Forschungsbereiche

Das regionale Klima bestimmt die Wasserverfügbarkeit. Prozesse in der atmosphärischen Grenzschicht bestimmen mit der Solarstrahlung den Austausch von Wasser und Wärme zwischen Boden und Atmosphäre. Der regionale Niederschlag, in Abhängigkeit vom Wettergeschehen, reguliert mit der Verdunstung das Bodenwassergleichgewicht. Durch Veränderungen des Klimas kann sich dieses Gleichgewicht hin zu trockeneren oder feuchteren Gebietsmittelwerten verschieben. Dies wirkt sich auf den Wasserhaushalt aus. Das sehen wir an den Verschiebungen der Grundwasserpegel und an den Schwankungen der Füllstände von Talsperren. In unserer Forschungsgruppe setzen wir uns mit diesem, für unsere Zukunft wichtigen Thema quantitativ auseinander.

Lesen Sie mehr: Reggiani, P., A. Talbi and E. Todini (2022). Towards informed Water Resources Planning, Hydrology, 9(136), DOI: 10.3390/hydrology9080136. Article

Das Bild links zeigt den Verschnitt aus einer Schadenskurve (fallende Produktivität) durch dürrebedingte Ernteausfälle (rot) und der Wahrscheinlichkeitsverteilung für zukünftige Temperatur (blau) in einer Region. Daraus lässt sich der mittlere wahrscheinliche Schaden, gleichzusetzen mit dem Klimarisiko, ermitteln. Ähnlich kann man die Wahrscheinlichkeit von Flutschäden und das Risiko, in einem flussnahen Gebiet zu wohnen, abschätzen.

Lesen Sie mehr: Todini, E. and P. Reggiani (2024). Towards a new paradigm in flood risk assessment: from single-valued exceedance probability to expected maximum damages. Water Resources Research, 60(1), e2023WR034477, DOI:10.1029/2023WR034477. Article

Wir sind führend in der Auswertung von Klimaprojektionen aus den CMIP5-Klimamodellexperimenten. Wir verwenden dazu statistische Verfahren, um die Unsicherheit der Klimaprojektionen für Temperatur, Niederschlag und Verdunstung in einem breiten geographischem Spektrum zu bestimmen. Dieses Know-how ist zur Abschätzung der Klimafolgen für die Landwirtschaft, das Hoch- und Niedrigwassergeschehen sowie die Verfügbarkeitsbestimmung von Wasser unerlässlich.  Dieselben Methoden lassen sich auch für die Schätzung der Erzeugung erneuerbarer Energie durch Wasser, Sonne und Wind für ein zukünftiges Klima ausweiten.

Lesen Sie mehr: Reggiani, P., E. Todini, O. Boyko and R. Buizza (2021). Assessing uncertainty for decision-making in climate adaptation and risk mitigation. International Journal of Climatology, 1-22. DOI:10.1002/joc.6996.  Article

Die Unsicherheit in der Klimaprognose hat ihren Ursprung in den Einschränkungen der Klimamodelle, welche die physikalischen Prozesse in der Atmosphäre und in den Ozeanen, nur annähernd und sehr grobmaschig beschreiben. Trotzdem sind sie das beste zur Verfügung stehende Werkzeug, um die komplexen nicht-linearen Klimaprozesse in die Zukunft zu projizieren. Dabei werden Annahmen zu Emissionszenarien von Treibhausgasen gemacht, die als Repräsentative CO₂ Konzentrationspfade (Representative Carbon Pathways - RCPs) bezeichnet werden.
Um Aussagen über die Zukunft zu erstellen, werden die Modelle über eine historische Periode angetrieben, für die wir Messungen haben,  und dabei die relativen Modellgüte durch Statistiken ermittelt. Anhand dieser Vergleiche können die Modelle für zukünftige Perioden entsprechend gewichtet werden.

Lesen Sie mehr: Boyko, O., P. Reggiani and E. Todini (2022). Post-processing climate projections of precipitation for the River Po valley: will Italy´s North become water constrained? Hydrology Research, 53(11), 1414–1427, DOI: 10.2166/nh.2022.063. Article

Zur Ermittlung von regionalen Wasserbilanzen und dem Einschätzen der Hoch- oder Niedrigwassermengen, sind Computermodelle erforderlich, die den Oberflächenabfluss sowie die Grundwasserneubildung und Gerinneströmung simulieren. Diese hydrologischen Modelle beschreiben elementare Prozesse des Wasserkreislaufs anhand mathematischer Gleichungen, die durch Rechner gelöst werden.

Am Lehrstuhl verfügen wir über verschiedene solcher Modelle, die wir selbst in den Programmiersprachen C/C++ und Python entwickelt haben. Sie können auf verschiedenste Geographische Regionen angewandt und geeicht werden. Das Wissen dazu wird durch die Lehre in den Mastermodulen vermittelt. Auch setzen wir andere Lösungen wie zum Beispiel die Modelle WASIM-ETH und TOPKAPI-X ein.

Die hydrologische Modellierung für anwendungen in Echtzeit, wie die Hochwasservorhersage, erfordert eine kontinuierliche Aktualisierung der internen Zustände des dazu eingesetzten Rechenmodells. Die Aktualisierung erfolgt synchron mit der Verfügbarkeit von neue Messdaten. Diese kommen aus Wetterstationen oder der Fernerkundung. Diese Daten müssen in Echtzeit verarbeitet werden, um sie in das Modell nachzuführen und die Ausgaben zu korrigieren. Würde eine solche Modellaktualisierung nicht erfolgen, käme dieses mit der Zeit aus der Bahn und würde mangelhafte Ergebnisse liefern. Modellfehler müssen bei Echtzeitprognosen prinzipiell minimiert werden.

In unserer Gruppe führen wir die Assimilation von Schnee- und Bodenfeuchtedaten in hydrologische Vorhersagemodelle für das Bundesamt für Hydrologie im Rahmen des von Eumetsat geförderten H-SAF-Projekts durch.

Hydro-meteorologische Extremereignisse sind auf Wetterphänomene zurückzuführen, die im historischen Vergleich sehr selten auftreten. Sie sind von außergewöhnlich hohe Temperaturen oder intensiven Niederschlägen gekennzeichnet, oft in Verbindung mit starken Winden. Diese Ereignisse können plötzlich auftreten und verursachen große Schäden in verschiedenen Wirtschaftszweigen und Verlust von Menschenleben. Die Ereignisse im Einzugsgebiet der Ahr im Juli 2021 sind ein gutes Beispiel. Die Schäden können entweder durch Wassermengen verursacht werden, die die Aufnahmekapazität von Böden und Flüssen überschreiten, oder durch Dürre, die zu Ernteeinbußen und Wasserknappheit führt.

Lesen Sie mehr: Reggiani, P. and O. Boyko (2019) A Bayesian processor of uncertainty for precipitation forecasting using multiple predictors and censoring, Monthly Weather Review, 147(12) DOI:10.1175/MWR-D19-0066.1. Article

In einer Reihe von Projekten betreiben wir Forschung zur hydrologischen Variabilität in Hochasien, insbesondere in den Einzugsgebieten des oberen Indus und Brahmaputra (Yarlung Tsangpo). Diese Regionen gehören zum so genannten dritten Pol und sind anfällig für klimatische Veränderungen. Die Variabilität der Wasserressourcen könnte sich auf Millionen von Menschen auswirken, die für die Bewässerung auf sie angewiesen sind.

Lesen Sie mehr: Reggiani,Reggiani, P. and O. Boyko (2024) A retrospective hydrologic uncertainty analysis using precipitation estimation ensembles for a poorly gauged basin in High Mountain Asia, Journal of Hydrometeorology, DOI: 10.1175/JHM-D-23-0170.1. Article

Für die Hochwasserprognose müssen Wettermodellausgaben mit Niederschlag-Abflussmodellen und Modellen des Gerinneabflusses zur Wellenfortpflanzung im Flussschlauch verknüpft werden. Die meisten modernen Hochwasserfrühwarnsysteme funktionieren auf Grundlage dieses Prinzips. Mit Hilfe der Hochwasserfrühwarnsysteme ist es möglich den Anstieg eine Flusswasserpegels prognostisch zu ermitteln und entsprechende Schutzmaßnahmen zu ergreifen. Dazu gehören das Errichten von mobilen Hochwasserschutzwänden und im Extremfall die Evakuierung der Bevölkerung aus gefährdeten Gebieten. Dies ist an der Elbe bereits in den Jahren 2002 und 2013 vorgekommen.

Lesen Sie mehr: A. P. de Roo et al. Development of a European flood forecasting system. In: International Journal of River Basin Management 1.1 (2003), pp. 49–59. doi: 10.1080/15715124.2003. Article

Die Ensemble Vorhersage ist die Wetterprognose mithilfe von vielfachen (meist 16-51 Stück) Szenarien aus unabhängigen Modelldurchläufen, welche die Unsicherheit des chaotischen Wettergeschehens partiell abbilden. Dies ist mit dem mehrfachen Ziehen einer Zufallsvariable vergleichbar. Wetterensembles können dazu genutzt werden, die Unsicherheiten in der Hochwasservorhersage besser erfassen zu können. Dieses Verfahren wird nun routinemässig in der operationellen Vorhersage am Rhein durch die Bundesanstalt für Gewässerkunde angewandt.

Lesen Sie mehr: P. Reggiani, D. Biondi and E. Todini (2024).  On time-horizons based post-processing of flow forecasts, Frontiers in Water, DOI: 10.3389/frwa.2024.1359750. Article

Bayesianische Statistik beruht darauf, Erkenntnisse aus den Vergangenheiten mit bestimmten a-priori Annahmen zu verknüpfen um Aussagen über noch unbekannte Zustände oder Ereignisse treffen zu können. Dieses Verfahren findet breite Anwendung in der künstlichen Intelligenz. Am Lehrstuhl wenden wir die Bayesianische Statistik routinemäßig in der Hochwasserprognose an, um aus dem historischen Hochwasserverhalten eines Flusses und unserer bewiesenen Prognosefähigkeiten Schlüsse über die drohende Gefahr  eines kommenden Hochwasserereignisses zu ziehen.

Lesen Sie mehr: Verkade, J.S., Brown, J. D., F. Davids, P. Reggiani and A. H. Weerts (2017). Estimating predictive hydrological uncertainty by dressing deterministic and ensemble forecasts; a comparison, with application to Meuse and Rhine, Journal of Hydrology, 555, 257-277, DOI:10.2016/j.jhydrol.2017.10.024. Article