WATERLINE

Hydrologische Modelle sind wichtige Werkzeuge für das Wasserresourcenmanagement, die die relevanten physikalischen Prozesse auf verschiedensten zeitlichen und räumlichen Skalen simulieren können. Für die Kalibrierung der Modellparameter und die Evaluierung der Modellvorhersagen werden jedoch eine Vielzahl von Umweltbeobachtungen benötigt. Das Ziel des WATERLINE-Projekts ist, basierend auf Beobachtungen aus verschiedensten Quellen wie Satelliten, Drohnen und (agrar-)meteorologischen Stationen die Vorhersagen hydrologischer Modelle zu verbessern. Zu diesem Zweck werden Beobachtungsnetze über mehrere klimatische Zonen in Europa hinweg Messdaten liefern und so die Datengrundlage für die Vorhersagen verbessern. Weiterhin werden interessierte Bürger, Bildungseinrichtungen und Organisationen mittels Crowdsourcing und Citizen Science mit Beobachtungen und Messungen zum Datenpool beitragen. Um die Diskrepanzen zwischen der oft groben Auflösung von Satellitendaten und der Bedürfnisse von Stakeholdern und Nutzern auf der kleinen Skala zu überbrücken, werden im WATERLINE-Projekt neuartige Downscaling-Methoden entwickelt, u.a. unter Einbeziehung von Methoden des maschinellen Lernens. Diese Ergebnisse (z.B. Bodenfeuchte und Niederschlag) werden als Eingangsdaten in hydrologischen Modellen verwendet, um zeitlich und räumlich hochaufgelöste Vorhersagen von Umweltparametern wie Grundwasserständen, Abfluss in Fließgewässern und Verdunstung zu erstellen. Solche Vorhersagen werden im Projekt von Nutzern im Wasserresourcenmanagement, im Agrarsektor und im Bildungssektor verwendet. In Zusammenarbeit mit Nutzern und Entscheidungsträgern aus diesen Bereichen werden weiterhin Visualisierungsmethoden entwickelt, um die komplexen Modellergebnisse besser nutzbar zu machen. Das internationale Projektkonsortium vereint Expertise aus Hydrologie, Informatik sowie Erdbeobachtung und besteht aus Partnerorganisationen aus Griechenland, Österreich, Finnland Polen und der Schweiz.

Hydrologische Modelle sind essenzielle Werkzeuge in der Bewertung und dem Management von Wasserressourcen. Fortschrittliche Rechenalgorithmen können die relevanten physikalischen Prozesse simulieren und die Rückkopplungsmechanismen über eine breite Palette von räumlichen und zeitlichen Skalen abbilden. Ein Engpass dieser Modelle ist jedoch der Mangel an Umweltbeobachtungen, um Modellparameter zu kalibrieren und die Robustheit der Modellvorhersagen zu bewerten. Leider können weder in-situ Netzwerke noch Fernerkundung allein ausreichende Informationen liefern, um die hohe räumliche und zeitliche Variabilität hydrologischer Prozesse zu erfassen. Kürzlich wurden Downscaling-Frameworks entwickelt, die robuste Modelle zwischen Produkten mit grober Auflösung und hochauflösenden Kovariaten unter Verwendung von in-situ Messungen aufbauen. WATERLINE nutzt multi-quellen Informationen aus der Fernerkundung, historischen Daten, in-situ Daten aus meteorologischen Netzwerken sowie Crowdsourcing-Messungen, um hydrologische Modelle und deren Vorhersagen zu verbessern. Die TU Wien hat in diesem Kontext ein neuartiges Downscaling-Framework für die Ableitung von Bodenfeuchte aus Satellitendaten entwickelt. Dieser Ansatz verwendet ein zweistufiges maschinelles Lernmodell, das im Kern auf einem Random-Forest-Regression-Algorithmus basiert. Die grob aufgelöste Bodenfeuchte mit einer Auflösung von 0,25 Grad der Europäischen Weltraumorganisation (ESA) Climate Change Initiative (CCI) ist die Haupteingabe. Diese Daten basieren auf harmonisierten Multi-Satelliten-Ableitungen, die es ermöglichen, einen globalen, langfristigen Datensatz für Klimawandelbewertungen zu erstellen. Das Downscaling-Framework nutzt auch Bodenfeuchte-Kovariaten, um die erforderlichen Modelle zu erstellen, um von grober zu mittlerer (5 km) und anschließend zu hoher Auflösung (1 km) zu gelangen. Die Prädiktoren verwenden eine Mischung aus dynamischen (Vegetationsindizes) und statischen (Landbedeckung und Topographie, Bodeneigenschaften) Informationen in diesem zweistufigen Ansatz. Es wird angenommen, dass die statistischen Beziehungen zwischen den Hilfsvariablen und der Bodenfeuchte nicht signifikant von der räumlichen Skala beeinflusst werden. Der herunterskalierte Bodenfeuchte-Datensatz wurde unter Verwendung des ursprünglichen ESA CCI-Datensatzes, mit Daten aus Hunderten von Bodenfeuchtemessungen von traditionellen Sensoren und Crowdsourcing-Daten evaluiert. Im Rahmen dieser Bewertung wurde der neue Datensatz auch mit anderen hochauflösenden Bodenfeuchteprodukten verglichen, wie einem herunterskalierten Produkt auf Basis des NASA SMAP Satelliten sowie nativer hochauflösender Bodenfeuchte von Sentinel-1. In allen Vergleichen wurde festgestellt, dass die zeitlichen Dynamiken der in situ Bodenfeuchte durch das herunterskalierte Produkt gut repräsentiert wurden. Der Vergleich mit den nativen Datensätzen zeigt, dass das herunterskalierte Produkt tendenziell weniger Rauschen enthält (geschätzt mittels Triple-Collocation-Analyse). Der Datensatz wurde über Europa für die letzten 17 Jahre (2008-2024) erstellt. Bodenfeuchte-Daten mit hoher räumlicher Auflösung ermöglichen neue Anwendungen wie die Erkennung von Bewässerung und die Bewertung von landwirtschaftlichen Dürren. Gleichzeitig können Downscaling-Ansätze auf bestehende langfristige Bodenfeuchte-Datensätze angewendet werden, was die Erstellung von mehrjährigen oder sogar mehrdekadischen Datensätzen ermöglicht, die die Auswirkungen des Klimawandels angemessen berücksichtigen können.