UFZ-Forschende untersuchen die Ursachen

Um zu verstehen, welchen Anteil die einzelnen Faktoren an Überschwemmungen haben, haben Forschende des UFZ mehr als 3.500 Flusseinzugsgebiete weltweit untersucht und für jedes von ihnen Hochwasserereignisse zwischen den Jahren 1981 und 2020 analysiert. Das Ergebnis: Lediglich für rund ein Viertel der fast 125.000 Hochwasserereignisse war die Niederschlagsmenge der alleinig ausschlaggebende Faktor. Die Bodenfeuchte war in etwas mehr als 10 % der Fälle entscheidend, Schneeschmelze und Lufttemperatur spielten als alleiniger Faktor nur jeweils bei etwa 3 % eine Rolle. Dagegen waren für etwas mehr als die Hälfte der Überschwemmungen (51,6 %) mindestens zwei Faktoren verantwortlich. Dabei tritt mit etwa 23 % die Kombination aus Niederschlagsmenge und Bodenfeuchte am häufigsten auf.

Allerdings fanden die UFZ-Forschenden bei der Datenanalyse auch heraus, dass drei oder sogar alle vier Variablen gemeinsam für ein Hochwasserereignis verantwortlich sein können. So sind zum Beispiel Temperatur, Bodenfeuchte und Schneedecke immerhin für rund 5.000 Überschwemmungen entscheidend gewesen, während alle vier Faktoren bei etwa 1.000 Hochwasserereignissen bestimmend waren. Und nicht nur das: „Wir konnten auch zeigen, dass die Hochwasserereignisse immer extremer ausfallen, je mehr Variablen dafür ausschlaggebend waren“, sagt Prof. Jakob Zscheischler, Leiter des UFZ-Departments „Compound Environmental Risks“ und Letztautor des Artikels. Lag der Anteil mehrerer Variablen bei einem einjährigen Hochwasser bei 51,6 %, waren es bei einem 5-Jahres-Hochwasser 70,1 % und bei einem 10-Jahres-Hochwasser 71,3 %. Je extremer die Hochwasser also ausfallen, desto mehr treibende Faktoren gibt es und desto wahrscheinlicher ist es, dass sie bei der Entstehung des Ereignisses zusammenwirken. Dieser Zusammenhang gilt oft auch für einzelne Flusseinzugsgebiete und wird von den Autoren als Hochwasserkomplexität bezeichnet.

Die Wissenschaftler:innen nutzten für die Analyse das sogenannte Explainable Machine Learning, also erklärbares maschinelles Lernen. „Dabei sagen wir zuerst aus den zehn Treibern – Lufttemperatur, Bodenfeuchte und Schneedecke sowie dem wöchentlichen Niederschlag, der für jeden Tag als einzelner Treiber genutzt wird – die Abflussmenge und damit die Größe des Hochwassers vorher“, erläutert Jakob Zscheischler. Anschließend wird quantifiziert, welche Variablen und Variablenkombinationen wie viel zu der Abflussmenge eines bestimmten Hochwassers beigetragen haben. Erklärbares maschinelles Lernen nennt sich dieser Ansatz, weil man so versucht, die Black Box des trainierten Modells zwischen Hochwassertreibern und Abflussmenge im Hochwasserfall zu verstehen. „Mit dieser neuen Methodik können wir quantifizieren, wie viele Treiber und Treiberkombinationen relevant für die Entstehung und die Intensität von Überschwemmungen sind“, ergänzt Shijie Jiang.

Helfen sollen die Ergebnisse der UFZ-Forschenden künftig bei der Vorhersage von Hochwasserereignissen. „Unsere Studie leistet einen Beitrag, um besonders extreme Hochwasser besser abschätzen zu können“, sagt Klimaforscher Jakob Zscheischler. Denn bislang erfolge die Abschätzung von Hochwasser, indem man weniger extreme Werte extrapoliere und so zu neuen Abschätzungen der Abflussmenge komme. Das sei aber zu ungenau, da bei sehr extremen Hochwasserereignissen die einzelnen Faktoren einen anderen Einfluss bekommen könnten.