen Institut). Dem TUM Lehrstuhl für Geoinformatik (Prof. Kolbe) danken wir für die freundliche Unterstützung bei der Prozessie- rung der Prädiktoren.
Autoren:
Dr. Alexander Gerner Sebastian Friedrich Prof. Dr. Gabriele Chiogna Prof. Dr.-Ing. Markus Disse Lehrstuhl für Hydrologie und Flussgebietsmanagement TU München
Arcisstraße 21 80333 München
Tel.: +49 89 289 23916
E-Mail: alexander.gerner@tum.de
Sebastian Friedrich Peatland Science Center
Institut für Ökologie und Landschaft Hochschule Weihenstephan-Triesdorf Am Hofgarten 1
85354 Freising
Tel.: +49 8161 71 6267
E-Mail: sebastian.friedrich@hswt.de
