TY - THES A1 - Vogel, Kristin T1 - Applications of Bayesian networks in natural hazard assessments T1 - Anwendungen von Bayes'schen Netzen bei der Einschätzung von Naturgefahren N2 - Even though quite different in occurrence and consequences, from a modeling perspective many natural hazards share similar properties and challenges. Their complex nature as well as lacking knowledge about their driving forces and potential effects make their analysis demanding: uncertainty about the modeling framework, inaccurate or incomplete event observations and the intrinsic randomness of the natural phenomenon add up to different interacting layers of uncertainty, which require a careful handling. Nevertheless deterministic approaches are still widely used in natural hazard assessments, holding the risk of underestimating the hazard with disastrous effects. The all-round probabilistic framework of Bayesian networks constitutes an attractive alternative. In contrast to deterministic proceedings, it treats response variables as well as explanatory variables as random variables making no difference between input and output variables. Using a graphical representation Bayesian networks encode the dependency relations between the variables in a directed acyclic graph: variables are represented as nodes and (in-)dependencies between variables as (missing) edges between the nodes. The joint distribution of all variables can thus be described by decomposing it, according to the depicted independences, into a product of local conditional probability distributions, which are defined by the parameters of the Bayesian network. In the framework of this thesis the Bayesian network approach is applied to different natural hazard domains (i.e. seismic hazard, flood damage and landslide assessments). Learning the network structure and parameters from data, Bayesian networks reveal relevant dependency relations between the included variables and help to gain knowledge about the underlying processes. The problem of Bayesian network learning is cast in a Bayesian framework, considering the network structure and parameters as random variables itself and searching for the most likely combination of both, which corresponds to the maximum a posteriori (MAP score) of their joint distribution given the observed data. Although well studied in theory the learning of Bayesian networks based on real-world data is usually not straight forward and requires an adoption of existing algorithms. Typically arising problems are the handling of continuous variables, incomplete observations and the interaction of both. Working with continuous distributions requires assumptions about the allowed families of distributions. To "let the data speak" and avoid wrong assumptions, continuous variables are instead discretized here, thus allowing for a completely data-driven and distribution-free learning. An extension of the MAP score, considering the discretization as random variable as well, is developed for an automatic multivariate discretization, that takes interactions between the variables into account. The discretization process is nested into the network learning and requires several iterations. Having to face incomplete observations on top, this may pose a computational burden. Iterative proceedings for missing value estimation become quickly infeasible. A more efficient albeit approximate method is used instead, estimating the missing values based only on the observations of variables directly interacting with the missing variable. Moreover natural hazard assessments often have a primary interest in a certain target variable. The discretization learned for this variable does not always have the required resolution for a good prediction performance. Finer resolutions for (conditional) continuous distributions are achieved with continuous approximations subsequent to the Bayesian network learning, using kernel density estimations or mixtures of truncated exponential functions. All our proceedings are completely data-driven. We thus avoid assumptions that require expert knowledge and instead provide domain independent solutions, that are applicable not only in other natural hazard assessments, but in a variety of domains struggling with uncertainties. N2 - Obwohl Naturgefahren in ihren Ursachen, Erscheinungen und Auswirkungen grundlegend verschieden sind, teilen sie doch viele Gemeinsamkeiten und Herausforderungen, wenn es um ihre Modellierung geht. Fehlendes Wissen über die zugrunde liegenden Kräfte und deren komplexes Zusammenwirken erschweren die Wahl einer geeigneten Modellstruktur. Hinzu kommen ungenaue und unvollständige Beobachtungsdaten sowie dem Naturereignis innewohnende Zufallsprozesse. All diese verschiedenen, miteinander interagierende Aspekte von Unsicherheit erfordern eine sorgfältige Betrachtung, um fehlerhafte und verharmlosende Einschätzungen von Naturgefahren zu vermeiden. Dennoch sind deterministische Vorgehensweisen in Gefährdungsanalysen weit verbreitet. Bayessche Netze betrachten die Probleme aus wahrscheinlichkeitstheoretischer Sicht und bieten somit eine sinnvolle Alternative zu deterministischen Verfahren. Alle vom Zufall beeinflussten Größen werden hierbei als Zufallsvariablen angesehen. Die gemeinsame Wahrscheinlichkeitsverteilung aller Variablen beschreibt das Zusammenwirken der verschiedenen Einflussgrößen und die zugehörige Unsicherheit/Zufälligkeit. Die Abhängigkeitsstrukturen der Variablen können durch eine grafische Darstellung abgebildet werden. Die Variablen werden dabei als Knoten in einem Graphen/Netzwerk dargestellt und die (Un-)Abhängigkeiten zwischen den Variablen als (fehlende) Verbindungen zwischen diesen Knoten. Die dargestellten Unabhängigkeiten veranschaulichen, wie sich die gemeinsame Wahrscheinlichkeitsverteilung in ein Produkt lokaler, bedingter Wahrscheinlichkeitsverteilungen zerlegen lässt. Im Verlauf dieser Arbeit werden verschiedene Naturgefahren (Erdbeben, Hochwasser und Bergstürze) betrachtet und mit Bayesschen Netzen modelliert. Dazu wird jeweils nach der Netzwerkstruktur gesucht, welche die Abhängigkeiten der Variablen am besten beschreibt. Außerdem werden die Parameter der lokalen, bedingten Wahrscheinlichkeitsverteilungen geschätzt, um das Bayessche Netz und dessen zugehörige gemeinsame Wahrscheinlichkeitsverteilung vollständig zu bestimmen. Die Definition des Bayesschen Netzes kann auf Grundlage von Expertenwissen erfolgen oder - so wie in dieser Arbeit - anhand von Beobachtungsdaten des zu untersuchenden Naturereignisses. Die hier verwendeten Methoden wählen Netzwerkstruktur und Parameter so, dass die daraus resultierende Wahrscheinlichkeitsverteilung den beobachteten Daten eine möglichst große Wahrscheinlichkeit zuspricht. Da dieses Vorgehen keine Expertenwissen voraussetzt, ist es universell in verschiedenen Gebieten der Gefährdungsanalyse einsetzbar. Trotz umfangreicher Forschung zu diesem Thema ist das Bestimmen von Bayesschen Netzen basierend auf Beobachtungsdaten nicht ohne Schwierigkeiten. Typische Herausforderungen stellen die Handhabung stetiger Variablen und unvollständiger Datensätze dar. Beide Probleme werden in dieser Arbeit behandelt. Es werden Lösungsansätze entwickelt und in den Anwendungsbeispielen eingesetzt. Eine Kernfrage ist hierbei die Komplexität des Algorithmus. Besonders wenn sowohl stetige Variablen als auch unvollständige Datensätze in Kombination auftreten, sind effizient arbeitende Verfahren gefragt. Die hierzu in dieser Arbeit entwickelten Methoden ermöglichen die Verarbeitung von großen Datensätze mit stetigen Variablen und unvollständigen Beobachtungen und leisten damit einen wichtigen Beitrag für die wahrscheinlichkeitstheoretische Gefährdungsanalyse. KW - Bayes'sche Netze KW - Naturgefahren KW - Gefahrenanalyse KW - Unsicherheiten KW - Hochwasser KW - Bayesian networks KW - natural hazards KW - hazard assessments KW - uncertainties KW - flood events Y1 - 2013 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus-69777 ER - TY - THES A1 - Stauch, Vanessa Juliane T1 - Data-led methods for the analysis and interpretation of eddy covariance observations T1 - Datengeleitete Methoden zur Analyse und Interpretation von Turbulenz-Korrelations-Messungen N2 - The terrestrial biosphere impacts considerably on the global carbon cycle. In particular, ecosystems contribute to set off anthropogenic induced fossil fuel emissions and hence decelerate the rise of the atmospheric CO₂ concentration. However, the future net sink strength of an ecosystem will heavily depend on the response of the individual processes to a changing climate. Understanding the makeup of these processes and their interaction with the environment is, therefore, of major importance to develop long-term climate mitigation strategies. Mathematical models are used to predict the fate of carbon in the soil-plant-atmosphere system under changing environmental conditions. However, the underlying processes giving rise to the net carbon balance of an ecosystem are complex and not entirely understood at the canopy level. Therefore, carbon exchange models are characterised by considerable uncertainty rendering the model-based prediction into the future prone to error. Observations of the carbon exchange at the canopy scale can help learning about the dominant processes and hence contribute to reduce the uncertainty associated with model-based predictions. For this reason, a global network of measurement sites has been established that provides long-term observations of the CO₂ exchange between a canopy and the atmosphere along with micrometeorological conditions. These time series, however, suffer from observation uncertainty that, if not characterised, limits their use in ecosystem studies. The general objective of this work is to develop a modelling methodology that synthesises physical process understanding with the information content in canopy scale data as an attempt to overcome the limitations in both carbon exchange models and observations. Similar hybrid modelling approaches have been successfully applied for signal extraction out of noisy time series in environmental engineering. Here, simple process descriptions are used to identify relationships between the carbon exchange and environmental drivers from noisy data. The functional form of these relationships are not prescribed a priori but rather determined directly from the data, ensuring the model complexity to be commensurate with the observations. Therefore, this data-led analysis results in the identification of the processes dominating carbon exchange at the ecosystem scale as reflected in the data. The description of these processes may then lead to robust carbon exchange models that contribute to a faithful prediction of the ecosystem carbon balance. This work presents a number of studies that make use of the developed data-led modelling approach for the analysis and interpretation of net canopy CO₂ flux observations. Given the limited knowledge about the underlying real system, the evaluation of the derived models with synthetic canopy exchange data is introduced as a standard procedure prior to any real data employment. The derived data-led models prove successful in several different applications. First, the data-based nature of the presented methods makes them particularly useful for replacing missing data in the observed time series. The resulting interpolated CO₂ flux observation series can then be analysed with dynamic modelling techniques, or integrated to coarser temporal resolution series for further use e.g., in model evaluation exercises. However, the noise component in these observations interferes with deterministic flux integration in particular when long time periods are considered. Therefore, a method to characterise the uncertainties in the flux observations that uses a semi-parametric stochastic model is introduced in a second study. As a result, an (uncertain) estimate of the annual net carbon exchange of the observed ecosystem can be inferred directly from a statistically consistent integration of the noisy data. For the forest measurement sites analysed, the relative uncertainty for the annual sum did not exceed 11 percent highlighting the value of the data. Based on the same models, a disaggregation of the net CO₂ flux into carbon assimilation and respiration is presented in a third study that allows for the estimation of annual ecosystem carbon uptake and release. These two components can then be further analysed for their separate response to environmental conditions. Finally, a fourth study demonstrates how the results from data-led analyses can be turned into a simple parametric model that is able to predict the carbon exchange of forest ecosystems. Given the global network of measurements available the derived model can now be tested for generality and transferability to other biomes. In summary, this work particularly highlights the potential of the presented data-led methodologies to identify and describe dominant carbon exchange processes at the canopy level contributing to a better understanding of ecosystem functioning. N2 - Der Kohlenstoffhaushalt der Erde wird maßgeblich von der bewachsenen Landoberfläche beeinflusst. Insbesondere tragen terrestrische Ökosysteme dazu bei, den Anstieg der atmosphärischen Kohlenstoffdioxid- (CO₂-) Konzentration durch anthropogen verursachte Emissionen fossiler Brennstoffe zu verlangsamen. Die Intensität der Netto-CO₂-Aufnahme wird allerdings in einem sich verändernden Klima davon abhängen, wie einzelne Prozesse auf Änderungen der sie beeinflussenden Umweltfaktoren reagieren. Fundierte Kenntnisse dieser Prozesse und das Verständnis ihrer Wechselwirkungen mit der Umwelt sind daher für eine erfolgreiche Klimaschutzpolitik von besonderer Bedeutung. Mit Hilfe von mathematischen Modellen können Vorhersagen über den Verbleib des Kohlenstoffs im System Boden-Pflanze-Atmosphäre unter zukünftigen Umweltbedingungen getroffen werden. Die verantwortlichen Prozesse und ihre Wechselwirkungen mit der Umwelt sind jedoch kompliziert und bis heute auf der Ökosystemskala nicht vollkommen verstanden. Entwickelte Modelle und deren Vorhersagen sind deshalb derzeit mit erheblichen Unsicherheiten behaftet. Messungen von CO₂-Austauschflüssen zwischen einem Ökosystem und der Atmosphäre können dabei helfen, Vorgänge besser verstehen zu lernen und die Unsicherheiten in CO₂-Austausch-Modellen zu reduzieren. Allerdings sind auch diese Beobachtungen, wie alle Umweltmessungen, von Unsicherheiten durchsetzt. Ziel dieser Arbeit ist es Methoden zu entwickeln, die physikalisches Prozessverständnis mit dem dennoch großen Informationsgehalt dieser Daten vorteilhaft zu vereinigen. Dabei soll vereinfachtes Prozessverständnis dazu genutzt werden, Zusammenhänge zwischen dem CO₂-Austausch und den umgebenden Umweltbedingungen aus den Beobachtungen abzuleiten. Das Besondere hierbei ist, dass diese Zusammenhänge direkt aus den Daten geschätzt werden, ohne vorher Annahmen über ihre funktionale Form zu machen. Die Daten als Ausgangspunkt der Modellentwicklung zu wählen gewährleistet, dass die Komplexität der Modelle dem Informationsgehalt der Messungen entspricht. Auf diese Weise lassen sich diejenigen Prozesse identifizieren, welche für den CO₂-Austausch mit der Atmosphäre dominant sind. Die gewonnenen Erkenntnisse können dann in robuste CO₂-Austauschmodelle für Ökosysteme überführt werden und zur Vorhersage von Kohlenstoffbilanzen beitragen. In der vorliegenden Arbeit werden diese entwickelten, datenbasierten Methoden zur Analyse und Interpretation von Netto-CO₂-Flüssen eingesetzt. Die erste Studie führt ein datenbasiertes Modell ein, das unvermeidliche Lücken in Messzeitreihen zuverlässig interpoliert. Dies ermöglicht erweiterte Anwendungen der Daten. In einer nächsten Studie wird ein Verfahren vorgestellt, mit dem die Unsicherheiten in den Beobachtungen charakterisiert werden können. Dies ist nötig, um jährliche Kohlenstoffbilanzen von Ökosystemen unter Berücksichtigung der Messungenauigkeiten direkt aus den Daten herzuleiten. Dabei liegt die Unsicherheit in den betrachteten Waldstandorten bei maximal 11% des Jahreswertes. In einer weiteren Studie werden dieselben Modelle genutzt, um die Netto-CO₂-Flüsse in Einzelkomponenten der CO₂-Assimilation und -Abgabe zu bestimmen. Diese Komponenten sowie die Nettobilanz sind zusammen mit ihren Ungenauigkeiten für Vorhersagen über das Kohlenstoffsenkenpotential eines Ökosystems von besonderer Bedeutung und können Abschätzungen des globalen Kohlenstoffhaushaltes maßgeblich unterstützen. Abschließend zeigt die letzte Studie ein Beispiel für die datenbasierte Entwicklung eines Modells, das die dominanten Prozesse des Kohlenstoffaustausches in Waldökosystemen beschreibt und erfolgreich vorhersagen kann. Dies unterstreicht insbesondere das Potenzial des vorgestellten Modellierungsansatzes, vorherrschende Prozesse zu identifizieren, zu beschreiben und damit zum verbesserten Verständnis des CO₂-Austauschs zwischen Ökosystem und Atmosphäre beizutragen. KW - CO₂ KW - Turbulenz Korrelations-Messung KW - Unsicherheiten KW - Interpolation KW - Flussaufteilung KW - CO₂ KW - eddy covariance KW - uncertainties KW - gap-filling KW - flux partitioning Y1 - 2006 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus-12389 ER - TY - THES A1 - Sieg, Tobias T1 - Reliability of flood damage estimations across spatial scales T1 - Verlässlichkeit von Hochwasserschadensschätzungen über räumliche Skalen N2 - Extreme Naturereignisse sind ein integraler Bestandteil der Natur der Erde. Sie werden erst dann zu Gefahren für die Gesellschaft, wenn sie diesen Ereignissen ausgesetzt ist. Dann allerdings können Naturgefahren verheerende Folgen für die Gesellschaft haben. Besonders hydro-meteorologische Gefahren wie zum Beispiel Flusshochwasser, Starkregenereignisse, Winterstürme, Orkane oder Tornados haben ein hohes Schadenspotential und treten rund um den Globus auf. Einhergehend mit einer immer wärmer werdenden Welt, werden auch Extremwetterereignisse, welche potentiell Naturgefahren auslösen können, immer wahrscheinlicher. Allerdings trägt nicht nur eine sich verändernde Umwelt zur Erhöhung des Risikos von Naturgefahren bei, sondern auch eine sich verändernde Gesellschaft. Daher ist ein angemessenes Risikomanagement erforderlich um die Gesellschaft auf jeder räumlichen Ebene an diese Veränderungen anzupassen. Ein essentieller Bestandteil dieses Managements ist die Abschätzung der ökonomischen Auswirkungen der Naturgefahren. Bisher allerdings fehlen verlässliche Methoden um die Auswirkungen von hydro-meteorologischen Gefahren abzuschätzen. Ein Hauptbestandteil dieser Arbeit ist daher die Entwicklung und Anwendung einer neuen Methode, welche die Verlässlichkeit der Schadensschätzung verbessert. Die Methode wurde beispielhaft zur Schätzung der ökonomischen Auswirkungen eines Flusshochwassers auf einzelne Unternehmen bis hin zu den Auswirkungen auf das gesamte Wirtschaftssystem Deutschlands erfolgreich angewendet. Bestehende Methoden geben meist wenig Information über die Verlässlichkeit ihrer Schätzungen. Da diese Informationen Entscheidungen zur Anpassung an das Risiko erleichtern, wird die Verlässlichkeit der Schadensschätzungen mit der neuen Methode dargestellt. Die Verlässlichkeit bezieht sich dabei nicht nur auf die Schadensschätzung selber, sondern auch auf die Annahmen, die über betroffene Gebäude gemacht werden. Nach diesem Prinzip kann auch die Verlässlichkeit von Annahmen über die Zukunft dargestellt werden, dies ist ein wesentlicher Aspekt für Prognosen. Die Darstellung der Verlässlichkeit und die erfolgreiche Anwendung zeigt das Potential der Methode zur Verwendung von Analysen für gegenwärtige und zukünftige hydro-meteorologische Gefahren. N2 - Natural extreme events are an integral part of nature on planet earth. Usually these events are only considered hazardous to humans, in case they are exposed. In this case, however, natural hazards can have devastating impacts on human societies. Especially hydro-meteorological hazards have a high damage potential in form of e.g. riverine and pluvial floods, winter storms, hurricanes and tornadoes, which can occur all over the globe. Along with an increasingly warm climate also an increase in extreme weather which potentially triggers natural hazards can be expected. Yet, not only changing natural systems, but also changing societal systems contribute to an increasing risk associated with these hazards. These can comprise increasing exposure and possibly also increasing vulnerability to the impacts of natural events. Thus, appropriate risk management is required to adapt all parts of society to existing and upcoming risks at various spatial scales. One essential part of risk management is the risk assessment including the estimation of the economic impacts. However, reliable methods for the estimation of economic impacts due to hydro-meteorological hazards are still missing. Therefore, this thesis deals with the question of how the reliability of hazard damage estimates can be improved, represented and propagated across all spatial scales. This question is investigated using the specific example of economic impacts to companies as a result of riverine floods in Germany. Flood damage models aim to describe the damage processes during a given flood event. In other words they describe the vulnerability of a specific object to a flood. The models can be based on empirical data sets collected after flood events. In this thesis tree-based models trained with survey data are used for the estimation of direct economic flood impacts on the objects. It is found that these machine learning models, in conjunction with increasing sizes of data sets used to derive the models, outperform state-of-the-art damage models. However, despite the performance improvements induced by using multiple variables and more data points, large prediction errors remain at the object level. The occurrence of the high errors was explained by a further investigation using distributions derived from tree-based models. The investigation showed that direct economic impacts to individual objects cannot be modeled by a normal distribution. Yet, most state-of-the-art approaches assume a normal distribution and take mean values as point estimators. Subsequently, the predictions are unlikely values within the distributions resulting in high errors. At larger spatial scales more objects are considered for the damage estimation. This leads to a better fit of the damage estimates to a normal distribution. Consequently, also the performance of the point estimators get better, although large errors can still occur due to the variance of the normal distribution. It is recommended to use distributions instead of point estimates in order to represent the reliability of damage estimates. In addition current approaches also mostly ignore the uncertainty associated with the characteristics of the hazard and the exposed objects. For a given flood event e.g. the estimation of the water level at a certain building is prone to uncertainties. Current approaches define exposed objects mostly by the use of land use data sets. These data sets often show inconsistencies, which introduce additional uncertainties. Furthermore, state-of-the-art approaches also imply problems of missing consistency when predicting the damage at different spatial scales. This is due to the use of different types of exposure data sets for model derivation and application. In order to face these issues a novel object-based method was developed in this thesis. The method enables a seamless estimation of hydro-meteorological hazard damage across spatial scales including uncertainty quantification. The application and validation of the method resulted in plausible estimations at all spatial scales without overestimating the uncertainty. Mainly newly available data sets containing individual buildings make the application of the method possible as they allow for the identification of flood affected objects by overlaying the data sets with water masks. However, the identification of affected objects with two different water masks revealed huge differences in the number of identified objects. Thus, more effort is needed for their identification, since the number of objects affected determines the order of magnitude of the economic flood impacts to a large extent. In general the method represents the uncertainties associated with the three components of risk namely hazard, exposure and vulnerability, in form of probability distributions. The object-based approach enables a consistent propagation of these uncertainties in space. Aside from the propagation of damage estimates and their uncertainties across spatial scales, a propagation between models estimating direct and indirect economic impacts was demonstrated. This enables the inclusion of uncertainties associated with the direct economic impacts within the estimation of the indirect economic impacts. Consequently, the modeling procedure facilitates the representation of the reliability of estimated total economic impacts. The representation of the estimates' reliability prevents reasoning based on a false certainty, which might be attributed to point estimates. Therefore, the developed approach facilitates a meaningful flood risk management and adaptation planning. The successful post-event application and the representation of the uncertainties qualifies the method also for the use for future risk assessments. Thus, the developed method enables the representation of the assumptions made for the future risk assessments, which is crucial information for future risk management. This is an important step forward, since the representation of reliability associated with all components of risk is currently lacking in all state-of-the-art methods assessing future risk. In conclusion, the use of object-based methods giving results in the form of distributions instead of point estimations is recommended. The improvement of the model performance by the means of multi-variable models and additional data points is possible, but small. Uncertainties associated with all components of damage estimation should be included and represented within the results. Furthermore, the findings of the thesis suggest that, at larger scales, the influence of the uncertainty associated with the vulnerability is smaller than those associated with the hazard and exposure. This leads to the conclusion that for an increased reliability of flood damage estimations and risk assessments, the improvement and active inclusion of hazard and exposure, including their uncertainties, is needed in addition to the improvements of the models describing the vulnerability of the objects. KW - hydro-meteorological risk KW - damage modeling KW - uncertainty KW - probabilistic approach KW - economic impacts KW - OpenStreetMap KW - hydro-meteorologische Risiken KW - Schadensmodellierung KW - Unsicherheiten KW - probabilistischer Ansatz KW - ökonomische Auswirkungen KW - OpenStreetMap Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-426161 ER - TY - THES A1 - Schröter, Kai T1 - Improved flood risk assessment BT - new data sources and methods for flood risk modelling N2 - Rivers have always flooded their floodplains. Over 2.5 billion people worldwide have been affected by flooding in recent decades. The economic damage is also considerable, averaging 100 billion US dollars per year. There is no doubt that damage and other negative effects of floods can be avoided. However, this has a price: financially and politically. Costs and benefits can be estimated through risk assessments. Questions about the location and frequency of floods, about the objects that could be affected and their vulnerability are of importance for flood risk managers, insurance companies and politicians. Thus, both variables and factors from the fields of hydrology and sociol-economics play a role with multi-layered connections. One example are dikes along a river, which on the one hand contain floods, but on the other hand, by narrowing the natural floodplains, accelerate the flood discharge and increase the danger of flooding for the residents downstream. Such larger connections must be included in the assessment of flood risk. However, in current procedures this is accompanied by simplifying assumptions. Risk assessments are therefore fuzzy and associated with uncertainties. This thesis investigates the benefits and possibilities of new data sources for improving flood risk assessment. New methods and models are developed, which take the mentioned interrelations better into account and also quantify the existing uncertainties of the model results, and thus enable statements about the reliability of risk estimates. For this purpose, data on flood events from various sources are collected and evaluated. This includes precipitation and flow records at measuring stations as well as for instance images from social media, which can help to delineate the flooded areas and estimate flood damage with location information. Machine learning methods have been successfully used to recognize and understand correlations between floods and impacts from a wide range of data and to develop improved models. Risk models help to develop and evaluate strategies to reduce flood risk. These tools also provide advanced insights into the interplay of various factors and on the expected consequences of flooding. This work shows progress in terms of an improved assessment of flood risks by using diverse data from different sources with innovative methods as well as by the further development of models. Flood risk is variable due to economic and climatic changes, and other drivers of risk. In order to keep the knowledge about flood risks up-to-date, robust, efficient and adaptable methods as proposed in this thesis are of increasing importance. N2 - Flüsse haben seit jeher ihre Auen überflutet. In den vergangenen Jahrzehnten waren weltweit über 2,5 Milliarden Menschen durch Hochwasser betroffen. Auch der ökonomische Schaden ist mit durchschnittlich 100 Milliarden US Dollar pro Jahr erheblich. Zweifelsohne können Schäden und andere negative Auswirkungen von Hochwasser vermieden werden. Allerdings hat dies einen Preis: finanziell und politisch. Kosten und Nutzen lassen sich durch Risikobewertungen abschätzen. Dabei werden in der Wasserwirtschaft, von Versicherungen und der Politik Fragen nach dem Ort und der Häufigkeit von Überflutungen, nach den Dingen, die betroffen sein könnten und deren Anfälligkeit untersucht. Somit spielen sowohl Größen und Faktoren aus den Bereichen der Hydrologie und Sozioökonmie mit vielschichtigen Zusammenhängen eine Rolle. Ein anschauliches Beispiel sind Deiche entlang eines Flusses, die einerseits in ihrem Abschnitt Überflutungen eindämmen, andererseits aber durch die Einengung der natürlichen Vorländer den Hochwasserabfluss beschleunigen und die Gefährdung für die Anlieger flussab verschärfen. Solche größeren Zusammenhänge müssen in der Bewertung des Hochwasserrisikos einbezogen werden. In derzeit gängigen Verfahren geht dies mit vereinfachenden Annahmen einher. Risikoabschätzungen sind daher unscharf und mit Unsicherheiten verbunden. Diese Arbeit untersucht den Nutzen und die Möglichkeiten neuer Datensätze für eine Verbesserung der Hochwasserrisikoabschätzung. Es werden neue Methoden und Modelle entwickelt, die die angesprochenen Zusammenhänge stärker berücksichtigen und auch die bestehenden Unsicherheiten der Modellergebnisse beziffern und somit die Verlässlichkeit der getroffenen Aussagen einordnen lassen. Dafür werden Daten zu Hochwasserereignissen aus verschiedenen Quellen erfasst und ausgewertet. Dazu zählen neben Niederschlags-und Durchflussaufzeichnungen an Messstationen beispielsweise auch Bilder aus sozialen Medien, die mit Ortsangaben und Bildinhalten helfen können, die Überflutungsflächen abzugrenzen und Hochwasserschäden zu schätzen. Verfahren des Maschinellen Lernens wurden erfolgreich eingesetzt, um aus vielfältigen Daten, Zusammenhänge zwischen Hochwasser und Auswirkungen zu erkennen, besser zu verstehen und verbesserte Modelle zu entwickeln. Solche Risikomodelle helfen bei der Entwicklung und Bewertung von Strategien zur Minderung des Hochwasserrisikos. Diese Werkzeuge ermöglichen darüber hinaus Einblicke in das Zusammenspiel verschiedener Faktoren sowie Aussagen zu den zu erwartenden Folgen auch von Hochwassern, die das bisher bekannte Ausmaß übersteigen. Diese Arbeit verzeichnet Fortschritte in Bezug auf eine verbesserte Bewertung von Hochwasserrisiken durch die Nutzung vielfältiger Daten aus unterschiedlichen Quellen mit innovativen Verfahren sowie der Weiterentwicklung von Modellen. Das Hochwasserrisiko unterliegt durch wirtschaftliche Entwicklungen und klimatische Veränderungen einem steten Wandel. Um das Wissen über Risiken aktuell zu halten sind robuste, leistungs- und anpassungsfähige Verfahren wie sie in dieser Arbeit vorgestellt werden von zunehmender Bedeutung. T2 - Verbesserte Hochwasserrisikobewertung: Neue Datenquellen und Methoden für die Risikomodellierung KW - flood KW - risk KW - vulnerability KW - machine learning KW - uncertainty KW - Hochwasser KW - Risiko KW - Vulnerabilität KW - Maschinelles Lernen KW - Unsicherheiten Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-480240 ER - TY - THES A1 - Rözer, Viktor T1 - Pluvial flood loss to private households T1 - Schäden durch urbane Sturzfluten in Privathaushalten N2 - Today, more than half of the world’s population lives in urban areas. With a high density of population and assets, urban areas are not only the economic, cultural and social hubs of every society, they are also highly susceptible to natural disasters. As a consequence of rising sea levels and an expected increase in extreme weather events caused by a changing climate in combination with growing cities, flooding is an increasing threat to many urban agglomerations around the globe. To mitigate the destructive consequences of flooding, appropriate risk management and adaptation strategies are required. So far, flood risk management in urban areas is almost exclusively focused on managing river and coastal flooding. Often overlooked is the risk from small-scale rainfall-triggered flooding, where the rainfall intensity of rainstorms exceeds the capacity of urban drainage systems, leading to immediate flooding. Referred to as pluvial flooding, this flood type exclusive to urban areas has caused severe losses in cities around the world. Without further intervention, losses from pluvial flooding are expected to increase in many urban areas due to an increase of impervious surfaces compounded with an aging drainage infrastructure and a projected increase in heavy precipitation events. While this requires the integration of pluvial flood risk into risk management plans, so far little is known about the adverse consequences of pluvial flooding due to a lack of both detailed data sets and studies on pluvial flood impacts. As a consequence, methods for reliably estimating pluvial flood losses, needed for pluvial flood risk assessment, are still missing. Therefore, this thesis investigates how pluvial flood losses to private households can be reliably estimated, based on an improved understanding of the drivers of pluvial flood loss. For this purpose, detailed data from pluvial flood-affected households was collected through structured telephone- and web-surveys following pluvial flood events in Germany and the Netherlands. Pluvial flood losses to households are the result of complex interactions between impact characteristics such as the water depth and a household’s resistance as determined by its risk awareness, preparedness, emergency response, building properties and other influencing factors. Both exploratory analysis and machine-learning approaches were used to analyze differences in resistance and impacts between households and their effects on the resulting losses. The comparison of case studies showed that the awareness around pluvial flooding among private households is quite low. Low awareness not only challenges the effective dissemination of early warnings, but was also found to influence the implementation of private precautionary measures. The latter were predominately implemented by households with previous experience of pluvial flooding. Even cases where previous flood events affected a different part of the same city did not lead to an increase in preparedness of the surveyed households, highlighting the need to account for small-scale variability in both impact and resistance parameters when assessing pluvial flood risk. While it was concluded that the combination of low awareness, ineffective early warning and the fact that only a minority of buildings were adapted to pluvial flooding impaired the coping capacities of private households, the often low water levels still enabled households to mitigate or even prevent losses through a timely and effective emergency response. These findings were confirmed by the detection of loss-influencing variables, showing that cases in which households were able to prevent any loss to the building structure are predominately explained by resistance variables such as the household’s risk awareness, while the degree of loss is mainly explained by impact variables. Based on the important loss-influencing variables detected, different flood loss models were developed. Similar to flood loss models for river floods, the empirical data from the preceding data collection was used to train flood loss models describing the relationship between impact and resistance parameters and the resulting loss to building structures. Different approaches were adapted from river flood loss models using both models with the water depth as only predictor for building structure loss and models incorporating additional variables from the preceding variable detection routine. The high predictive errors of all compared models showed that point predictions are not suitable for estimating losses on the building level, as they severely impair the reliability of the estimates. For that reason, a new probabilistic framework based on Bayesian inference was introduced that is able to provide predictive distributions instead of single loss estimates. These distributions not only give a range of probable losses, they also provide information on how likely a specific loss value is, representing the uncertainty in the loss estimate. Using probabilistic loss models, it was found that the certainty and reliability of a loss estimate on the building level is not only determined by the use of additional predictors as shown in previous studies, but also by the choice of response distribution defining the shape of the predictive distribution. Here, a mix between a beta and a Bernoulli distribution to account for households that are able to prevent losses to their building’s structure was found to provide significantly more certain and reliable estimates than previous approaches using Gaussian or non-parametric response distributions. The successful model transfer and post-event application to estimate building structure loss in Houston, TX, caused by pluvial flooding during Hurricane Harvey confirmed previous findings, and demonstrated the potential of the newly developed multi-variable beta model for future risk assessments. The highly detailed input data set constructed from openly available data sources containing over 304,000 affected buildings in Harris County further showed the potential of data-driven, building-level loss models for pluvial flood risk assessment. In conclusion, pluvial flood losses to private households are the result of complex interactions between impact and resistance variables, which should be represented in loss models. The local occurrence of pluvial floods requires loss estimates on high spatial resolutions, i.e. on the building level, where losses are variable and uncertainties are high. Therefore, probabilistic loss estimates describing the uncertainty of the estimate should be used instead of point predictions. While the performance of probabilistic models on the building level are mainly driven by the choice of response distribution, multi-variable models are recommended for two reasons: First, additional resistance variables improve the detection of cases in which households were able to prevent structural losses. Second, the added variability of additional predictors provides a better representation of the uncertainties when loss estimates from multiple buildings are aggregated. This leads to the conclusion that data-driven probabilistic loss models on the building level allow for a reliable loss estimation at an unprecedented level of detail, with a consistent quantification of uncertainties on all aggregation levels. This makes the presented approach suitable for a wide range of applications, from decision support in spatial planning to impact- based early warning systems. N2 - Über die Hälfte der Weltbevölkerung lebt heute in Städten. Mit einer hohen Dichte an Menschen, Gütern und Gebäuden sind Städte nicht nur die wirtschaftlichen, politischen und kulturellen Zentren einer Gesellschaft, sondern auch besonders anfällig gegenüber Naturkatastrophen. Insbesondere Hochwasser und Überflutungen stellen in Folge von steigenden Meeresspiegeln und einer erwarteten Zunahme von Extremwettereignissen eine wachsende Bedrohung in vielen Regionen dar. Um die möglichen Folgen dieser Entwicklung zu vermeiden bzw. zu reduzieren, ist es notwendig sich der steigenden Gefahr durch geeignete Maßnahmen anzupassen. Bisher ist der Hochwasserschutz in Städten beinahe ausschließlich auf Überflutungen durch Flusshochwasser oder Sturmfluten fokussiert. Dabei werden sogenannte urbane Sturzfluten, die in den letzten Jahren vermehrt zu hohen Schäden in Städten geführt haben, nicht berücksichtigt. Bei urbanen Sturzfluten führen lokale Starkniederschläge mit hohen Regenmengen zu einer Überlastung des städtischen Abwassersystems und damit zu einer direkten, oft kleinräumigen Überflutung innerhalb eines bebauten Gebiets. Mit einer prognostizierten Zunahme von Starkniederschlägen, sowie einer baulichen Verdichtung und damit einhergehender Flächenversiegelung in vielen Städten, ist mit einer Zunahme von urbanen Sturzfluten zu rechnen. Dies verlangt die Einbindung des Risikos durch urbane Sturzfluten in bestehende Hochwasserschutzkonzepte. Bisher fehlen allerdings sowohl detaillierte Daten als auch Methoden um das Risiko durch urbane Sturzfluten und die dadurch verursachten Schäden, etwa an Wohngebäuden, zuverlässig abzuschätzen. Aus diesem Grund beschäftigt sich diese Arbeit hauptsächlich mit der Entwicklung von Verfahren und Modellen zur Abschätzung von Schäden an Privathaushalten durch urbane Sturzfluten. Dazu wurden detaillierte Daten durch Telefon- und Online-Umfragen nach urbanen Sturzflutereignissen in Deutschland und in den Niederlanden erhoben und ausgewertet. Die Erkenntnisse aus den detaillierten Analysen zu Vorsorge, Notmaßnahmen und Wiederherstellung, vor, während und nach urbanen Sturzflutereignissen, wurden genutzt um eine neue Methode zur Schätzung von Schäden an Wohngebäuden zu entwickeln. Dabei werden neben Angaben wie Dauer und Höhe der Überflutung, auch Eigenschaften von Haushalten, wie etwa deren Risikobewusstsein, in die Schätzung miteinbezogen. Nach lokaler Validierung wurde die neuentwickelte Methode beispielhaft zur Schätzung von Wohngebäudeschäden nach einem urbanen Sturzflutereignis im Großraum Houston (Texas, USA) erfolgreich angewendet. Anders als bei bisherigen Ansätzen wird der geschätzte Schaden eines Wohngebäudes nicht als einzelner Wert angegeben, sondern als Verteilung, welche die Bandbreite möglicher Schäden und deren Wahrscheinlichkeit angibt. Damit konnte die Zuverlässigkeit von Schadensschätzungen im Vergleich zu bisherigen Verfahren erheblich verbessert werden. Durch die erfolgreiche Anwendung sowohl auf der Ebene einzelner Gebäude als auch für gesamte Städte, ergibt sich ein breites Spektrum an Nutzungsmöglichkeiten, etwa als Entscheidungsunterstützung in der Stadtplanung oder für eine verbesserte Frühwarnung vor urbanen Sturzfluten. KW - Schadensmodellierung KW - Unsicherheiten KW - Starkregen KW - Privathaushalte KW - damage modeling KW - economic impacts KW - uncertainty KW - private households KW - probabilistic KW - pluvial flooding Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-429910 ER - TY - THES A1 - Pilz, Tobias T1 - Pursuing the understanding of uncertainties in hydrological modelling N2 - Hydrological models are important tools for the simulation and quantification of the water cycle. They therefore aid in the understanding of hydrological processes, prediction of river discharge, assessment of the impacts of land use and climate changes, or the management of water resources. However, uncertainties associated with hydrological modelling are still large. While significant research has been done on the quantification and reduction of uncertainties, there are still fields which have gained little attention so far, such as model structural uncertainties that are related to the process implementations in the models. This holds especially true for complex process-based models in contrast to simpler conceptual models. Consequently, the aim of this thesis is to improve the understanding of structural uncertainties with focus on process-based hydrological modelling, including methods for their quantification. To identify common deficits of frequently used hydrological models and develop further strategies on how to reduce them, a survey among modellers was conducted. It was found that there is a certain degree of subjectivity in the perception of modellers, for instance with respect to the distinction of hydrological models into conceptual groups. It was further found that there are ambiguities on how to apply a certain hydrological model, for instance how many parameters should be calibrated, together with a large diversity of opinion regarding the deficits of models. Nevertheless, evapotranspiration processes are often represented in a more physically based manner, while processes of groundwater and soil water movement are often simplified, which many survey participants saw as a drawback. A large flexibility, for instance with respect to different alternative process implementations or a small number of parameters that needs to be calibrated, was generally seen as strength of a model. Flexible and efficient software, which is straightforward to apply, has been increasingly acknowledged by the hydrological community. This work further elaborated on this topic in a twofold way. First, a software package for semi-automated landscape discretisation has been developed, which serves as a tool for model initialisation. This was complemented by a sensitivity analysis of important and commonly used discretisation parameters, of which the size of hydrological sub-catchments as well as the size and number of hydrologically uniform computational units appeared to be more influential than information considered for the characterisation of hillslope profiles. Second, a process-based hydrological model has been implemented into a flexible simulation environment with several alternative process representations and a number of numerical solvers. It turned out that, even though computation times were still long, enhanced computational capabilities nowadays in combination with innovative methods for statistical analysis allow for the exploration of structural uncertainties of even complex process-based models, which up to now was often neglected by the modelling community. In a further study it could be shown that process-based models may even be employed as tools for seasonal operational forecasting. In contrast to statistical models, which are faster to initialise and to apply, process-based models produce more information in addition to the target variable, even at finer spatial and temporal scales, and provide more insights into process behaviour and catchment functioning. However, the process-based model was much more dependent on reliable rainfall forecasts. It seems unlikely that there exists a single best formulation for hydrological processes, even for a specific catchment. This supports the use of flexible model environments with alternative process representations instead of a single model structure. However, correlation and compensation effects between process formulations, their parametrisation, and other aspects such as numerical solver and model resolution, may lead to surprising results and potentially misleading conclusions. In future studies, such effects should be more explicitly addressed and quantified. Moreover, model functioning appeared to be highly dependent on the meteorological conditions and rainfall input generally was the most important source of uncertainty. It is still unclear, how this could be addressed, especially in the light of the aforementioned correlations. The use of innovative data products, e.g.\ remote sensing data in combination with station measurements, and efficient processing methods for the improvement of rainfall input and explicit consideration of associated uncertainties is advisable to bring more insights and make hydrological simulations and predictions more reliable. N2 - Hydrologische Modelle sind wichtige Werkzeuge zur Simulation und Quantifizierung des Wasserkreislaufs. Sie helfen bei der explorativen Analyse hydrologischer Prozesse, Abflussvorhersage, Abschätzung der Folgen von Klima- und Landnutzungswandel oder dem Management von Wasserressourcen. Allerdings sind die mit der hydrologischen Modellierung einhergehenden Unsicherheiten noch immer groß. Trotz der zahlreichen Forschungsarbeiten auf dem Gebiet der Quantifizierung und Reduktion der Unsicherheiten gibt es einige Bereiche, die bisher wenig erforscht wurden, wie beispielsweise strukturelle Unsicherheiten, welche sich unter anderem auf die Prozessimplementation in den Modellen beziehen. Dies betrifft vor allem komplexe prozessbasierte Modelle im Gegensatz zu einfacheren konzeptionellen Modellen. Gegenstand dieser Arbeit ist es daher, das Verständnis struktureller Unsicherheiten sowie Methoden für deren Quantifizierung innerhalb prozessbasierter hydrologischer Modellanwendungen zu erweitern. Zur Identifikation typischer Defizite hydrologischer Modelle und Erarbeitung von Lösungsstrategien, um diese zu reduzieren, wurde eine Umfrage unter Modellanwendern durchgeführt. Dabei stellte sich heraus, dass ein hohes Maß an Subjektivität in der Wahrnehmung des Themas unter Modellieren herrscht, beispielsweise bei der Einordnung hydrologischer Modelle in konzeptionelle Klassen. Des Weiteren gibt es Unklarheiten in der Art und Weise, wie ein bestimmtes hydrologisches Modell angewendet werden sollte, wie etwa hinsichtlich der Kalibrierung bestimmter Parameter, sowie vielschichtige Auffassungen bezüglich der Modelldefizite. Letztlich stellte sich jedoch heraus, dass Verdunstungsprozesse vor allem physikalisch basiert abgebildet werden, während Prozesse im Bereich des Grundwassers und der Bodenwasserbewegung häufig vereinfacht abgebildet werden, was von vielen Umfrageteilnehmern als Nachteil empfunden wurde. Generell als Stärke wurde die Flexibilität einiger Modelle empfunden, zum Beispiel wenn diese verschiedene Implementationen eines Prozesses enthalten oder wenn nur eine geringe Zahl an Parametern kalibriert werden muss. Flexible und effiziente Software, die darüber hinaus einfach zu bedienen ist, wird von der hydrologischen Gemeinschaft immer stärker in den Vordergrund gebracht. Daher greift diese Arbeit das Thema in zweifacher Hinsicht auf. Zum einen wurde ein Softwarepaket zur halbautomatischen Landschaftsdiskretisierung entwickelt, welches zudem als Werkzeug zur Modellinitialisierung gedacht ist. Damit einhergehend wurde eine Sensitivitätsanalyse wichtiger und häufig genutzter Diskretisierungsparameter durchgeführt, bei der die Größe hydrologischer Teileinzugsgebiete sowie die Anzahl und Größe hydrologischer Elementarflächen sich als maßgeblicher herausstellte als etwa raumbezogene Informationen zur Charakterisierung der Hangprofile. Zum anderen wurde ein prozessbasiertes hydrologisches Modell in eine flexible Softwareumgebung integriert, der verschiedene alternative Prozessformulierungen sowie numerische Differentialgleichungslöser hinzugefügt wurden. Die Analyse struktureller Unsicherheiten komplexer prozessbasierter Modelle wurde in der Vergangenheit von der hydrologischen Gemeinschaft mit Verweis auf zu lange Rechenzeit oft vernachlässigt. Es zeigte sich jedoch, dass die mittlerweile zur Verfügung stehenden Computerressourcen, vor allem in Kombination mit innovativen statistischen Analyseverfahren, derartige Untersuchungen bereits ermöglichen. In einer weiteren Studie konnte zudem gezeigt werden, dass auch prozessbasierte Modelle für den operationellen Einsatz in der saisonalen Vorhersage geeignet sind. Im Gegensatz zu statistischen Modellen, welche schneller initialisierbar und anwendbar sind, produzieren prozessbasierte Modelle neben der eigentlichen Zielgröße weitere potentiell relevante Informationen in höherer räumlicher und zeitlicher Auflösung und geben zudem tiefere Einblicke in die generelle Wirkungsweise der hydrologischen Prozesse in einem Einzugsgebiet. In der Studie stellte sich jedoch ebenso heraus, dass zuverlässige Niederschlagsvorhersagen für ein prozessbasiertes Modell umso wichtiger sind. Allgemein erscheint es unwahrscheinlich, dass eine einzelne optimale Implementation für einen hydrologischen Prozess, selbst innerhalb eines bestimmten Einzugsgebietes, überhaupt existiert. Die Nutzung flexibler Modellumgebungen mit alternativen Prozessbeschreibungen anstelle eines einzelnen Modells scheint deshalb große Vorteile zu bringen. Mögliche Korrelationen zwischen Prozessbeschreibungen, deren Parametrisierung, sowie anderen Aspekte wie numerischen Lösern und Modellauflösung, können jedoch zu überraschenden Ergebnissen und letztlich falschen Schlussfolgerungen führen. In zukünftigen Studien sollten solche Effekte daher explizit berücksichtigt und quantifiziert werden. Darüber hinaus wird die Leistungsfähigkeit eines Modells maßgeblich von den meteorologischen Randbedingungen beeinflusst. Vor allem der Niederschlag erwies sich innerhalb dieser Arbeit als wichtigste Ursache für Unsicherheiten in der Modellierung. Allerdings ist nicht vollständig klar, wie dieser Umstand berücksichtigt werden kann und inwiefern die zuvor genannten Korrelationen hier einen Einfluss haben. Die Nutzung innovativer Datenprodukte, zum Beispiel Fernerkundungsdaten verbunden mit Stationsmessungen, in Kombination mit effizienten Prozessierungsalgorithmen zur Verbesserung des Niederschlagsinputs und expliziten Beachtung einhergehender Unsicherheiten wird angeraten. Dies verspricht bessere Einblicke in die Zusammenhänge verschiedener Unsicherheitsquellen zu gewinnen und letztlich hydrologische Simulationen und Vorhersagen zuverlässiger zu machen. T2 - Beiträge zum Verständnis der Unsicherheiten in der hydrologischen Modellierung KW - hydrology KW - hydrological modelling KW - uncertainties KW - Hydrologie KW - hydrologische Modellierung KW - Unsicherheiten Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-476643 ER - TY - THES A1 - Güntner, Andreas T1 - Large-scale hydrological modelling in the semi-arid north-east of Brazil N2 - Semi-arid areas are, due to their climatic setting, characterized by small water resources. An increasing water demand as a consequence of population growth and economic development as well as a decreasing water availability in the course of possible climate change may aggravate water scarcity in future, which often exists already for present-day conditions in these areas. Understanding the mechanisms and feedbacks of complex natural and human systems, together with the quantitative assessment of future changes in volume, timing and quality of water resources are a prerequisite for the development of sustainable measures of water management to enhance the adaptive capacity of these regions. For this task, dynamic integrated models, containing a hydrological model as one component, are indispensable tools. The main objective of this study is to develop a hydrological model for the quantification of water availability in view of environmental change over a large geographic domain of semi-arid environments. The study area is the Federal State of Ceará (150 000 km2) in the semi-arid north-east of Brazil. Mean annual precipitation in this area is 850 mm, falling in a rainy season with duration of about five months. Being mainly characterized by crystalline bedrock and shallow soils, surface water provides the largest part of the water supply. The area has recurrently been affected by droughts which caused serious economic losses and social impacts like migration from the rural regions. The hydrological model Wasa (Model of Water Availability in Semi-Arid Environments) developed in this study is a deterministic, spatially distributed model being composed of conceptual, process-based approaches. Water availability (river discharge, storage volumes in reservoirs, soil moisture) is determined with daily resolution. Sub-basins, grid cells or administrative units (municipalities) can be chosen as spatial target units. The administrative units enable the coupling of Wasa in the framework of an integrated model which contains modules that do not work on the basis of natural spatial units. The target units mentioned above are disaggregated in Wasa into smaller modelling units within a new multi-scale, hierarchical approach. The landscape units defined in this scheme capture in particular the effect of structured variability of terrain, soil and vegetation characteristics along toposequences on soil moisture and runoff generation. Lateral hydrological processes at the hillslope scale, as reinfiltration of surface runoff, being of particular importance in semi-arid environments, can thus be represented also within the large-scale model in a simplified form. Depending on the resolution of available data, small-scale variability is not represented explicitly with geographic reference in Wasa, but by the distribution of sub-scale units and by statistical transition frequencies for lateral fluxes between these units. Further model components of Wasa which respect specific features of semi-arid hydrology are: (1) A two-layer model for evapotranspiration comprises energy transfer at the soil surface (including soil evaporation), which is of importance in view of the mainly sparse vegetation cover. Additionally, vegetation parameters are differentiated in space and time in dependence on the occurrence of the rainy season. (2) The infiltration module represents in particular infiltration-excess surface runoff as the dominant runoff component. (3) For the aggregate description of the water balance of reservoirs that cannot be represented explicitly in the model, a storage approach respecting different reservoirs size classes and their interaction via the river network is applied. (4) A model for the quantification of water withdrawal by water use in different sectors is coupled to Wasa. (5) A cascade model for the temporal disaggregation of precipitation time series, adapted to the specific characteristics of tropical convective rainfall, is applied for the generating rainfall time series of higher temporal resolution. All model parameters of Wasa can be derived from physiographic information of the study area. Thus, model calibration is primarily not required. Model applications of Wasa for historical time series generally results in a good model performance when comparing the simulation results of river discharge and reservoir storage volumes with observed data for river basins of various sizes. The mean water balance as well as the high interannual and intra-annual variability is reasonably represented by the model. Limitations of the modelling concept are most markedly seen for sub-basins with a runoff component from deep groundwater bodies of which the dynamics cannot be satisfactorily represented without calibration. Further results of model applications are: (1) Lateral processes of redistribution of runoff and soil moisture at the hillslope scale, in particular reinfiltration of surface runoff, lead to markedly smaller discharge volumes at the basin scale than the simple sum of runoff of the individual sub-areas. Thus, these processes are to be captured also in large-scale models. The different relevance of these processes for different conditions is demonstrated by a larger percentage decrease of discharge volumes in dry as compared to wet years. (2) Precipitation characteristics have a major impact on the hydrological response of semi-arid environments. In particular, underestimated rainfall intensities in the rainfall input due to the rough temporal resolution of the model and due to interpolation effects and, consequently, underestimated runoff volumes have to be compensated in the model. A scaling factor in the infiltration module or the use of disaggregated hourly rainfall data show good results in this respect. The simulation results of Wasa are characterized by large uncertainties. These are, on the one hand, due to uncertainties of the model structure to adequately represent the relevant hydrological processes. On the other hand, they are due to uncertainties of input data and parameters particularly in view of the low data availability. Of major importance is: (1) The uncertainty of rainfall data with regard to their spatial and temporal pattern has, due to the strong non-linear hydrological response, a large impact on the simulation results. (2) The uncertainty of soil parameters is in general of larger importance on model uncertainty than uncertainty of vegetation or topographic parameters. (3) The effect of uncertainty of individual model components or parameters is usually different for years with rainfall volumes being above or below the average, because individual hydrological processes are of different relevance in both cases. Thus, the uncertainty of individual model components or parameters is of different importance for the uncertainty of scenario simulations with increasing or decreasing precipitation trends. (4) The most important factor of uncertainty for scenarios of water availability in the study area is the uncertainty in the results of global climate models on which the regional climate scenarios are based. Both a marked increase or a decrease in precipitation can be assumed for the given data. Results of model simulations for climate scenarios until the year 2050 show that a possible future change in precipitation volumes causes a larger percentage change in runoff volumes by a factor of two to three. In the case of a decreasing precipitation trend, the efficiency of new reservoirs for securing water availability tends to decrease in the study area because of the interaction of the large number of reservoirs in retaining the overall decreasing runoff volumes. N2 - Semiaride Gebiete sind auf Grund der klimatischen Bedingungen durch geringe Wasserressourcen gekennzeichnet. Ein zukünftig steigender Wasserbedarf in Folge von Bevölkerungswachstum und ökonomischer Entwicklung sowie eine geringere Wasserverfügbarkeit durch mögliche Klimaänderungen können dort zu einer Verschärfung der vielfach schon heute auftretenden Wasserknappheit führen. Das Verständnis der Mechanismen und Wechselwirkungen des komplexen Systems von Mensch und Umwelt sowie die quantitative Bestimmung zukünftiger Veränderungen in der Menge, der zeitlichen Verteilung und der Qualität von Wasserressourcen sind eine grundlegende Voraussetzung für die Entwicklung von nachhaltigen Maßnahmen des Wassermanagements mit dem Ziel einer höheren Anpassungsfähigkeit dieser Regionen gegenüber künftigen Änderungen. Hierzu sind dynamische integrierte Modelle unerlässlich, die als eine Komponente ein hydrologisches Modell beinhalten. Vorrangiges Ziel dieser Arbeit ist daher die Erstellung eines hydrologischen Modells zur großräumigen Bestimmung der Wasserverfügbarkeit unter sich ändernden Umweltbedingungen in semiariden Gebieten. Als Untersuchungsraum dient der im semiariden tropischen Nordosten Brasiliens gelegene Bundestaat Ceará (150 000 km2). Die mittleren Jahresniederschläge in diesem Gebiet liegen bei 850 mm innerhalb einer etwa fünfmonatigen Regenzeit. Mit vorwiegend kristallinem Grundgebirge und geringmächtigen Böden stellt Oberflächenwasser den größten Teil der Wasserversorgung bereit. Die Region war wiederholt von Dürren betroffen, die zu schweren ökonomischen Schäden und sozialen Folgen wie Migration aus den ländlichen Gebieten geführt haben. Das hier entwickelte hydrologische Modell Wasa (Model of Water Availability in Semi-Arid Environments) ist ein deterministisches, flächendifferenziertes Modell, das aus konzeptionellen, prozess-basierten Ansätzen aufgebaut ist. Die Wasserverfügbarkeit (Abfluss im Gewässernetz, Speicherung in Stauseen, Bodenfeuchte) wird mit täglicher Auflösung bestimmt. Als räumliche Zieleinheiten können Teileinzugsgebiete, Rasterzellen oder administrative Einheiten (Gemeinden) gewählt werden. Letztere ermöglichen die Kopplung des Modells im Rahmen der integrierten Modellierung mit Modulen, die nicht auf der Basis natürlicher Raumeinheiten arbeiten. Im Rahmen eines neuen skalenübergreifenden, hierarchischen Ansatzes werden in Wasa die genannten Zieleinheiten in kleinere räumliche Modellierungseinheiten unterteilt. Die ausgewiesenen Landschaftseinheiten erfassen insbesondere die strukturierte Variabilität von Gelände-, Boden- und Vegetationseigenschaften entlang von Toposequenzen in ihrem Einfluss auf Bodenfeuchte und Abflussbildung. Laterale hydrologische Prozesse auf kleiner Skala, wie die für semiaride Bedingungen bedeutsame Wiederversickerung von Oberflächenabfluss, können somit auch in der erforderlichen großskaligen Modellanwendung vereinfacht wiedergegeben werden. In Abhängigkeit von der Auflösung der verfügbaren Daten wird in Wasa die kleinskalige Variabilität nicht räumlich explizit sondern über die Verteilung von Flächenanteilen subskaliger Einheiten und über statistische Übergangshäufigkeiten für laterale Flüsse zwischen den Einheiten berücksichtigt. Weitere Modellkomponenten von Wasa, die spezifische Bedingungen semiarider Gebiete berücksichtigen, sind: (1) Ein Zwei-Schichten-Modell zur Bestimmung der Evapotranspiration berücksichtigt auch den Energieumsatz an der Bodenoberfläche (inklusive Bodenverdunstung), der in Anbetracht der meist lichten Vegetationsbedeckung von Bedeutung ist. Die Vegetationsparameter werden zudem flächen- und zeitdifferenziert in Abhängigkeit vom Auftreten der Regenzeit modifiziert. (2) Das Infiltrationsmodul bildet insbesondere Oberflächenabfluss durch Infiltrationsüberschuss als dominierender Abflusskomponente ab. (3) Zur aggregierten Beschreibung der Wasserbilanz von im Modell nicht einzeln erfassbaren Stauseen wird ein Speichermodell unter Berücksichtigung verschiedener Größenklassen und ihrer Interaktion über das Gewässernetz eingesetzt. (4) Ein Modell zur Bestimmung der Entnahme durch Wassernutzung in verschiedenen Sektoren ist an Wasa gekoppelt. (5) Ein Kaskadenmodell zur zeitlichen Disaggregierung von Niederschlagszeitreihen, das in dieser Arbeit speziell für tropische konvektive Niederschlagseigenschaften angepasst wird, wird zur Erzeugung höher aufgelöster Niederschlagsdaten verwendet. Alle Modellparameter von Wasa können von physiographischen Gebietsinformationen abgeleitet werden, sodass eine Modellkalibrierung primär nicht erforderlich ist. Die Modellanwendung von Wasa für historische Zeitreihen ergibt im Allgemeinen eine gute Übereinstimmung der Simulationsergebnisse für Abfluss und Stauseespeichervolumen mit Beobachtungsdaten in unterschiedlich großen Einzugsgebieten. Die mittlere Wasserbilanz sowie die hohe monatliche und jährliche Variabilität wird vom Modell angemessen wiedergegeben. Die Grenzen der Anwendbarkeit des Modell-konzepts zeigen sich am deutlichsten in Teilgebieten mit Abflusskomponenten aus tieferen Grundwasserleitern, deren Dynamik ohne Kalibrierung nicht zufriedenstellend abgebildet werden kann. Die Modellanwendungen zeigen weiterhin: (1) Laterale Prozesse der Umverteilung von Bodenfeuchte und Abfluss auf der Hangskala, vor allem die Wiederversickerung von Oberflächenabfluss, führen auf der Skala von Einzugsgebieten zu deutlich kleineren Abflussvolumen als die einfache Summe der Abflüsse der Teilflächen. Diese Prozesse sollten daher auch in großskaligen Modellen abgebildet werden. Die unterschiedliche Ausprägung dieser Prozesse für unterschiedliche Bedingungen zeigt sich an Hand einer prozentual größeren Verringerung der Abflussvolumen in trockenen im Vergleich zu feuchten Jahren. (2) Die Niederschlagseigenschaften haben einen sehr großen Einfluss auf die hydrologische Reaktion in semiariden Gebieten. Insbesondere die durch die grobe zeitliche Auflösung des Modells und durch Interpolationseffekte unterschätzten Niederschlagsintensitäten in den Eingangsdaten und die daraus folgende Unterschätzung von Abflussvolumen müssen im Modell kompensiert werden. Ein Skalierungsfaktor in der Infiltrationsroutine oder die Verwendung disaggregierter stündlicher Niederschlagsdaten zeigen hier gute Ergebnisse. Die Simulationsergebnisse mit Wasa sind insgesamt durch große Unsicherheiten gekennzeichnet. Diese sind einerseits in Unsicherheiten der Modellstruktur zur adäquaten Beschreibung der relevanten hydrologischen Prozesse begründet, andererseits in Daten- und Parametersunsicherheiten in Anbetracht der geringen Datenverfügbarkeit. Von besonderer Bedeutung ist: (1) Die Unsicherheit der Niederschlagsdaten in ihrem räumlichen Muster und ihrer zeitlichen Struktur hat wegen der stark nicht-linearen hydrologischen Reaktion einen großen Einfluss auf die Simulationsergebnisse. (2) Die Unsicherheit von Bodenparametern hat im Vergleich zu Vegetationsparametern und topographischen Parametern im Allgemeinen einen größeren Einfluss auf die Modellunsicherheit. (3) Der Effekt der Unsicherheit einzelner Modellkomponenten und -parameter ist für Jahre mit unter- oder überdurchschnittlichen Niederschlagsvolumen zumeist unterschiedlich, da einzelne hydrologische Prozesse dann jeweils unterschiedlich relevant sind. Die Unsicherheit einzelner Modellkomponenten- und parameter hat somit eine unterschiedliche Bedeutung für die Unsicherheit von Szenarienrechnungen mit steigenden oder fallenden Niederschlagstrends. (4) Der bedeutendste Unsicherheitsfaktor für Szenarien der Wasserverfügbarkeit für die Untersuchungsregion ist die Unsicherheit der den regionalen Klimaszenarien zu Grunde liegenden Ergebnisse globaler Klimamodelle. Eine deutliche Zunahme oder Abnahme der Niederschläge bis 2050 kann gemäß den hier vorliegenden Daten für das Untersuchungsgebiet gleichermaßen angenommen werden. Modellsimulationen für Klimaszenarien bis zum Jahr 2050 ergeben, dass eine mögliche zukünftige Veränderung der Niederschlagsmengen zu einer prozentual zwei- bis dreifach größeren Veränderung der Abflussvolumen führt. Im Falle eines Trends von abnehmenden Niederschlagsmengen besteht in der Untersuchungsregion die Tendenz, dass auf Grund der gegenseitigen Beeinflussung der großen Zahl von Stauseen beim Rückhalt der tendenziell abnehmenden Abflussvolumen die Effizienz von neugebauten Stauseen zur Sicherung der Wasserverfügbarkeit zunehmend geringer wird. KW - Ceará / Semiarides Gebiet / Wasserreserve / Hydrologie / Mathematisches Modell KW - Hydrologie KW - Wasserverfügbarkeit KW - Klimaänderung KW - Niederschlag-Abfluss-Modellierung KW - Trockengebiet KW - semi-arid KW - Unsicherheiten KW - Brasilien KW - hydrology KW - water availability KW - climate change KW - rainfall-runoff modelling KW - drylands KW - semi-arid KW - uncertainties KW - Brazil Y1 - 2002 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-0000511 ER -