Gesamtziel des Vorhabens

Aktuell basiert die kommunale Starkregenvorsorge auf der Identifizierung von Hotspots durch 2D-Oberflächenabflusssimulationen mit hoher Regenbelastung über das gesamte Gebiet verteilt. Während einige Hotspots durch bauliche Maßnahmen entschärft werden können, erfordern andere temporäre Schutzmaßnahmen bei angekündigten Starkregenereignissen. Das zentrale Problem ist dabei, dass reale Starkregenereignisse meist lokal mit variierenden Intensitäten auftreten, doch bei Vorhersagen derzeit nicht bestimmt werden kann, welche Hotspots tatsächlich wie stark betroffen sein werden. Dies führt dazu, dass vorsorglich alle Hotspots geschützt werden müssen, was hohe Kosten verursacht. Eine Simulation exakter Vorhersagedaten mittels mechanistischer Modelle wäre zwar theoretisch möglich, ist aber aufgrund langer Rechenzeiten praktisch nicht rechtzeitig verfügbar.

Der innovative Lösungsansatz nutzt KI-Surrogatmodelle, die auf Basis umfangreicher mechanistischer Vorabsimulationen trainiert werden und direkt Gefährdungsstufen für spezifische Hotspots liefern können – und das innerhalb von Minuten statt Stunden. Im Gegensatz zu anderen Forschungsprojekten erfordert unser Ansatz keine kostspielige zusätzliche Messtechnik vor Ort, sondern basiert auf frei verfügbaren Daten und existierenden Modellen. Durch physikinformiertes maschinelles Lernen verbessern sich die Prognosen kontinuierlich im laufenden Betrieb. Ein solches praxisnahes und kosteneffizientes Frühwarnsystem stellt eine erhebliche Innovation mit direktem Nutzen für Kommunen dar.