Künstliche Intelligenz hilft, Wasserflüsse besser vorherzusagen

Wie viel Wasser fließt nach einem starken Regen durch einen Fluss? Wie reagieren Böden auf Trockenperioden? Und was passiert in Regionen, in denen nur wenige Messdaten vorliegen? Ein Forschungsteam der BOKU University zeigt in der aktuellen Ausgabe der Fachzeitschrift Springer Nature, wie Künstliche Intelligenz KI dabei helfen kann, Hochwasser- und Wasserhaushaltsvorhersagen präziser zu gestalten – auch dort, wo kaum Messstationen vorhanden sind.

Hydrologische Modelle sind unverzichtbar für die Vorhersage von Hochwasser und die Bewirtschaftung von Wasserressourcen. Doch ihre Genauigkeit hängt stark davon ab, wie gut die Modellparameter an die jeweiligen Gebiete angepasst sind. Das ist eine besondere Herausforderung in Regionen, in denen kaum Messdaten verfügbar sind.

Ein Forschungsteam rund um Karsten Schulz vom Institut für Hydrologie und Wasserwirtschaft der BOKU und das Start-up baseflow AI solutions des BOKU-Promovenden Moritz Feigls haben nun einen neuartigen Ansatz entwickelt, der künstliche Intelligenz nutzt, um diese Parameter automatisch und transparent zu bestimmen.

Der neue Ansatz: KI „entdeckt“ Zusammenhänge

Dabei lernt die KI aus vorhandenen Daten und entwickelt eigenständig nachvollziehbare Formeln, die beschreiben, wie sich Eigenschaften eines Einzugsgebiets – wie Bodenbeschaffenheit, Vegetation oder Topografie – auf das Abflussverhalten auswirken.

„Wir nutzen KI nicht als Black Box, sondern als Werkzeug, um verständliche mathematische Beziehungen zu entdecken“, erklärt Karsten Schulz. „Das ermöglicht uns, physikalisch interpretierbare Modelle zu entwickeln, die zugleich leistungsfähiger sind.“

Getestet in 162 Einzugsgebieten

Die Praxistauglichkeit der Methode wurde anhand von 162 deutschen Flusseinzugsgebieten mit verschiedenen hydrologischen und physio-geographischen Bedingungen getestet. Das Untersuchungsgebiet umfasste etwa alpine Quellgebiete, von Löss dominierter Tiefländer, Gletschermoränenlandschaften und Regionen mit vielfältigen Böden und Vegetation.

Das Ergebnis: Die von der KI abgeleiteten Zusammenhänge führten zu genaueren Vorhersagen des Abflusses als etablierte Verfahren. Zudem erwiesen sich die neu entwickelten Funktionen als übertragbar auf unterschiedliche Regionen, und skalierbar auf große Gebiete.

„Anders als bisherige Ansätze, bei denen Modellgleichungen mühsam von Hand formuliert werden mussten, findet unsere Methode diese Beziehungen automatisch und optimiert sie“, so Schulz. Das sei ein entscheidender Vorteil gegenüber rein datengetriebenen KI-Modellen.

Lösung für fehlende Daten in vielen Regionen

„Besonders wichtig ist, dass unsere Methode auch in sogenannten unbeobachteten Einzugsgebieten funktioniert – also dort, wo kaum oder keine Messdaten verfügbar sind“, betont der Hydrologe abschließend. „Damit eröffnen sich neue Möglichkeiten für ein nachhaltiges Wasserressourcen-Management im Zeichen des Klimawandels.“

Zum Springer Natur-Artikel: https://www.nature.com/articles/s44221-026-00583-3
DOI: 10.1038/s44221-026-00583-3