Optimierungsmethoden zur HRU-basierten N/A

Transcrição

Optimierungsmethoden zur HRU-basierten N/AModellierung für eine operationelle
Hochwasservorhersage auf Basis prognostischer
Klimadaten des Deutschen Wetterdienstes.
Untersuchungen in einem mesoskaligen Einzugsgebiet im
Thüringer Wald.
Dissertation
zur Erlangung des akademischen Grades Doctor rerum naturalium
(Dr. rer. nat.)
vorgelegt dem Rat der Chemisch-Geowissenschaftlichen Fakultät
der Friedrich-Schiller-Universität Jena
von Diplom-Ingenieur Kai Pfannschmidt
geboren am 19. September 1965 in Jena
Gutachter:
1.
Prof. Dr. Wolfgang-Albert Flügel
2.
PD Dr. habil. Hermann Döhler
Tag der öffentlichen Verteidigung:
07. Mai 2008
Vorwort
Die hier vorliegende Arbeit entstand an dem von Herrn Prof. Dr. Wolfgang-Albert Flügel geleiteten Lehrstuhl für Geoinformatik, Geohydrologie und Modellierung des Institutes für Geographie der Friedrich-Schiller-Universität Jena während meiner Tätigkeit als externer Doktorand
im Rahmen einer Forschungskooperation mit der Thüringer Landesanstalt für Umwelt und Geologie Jena (TLUG).
Herr Prof. Dr. Flügel, der diese Arbeit maßgeblich initiierte, übernahm die wissenschaftliche
Betreuung. Für die Bereitstellung des interessanten Themas, die vielen konstruktiven Anregungen und Hinweise und die erwiesene Geduld bis zur Abgabe der Arbeit möchte ich mich herzlich bedanken!
Besonders danken möchte ich Herrn PD Dr. habil. Hermann Döhler vom Institut für Informatik
der Friedrich-Schiller-Universität Jena für seine Bereitschaft, das Koreferat für diese Arbeit zu
übernehmen. Bei ihm fand ich zu jeder Zeit einen interessierten Diskussionspartner, an den ich
mich mit allen inhaltlichen Fragen und Problemen wenden konnte. Die mir von ihm auch in
schwierigen Phasen entgegengebrachte intensive wissenschaftliche Betreuung hat einen maßgeblichen Anteil am erfolgreichen Abschluss dieser Arbeit.
Herrn Dr. Jürgen Werner von der TLUG gelang es über die gesamte Zeit, durch seine Überzeugung vom guten Gelingen dieser Arbeit, mir Optimismus und Motivation zu vermitteln. Er
schuf leitungsseitig die notwendigen Rahmenbedingungen für die Auseinandersetzung mit dem
Thema. Dafür möchte ich ihm meinen herzlichen Dank aussprechen.
Am Lehrstuhl für Geoinformatik fand ich stets eine offene, aufgeschlossene und ausgesprochen
hilfsbereite Haltung aller Mitarbeiter vor. Besonders danken möchte ich Herrn Dr. Peter Krause
für die intensiven Gespräche und hilfreichen Ratschläge, insbesondere im Bereich der Hydrologie und der Modellierung. Herr Dr. Sven Kralisch hatte für mich immer ein offenes Ohr und
nützliche Hinweise. Dank geht auch an Herrn Björn Pfennig für seine unermüdliche Diskussionsbereitschaft, die konstruktiven Vorschläge und seine motivierende Unterstützung.
Bedanken möchte ich mich natürlich bei allen Kollegen aus der TLUG, die mir mit ihrer gezeigten Loyalität erst das Arbeitumfeld schufen, das letztendlich grundlegend für diese Arbeit war!
Gerne Dank sagen möchte ich Herrn Dietmar Voerkel für seine Hilfsbereitschaft in Sachen GIS.
Aus dem Bereich Hydrologie erhielt ich große Unterstützung u.a. von Frau Dr. Claudia Liese
und Frau Margarete Kaufmann. Darüber hinaus danke ich Herrn Rainer Kunka für die vielen
aufschlussreichen Fachgespräche und Hinweise rund um das Thema Globaler Klimawandel. Bei
allen hier nicht genannten Kollegen möchte ich mich für die unterstützende, angenehme Arbeitsatmosphäre bedanken.
Beim Deutschen Wetterdienst fand ich in Herrn Dr. Dietzer einen interessierten Ansprechpartner, von dem ich Daten des COSMO-EU-Modells bekam. Meinen Dank aussprechen möchte
ich auch Herrn Dr. Reinhardt Günther für die uneigennützige Bereitstellung klimatologischer
Messwerte aus dem Agrar-Meteorologischen Messnetz der Thüringer Landesanstalt für Landwirtschaft.
ii
Vorwort
Speziell für den Freistaat Thüringen aufbereitete Daten der REMO-Klimaprojektionen erhielt
ich von Fr. Dr. Daniela Jacob und Herrn Holger Göttel vom Max-Planck-Institut für Meteorologie in Hamburg. Vielen Dank für die unbürokratische Unterstützung!
Herrn Dr. Robert Schwarze von der Technischen Universität Dresden danke ich für die DIFGABerechnungen und die freundliche Hilfe.
Ausdrücklich Danke sagen möchte ich bei meiner Familie. Meine Frau Christine und meine
Kinder Juliane, Lena und Paul Lucas haben mich liebevoll und mit größtem Verständnis unterstützt. Ohne diesen familiären Rückhalt wäre diese Arbeit für mich nicht zu leisten gewesen.
Jena, im Dezember 2007
Kai Pfannschmidt
Inhaltsverzeichnis
Vorwort .......................................................................................................................................... i
Inhaltsverzeichnis......................................................................................................................... iii
Bildverzeichnis............................................................................................................................ vii
Abbildungsverzeichnis................................................................................................................. ix
Tabellenverzeichnis .................................................................................................................... xv
1
Problemstellung, Zielsetzung und Methodik ........................................................................ 1
2
Grundlagen und Stand der Forschung................................................................................... 7
2.1
Hochwasser und seine Ursachen ................................................................................. 7
2.2
Hydrologische Grundlagen.......................................................................................... 9
2.3
Hochwasserschutz und Hochwasservorhersage in Thüringen................................... 15
2.4
Die Modellierung von Flusseinzugsgebieten............................................................. 20
2.4.1
Verwendete Methoden .......................................................................................... 20
2.4.2
Aufgaben von Flusseinzugsgebietsmodellen ........................................................ 21
2.4.3
Klassifikation von Flusseinzugsgebietsmodellen.................................................. 21
2.5
Hydrological Response Units (HRU) ........................................................................ 23
2.5.1
Der konzeptionelle Ansatz der HRU..................................................................... 24
2.5.2
Methodisches Vorgehen bei der HRU-Ableitung ................................................. 25
2.5.3
Topologische Beziehungen ................................................................................... 28
2.6
Das distributive hydrologische Modellsytem J2000/JAMS ...................................... 29
2.6.1
Schematischer Aufbau des Modellsystems ........................................................... 30
2.6.2
Ausgewählte Modellgütemaße .............................................................................. 34
2.6.3
Kalibrierungsparameter ......................................................................................... 36
2.7
Das Numerische Wettervorhersagesystem des DWD................................................ 36
2.8
Globaler Klimawandel und Hochwasser ................................................................... 42
2.8.1
Zahlen, Daten, Fakten ........................................................................................... 42
2.8.2
SRES-Klimaszenarien ........................................................................................... 46
2.8.3
Komplexe Klimamodelle ...................................................................................... 48
2.8.4
Regionales Klimamodell REMO........................................................................... 50
iv
Inhaltsverzeichnis
3
Vorprozessierung zur Modellierung.................................................................................... 53
3.1
Das Flusseinzugsgebiet Gräfinau-Angstedt ............................................................... 53
3.1.1
Naturräumliche Beschreibung ............................................................................... 53
3.1.2
Oberfläche und Geologie....................................................................................... 56
3.1.3
Hydrogeologische Gesteinseinheiten..................................................................... 58
3.1.3.1
Charakteristik................................................................................................ 58
3.1.3.2
Der statische Gebietsparameter Hydrogeologische Gesteinseinheiten ......... 58
3.1.4
Vegetation und Flächennutzung ............................................................................ 59
3.1.4.1
Charakteristik................................................................................................ 59
3.1.4.2
Der statische Gebietsparameter Flächennutzung.......................................... 60
3.1.5
Böden..................................................................................................................... 62
3.1.5.1
Charakteristik................................................................................................ 62
3.1.5.2
Der statische Gebietsparameter Böden ......................................................... 63
3.1.6
Klimatologische Verhältnisse................................................................................ 64
3.1.7
Starkniederschläge und Wiederkehrintervalle ....................................................... 69
3.1.8
Abflussregime........................................................................................................ 73
3.1.9
Der Ilm-Pegel Gräfinau-Angstedt ......................................................................... 75
3.1.10
3.2
Jährlichkeiten der Extremabflüsse HQT ............................................................ 76
Zeitlich statische Gebietsparameter ........................................................................... 77
3.2.1
Ableitung topographischer Basisdaten aus dem Digitalen Geländemodell........... 78
3.2.1.1
Das Digitale Geländemodell DGM-25 ......................................................... 78
3.2.1.2
Geländehöhe ................................................................................................. 79
3.2.1.3
Fließrichtung................................................................................................. 79
3.2.1.4
Fließakkumulation und Fließgewässernetz................................................... 79
3.2.1.5
Hangneigung................................................................................................. 80
3.2.1.6
Exposition ..................................................................................................... 81
3.2.1.7
Teileinzugsgebiete ........................................................................................ 81
3.3
Zeitlich variable Eingangsdaten – Messwerte............................................................ 81
3.3.1
Relevante Klimastationen...................................................................................... 82
3.3.2
Niederschlagskorrektur der Tages- und Stundenwerte.......................................... 82
3.3.3
Pegelmesswerte ..................................................................................................... 83
3.4
3.4.1
Zeitlich variable Eingangsdaten – Prognosewerte ..................................................... 83
Klimadaten des COSMO-DE-Modells des DWD ................................................. 84
Inhaltsverzeichnis
3.4.2
4
Untersuchungen zur statistischen Güte ................................................................. 87
Methodik zur HRU-Optimierung........................................................................................ 91
4.1
Einführung ................................................................................................................. 91
4.2
HRU-Generierung durch Überlagerung..................................................................... 93
4.3
Das Aggregationsmaß HRU-Dichte ρHRU .................................................................. 95
4.3.1
Definition .............................................................................................................. 95
4.3.2
Das Aggregationsverfahren................................................................................... 95
4.3.3
Ausgewählte Aggregationsvarianten..................................................................... 96
4.3.4
Abhängigkeit der HRU-Dichte ρHRU vom Schwellwert S.................................... 97
Das Aggregationsmaß HRU-Information I(HRU) ......................................................... 98
4.4
4.4.1
Die Neuattributierung im GIS ............................................................................... 98
4.4.2
Grundlagen ............................................................................................................ 99
4.4.3
Definition ............................................................................................................ 101
4.5
Topologie und Routing ............................................................................................ 102
4.6
Der methodische Optimierungsansatz ..................................................................... 103
4.6.1
Kalibrierung der Modellparameter und Sensitivitätsanalyse............................... 103
4.6.2
Optimierung des Aggregationsmaßes HRU-Dichte ρHRU .................................... 104
4.6.2.1
Lineare Speicherkaskade nach Nash .......................................................... 104
4.6.2.2
Optimierung der HRU-Dichte .................................................................... 107
4.6.3
Optimierung des Aggregationsmaßes I(HRU) ........................................................ 109
4.6.3.1
HRU-Informationswert I(HRU) als Funktion der HRU-Dichte ρHRU ............. 110
4.6.3.2
Regelbasiertes iteratives Generalisieren ..................................................... 113
4.6.3.3
Informationsverlust bei regelbasiertem Generalisieren .............................. 116
4.6.4
5
v
Anwendung im FEG Schwarza ........................................................................... 119
Ergebnisse der Modellierung und Anwendung................................................................. 125
5.1
Modellergebnisse..................................................................................................... 125
5.1.1
Modellierter Gesamtabfluss ................................................................................ 125
5.1.2
Flächendifferenzierte Darstellung des Gesamtabflusses ..................................... 132
5.1.3
Modellierte Abflusskomponenten ....................................................................... 133
5.1.4
Die Hochwasserereignisse vom Frühjahr 2006................................................... 137
5.2
Hochwasservorhersage mit klimatologischen Prognosedaten ................................. 143
5.2.1
Korrektur der Niederschlags-Prognosedaten....................................................... 144
5.2.1.1
Das Gleitkorrekturverfahren....................................................................... 144
vi
Inhaltsverzeichnis
5.2.1.2
Informationsgehalt der Korrekturfunktionen .............................................. 145
5.2.1.3
Vorteile des Korrekturverfahrens ............................................................... 148
5.2.1.4
Ergebnisse des Korrekturverfahrens ........................................................... 149
5.2.2
6
Modellierungsergebnisse mit klimatologischen Prognosedaten.......................... 151
5.2.2.1
Die Frühjahrshochwasser 2006................................................................... 151
5.2.2.2
Nichteingetretene prognostizierte Starkniederschläge................................ 154
5.3
Der Hochwasserinformationsdienst ......................................................................... 156
5.4
Klimafolgen für das Gebiet der Oberen Ilm ............................................................ 159
5.4.1
Entwicklung der Wiederkehrintervalle von Starkniederschlagsereignissen........ 159
5.4.2
Entwicklung der Wiederkehrintervalle von Extremabflüssen ............................. 163
5.4.2.1
Das SCS-Verfahren..................................................................................... 163
5.4.2.2
Sensitivitätsanalyse ..................................................................................... 164
5.4.2.3
Modellvalidierung....................................................................................... 165
5.4.2.4
Ergebnisse................................................................................................... 166
Zusammenfassung und Ausblick....................................................................................... 169
6.1
Methodischer Ansatz zur HRU-Optimierung .......................................................... 169
6.2
Gleitkorrekturverfahren für prognostische Klimagrößen......................................... 172
6.3
Ergebnisse der Modellierung ................................................................................... 174
6.4
Klimafolgen und Hochwasser – Methodik und Interpretation................................. 177
6.5
Ausblick ................................................................................................................... 179
Literaturverzeichnis................................................................................................................... 181
Abkürzungsverzeichnis ............................................................................................................. 195
Anhang ...................................................................................................................................... 199
Anhang A Fotos ........................................................................................................................ 203
Anhang B Abbildungen............................................................................................................. 207
Anhang C Tabellen.................................................................................................................... 233
Anhang D Formeln.................................................................................................................... 243
Bildverzeichnis
Bild 2.1:
Retentionsflächen nördlich von Gräfinau-Angstedt beim Frühjahrshochwasser am
01. April 2006 um 8.48 Uhr .................................................................................. 16
Bild 2.2:
Ausgewiesene amtliche ÜSG HQ100 und ÜSG laut Arbeitskarten des ThLVwA im
Bereich von Langewiesen bis Gräfinau-Angstedt und bei Manebach .................. 17
Bild 3.1:
Mündung des Freibach in die Ilm nördlich von Stützerbach................................. 55
Bild 3.2:
Mündung der Wohlrose in die Ilm ........................................................................ 57
Bild 3.3:
Blick vom Quellbereich der Ilm nahe der Schmücke in Richtung Kickelhahn
(Dezember 2006)................................................................................................... 61
Bild 3.4:
Blick vom Ilm-Pegel Gräfinau-Angstedt flussaufwärts ........................................ 75
Bild 5.1:
MeteoSat-Satellitenbild vom 30. März 2006 (Quelle: www.wetter-online.de)... 138
Bild 5.2:
Hochwasser kurz unterhalb des Pegels Gräfinau-Angstedt am 01.04.2006 um
07.56 Uhr............................................................................................................. 139
viii
Abbildungsverzeichnis
Abbildung 1.1:
Methodische Gliederung der Arbeit ............................................................... 5
Abbildung 2.1:
Ursachen von Hochwasserkatastrophen ......................................................... 8
Abbildung 2.2:
Abflusskomponenten im Einzugsgebiet und Einflussfaktoren auf den
Gerinneabfluss .............................................................................................. 10
Abbildung 2.3:
Abflusskomponenten und Verlauf einer Hochwasserwelle........................... 11
Abbildung 2.4:
Abflussprozess in der Natur nach Flügel...................................................... 12
Abbildung 2.5:
Abflussprozess in der Natur nach Bronstert ................................................. 12
Abbildung 2.6:
Wesentliche Komponenten des Wasserkreislaufs ......................................... 14
Abbildung 2.7:
Interaktive Pegelkarte der TLUG Jena (INVISUM)..................................... 19
Abbildung 2.8:
Klassifikationsschema hydrologischer Modelle ........................................... 22
Abbildung 2.9:
Schematische Darstellung des methodischen Vorgehens bei der HRUAbleitung ...................................................................................................... 26
Abbildung 2.10:
Schematischer Aufbau des Modellsystems J2000/JAMS ............................. 31
Abbildung 2.11:
Topologiebeziehung lateraler Prozesse zwischen HRU (HRU routing) und
Gerinneabschnitten (flood routing) im J2000/JAMS ................................... 33
Abbildung 2.12:
Das numerische Wettervorhersagesystem des DWD ................................... 41
Abbildung 2.13:
Szenario A1B: Temperaturänderung für die Zeiträume von 2016-2045 und
2071-2100 gegenüber 1961-1990................................................................ 44
Abbildung 2.14:
Relative Niederschlagsänderungen im hydrologischen Sommer (li.) und
Winter 2071-2100 im Vergleich zu 1961-1999 ........................................... 45
Abbildung 2.15:
Schematische Darstellung der SRES-Szenarienfamilien ............................. 47
Abbildung 2.16:
Das physikalische Klimasystem................................................................... 49
Abbildung 2.17:
Vereinfachte schematische Darstellung des REMO-Modells des MPI........ 50
Abbildung 3.1:
Lage des Flusseinzugsgebietes der Oberen Ilm bis zum Pegel GräfinauAngstedt in Thüringen.................................................................................. 54
Abbildung 3.2:
Ausschnitt aus der Topographischen Karte TK 100..................................... 55
Abbildung 3.3:
Klassifizierte hydrogeologische Gesteinseinheiten und deren relative
Flächenanteile .............................................................................................. 59
Abbildung 3.4:
Flächenanteile der klassifizierten Landnutzungsarten.................................. 60
Abbildung 3.5:
Vorkommende Bodenklassen und Bodentypen............................................ 63
Abbildung 3.6:
Langjähriger mittlerer jährlicher Niederschlag............................................. 65
Abbildung 3.7:
Lage der vier ausgewählten repräsentativen Messstationen und die DWDKlimastation Schmücke ................................................................................ 66
x
Abbildung 3.8:
Jahresgang des langjährigen mittleren Monatsmittels [mm] an Niederschlag
an den vier Stationen und des Gebietsniederschlages RRgebiet [mm] ............ 67
Abbildung 3.9:
Langjährige mittlere Jahrestemperatur.......................................................... 68
Abbildung 3.10:
Jahresgang des langjährigen mittleren Monatsmittels der Temperatur ........ 69
Abbildung 3.11:
Übersichtskarte des KOSTRA-DWD-2000-ATLAS Deutschland und
relevante KOSTRA-Rasterzellen ................................................................. 70
Abbildung 3.12:
Niederschlagshöhen hN [mm] der Starkniederschlagsereignisse basierend
auf KOSTRA-DWD-2000-Daten nach Wiederkehrintervallen und
Dauerstufen................................................................................................... 71
Abbildung 3.13:
Niederschlagshöhen der
Starkniederschlagsereignisse
basierend auf
KOSTRA-DWD-2000-Daten
der hydrologischen Winterperioden und
basierend auf REWANUS-Daten nach Wiederkehrintervallen und
Dauerstufen................................................................................................... 72
Abbildung 3.14:
Abflussregime mit Abflusskoeffizienten nach Pardé ................................... 73
Abbildung 3.15:
Jahresgang der mittleren Hoch- und Niedrigwasserabflüsse der Ilm am Pegel
Gräfinau-Angstedt ........................................................................................ 74
Abbildung 3.16:
Ganglinie der Jahres-HQ am Pegel Gräfinau-Angstedt................................ 76
Abbildung 3.17:
Die drei am Besten approximierten Verteilungsfunktionen der Jahres-HQ
und verwendete Schätzmethoden ................................................................. 77
Abbildung 3.18:
Zeitlich statische Gebietsparameter.............................................................. 78
Abbildung 3.19:
Untersuchte Abschnitte der COSMO-EU-Vorhersagewerte ........................ 85
Abbildung 3.20:
Darstellung der Niederschlagsvorhersage des COSMO-EU-Modells vom
26.04.2006 mit dem Visualisierungstool LM-Visio ..................................... 85
Abbildung 3.21:
Wichtung der COSMO-EU-Vorhersagewerte über IDW-Verfahren (Bsp.
Station Oberweißbach) ................................................................................. 86
Abbildung 3.22:
Niederschlagsbilanzen der Stationen mit Tageswerten nach hydrologischem
Sommer und Winter für den Zeitraum vom 01.11.1999 – 31.05.2006......... 87
Abbildung 3.23:
Niederschlagsbilanzen der Stationen mit Stundenwerten nach hydrologischem Sommer und Winter .................................................................... 88
Abbildung 4.1:
Interne Modellparameter und einzugsgebietsspezifische Aggregationsmaße
des hydrologischen Modellsystems J2000/JAMS ........................................ 92
Abbildung 4.2:
In den Verschneidungsprozess eingegangene statische Gebietsparameter ... 93
Abbildung 4.3:
Ergebnis der Verschneidungsoperation mit 44.717 Polygonen .................... 94
Abbildung 4.4:
NSD für das Aggregationsverfahren „nicht iterativ” .................................... 96
Abbildung 4.5:
NSD für das Aggregationsverfahren „iterativ step 1“ .................................. 97
Abbildung 4.6:
HRU-Dichte ρHRU als Funktion des Schwellwertes S der drei betrachteten
Aggregationsvarianten.................................................................................. 98
Abbildung 4.7:
Verfahren der Neuattributierung im GIS ...................................................... 99
xi
Abbildung 4.8:
Referenz- und Objektprozess am Beispiel der Bodenklassifizierung......... 101
Abbildung 4.9:
Entwicklung der Modellgütemaße bei schrittweiser Kalibrierung der
Modellparameter......................................................................................... 104
Abbildung 4.10:
Einzellinearspeicher und Speicherkaskade nach Nash mit Entwicklung der
Gewichtsfunktion bei zunehmender Speicherzahl n................................... 106
Abbildung 4.11:
Verschiedene hydrologisch-topologische Sequenzen zur Abbildung der
Fließvorgänge in Abhängigkeit von der HRU-Dichte ρHRU im Teileinzugsgebiet des Taubachs.................................................................................... 106
Abbildung 4.12:
Darstellung des Nash-Sutcliffe-Koeffizienten E2 als Funktion der HRUDichte ρHRU der Eliminate-Variante „iterativ step 1“................................. 107
Abbildung 4.13:
Darstellung des Nash-Sutcliffe-Koeffizienten E2 als Funktion der HRUDichte ρHRU der verschiedenen Eliminate-Varianten ................................. 108
Abbildung 4.14:
Darstellung der Position der optimalen HRU-Dichte ρHRU ........................ 109
Abbildung 4.15:
Funktionsverlauf I(HRU)=f(ρHRU) der Variante „iterativ step 1“Gebietsparameter “Böden“......................................................................... 110
Abbildung 4.16:
Funktionsverlauf I(HRU)=f(ρHRU) für die Varianten "nicht iterativ" und
"iterativ step 1" – Gebietsparameter “Böden“............................................ 111
Abbildung 4.17:
Die HRU-Strukturen der verschiedenen Varianten bei vergleichbarer HRUDichte ρHRU ................................................................................................. 111
Abbildung 4.18:
Die HRU-Informationsverluste IV(HRU) der Gebietsparameter Hangneigung,
Böden und Landnutzung nach Aggregationsvarianten bei vergleichbarer
optimierter HRU-Dichte ρHRU .................................................................... 112
Abbildung 4.19:
Darstellung des Nash-Sutcliffe-Koeffizienten E2 als Funktion der HRUDichte E2=f(ρHRU) und der Informationsverlust I(HRU) als Funktion der HRUDichte I(HRU)=f(ρHRU) ................................................................................. 113
Abbildung 4.20:
NSD für die Aggregationsvariante "iterativ step 1 Regel 1"...................... 114
Abbildung 4.21:
NSD für die Aggregationsvariante "iterativ step 1 Regel 2"...................... 115
Abbildung 4.22:
Vergleich der HRU-Strukturen der nicht regelbasierten iterativen Variante
mit den regelbasierten iterativen Varianten bei vergleichbarer HRU-Dichte
ρHRU ............................................................................................................ 115
Abbildung 4.23:
Vergleich des Gebietsparameters Hangneigung der nicht regelbasierten
iterativen Variante mit den regelbasierten iterativen Varianten bei
vergleichbarer HRU-Dichte ρHRU ............................................................... 116
Abbildung 4.24:
Vergleich des Gebietsparameters Böden der nicht regelbasierten iterativen
Variante mit den regelbasierten iterativen Varianten bei vergleichbarer
HRU-Dichte ρHRU ....................................................................................... 117
Abbildung 4.25:
Vergleich des Gebietsparameters Landnutzung der nicht regelbasierten
iterativen Variante mit den
regelbasierten iterativen Varianten bei
vergleichbarer HRU-Dichte ρHRU ............................................................... 118
xii
Abbildung 4.26:
HRU-Informationsverluste IV(HRU) nach Gebietsparametern und Aggregationsvarianten.......................................................................................... 118
Abbildung 4.27:
Das FEG Schwarza..................................................................................... 120
Abbildung 4.28:
Maximapositionen der optimalen HRU-Dichte nach Modelleffizienzen der
Generierungsvarianten „Verschneidung“ und „Rasterbildung“ ................. 123
Abbildung 5.1:
Regionalisierter Gebietsniederschlag sowie gemessene und modellierte
Abflüsse der Oberen Ilm am Pegel Gräfinau-Angstedt für den Zeitraum vom
01.11.1994-31.10.05.2006.......................................................................... 126
Abbildung 5.2:
Modellierung von Hochwasserscheiteln in Folge von Starkniederschlagsereignissen im Tagesmodus ........................................................................ 129
Abbildung 5.3:
Modellierung von Hochwasserscheiteln in Folge von Schneeschmelzereignissen im Tagesmodus ................................................................................ 130
Abbildung 5.4:
Modellierung von Hochwasserscheiteln in Folge von Schneeschmelzereignissen im Stundenmodus............................................................................. 131
Abbildung 5.5:
Gemessene und modellierte mittlere monatliche Abflüsse der Oberen Ilm am
Pegel Gräfinau-Angstedt für die Zeitreihen 1994-2006.............................. 131
Abbildung 5.6:
Gemessene und modellierte langjährige Monatsmittel der Abflüsse der
Oberen Ilm am Pegel Gräfinau-Angstedt für die Zeitreihen 1994-2006 .... 132
Abbildung 5.7:
Langjährige mittlere modellierte Gesamtabflussbildung im FEG GräfinauAngstedt und
Anteile der Abflusskomponenten am Gesamtabfluss
(Zeitreihe 1994-2006) ................................................................................. 134
Abbildung 5.8:
Nach DIFGA berechnete langjährige Jahresganglinien der Monatsmittel der
separierten Abflusskomponenten (Zeitreihe 1994-2006)............................ 136
Abbildung 5.9:
Relative Anteile der Abflusskomponenten RD, RG1 und RG2 am
langjährigen mittleren Gesamtabfluss nach J2000/JAMS und DIFGA ...... 137
Abbildung 5.10:
Nach DIFGA separierte Abflusskomponenten der beiden Hochwasserereignisse .................................................................................................... 140
Abbildung 5.11:
Die Hochwasserereignisse vom Frühjahr 2006: regionalisierter Gebietsniederschlag, W-Ganglinie auf Basis von Tages- und Stundenwerten und die
Tagesmitteltemperaturen als Gebietsmittel................................................. 141
Abbildung 5.12:
Modellierung der beiden Hochwasserereignisse mit J2000/JAMS im
Tagesmodus ................................................................................................ 142
Abbildung 5.13:
Modellierung der beiden Hochwasserereignisse mit J2000/JAMS im
Stundenmodus............................................................................................. 143
Abbildung 5.14:
Punktmenge des Korrekturfensters im Tages- und Stundenmodus an der
Station Schmücke am Beispieltag des 18.12.2004 ..................................... 145
Abbildung 5.15:
Berechnete Klassenschwerpunkte des Korrekturfensters im Tages- und
Stundenmodus an der Station Schmücke am 18.12.2004 ........................... 147
Abbildung 5.16:
Regressionspolynom des Korrekturfensters im Tages- und Stundenmodus an
der Station Schmücke am 18.12.2004......................................................... 147
xiii
Abbildung 5.17:
Regressionspolynome für den 18.12.2004 für beide Varianten bei Tages- und
Stundenwerten ............................................................................................ 148
Abbildung 5.18:
Legende für die Abbildung 5.19 und Abbildung 5.20................................ 149
Abbildung 5.19:
Vergleich von kumulierten unkorrigierten und korrigierten Tagesvorhersageund Tagesmesswerten in den hydrologischen Sommerperioden................ 150
Abbildung 5.20:
Vergleich von kumulierten unkorrigierten und korrigierten Tagesvorhersageund Tagesmesswerten in den hydrologischen Winterperioden .................. 150
Abbildung 5.21:
Hochwasservorhersage für die beiden Hochwasserereignisse im Frühjahr
2006 im Tagesmodus ................................................................................ 152
Abbildung 5.22:
Hochwasservorhersage für die beiden Hochwasserereignisse im Frühjahr
2006 im Stundenmodus............................................................................. 153
Abbildung 5.23:
Vorhergesagtes Starkniederschlagsereignis vom 3./4. Dezember 2005..... 155
Abbildung 5.24:
Komponenten eines operativen Hochwasserinformationsdienstes ............ 158
Abbildung 5.25:
Ganglinie der Jahresmaxima für Niederschlag .......................................... 161
Abbildung 5.26:
Die drei am besten approximierten Verteilungsfunktionen der Jahresmaxima
an Niederschlag und die angewandten Schätzmethoden für die REMORasterzelle 5557 ......................................................................................... 161
Abbildung 5.27:
Entwicklung der Niederschlagshöhen der Starkniederschlagsereignisse... 162
Abbildung 5.28:
Darstellung der Abflusskurven mit einem Wiederkehrintervall von T=50
Jahren auf Basis der KOSTRA-DWD-Niederschlagsdaten für die
Dauerstufen von D=1, 6, 12, 18, 24, 48 und 72 h ...................................... 164
Abbildung 5.29:
Darstellung der Abflusskurven der Wiederkehrintervalle von T=2, 5, 10, 20,
50 und 100 Jahren auf Basis der KOSTRA- Niederschlagsdaten für die
Dauerstufe D=24 h ..................................................................................... 166
Abbildung 5.30:
Darstellung der HQT in Abhängigkeit der Wiederkehrintervalle für
KOSTRA-DWD 2000 und REMO 2050 und REMO 2100 ....................... 167
Abbildung 5.31:
Darstellung der Entwicklung der Wiederkehrintervalle T der betrachteten
HQT der Dauerstufe D=24 h nach dem REMO A1B-Szenario ................. 168
Abbildung 6.1:
Methodischer Ansatz zur Optimierung der HRU-Vorprozessierung.......... 169
Abbildung 6.2:
Messnetz 2000 Thüringen........................................................................... 173
Abbildung 6.3:
Problem der Raum-Zeit-Variabilität und der quantitativen Variabilität des
prognostizierten Niederschlagshöhe........................................................... 175
Abbildung 6.4:
Methodisches Vorgehen bei der Bestimmung von HQT -Trends auf Basis
von Klimaprojektionen............................................................................... 178
Tabellenverzeichnis
Tabelle 3.1:
Langjährige mittlere Monatsmittel und Jahresmittel an Niederschlag [mm] der
vier Stationen und Jahresgang des Gebietsniederschlages RRgebiet [mm].......... 66
Tabelle 3.2:
Langjährige mittlere Monats- und Jahrestemperatur [°C] von 1951-2000 an den
vier ausgewählten Stationen .............................................................................. 68
Tabelle 3.3:
Niederschlagshöhen hN [mm] der Starkniederschlagsereignisse basierend auf
KOSTRA-DWD-2000-Daten nach Wiederkehrintervallen und Dauerstufen ... 70
Tabelle 3.4:
Niederschlagshöhen hN der Starkniederschlagsereignisse basierend auf
KOSTRA-DWD-2000 der hydrologischen Winterperioden und basierend auf
REWANUS nach Wiederkehrintervallen und Dauerstufen ............................. 72
Tabelle 3.5:
Anteile der Schneeschmelzereignisse an den REWANUS-Wasseräquivalenten
Wäquv [mm] nach Wiederkehrintervallen T [a] und Dauerstufen D [h] ............. 73
Tabelle 3.6:
Berechnete Hochwasserscheitelabflüsse HQT [m³/s] mit Wahrscheinlichkeitsaussage............................................................................................................... 77
Tabelle 4.7:
Maximapositionen der Modelleffizienzen Variante „iterativ step 1“ ............. 109
Tabelle 4.8:
HRU-Informationsverluste IV(HRU) der Gebietsparameter Hangneigung, Böden
und Landnutzung nach Varianten bei vergleichbarer optimierter HRU-Dichte
ρHRU.................................................................................................................. 112
Tabelle 4.9:
HRU-Informationsverluste IV(HRU) nach Gebietsparametern und Aggregationsvarianten .......................................................................................................... 118
Tabelle 4.10:
Berechnete Maximapositionen der Effizienzen bzgl. der HRU-Dichte der
Varianten Verschneidung und Rasterbildung.................................................. 122
Tabelle 4.11:
HRU-Informationsverlust IV(HRU) der Gebietsparameter Hangneigung, Böden
und Landnutzung der Varianten Verschneidung und Rasterbildung.............. 124
Tabelle 4.12:
Modelleffizienzen des Kalibrierungs-, Validierungs- und Gesamtzeitraums der
Schwarza am Pegel Schwarza ......................................................................... 124
Tabelle 5.1:
Modelleffizienzen der Einzeljahre der Oberen Ilm am Pegel Gräfinau-Angstedt
für den Zeitraum vom 01.11.1994-31.10.2006 im Tagesmodus ..................... 127
Tabelle 5.2:
Oberen Ilm am Pegel Gräfinau-Angstedt im Tagesmodus.............................. 128
Tabelle 5.3:
Modelleffizienzen der Einzeljahre der Oberen Ilm am Pegel Gräfinau-Angstedt
für den Zeitraum vom 01.11.1999-31.10.05.2006 im Stundenmodus............. 128
Tabelle 5.4:
Oberen Ilm am Pegel Gräfinau-Angstedt im Stundenmodus .......................... 128
Tabelle 5.5:
Modellierte mittlere prozentuale Anteile der separierten Abflusskomponenten
am Gesamtabfluss............................................................................................ 134
xvi
Tabellenverzeichnis
Tabelle 5.6:
Hochwasserereignis vom 31. März 2006: Gemessener Niederschlag [mm] an
ausgewählten Stationen im Zeitraum vom 24.03.- 04.04. 2006 ...................... 138
Tabelle 5.7:
Hochwasserereignis vom 27. April 2006: Gemessener Niederschlag [mm] an
ausgewählten Stationen in den Tagen vom 26.04.- 27.04. 2006 ..................... 139
Tabelle 5.8:
Modelleffizienzen der beiden Hochwasserereignisse im Tages- und
Stundenmodus ................................................................................................. 143
Tabelle 5.9:
Korrekturergebnis am 18.12.2004 an der Station Schmücke .......................... 148
Tabelle 5.10:
Modelleffizienzen der Hochwasserereignisse mit Prognosedaten................... 154
Tabelle 5.11:
Entwicklung der 24-h-Starkniederschlagsereignisse ....................................... 162
Tabelle 5.12:
Prozentuale Veränderung der 24-h-Starkniederschlagsereignisse................... 162
Tabelle 5.13:
Jahres-Abfluss-Maxima HQT auf Basis der von 1923-2001 berechneten
Maximalabflüsse Qmax und basierend auf den KOSTRA-Maximalabflüssen
nach Wiederkehrintervallen............................................................................ 165
Tabelle 5.14:
Auf Basis von KOSTRA-Niederschlagsdaten für die Dauersufe von 24 h
berechnete HQT für die verschiedenen Wiederkehrintervalle ........................ 165
Tabelle 5.15:
HQT-Werte nach dem REMO-A1B-Szenario.................................................. 166
Tabelle 5.16:
Veränderung der HQT –Werte [%] nach dem REMO-A1B-Szenario gegenüber
KOSTRA-DWD .............................................................................................. 166
Tabelle 5.17:
Entwicklung der Wiederkehrintervalle T der betrachteten HQT der Dauerstufe
D=24 h ............................................................................................................. 167
1
Problemstellung, Zielsetzung und Methodik
"Das Hochwasser-Risiko in Deutschland wird sich in absehbarer Zukunft verzehnfachen. Schon
in wenigen Jahrzehnten müssen wir durch den Klimawandel davon ausgehen, dass es im Winter
etwa 40 Prozent mehr Regenmenge, aber immer weniger Schnee- und Eis-Speicherung gibt, so
dass sich die Abflüsse enorm beschleunigen. … Seit der Jahrhundertflut an der Elbe vor fünf
Jahren haben die Länder viel zuwenig für den Hochwasserschutz getan. Wir müssen mehr für
den Gebirgsschutz tun, wir müssen aufhören, Flüsse zu begradigen, und wir müssen viel mehr
für den Klimaschutz machen."
Michael Müller, Parlamentarischer Staatssekretär im Bundesumweltministerium in der "Rheinischen Post" vom 10.08.2007
"Frühwarnsysteme sind das wirksamste Instrument der Katastrophenvorsorge. Der besondere
Wert eines Frühwarnsystems liegt beim Zeitgewinn für vorausschauendes Handeln, in der
Spanne vom Erkennen und Lokalisieren einer latent möglichen Gefahr bis zu einem tatsächlichen Schadenseintritt. So lassen sich Schäden aus Naturkatastrophen vermindern: zum Schutz
des Lebens, der Gesundheit, der Umwelt und der Sachwerte des Menschen. Jetzt sind Politik,
Wissenschaft und Hilfsorganisationen gefordert, um die Einsatzpraxis auf Frühwarnung einzustellen."
Dr. Irmgard Schwaetzer, Vorsitzende des Deutschen Komitees
für Katastrophenvorsorge, zur Early Warning Conference II
vom 16. - 18.10.2003 in Bonn
Selten war ein Thema so nachhaltig in das Bewusstsein der Öffentlichkeit gerückt, wie die verheerende Hochwasserkatastrophe im August 2002. Die Bilder der existenz- und lebensbedrohenden Ereignisse an Elbe, Mulde, Moldau und Donau haben sich durch ihre Medienpräsenz
fest im Gedächtnis der Menschen verankert. Aber auch die mit Millionenschäden und Opfern
verbundenen Hochwasserereignisse in den nördlichen Vor- und Zentralalpen Ende August 2005
sind noch in nachhaltiger Erinnerung. Der Charakter dieser verheerenden Ereignisse hat sich
jedoch in Folge der zu verzeichnenden dramatischen Häufung ihres Auftretens von singulären
Ereignissen hin zu einer dauerhaften Bedrohung gewandelt. Diese Erkenntnis erzeugt in der
Bevölkerung eine latente Verunsicherung. Die weit verbreitete Sorglosigkeit ist der Gewissheit
gewichen, dass jederzeit ein unkalkulierbares Restrisiko vorhanden ist, das trotz aller technischen Errungenschaften unserer modernen Gesellschaft nicht beherrschbar ist und auch in absehbarer Zukunft nur schwer beherrschbar sein wird.
Sich dieser neuen Herausforderung zu stellen ist die vorrangigste Aufgabe aller, die sich mit
vorbeugendem Hochwasserschutz befassen. Dies betrifft aber nicht nur bautechnische Hochwasserschutzmaßnahmen, die Ausweisung von Retentionsflächen und die Verbesserung des
Wasserrückhaltes der Einzugsgebiete der Flüsse (TMLNU 2003 [194]). Es gilt, bei der Entwicklung von neuen Strategien und Konzepten auch neue Informationsmedien und Informationsformen zu erschließen, um der Hochwassergefahr noch besser vorzubeugen, die Öffentlichkeit besser zu informieren und vor allem früher zu warnen. Nur so können Menschenleben geschützt und das Ausmaß von materiellen Schäden so gering wie möglich gehalten werden. In
einem Land wie Deutschland, in dem nach Expertenschätzungen knapp 20 Prozent der Sied-
2
1 Problemstellung, Zielsetzung und Methodik
lungsfläche mit 1,2 Millionen Gebäuden und Industrieanlagen hochwassergefährdet sind (UBA
2005 [197]), muss dies auch in Zukunft ein aktuelles Thema bleiben.
Diese Arbeit reflektiert diese Thematik mit dem Fokus auf der Hochwasservorhersage. Aus
dieser Motivation heraus sollte für ein prototypisches Flusseinzugsgebiet in Thüringen eine
übertragbare Methodik und ein praxistaugliches Konzept entwickelt werden, in dessen Ergebnis
ein effizienter Hochwasser-Informationsdienst steht. Dieser wird, basierend auf verlässlichen
Prognosedaten und einem leistungsfähigen hydrologischen Modellsystem zur Hochwasservorhersage, mit modernen Informationskanälen gekoppelt, um die Öffentlichkeit über bevorstehende Gefahrensituationen unmittelbar zu informieren.
In einem ersten Schritt war ein Flusseinzugsgebiet (FEG) zu finden, das prototypischen Charakter für den Thüringer Wald aufweisen sollte, da insbesondere in den Mittelgebirgen die Hochwassergefahr durch kurze Reaktionszeiten auf intensive Starkniederschlags- und Schneeschmelzereignisse deutlich höher ist. Ausgewählt wurde das Flusseinzugsgebiet der Oberen Ilm
bis zum Pegel Gräfinau-Angstedt. Dieses FEG liegt mit einer Fläche von 155 km² im unteren
mesoskaligen Bereich und ist durch eine hohe Reliefvarianz sowie hohe mittlere Jahresniederschläge insbesondere in den Kammlagen charakterisiert. Doch gerade die Starkniederschlagsereignisse sind vom Deutschen Wetterdienst bezüglich ihrer räumlichen-zeitlichen Varianz nur
schwer genau zu lokalisieren und vorherzusagen. Das sich daraus ableitende Problempotenzial,
verlässliche Hochwasservorhersagen generieren zu können, macht den besonderen Reiz dieser
Aufgabe aus. Da in diesem Gebiet bereits Untersuchungen am Lehrstuhl für Geoinformatik,
Geohydrologie und Modellierung des Instituts für Geographie der Friedrich-Schiller-Universität
Jena durchgeführt wurden, konnte auf eine Reihe von Erkenntnissen und Erfahrungen zurückgegriffen werden.
Die heutige Leistungsfähigkeit der Computer ermöglicht den Einsatz immer komplexerer Modelle für die flächendetaillierte Simulation der hydrologisch-hydraulischen Dynamik von Flusseinzugsgebieten. Für die Niederschlags-Abfluss-Modellierung wurde sich daher für das am
Lehrstuhl für Geoinformatik des Institutes für Geographie der Friedrich-Schiller-Universität
Jena entwickelte Modellsystem J2000/JAMS entschieden. Durch seinen modularen Aufbau
kann es effektiv für verschiedene Aufgabenstellungen konfiguriert und parametrisiert werden.
J2000/JAMS basiert auf dem Ansatz der durch räumliche Diskretisierung generierten und lateral
gerouteten Hydrological Response Units (HRU). Aus Satellitenbildern erzeugte aktuelle Landnutzungsdaten, durch Laserscan-Verfahren gewonnene, immer genauere Digitale Geländemodelle und daraus ableitbare Reliefparameter sowie weitere digitale, räumlich hoch aufgelöste
Daten stehen heute für die Parametrisierung dieser Prozessflächen zur Verfügung.
Um ein für das Anliegen der Hochwasservorhersage optimales Modellverhalten zu erzielen,
wurde eine Methodik herausgearbeitet, in deren Mittelpunkt zwei neu eingeführte Aggregationsmaße für die HRU-Optimierung stehen: die HRU-Dichte ρHRU und die HRU-Information
I(HRU). Während die HRU-Dichte als Parameter der Modellkalibrierung interpretiert werden
kann, ist der HRU-Informationswert ein Maß zur Quantifizierung des mit der Generalisierung
der HRU einhergehenden Informationsverlustes bezüglich der naturräumlichen Eigenschaften
des Einzugsgebietes.
Die dabei im FEG Gräfinau-Angstedt gewonnenen Erkenntnisse wurden an einem weiteren,
flächenmäßig und naturräumlich vergleichbar ausgeprägten Flusseinzugsgebiet im Thüringer
Wald, das der Schwarza bis zum Pegel Schwarza, validiert.
3
Basis eines funktionierenden Hochwasserwarnsystems sind die zeitlich variablen prognostischen Eingangsdaten. Dafür standen die 48-Stunden-Klimaprognosedaten des früheren Lokalmodell-Europa (LME) und die 78-Stunden-Klimaprognosedaten des Nachfolgemodells „COSMO-EU“ des Deutschen Wetterdienstes (DWD) zur Verfügung. Zur Bewertung der statistischen
Güte der unter dem Gesichtspunkt Hochwasser bedeutendsten Größe des Niederschlags konnte
auf Prognosen zurückgegriffen werden, die archiviert seit dem Start des operativen Betriebs des
Lokalmodels im Jahr 1999 vorlagen. Auf dieser Grundlage wurden geeignete Verfahren mit
dem Ziel entwickelt und evaluiert, am Ende ein methodisch flexibles Korrekturregime aufzeigen zu können.
Durch die komplexe Verflechtung der zwei wichtigsten Technologietrends der letzten Jahre, die
Internettechnologie und die Mobilkommunikation, kann der interessierte Nutzer im sich anbahnenden Hochwasserfall, mit geringem zeitlichen Verzug unabhängig von seinem Standort und
Zeit, auf stationären und mobilen Endgeräten informiert und gewarnt werden. Das Internet wird
somit zum Instrument einerseits für die Erfassung, die Übertragung und das Monitoring von
aktuellen Wasserständen und Durchflüssen an den Pegeln und andererseits für das Management
von Gefahrensituationen. So können die per Datenfernübertragung (DFÜ) erfassten aktuellen
Wasserstände und Durchflüsse, meteorologische Vorhersagedaten und darauf basierende hydrologische Modelle, aber auch die nötigen Korrekturverfahren in den operativen Betrieb eines
Online-Hochwasserinformationsdienstes (HID) integriert werden. In dieser Arbeit wird ein konzeptioneller und methodischer Ansatz zur Umsetzung eines solchen HID formuliert.
Die Informationspflicht über aktuelle Pegelstände und sich anbahnende Hochwassersituationen
gründet sich auf die Verpflichtung der Umweltbehörden durch die Europäische Union durch
die Richtlinie 2003/4/EG des Europäischen Parlaments und des Rates vom 28. Januar 2003, die
von ihnen erhobenen und vorliegenden Umwelt-Informationen unverzüglich, klar und verständlich zu verbreiten, damit im Fall der Bedrohung der menschlichen Gesundheit oder der Umwelt
effizient Maßnahmen zur Abwendung oder Begrenzung von Schäden ergriffen werden können
(EU 2003 [56]). Mit dem Inkrafttreten des Thüringer Umweltinformationsgesetzes (ThürUIG)
am 10. Oktober 2006 wurde diese Richtlinie im Freistaat Thüringen umgesetzt. Die Pegel- und
Hochwasserinformation als wirksame Präventionsmaßnahme steht schlussendlich im Kontext
mit dem am 10. Mai 2005 in Kraft getretenen „Gesetz zur Verbesserung des vorbeugenden
Hochwasserschutzes“ und der vom Umweltrat der Europäischen Union am 27. Juni 2006 erzielten Einigung zur EU-Hochwasserschutz-Richtlinie.
Befasst man sich heute mit Hochwassergefahr und präventivem Hochwasserschutz, gelangt man
automatisch zur der Thematik „Klimawandel und Klimafolgen“. Auf Grund der hohen Relevanz
und Aktualität wird diese auch im Rahmen dieser Arbeit schwerpunktmäßig untersucht.
Getragen durch einen sich international vollziehenden Erkenntnisprozess und der Veröffentlichung der Ergebnisse des Fourth Assessment Report (AR4) des Intergovernmental Panel of
Climate Change (IPCC) vom Februar 2007 in Paris und des AR4 Synthesis Reports vom November 2007 in Valencia rückte diese Problematik endgültig in den Brennpunkt des internationalen Interesses.
Weltweit beobachten Meteorologen in den vergangenen Jahren und Monaten eine Häufung von
Wetter- und Klimaextremen, die z.B. im Mai dieses Jahres zu enormen Hitzewellen in Südosteuropa und Russland führten. Neben den Rekordtemperaturen registrierten die Meteorologen
aber auch teils extreme Niederschläge. So verzeichneten England und Wales die feuchtesten
Monate Mai und Juni seit Beginn der Aufzeichnungen im Jahr 1766, die mit bisher dort unge-
4
kannten schweren Überschwemmungen einhergingen. Im Süden Baden-Württembergs entging
man im August am Rhein nur knapp einer erneuten Hochwasserkatastrophe.
In der Fachwelt wird derzeit diskutiert, ob die Ursachen der Häufung von Extremereignissen im
Rahmen der natürlichen Variabilität des Klimas liegen oder es bereits Indikatoren eines durch
anthropogene Einflüsse in Form von Treibhausgasemissionen verursachten langfristigen Klimawandels sind. Klimatische Untersuchungen in Süddeutschland ergaben, dass die gefundenen
Trends die aus langjährigen Messreihen bekannten natürlichen Schwankungsbereiche einiger
Klimagrößen überschreiten (Hennegriff et al. 2006 [78]).
Die Auswertung historischen Materials aus Archiven (s. u.a. (Pfister 1999 [153])), Hochwassermarken (u.a. (Deutsch 1997 [34])), Karten und Plänen und nicht zuletzt Sedimentuntersuchungen durch 14C-Datierungen, Pollenanalysen und Dendrochronologie bezüglich der Abflussentwicklung seit Ende der letzten Eiszeit manifestierte die Erkenntnis, dass sich Klimaschwankungen auch auf die Häufigkeit und Intensität von Hochwasserereignissen auswirken. Besonders in der „kleinen Eiszeit“ kam es an vielen Flüssen zu einer Häufung von überwiegend im
hydrologischen Winter auftretenden Hochwasserereignissen (Pörtge und Deutsch 2000 [155]).
Nach dem IPCC-Bericht muss weltweit von einer Erhöhung der mittleren globalen Lufttemperatur bis zum Jahr 2100 von 1,4° bis 6,4° C ausgegangen werden (IPCC 2007 [90]). Diese prognostizierte Erwärmung wird zwangsläufig zu einer signifikanten Intensitätserhöhung des natürlichen Wasserkreislaufes führen. Aus diesem Grund muss hauptsächlich in den hydrologischen
Wintern mit einer Häufung von regenreichen zyklonalen Westwetterlagen gerechnet werden,
die eine ursächliche Bedeutung für die Hochwasserentstehung besitzen. Das heißt, dass insbesondere in den Gebirgs- und Mittelgebirgslagen Deutschlands künftig von einer verschärften
Zunahme der Hochwassergefahr ausgegangen werden muss. Aus dieser Motivation heraus wurde in der vorliegenden Arbeit für das Einzugsgebiet statistisch untersucht, inwieweit sich die
Wiederkehrintervalle von extremen Niederschlagsereignissen und die damit verbundenen extremen Abflussereignisse, basierend auf neuesten Klimaprognosedaten des dynamischphysikalischen Klimamodells „REMO“ des Max-Planck-Institus für Meteorologie Hamburg für
das SRES-Szenario A1B, bis zum Jahr 2100 verändern.
Hochwasserschutz muss vorbeugend betrieben werden. Drohenden Hochwasserereignissen
kann umso besser entgegen gewirkt werden, je eher man sie erkennt und bedrohte Bürger informiert. Diese Arbeit adressiert Umweltbehörden in Deutschland. Sie fokussiert auf die Ausarbeitung einer flexiblen methodischen und technologischen Strategie für einen Hochwasserinformationsdienst im Internet und soll somit einen Lösungsansatz für den präventiven Hochwasserschutz anbieten.
Die folgende Abbildung 1.1 dient der Darstellung der methodischen Gliederung dieser Arbeit.
In dem einführenden Kapitel 2 werden Grundlagen und der derzeitige Stand der Forschung umrissen. Im Kapitel 3 wird das ausgewählte FEG naturräumlich beschrieben. Dies umfasst u.a. die
Auswertung der Jährlichkeiten von Starkniederschlägen aus dem auf langjährigen Messreihen
basierenden KOSTRA-DWD-2000-Atlas und die sich darauf gründende Abschätzung der Wiederkehrintervalle von Hochwasserereignissen. Des Weiteren werden die für die HRU-Ableitung
nötigen zeitlich statischen Gebietsparameter erläutert. Eine Analyse der verfügbaren zeitlich
variablen Gebietsparameter schließt sich an, wobei hier in Messwerte und Vorhersagewerte
unterschieden wird.
5
Abbildung 1.1:
Methodische Gliederung der Arbeit
Die drei in Rahmen dieser Arbeit untersuchten Schwerpunkte bestehen aus a) einer neue Methodik zur Optimierung der HRU-Vorprozessierung, b) der Evaluierung eines geeigneten Verfahren zur Korrektur klimatologischer Prognosedaten des DWD mit Fokus auf der Größe Niederschlag und c) die Ausarbeitung einer Methodik zur Untersuchung regionaler Folgen des globalen Klimawandels mit dem Hauptaugenmerk auf dem Aspekt der Hochwassergefahr.
Das vordergründige Ziel der Schwerpunkte a) und b) ist die Erhöhung der Zuverlässigkeit der
Vorhersage bei sich anbahnenden Hochwassersituationen im Bereich der Oberen Ilm und die
Ausarbeitung einer konzeptionellen Implementierung eines Hochwasserinformationsdienstes
(HID) mit der Aufgabe Pegelmonitoring und Hochwasserwarnung. Der Schwerpunkt a) fokussiert dabei auf die Optimierung des für die N/A-Modellierung ausgewählten hydrologischen
Modellsystems J2000/JAMS, bei Schwerpunkt b) steht ein flexibler methodischer Ansatzes zur
Optimierung des prognostischen Inputs durch geeignete Korrekturverfahren im Mittelpunkt.
Ausführlich beschrieben werden die Untersuchungen und Ergebnisse dazu in den Kapiteln 4
und 5.
Der Klimawandel wird nachweislich große Folgen für die Entstehung von Hochwässern haben.
Die Auswirkungen auf die Wiederkehrintervalle von Starkniederschlagsereignissen und Extremhochwässern im Bereich des ausgewählten Flusseinzugsgebiets wurden mit den Prognosen
des regionalen Klimamodells REMO des Max-Planck-Institutes für Meteorologie Hamburg für
den Zeitraum bis zum Jahr 2100 untersucht. Daraus resultierend wird eine übertragbare Methodik erarbeitet, die es ermöglicht, vergleichbare Ergebnisse in anderen Einzugsgebieten zu liefern. Dieser Schwerpunkt dient nicht unmittelbar der operativen Hochwasservorhersage, rundet
aber wegen seiner Aktualität und den sich bereits deutlich in den Ergebnissen dieser Arbeit abzeichnenden zukünftigen Entwicklungen diese Arbeit ab (s. Kapitel 5).
Das Kapitel 5 umfasst auch die Untersuchungsergebnisse, die bei der Modellierung von
J2000/JAMS mit Messwerten und klimatologischen Prognosewerten erzielt wurden. Am Beispiel von ursächlich verschiedenen Hochwasserereignissen vom Frühjahr 2006 wird die Zuver-
6
lässigkeit der mit dem Modell auf Basis der Prognosedaten des DWD berechneten Vorhersagen
für diese Ereignisse analysiert.
Im Kapitel 6 werden alle Ergebnisse noch einmal zusammengefasst und der zukünftige Forschungsbedarf umrissen.
2
Grundlagen und Stand der Forschung
Für ein tieferes Verständnis der im Kapitel 1 beschriebenen Problemstellung werden im Folgenden wichtige Grundlagen erläutert. Anfangs werden die ursächlichen Auslöser von Hochwassersituationen und die hydrologischen Grundlagen beschrieben. Danach wird auf den aktuellen Hochwasserschutz und die Instrumente der Hochwasservorhersage im Freistaat Thüringen
eingegangen. Ein weiterer Punkt setzt sich mit der Modellierung von Flusseinzugsgebieten auseinander. Ausführlich erläutert wird das hydrologische Modellsystem J2000/JAMS, mit dem die
Modellierung im Rahmen dieser Arbeit durchgeführt wurde. Dieses Modell setzt auf Hydrological Response Units (HRU) auf, deren konzeptioneller Ansatz und das methodische Vorgehen
zu ihrer Generierung ebenfalls umfassend behandelt werden. Betrieben wird ein konzeptionell
auszuarbeitender Hochwasserinformationsdienst mit klimatologischen Vorhersagedaten aus
dem numerischen Wettervorhersagesystem des Deutschen Wetterdienstes. Dieser Punkt wird
genauso ausgearbeitet wie der Themenkomplex Globaler Klimawandel und Hochwasser am
Ende des Kapitels.
2.1
Hochwasser und seine Ursachen
Überschwemmungen bzw. Hochwasser haben von allen weltweit auftretenden Naturgefahren
die größte Häufigkeit und verursachen die größten volkswirtschaftlichen Schäden (Plate und
Merz 2001 [154]). Durch die gegenwärtige Diskussionen um den sich vollziehenden Klimawandel und seine Folgen und die Häufung gravierender Hochwasserereignisse allein in der laufenden Dekade, rückt das Thema Hochwasser und Hochwasserprävention immer mehr in den
Brennpunkt des öffentlichen Interesses. Stellvertretend genannt für „Große Überschwemmungskatastrophen“, von denen Deutschland in jüngster Zeit betroffen war, seien das Augusthochwasser an Elbe und Mulde im Jahr 2002 sowie die Hochwasserereignisse in den nördlichen
Vor- und Zentralalpen Ende August 2005. Als "Große Überschwemmungskatastrophe“ wird
hierbei nach UN-Definition ein Hochwasserereignis dann bezeichnet, wenn die Selbsthilfefähigkeit der betroffenen Regionen deutlich überstiegen und überregionale oder internationale
Hilfe erforderlich wird.
Um Hochwasserrisiken zu erkennen und um Zeitpunkt und Ausmaß besser vorhersagen zu können, muss man sich mit den hydrologischen Prozessen die zur Entstehung führen, auseinandersetzen. Entscheidend ist die Erkenntnis, dass Hochwasserereignisse als ein unvermeidlicher
Bestandteil des natürlichen Wasserkreislaufes und somit als Naturereignisse zu betrachten sind!
Sie resultieren aus der Kumulierung starker Abflusskomponenten und stehen für den Hochoder Höchststand der Wasserführung eines Gewässers (HQ oder HHQ), der meist mit einer
Ausuferung und gegebenenfalls mit immensen Schäden verbunden ist (Deutsch und Pörtge
2003 [35]). Ihre Entstehung wird durch die Charakteristika der prozessveranlassenden Größe
Niederschlag (Intensität, Volumen, Dauer) sowie prozessbeeinflussende Parameter wie Anfangsbedingungen (Bodenfeuchte), Infiltrationsbedingungen, Geomorphologie, Ereignisgröße
sowie die räumlichen und zeitlichen Skalen der Niederschläge bestimmt (Niehoff 2002 [141]).
Weitere Parameter sind die Ausprägung des Einzugsgebietes und seine Speichereigenschaften.
Die Speicherwirkung des Einzugsgebietes ist abhängig von den Gebietsparametern Größe,
Form und Gefälle des Einzugsgebietes, seiner Topographie, Reliefs und Hydrogeologie und
8
seines Bewuchses, sowie den Gewässerparametern Flussnetzdichte, -länge, und -gefälle sowie
der Flussbettgeometrie. Die verschiedenen Speicher sind in der Lage, bestimmte Wassermengen
aufzunehmen. Diese Eigenschaft entscheidet über das Verhalten des Hochwasseranstieges in
dem jeweiligen Einzugsgebiet (Patt 2001 [145]).
Je nach Art dieser Randbedingungen haben Hochwasserereignisse verschiedene Erscheinungsformen. Diese reichen von regelrechten Sturzfluten, die in Minuten alles mit sich reißen, bis zu
über Tage und Wochen anschwellende Flüsse, die schützende Deiche durchfeuchten und dadurch gefährden.
Den natürlichen Ursachen von Hochwasserereignissen gegenüber stehen anthropogene Einflüsse, die die Situationen noch verschärfen, aber auch verbessern können (Deutsch und Pörtge
2003 [35]) (s. Abbildung 2.1). So kommt es in Folge von extensiver Flächenversiegelung zur
Erhöhung des Wasserabflusses, durch Flussbegradigungen und Beseitigung von natürlichen
Ausuferungsflächen zur Beschleunigung des Hochwassers und durch erosionsfördernde Bodennutzung zu Sedimentsfrachtvergrößerung. Demgegenüber stehen Renaturierungsprojekte von
ganzen Flussabschnitten mit dem Ziel der Rückgewinnung von Überschwemmungsgebieten.
Abbildung 2.1: Ursachen von Hochwasserkatastrophen (verändert, Quelle (Deutsch und Pörtge 2003
[35]) und (SSMUL 1999 [184]))
Jahreszeitlich lassen sich Hochwasserereignisse in Sommer- und Winterhochwasser unterscheiden. Sommerhochwasser haben ihre Ursache in regional und zeitlich begrenzten Starkniederschlagsereignissen oder in räumlich großflächigen lang anhaltenden Dauerregen. Dem entsprechend können Sommerhochwasser räumlich und zeitlich stark differieren.
Winterhochwasser treten als Schneeschmelz- und Eis-Hochwasser auf. Erstere haben ihre Ursache in schnellem Abtauen von Schneedecken in Gebirgslagen oder Schneeschmelzabflüsse auf
gefrorenen oder wassergesättigten Boden im Flachlandbereich. Eishochwasser entstehen bei
Eisversetzungen oder Eisstau beim Eisaufbruch im Unterlauf kontinental beeinflusster Flüsse.
Besonders kritische Hochwassersituationen entstehen bei Überlagerung verschiedener Hochwasser bzw. Hochwasserursachen, wie z.B. Schneeschmelze in Kombination mit Starknieder-
2.2 Hydrologische Grundlagen
9
schlag oder Starkniederschlag auf vereisten oder wassergesättigten Boden (Plate und Merz 2001
[154]).
Hochwasser sind nach (Grünewald 1995 [71]) das zufallsbehaftete Ergebnis der Überlagerung
einer großen Anzahl von Kombinationen verschiedenartiger meteorologischer Ereignisse und
hydrologischer Gebietszustände.
2.2
Hydrologische Grundlagen
Auch die natürlichen Ereignisse „Hochwasser“ sind eine Form des quantitativen Wasserumsatzes eines Einzugsgebietes und lassen sich durch die Wasserhaushaltsgleichung beschreiben:
N = V + A + ∆S
(2.1)
∆S = R − B
(2.2)
Dabei steht N für die Systemeingangsgröße Niederschlag, V und A für die Systemausgangsgrößen Verdunstung und Abfluss. Die Differenz ∆S aus Rücklage R und Aufbrauch B bezeichnet
man als Wasserrückhalt oder Änderung der Wasserspeicherung. Sie steht für das Speichervermögen des betrachteten Gebietes in dem betrachteten Zeitraum (Dyck 1980 [51]).
Der Niederschlag ist nach DIN (DIN 1996 [38]) das Wasser der Atmosphäre, das nach Kondensation oder Sublimation von Wasserdampf in der Lufthülle ausgeschieden wurde und sich
infolge der Schwerkraft entweder zur Erdoberfläche bewegt (fallender Niederschlag) oder zur
Erdoberfläche gelangt ist (gefallener Niederschlag). Unterschieden werden die Niederschlagstypen advektiver Niederschlag (gebunden an horizontale Luftbewegungen, z.B. Aufgleitvorgänge,
Dauerniederschlag) und konvektiver Niederschlag (gebunden an vertikale Luftbewegungen,
i.d.R. Schauerniederschlag). Der Niederschlag wird nach (Baumgartner und Liebscher 1996 [8])
in folgende Niederschlagsarten klassifiziert:
- fallender Niederschlag durch mittelbare Kondensation bzw. Sublimation in der freien Atmosphäre und Niederschlag aus den Wolken (flüssige Form: Sprühregen (Niesel), Regen; feste
Form: Schnee, Reifgraupeln, Frostgraupeln, Griesel, Hagel, Eiskörnchen, Eisnadeln)
- abgesetzter Niederschlag aus unmittelbare Kondensation bzw. Sublimation des Wasserdampfes an oder nahe der Erdoberfläche (flüssige Form: Tau (Kondensation), Taubeschlag; feste
Form: Reif (Sublimation), Frostbeschlag)
- abgefangener Niederschlag aus abgefangenen bzw. ausgekämmten Nebel- oder Wolkenniederschlag an Oberflächen (flüssige Form: Nebelniederschlag; feste Form: Nebelfrostniederschlag
(Raureif, Raufrost, Raueis)).
Neben der Niederschlagsart wird der Niederschlag charakterisiert durch die Größen Niederschlagshöhe, Niederschlagsdauer, örtliche Verteilung, Häufigkeit, Jährlichkeit sowie dem zeitlichen Intensitätsverlauf.
Die Verdunstung beschreibt einen physikalischen Vorgang, bei dem Wasser unter Energieverbrauch aus Strahlung oder Wärme ohne Erreichen des Siedepunktes vom flüssigen oder festen Aggregatzustand (Sublimation) in den gasförmigen Aggregatzustand übergeht. Dieser physikalische Vorgang setzt ein temperaturabhängiges Sättigungsdefizit der Luft, resultierend aus
Sättigungs- und realen Dampfdruck, voraus (Lauer und Bendix 2006 [121]). Bezogen auf einen
10
beliebigen Teil der Erdoberfläche ist die Verdunstung ein Glied sowohl der Energie- als auch
der Wasserbilanz.
Nach (Jensen et al. 1990 [94]) setzt sich die Wasserhaushaltskomponente „Verdunstung“ aus
Evaporation und Transpiration zusammen. Unterschieden wird nach (DVWK 1996 [46]) in
direktes Verdunsten von Wasser auf unbewachsener Oberfläche (Bodenevaporation), Verdunstung von auf Pflanzenoberflächen zurückgehaltenen Niederschlages (Interzeptionsevaporation)
und der Verdunstung von freien Wasserflächen (Gewässerevaporation oder potentielle Evaporation). Transpiration steht für den Prozess der Wasseraufnahme durch Pflanzenwurzeln und die
spätere Abgabe und Verdunstung an den Spaltöffnungen der Blätter (Baumgartner und Liebscher 1996 [8]). Eine Sonderform der Evapotranspiration ist die Sublimation, die die Verdunstung von Schnee und Eis beschreibt (Fritzsche 2001 [63]). Somit gelangt ein Teil des Niederschlages durch verschiedene Evapotranspirationsprozesse zurück in die Atmosphäre.
Der nicht durch Evaporation oder Transpiration in die Atmosphäre zurück gelangende Teil des
Niederschlags bewegt sich durch Einfluss der Schwerkraft und des hydraulischen Gradienten
durch ein komplexes Netzwerk von ober- und unterirdischen Wasserflüssen und Speichern als
Abfluss zum Vorfluter (Bläckie und Eeles 1985 [18]). Das auf der Landoberfläche ständig oder
zeitweise fließende oder stehende oder aus Quellen abfließende Wasser wird als oberirdisches
Gewässer bezeichnet. Es wird zwischen fließenden und stehenden oberirdischen Gewässern
unterschieden. Unter dem Abfluss versteht man in der Hydrologie somit das Wasservolumen,
das pro Zeiteinheit einen definierten oberirdischen Fließquerschnitt (Abflussquerschnitt) durchfließt (Baumgartner und Liebscher 1996 [8]). Gelegentlich wird auch der Begriff Durchfluss
verwendet.
Der Abflussprozess wird unterteilt in Abflussbildung, Abflusskonzentration und den Fließvorgang im offenen Gerinne (vgl. Abbildung 2.2).
Abbildung 2.2: Abflusskomponenten im Einzugsgebiet und Einflussfaktoren auf den Gerinneabfluss
(BMU 2003 [21])
11
Dabei umfasst der Prozess der Abflussbildung die hydrologischen Prozesse, die sich auf der
Landfläche abspielen. Dabei werden verschiedene Wasseranteile des Niederschlags an den Oberflächen der Vegetation (Interzeption), durch Muldenrückhalt an der Oberfläche, in Schnee,
Eis und stehenden Gewässern sowie im Boden und Grundwasser gespeichert und durch Verdunstungsprozesse der Atmosphäre wieder zugeführt. Die geomorphologischen, klimatischen
und auch anthropogenen Faktoren der Einzugsgebiete haben dabei wesentlichen Einfluss auf
den Ablauf der hydrologischen Prozesse (Schöninger und Dietrich 2007 [171]). Diese entscheiden darüber, ob das Wasser gespeichert oder weiter geführt wird (BMU 2003 [21]). Unter Abflusskonzentration (runoff concentration) versteht man die Transformation des im Einzugsgebiet
flächenhaft verteilten Effektivniederschlages in die Ganglinie des Direktabflusses des nächst
gelegenen Vorfluters durch die lateralen Fließvorgänge Oberflächenabfluss, den unmittelbaren
und verzögerten Zwischenabfluss und den Grundwasserabfluss. Der sich in dem linienhaft ausgeprägten Gewässernetz konzentrierende Abfluss erzeugt dort eine Ansammlung von Wasser
oder eine Erhöhung des Wasserstandes. Den Zeitraum zwischen Niederschlagsereignis und dem
Anstieg des Wassers bezeichnet man als Fließzeit. Sie ist abhängig von z.B. ober- und unterirdischen Gefällebedingungen, der Bodenrauheit und Bodendurchlässigkeit und der Entfernung
zum Vorfluter (BMU 2003 [21]). Der Fließvorgang im Gerinne unterliegt den Gesetzen der
Hydromechanik, wobei das Wasser im Gerinne mit dem Grundwasser in ständiger Wechselbeziehung steht. Mit Hilfe von Abflussganglinien werden die zeitlichen Schwankungen der Wasserführung eines Fließgewässers charakterisiert. Die Abbildung 2.3 zeigt den zeitlichen Verlauf
und die Abflusskomponenten einer Hochwasserwelle.
Abbildung 2.3: Abflusskomponenten und Verlauf einer Hochwasserwelle (nach (Hinkelmann 2006a
[83]), verändert)
Oberflächen- und Zwischenabfluss bilden den Direktabfluss. Dieser ist für die Ausprägung des
Hochwasserscheitels während einer Hochwassersituation entscheidend. Der Grundwasser- oder
Basisabfluss prägt das mittel- und langfristige Ausklingen der Hochwasserwelle (Patt 2001
[145]). Insbesondere bei Hochwasserereignissen kommt dem kurzfristigen Speichervermögen
eines Einzugsgebietes eine enorme Bedeutung zu, während die Größe Verdunstung eher bei
langfristigen Betrachtungen des Wasserhaushaltes an Relevanz gewinnt.
In Abbildung 2.4 und Abbildung 2.5 wird der Wasserkreislauf mit seinen wichtigsten Bestandteilen schematisch dargestellt. Ausführliche Erläuterungen des Wasserkreislaufs geben u.a.
(Mendel 2000 [130]) und (Baumgartner und Liebscher 1996 [8]).
12
Abbildung 2.4:
Abflussprozess in der Natur nach Flügel (Flügel 1995 [60])
Abbildung 2.5:
Abflussprozess in der Natur nach Bronstert (Bronstert und Maurer 1994 [29])
Das bei einem Niederschlagsereignis direkt auf die Bodenoberfläche auftreffende Wasser infiltriert zu großen Teilen in den Boden (Knapp 1978 [103]). Die Infiltrationsrate (Infiltrationsmessung nach ASAE 1983) ist dabei abhängig von der Bodenart und der Bodenfeuchte (Fritzsche
2001 [63]).
13
Das infiltrierte Wasser fließt entweder als Interflow (Zwischenabfluss, Speicher der ungesättigten Bodenzone, Bodenfeuchteanreicherung) (Flügel 1979 [59]) in Folge der Gravitation oberflächennah Hang abwärts zeitnah zum Vorfluter (Whipkey und Kirkby 1978 [206]), z.T. auch im
Austausch mit dem Oberflächenabfluss (Patt 2001 [145]), oder gelangt durch Perkolation in
tiefere Schichten und fließt dem Grundwasser zu (Speicher der gesättigten Bodenzone, Grundwasserneubildung).
Ebenfalls bedeutsam für den Wasserhaushalt ist nach (Wohlrab et al. 1992 [209]) der kapillare
Aufstieg von Wasser aus dem Grundwasser, da er Transpiration und Bodenevaporation beeinflusst. Ist die Niederschlagsintensität größer als die vom jeweiligen Boden abhängige Depressions- und Infiltrationsspeicherkapazität (Horton 1933 [87]), sammelt sich ein Teil des an der
Oberfläche verbleibenden Wassers in Senken (Muldenrückhalt) und wird somit nicht abflusswirksam. Der andere Teil bildet Rinnsale und fließt oberflächig dem natürlichen Gefälle folgend
als sogenannter Oberflächenabfluss (Emmet 1978) bzw. surface runoff ab. Nach (Dunne 1978
[43]) entsteht Oberflächenabfluss auch bei Sättigung des gesamten Bodenprofils bis zu einer
wasserstauenden Schicht oder dem Grundwasserleiter vor oder während des Niederschlagsereignisses.
Der direkt in den Vorfluter fallende Niederschlag ist für den Abfluss unrelevant, da die Wasserfläche bezüglich der Fläche des Einzugsgebietes vernachlässigbar ist (Baumgartner und Liebscher 1996 [8]).
Trifft der Niederschlag auf vegetationsbestandene Flächen, kommt es zur Interzeption an Blatt
und Astflächen. Unter Interzeption versteht man die Zwischenspeicherung von gefallenen, abgesetzten und abgefangenen Niederschlag an Pflanzenoberflächen. Dieser Effekt hat neben
mengenmäßigen Auswirkungen auch räumlichen und zeitlichen Einfluss auf das Niederschlagsangebot einer bewachsenen Erdoberfläche (Baumgartner und Liebscher 1996 [8]). Der zurückgehaltene Betrag verringert sich durch Interzeptionsevaporation. Insbesondere dichte und ganzjährige Vegetationsdecken ermöglichen in Abhängigkeit von Pflanzenart und Wachstumsperiode den Rückhalt großer Anteile des Freilandniederschlages (Pfennig 2004 [150]). Nach (Mendel
2000 [130]) beeinflussen meteorologische Randbedingungen, topographische Standortfaktoren
und die morphologische Beschaffenheit der Pflanzenbestände die Interzeption. Aber auch die
die Adhäsion steuernden chemischen und physikalischen Eigenschaften des Niederschlagwassers werden als Einflussgrößen genannt (Schöninger und Dietrich 2007 [171]). Das Niederschlagswasser, das nicht verdunstet oder in der Vegetation gespeichert wird, tritt durch den Bewuchs und erreicht ebenfalls die Bodenoberfläche, versucht in den Boden zu infiltrieren oder
fließt oberflächig ab.
Fällt der Niederschlag in Form von Schnee, wird er ebenfalls von dem Vegetationsbestand interzipiert. Auf der freien Erdoberfläche entsteht eine Schneedecke. Es kommt zu Evaporationsund Sublimationsprozessen. Bei Tauwetter wird das Schmelzwasser dem Oberflächen- und
Zwischenabfluss zugeführt oder infiltriert in die ungesättigte Bodenzone.
Die Abbildung 2.6 fasst die wesentlichen Komponenten des Wasserkreislaufs in ländlichen
Gebieten noch einmal zusammen:
14
Abbildung 2.6:
Wesentliche Komponenten des Wasserkreislaufs (Bronstert und Maurer 1994 [29])
Für die Wasserhaushaltsgleichung ergibt sich für den Niederschlag, die Verdunstung und den
Abfluss ((Fritzsche 2001 [63]), verändert nach (Wohlrab et al. 1992 [209])):
N = N FR + N F + N T + N S
(2.3)
NFR - Freilandniederschlag, Niederschlagshöhe über dem Boden, NF - durch Vegetationsbestand fallender Niederschlag, NT - vom Vegetationsbestand abtropfender Niederschlag, NS - an Baumstämmen und Pflanzenstengeln abfließender Niederschlag (Stammablauf)
V = I + E L + E B + EW + T
(2.4)
I - Interzeptionsevaporation, EL - Streuinterzeptionsevaporation, EB - Bodenevaporation
EW - Gewässerevaporation, T - Transpiration
A = AO + AS + AI + AG + AuA − AK − AuZ
(2.5)
AO – Oberflächenabfluss, AS - Infiltration, Perkolation, AI – Interflow, AG - Grundwasserabfluss
AuA - Unterirdischer Abstrom, AK - Kapillarer Wasseraufstieg, AuZ - Unterirdischer Zustrom
Setzt man die Gleichungen 1.2-1.5 in Gleichung 1.1 ein, ergibt sich für die Wasserhaushaltsgleichung:
NFR + NF + NT + NS = (I + EL + EB + EW + T) + ( AO + AS + AI + AG + AuA − AK − AuZ ) + (R − B) (2.6)
2.3 Hochwasserschutz und Hochwasservorhersage in Thüringen
2.3
15
Hochwasserschutz und Hochwasservorhersage in Thüringen
Mit Hilfe wasserwirtschaftlicher Unterlagen ist für zahlreiche Flüsse im Freistaat Thüringen
eindeutig belegbar, dass im Falle des Auftretens von seltenen und außerordentlich extremen
Hochwassern trotz der im 20. Jahrhundert errichteten Hochwasserschutzanlagen ein nicht zu
unterschätzendes Restrisiko besteht. Aus diesem Grund muss auch in Thüringen das Hochwasserbewusstsein der Bevölkerung gestärkt und die Sensibilisierung für das Thema weiter entwickelt werden. Menschen, die in den Talauen leben oder in diese Gebiete investiert haben, müssen von der Tatsache ausgehen, dass jederzeit ein Hochwasserereignis eintreten kann, bei dem
die in vielen zurückliegenden Jahren beobachteten maximalen Wasserstände und Abflusswerte
überschritten werden können (Deutsch und Pörtge 2003 [35]).
Einen absoluten Hochwasserschutz gibt es nicht und wird es auch in Zukunft nicht geben.
Durch gezielte Maßnahmen kann aber versucht werden, das Restrisiko nach menschlichem Ermessen soweit wie möglich zu minimieren. Hochwässer haben wie bereits erwähnt natürliche
Ursachen, doch auch der Mensch übt einen signifikanten Einfluss auf das Hochwassergeschehen aus. So haben in der Vergangenheit anthropogene Eingriffe das Abflussgeschehen an vielen
Flüssen nachhaltig verändert. Ein Punkt ist die nichtstandortgerechte Landnutzung, die zu Schädigungen des Bodenspeichers und somit zu erhöhtem Oberflächenabfluss führen kann. Weiterhin haben massive Flächenversiegelungen große Auswirkungen auf den Wasserhaushalt, insbesondere in den Auengebieten. Das Wasser kann nicht mehr in den Boden eindringen, gelangt
über Ableitungssysteme in den Vorfluter und zieht eine beschleunigte Abflussbildung und ein
erhöhtes Abflussvolumen nach sich. Auch das Hochwasserretentionsvermögen der Auen wurde
durch bauliche Maßnahmen wie Flussbegradigungen und Eindeichungen z.T. deutlich reduziert.
Als Folge kommt es zu einem beschleunigten Ableiten des Hochwassers in den Gewässeroberläufen, was wiederum zu deutlich höheren Hochwasserständen an den Mittel- und Unterläufen
führt. Um überhaupt noch steuernd in das Abflussgeschehen eingreifen zu können, wurde der
Bau von Rückhaltebecken und Talsperren erforderlich.
Im Ergebnis eines sich in den letzten 2 Jahrzehnten vollziehenden Erkenntnisprozesses setzte
sich eine ökologisch ganzheitliche Sichtweise auf den vorbeugenden Hochwasserschutz durch.
Es wurde erkannt, dass sich durch Wiederherstellung des natürlichen Wasserrückhaltes in der
Fläche und den Gewässersystemen der Wasserhaushalt ausgleichen und die Hochwassergefahr
minimieren lässt (TMLNU 2000 [193]). Mit dem Wasserhaushaltsgesetz (WHG) wurde die
gesetzliche Basis für diese Sicht- und Handlungsweise geschaffen. Man begann, einen Teil der
menschlichen Einflussnahme wieder rückgängig zu machen. So werden Flächen wieder entsiegelt, um die natürliche Versickerung des Wassers zu gewährleisten. Die Funktion der Auen als
Rückhalte- und Speicherräume wurde erkannt, erhaltende und wiederherstellende Maßnahmen
befördert. Auch der Rückbau von Flussbegradigungen und die Wiederherstellung natürnaher
geschwungener oder mäandrierender Laufführungen tragen zu einem verzögerten Abflussverhalten und durch Retention zur Dämpfung von Hochwasserspitzen bei. „Überschwemmungsgebiete sind in ihrer Funktion als natürliche Rückhalteflächen zu erhalten…frühere Überschwemmungsgebiete, die als Rückhalteflächen geeignet sind, sollen soweit wie möglich wieder hergestellt werden,…“ (WHG,§32 Abs.2).
Eine ausführliche Bestandsaufnahme der gewässerbaulichen Situation an der Ilm wurde 1996
im Rahmen des BMBF-Projektes „Ökologisch begründete Sanierung der Ilm“ im „Gewässerund Auenentwicklungskonzept der Ilm“ von der TLUG durchgeführt (TLUG 1996a [188]).
Innerhalb des gleichen Projekts wurde ein Maßnahmenkatalog zur standortbezogenen Verbesse-
16
rung der Gewässer-, Ufer- und Auenstrukturen der Ilm ausgearbeitet (TLUG 1996b [189]). Einige Maßnahmen wurden im Zuge des Wasserbauprogramms der Staatlichen Umweltämter
Thüringens in den letzten Jahren bereits realisiert. Weitere Projekte sind im Rahmen der Umsetzung der Europäischen Wasserrahmenrichtlinie vorgesehen. Schwerpunktmäßig wird aber der
eigendynamischen Entwicklung der Ilm der Vorzug gegenüber Renaturierungsmaßnahmen gegeben (Völkel 2007 [202]).
Ein weiterer unverzichtbarer Bestandteil des vorsorgenden Hochwasserschutzes sind die das
Kernstück des Hochwasser-Flächenmanagements bildenden Überschwemmungsgebiete (ÜSG)
(TMLNU 2005 [196]). Diese bilden sich bei Hochwasserereignissen natürlich aus und stellen
die erforderlichen Retentions- und Rückhalteräume für den Hochwasserabfluss.
Am 10. Mai 2005 trat das Hochwasserschutzgesetz des Bundes in Kraft. Eine darin enthaltene,
neue und verbindliche Vorgabe verpflichtet die Länder, bis zum 10. Mai 2012 mindestens jene
Gebiete als Überschwemmungsgebiete auszuweisen, in denen ein Hochwasser statistisch einmal
in hundert Jahren zu erwarten ist. Für Gebiete mit einem hohen Schadenspotenzial, insbesondere in Siedlungsgebieten, endet die Festsetzungsfrist am 10. Mai 2010 (UBA 2006 [198]).
Im Freistaat Thüringen ist für die Ausweisung von ÜSG die obere Wasserbehörde im Thüringer
Landesverwaltungsamt (TLVwA) zuständig. Die Rechtsverordnung (RVO) für die Feststellung
von Überschwemmungsgebieten regeln die §§ 80 und 117 des Thüringer Wassergesetzes
(ThürWG) (TMLNU 2005 [196]).
Bild 2.1: Retentionsflächen nördlich von Gräfinau-Angstedt beim Frühjahrshochwasser am 01. April
2006 um 8.48 Uhr
Zur Ermittlung der Abgrenzungen der ÜSG muss mindestens ein HQ100-Hochwasserereignis als
maßgebendes Hochwasser herangezogen werden. Entsprechend ihrer Funktion sollten die ÜSG
möglichst freigehalten werden und nicht von baulichen Maßnahmen begrenzt werden. Die auf
17
RVO beruhende Ausweisung schränkt das Spektrum menschlicher Aktivitäten in den Überschwemmungsgebieten stark ein, da den Belangen des Hochwasserschutzes in diesen Gebieten
der Vorrang eingeräumt wird. Dies reicht von Verboten bzgl. Landnutzungsänderungen, über
das Verbot von baulichen Aktivitäten bis zum Untersagen der Lagerung wassergefährdender
Stoffe. Eine zweite Kategorie sind die außerhalb der ÜSG liegenden überschwemmungsgefährdeten Gebiete, die nicht gesondert festgesetzt werden müssen. Sie können beispielsweise durch
Deichbrüche überschwemmt werden. Sie fallen unter Vorbehaltsgebiete, in denen die Belange
des Hochwasserschutzes nur Berücksichtigung finden müssen (TMLNU 2005 [196]).
Die im folgenden Bild 2.2 dunkelblau ausgeprägten Flächen sind die auf Basis von Luftbildsenkrechtaufnahmen des Hochwassers aus dem Jahre 1994 und Kartierungen des Hochwassers
von 1981 vom ThLVwA amtlich ausgewiesenen Überschwemmungsgebiete HQ100 der oberen
Ilm im Bereich zwischen Langewiesen und Gräfinau-Angstedt. Die rötlich dargestellten Überschwemmungsgebiete am Ortseingang und –ausgang von Langewiesen und in dem Bildausschnitt im Ilm-Bogen bei Manebach sind auf der Basis der Kartierungen der Hochwasser von
1981 und 1994 ausgewiesene gültige Überschwemmungsgebiete gemäß der Arbeitskarten 95,
96 und 97 des ThLVwA. Diese Arbeitskarten bleiben vorerst bis 31.12.2010 rechtskräftige ÜSG
und sind durch RVO zu ersetzen (gem. § 80 und 130 (3) des Thüringer Wassergesetzes
(ThürWG)). Die gelbe Linie ist die nordöstliche Grenze des Einzugsgebiets im Bereich des Gebietsauslasses.
Bild 2.2: Ausgewiesene amtliche ÜSG HQ100 und ÜSG laut Arbeitskarten des ThLVwA im Bereich von
Langewiesen bis Gräfinau-Angstedt und bei Manebach (Quelle: ThLVwA; Luftbild: GoogleEarth; 4.980 m Höhe)
18
Die Information über bestehende potenzielle Hochwassergefährdung und die Verlängerung von
Vorwarnzeiten durch rechtzeitige, schnelle Benachrichtigung der bedrohten Bevölkerung, ist ein
wesentlicher Beitrag für eine erfolgreiche Hochwasservorsorge und die Reduzierung von
Hochwasserfolgeschäden. Die Basis dafür bildet ein effektives, zuverlässiges und funktionierendes Hochwasservorhersagesystem. Das Hochwasserschutzgesetz beinhaltet dazu Regelungen
für den DWD und die BAfG. Für die Hochwasserwarnungen sind die bei den Wasserbehörden
der Länder angesiedelten Hochwasserschutzzentralen zuständig (UBA 2006 [198]).
Im Freistaat Thüringen ist die Einrichtung eines Warn- und Alarmdienstes zum Schutz vor
Hochwasser gesetzlich in der „Thüringer Verordnung zur Einrichtung des Warn- und Alarmdienstes zum Schutz vor Wassergefahren“ (ThürWAWassVO) und der „Verwaltungsvorschrift
zur Durchführung der Thüringer Verordnung zur Einrichtung des Warn- und Alarmdienstes
zum Schutz vor Wassergefahren“ (Hochwasser-Meldeordnung-HWMO) festgeschrieben. Der
„Warn- und Alarmdienstes zum Schutz vor Wassergefahren“ dient laut Definition „…der Gewinnung und Übermittlung aller Daten über die Entstehung, den zeitlichen Ablauf und die
räumliche Verteilung von Hochwasserereignissen, um die rechtzeitige Einleitung von Maßnahmen zur Hochwasserbekämpfung entsprechend den … festgelegten Alarmstufen zu ermöglichen…“ (TMLNU 1997 [192]).
In der ThürWAWassVO sind die in den Warn- und Alarmdienst einzubeziehenden Fließgewässer festgelegt. In Thüringen sind insgesamt einhundertfünfundsiebzig Pegel an Fließgewässern
vorhanden. Zweiundfünfzig davon sind Hochwassermeldepegel (HWMP), die über Einrichtungen zur Datenfernübertragung (DFÜ) verfügen. Dies ermöglicht zu jederzeit eine Abfrage und
Übertragung aktueller Wasserstände. Die Ermittlung der Durchflüsse an den Pegeln erfolgt
vorwiegend durch hydrometrische Messungen mittels Messflügeln. Mittels den bei verschiedenen Wasserständen ermittelten Durchflusswerten und den daraus gebildeten WasserstandsDurchfluss-Beziehungen können aus den aktuellen Wasserstandsmesswerten die aktuellen
Durchflussdaten für jeden Pegel berechnet werden.
Der Warn- und Alarmdienst beinhaltet hauptsächlich die Herausgabe von Hochwassermeldungen und Hochwassernachrichten. Hochwassermeldungen sind Grenzwertmeldungen der Hochwassermeldepegel bei Überschreitungen der festgelegten Wasserstände oder Meldungen zum
aktuellen Wasserstand. Hochwassernachrichten untergliedern sich in Hochwasserwarnungen
(bei abzusehenden Hochwassersituationen), Hochwasserinformationen (Informationen über den
aktuellen Stand und Entwicklungen der meteorologischen und hydrologischen Situation) und
Hochwasservorhersagen (wenn z.B. mit Hilfe flussgebietsspezifischer hydrologischer Modelle
der weitere zeitliche Verlauf des Hochwassers abgeschätzt werden kann) (TMLNU 1997 [192]).
Die Auslösung der verschiedenen Einsatzstufen, die Zuständigkeiten und die Herausgabe der
Hochwassermeldungen und –nachrichten sowie deren Verteilung sind durch die o.g. Verwaltungsvorschriften und regionale Benachrichtigungspläne geregelt. Im Hochwasserfall sind z.Z.
drei Hochwassernachrichtenzentralen in Thüringen für das Hochwassermanagement verantwortlich, denen die Flussgebiete nach regionalen Gesichtspunkten zugeordnet sind. Die Hochwassermeldepegel der Ilm fallen in den Zuständigkeitsbereich des Staatlichen Umweltamtes (SUA)
Erfurt und gehören damit zur Hochwassernachrichtenzentrale Unstrut/Ilm, die für die Flussgebiete der Unstrut, der Ilm und der Leine in Thüringen zuständig ist. Die Verteilung der Hochwasser-Meldungen und Hochwasser-Nachrichten erfolgt in Thüringen über das Kommunikationssystem für Hochwassernachrichten und Wetterdaten - KsHwW. Dieses nach einer Vorbereitungs- und Projektierungsphase Ende 1997 in Betrieb gegangene System wurde in den Folgejahren um funktionelle Erweiterungen ergänzt und 2004 als Gesamtsystem neu implementiert.
19
Dieses System ist die zentrale Eingangsstelle der Wetterdaten des DWD (Wetterberichte, Wetter- und Unwetterwarnungen, Starkniederschlagsprognosen etc.) in Thüringen und verteilt diese
an die in einem Verteiler festgelegten Behörden und Institutionen. Gleichzeitig bildet das
KsHwW die zentrale Plattform für den Datenaustausch von Messdaten der Thüringer Klimastationen mit dem DWD und für die Weitergabe von Pegelmesswerten mit benachbarten Bundesländern. Im Hochwasserfall ist das KsHwW das wichtigste Instrument in der Hochwasserwarnund Meldekette des Freistaates Thüringen. Es generiert Meldungen von Grenzwertüberschreitungen an den HWMP und dient dem Absetzen von Hochwasserwarnungen und Informationen
in den Hochwassernachrichtenzentralen (HwNZ) der Staatlichen Umweltämter.
Um den gestiegenen Bedarf der Öffentlichkeit an Informationen gerecht zu werden, verweist die
Hochwasser-Meldeordnung des Freistaats Thüringen neben einem telefonischen Hochwasseransagedienst und den Informationen per MDR-Videotext auf die Internetseiten der TLUG
(TMLNU 2004 [195]).
Abbildung 2.7:
Interaktive Pegelkarte der TLUG Jena (INVISUM)
Im Rahmen der seit 1997 bestehenden Kooperation zwischen dem Lehrstuhl Geoinformatik des
Geographischen Institutes der Friedrich-Schiller-Universität und der Thüringer Landesanstalt
für Umwelt und Geologie auf dem Gebiet des integrierten Managements von Umweltdaten
wurde eine Methodik ausgearbeitet (Projekt INVISUM-Interaktive Visualisierung von Umweltdaten im Internet), auf deren Basis im Jahr 1999 bundesweit eine der ersten Informationsseiten
mit aktuellen Pegelständen und Durchflusswerten ihren Start im Internet hatte. Auf anschauliche Weise werden hier RDBMS-basierte, dynamisch erzeugte aktuelle Informationen und Messwerte der Thüringer Hochwassermeldepegel und weiterer hydrologisch bedeutsamer Pegel in
tabellarischer Form, als Diagrammdarstellung und in Form einer interaktiven Pegelkarte dem
interessierten Nutzerkreis angeboten. Aus technologischer Sicht wurde bei der Entwicklung
ausschließlich auf Internet-Standards wie das RDBMS MySQL und die Programmierumgebung
PHP zurückgegriffen. Dem Karten-Server zu Grunde liegt die Technologie des UMN-Map-
20
servers, einer OpenSource-Entwicklungsumgebung für internetbasierte, dynamisch generierte
Karten. Die Karte liefert einen hervorragenden und schnellen Überblick über die aktuelle Situation an den HWMP (s. Abbildung 2.7). Diese werden in Abhängigkeit von dem aktuellen Wasserstandswert und einer möglichen Überschreitung der Grenzwerte je nach Alarmstufe verschieden eingefärbt. Ein Tendenzpfeil symbolisiert die in fünf Stufen klassifizierte tendenzielle
Entwicklung an dem jeweiligen Pegel in der letzten vollen Stunde. Zusätzlich werden alle in
den HwNZ erstellten Hochwassernachrichten bereitgestellt. Ein vom Nutzer konfigurierbarer,
personalisierter email-Benachrichtigungsdienst bei Über- und Unterschreitungen der Grenzwerte an den Pegeln vervollständigt seit 2003 das Informationsspektrum (s. Kap. 5) der Website.
Die Ausweitung des Informationsangebotes mit aktuellen Messwerten um statistisch abgesicherte, modellberechnete Vorhersagen wäre der nächste folgerichtige Schritt zur Verlängerung
der Vorwarnzeiten bei sich ankündigenden hochwasserrelevanten Wetterlagen.
An den Staatlichen Umweltämtern Thüringens werden für die Hochwasservorhersage verschiedene Modelle eingesetzt. So verwendet das SUA Gera, zuständig für die Flusseinzugsgebiete
der Pleiße, der Weißen Elster und der Saale, die Modelle HWVOR Saale (Borkert 1994 [23])
und HWVOR Weiße Elster und Pleiße (Borkert 1998 [24]). Die Flussgebiete der Unstrut, der
Ilm und der Leine fallen in den Zuständigkeitsbereich des SUA’s Erfurt. Zur Modellierung der
Unstrut kommt das Modell HWVOR Unstrut (Borkert 2000 [25]) zur Anwendung, das später
noch um die Modellierung der Ilm zum HWVOR Unstrut und Ilm (Borkert 2006 [26]) erweitert
wurde. Das 1981 entwickelte Hochwasservorhersagemodell Werra-Modell (Hoffmeyer-Zlotnik
1983 [86]), das Anfang der 90-er Jahre weiterentwickelt und fortgeschrieben wurde
((Wernstedt 1991 [204]), (Grohmann 1994 [70])), wird im SUA Suhl zur Modellierung der
Werra genutzt.
2.4
Die Modellierung von Flusseinzugsgebieten
2.4.1
Verwendete Methoden
Echtzeitvorhersagen für einen Hochwasserwarndienst erfordern detaillierte und quantitative
Kenntnisse des räumlichen und zeitlichen Abflussgeschehens des betrachteten Einzugsgebietes.
Ein wichtiges Kriterium ist dabei die kurzfristige Untersuchungsdauer, die im Fall der Hochwasservorhersage bei Minuten, Stunden und Tagen liegt. Dies erfordert je nach konkreter Aufgabenstellung eine statistische oder deterministische Betrachtungsweise. Statistische Methoden
beschreiben Beobachtungsgrößen ohne Berücksichtigung der Ursachen. Sie finden z.B. Anwendung bei der wahrscheinlichkeitstheoretischen Verteilung von Messwerten an einem bestimmten Messquerschnitt eines Fließgewässers zur Extremwertstatistik der Hochwässer (Hinkelmann
2006a [83]). Aber auch bei Regionalisierungsverfahren von punktuellen Messwerten in flächenhafte Größen kommen statistische Methoden zum Einsatz. Die deterministischen Methoden
hingegen untersuchen die auf physikalischen Gesetzmäßigkeiten beruhenden und mathematisch
beschriebenen Ursache-Wirkungs-Beziehungen. Der Abfluss kann dabei auf verschiedene Ursachen zurückgeführt werden, was verschiedene Berechnungsansätze in der modellhaften Nachbildung erfordert. Als primäre Ursache aller natürlichen Abflüsse wird dabei vom Niederschlag
ausgegangen. Die sekundären Ursachen sind Folgen des Niederschlags wie beispielsweise die
Speicherbefüllung oder aber auch Schneeschmelzereignisse. Ergebnisse der Berechnung können
Größe und Zeitpunkt eines Hochwasserereignisses oder auch kontinuierliche Abflussganglinien
2.4 Die Modellierung von Flusseinzugsgebieten
21
sein. Aber auch aus Kombinationen aus statistischen und deterministischen Verfahren finden
bei der Berechnung extremer Hochwasserereignisse Anwendung (Hinkelmann 2006a [83]).
2.4.2
Aufgaben von Flusseinzugsgebietsmodellen
Mathematische Flusseinzugsgebietsmodelle dienen der zeitlichen Nachbildung horizontaler und
vertikaler Abflussvorgänge in einem betrachteten Flusseinzugsgebiet (FEG). Über die Abflussbildung im FEG, die Abflusskonzentration im Fließgewässernetz und den Verlauf des Durchflusses im Gerinne werden die Eingangsgrößen Niederschlag, Schmelzwasser und Verdunstung
in die Ausgangsgröße Durchfluss am Gebietsauslasspegel transformiert. Mit Hilfe von Teilmodellen werden dabei die Bewegung und Speicherung des Wassers auf der Oberfläche (Oberflächenabfluss), den verschiedenen Bodenzonen (Interflow, Grundwasserabfluss) und im Gerinne
(Flood-Routing) beschrieben.
Die mathematische Flusseinzugsgebietsmodellierung hat in der hydrologischen Forschung in
den letzten Jahrzehnten einen festen Platz gefunden. Im Folgenden sollen die Vielzahl der Ansätze und einige ihrer Klassifizierungen kurz umrissen werden.
2.4.3
Klassifikation von Flusseinzugsgebietsmodellen
Während die computerbasierte hydrologische Modellierung sich erst seit 4 Jahrzehnten im Fokus intensiver Forschungsbemühungen befindet, wurden bereits in der Antike zu Beginn der
Epoche der Naturphilosophie erste Hypothesen zum Wasserkreislauf aufgestellt (Bongartz 2001
[22]). Aus der Notwendigkeit heraus, Naturereignissen und deren Folgen nicht tatenlos gegenüberstehen zu wollen, entwickelte sich mit der Modellierung ein Gebiet der hydrologischen Forschung, mit der nicht messbare hydrologische Parameter berechnet und vor allem prognostiziert
werden konnten. Eine ausführliche Bestandsaufnahme zur geschichtlichen Entwicklung des
Prozessverständnisses und der Entwicklung hydrologischer Modelle liefert (Staudenrausch 2000
[185]) und (Bongartz 2001 [22]).
Das heute vorhandene, wesentlich erweiterte Prozessverständnis des Wasserhaushaltes eines
Einzugsgebietes und die Möglichkeit, dieses durch mathematische Beschreibungen zu reflektieren, machte den Einsatz von hydrologischen Computermodellen zwingend erforderlich. Den
Anfang machte im Jahr 1966 mit dem Stanford Watershed Model von Crawford und Linsley
(Beven 2001 [16]) ein Modellsystem, das erstmals verschiedene Speicherelemente und deren
kausale Fließprozesse mathematisch abbildete. Bereit 4 Jahre später wurden durch Freeze und
Harlan (Beven 2001 [16]) nicht-lineare partielle Differentialgleichungen zur detaillierteren Beschreibung der physikalischen Vorgänge an der Oberfläche und im oberflächennahen Boden
genutzt (Rasmussen 2005 [157]). Bereits in dieser Zeit kristallisierten sich mit den deterministischen und den stochastischen Modellen die zwei klassischen Typen hydrologischer Modellansätze heraus, die sich durch die kausale Bestimmtheit ihrer Einzelprozesse voneinander unterscheiden (Singh 1995 [181]). Beide erfuhren in den Folgejahren eine getrennte Entwicklung, die
zunehmend von der ständig steigenden Leistungsfähigkeit der Computer und des Datenmanagements geprägt wurde. Die sich damit eröffnenden Möglichkeiten, immer komplexere Prozesse zu integrieren, führten in letzter Zeit zu einer Verflechtung und der Kombination von deterministischen und stochastischen Ansätzen in der hydrologischen Einzugsgebietsmodellierung
(Bongartz 2001 [22]).
Die deterministischen Modelle lassen sich in Bezug auf ihren Detaillierungsgrad bei der Differenzierung der Einzelprozesse in black box-, grey box- und white box–Modelle unterscheiden.
22
(Beven 1985 [14]) und (Singh 1995 [181]) klassifizieren sie nach zwei weiteren Kriterien: nach
der Art der grundlegenden Prozessbeschreibungen und nach dem Grad ihrer zeitlichen und
räumlichen Diskretisierung. Die Abbildung 2.8 verdeutlicht schematisch diese konzeptionellen
Ansätze.
Abbildung 2.8:
Klassifikationsschema hydrologischer Modelle
Als erstes soll die Klassifizierung nach der Art der Prozessbeschreibung betrachtet werden.
Nach dieser unterteilt man die deterministischen hydrologischen Modelle in empirische Modelle
(black box), konzeptionelle Modelle (gray box) und auf physikalischen Gesetzmäßigkeiten basierte Modelle (white box) (Beven 1985 [14]). Die empirischen Ansätze der black box- Modelle
weisen dabei die geringste Detailliertheit auf. Die Komplexität der Ansätze steigt beim Übergang über grey box-Modelle und white box-Modelle (Dyck und Peschke 1995 [52]), wobei die
Übergänge fließend sind.
Bezieht man sich auf das Kriterium der zeitlichen Diskretisierung, so lassen sich die deterministischer Modelle in ereignisbezogene Modelle zur Abbildung hydrologischer Prozesse im Einzugsgebiet zu einem festen Zeitpunkt und in kontinuierliche Bilanzmodelle mit einer Prozessabbildung in festgelegten Berechnungsschritten von Stunden, Tagen oder Monaten unterteilen
(Singh 1995 [181]), (Kralisch 2004 [106]).
Legt man den Klassifikationsansatz der räumlichen Diskretisierung des Einzugsgebietes zu
Grunde, wird nach (Singh 1995 [181]) in Block-Modelle (lumped models oder Mittelwertmodelle) und in distributive Modelle unterschieden (Kralisch 2004 [106]). Distributive Modelle betrachten dabei ein heterogenes Einzugsgebiet als System möglichst homogener, getrennt modellierbarer Teilgebiete (Staudenrausch 2000 [185]). Lumped models berücksichtigen die räumliche Variabilität des FEG’s nicht, da alle im Modell integrierten Prozesse für das Gesamtgebiet
aggregiert werden (Kralisch 2004 [106]). Hybridmodelle sind distributive Modelle, die eine
Kompromisslösung aus einfacheren konzeptionellen Blockmodellen und vollständig physika-
2.5 Hydrological Response Units (HRU)
23
lisch basierten Algorithmen darstellen. Sie orientieren sich stark an der Problemstellung, für die
sie entwickelt wurden ((Beven 1996 [15]) in (Staudenrausch 2000 [185])).
Die technologischen Fortschritte auf dem Gebiet der Fernerkundung, der Geographischen Informationssysteme und der Datenmanagements waren Katalysatoren für die Entwicklung distributiver Ansätze, da sie die benötigten detaillierten räumlichen Informationen zur Diskretisierung selbst mikroskaliger Einzugsgebiete verfügbar machten. Für diese Diskretisierung der hydrologischen Einzugsgebiete in homogene räumliche Einheiten als Basis der späteren distributiven Modellierung sind verschiedene Ansätze bekannt. In den meisten Fällen wird dazu in Abhängigkeit vom Modellierungszweck ein variabler räumlicher Parameter klassifiziert, z.B. Reliefeinheiten (Gerold et al. 1997 [67]), Teileinzugsgebiete (Bergström 1995 [10]) oder die Landnutzung ((Kite und Kouwen 1992 [98]), (Meijerink 1997 [129])). Als Resultat der Klassifikation entstehen im Allgemeinen unregelmäßige Polygone, was häufig zu technischen Problemen
bei der Abbildung der betrachteten Prozesse führt (Kralisch 2004 [106]). Aus diesem Grund
wird bei vielen Modellen das Einzugsgebiet in regelmäßige Rasterzellen unterteilt. Dies ermöglicht relative einfache numerische Lösungen für komplexe Algorithmen (Staudenrausch 2000
[185]). Die Größe der Rasterzellen hängt von den verwendeten Auflösungen der Basisdaten
(Diditales Geländemodell, Satellitenbilder) ab und kann je nach Aufgabenstellung variiert werden. Bekannte Modellvertreter der rasterbasierten Diskretisierung sind das stark physikalisch
basierte Systeme Hydrologique Europèen (SHE) ((Abbot et al. 1986a [1]), (Abbot et al. 1986a
[1])) und das Modell WASIM-ETH (Schulla 1997 [174]). Im Kapitel 5 wird dieser Ansatz bei
der Modellierung des zum Flusseinzugsgebiet der Werra zählenden Einzugsgebiets der Schwarza angewandt.
Die Zielsetzung dieser Arbeit bestand darin, für ein in der unteren Mesoskala (100-1000 km²)
einzuordnendes Einzugsgebiet mit hoher Reliefvarianz, mit Hilfe einer möglichst genauen flächendifferenzierten, physikalisch basierten Modellierung der Abflussbildung und Abflusskonzentration sowie der damit verbundenen hydrologischen Prozesse, ein robustes, zuverlässiges
und übertragbares Vorhersagesystem für Hochwasserereignisse zu entwickeln. Daraus resultierte der Bedarf an einem Modellinstrument, das mit hinreichender Sicherheit und Genauigkeit den
Wasserhaushalt in diesem Skalenbereich nachbilden kann. Prädisdiniert für diesen Zweck erschien das hydrologische Modellsystem J2000/JAMS, das in die Gruppe der deterministischen,
distributiven Modellkonzepte eingeordnet und als flächendetailliertes Niederschlag-Abfluss
Modell eingesetzt werden kann. J2000/JAMS nutzt als räumliche Prozesseinheiten sogenannte
Hydrologisch Homogene Einheiten oder Hydrologycal Response Units, die HRU, deren Generierungsverfahren und Optimierungsmethoden den Hauptschwerpunkt dieser Arbeit darstellen.
Aus diesem Grund wird im Folgenden der konzeptionelle Ansatz der HRU einführend näher
erläutert.
2.5
Hydrological Response Units (HRU)
Flusseinzugsgebiete lassen sich zur flächendetaillierten N/A-Modellierung nach unterschiedlichen Methoden untergliedern. Blöschl und Grayson (Blöschl und Grayson 2006 [19]) unterscheiden dabei fünf Methoden: die Bildung von Quadratrastern, die Untergliederung des Gebietes auf Basis von Höhenschichtenlinien und Falllinien, mittels Triangulated Irregular Networks
(TIN), die Unterteilung in Hangflächen und Gerinneabschnitte und die Unterteilung in Hydrological Response Units nach (Leavesley und Stannard 1995 [123]). Diese entstehen durch die
Verschneidung mehrerer Datenebenen bzw. Gebietsparameter und erhalten dadurch eine be-
24
stimmte Merkmalskombination. Der Kerngedanke des Ansatzes besteht darin, dass alle Flächen
gleicher Merkmalsausprägung ein gleiches, typisches, hydrologisches Verhalten besitzen.
Eine weitere Variante der HRU-Ausweisung ist die der Clusteranalyse (Pfennig und Wolf 2007
[152]). Hierbei werden durch Ähnlichkeitsanalysen von Landschaftsinformationen die kleinsten
Prozesseinheiten zu HRU mit gleichen bzw. ähnlichen Eigenschaftsmustern zusammengefasst.
Die Ausweisung dieser homogenen Flächen generell ist nach (Fürst 2006 [65]) ein Anwendungsfall der hydrologischen Regionalisierung, unter der man im Allgemeinen nach (Kleeberg
und Cemus 1992 [99]) die Darstellung der räumlichen Variabilität von Parametern, Eingangsgrößen, Randbedingungen und Koeffizienten hydrologischer Modelle versteht. Zur Prozessierung bedient man sich leistungsfähiger Geographischer Informationssysteme (GIS), die zur
Erfassung, Speicherung, Analyse und Darstellung raumbezogener Information, wie z.B. die
räumliche Lage bezüglich eines Koordinatensystems und topologische Beziehungen benachbarter Objekte untereinander, entwickelt wurden (Fürst 2006 [65]). Für die Untersuchungen im
Rahmen dieser Arbeit wurde auf die weit verbreiteten GIS „ArcView“ und „ArcInfo“ der Firma
ESRI zurückgegriffen.
2.5.1
Der konzeptionelle Ansatz der HRU
Der ursprüngliche Ansatz der Hydrological Response Units geht auf ((Leavesley et al. 1983
[122]), (Leavesley und Stannard 1995 [123])) zurück, der die physiographische Heterogenität
eines Einzugsgebietes mit physikalisch ausgewiesenen HRU beschreibt. Diese werden als Prozessflächen mit einer bezüglich ihrer topographischen und physiographischen Ausprägung homogenen Charakteristik definiert. Die HRU-Klassen erhalten die einzelnen Merkmale als integrale Werte ihrer Flächen, wobei die räumliche Variabilität der einzelnen Landschaftselemente
keine Beachtung findet (Michl 1999 [131]). (Staudenrausch 2000 [185]) unterstreicht dabei die
skalenunabhängige Übertragbarkeit von Modell und Prozessen, während (Michl 1999 [131]) die
Verwendung natürlicher Geometrien als Vorteil gegenüber den rasterbasierten Konzepten hervorhebt.
Auf einem erweiterten distributiven Ansatz basiert das Konzept der Hydrological Response
Units nach Flügel ((Flügel 1995 [60]), (Flügel 1996 [61])). Es geht davon aus, dass sich die
physiographische Heterogenität eines Einzugsgebietes weder durch die polygonbasierte Klassifikation singulärer räumlicher Parameter, noch durch die rasterbasierte Diskretisierung und Belegung der Rasterzellen mit Medianwerten bzw. dominierenden Eigenschaftswerten der physikalischen Eingangsgrößen, hinreichend repräsentieren lässt. Der von (Flügel 1995 [60]) entwickelte Diskretisierungsansatz kombiniert mehrere physiogeographische Parameter, wie z.B.
Klima, Landnutzung, Bodenparameter, Geologie und Topographie (Hangneigung und Exposition) durch schrittweises Überlagern im GIS. Diese sind auf Basis einer vorangegangenen Systemanalyse des Einzugsgebiets für die betrachtete Skale wegen ihres Einflusses auf die hydrologische Dynamik des Gebiets für relevant eingestuft wurden. Die hydrologisch homogenen
Flächen werden anschließend ebenfalls im GIS durch Überlagerung bzw. Verschneidungsoperationen diskretisiert und erhalten im Ergebnis der Prozessierung eine eindeutige Merkmalskombination der räumlichen physiogeographischen Eigenschaften. Dem ursprünglichen Ansatz nach
(Flügel 1995 [60]) erfolgt dann eine Reklassifizierung der entstandenen Prozessflächen. Damit
sollen HRU, die über Parameterkombinationen innerhalb eines vertretbaren Ähnlichkeitsbereiches verfügen und einen annährend gleichen Einfluss auf die zu modellierenden hydrologischen
Prozesse erwarten lassen, zusammengefasst werden. So können die Repräsentanten einer
Merkmalsklasse bezüglich ihrer hydrologischen Systemantwort auf Niederschlagsereignisse als
25
homogen eingestuft und im Modell gleich behandelt werden, auch wenn sie im FEG räumlich
fragmentiert vorliegen. Dieser Ansatz erfordert nach (Flügel 1995 [60]) ein hohes Maß an Systemverständnis und detaillierte Kenntnisse über das Einzugsgebiet.
Da zwar zwischen den Teilflächen innerhalb eines Einzugsgebietes differenziert wird, diese
aber keinen räumlichen Bezug aufweisen, spricht man hier auch von einem semi-distributiven
Verfahren (Kralisch 2004 [106]). Die hohe Homogenität der Flächenklassen ermöglicht eine
gute Parametrisierbarkeit. Die fehlenden oder eingeschränkten topologischen Beziehungen (z.B.
laterale Stoffflüsse) unter den fragmentierten Teilflächen einer Klasse sind jedoch der Hauptkritikpunkt des Konzeptes, da so „die Vorteile einer von der räumlichen Verteilung der Prozesse
unabhängigen Modellierung nicht mehr gegeben sind“ (Kralisch 2004 [106]). Staudenrausch
(Staudenrausch 2000 [185]) betont aber die Bedeutung der topologischen Beziehungen bzgl.
ihrer Auswirkungen auf die Prozessdynamik vor allem in Einzugsgebieten mit hoher Reliefvarianz. Zur Lösung dieses Problems verfolgt (Staudenrausch 2000 [185]) den Ansatz der Disaggregierung der fragmentierten Flächen einer Merkmalsklasse in diskrete Teilflächen und
deren Verbindung mit Fließgewässerabschnitten des segmentierten Gewässernetzes. Das von
ihm entwickelte Verfahren modelliert somit die topologieunabhängigen Prozesse weiter auf der
Basis von Klassen, die lateralen Fließprozesse an der Oberfläche und im oberflächennahen Untergrund aber mittels eines Routings von diskreter Modellfläche zu diskreter Modellfläche und
von diskreter Modelfläche zu Gewässersegmenten. Dabei favorisiert (Staudenrausch 2000
[185]) die Methode der Entwässerung am Ort mit der höchsten Fließakkumulation gegenüber
den Methoden der Entwässerung mit dem maximalen Höhengradienten oder der Entwässerung
über die niedrigste Kante (Rasmussen 2005 [157]). Durch das Routing wird das Verfahren der
Bedeutung der zeitlichen Verzögerung des Abflusses und der Dämpfung durch laterale Hangund Vorflutertransportprozesse gerecht, die vor allem bei mikro- bis mesoskaligen Einzugsgebieten sehr groß ist ((Staudenrausch 2000 [185]), (Pfennig et al. 2006 [151])). Der hohe Rechenaufwand bei der Modellierung lateraler Transportprozesse auf Basis von Einzelflächen
stellt bei der gestiegenen Leistungsfähigkeit der modernen Computersysteme kein Problem
mehr dar. Aus diesem Grund hielten konzeptionelle Ansätze Einzug, die nicht nur die topologisch verknüpften lateralen Fließprozesse, sondern auch die vertikalen Speichervorgänge auf
Basis der einzelnen diskretisierten Flächen abbilden. Dabei werden die ausgewiesenen Polygone
nicht mehr zu Hydrotopen bzw. HRU-Klassen mit gleichen Merkmalskombinationen zusammengefasst, sondern von Anfang an als diskrete räumliche Einheiten mit jeweils eigener Merkmalskombination aufgefasst. Diese Vorgehensweise wird seit mehreren Jahren am Lehrstuhl für
Geoinformatik, Geohydrologie und Modellierung des Geographischen Institutes der FriedrichSchiller-Universität Jena erfolgreich angewandt. Somit steht der Begriff HRU im folgenden
Sprachgebrauch dieser Arbeit nicht mehr für Klassen, sondern für diese diskreten räumlichen
Entitäten, die durch die im Anschluss näher beschriebene Methodik generiert werden.
2.5.2
Methodisches Vorgehen bei der HRU-Ableitung
Eine detaillierte Beschreibung zur sukzessiven Vorgehensweise bei der HRU-Ableitung liefert
(Pfennig et al. 2006 [151]). An dieser Stelle soll die Methodik nur kurz angerissen werden (s.
Abbildung 2.9).
Das methodische Vorgehen bei der Ableitung der prozessorientierten Modelleinheiten ist maßgeblich abhängig von der Art der zu modellierenden Zielgrößen der verwendeten Modellanwendung (z.B. Modellierung unter dem Aspekt der Hochwasserproblematik oder Stofftransportmodellierung). Ein weiterer wesentlicher Punkt ist die Verfügbarkeit der für die Fragestel-
26
lung notwendigen räumlichen Datengrundlagen in einer für die Größe des Einzugsgebietes geeigneten räumlichen Auflösung. Die Entscheidung, welche Datenebenen zur Abbildung der für
relevant erachteten hydrologischen Prozesse notwendig sind, muss der mit hydrologischen Systemverständnis und Gebietskenntnis ausgestattete Anwender treffen.
Abbildung 2.9:
Schematische Darstellung des methodischen Vorgehens bei der HRU-Ableitung
27
Nach der Analyse der Erfordernisse und Verfügbarkeit der räumlichen Gebietsparameter, werden während des Vorprozessierung genannten Arbeitsschrittes die topographischen Gebietskennwerte (z.B. Höhe, Hangneigung, Exposition) aus einem Digitalen Geländemodell (DGM)
mit der gewünschten Auflösung abgeleitet und die weiteren nötigen flächenhaften Gebietsparameter wie z.B. Böden, Landnutzung und Geologie aufbereitet. Das DGM wird dazu auf Senken
untersucht, die gegebenenfalls gefüllt werden müssen. Ebenfalls aus dem DGM hervor gehen
die Teileinzugsgebiete (TEG) des Flussgebiets. Im Anschluss werden die modellrelevanten
Gebietsparameter für das untersuchte FEG zugeschnitten und einer geeigneten Reklassifizierung
unterzogen. Im Ergebnis der vorbereitenden Schritte müssen die ausgewählten Gebietsparameter für die sich anschließenden Verschneidungsoperationen fehlerbereinigt, deckungsgleich und
in geeigneter Klassifizierung zur Verfügung stehen.
Während der folgenden Überlagerung der aufbereiteten Datenebenen erfolgt die eigentliche
Generierung der HRU (s. auch 2.5.1). Im GIS wird dieser Prozess mit dem combine-Befehl
realisiert. Dabei dabei entstehenden homogenen räumlichen Entitäten gleicher eindeutiger Attributierung können räumlich getrennt liegen. Dies hätte sie nach dem klassischen HRU-Ansatz zu
Repräsentanten einer HRU-Klasse gemacht. Das hier angewandte HRU-Konzept behandelt
diese so generierten Flächen, wie eingangs erwähnt, als einzelne diskrete Prozesseinheiten, die
durch ihren Flächenschwerpunkt räumlich beschreibbar und verortet sind. Dies ist wichtige
Voraussetzung für die Topologiebildung und das Routing, auf das noch näher eingegangen
wird.
Bei dem Verschneidungsprozess entsteht die für das Einzugsgebiet maximal ausweisbare Anzahl an HRU (s. auch Kap. 4.3.2). Ein großer Anteil der Polygone hat auf Grund der hohen Reliefvarianz des gebiets nur eine sehr geringe Flächengröße aufzuweisen. Die meisten davon
besitzen nur die Größe der kleinsten räumlichen Einheit der in die Verschneidung eingegangenen Ebenen von einer Rasterzelle. Nach (Staudenrausch 2000 [185]) haben diese Splitterpolygone keine Prozessrelevanz. Aus diesem Grund werden sie aus dem Flächenmuster im HRUAbleitungsschritt Aggregation entfernt. Ausgeführt wird das Eliminieren von Polygonen mit
Hilfe des Standardbefehls eliminate im GIS (vgl. (Pfennig et al. 2006 [151])) (s. Abb. 1.1 Anhang B). Dabei werden die Flächen, die der Abbruchbedingung genügen, kleiner einem bestimmten Schwellwert S zu sein, ihrer flächenmäßig größten Nachbarpolygon oder alternativ
dem Polygon zugeschlagen, mit denen sie die größte gemeinsame Grenze besitzen. Letzteres
stellt die zu bevorzugende Option dar. Bei dem Vorgang werden die Labelpunkte der zu entfernenden Polygone einschließlich der überflüssigen Linien (Arcs) entfernt und anschließend die
interne Topologie der im GIS-Sprachgebrauch coverage genannten Polygonmenge neu aufgebaut.
Eine besondere Rolle spielt dabei der Schwellwert S, der nach (Pfennig et al. 2006 [151]) in
Abhängigkeit von der Aufgabenstellung, der Einzugsgebietsgröße oder der Gesamtanzahl der
HRU gewählt werden soll. Oftmals beruhte bisher die Eingrenzung des Schwellwertes nur auf
empirischen Erfahrungswerten, ohne den zwingenden Anspruch der Übertragbarkeit auf andere
FEG. Die Untersuchungen zur Optimierung der Aggregation stellen einen Hauptschwerpunkt
dieser Arbeit und werden im Kapitel 4 ausführlicher beschrieben.
Ein weiterer wichtiger zu beachtender Aspekt bei der HRU-Ableitung sind die Teileinzugsgebiete. Um zu verhindern, das die später durch die Topologiebildung erzeugten lateralen Fließwege der neu aggregierten HRU über lokale Kämme hinweg führen, ist es notwendig, das generierte Aggregationsniveau mit den Grenzen der Teileinzugsgebiete zu verschneiden. Da nach
(Krause 2001 [110]) das verwendete hydrologische Modellsystem J2000/JAMS die Abfluss-
28
konzentration flächendifferenziert auf Basis von Teileinzugsgebieten berechnen kann, ist es von
Vorteil, diese in den Ableitungsprozess mit zu integrieren (Pfennig et al. 2006 [151]). Somit
können auch bei Vorhandensein weiterer Abflusspegel innerhalb des Einzugsgebietes, wie es
mit den Pegeln Gehren/Wohlrose und Ilmenau/Ilm im FEG Gräfinau-Angstedt der Fall ist, diese
über ihre Teileinzugsgebiete separat modelliert werden. Die dabei gewonnenen Erkenntnisse
lassen bedeutsame Aussagen für die Modellierung des Gesamtgebietes zu und unterstreichen
den distributiven Charakter des Modellsystems J2000/JAMS.
Der mit der Aggregation der HRU einhergehende Generalisierungsprozess erzeugt in den durch
die Flächenzusammenlegung neu entstandenen räumlichen Entitäten eine Heterogenität bezüglich der Merkmalsausprägungen der ursprünglichen Flächen (Pfennig et al. 2006 [151]). Aus
diesem Grund müssen diesen HRU mit Hilfe der verschnittenen Gebietsparameter neue Eigenschaftskombinationen zugewiesen werden. Die so angestrebte Neuattributierung (vgl. Abb. 1.2
Anhang B) der HRU wird ebenfalls im GIS ausgeführt. Praktisch durchgeführt wird dies mit
dem Standard-Befehl Zonal statistics im GIS.
Dabei wird ein Zonen-Raster (Input Zone Raster) mit einem Werte-Raster (Input Value Raster)
überlagert. Das Zonen-Raster ist im Fall der HRU ein durch den Generalisierungsprozess erzeugtes HRU-Aggregationsniveau. Das Werte-Raster ist ein Raster eines in die Verschneidung
eingegangenen Gebietsparameters wie z.B. die Landnutzung. Die Zonenstatistik wird sequentiell für jede Zone, sprich HRU, einzeln analysiert bzw. berechnet. Dabei wird eine Vielzahl von
Berechnungsmöglichkeiten angeboten, wovon zwei zur Anwendung kommen.
Im Fall der Exposition, der Böden, der Landnutzung und der Geologie werden den HRU die
Eigenschaftswerte des jeweils überlagerten Gebietsparameters zugewiesen, der für die einzelne
HRU betrachtet majoritären Charakter hat. Im Falle der Höhe und der Hangneigung wird für
jede HRU auf eine Neuberechnung des Median zurückgegriffen. Diese Vorgehensweise wird im
Folgenden als Neuattributierung bezeichnet. HRU mit gleichen physiographischen Eigenschaften besitzen ein weitestgehend einheitliches hydrologisches Antwortverhalten auf Niederschlagsereignisse. Von Bedeutung dabei ist, dass innerhalb einer HRU eine nur geringe Variabilität der Prozessdynamik im Vergleich mit den Prozessdynamiken der umgebenden HRU vorliegt und das zwischen benachbarten Flächen eine große Variabilität der Prozessdynamik besteht, so das die Unterschiede innerhalb einer HRU vernachlässigbar sind (Staudenrausch 2000
[185]). Die Ausweisung physiographischen Attributierung jeder einzelnen räumlichen Modelleinheit erlaubt Lösungsansätze für Fragestellungen bezüglich des Einflusses von Systemänderungen auf das untersuchte hydrologische System. So können z.B. Szenarien mit einer veränderten Flächennutzung oder mit, auf den Klimawandel zurückzuführenden, variablen klimatologischen Rahmenbedingungen erstellt werden.
2.5.3
Topologische Beziehungen
Die Verortung der Modellflächen und ihre topologischen Beziehungen innerhalb der topographisch-hydrologischen Sequenzen stellen einen weiteren wesentlichen Input bei der distributiven Modellierung von Einzugsgebieten dar. Staudenrausch (Staudenrausch 2001 [186]) attestiert der Topologie in meso- und makroskaligen Einzugsgebieten einen wesentlichen Einfluss
auf das hydrologische Geschehen. So können Phänomene wie Abflussverzögerung und –
dämpfung nur dann räumlich und zeitlich korrekt modelliert werden, wenn das in einem Einzugsgebiet transportierte Wasser auf Basis eines physikalischen oder empirischen RoutingAnsatzes detailliert von Objekt zu Objekt weitergegeben wird. Daraus resultiert folgerichtig die
enorme Bedeutung der topologischen Beziehungen bei Problemstellungen mit hoher Auflösung
2.6 Das distributive hydrologische Modellsytem J2000/JAMS
29
der zeitlich variablen Eingabedaten, wie beispielsweise die Analyse und Vorhersage von Starkniederschlags- und/oder Schneeschmelzereignissen und daraus resultierende Hochwässer
(Staudenrausch 2000 [185]).
Die Ermittlung der topologischen Beziehungen zwischen den einzelnen Modellflächen und den
Gewässersegmenten hat das Ziel, ein vollständiges hydrologisch-topologisches Entwässerungsschema aller beteiligten räumlichen Objekte zu generieren. Dazu werden zuerst unter Nutzung
der Knoten-Kanten-Topologie des GIS die Beziehungen zwischen den Gerinnesegmenten ermittelt (Segment-Segment-Beziehung). Danach wird die Polygon-Gewässernetz-Beziehung durch
Verschneidung der Gerinnesegmente mit den HRU und anschließender Verknüpfung vollzogen.
In einem dritten Schritt werden die hydrologisch korrekten Nachbarpolygone, basierend auf
topographischen Parametern des DGM’s, im GIS über eine Höhenparametrisierung, Nachbarschaftsbeziehungen und eine gradientenbezogene Lagebestimmung ermittelt und topologische
Verknüpfungen der verbliebenen HRU untereinander erstellt (Polygon-Polygon-Beziehung)
(Staudenrausch 2000 [185]). Das Konzept verbindet somit „...die Vorteile der HRU, nämlich die
relative Skalenunabhängigkeit der Methode, die eine größtmögliche räumliche Homogenität bei
gleichzeitiger größtmöglicher Einfachheit erzielt, mit den Vorteilen von Teileinzugsgebieten,
die eine eindeutige Verknüpfung von Hangflächen und Gerinnen und damit die Integration von
Routingverfahren zulassen.“ (Staudenrausch 2001 [186])
2.6
Das distributive hydrologische Modellsytem J2000/JAMS
Die heute verfügbaren Computerressourcen ermöglichen den Einsatz von hochentwickelten,
flächendetaillierten Niederschlag-Abfluss-Modellen. Sie sind charakterisiert durch komplexe
Strukturen der Modellgleichungen mit einer großen Anzahl von Variablen und Parametern und
durch die Eigenschaft, sehr viele räumliche Elemente verarbeiten zu können (Blöschl und Grayson 2006 [19]). Dazu zählt auch das von ((Krause 2001 [110]), (Krause 2002 [111])) entwickelte hydrologisches Modellsystem J2000, mit dessen Programierung im Jahr 1997 am Forschungszentrum Jülich begonnen wurde. Das Ziel bestand in der Schaffung eines physikalischbasierten Modellsystems zur Berechnung des Wasserhaushaltes mesoskaliger Einzugsgebiete,
das auf einen flächendifferenzierten, konzeptionellen Ansatz auf Basis hydrologisch homogener
Einheiten beruht. Das Modellsystem berechnet unter Berücksichtigung der Topologie für jede
hydrologisch homogene Einheit die Abflusskomponenten und den Gesamtabfluss sowie die
Abflusskonzentration der einzelnen Teileinzugsgebiete. Durch Flood-Routing über hierarchische Speicherkaskaden werden die Fließvorgänge im Gerinne berechnet und können mit dem
gemessenen Abfluss des Bezugspegels am Gebietsauslass verglichen werden (Krause 2001
[110]). Dabei wird der Gesamtabfluss in seine Komponenten separiert und getrennt ausgewiesen. Die zeitliche Auflösung der Modellierung kann in Stunden- und Tagesschritten erfolgen.
Das ursprünglich in C++ programmierte Modell wurde im Jahr 2001 am Institut für Geographie
der Friedrich-Schiller-Universität Jena auf JAVA portiert und unter dem Aspekt eines konsequent modularen Aufbaus weiterentwickelt. Einzelne Module können ohne Änderung der Modellstruktur separat entworfen und neu in das Modellsystem implementiert werden (Krause
2002 [111]). So erarbeitete (Rasmussen 2005 [157]) ein neues Bodenmodul zur horizontdifferenzierten Simulation der Bodenwasserbewegung. Im Jahr 2005 wurde das Modellsystem J2000
in das Modellframework JAMS (Kralisch und Krause 2006 [107]) – Jena Adaptable Modelling
System – überführt und nutzt seitdem XML für die Schnittstelle zu den Daten- und Parameterfiles. Das JAMS-Framework besteht aus sog. components, Programmmodulen die spezifisches
Wissen, Algorithmen etc. enthalten, und context components, zur Beschreibung der Modell-
30
struktur (Kralisch et al. 2007b [109]). Diese Modularität verleiht dem Modellsystem die nötige
Flexibilität, um für verschiedene Problemstellungen und Randbedingungen angepasst zu werden. So findet es Einsatz an der TLUG zur Berechnung von Bemessungsgrößen für Hochwasserereignisse in mikroskaligen Einzugsgebieten nach SCS (Soil Conservation Service)Verfahren, zur Stofftransportmodellierung im Einzugsgebiet des Flusses Gera in Thüringen für
die Beantwortung von Fragestellungen im Kontext der EU-Wasserrahmenrichtlinie (Krause et
al. 2006 [114]) und zur Modellierung von Auswirkungen des Globalen Klimawandels auf die
Hydrologische Dynamik in Thüringen (Krause et al. 2007 [117]).
2.6.1
Schematischer Aufbau des Modellsystems
Die Abbildung 2.10 zeigt den schematischen Aufbau des Modellsystems. Die Vorprozessierung
schließt alle vorbereitenden Schritte ein, die zur Initialisierung und zur Anwendung des Modells
notwendig sind. Dies sind zum einen die unter dem Punkt GIS-Vorprozessierung aufgeführten
GIS-Operationen sowie die Aufbereitung der als Modell-Input dienenden Klima- und Niederschlagsdaten. Im Anschluss erfolgt die eigentliche Modellierung der flächendifferenzierten Abflussbildung, der Abflusskonzentration und der Fließvorgänge im Gerinne auf Basis der Topologiebeziehungen der HRU und des sog. Routings. In der Nachprozessierung werden die Modellergebnisse grafisch und numerisch ausgegeben.
Die zwei Hauptschwerpunkte der Untersuchungen der vorliegenden Arbeit sind einmal der GISVorprozessierung und zum andern dem Bereich Daten-Vorprozessierung zuzuordnen und wurden in der Grafik gelb hinterlegt.
Zur Kategorie der zeitlich statischen Gebietskennwerte des Bereiches GIS-Vorprozessierung
zählen neben den Landnutzungsdaten, den Bodendaten und der hydrogeologischen Ausprägung
des Untergrundes, die aus dem digitalen Geländemodell abgeleiteten flächendifferenzierten
Informationen über die Geländehöhe, die Hangneigung, die Exposition, das Gewässernetz und
die Teileinzugsgebiete. Die zeitlich statischen Gebietskennwerte des Einzugsgebiets GräfinauAngstedt werden im Kapitel 3 ausführlich beschrieben. Die durch Verschneidungsoperationen
räumlich unterteilten hydrologisch homogenen Flächen stellen, wie bereits erwähnt, einen der
Untersuchungsschwerpunkte dar. Der Fokus lag dabei auf einer zu entwickelnden Methodik für
geeignete Regionalisierungsverfahren der Splitterpolygone mit dem Ziel der Modelloptimierung. Die Verortung der Modellflächen und die Ableitung ihrer Topologie ist ein weiterer wichtiger Aspekt der distributiven Einzugsgebietsmodellierung (Staudenrausch 2000 [185]). Zur
Simulation der Wasserflüsse an der Oberfläche und im oberflächennahen Untergrund von Modellfläche zu Modellfläche und von Modellfläche zu Gerinneabschnitt wird ein Routing benötigt
(Rasmussen 2005 [157]). Nach (Staudenrausch 2000 [185]) wird dies optimal mit der Methode
der Entwässerung am Ort der größten Fliessakkumulation erreicht.
Der Bereich der Daten-Vorprozessierung umfasst die zur Modellierung nötigen zeitlich variablen Eingangsdaten: die klimatologischen Größen Niederschlag, Temperatur (bei Tageswerten
als Tages-maximum, -minimum und mittelwert), Windgeschwindigkeit, Sonnenscheindauer und
relative Luftfeuchte sowie Abflussmesswerte der relevanten Pegel. Diese Daten müssen lückenlos für den gesamten Kalibrierungs- und Validierungszeitraum vorliegen und sollten möglichst
alle verfügbaren Stationen umfassen. Bestehende Lücken können in begrenztem Maße über
Regressionsverfahren gefüllt werden. Die Anzahl der Niederschlagsmessstationen und Klimastationen kann verschieden sein. Zudem müssen diese nicht zwangsläufig innerhalb des FEG
liegen, sondern können sich auch außerhalb befinden. Die Relevanz einer Station für das betrachtete FEG zu beurteilen, obliegt dabei dem Anwender.
31
Während der Modell-Vorprozessierung werden die Eingangsdaten eingelesen und das Modell
initialisiert. Anschließend erfolgt die Regionalisierung und Korrektur der punktuellen Klimaund Niederschlagsdaten der verwendeten Stationen nach dem Inverse-Distance-Weighted
(IDW)-Verfahren sowie die Berechnung der potenziellen Bestandsverdunstung nach PenmanMonteith (Monteith 1975 [134]) in (Krause 2001 [110]) für jede HRU.
Abbildung 2.10: Schematischer Aufbau des Modellsystems J2000/JAMS nach (Krause 2001 [110]) und
(Bäse 2005 [7]), verändert
32
Im Abschnitt Modellierung des Wasserhaushaltes wird für jede HRU, jeden Gerinneabschnitt
und jeden Zeitschritt die Abflussbildung und Abflusskonzentration berechnet. Auf Basis der
Topologie und des Routings wird der Abfluss am Gebietsauslasspegel bestimmt. Dies geschieht
mit den in Abbildung 2.10 abgebildeten Prozessmodulen. Eine ausführliche Beschreibung dieser Module und ihrer Parameter findet sich in (Krause 2001 [110]) und (Bäse 2005 [7]) und soll
hier nur kurz angerissen werden.
Im Interzeptionsmodul werden die Bestandsniederschläge aus den Freilandniederschlägen in
Abhängigkeit der Vegetationsbedeckung und des Jahresgang-abhängigen Ausprägung des Niederschlags in Form von Regen bzw. Schnee berechnet (Krause 2001 [110]). Konzeptionell
beruht das Modul auf der von (Dickinson 1984 [36]) entwickelten Evapotranspirationmodellierung. Der Interzeptionsspeicher wird durch Verdunstung geleert. Ist seine maximale Speicherkapazität erreicht, wird der überschüssige Niederschlag als durchfallender Niederschlag an das
Schnee- bzw. Bodenmodul weitergeführt.
Das Schneemodul bietet zwei alternative und getrennt parametrisierbare Berechnungsansätze.
Der für die Modellierung von Gräfinau-Angstedt verwendete komplexere Ansatz nach Knauf
(1980, in (Krause 2001 [110]) beachtet Dichteänderungen der Schneedecke durch Schmelz- und
Setzungsvorgänge. In J2000 implementierte Erweiterungen des Verfahrens erlauben die Nachbildung von Akkumulation- und Schmelzvorgängen innerhalb der einzelnen Zeitschritte
(Krause 2001 [110]).
Ein Teil des die Oberfläche erreichenden Wassers wird direkt wieder verdunstet. Der andere
Teil gelangt im Bodenmodul in den Infiltrationsspeicher und in den Muldenrückhalt. Nach
(Krause 2001 [110]) werden die zwei sich anschließenden Porenspeicher nach ihrer Porengröße
in einen Mittelporenspeicher (Middle Pore Storage – MPS) und einen Grobporenspeicher (Large Pore Storage – LPS) unterschieden. Die Infiltrationskapazität des Bodens ist abhängig von
der Wassersättigung im Boden und einer maximalen Infiltrationsrate. Diese unterliegt bei intensiven konvektiven Niederschlägen kurzer Dauer im Sommer anderen Infiltrationsrandbedingungen als bei Niederschlags- und Schneeschmelzereignisse im Winter, die insbesondere noch von
partiell oder vollständig gefrorenen Böden und unterschiedlichen Grad der Schneebedeckung
abhängen (Bäse 2005 [7]). In J2000 wird dies in drei Infiltrationsszenarien berücksichtigt. Des
weiteren ist die Infiltration abhängig vom Versieglungsgrad der Oberfläche ((Wessolek 1993
[205]) in (Krause 2001 [110])). Das bei Überschreitung der maximalen Infiltrationsrate überschüssige Wasser gelangt in Oberflächendepressionen oder den direkten Oberflächenabfluss.
Der infiltrierte Niederschlag gelangt im Anschluss in den Mittelporenspeicher. Über Evapotranspirationsprozesse wird dem MPS Wasser entzogen. Erreicht der MPS seinen Sättigungsgrad, wird das Wasser in den Grobporenspeicher weitergeleitet. Durch Perkolation in den
Grundwasserspeicher und die laterale Bildung von Interflow wird der Grobporenspeicher entleert. Das Verhältnis laterale-vertikale Wassertransporte ist abhängig von der Hangneigung und
kann über einen Verteilungskoeffizienten parametrisiert werden (Krause 2005a [113]),
(Rasmussen 2005 [157]). Das am Ende eines Zeitschrittes noch im LPS befindliche Wasser
wird zum Teil wieder dem MPS zugeführt. Über Rezessionskoeffizienten können der Oberflächenabfluss und der Interflow des Bodenmoduls zeitlich verzögert oder beschleunigt werden
(Krause 2005a [113]).
Die durch hohe Durchlässigkeit gekennzeichnete Verwitterungszone und die durch Risse und
Klüfte gekennzeichnete Zone des Festgesteins bilden die beiden Grundwasserspeicher im
Grundwassermodul, den oberen und den unteren Grundwasserspeicher. Diese werden im Modellsystem für jede geologische Formation separat parametrisiert. Der obere Grundwasserspei-
33
cher erzeugt den schnellen Basisabfluss, der untere Grundwasserspeicher den langsamen Basisabfluss. Die maximalen Speicherkapazitäten sowie Rezessionskoeffizienten beider Grundwasserspeicher sind parametrisierbar (Krause 2005a [113]).
Über ein laterales Flächenrouting wird die Wasserübergabe von HRU zu HRU innerhalb der
einzelnen Fließkaskaden und vom oberen Einzugsgebiet bis zum Vorfluter entsprechend der
topologischen Indizierung der HRU realisiert. Dabei kann eine HRU Wasser aus n Oberliegern
bekommen, aber nur an einen Unterlieger Wasser abgeben, was einer n:1 Beziehung entspricht.
Dabei wird entsprechend der Abbildung 2.11 der Oberflächenabfluss der abgebenden HRU dem
Depressionsspeicher der aufnehmenden HRU zugewiesen, der Zwischenabfluss den Bodenspeichern und die summierten Basisabflüsse den Grundwasserspeichern (Krause 2005a [113]). Die
Weiterleitung der Abflussmengen unter den einzelnen Gerinneabschnitten wird über den Ansatz einer kinematischen Welle (Krause 2005a [113]) mit Hilfe des lateralen Flood Routings
realisiert und die Fließgeschwindigkeit nach der Manning-Strickler-Gleichung (s. (Baumgartner
und Liebscher 1996 [8]) berechnet (Rasmussen 2005 [157]). Basis der Zuordnungen ist die in
der GIS-Vorprozessierung abgeleitete Topologie. Beide Verfahren sind im Lateral Routing
Modul umgesetzt.
Abbildung 2.11: Topologiebeziehung lateraler Prozesse zwischen HRU (HRU routing) und Gerinneabschnitten (flood routing) im J2000/JAMS
Im Zuge der Nachprozessierung werden von dem Modellsystem diverse ASCII-Dateien generiert, denen Abfluss-, Verdunstungs- und Speicherkomponenten entnommen werden können.
Zudem können Log-Dateien vom Modell berechnete Gütemaße wie der Nash-Sutcliffe-Koeffizient und der mit logarithmierten Werten berechnete Nash-Sutcliffe-Koeffizient, das Bestimmtheitsmaß, der Doppelsummengradient sowie absoluter und relativer Volumenfehler entnommen
werden (vgl. Abschnitt 2.6.2). Die Abfluss-Ganglinien und zeitlichen Abläufe der Befüllung
34
und Leerung der Boden- und Grundwasserspeicher können u.a. in Diagrammform erzeugt werden. Weiterhin können für jede einzelne HRU und jeden Zeitschritt die regionalisierten Daten
abgerufen werden.
2.6.2
Ausgewählte Modellgütemaße
Um die Modellgüte quantitativ zu bewerten, bedient man sich der Modelleffizienzen oder gütemaße. Sie basieren auf dem Vergleich der beobachteten und der simulierten Werte und ermöglichen die Abschätzung, wie gut sich bei einem parametrisierten Modell die modellierten
Werte den gemessenen annähern und ob Modellunterschätzungen oder Überschätzungen vorliegen. Daraus resultiert ihre grundlegende Funktion bei der Modellkalibrierung und –validierung
(Kirkby et al. 1993 [97]). Oftmals werden Modellgütemaße bei Schwellwertberechnungen im
Zusammenhang mit Sensitivitäts- und Unsicherheitsanalysen angewendet (Bäse 2005 [7]). Die
verschiedenen Gütemaße wichten in ihren Berechnungsformeln die Spitzen- und Basisabflüsse
unterschiedlich. Dieser Aspekt sollte bei der Auswahl der Gütemaße im Sinne einer objektiven
Modelleinschätzung berücksichtigt werden.
Unterschieden wird zwischen absoluten und relativen Gütemaßen, wobei sich letztere wegen
ihrer Dimensionslosigkeit sehr gut zum Vergleich verschiedener Einzugsgebiete oder verschiedener Modelle eignen. Nach ((Legates und McCabe 1999 [124]) in (Bäse 2005 [7])) soll zur
umfassenden Beurteilung der Modellgüte sowohl auf absolute als auch auf relative Gütemaße
zurückgegriffen werden. Nach (Bäse 2005 [7]) ist es jedoch unerlässlich, neben der quantitativen Bewertung der Modellgüte auch eine qualitative Bewertung durch visuelle Analysen der
Abflusskurven vorzunehmen. Dies betrifft u.a. die Abflussdynamik, Spitzenabflüsse und deren
zeitliches Verhalten, die Form der Abflusskurven (Kirkby et al. 1993 [97]) sowie Analysen mit
Hilfe von Diagrammen und Verteilungsfunktionen.
Eine ausführliche Beschreibung der von J2000/JAMS verwendeten Modellgütemaße findet sich
in (Bäse 2005 [7]). Zur Bewertung des Modellverhaltens im Rahmen der hier vorliegenden Untersuchungen wurden folgende Modellgütemaße ausgewählt: die Effizienz nach (Nash und
Sutcliffe 1970 [139]) mit quadrierten (E2) und den aus den logarithmierten Werten berechneten
(„logE2“), das sich aus gemessenen und simulierten Werten ergebende Bestimmtheitsmaß (r²)
und der Doppelsummengradient (DSgrad). Diese vier Gütemaße werden im Folgenden kurz
erläutert.
Eines der gebräuchlichsten Modell-Gütemaße ist der Effizienzkoeffizient oder Nash-SutcliffeKoeffizient E2 (Nash und Sutcliffe 1970 [139]). Sein Wertebereich reicht von -∞ bis 1. Je näher
er an den Wert 1 reicht, desto besser ist die Übereinstimmung zwischen dem gemessenen Abfluss Qobs und dem simulierten Abfluss Qsim. Er berechnet sich als Differenz aus 1 und dem
Quotienten aus dem mittleren quadratischen Fehler (mean square error - mse) des gemessenen
und simulierten Abflusses und der Varianz des gemessenen Abflusses:
n
E2 = 1 −
∑ (Q (i ) − Q (i ))
i =1
n
obs
sim
∑ (Q (i ) − Q )
i =1
2
(2.7)
2
obs
obs
Ist der mittlere quadratische Fehler gleich der Varianz, so gilt: E2=0. Das bedeutet, dass mit
dem simulierten Abfluss oder dem gemessenen Mittel des Abflusses eine gleichwertige Vorher-
35
sage getroffen wird. Ist der mse größer als die Varianz, so ist E2<0 und das gemessene Mittel
hat einen höheren Vorhersagewert. Ist der mse kleiner als die Varianz gilt 0<E2≤1 und d.h., der
simulierte Abfluss hat einen höheren Vorhersagewert (Legates und McCabe 1999 [124]). Die
Normalisierung mit der Varianz bewirkt nach (Bäse 2005 [7]) bei FEG mit hoher Abflussvariabilität hohe Effizienzwerte und umgedreht. Krause (Krause et al. 2005b [115]) betont die geringere Sensitivität der Nash-Sutcliffe-Effizienz gegenüber systematischen Über- oder Unterschätzungen. Wesentlich sensitiver ist das Maß bei Abweichungen in den gemessenen und simulierten Mitteln und Varianzen. Vor allem die quadrierten Differenzen bewirken einen starken Einfluss der Spitzenabflüsse. Um dieser Eigenschaft entgegen zu steuern, kann der Exponent auf 1
gesetzt werden. Eine weitere Variante ist nach (Krause et al. 2005b [115]) die Logarithmierung
der Werte. Damit wird der Einfluss der Spitzenabflüsse auf das Modellgütemaß zu Gunsten der
Niedrigwasserabflüsse zurückgenommen und somit ebenfalls signifikant gedämpft. So wird
eine ausgewogene Sensitivität des Maßes bezüglich der Abweichungen im Spitzen- und Basisabfluss erzielt. Dieses hier verwendete Kriterium wird in den weiteren Untersuchungen als
„logE2“ bezeichnet und besitzt nach ((Uhlenbrook 1999 [200]) in (Krause 2001 [110])) eine
höhere Aussagekraft bzgl. der Modellgüte in Niedrigwasserperioden.
Das Bestimmtheitsmaß r² ist definiert als das Quadrat der Korrelationskoeffizienten r nach
Bravais-Pearson und ist ein Maß für die Kolinearität zwischen gemessenen und simulierten
Werten. Der Wertebereich des Bestimmtheitsmaßes reicht von 0 bis 1. Je näher der Wert an 1
ist, umso besser stimmen die gemessenen und simulierten Werte überein (Legates und McCabe
1999 [124]). Die Berechnung von r² erfolgt nach folgender Formel:
⎛
⎜
⎜
r2 = ⎜
⎜
⎜
⎝
∑ (Q (i ) − Q )(Q (i ) − Q )
n
obs
i =1
sim
obs
sim
∑ (Q (i ) − Q ) ∑ (Q (i ) − Q )
n
n
2
obs
i =1
obs
2
sim
i =1
sim
⎞
⎟
⎟
⎟
⎟
⎟
⎠
2
(2.8)
Korrelationsbasierte Maße wie r² reagieren gegenüber Werten nahe dem Mittel sensitiver auf
Ausreißer, was einen verstärkten Einfluss von Spitzenabflüssen impliziert. Das bedeutet, dass
man einen hohen Wert für r² erhält, wenn die Spitzenabflüsse gut getroffen werden. Die Abweichungen beim Basisabfluss sind in diesem Kontext vernachlässigbar (Bäse 2005 [7]). Nach
(Krause et al. 2005b [115]) lässt sich das Bestimmtheitsmaß noch mit dem Gradienten der Regressionsgeraden wichten, wodurch die Modellgüte noch besser eingeschätzt werden kann, die
verstärkte Reaktion auf Peaks aber erhalten bleibt.
Der Doppelsummengradient DSgrad oder auch Systematischer Volumenfehler bietet die Möglichkeit, die Überschätzungen (Gradient der Regressionsgeraden>1) und Unterschätzungen
(Gradient der Regressionsgeraden<1) des Modells zu quantifizieren (Krause 2004 [112]).
Grundlage ist eine lineare Regressionsbeziehung aus den aufsummierten gemessenen und simulierten Werten. DSgrad berechnet sich wie folgt:
∑ (Q (i ) − Q )(Q (i ) − Q )
n
DSgrad =
i =1
obs
obs
sim
sim
∑ (Q (i ) − Q )
n
i =1
2
obs
obs
Der Doppelsummengradient gilt als ein guter Indikator für den Volumenfehler.
(2.9)
36
2.6.3
Kalibrierungsparameter
Das hydrologische Modellsystem J2000/JAMS verfügt zur Kalibrierung der Abflusskurve über
30 Parameter, die den fünf Prozessmodulen Interzeptionsmodul, Schneemodul, Bodenwassermodul, Grundwassermodul und Reach Routing Modul zugeordnet sind. Die Tabellen 1.1 und
1.2 im Anhang C beinhalten diese Parameter mit ihren a priori eingegrenzten Wertebereichen.
Für eine ausführliche Beschreibung der einzelnen Parameter wird auf (Bäse 2005 [7]) verwiesen, wo umfangreiche Sensitivitätsanalysen der einzelnen Parameter beschrieben sind. Die Vorgehensweise bei der Kalibrierung des Modells für das FEG Gräfinau-Angstedt und die Ergebnisse sind im Abschnitt 4.6.1 beschrieben.
2.7
Das Numerische Wettervorhersagesystem des DWD
Die Herausgabe von amtlichen Warnungen vor Hochwässern und die Herausgabe von detaillierten Hochwasservorhersagen obliegt ausschließlich den Ländern und nicht der Bundesbehörde
Deutscher Wetterdienst (DWD). Dies ist in einer Vereinbarung zwischen den Ländern und dem
DWD festgelegt, in der auch der Zuständigkeitsbereich des DWD eindeutig auf die Warnung
vor hochwasserrelevanten Wettererscheinungen wie Starkniederschlagsereignisse und starken
Schneeschmelzereignissen, oftmals in Kombination mit Starkniederschlägen, definiert wird
(Rudolf et al. 2006 [164]). Neben den behördlichen Partnern warnt der DWD auch die Medien
und die Öffentlichkeit vor gefährlichen Wettersituationen (z.B. über die eigens dafür eingerichtete Website www.wettergefahren.de).
Die Analyse aktueller Wetterlagen und die Zuverlässigkeit von Hochwasservorhersagen ist
maßgeblich abhängig von der Verfügbarkeit qualitativ hochwertiger hydrometeorologischer
Informationen. Diesem Anspruch stellt sich der Deutsche Wetterdienst, indem er Beobachtungssysteme und Vorhersagemodelle ausbaut (Initiative Messnetz 2000) bzw. betreibt. Beide
Themenfelder sollen im Folgenden näher erläutert werden.
Die Beobachtungssysteme kann man in Niederschlagsmessnetze und „Radarprodukte“ unterscheiden. Der DWD unterhält das mit mehr als 3000 Stationen dichteste meteorologische Beobachtungsmessnetz Deutschlands, von denen ca. 1000 Stationen ihre gemessenen Daten automatisiert in Echtzeit liefern (AMDA- und Ombrometerstationen). Im Freistaat Thüringen befinden sich 60 Online-Stationen, 28 davon sind Ombrometerstationen. Die Erweiterung des
Ombrometermessnetzes um weitere 20 Stationen wird derzeit von der Thüringer Landesanstalt
für Umwelt und Geologie in Abstimmung mit dem DWD realisiert. Für die Wetterüberwachung
liefern diese Stationen alle 0,5 Stunden Werte. Für hydrologische Auswertungen liegen Werte
in zeitlicher Auflösung von Minuten vor.
Mit zeitlich und räumlich hoch aufgelösten Radar-Überwachungssystemen werden aktuelle
Niederschlagsverteilungen ermittelt. Ein Instrument bildet das deutsche Niederschlagsradarmessnetz mit 16 Radarstationen zur regionalen (200 km Radius) und lokalen (100 km Radius)
Niederschlagsüberwachung. In Kombination mit dem Niederschlagsmessnetz können flächendeckend für Deutschland die stündlichen Niederschlagshöhen quantitativ bis zu einer Auflösung
von 0,1 mm/h und 1x1 km bestimmt werden (Günther 2005 [72]). Dafür wurde in Kooperation
mit den Wasserbehörden der Bundesländer ein Verfahren zur Radar-Online-Aneichung entwickelt (RADOLAN). Qualitative Radarbilder der Mitteleuropäischen Staaten (CERAD, Central
European Radar) werden des weiteren zu einem grenzübergreifendes Kompositbild umgesetzt,
mit dem viertelstündlich Niederschlagshöhen in sechs graduellen Stufen mit einer Auflösung
von 4x4 km angegeben werden können (Rudolf et al. 2006 [164]). Das dritte Beobachtungssys-
2.7 Das Numerische Wettervorhersagesystem des DWD
37
tem bilden die Wettersatelliten der von den nationalen Europäischen Wetterdiensten gemeinsam
betriebenen Institution EUMETSAT. Im Rahmen der großräumigen Niederschlagsüberwachung
liefert der sich synchron mit der Erde drehende geostationäre Satellit METEOSAT aus 36.000
km Höhe in Form von Messdaten und Kompositen wichtige Informationen zur Initialisierung
und Validierung der vom DWD betriebenen Vorhersagemodelle sowie zur Beurteilung der aktuellern Wetterlagen (Rudolf et al. 2006 [164]). Operationell aus Satellitenbeobachtungen Niederschlagsdaten von ausreichender räumlicher Auflösung und Genauigkeit zu ermitteln, ist derzeit Gegenstand intensiver Forschungsbemühungen.
Das zweite Themenfeld sind die vom DWD betriebenen numerischen Wettervorhersagemodelle. Mit ihnen werden die wesentlichen meteorologischen Prozesse in der Atmosphäre und am
Erdboden sowie ihr Einfluss auf die zeitliche Entwicklung der Modellvariablen wie Luftdruck,
Temperatur, Wind, Wasserdampf, Wolken und Niederschlag beschrieben. Unter dem Aspekt
der Erkennung von Hochwasserrelevanten Situationen interessieren insbesondere die prognostizierten quantitativen Niederschlagswerte sowie Daten zur quantitativen Analyse und Vorhersage des Wasseräquivalents und des Niederschlagdargebots. Dazu werden mit Hilfe leistungsfähiger Computer mit physikalischen Gesetzmäßigkeiten beschreibbare atmosphärische Prozesse
simuliert, um ausgehend vom aktuellen Zustand eine Prognose der unmittelbaren zukünftigen
Entwicklung des Wetters abzuleiten. Mit Hilfe numerischer Verfahren können die komplexen,
nicht-linearen partielle Differentialgleichungen, mit denen die zeitlichen Änderungen der atmosphärischen Zustandsvariablen beschrieben werden, näherungsweise gelöst werden. Eine sehr
große Anzahl von Werten der einzelnen benötigten Variablen wird an ein die Atmosphäre aufspannendes, dreidimensionales Gitterpunktmodell, das vom Erdboden bis zur Obergrenze der
Atmosphäre reicht, geknüpft. Im Anschluss wird mit Hilfe der numerischen Lösungsverfahren
die zeitliche Entwicklung der Verteilung der Variablen an den Gitterpunkten näherungsweise in
kleinen Zeitintervallen berechnet. Der räumliche Abstand der Gitterpunkte und das numerische
Lösungsverfahren bestimmt dabei die maximale Größe dieser Zeitschritte. Die Anzahl der Modellgitterpunkte sollte unter Berücksichtigung der verfügbaren Rechenleistung und den damit
verbundenen Modelllaufzeiten gewählt werden. Je kleiner die Maschenweite, desto detaillierter
bildet das Wettervorhersagemodell den Erdboden und atmosphärische Strukturen ab. Idealer
Weise wird ein die gesamte Erde umspannendes Gitter mit einer möglichst feinen Auflösung
angestrebt, da die räumliche und zeitliche Struktur der wetterrelevanten Prozesse in der Atmosphäre eine sehr hohe Variabilität aufweisen und starke globale Wechselwirkung zwischen den
in der Atmosphäre, am Erdboden und an den Ozeanen auftretenden wetterrelevanten Prozessen
existieren. Aus diesem Grund sollten Ausschnittsmodelle, mit einem auf eine Region begrenzten Modellgebiet, in Modelle, die die gesamten globalen atmosphärischen Prozesse simulieren,
eingebettet bzw. „genestet“ sein, um somit deren Werte als Randbedingungen zu übernehmen.
Damit können höher aufgelöste, regionale Details simuliert werden. Auch lassen sich so fehlerbehaftete Simulationen in dem betrachteten regional begrenzten Gebiet durch ursprünglich außerhalb des Gebietes ablaufende atmosphärische Entwicklungen nahezu ausschließen (DWD
2007(a) [48]).
Im operativen täglichen Betrieb setzt der DWD zur Zeit drei Modelle im Rahmen der numerischen Wettervorhersage ein, die näher erläutert werden.
Zuerst zu nennen ist das von 1995 bis 1998 entwickelte und den Globus mit einem Dreiecksgitter (basierend auf einer ikosahedralen-hexagonalen Gitterstruktur) vollständig umspannende
Globalmodell (GME) (DWD 2007(c) [50]). Die ursprüngliche Maschenweite betrug 60 km bei
35 vertikalen Schichten. Seit dem 27.09.2004 ist eine neue GME-Version im operationellen
38
Betrieb, bei der die Maschenweite auf ca. 40 km gesenkt wurde (Schulz und Schättler 2005
[175]), wobei die Gitterflächen auf Grund ihrer Ausprägung nur eine relativ geringe Variabilität
der Größe haben. Die untere Troposphäre wurde um weitere fünf Schichten erweitert. Die jetzt
40 Schichten in der Vertikalen an insgesamt 14,7 Millionen Gitterpunkten und ein Vorhersagehorizont von 174 Stunden (00 und 12 UTC) sowie 48 Stunden (18 UTC) für die prognostischen
Variablen Bodendruck, horizontale Windkomponenten, Temperatur, Wasserdampf, Wolkenwasser und Wolkeneis in der Atmosphäre vom Boden bis in 31 km Höhe, Temperatur und Wassergehalt in zwei Bodenschichten, Schneemenge und Interzeptionswasser sind weitere charakteristische Merkmale. Für einen Vorhersagetag benötigt das Globalmodell GME etwa 15 Minuten
Rechenzeit und erzeugt eine Datenmenge von ca. 14 GByte für eine 7-Tage-Prognose (DWD
2007(c) [50]). Die Orographie des GME wird als Flächenmittelwert der großflächigen Gitterelemente geführt. Demzufolge bleiben lokale Landschaftsdetails und damit verbundene
kleinskalige Prozesse, die einen prägenden Einfluss auf das Wetter haben können, im GME
unberücksichtigt und können nur unter gewissen Annahmen und Vereinfachungen geschätzt
und gemäß ihrer skalengemäßen mittleren Wirkung parametrisiert werden. Dieses Defizit an
regionalen Details kann durch das Einbetten so genannter Ausschnittsmodelle behoben werden.
Im Fall des DWD ist es das im Globalmodell für den Ausschnitt von ganz Mitteleuropa eingebettete Ausschnittsmodell „Lokalmodell Europa“ (LME) (Schulz und Schättler 2005 [175]) mit
einer Rasterweite von 7 km und insgesamt 17,5 Millionen Gitterpunkten auf 40 Schichten. Eine
Übersicht über die Modellformulierung, die Gitterstruktur und die physikalische Parametrisierung, die Numerik sowie die Datenbanken des Lokalmodells LM und des LME geben u.a.
(Doms und Schättler 1999 [41]), (Schättler und Doms 2000 [168]), (Schättler und Doms 2001
[169]), (Doms und Schättler 2002 [42]), (Schraff und Hess 2003 [173]), (Schättler et al. 2005a
[170]), (Schättler 2005b [167]) und (Doms et al. 2005 [40]). Das LME ist eine Weiterentwicklung des „Lokalmodells (LM)“ und nutzt die GME-Prognosen als seitliche Randwerte. Da die
prognostischen Werte des Lokalmodells LM und des weiterentwickelten Lokalmodells Europa
LME im Rahmen dieser Arbeit eine zentrale Rolle spielen, soll auf die Historie des Modells
kurz genauer eingegangen werden.
Die Entwicklung des Lokalmodells des DWD’s begann im Juli 1996. Nach einer einjährigen
präoperationellen Testphase löste es im Dezember 1999 zusammen mit dem neuen Globalmodell GME die bis dahin operationell arbeitenden Numerischen Wettervorhersagesysteme Globalmodell (GM)/Europamodell (EM)/Deutschlandmodell (DM) ab (Schulz und Schättler 2005
[175]). Das Lokalmodell startete mit 35 Schichten und 325x325 Gitterpunkten pro vertikale
Schicht. Der Vorhersagehorizont betrug 48 Stunden, die durch zwei tägliche Modellläufe (00
und 12 UTC) berechnet wurden. Das Lokalmodell war eines der ersten operationellen Wettervorhersagemodelle weltweit, das die dynamischen Grundgleichungen "Eulersche Gleichungen"
ohne skalenabhängige Näherungsannahmen verwendet (Doms und Schättler 1999 [41]). Diese,
als „nichthydrostatisch“ bezeichnete Modelle, lösen statt einer diagnostischen eine prognostische Gleichung für die Vertikalbewegung (DWD 2007(b) [49]). Wichtig für die Berechnung
prognostischer Werte sind neben den adiabatischen Prozessen (horizontale und vertikale Transportvorgänge) die diabatischen Prozesse (Strahlung, Turbulenz, großräumiger und konvektiver
Niederschlag), die im LME physikalisch parametrisiert werden (Doms et al. 2005 [40]). Wie
beim Globalmodell unterteilt sich der operative Betrieb in einen kontinuierlichen Datenassimilationszyklus mittels Nudging-Analyse und den Vorhersagemodus (DWD 2007(b) [49]). Gegenüber der mittleren Flächengröße des GME von 3100 km² hat das Lokalmodell nur eine mittlere Größe der quadratischen Raster von 49 km². Somit können mit dem Lokalmodell schon
wesentlich kleinräumigere Strukturen der Orographie mit wetterprägenden Einfluss, wie z.B.
39
stärkere Vertikalwinde an steileren Hängen und die damit verbundenen Modifikation der Wolken und Niederschläge in den Mittelgebirgslagen, erfasst und auch kleinräumig ablaufende
nicht-hydrostatische Prozesse simuliert werden. Diese sind insbesondere bei der Entstehung von
Starkniederschlägen von Bedeutung (Kunz und Kottmeier 2004 [120]). Horizontale und vertikale Windkomponenten, Druck, Temperatur, Wasserdampf, Wolkenwasser, Wolkeneis und turbulente kinetische Energie vom Boden bis etwa 22 km Höhe, Temperatur, der Wassergehalt in
zwei Bodenschichten, Schneemenge und Interzeptionswasser sind die prognostizierten Größen
des LM (DWD 2007(b) [49]) und damit die Basis detaillierter Wettervorhersagen.
Weiterentwicklungen der Modellphysik und der Bedarf an einer Vergrößerung des mit dem
Lokalmodell abzudeckenden Gebietes führten zu der LM2 bzw. LME genannten neuen Version
des Lokalmodells, die ab dem 27. Juni 2005 in den operativen Betrieb überführt wurde. Die
Modellschichtenzahl wurde im Zuge dieser Fortschreibung mit 40 vertikalen Schichten an die
des Globalmodells angepasst. Die Höhe der untersten Schicht wurde dabei von 34 m auf 10 m
gesenkt. Die Anzahl an Gitterpunkten pro Schicht vergrößerte sich auf 665x657 bei unveränderter Maschenweite. Das 2-Schichten-Bodenmodell wurde durch das MehrschichtenBodenmodell des GME abgelöst. Der Vorhersagehorizont wurde von 48 auf 78 Stunden verlängert (00, 12 und 18 UTC). Eine neue, weniger geneigte Pseudo-Polachse bringt die vorteilhafte
Änderung mit sich, dass der Äquator des rotierten Systems mitten durch das LME-Modellgebiet
verläuft, was gegenüber dem ursprünglichen LM zu einer leichten Veränderung der Gitterpunktslagen führt (Günther 2005 [72]). Eine ausführliche Übersicht über die Modellformulierungen, die Gitterstruktur und die physikalische Ausstattung des Modells gibt (Schulz und
Schättler 2005 [175]). Das Lokalmodell LME ist das wichtigste Instrument der numerischen
Wettervorhersage des DWD für den Zeitbereich bis 72 Stunden.
Die begrenzte räumliche Auflösung des Modellgitters, Vereinfachungen in der Parametrisierung
der subskaligen Prozesse und ungenaue Bestimmung der Anfangsbedingungen behaften Wettervorhersagen nach wie vor mit einem gewissen Maß an Unsicherheiten. Deswegen verbessert
und verfeinert der DWD kontinuierlich seine Beobachtungssysteme und Modelle (Rudolf et al.
2006 [164]). Da auch die Leistungsfähigkeit der zur Verfügung stehenden Computertechnik in
den letzten Jahren weiter zunahm, entwickelte der DWD im Rahmen des Aktionsprogramms
2003 das Projekt P2, dass Lokal-Modell Kürzestfrist (LMK) (Baldauf et al. 2007 [4]). Projektstart war am 01.07.2003. Nach einer 9-monatigen präoperationellen Testphase wurde das LMK
ab Frühjahr 2007 in den operativen Betrieb beim DWD überführt und ergänzt die Modellsysteme GME und LME. LME und LMK basieren als unterschiedlich konfigurierte operationelle
Anwendungen auf dem gleichen Programmcode des Lokalmodells.
Das im LME genestete Lokalmodell-Kürzestfrist (LMK) erhält aus diesem seine seitlichen
Randwerte. Das Modellgebiet umfasst Deutschland und den Alpenraum (Schweiz, Österreich)
sowie kleinere Teile der anderen Anrainerstaaten. Es liefert für Deutschland bei einer auf 2,8
km reduzierten Rasterweite und einer auf 50 erhöhten Anzahl an vertikalen Modellschichten an
insgesamt 9,7 Millionen Gitterpunkten alle 3 Stunden (ab 00 UTC) eine einundzwanzigstündige
Vorhersage. Aus diesem engen Modellierungszyklus und dem Vorhersagehorizont begründet
sich die im Zusammenhang mit dem LMK verwendete Bezeichnung des „Nowcasting“. Es
wurden z.T. wesentliche Änderungen in der physikalischen Parametrisierung, z.B. der hochreichenden Konvektion und der Wolkenmikrophysik vorgenommen. So unterscheidet das LMK im
Gegensatz zum LME über die Fallgeschwindigkeiten der Partikel in die drei Niederschlagsformen Regen, Schnee und Graupel. Von Bedeutung ist noch die Erweiterung des Datenassimilationsprozesses um die Assimilation qualitätsgeprüfter 2D-Radardatenkomposits des DWD-
40
Radarverbundes in einer zeitlichen Auflösung von 5 Minuten und einer horizontalen Auflösung
von 1x1 km (DX-Komposit) (vgl. (Baldauf et al. 2007 [4]). Dabei werden die Radardaten auf
die Gitterpunkte interpoliert und in die Datenbank eingepflegt. Mit Hilfe des Latent Heat Nudging-Verfahrens werden diese Radardaten in das Modell assimiliert (Klink und Stephan 2004
[101]). Über das Verhältnis von beobachteten zu modellierten Niederschlag sowie der im Modell vorhandenen latenten Wärme werden Temperaturinkremente bestimmt, über die die Dynamik des Modells so beeinflusst wird, dass sich der Modellniederschlag an die Beobachtung angleicht (Baldauf et al. 2007 [4]). Diese permanente Rückkopplung zu aktuellen Radarbildern
ermöglicht verbesserte Genauigkeiten bei den punktuellen Vorhersagen, insbesondere von konvektiven Niederschlagsereignissen. Davon verspricht man sich beim DWD eine Abminderung
des fehlerbehafteten Luv-Lee-Effektes in Mittelgebirgslagen. So war beispielsweise im Thüringer Wald eine deutliche Überschätzung der luvseitigen konvektiven Niederschläge und eine
Unterschätzung der leeseitigen Niederschläge zu registrieren. Auf diesen Effekt wird im Kapitel
3.4.2 noch genauer eingegangen.
Das Lokalmodell-Kürzestfrist fokussiert primär auf die Erkennung von gefährlichen Wetterlagen in Folge hochreichender Feuchtekonvektion (z.B. Starkniederschlagsereignisse, Super- und
Multizellengewitter, Böenwalzen) sowie auf Grund von Wechselwirkung mit der verfeinerten
räumlichen Auflösung auftretende Erscheinungen (z.B. Bodennebel, Föhnstürme und Sturzfluten). Daraus leitet sich seine besondere zukünftige Bedeutung bei der Kurzfrist-Vorhersage von
Hochwasserereignissen ab.
Die Entwicklung und Fortschreibung des Lokalmodells in Form von operationellen und wissenschaftlichen Anwendungen wird im Rahmen einer internationalen Kooperation der nationalen
Wetterdienste aus Deutschland (DWD), der Schweiz (MeteoSwiss), aus Italien (USAM), aus
Griechenland (HNMS), aus Rumänien (NMA) und aus Polen (IMGW) mit dem Namen „COSMO“ (The COnsortium for Small-Scale MOdelling) durchgeführt. Das Hauptziel des im Frühjahr 1999 gegründeten Konsortiums wurde wie folgt umrissen: „…the general goal of COSMO
is to develop, improve and maintain a non-hydrostatic limited-area atmospheric model which is
used both for operational and for research applications by the members of COSMO...”
(COSMO 2007 [31]).
41
Abbildung 2.12: Das numerische Wettervorhersagesystem des DWD (Quelle: DWD, verändert)
Der Deutsche Wetterdienst brachte in dieses Konsortium das “Lokalmodell (LM)” und das mit
ihm verbundene Datenassimilationssystem ein, das fortan als grundlegendes Ausschnittsmodell
diente und die Bezeichnung COSMO-Modell bekam. Um den europäischen Gedanken des Konsortiums zu unterstreichen, erhielt das für Mitteleuropa fortgeschriebene Lokalmodell LME den
Namen COSMO-EU. Das sich seit April 2007 im operativen Betrieb befindliche LokalmodellKürzestfrist für Deutschland (früher LMK genannt) läuft unter der Bezeichnung COSMO-DE.
Das Globalmodell, COSMO-EU und COSMO-DE bilden den Kern des numerischen Wettervorhersagesystems des DWD (DWD 2007(b) [49]).
Die Abbildung 2.12 zeigt das im Globalmodell (GME) genestete Modell COSMO-EU (früher
LME) und das im COSMO-EU genestete Modell COSMO-DE (früher LMK) sowie den COSMO-EU-Ausschnitt für Thüringen und der COSMO-DE-Ausschnitt für das FEG GräfinauAngstedt.
Nicht unerwähnt bleiben sollen die beiden Schnee-Modelle des DWD Snow-D und seit 2004
operationell betriebene und verbesserte Modell Snow3 (Blümel und Schneider 2004 [20]) zur
quantitativen Analyse und Prognose des Wasseräquivalents und des Niederschlagsdargebots.
Diese besitzen aus hydrometeorologischer Sicht besondere Bedeutung für die Entstehung und
den Ablauf von Frühjahrshochwasserereignissen durch die Wechselbeziehung zwischen
Schneedeckenverhalten und Niederschlag. Die hydrologische Bedeutung der Schneedecke liegt
in der zeitlichen Verzögerung, mit der Niederschlag abflusswirksam wird und der veränderten
Intensität des Niederschlagsdargebot (Günther 2005 [72]). Diese Modelle liefern in den Monaten November bis April tägliche Analysen der Schneedeckenhöhe, und Prognosen des Wasseräquivalents und des Niederschlagsdargebot als Summe aus Schneeschmelzwasserabgabe und
Regen. Die Rasterweite des neuen Modells Snow3 wurde von 7 km auf 1 km verfeinert, Modellläufe erfolgen alle sechs Stunden. Zudem werden Schnee-Wolken-Klassifikationen aus Satellitendaten und Niederschlagsdaten aus angeeichten Radarmessungen in die Berechnung einbezogen. Da das Modellsystem J2000/JAMS über ein eigenes internes Schneemodul verfügt, konnte
42
im Rahmen dieser Arbeit auf die Einbeziehung von Prognosedaten aus Snow-D und Snow3 verzichtet werden.
Neben der feinskaligeren Topographie hält derzeit mit der Ensembletechnik eine Methodik
beim DWD Einzug, die weitere neue Möglichkeiten eröffnet. Sie basiert auf den Prognosen
verschiedener Modelle und Modellläufen mit variierten Anfangsbedingungen. Mit dem resultierenden Ergebnisspektrum lassen sich die Eintrittswahrscheinlichkeiten von erstellten Wetterprognosen ortsbezogen und quantitativ bestimmen. Somit kann die Zuverlässigkeit der Vorhersage der Überschreitung eines kritischen Wertes, wie beispielsweise die für die Hochwasserentstehung relevanten Starkniederschlagsereignisse, für möglichst kleinräumige Gebiete abgeschätzt werden. Die Ensembletechnik ist Ergebnis gemeinsamer Entwicklungen verschiedener
nationaler Wetterdienste und dem European Centre for Medium-Range Weather Forecasts
((ECMWF 2007 [53]), (Rudolf et al. 2006 [164])).
2.8
Globaler Klimawandel und Hochwasser
"Der Klimawandel ist in vollem Gange, die Erde erwärmt sich schneller als erwartet… Der
‚Megaorganismus Mensch’ ist Mitverursacher der Erwärmung und die Regierungen der Staaten rund um den Globus sind sich nicht einig, einschneidende Maßnahmen zu ergreifen, um
wenigstens die derzeitige Entwicklung zu stoppen.“
Michael Gelinek, Initiator der Internationalen Fachmesse und
Kongress für Hochwasserschutz, Klimafolgen und Katastrophenmanagement „acqua alta“ im September 2006.
2.8.1
Zahlen, Daten, Fakten
Unsere Erde befindet sich im durch den Globalen Wandel geprägten „Zeitalter des Anthropozäns“ (Crutzen 2002 [32]). Dabei steht der Begriff „Globaler Wandel“ für verschiedene
menschliche Einflüsse auf das Erdsystem, wie z.B. die Veränderung der Erdoberfläche durch
intensive Landnutzung, das ungebremste Bevölkerungswachstum, synthetische Stickstofffixierung durch Düngemittelproduktion und natürlich die drastische Erhöhung der atmosphärischen
Kohlendioxidkonzentration und anderer Treibhausgase durch die Verbrennung fossiler Energieträger (Zebisch et al. 2005 [210]).
Dieses Aufbrauchen von den in hunderten von Millionen Jahren entstandenen fossilen Brennstoffen innerhalb nur weniger Generationen kennzeichnet den „Globalen Klimawandel“ und
bewirkt eine Bedrohung der terrestrischen Ökosysteme. Während ein kleiner Teil des Klimawandels seine Ursachen in natürlichen Faktoren wie Schwankungen der Umlaufparameter der
Erde um die Sonne, verschiedenen Sonnenaktivitäten und Vulkanausbrüchen hat, ist die Fachwelt sich jetzt einig, dass die anthropogenen Aktivitäten in Form von Emissionen von Treibhausgasen wie Kohlendioxid, Methan und Lachgas hauptsächlich für die Veränderungen des
Klimas auf unserem Planeten verantwortlich zeichnen (IPCC 2001 [88]). Nach den Ergebnissen
des Fourth Assessment Report (AR4) des IPCC vom Februar 2007 werden die für den Klimawandel verantwortlichen Änderungen der Strahlungsbilanz durch Treibhausgase, vorwiegend
Kohlendioxid, und in geringerem Maße durch Schwankungen der solaren Einstrahlung verursacht (IPCC 2007 [90]).
Kohlendioxis, das wichtigste Treibhausgas, erreichte 2001 eine atmosphärische Konzentration
von 375 ppm, das höchste Niveau der vergangenen 400.000 Jahre (Petit et al. 1999 [147]). In
2.8 Globaler Klimawandel und Hochwasser
43
den letzten 10 Jahren gab es die größte Zuwachsrate innerhalb der letzten 50 Jahre. So nahm die
CO2-Emissionen von 1990 bis 2004 um etwa 28 Prozent zu (UBA 2007 [199]). Dies führte zu
einem CO2-Gehalt im Jahr 2005 von 379 ppm, den nunmehr höchsten Wert seit 650.000 Jahren
(der vorindustrielle Wert im Jahr 1750 betrug etwa 280 ppm). In den letzten Jahren stellten
Wissenschaftler zudem eine Beschleunigung des Anstiegs der CO2- und N2O-Konzentrationen
fest (UBA 2007 [199]). 78 Prozent der Erhöhung gehen auf die Nutzung fossiler Brennstoffe
zurück, 22 Prozent auf Landnutzungsänderungen (z.B. Rodungen) (IPCC 2007 [90]). Auch die
Methankonzentration erhöhte sich, verglichen mit dem vorindustriellen Niveau, um mehr als
150 Prozent (IPCC 2001 [88]).
Die Treibhausgase sind der Grund für die Erwärmung der Atmosphäre und der Erdoberfläche,
da sie einen Teil der von der Erde abgegebenen Wärmestrahlung reflektieren. Dieser „Treibhauseffekt“ sorgte u.a. dafür, dass in der Nordhemisphäre mit den 1990’er Jahren die wärmste
Dekade und mit den Jahren 1998, 2002 und 2003 die drei wärmsten Jahre der letzten tausend
Jahre aufgetreten sind ((IPCC 2001 [88]), (WMO 2005 [208])). Die derzeitigen Temperaturen
auf der Nordhalbkugel sind wahrscheinlich die wärmsten seit mindestens 2000 Jahren (Moberg
2005 [133]). Die Temperaturzunahme der letzten 50 Jahre ist doppelt so hoch wie die der letzten 100 Jahre, die Arktis hat sich zweimal so stark erwärmt wie im globalen Mittel (IPCC 2007
[90]). Bei Anstieg der globalen Mitteltemperatur um 0,7 ±0,2 °C seit 1990 nahm der mittlere
jährliche Niederschlag über den mittleren und höheren Breiten der Nordhemisphäre im 20. Jahrhundert um 0,5 bis 1Prozent pro Dekade zu (Zebisch et al. 2005 [210]).
In dem vom IPCC im Februar 2007 veröffentlichten 2. Teil des Weltklimareports wird festgestellt, dass unter dem Druck der sich vollziehenden regionalen Temperaturerhöhungen auf allen
Kontinenten bereits jetzt die Erdoberfläche und die Ökosysteme einem Wandlungsprozess ausgesetzt sind, der gravierende Folgen haben wird. Diese Folgen wurden in dem Bericht erstmals
in aller Deutlichkeit für die unterschiedlichen Regionen der Erde differenziert beschrieben. In
ganz Europa wird sich das Risiko für Hochwasser nach Starkniederschlägen, wie beispielsweise
bei der Flutkatastrophe an der Elbe im Jahre 2002, weiter erhöhen. Besonders in Mittel- und
Osteuropa werden Überschwemmungen durch Wärmeeinbrüche und eine beschleunigte Schneeschmelze zum Ende des Winters zunehmen. Demgegenüber wird es in Südeuropa verstärkt zu
Hitzewellen und Waldbränden kommen. Verminderte Ernteerträge und rückläufige Wasserverfügbarkeit bringen dort weitere Probleme (IPCC 2007 [90]).
Das IPCC rechnet in seinen SRES-Szenarien (s. 2.8.2) mit einem zukünftigen weiteren Anstieg
der Konzentration aller Treibhausgase auf Werte zwischen 650 bis 1215 ppm CO2-Äquivalente.
Die CO2-Konzentration wird sich danach mit Werten zwischen 607 und 958 ppm gegenüber der
vorindustriellen Zeit verdoppeln bzw. verdreifachen (Nakicenovic und Swart 2000 [137]). Die
globale Mitteltemperatur wird je nach Szenario beschleunigt um 1,4-6,4°C bis zum Jahr 2100
ansteigen (IPCC 2007 [90]). Laut (MünchnerRückversicherung 2002 [135]) ist bereits seit 1950
ein deutlicher Anstieg der Schäden durch Naturkatastrophen und Überschwemmungen zu verzeichnen. Extreme Wetterereignisse und Witterungsperioden wie heiße Tage, sommerliche Dürre, Stürme, Starkniederschläge und damit verbundene Hochwassersituationen nehmen wahrscheinlich oder sehr wahrscheinlich im 21. Jahrhundert weiter zu (IPCC 2001 [88]).
Die Europäische Union verfolgt mit ihren Bemühungen das Ziel, die globale Klimaerwärmung
unter 2°C zu halten. Dazu müssten die globalen Emissionen von 7 Gt Kohlenstoff auf 2 Gt gesenkt werden (IPCC 2001 [88]), was angesichts der Emissionen der USA und Chinas und anderer bevölkerungsreicher Länder ein sehr ehrgeiziges Ziel darstellt. Selbst bei einem sofortigen
44
Ende aller Emissionen würde durch die Trägheit des Klimasystems ein weiterer Temperaturanstieg um ca. 0,6°C erfolgen (IPCC 2007 [90]).
Auch für Deutschland ergaben die untersuchten Studien eine Erwärmung der langjährigen Jahresmitteltemperaturen bis 2080 von +1,6 bis +3,8 °C, bei jedoch z.T. starken regionalen Unterschieden mit den höchsten Erwärmungen im Südwesten und im Osten.
Die folgende Abbildung 2.13 stellt die auf Basis der Klimaprojektionen des MPI Hamburg beispielhaft für das Szenario A1B zu erwartenden Temperaturänderungen für Deutschland in den
Jahren 2030 und 2085 dar.
Während bis zum Jahr 2030 in dem Gebiet mit einer Erwärmung von ca. 1,5°C gerechnet werden muss, sind es im Jahr 2085 bereits knapp 4°C. Die Aussage, dass die Höhe des Anstiegs
von dem weiteren Emissionsverhalten bezüglich Treibhausgasen abhängt, gilt als sicher.
Abbildung 2.13: Szenario A1B: Temperaturänderung für die Zeiträume von 2016-2045 und 2071-2100
gegenüber 1961-1990 ((Nakott 2007 [138]) Quelle: DKRZ, MPI Hamburg, UBA)
Bei den Niederschlägen ist zum Ende des Jahrhunderts eine deutliche Verschiebung zu erwarten. Während die Sommerniederschläge abnehmen (im Thüringer Wald ca. 15-20 Prozent),
nehmen die Winterniederschläge um ca. 30 Prozent zu. Auf Grund der Erwärmung wird es aber
in den Wintern deutlich weniger Schnee geben. Die Anzahl der Tage mit mehr als 25 mm Niederschlag steigt signifikant an. Die Veränderungen des Jahresniederschlages liegen jedoch unter
10 Prozent (Zebisch et al. 2005 [210]). Die Abbildung 2.14 zeigt die relativen Niederschlagsänderungen der hydrologischen Sommer- und Winterperioden der Zeitreihe von 2071-2100 im
Vergleich zu den Jahren 1961-1999, ebenfalls auf Grundlage der vom MPI Hamburg berechneten Klimaprojektionen.
45
Abbildung 2.14: Relative Niederschlagsänderungen im hydrologischen Sommer (li.) und Winter 20712100 im Vergleich zu 1961-1999 ((Nakott 2007 [138]) Quelle: DKRZ, MPI Hamburg, UBA)
Im Rahmen des Umweltforschungsplanes wurde vom Umweltbundesamt (UBA) im Jahr 2005
an das Potsdam-Institut für Klimafolgenforschung (PIK) eine Studie in Auftrag gegeben. Darin
wurden die potenziellen zukünftigen Auswirkungen des Globalen Wandels, insbesondere des
Klimawandels, auf die klimasensitiven Bereiche Wasser-, Land-, Forstwirtschaft, Biodiversität
und Naturschutz, Gesundheit, Tourismus und Verkehr untersucht. Ziel war es, die Vulnerabilität
dieser Bereiche, also ihre Anfälligkeit, ihren Anpassungsgrad und ihre Anpassungskapazität,
allgemein und regional differenziert zu bewerten. Wie vulnerabel eine bestimmte Region bzw.
ein Mensch-Umwelt-System ist, hängt einerseits von der Prädisposition des Gebietes ab und
andererseits vom regionsspezifischen Einfluss der Komponenten des Globalen Wandels, speziell des Klimawandels, und dem Anpassungsvermögen der Region an die zu erwartenden Veränderungen. Dabei wird dreistufig (gering-mäßig-hoch) in aktuelle Vulnerabilität (OhneMaßnahmen-Szenario) und in Vulnerabilität mit weiteren Maßnahmen (Mit-weiterenMaßnahmen-Szenario) unterschieden. Durch Vergleich der Vulnerabilität eines MenschUmwelt-Systems des Ohne-Maßnahmen-Szenarios mit der Vulnerabilität des Mit-MaßnahmeSzenarios lassen sich die zu erwartenden Schäden des Globalen Wandels und insbesondere des
Klimawandels beschreiben (Zebisch et al. 2005 [210]).
Während in großen Einzugsgebieten Hochwasserereignisse meist durch lang anhaltende, advektive Niederschlagsereignisse (Landregen) mit und ohne Beteiligung von Schneeschmelze ausgelöst werden, sind es in kleinen Einzugsgebieten lokale konvektive extreme Niederschlagsereignisse, die oft kleinräumige Hochwässer mit hohem Schadenspotenzial nach sich ziehen. Dabei
kam es in den letzten Jahren immer wieder zu Hochwasserkatastrophen, die hohen Sachschaden
verursacht und Menschenleben gefordert haben (EEA 2001 [54]). In Deutschland wurden etwa
die Hälfte aller durch Hochwasser verursachten Schäden durch diese kleinräumigen Hochwässer verursacht (Bronstert 1996 [27]).
Die Studie kommt zu dem Schluss, dass sich die deutschen Mittelgebirge insgesamt nur als
„mäßig“ vulnerabel erweisen, da das derzeitige eher kühl und feuchte Klima bei einer Veränderung zu einem wärmeren Klima für manche Bereiche (z.B. Landwirtschaft) sogar eher eine
46
Chance darstellt. Mit „Hoch“ bewertet wird aber die aktuelle Vulnerabilität im Bereich Hochwasser, speziell gegenüber lokalen Hochwasserereignissen, die von konvektiven Starkniederschlägen ausgelöst werden (Zebisch et al. 2005 [210]).
Das in den letzten Jahren zu beobachtende Ansteigen der Anzahl von Hochwasserereignissen
wird u.a. auf die statistisch bereits nachgewiesene Zunahme der Häufigkeit und Intensität von
Starkniederschlagsereignissen zurückgeführt (IPCC 2007 [90]). Nach ((Palmer und Räisänen
2002 [142]), (Milly et al. 2002 [132])) besteht global ein erhöhtes Risiko für Extremniederschläge und Hochwasser als Folge des Klimawandels. Auch in Deutschland werden sich auf
Grund von Klimaänderungen die Niederschlagscharakteristika bezüglich absoluter Niederschlagsmenge, Intensität, Dauer und Häufigkeit ändern (Bronstert 1996 [27]). Vieles weist auf
eine Abnahme der Sommer- und Zunahme der Winter- und Frühjahrsniederschläge und damit
auf eine höhere Wahrscheinlichkeit winterlicher Hochwasser hin ((Grieser und Beck 2002 [69]),
(Schönwiese et al. 2005 [172])). (Fricke und Kaminiski 2002 [62]) rechnen mit einer zunehmenden Häufung sog. Vb-Wetterlagen, die die Entstehung von Sommerhochwässern begünstigen. In Folge künftiger Erwärmung könnten die erhöhten Temperaturen zu einer ausbleibenden
Schneeakkumulation führen, was eine Reduktion der Hochwasserspitzen der Winterhochwässer
zur Folge hätte (Eisenreich, 2005). Weiterhin würde die Wahrscheinlichkeit des Auftretens von
Eisstauhochwässern durch geringeres Zufrieren der Flüsse sinken (Bronstert 1996 [27]).
Neben den klimabedingten Einflüssen haben auch ein verminderter Gebietsrückhalt durch
Flusslaufbegradigung, der Bau von Staustufen, der Verlust von Auen und Feuchtgebieten, die
zunehmende Flächenversiegelung und verringertes Infiltrationsvermögen der Böden Einfluss
auf die Hochwassergefahr. Derzeit überwiegt der Einfluss dieser anthropogenen Faktoren noch
die Auswirkungen des Klimawandels (Zebisch et al. 2005 [210]).
Der Freistaat Thüringen hat nach der UBA-Studie Anteil an vier unterschiedlich vulnerablen
Klimabereichen: dem Bereich Südostdeutsche Becken und Hügel, Zentrale Mittelgebirge und
Harz, Erzgebirge, Thüringer und Bayerischer Wald, Alp und Nordbayerisches Hügelland
(TLUG 2007 [190]). Diese wurden durch die TLUG hinsichtlich ihrer räumlichen Lage modifiziert und spezifiziert (Kunka 2007 [119]).
Da der Fokus dieser Arbeit auf der Schaffung eines Modellsystems zur Hochwasserprävention
eines Einzugsgebietes im Thüringer Wald liegt, bestand der Anspruch, die Folgen des Klimawandels kleinräumig für das im Klimabereich „Erzgebirge, Thüringer und Bayerischer Wald“
liegende Untersuchungsgebiet zu analysieren und die Vulnerabilität gegenüber der durch den
Klimawandel in ihrer Auftretungswahrscheinlichkeit bzw. Wiederkehrimtervallen beeinflussten
Hochwasserereignisse zu bewerten.
2.8.2
SRES-Klimaszenarien
Änderungen des Klimas haben ihre Ursache in internen Schwankungen des Klimasystems und
dem Einwirken von externen Faktoren, die in natürliche und anthropogene Faktoren unterschieden werden. Letztere stehen für die Emission von Treibhausgasen und Aerosolen, die die Zusammensetzung der Atmosphäre verändern. Die rasante Bevölkerungsentwicklung, sozioökonomische Entwicklungen und der technologische Wandel bestimmen maßgeblich die zukünftige
Entwicklung dieser Emissionen. Der Zwischenstaatliche Ausschuss für Klimaänderungen
(IPCC) veröffentlichte 2000 in seinem Sonderbericht die von (Nakicenovic und Swart 2000
[137]) entwickelten Emissionsszenarien (SRES) die Treibhausgasemissionsszenarien, die im
dritten Sachstandsbericht als Grundlage für Klimaprojektionen verwendet wurden. Die SRES-
47
Szenarien umfassen die vier Szenarienfamilien A1, A2, B1 und B2, die von einer gleichartigen
Modellgeschichte bezüglich der demographischen, gesellschaftlichen, wirtschaftlichen und
technologischen Entwicklung ausgehen. Innerhalb der Szenarienfamilien gibt es sechs bezüglich Stichhaltigkeit gleichwertige Szenariengruppen, die jeweils eine konsistente Variation der
Modellgeschichte reflektieren und zusammengenommen den durch Einflussfaktoren und Emissionen erzeugten Unsicherheitsbereich abdecken (IPCC 2001 [88]). Der Begriff Modellgeschichte steht dabei für die Haupteigenschaften der Szenariengruppe, die Beziehungen zwischen
den Haupteinflussfaktoren und deren Evolutionsdynamik. Die Szenarienfamilie A1 enthält drei
Szenariengruppen, die anderen drei Szenarienfamilien jeweils eine Szenariengruppe.
Die Szenarienfamilien A1, A2, B1, und B2 stehen für Kombinationen aus demographischen
Wandel, sozialer und wirtschaftlicher Entwicklung und technischer Entwicklung (s. Abbildung
2.15).
Die Szenarienfamilie A1 ist geprägt durch ein sehr starkes Wirtschaftswachstum und den weltweiten Einsatz von neuen und effizienteren Technologien. Die Weltbevölkerung erreicht in der
Mitte des 21. Jahrhunderts ihr Maximum und nimmt danach ab. Zunehmende kulturelle und
soziale Interaktionen prägen das Szenario ebenso wie eine Verminderung der regionalen Differenzen der Pro-Kopf-Einkommen. Die drei Szenariengruppen der Szenarienfamilie A1 differieren explizit verschiedene technologische Entwicklungen des Energiesystems. So steht A1B für
eine ausgewogene Nutzung von fossilen Brennstoffen und nicht-fossilen Energieträgern, während A1FI von einer intensiven Nutzung fossiler Brennstoffe ausgeht und A1T von einer starken
Nutzung nicht-fossiler Energieträger.
Die Szenarienfamilie bzw. –gruppe A2 repräsentiert eine heterogene Welt, in der die lokalen
Besonderheiten gewahrt bleiben. Die Weltbevölkerung unterliegt einem kontinuierlichen
Wachstum. Das wirtschaftliche Wachstum ist regional orientiert und der technologische Wandel
langsamer.
Abbildung 2.15: Schematische Darstellung der SRES-Szenarienfamilien (nach (IPCC 2001 [88]), verändert)
Die Szenarienfamilie B1 steht für einen schnellen Wandel der wirtschaftlichen Strukturen hin
zu einer Dienstleistungs- und Informationsökonomie mit einer Reduktion des Material-
48
verbrauchs und der Einführung von emissionsreduzierten und ressourcenschonenden Technologien sowie gleichem Verhalten des Bevölkerungswachstums wie bei der Szenarienfamilie A1.
Die Szenariengruppe B2 legt den Schwerpunkt auf lokale Lösungen der wirtschaftlichen, sozialen und umweltorientierten Nachhaltigkeitsfragen. Sie ist wie Szenario A2 charakterisiert durch
kontinuierliches, aber langsameres Anwachsen der Bevölkerung. Der technologische Wandel
und die wirtschaftlichen Entwicklungen vollziehen sich verzögerter.
Alle sechs SRES-Szenariengruppen, für die keine Eintrittswahrscheinlichkeit angegeben werden
kann, zeichnen sich durch einen Anstieg der atmosphärischen Kohlendioxidkonzentrationen, der
mittleren globalen Erdoberflächentemperatur und der Meeresspiegel im Laufe des 21. Jahrhunderts aus. Insbesondere die mittlere globale Erdtemperatur steigt in den in den Szenarien bis
zum Jahr 2100 um 1,4 bis 5,8°C (IPCC 2002 [89]) bzw. 1,4 bis 6,4°C (IPCC 2007 [90]) an, was
einer Erwärmungsgeschwindigkeit entspricht, die im Vergleich mit Paläoklimadaten der letzten
10.000 Jahre beispiellos ist (IPCC 2002 [89]).
Da die Szenarien für die Niederschläge regional verschieden Zuwächse und Abnahmen im typischen Bereich von 5-20 Prozent projizieren, war es nahe liegend, die Veränderungen unter dem
Einfluss des globalen Klimawandels unter regionalem und lokalem Blickwinkel im Bereich des
FEG Gräfinau-Angstedt mit Hilfe der verfügbaren klimatologischen Daten und Modelle zu untersuchen. Das IPCC betrachtete in seinem 4. Statusbericht im Februar 2007 für die Klimamodellierung dieses Jahrhunderts die Szenarien A1B und B1 sowie das mit einem weiteren Anstieg
an Treibhausgasemissionen bis Ende dieses Jahrhunderts verbundene Szenario A2. Für die Bewertung der klimatologischen Folgen wurde das mittlere Szenario A1B ausgewählt, da nach
allgemeiner Auffassung dieses Szenario mit einer höheren Wahrscheinlichkeit eintreten dürfte
als die extremeren Szenarien. Ausführlich analysiert wurden die relevanten Klimagrößen Niederschlag und Temperatur.
2.8.3
Komplexe Klimamodelle
Das IPCC stellt in den Ergebnissen des Fourth Assessment Report (AR4) der Arbeitsgruppe 1:
„Wissenschaftliche Grundlagen“ vom Februar 2007 fest: „Klimaprojektionen für die nächsten
100 Jahre lassen sich überzeugend durch Klimamodelle simulieren, die mit Energienutzungsszenarien angetrieben werden.“ (IPCC 2007 [90]).
Klimamodelle beschreiben die physikalischen, chemischen und biologischen Zusammenhänge
eines Systems und deren komplexe Wechselwirkungen anhand geltender Naturgesetze (s.
Abbildung 2.16). Mit ihrer Hilfe gelingt es, mögliche Entwicklungskorridore des künftigen
Klimas – der Temperaturen und der Niederschläge – abzuschätzen. Die Basis dafür stellen die
gerade erläuterten Szenarien zu denkbaren Treibhausgasemissionen. Um die physikalischen
Erhaltungsgrößen korrekt abzubilden, bestehen komplexe moderne Klimamodelle aus einem
Atmosphärenmodell, einem Ozeanmodell, einem Schnee- und Eismodell sowie einem Vegetationsmodell. Zusammengefasst bezeichnet man dies als globales Klimamodell (Global Climate
Model, GCM).
49
Abbildung 2.16: Das physikalische Klimasystem (Quelle: MPI Hamburg)
Die mathematisch als gekoppelte Systeme von nichtlinearen Differentialgleichungen und algebraischen Gleichungen beschreibbaren Klimamodelle liefern unter Annahme bestimmter Randbedingungen Projektionen darüber, wie sich bestimmte atmosphärische Zustände sowie physikalische Vorgänge in den Ozeanen und auf der Erdoberfläche verändern (KLIWA 2006 [102]).
Durch die Definition der verschiedenen Szenarien kann dabei ein breites Spektrum unbekannter
globaler Entwicklungsgrößen abgedeckt werden. Dabei sind die GCM bezüglich ihrer räumlichen Auflösung eingeschränkt. Die limitierenden Faktoren sind die verfügbaren Rechnerkapazitäten und die Komplexität der Prozesse. Das vom Max-Planck-Institut für Meteorologie in
Hamburg eingesetzte globale Klimamodell ECHAM4/OPYC3 bzw. ECHAM5/MPI-OM z.B.
hat nur eine horizontale Gitterauflösung von 250 km. Dies gibt topographische Eigenschaften
der Erdoberfläche für regionale Betrachtungen nur unzureichend wieder ((Schär et al. 2000
[166]), (Schär et al. 2001 [165])).
Mit der Methode des Downscaling (vgl. Abb. 1.3 Anhang B) kann eine feinere Auflösung erreicht werden. Die dabei zum Einsatz kommenden Regionalisierungsverfahren unterscheidet
man in statistische Verfahren und dynamische regionale Verfahren, sog. Regional Climate Models (RCM) (Ulbrich 2004 [201]). Grundannahme ist, dass die globalen Modelle im großräumigen Bereich die Strukturen der atmosphärischen Zirkulation sehr gut beschreiben. Der Ansatz
der statistischen Verfahren besteht in der Annahme von statistischen Beziehungen zwischen
diesen großräumigen Druck- und Temperaturverteilungen (Wetterlagen) und lokalen Wetterelementen in Form historischer und aktueller Messwerte an ausgewählten Klimastationen. Das
heißt, die in der Vergangenheit oder Gegenwart gewonnenen statistischen Beziehungen werden
(angetrieben von den Emissionsszenarios), auf die voraus zu berechnenden Projektionen der
globalen Modelle, in denen sich auch Änderungen der atmosphärischen Zirkulationsgrößen
manifestieren, angewandt (Spekat et al. 2007 [183]). Statistische Verfahren erfordern weniger
Rechnerkapazität als dynamische Verfahren.
Die dynamischen Verfahren der RCM nutzen die gleichen Prinzipien wie die GCM. Es werden
kleinräumige Ausschnitte auf der Erde betrachtet, die an ihren Rändern mit Ergebnissen des
GCM angetrieben werden, d.h., die Behandlung der physikalischen Vorgänge ist an das feinere
Gitter anzupassen (Spekat et al. 2007 [183]). Über auf diese Weise mehrfach „genestete“ Mo-
50
dellketten kann die räumliche Auflösung sukzessive erhöht werden. Es besteht eine Abhängigkeit der Realitätsnähe des RCM von der Güte des verwendeten GCMs, da sich Änderungen oder
Fehler in der synoptischen Klimatologie von dem GCM auf das RCM fortpflanzen (KLIWA
2006 [102]). Dieser Fehlereinfluss auf die regionalen Klimaszenarien besteht auch bei den statistischen Methoden, ist hier aber auf Grund der geringeren Nutzungsintensität von GCMInformationen kleiner (Schär et al. 2000 [166]). Noch nicht realisiert ist eine Kopplung von
GCM und RCM, bei der nicht nur Berechnungen des globalen Modells in das genestete Regionalmodell einfließen, sondern das Regionalmodell auch seine Ergebnisse in das Globalmodell
zurück transferiert. Hochentwickelte dynamische Regionalisierungen sind sehr aufwändig und
ressourcenintensiv (Spekat et al. 2007 [183]).
Im Rahmen der Studie des Kooperationsvorhabens "Klimaveränderung und Konsequenzen für
die Wasserwirtschaft“ (KLIWA) „Regionale Klimaszenarien für Süddeutschland“ entschied
man sich in Bayern und Baden-Württemberg, für die Region Süddeutschland mit drei verschiedenen Verfahren (statistisch, statistisch-dynamisch und dynamisch) regionale Klimaszenarien
durch namhafte Forschungsinstitute berechnen zu lassen, um mit einer gewissen Bandbreite
Aussagen über zukünftige Entwicklungen machen zu können (KLIWA 2006 [102]). Das dynamische Verfahren REMO wurde im Verlauf dieser Arbeit für die anstehenden Untersuchungen
ausgewählt. Es beschreibt die zu erwartende klimatische Situation bis zum Jahr 2100. Die Ergebnisse werden im Kapitel 5.4 näher untersucht.
2.8.4
Regionales Klimamodell REMO
Das regionale Klimamodell „REMO“ des Max-Planck-Instituts für Meteorologie Hamburg,
beschrieben in ((Jacob und Podzun 1997 [93]), (Jacob et al. 2003 [92])), entstand aus dem „Europa-Vorhersage Modell“ des DWD (Majewski 1991 [126]) und kann dessen spezifische Parametrisierung physikalischer Prozesse verwenden (KLIWA 2006 [102]). Da die physikalischen
Prozesse dynamisch berechnet werden, kann es auch nichtlineare Zusammenhänge berücksichtigen. Eingehende Größen sind u. a. Wechselwirkungen im Klimasystem, Land-/Seeverteilung,
Eisbedeckung, Ozeanische Zustände (z. B. Salzgehalt, Wassertemperaturen), Vegetationsentwicklung, Bodennutzung, Atmosphärische Zustände (z. B. Temperaturschichtung, Luftdruckverteilung) (TLUG 2007 [190]) und die Treibhausgasemissionen nach den verschiedenen
SRES-Szenarien.
Abbildung 2.17: Vereinfachte schematische Darstellung des REMO-Modells des MPI (Bronstert und
Schwandt 2004 [30])
Seit 1995 wurde am MPI Hamburg das GCM ECHAM4-OPYC3 ((Cubasch et al. 1995 [33]),
(Roeckner et al. 1996 [162])) verwandt, das im Jahre 2005 durch das Nachfolgermodell
51
ECHAM5/MPI-OM T63L31 ((Roeckner et al. 2003 [161]), (Roeckner et al. 2004 [163])) abgelöst wurde. REMO basiert auf einem doppelt genesteten Ansatz. Das grob aufgelöste Globale
Klimamodell ECHAM5/MPI-OM treibt das Modell REMO mit einer Auflösung von 0,44°
(50x50 km²) an. Dieses wiederum fungiert als Antrieb für ein dreidimensionales hydrostatisches
regionales Klimamodell REMO mit einer Auflösung von 0,088°, was einem flächendeckenden
Raster von 10x10 km² entspricht. Die Abbildung 2.17 zeigt eine vereinfachte schematische Darstellung des REMO-Modells des MPI. Die Abbildung 1.4 im Anhang B zeigt das im GIS generierte und aus dem Gesamtbestand extrahierte REMO-Raster für Thüringen und die für das FEG
Gräfinau-Angstedt relevanten Rasterzellen.
Mit REMO werden alle wichtigen klimatologischen Daten wie z.B. die Lufttemperatur, Niederschlag, Luftdruck, Luftfeuchtigkeit mit einem Zeithorizont von 2001-2100 in zeitlicher Auflösung von 1 Tag und zum Teil in Form von Stundenwerten für die SRES-Szenarien A1B, A2 und
B1 erzeugt. Sie sind die Grundlage der Berechnung von flächenhaften Verteilung meteorologischer Größen innerhalb bestimmter Zeiträume, Trendaussagen meteorologischer Größen, Wahrscheinlichkeiten des Auftretens bestimmter Werte usw. Die Validierung erfolgte auf Basis einer
ERA15/ECMWF Analyse der Jahre 1979-2003. Der Modell-Kontrolllauf erfolgte für den Zeitraum von 1950-2000.
Unter hydrologischem Aspekt sind die raum-zeitlichen Variabilitäten des Niederschlags von
besonderer Bedeutung. Umfangreiche Untersuchungen zur Eignung der Daten der REMOKlimaprojektionen für regionale Fragestellungen wurden u.a. für Süddeutschland durchgeführt
(Bronstert et al. 2006 [28]). Im Ergebnis wird festgestellt, dass sich die REMO-Daten für die
Simulation von Hochwasserperioden weniger eignen, auch wenn sie die raum-zeitliche Variabilität der Niederschläge insgesamt realitätsnah und regional konsistent beschreiben. Aus diesem
Grund werden im Rahmen dieser Arbeit REMO-Daten nicht als Grundlage hydrologischer Modellierungen genutzt, sondern hinsichtlich der nach den Klimaprojektionen zu erwartenden
Entwicklungen der Jährlichkeiten bzw. Wiederkehrintervalle von Starkniederschlagsereignissen
untersucht.
52
3
Vorprozessierung zur Modellierung
Nach den Ausführungen zu den Grundlagen und dem Forschungsstand im vorangegangenen
Kapitel, steht im Kapitel 3 die notwendige Vorprozessierung zur Modellierung im Mittelpunkt.
Als ein für das Mittelgebirge Thüringer Wald prototypisches Einzugsgebiet wurde das am Oberlauf der Ilm gelegene Flusseinzugsgebiet von der Quelle bis zum Pegel Gräfinau-Angstedt
gewählt. Im Anschluss wird das im weiteren Verlauf als „FEG Gräfinau-Angstedt“ bezeichnete
Untersuchungsgebiet, bezüglich seiner geographischen Lage, der Reliefausprägung und des
charakteristischen Klimas beschrieben. In diesem Kontext werden die Wiederkehrintervalle von
Extremniederschlagsereignissen verschiedener Dauerstufen mit Hilfe des KOSTRA-DWD2000-Atlases und in Verbindung mit Schneeschmelzereignissen mittels des REWANUS-Atlases
ausgewertet. Einer Darstellung der Hydrogeologie und Pedologie, Vegetation und Flächennutzung sowie der hydrologischen Dynamik des Flusseinzugsgebiets folgt eine Charakterisierung
des im Deutschen Gewässerkundlichen Jahrbuch verzeichneten Hochwassermeldepegels Gräfinau-Angstedt zu der auch die Bestimmung der Jährlichkeiten der Extremabflüsse auf Basis
langjähriger Pegelmesswerte gehört.
Ausführlich wird in diesem Kapitel auf die Erzeugung der für die HRU-Ableitung nötigen zeitlich statischen Gebietsparameter eingegangen. Es folgt eine Bewertung der Messwerte als zeitlich variable Eingangsdaten für das Modellsystem. Die zweite Form zeitlich variablen Inputs
sind die prognostizierten Klimadaten, die am Ende des Kapitels auf ihre statistische Güte und
Verwendbarkeit hin bewertet werden.
3.1
Das Flusseinzugsgebiet Gräfinau-Angstedt
Unter einem Flusseinzugsgebiet versteht man das gesamte Gebiet, aus dem Wasser als konzentrierter Abfluss einem definierten Punkt, dem Gebietsauslass, zufließt. Begrenzt werden die
durch topographische Gegebenheiten charakterisierten Flusseinzugsgebiete durch Wasserscheiden. Sie sind hierarchisch aufgebaut, wobei die betrachtete Hierarchieebene vom Untersuchungsmaßstab abhängig ist (Pfennig et al. 2006 [151]).
3.1.1
Naturräumliche Beschreibung
Das mit einer Fläche von 154,8 km² im unteren Bereich der Mesoskale einzuordnende FEG
Gräfinau-Angstedt liegt im zentralen Bereich des Thüringer Waldes. Es grenzt direkt an die
Wasserscheide der Kammlagen und erstreckt sich auf die Lee-Seite des Mittelgebirgszuges (s.
Abbildung 3.1). Seine größte Nord-Süd-Ausdehnung beträgt 13,3 km, die größte Ost-WestAusdehnung 19,3 km. Die höchsten Erhebungen des zu zwei Dritteln Mittelgebirgscharakter
tragenden FEG (vgl. Abb. 1.5 Anhang B) sind die im Westen liegende Schmücke mit 967 m
über NN, der Große Finsterberg mit 944 m ü. NN sowie der südwestlich von Ilmenau gelegene
Kickelhahn mit 861 m ü. NN. Der dominante Ort des Gebietes ist die im Norden gelegene Stadt
Ilmenau mit ca. 27.000 Einwohnern (EW). Es folgen die Orte Gehren (3.800 EW) im Osten,
Langewiesen (3.700 EW) im Nordosten und Stützerbach (1.800 EW) im Westen (s. Abbildung
3.2). Das FEG Gräfinau-Angstedt ist ein Teileinzugsgebiet des in die Saale mündenden Flusses
54
Ilm und zählt damit zum Stromgebiet der Elbe. Eine Übersicht über alle Flusseinzugsgebiete
Thüringens zeigt die Abbildung 1.6 Anhang B.
Abbildung 3.1: Lage des Flusseinzugsgebietes der Oberen Ilm bis zum Pegel Gräfinau-Angstedt in
Thüringen (Karte: TLUG)
Die Ilm entsteht aus dem Zusammenfluss ihrer drei Quellbäche (s. Bild 1.1 Anhang A) Freibach
(s. Bild 3.1), Taubach und Lengwitz nördlich des Ortes Stützerbach und verlässt bei Ilmenau die
Höhenlagen des Thüringer Waldes.
Bis zum Gebietsauslass am Pegel Gräfinau-Angstedt hat die Ilm eine Fließlänge von ca. 19 km
und verzeichnet dabei einen Höhenunterschied von 172 m (580 m ü. NN – 408 m ü. NN). Dies
bedeutet ein durchschnittliches Gefälle von 9,1 ‰. (Bongartz 2001 [22]) Die Länge der Nebengewässer der Oberen Ilm beträgt 153 km, woraus sich eine mittlere Gewässerdichte des FEG’s
von 0,99 km/km² ergibt. Geologisch bedingt variiert dieser Wert in den abgeleiteten 16 Teileinzugsgebieten. Die Ilm fällt mit einem mittleren jährlichen Durchfluss (MQ) von 2,52 m³/s
(Grundlage: 1951-2006) am Pegel Gräfinau-Angstedt in die Kategorie der kleineren Flüsse.
Nach einer weiteren Fließlänge von 106 km mündet die Ilm bei Großheringen an der Grenze
von Thüringen zu Sachsen-Anhalt mit einem MQ von 6,59 m³/s, wie schon erwähnt, in die Saale. Das Fließschema der gesamten Ilm ist in der Abbildung 1.7 Anhang B dargestellt.
3.1 Das Flusseinzugsgebiet Gräfinau-Angstedt
Abbildung 3.2:
55
Ausschnitt aus der Topographischen Karte TK 100
Bild 3.1: Mündung des Freibach in die Ilm nördlich von Stützerbach
Legt man die naturräumliche Gliederung nach (Hiekel et al. 1994 [81]) zu Grunde, gehört das
FEG zu 85% zum Naturraum Mittelgebirge und 15% (23 km²) zu dem im nördlichen Teil des
FEG liegenden Naturraum Buntsandstein-Hügelländer. Dieser wird repräsentiert durch die Naturraumuntereinheit Paulinzellaer Buntsandstein-Waldland. In den Naturraum Mittelgebirge
56
teilen sich die Naturraumuntereinheiten des Mittleren Thüringer Waldes mit dem größten Anteil
am Gesamtgebiet von 79% (122 km²), das Schwarza-Sormitz-Gebiete mit 5% (8 km²) und mit
einem vergleichsweise geringen Anteil von nur 1% (1,7 km²) die Naturraumuntereinheit Hohes
Thüringer Schiefergebirge-Frankenwald. Die vom FEG Gräfinau-Angstedt angeschnittenen
Naturräume zeigt die Abbildung 1.8 im Anhang B.
In dem Naturraum Mittelgebirge findet man vorrangig Fließgewässer, die hauptsächlich in
Kerb- und Kerbsohlentälern in nördliche Richtung entwässern. Natürliche Stillgewässer sind
dagegen selten anzutreffen. Das Gebiet wird durch Niederschlagsreichtum und lang anhaltende
Winterperioden sowie eine geringe Wasseraufnahme- und Speicherkapazität der Grundgebirgsgesteine geprägt. Dies und die starke Reliefvarianz des Gebirges tragen wesentlich dazu bei,
dass ein großen Schwankungen unterworfener, wenig gedämpfter Oberflächenabfluss mit starken Extremen stattfindet (Bongartz 2001 [22]). Der Abfluss ist eng verknüpft mit meteorologischen Ereignissen wie Niederschlag, Schneeschmelze und Trockenperioden. So steigt die mittlere Jahresabflusshöhe von ca. 400 bis 500 mm an den Gebirgsrändern auf Werte von durchschnittlich ca. 600 bis 800 mm im Bereich der Hochlagen und erreicht in den Gipfellagen Abflusswerte von mehr als 900 mm. Die Höchstwerte der Abflussspende betragen 29 bis 30
l/(sxkm2) (Hiekel et al. 2004 [82]). Der im FEG vorherrschende hohe Waldanteil verzögert die
schnellen Abflusskomponenten und bewirkt eine Dämpfung der Abflussspitzen und einen
gleichmäßigeren Abfluss. Der Speichereinfluss der im FEG vorkommenden Hochmoore auf den
gesamten Wasserhaushalt des Gebietes kann wegen des geringen Flächenanteil als nur sehr
lokal wirksam eingestuft werden. Nach (TLUG 1996b [189]) wird diesem Naturraum ein relativ
hoher Verdunstungsanteil von 55% attestiert, bei 30% Oberflächenabfluss und einer Grundwasserneubildungsrate von 15% des Gebietsniederschlags. Der im Bereich des Paulinzellaer Buntsandstein-Hügelländer vorherrschende Buntsandstein besitzt eine hohe Wasseraufnahme und
Speicherfähigkeit, so dass dieses Gebiet den Ausgleich von hohen Niederschlagsintensitäten
und Schneeschmelzereignissen befördert. Der Verdunstungsanteil in diesem Naturraum verschiebt sich in Richtung 65%, während der Direktabfluss mit 25% und die Grundwasserneubildung mit 10% des Gesamtniederschlags eingeschätzt wird (TLUG 1996b [189]).
3.1.2
Oberfläche und Geologie
Der Mittlere Thüringer Wald ist ein westnordwest-ostsüdost-streichendendes, durch tertiäre
Krustenbewegungen in der Kreidezeit entstandenes Kammrückengebirge, das sich von den südlichen und nördlichen Vorländern markant abhebt. Die zentrale Achse bildet der Rennsteig. Er
wird geprägt von abgerundeten Kuppen mit tief und steil eingeschnittenen Tälern. Die höchsten
Erhebungen liegen deutlich über 900 m, wie z.B. der Große Beerberg (982 m ü. NN), der
Schneekopf (978 m ü. NN) und der große Finsterberg (944 m ü. NN). Das überwiegend bewaldete Mittelgebirge besitzt sowohl in Höhen- als auch in Tallagen unterschiedlich große Siedlungen mit dazu gehörenden Offenlandbereichen. Die meist mit Quellmulden im Rennsteiggebiet
beginnenden Haupttäler gehen in steile Kerb- und dann in Kerbsohlentäler über, die das Gebirge
auf kurzem Wege verlassen. „Der Wechsel von Gesteinen unterschiedlicher Widerständigkeit
modifiziert diesen allgemeinen Formencharakter“ (Hiekel et al. 2004 [82]). In den weniger widerständigen Sedimentgesteinen haben sich weiträumige Täler mit flacheren Hängen gebildet.
An Rhyolith (Quarzporphyr) gebundene Erhebungen überragen das Flachrelief der Hochlagen.
Flachreliefierte Ausräume, wie sie u.a. im Bereich des FEG Gräfinau-Angstedt zu finden sind,
entsprechen vor allem den Granit- und Gneisgebieten des kristallinen Grundgebirges. Der Mitt-
57
lere Thüringer Wald besteht vorwiegend aus Vulkaniten und Sedimenten des Oberkarbons und
Rotliegenden (Unteres Perm) (Hiekel et al. 2004 [82]).
Die vielgestaltige Schichtenfolge ist auf einen durch synsedimentäre (zeitgleich mit der Ablagerung) Bruchtektonik und intensiven Vulkanismus gestalteten terrestrischen Ablagerungsraum
zurückzuführen. Im oberen Ilmtal auftretende Granite gehören zur Mitteldeutschen KristallinZone (Hiekel et al. 2004 [82]). Eine 0,5 bis 1 m, örtlich auch mehrere Meter mächtige, oberpleistozäne periglaziale Schuttdecke, verhüllt die Gesteine vor allem in den ebenen, flach
und mäßig geneigten Lagen. In Hanglagen erfolgte durch abwärts gerichtetes Bodenfließen ein
Transport des Zersatzmaterials. Dabei vermischten sich die verschiedenen Ausgangsgesteine in
unterschiedlichem Maße. Diese Fließerden haben großen Einfluss als Ausgangssubstrat für die
Bodenbildung und als Puffer für den Wasserhaushalt.
Das folgende Bild 3.2 zeigt die aus dem Thüringer Wald kommende und streckenweise Wildbachcharakter tragende Wohlrose, die das Paulinzellaer Buntsandstein-Waldland durchquert
und kurz vor Gräfinau-Angstedt in die Ilm mündet.
Bild 3.2: Mündung der Wohlrose in die Ilm
Der nördliche, zum Naturraum Paulinzellaer Buntsandstein-Waldland zählende Teil des FEG
besteht vorwiegend aus Sedimenten des Unteren Buntsandsteins. An der Gebirgsrandstörung
zum Thüringer Wald liegt ein schmaler Zechsteingürtel. Im Gebiet nördlich von Gehren bis
Ilmenau und Langewiesen befinden sich auf dem Zechstein und Buntsandstein präelstereiszeitliche fluviatile Schotter aus den vom Thüringer Wald kommenden Bächen (Hiekel et al. 2004
[82]).
Im weiteren Verlauf der Ilm kommt es durch Auslaugungen im Buntsandstein zu Karsterscheinungen mit umfangreichen Senkungen und Erdfallbildungen.
58
3.1.3
Hydrogeologische Gesteinseinheiten
3.1.3.1
Charakteristik
Die hydrogeologische Situation in Thüringen ist gekennzeichnet durch Wechselwirkungen zwischen Grund- und Oberflächenwasser sowie heterogene Grundwasserabflussgeschwindigkeiten
innerhalb eines Grundwasserleiters. Bestimmender Faktor ist die Art der Gesteinsablagerung.
Während sich die Grundwasserströmung in den Festgesteinen vorwiegend als Kluftgrundwasserströmung vollzieht, herrscht in den tertiären und quartären Lockergesteinen eine Porenwasserströmung vor ((Jordan und Weder 1995 [96]) in (Bongartz 2001 [22])). Die im Thüringer
Wald auftretenden hohen Niederschläge begünstigen die Grundwasserneubildungsraten. Der
Großteil des Niederschlages wird aber nach Passieren kurzer Bodenpassagen über die Vorfluter
abgeführt und trägt somit nicht zur Grundwasserneubildung bei (Bongartz 2001 [22]). Bis auf
die geringfügig Grundwasser führenden klüftigen Konglomerate, sind die Sediment- und
Grundgesteine des Mittleren Thüringer Waldes als grundwasserarm bis grundwasserfrei einzustufen. Diese Wasserführung und die Quellbildung ist dabei an Klüfte und Spalten entlang der
Zerüttungszonen gebunden. In den Talsohlen findet man häufig hohe Grundwasserstände von
nur wenigen Dezimetern unter Flur (0,0 bis 2 m) sowie Vernässungen. Auf den Verebnungsflächen tritt gelegentlich örtlich Staunässe auf (Hiekel et al. 2004 [82]).
Die Abbildung 1.9 Anhang B stellt die hydrogeologischen Teilräume des FEG GräfinauAngstedts dar. Die Tabelle 1.3 Anhang C dient der kurzen Charakterisierung dieser hydrogeologischen Teilräume. Eine ausführliche Beschreibung der hydrogeologischen Verhältnisse des
gesamten Einzugsgebietes der Ilm findet sich in (Bongartz 2001 [22]). Eine hydrogeologische
Charakterisierung von Teileinzugsgebieten des FEG Gräfinau-Angstedt geben (Staudenrausch
2000 [185]) und (Pfennig 2003 [149]).
3.1.3.2
Der statische Gebietsparameter Hydrogeologische Gesteinseinheiten
Die Hydrogeologischen Gesteinseinheiten sind ein in die HRU-Verschneidung eingehender
statischer Gebietsparameter. Seine Bedeutung gewinnt er aus seiner steuernden Funktion bei
den Prozessen zur Grundwasserneubildung und seinen Einfluss auf die Konzentrationszeiten
des Basisabflusses (Krause 2001 [110]).
Das Auftreten von Grundwasser und seine Bewegung hängt von den anstehenden Gesteinen ab.
Deren Durchlässigkeit und Retentionsvermögen ist widerum abhängig vom wirksamen Porenvolumen und Kluftraum. Diese werden maßgeblich vom Verwitterungszustand und der Körnigkeit des Ausgangsmaterials bestimmt. Ein bedeutendes Problem im hydrogeologischen Kontext
bilden Verwerfungszonen und die mit ihnen verbundenen Versinkungen und Zerrüttungen, wie
sie im Mittellauf der Ilm auftreten (Hochschild und Bongartz 2000 [85]). Im Oberlauf der Ilm
bis zum Pegel Gräfinau-Angstedt liegen solche Erscheinungen nicht vor.
Zur Beschreibung der hydrogeologischen Einheiten wurde auf die Karte der Lithofazieseinheiten Thüringen 1:200.000 (TMLNU 1996 [191]) zurückgegriffen. In ihr werden insgesamt siebzehn hydrogeologische Einheiten für Thüringen ausgewiesen, von denen zwölf für das FEG
bestimmt werden konnten. Unter dem Aspekt der Parametrisierung im hydrologischen Modellsystem J2000/JAMS wurde eine Reklassifizierung auf 8 Klassen durchgeführt. Dabei sind die
Magmatite und Migmatite (Granite, Gneise, Porphyre, Diabase, Basalte) und die Quarzite zu
der Klasse Festgestein zusammengefasst wurden. Ebenfalls aggregiert wurden die gering mineralisierten und mittel bis stark mineralisierten Sandsteine zur Klasse Sandstein sowie die Erscheinungsformen von Lockergesteinsbedeckung (Schotter, Kiese, Sande in Talstrukturen und
59
Terrassen) zur Klasse Lockergestein. Die Abbildung 3.3 zeigt die in die HRU-Verschneidung
eingehenden acht Klassen der Hydrogeologischen Gesteinseinheiten im FEG Gräfinau-Angstedt
mit ihren relativen Flächenanteilen am FEG. Die Klasse Moor und Torf hat einen Flächenanteil
kleiner 0,1% und ist im Diagramm nicht dargestellt.
Abbildung 3.3: Klassifizierte hydrogeologische Gesteinseinheiten und deren relative Flächenanteile
(Datengrundlage: Karte der Lithofazieseinheiten Thüringen 1996 (Quelle: TLUG))
3.1.4
Vegetation und Flächennutzung
3.1.4.1
Charakteristik
Die Abbildung 3.4 zeigt eine mit Google Earth erzeugte Luftbildaufnahme des Einzugsgebietes
aus ca. 18 km Höhe. Deutlich erkennbar ist die Dominanz von Nadelwäldern insbesondere in
den Höhenlagen des Thüringer Waldes, mit überwiegenden Fichtenforsten und untergeordneten
Kieferanteilen. Der geringe, verstreut liegende Laubwaldbestand wird hauptsächlich von Buchen und untergeordneten Eichenanteilen geprägt. Die Agrarwirtschaft spielt auf Grund der
Reliefausprägung in dem Gebiet nur eine untergeordnete Rolle, da bloß ca. 15% der Gesamtfläche auf Grund topographischer und klimatischer Verhältnisse sowie geeigneter Böden dafür in
Frage kommen. Zu zwei Dritteln handelt es sich um Grünland, meist Rinderweide, in lang gestreckten Talgründen, in Quellmulden und an flacheren Hängen. Ackerbaulich genutzte Flächen
sind oft in Form von Ackerterrassen in den flacheren und mäßig geneigten Hanglagen in der
Umgebung der Ortschaften zu finden. Grünland- und Ackerbauflächen konzentrieren sich demzufolge in den Bereichen niedrigerer Geländehöhe um die Ortschaften Langewiesen und im
Auen- bzw. Talbereich von Möhrenbach über Gehren bis Gräfinau-Angstedt. An den dicht besiedelten Flächen mit hohem Versiegelungsgrad trägt die Stadt Ilmenau den Hauptanteil. Zusammen mit den locker besiedelten Flächen haben beide Siedlungsflächenklassifikationen einen
Gesamtflächenanteil in der Größenordnung der landwirtschaftlich genutzten Flächen.
60
Abbildung 3.4: Flächenanteile der klassifizierten Landnutzungsarten (Luftbild: Google Earth, Aufnahme aus 17.300 m Höhe)
3.1.4.2
Der statische Gebietsparameter Flächennutzung
Die Klassifizierung der verschiedenen Landbedeckungen wurde auf Basis eines Landsat-TMDatensatzes für das Jahr 1999 (4. und 13. September) durchgeführt. Zur Eliminierung von Wolken und Wolkenschatten wurde ein weiterer Landsat-TM-Datensatz aus dem Jahre 1989 (24.
und 31. August) verwendet, um den betroffenen Teil zu ersetzen. Der Anteil der so ersetzten
Fläche ist bezüglich der Gesamtfläche des FEG absolut vernachlässigbar. Die Daten wurden
anschließend in einen Rasterdatensatz mit einer räumlichen Auflösung von 25x25m überführt
und einer Atmosphärenkorrektur unterzogen. Die sich anschließende unüberwachte Klassifikation unter Verwendung eines Isodata-Clusterings erlaubte eine Klassifizierung von 5 Haupt- und
13 Unterklassen. Auf Basis repräsentativer Trainingsgebiete schloss sich eine überwachte Maximum-Likelihood-Klassifikation an, mit der mittlere Klassengenauigkeiten von 85,2% für
1989 bzw. 88,4% für 1999 erreicht werden konnten (Pfennig 2004 [150]). Die entstandenen
Rasterdateien ermöglichen eine Klassifizierung von locker und dicht besiedelten Flächen, dichten und offenen Ackerland, Laub- und Nadelwald, Strauchvegetation, mageren und fetten Grünland, Wasserflächen und offenen Flächen. Die Landnutzung ist einer der Gebietsparameter, der
in die spätere Überlagerung zur Erzeugung der Hydrological Response Units eingeht. Dazu
wurden die beiden Unterklassifikationen von Ackerland und von Grünland zusammengefasst, so
dass die Flächenbedeckung dann noch in 8 Klassen unterschieden wird. Die Abbildung 1.10
Anhang B zeigt die für das FEG Gräfinau-Angstedt reklassifizierte Landnutzung.
61
Bei Auswertung der Flächenbilanz ergibt sich: Nadelwald stellt mit knapp 70,2% der Gesamtfläche den größten Flächenanteil. Es folgen Grünlandflächen mit einem Anteil von 9,5% und
Laubwaldflächen mit 6,7%. Die Stadt Ilmenau und der Ort Gehren stellen den Hauptanteil an
den dicht und locker bebauten Siedlungsflächen, die zusammen 6,4% der Fläche des Einzugsgebiets ausmachen. Der Anteil landwirtschaftlich genutzter Flächen beträgt 6,3%, Strauchvegetation und Wasserflächen bleiben in ihren Flächenanteilen beide deutlich unter 1% (vgl. Tabelle
1.4 Anhang C). Der Flächenanteil der offenen Flächen ist so gering, dass er in der Diagrammdarstellung nicht abgebildet werden kann.
Bild 3.3: Blick vom Quellbereich der Ilm nahe der Schmücke in Richtung Kickelhahn (Dezember 2006)
Wie bereits im Abschnitt 2.2 erwähnt, besitzt die Art der Landbedeckung maßgeblichen Einfluss auf die Verdunstung und damit auf den mengenmäßigen Rückhalt und das räumliche und
zeitliche Verhalten des Niederschlagsangebotes. Über die Durchwurzelungstiefe übt sie Einfluss
auf wichtige Bodeneigenschaften.
In dicht bewaldeten Gebieten findet man eine hohe Aufnahmekapazität der Interzeptions- und
Bodenspeicher. Hinzu kommen hohe Evapotranspirationsraten, die zur Entleerung der Speicher
beitragen, was gegen die Bildung von Oberflächenabfluss spricht (Pfennig 2004 [150]). Bei
ackerbaulich genutzten Flächen ist nach (Mendel 2000 [130]) das Aufnahmevermögen der Interzeptions- und Bodenspeicher gegenüber bewaldeten Flächen deutlich geringer. Starkniederschlagsereignisse führen auf diesen jedoch schnell zur starken Ausprägung von Oberflächenabfluss, verbunden mit sichtbaren Folgen von Bodenerosion (Pfennig 2004 [150]). Im Bereich der
versiegelten Flächen ist der Anteil des Oberflächenabflusses am Gesamtabfluss am größten und
trägt nach (Krause 2001 [110]) maßgeblich zur Separierung der Abflusskomponenten bei.
62
3.1.5
Böden
3.1.5.1
Charakteristik
Ausführliche Beschreibungen der im FEG Gräfinau-Angstedt vorkommenden Böden findet sich
in ((Hiekel et al. 2004 [82]) und (Bongartz 2001 [22])). Deswegen wird sich im Folgenden auf
einige wesentliche Fakten beschränkt. Für die Charakterisierung der Böden des Einzugsgebietes
wurde auf die „Karte der Leitbodenformen Thüringens“ (Rau et al. 1995 [158]) zurückgegriffen. Diese weist für das Gebiet 30 verschiedene bodengeologische Einheiten aus, die 15 Bodentypen und 7 Bodenklassen (s. Abbildung 3.5) zugeordnet werden konnten (Reinhardt und
Brandtner 2007 [159]).
Generell kann im mittleren Thüringer Wald von Skelettböden und kalkfreien, z.T. stark skeletthaltigen sandigen Lehmen ausgegangen werden, in denen sich Bergsalm (Sandlehm)-Braunerde, aber auch Bergsalm-Podsol, Fels-Braunerde und Fels-Ranker entwickelt haben (Hiekel et
al. 2004 [82]). Seine klüftige Struktur und der hohe Skelettgehalt implizieren eine hohe Durchlässigkeit und daraus resultierend eine schwankende, relativ geringe bis mittlere Wasserspeicherfähigkeit der Böden (Rau et al. 1995 [158]). Typisch für das Gebiet sind mehrere Meter
mächtige Frostschuttdecken und fluviale Gerölle und Schotter in den Talsohlen (Hochschild und
Bongartz 2000 [85]). Der humose Oberbodenhorizont (Ah) wird für das gesamte Einzugsgebiet
als relativ gering eingestuft (Bongartz 2001 [22]).
Betrachtet man die Abbildung 3.5, so ist zu erkennen, das das FEG mit 77,5% von Braunerden
und Podsolen dominiert wird, die überwiegend aus den Verwitterungsprodukten des kristallinen
Untergrundes (Skelettböden bis steiniger, sandiger Lehm) und im Osten des FEG’s aus Schiefer
und Quarzitgesteinen bzw. deren Schutten entstanden sind (Pfennig 2003 [149]). Auf Grund der
hohen Reliefvarianz des Gebietes variieren diese Böden stark in ihrem horizontalen Aufbau.
Der Großteil der mit 10,4% Flächenanteil vertretenen Stauwasserböden befindet sich im Bereich zwischen Langewiesen und Gehren und zählt zum Naturraum Paulinzellaer Buntsandstein-Waldland. Auf den lehmig-kiesigen Schottern haben sich hauptsächlich Pseudogleye mit
Staunässemerkmalen gebildet (Hiekel et al. 2004 [82]). Aber auch auf den Hochflächen über
Kristallin und Buntsandstein als Ausgangsmaterial sind sie anzutreffen (Bongartz 2001 [22]).
Die topographisch sehr gut zu lokalisierenden Gleye und Auenböden in den Talauen haben zusammen einen Anteil von 9,4% am FEG. Sie bestehen meist aus über 1 m mächtigen, sandigen
und teilweise stark kies- und geröllhaltigen Gley-Böden (Auenlehmen) und Vega. Die Ranker,
Rendzina und Pararendzina der Bodenklasse Ah/C-Böden besitzen einen Flächenanteil von
2,3%. Die im Norden liegenden Ah/C-Böden sind im Falle von Ilmenau und Langewiesen zum
Großteil bebaut. Weitere der topographisch verstreut liegenden Gebiete dieser Bodenklasse
findet man vor allem im Süden und Südosten des FEG’s.
Auf kleinen niederschlagsreichen Flächen in den kühlen Hochlagen kam es teilweise zur
Hochmoorbildung. Diese, durch ihr hohes Speichervermögen und die damit verbundene verzögernde Wirkung auf die Abflussbildung charakterisierten Quell- und Hochmoorbereiche besitzen im FEG einen nur als gering einzustufenden Flächenanteil von 0,5% und kommen vor allem
nördlich von Neustadt am Rennsteig und am Dreiherrenstein bei Allzunah vor.
Abbildung 3.5:
63
Vorkommende Bodenklassen und Bodentypen (Quelle: BGK Thüringen, TLUG Ref. 53)
Insgesamt kann eingeschätzt werden, dass die im Einzugsgebiet vorkommenden Bodentypen
unter dem Aspekt der Abflussbildung ein relativ schnelles Umsetzen der Niederschläge bewirken (Bongartz 2001 [22]).
3.1.5.2
Der statische Gebietsparameter Böden
Die maßgebenden Eigenschaften von Böden für die Hydrologie sind ihre Fähigkeit, Wasser zu
speichern und Wasser zu transportieren. Das Wasserangebot an den Boden ist abhängig von den
Parametern der Niederschlags- und Schneeschmelzprozesse einschließlich des Vegetationsbestandes (Hinkelmann 2006b [84]). Die Böden bestimmen maßgeblich den Infiltrationsprozess.
Dieser teilt den Niederschlag in ober- und unterirdische Wasserkomponenten auf, woraus eine
besondere hydrologische Relevanz erwächst. Der Vorgang der Infiltration ist in der hydrologischen Modellierung den anderen Speicher- und Abflussvorgängen vorgeschaltet. Er ist an der
Bodenoberfläche abhängig von einer Reihe wichtiger Einflussfaktoren wie z.B. dem Gefälle,
der Vegetation, der Rauhigkeit und dem Eintrittswiderstand. Im Boden besteht eine Abhängigkeit des Infiltrationsvermögens von der Textur, den Korngrößenverhältnissen und der damit
verbundenen Porengrößenverteilung, der Viskosität und Menge des infiltrierten Wassers, dem
Gravitationsgradienten, dem Feuchtegehalt und der Saugspannung in der Bodenoberfläche und
der Feuchtefront (Hinkelmann 2006b [84]). Nach (Mendel 2000 [130]) hat auch der Verdichtungsgrad der Böden besonders in anthropogen geprägten Gebieten Einfluss auf das Infiltrationsvermögen. (Pfennig et al. 2006 [151]) hebt die durch verschiedene Beregnungsexperimente
nachgewiesene positive Korrelation zwischen Bodenfeuchte und Entstehung von Oberflächenabfluss hervor.
64
Die mit den Infiltrationsprozessen verbundene Reduktion und Verzögerung der zum Abfluss
kommenden Niederschlagsanteile, die Funktion der Bereitstellung der Bodenfeuchte für den
Vegetationsbestand und Anteile am Grundwasserneubildungsprozess verleihen den Böden einen
dominanten Einfluss auf den Wasserhaushalt und den Abflussprozess eines Einzugsgebietes
(Funke et al. 1999 [64]).
Die Böden bilden einen der für die HRU-Generierung benötigten Gebietsparameter. Als Bodeninformation verwendet wurde die im Maßstab 1:100.000 vorliegende digitale Karte der Leitbodenformen Thüringens, die insgesamt 80 bodengeologische Einheiten für Thüringen ausweist
(Rau et al. 1995 [158]). Diese Kartierung beinhaltet hauptsächlich bodengenetische Aspekte und
bis auf die Bodenmächtigkeit keine weiteren bodenphysikalischen Eigenschaften. Das Relief als
bestimmender Faktor der bodenphysikalischen Eigenschaften wird nur durch die Bildung einer
eigenen Klasse für Auenböden berücksichtigt (Fink 2000 [57]). Da aber insbesondere der
Hangwölbung eine hohe Bedeutung zukommt ((Park et al. 2001 [144]), (Herbst 2001 [80])),
wurde die Methode der Differenzierung der Böden in Abhängigkeit von dem Relief nach (Fink
2004 [58]) angewandt. Dabei wird die in vertikaler und horizontaler Richtung berechnete
Hangwölbung als Differenzierungsmaß in die drei Klassen konvex, konkav und gestreckt unterteilt. Anschließend wurden diese Hangwölbungsklassen mit der Karte der Leitbodenformen
Thüringens verschnitten. Im Ergebnis dessen konnten die Böden in 202 Klassen neu klassifiziert
werden. Über die Bestimmung der Substratformentypen wurden die Körnungsklassen bestimmt.
Zusammen mit den Angaben über den Gehalt an organischer Substanz und den abgeleiteten
Mächtigkeiten wurden nach den Regeln der KA4 (AGBoden 1994 [2]) bodenphysikalische Parameter wie der kF-Wert und die Feldkapazität für die 202 Klassen abgeleitet. Für die HRUAbleitung wurde diese Anzahl auf Basis ähnlicher bodenphysikalischer Eigenschaften, wie z.B
Tongehalt und organische Substanzen im Oberboden, auf 39 reduziert. Im betrachteten FEG
kommen davon 20 Klassen vor. Eine detaillierte Beschreibung der Vorgehensweise findet sich
bei ((Fink 2004 [58]) und (Pfennig et al. 2006 [151]).
Die Abbildung 1.11 Anhang B zeigt die Ausprägung der in die spätere HRU-Ableitung eingehenden abgeleiteten 20 Klassen für das FEG Gräfinau-Angstedt nach der bodenphysikalischen
Größe Gesamtfeldkapazität, die einen wesentlichen Parameter im verwendeten Modellsystem
J2000/JAMS darstellt.
3.1.6
Klimatologische Verhältnisse
Das insgesamt feucht-kühle Mittelgebirgsklima weist als klimatische Besonderheit relativ große
Unterschiede zwischen den unteren und oberen Hochlagen auf. Des Weiteren fungiert der
Kamm des Mittleren Thüringer Waldes auf Grund der dominanten Südwest-Wetterlagen als
deutliche Wetterscheide und beeinflusst mit seinen Luv- und Leewirkungen die klimatischen
Erscheinungen der nördlich und südlich angrenzenden Naturräume.
Die klimatischen Verhältnisse sind geprägt durch den Übergang von maritimen Küstenklima
mit atlantischen Einflüssen im Thüringer Wald und kontinentalen Klimaeinflüssen im Bereich
des Thüringer Beckens. Das FEG Gräfinau-Angstedt wird bei südwestlicher Hauptwindrichtung
südlich durch den Rennsteig begrenzt. Im Luvbereich stauen sich die herangeführten maritimen
Luftmassen auf, verbunden mit einer höhenabhängigen Niederschlagszunahme. Während der
Luftdruck und die Temperatur mit der Höhe abnehmen, verhält sich der Niederschlag entgegengesetzt, was klimatische Unterschiede innerhalb des Einzugsgebietes zur Folge hat. Bezüglich
des Luv-Lee-Wirkung des Thüringer Waldes stellt (Bongartz 2001 [22]) fest, dass die Ausprägung des Leeeffektes „...durch die auf dem Kamm des Thüringer Waldes gelegenen Plateauflä-
65
chen, die eine Fallwindausbreitung verhindern, bis an den nördlichen Gebirgsrand verschleppt
wird...“.
Der dominante FEG-Anteil der Naturraumuntereinheit „Mittlerer Thüringer Wald“ ist Bestandteil des Klimabezirkes „Thüringer Wald“ am Westrand des Klimagebietes „Deutsches Mittelgebirgs-Klima“. Ebenso zu diesem Klimagebiet zählt der zum Klimabezirk „Frankenwald“ zählende FEG-Anteil des „Schwarza-Sormitz-Gebietes“ Der FEG-Anteil des „Paulinzellaer Buntsandstein-Waldland“ liegt deutlich im Lee des Thüringer Waldes und gehört zum Klimabezirk
„Thüringisch-Sächsisches Mittelgebirgsvorland“ im „Mitteldeutschen Berg- und HügellandKlima“ (Hiekel et al. 2004 [82]).
Der mittlere Jahresniederschlag an den Rändern des Thüringer Waldes einschließlich des Raumes Ilmenau liegt bei ca. 800 mm und steigt in den Kammlagen auf bis zu mehr als 1.200 mm
an. Im Mündungsbereich der Wohlrose werden jährliche Niederschläge von 700-750 mm verzeichnet. Die niedrigsten Werte des FEG liegen bei 650 mm im Bereich des Pegels GräfinauAngstedt. Die Abbildung 3.6 zeigt die Verteilung des langjährigen mittleren Jahresniederschlags in Thüringen und einen vergrößerten Ausschnitt mit dem Untersuchungsgebiet. Grundlage für die Karte waren Messwerte des DWD für den Zeitraum von 1951 bis 2000 der Regionalen Klimadatenbank REKLI der TLUG ((Bernhofer et al. 2003 [11]), (Bernhofer et al. 2004
[12]), (Bernhofer et al. 2005 [13])). Gerechnet wurden die Daten mit dem Programmsystem
J2000g (Krause et al. 2007 [117]), einer Spezialentwicklung, die auf dem Modellframework
JAMS (Kralisch und Krause 2006 [107]) aufsetzt. Der langjährige mittlere Jahresniederschlag
für das FEG Gräfinau-Angstedt beträgt 917 mm.
Abbildung 3.6:
Langjähriger mittlerer jährlicher Niederschlag (Quelle: DWD, 1951-2000)
66
Die höheren Niederschlagswerte in den Kammlagen und deren rasche Verringerung mit abnehmender Höhe werden besonders deutlich, wenn man sich die langjährigen mittleren Niederschlagswerte von vier repräsentativen Stationen mit unterschiedlicher Geländehöhe betrachtet.
Ausgewählt wurden die Klimastation Schmücke und die Niederschlagsstationen in Stützerbach,
Ilmenau und Gräfinau-Angstedt (vgl. Abbildung 3.7). Die auf 937 m ü. NN in exponierter Lage
befindliche Hauptstation Schmücke des Deutschen Wetterdienstes ist deutschlandweit repräsentativ für Mittelgebirgslandschaften.
Abbildung 3.7: Lage der vier ausgewählten repräsentativen Messstationen und die DWD-Klimastation
Schmücke (Foto: UBA)
Die folgende Tabelle 3.1 zeigt den Jahresgang der langjährigen mittleren Monatsmittel und das
Jahresmittel an Niederschlag der vier Stationen und den als Mittel über alle vom FEG angeschnittenen Rasterzellen ermittelten Gebietsniederschlag auf Grundlage langjähriger Messreihen
von 1951-2000.
Tabelle 3.1: Langjährige mittlere Monatsmittel und Jahresmittel an Niederschlag [mm] der vier Stationen und Jahresgang des Gebietsniederschlages RRgebiet [mm] (Daten: DWD, 1951-2000)
Station
Jan
Feb
Mrz
Apr
Mai
Jun
Jul
Aug
Sep
Okt
Nov
Gräf.-A.
Höhe
[m]
410
Dez
Jahr
66
56
66
68
73
88
83
78
63
62
64
75
842
Ilmenau
498
86
71
83
79
78
98
92
89
78
78
84
100
1015
Stützerb.
600
102
82
95
84
79
100
96
92
86
91
97
117
1121
Schmücke
937
125
102
111
98
90
114
113
103
102
102
116
147
1322
RRgebiet
634
105
85
94
84
80
100
97
91
85
88
97
122
1127
Die Abbildung 3.8 zeigt, dass die höher gelegenen Stationen ganzjährig ein höheres Monatsmittel an Niederschlag aufweisen. Der Hauptanteil des Jahresniederschlags fällt in der hydrologischen Winterperiode. Der Anstieg in den Sommermonaten ist auf häufige konvektive Niederschläge zurückzuführen. Die Charakteristik des Jahresverlaufs der mittleren Monatsmittel an
den vier Stationen ist annähernd gleich. Der Jahresgang für das Gebietsmittel folgt dem typischen Verlauf der vier Stationen. Dabei liegen die Werte der Station Schmücke über dem langjährigen Mittel des gesamten Einzugsgebiets, das eine durchschnittliche Höhe von 634 m ü. NN
aufweist. Die Werte der sich in vergleichbarer Höhe befindenden Station in Stützerbach haben
67
einen fast identischen Verlauf mit denen des Gebietsmittels, während die Werte der beiden tiefer gelegenen Stationen ganzjährig darunter liegen.
Abbildung 3.8: Jahresgang des langjährigen mittleren Monatsmittels [mm] an Niederschlag an den
vier Stationen und des Gebietsniederschlages RRgebiet [mm] (Daten: DWD, 1951-2000)
(Bongartz 2001 [22]) unterteilt das gesamte Einzugsgebiet der Ilm in zwei Klimazonen und drei
Schneeklimagebiete. Bei den Klimazonen sind dies der Mittelgebirgstyp und der im Lee des
Thüringer Waldes dominante Sommerregentyp. Das betrachtete Gebiet der Oberen Ilm ist
hauptanteilig zu dem durch Steigungsregen in den feuchtkühlen Kammlagen charakterisierten
Mittelgebirgstyp zuzuordnen mit Übergangsbereichen zum Sommerregentyp. Bei den Schneeklimagebieten ist das FEG hauptanteilig den schneereichen und meist schneebeständigen Thüringer Wald zugeordnet. Die niedrigeren Regionen zählen zu den Übergangsbereichen der Gebirgsvorländer. Nach (Bongartz 2001 [22]) variieren die mittleren jährlichen Schneehöhen im
Thüringer Wald zwischen 400 bis 500 mm in den Kammlagen und 100 bis 300 mm in den Vorländern. In den Kammbereichen treten jährlich zwischen 120–150 Schneetage auf (Schneedecke>1 cm), wobei der Schneedeckenaufbau durchschnittlich Mitte November, das Abschmelzen
Mitte April einsetzt (Michl 1999 [131]). Die Anzahl der Schneetage fällt mit abnehmender Höhe, so dass in den niedriger gelegenen Gebieten nur noch ca. 100 Tage mit geschlossener
Schneedecke zu verzeichnen sind (Bongartz 2001 [22]). Auftretende Heterogenitäten der
Schneedecke werden stark durch expositionsbedingte Strahlungsunterschiede und Reliefpositionen hervorgerufen (Pfennig 2003 [149]).
Die jährliche Durchschnittstemperatur der Kammlagen beträgt ca. 5°C, in den Randbereichen
des Mittelgebirges ist der Wert 1°C höher. Im Bereich der höchsten Erhebungen liegen die
Durchschnittswerte unter 5oC, so z.B. an der 937 m ü. NN liegenden DWD-Hauptstation
Schmücke mit einem Jahresmittel von 4,3°C. An dieser Station liegt die durchschnittliche Januartemperatur bei –5 oC, die mittlere Julitemperatur bei 13 oC. Im Jahresverlauf zählt man in den
Höhenlagen 80 bis 100 Nebeltage. Im Norden und Nord-Osten des FEG’s liegen die mittleren
Jahrestemperaturen bei 7 °C, im Bereich Gräfinau-Angstedt zwischen 7 und 8 °C. Während im
Osten des Einzugsgebiets die durchschnittliche Zahl der Nebeltage im Jahr zwischen 60 und 80
Tagen bemessen wird, sind es im Norden 50-60 Tage.
68
Abbildung 3.9:
Langjährige mittlere Jahrestemperatur (Quelle: DWD, 1951-2000)
Die Abbildung 3.9 zeigt die Verteilung der langjährigen mittleren Jahrestemperatur in Thüringen und in dem vergrößerten Ausschnitt das FEG Gräfinau-Angstedt, ebenfalls auf Basis von
REKLI mit Daten des DWD für die Jahre von 1951-2000 ermittelt. Deutlich prägen sich die
Höhenzüge des Thüringer Waldes aus. Innerhalb des betrachteten FEG bestehen deutliche Unterschiede zwischen den höheren Lagen und dem niedrigeren Gebieten im Nord-Osten.
Bei der Temperatur tritt die Besonderheit auf, dass nur für die Station Schmücke langjährige
Messwerte vorlagen. Für die drei anderen Stationen sind die Werte mit geeigneten, im Programmsystem J2000g implementierten Regionalisierungsverfahren berechnet wurden.
Tabelle 3.2: Langjährige mittlere Monats- und Jahrestemperatur [°C] von 1951-2000 an den vier ausgewählten Stationen
Station
Höhe
[m]
410
Jan
Feb
Mrz
Apr
Mai
Jun
Jul
Aug
Sep
Okt
Nov
Dez
Jahr
-1,3
-0,8
2,8
6,8
11,6
14,8
16,4
16,0
12,6
8,1
3,2
0,1
7,5
Ilmenau
498
-1,7
-1,2
2,3
6,2
11,0
14,2
15,8
15,5
12,1
7,6
2,7
-0,4
7,0
Stützerbach
600
-2,5
-2,0
1,4
5,3
10,1
13,2
14,9
14,6
11,3
6,9
1,9
-1,1
6,2
Schmücke
937
-3,3
-2,8
0,2
4,0
8,7
11,8
13,5
13,4
10,2
5,9
0,9
-2,0
5,0
Gräfinau-A.
Vergleicht man die Jahresgänge der vier repräsentativen Stationen ist festzustellen, dass die
höher liegenden Stationen ganzjährig niedrigere langjährige mittlere Monatstemperaturen aufweisen (s. Abbildung 3.10). Der Charakter des Jahresganges ist wieder bei allen vier Stationen
gleich.
69
Abbildung 3.10: Jahresgang des langjährigen mittleren Monatsmittels der Temperatur
3.1.7
Starkniederschläge und Wiederkehrintervalle
Mit dem KOSTRA (Koordinierte Starkniederschlags-Regionalisierungs-Auswertung)-ATLAS
„Starkniederschlagshöhen für Deutschland“ veröffentlichte der DWD 1997 ein bundesweit
einheitliches und verbindliches „Niederschlagsregelwerk“, das auf extremwertstatistischen Untersuchungen des Zeitraums von 1951 bis 1980 basiert (Bartels et al. 1997 [6]). Die in den letzten Jahren global und regional registrierten Veränderungen im Temperatur- und Niederschlagsregime und damit verbundene z.T. katastrophale Hochwasserereignisse in Deutschland, machten eine Neubewertung der Eintrittswahrscheinlichkeiten von Starkniederschlagsereignissen
nötig. Dazu führte der DWD eine umfangreiche Nacherfassung analoger Niederschlagsregistrierungen, Prüfungen und Vergleichsrechnungen methodischer Art und mit verschiedenen Teilzeiträumen durch. Neben der Verbesserung methodischer Ansätze wurde auch der Bezugszeitraum
bis 2001 erweitert. Im Ergebnis dessen wurde der fortgeschriebene KOSTRA-DWD-2000-Atlas
((Malitz 2005 [127]), (Bartels et al. 2005 [5])) veröffentlicht, dessen extremwertstatistischen
Aussagen über Starkniederschlagsereignisse heute in Deutschland eine wichtige Grundlage bei
der Bemessung wasserwirtschaftlicher Anlagen im Rahmen von Maßnahmen bei Planung und
Entscheidungen im technischen Hochwasserschutz darstellen.
Der KOSTRA-DWD-2000 Atlas bietet deutschlandweit flächendeckend die räumliche Verteilung von Starkniederschlagshöhen mit extremwertstatistischen Auswertungen in Rasterzellen
mit 8,45x8,45 km Kantenlänge für 18 Dauerstufen D von 5 min bis 72 h und 8 Jährlichkeiten T
von 0,5 Jahren bis 100 Jahre. Unter Jährlichkeit versteht man die Anzahl der Jahre, nach denen
im Mittel, basierend auf bestimmten statistischen Wahrscheinlichkeiten, besondere Extremwerte
wieder zu erwarten sind.
Die regionalisierten Starkniederschlagshöhen sind sowohl bezüglich des Gesamtjahres als auch
getrennt für Sommer- und Winterhalbjahr aufbereitet und dargestellt (Bartels et al. 2005 [5]).
Die Datengrundlage bilden tägliche Niederschlagshöhen auf Basis von 1 x 1 km Rasterzellen,
die in der DWD-Hydrometeorologie rückwirkend seit 1951 und mittlerweile routinemäßig berechnet werden (Bartels et al. 2005 [5]). Das dabei verwendete REGNIE-Verfahren (Regionalisierung von Niederschlagshöhen) (Dietzer 2000 [37]) stellt lückenlose, homogene Zeitreihen
zur Verfügung und erhöht die Informationsdichte von rund 3.000 Stationen auf mehr als
70
300.000 Rasterfelder (Bartels et al. 2005 [5]). Mit Hilfe der Kartendarstellungen können die
Starkniederschlagshöhen in Abhängigkeit von Dauerstufe und Jährlichkeit für beliebige Orte
bzw. einzelne Rasterflächen von 71,5 km² oder als Mittel für größere Gebiete Deutschlands
interpoliert oder extrapoliert werden (Malitz 2005 [127]).
Aus dem KOSTRA-DWD-2000 Atlas werden für die vom FEG angerissenen Rasterzellen die
langjährigen Wiederkehrintervalle für Starkniederschlagsereignisse entnommen. Die flächengewichteten Anteile werden anschließend aggregiert und so ein für das FEG Gräfinau-Angstedt
repräsentativer Wert bestimmt.
Abbildung 3.11: Übersichtskarte des KOSTRA-DWD-2000-ATLAS Deutschland und relevante KOSTRARasterzellen
Als charakteristische Starkniederschlagsereignisse wurden die Niederschlagshöhen hN für die
Dauerstufen D=1h, D=24h, D=48h und D=72h ausgewählt. Die folgende Tabelle 3.3 und die
sich anschließende Abbildung 3.12 zeigen die Niederschlagshöhen dieser Ereignisse in mm und
ihre statistischen Wiederkehrintervalle in Jahren. Die zeitliche Berechnungsgrundlage ist in
diesem Fall das meteorologische Jahr.
Tabelle 3.3: Niederschlagshöhen hN [mm] der Starkniederschlagsereignisse basierend auf KOSTRADWD-2000-Daten nach Wiederkehrintervallen und Dauerstufen
T [a]
hN [mm] D=1h
hN [mm] D=24h
hN [mm] D=48h
hN [mm] D=72h
0,5
11,9
31,7
42,4
43,9
1
17,3
40,0
54,3
56,0
2
22,7
48,4
66,3
68,1
5
29,9
59,4
82,0
84,0
10
35,3
67,8
94,0
96,1
20
40,6
76,2
105,9
108,2
50
47,8
87,2
121,7
124,2
100
53,2
95,5
133,7
136,3
71
Abbildung 3.12: Niederschlagshöhen hN [mm] der Starkniederschlagsereignisse basierend auf
KOSTRA-DWD-2000-Daten nach Wiederkehrintervallen und Dauerstufen
Das FEG ist auf Grund seiner Mittelgebirgslage in den Wintermonaten durch oftmals über mehrere Wochen stabile Schneedecken in den Höhenlagen geprägt. Die in der Schneedecke gespeicherten Niederschläge werden nicht unmittelbar abflusswirksam und ziehen aus hydrologischer
Sicht somit länger anhaltende Trockenperioden nach sich. Einen bedeutenden Beitrag zum Abfluss leisten die gespeicherten Wasseräquivalente dann, wenn es zu intensiven Schneeschmelzperioden kommt. Bei Zusammentreffen mit starkem Regen können dann Extremwerte auftreten,
die in ihrer Höhe vor allem in schneehydrologisch relevanten Gebieten die Extremwertstatistik
entscheidend beeinflussen (Günther und Matthäus 2000b [73]).
Die im Rahmen von KOSTRA-DWD-2000 durchgeführten extremwertstatistischen Auswertungen unterscheiden nicht zwischen Niederschlag in fester und flüssiger Form, so dass der
Schneedeckeneinfluss unberücksichtigt bleibt. Um den Einfluss der Schneedeckenentwicklung
auf die Verteilung extremer Niederschlagsdargebote (Summe der Wasserabgabe aus Schneedecke und Regen) zu quantifizieren, wurde basierend auf dem Zeitraum von 1961 bis 1990 vom
DWD in Anlehnung an den KOSTRA-DWD-2000-Atlas das Projekt „Regionalisierung der
Extremwerte der Wasserabgabe aus Niederschlag und Schneedecke“ (REWANUS) ins Leben
gerufen und die Ergebnisse im Jahr 2000 im REWANUS-Atlas (Günther et al. 2000a [74]) publiziert. Die digitale Ausgabe des REWANUS-Atlases liefert unter Nutzung der identischen Rasterzellen des KOSTRA-DWD-2000-Atlases, flächendeckende Aussagen über die Wiederkehrwahrscheinlichkeiten extremer Niederschlagsdargebote im hydrologischen Winterhalbjahr für
acht Dauerstufen und elf Wiederkehrintervalle. Die standortbezogenen Extremwertberechnungen des Niederschlagsdargebots wurden für 363 Klimastationen des DWD durchgeführt. Die
Regionalisierung erfolgte über gesicherte Regressionsbeziehungen, so dass für jede Station mit
verfügbarer mittlerer Winterniederschlagshöhe die Extremwerte des Niederschlagsdargebots der
jeweiligen Dauerstufe und Wiederkehrzeit ermittelt werden konnte. Auf der Basis der so berechneten stationsbezogenen Extremwerte für 5402 Messstandorte wurden durch entfernungsabhängige Interpolation der Extremwerte des Niederschlagsdargebots regionalisierte Werte für
die Schwerpunkte der Rasterflächen (8,5 x 8,5 km) erzeugt (Günther und Matthäus 2000b [73]).
Ausführliche Beschreibungen der angewandten Methodik und Vorgehensweise finden sich in
(Günther et al. 2000a [74]) und (Günther und Matthäus 2000b [73]).
72
Für das Flusseinzugsgebiet Gräfinau-Angstedt werden die flächengewichteten REWANUSWerte der angeschnittenen Rasterzellen für die für Schneeschmelzereignisse relevanten Dauerstufen von D=24 h, D=48 h und D=72 h berechnet. Tabelle 3.4 und Abbildung 3.13 zeigen die
Wiederkehrintervalle in Jahren zum einen von den REWANUS-Ereignissen, die für das Wasseräquivalent aus Starkregen in Kombination mit Schneeschmelzereignissen berechnet wurden,
und zum anderen die Starkniederschlagsereignisse, die aus dem KOSTRA-DWD-2000-Atlas
Deutschland für den Zeitabschnitt der hydrologischen Winterperiode ermittelt wurden.
Tabelle 3.4: Niederschlagshöhen hN der Starkniederschlagsereignisse basierend auf KOSTRA-DWD2000 der hydrologischen Winterperioden und basierend auf REWANUS nach Wiederkehrintervallen und Dauerstufen
T [a]
0,5
1
2
hN [mm] KOSTRA D=24h
27,5
35,6
43,6
hN [mm] REWANUS D=24h
34,7
42,2
33,6
43,4
44,7
5
10
20
50
100
54,2
62,3
70,3
80,9
49,6
59,5
67,0
74,4
84,3
91,8
53,1
66,0
75,8
85,6
98,5
108,2
55,7
66,7
81,3
92,3
103,3
117,8
128,9
42,7
52,2
61,6
74,1
83,5
93,0
105,4
114,9
52,5
66,8
81,0
99,7
113,9
128,2
146,9
161,1
89,0
Abbildung 3.13: Niederschlagshöhen der Starkniederschlagsereignisse basierend auf KOSTRA-DWD2000-Daten der hydrologischen Winterperioden und basierend auf REWANUS-Daten nach
Wiederkehrintervallen und Dauerstufen
Über die Differenzen zwischen REWANUS-Daten und den KOSTRA-Winter-Daten kann der
Beitrag des Wasseräquivalents durch Schneeschmelzereignisse an den Extremereignissen quantifiziert werden (Tabelle 3.5).
73
Tabelle 3.5: Anteile der Schneeschmelzereignisse an den REWANUS-WasseräquivalentenWäquv [mm]
nach Wiederkehrintervallen T [a] und Dauerstufen D [h]
T [a]
0,5
1
2
5
10
20
50
100
Wäquv [mm] Schneeschmelze D=24h
7,2
6,6
6,0
5,3
4,7
4,1
3,4
2,8
11,1
12,3
13,5
15,2
16,5
17,7
19,4
20,6
9,8
14,6
19,3
25,6
30,4
35,2
41,5
46,2
3.1.8
Abflussregime
Das Abflussverhalten am Pegel Gräfinau-Angstedt ist eng verbunden mit dem Niederschlagsgeschehen, einschließlich der Schneeschmelzereignisse. Weitere Einflussfaktoren sind neben der
Vegetation und den Böden die hohe Reliefvarianz in Verbund mit der Höhenlage sowie die
räumliche Struktur des Gewässernetzes. Eine ausführliche Analyse des Abflussregimes des
gesamten Einzugsgebiets der Ilm findet sich in (Bongartz 2001 [22]).
Bedingt durch den undurchlässigen, kristallinen Untergrund findet man im FEG eine relativ
hohe Gewässernetzdichte von 1,0 bis 2,4 km Lauflänge/km² (Bongartz 2001 [22]). In landwirtschaftlich genutzter Umgebung wurde die Ilm häufig ausgebaut. Der jetzige Verlauf der Ilm
entspricht überwiegend der natürlichen Lage. Die Bachläufe im Wald gelten in der Mehrzahl als
noch naturnah (Hiekel et al. 2004 [82]).
Zur Bewertung des Abflussregimes wurden die Abflusskoeffizienten nach Pardé (Pardé 1964
[143]) herangezogen (s. Abbildung 3.14). Die Stützpunkte des Jahresgangs des Abflusses sind
die Quotienten aus den mittleren monatlichen Abflüssen MQMonat und dem mittleren jährlichen
Abfluss MQJahr (Hendl und Liedtke 2007 [77]).
Abbildung 3.14: Abflussregime mit Abflusskoeffizienten nach Pardé (Pardé 1964 [141]) (Datenbasis:
1951-2006)
Die jährlichen Schneeschmelzereignisse im Thüringer Wald im Frühjahr bewirken in den Monaten März und April die höchsten Wasserstände. Das erste Maximum im Januar begründet
(Bongartz 2001 [22]) mit Schneeschmelzprozessen, die „…durch klimatische Anomalien
(Weihnachtsdepression) und Großwetterlagen (Südwest)…“ ausgelöst werden. Ein teilweises
Abschmelzen der Schneedecke durch relativ warmen Regen ist dafür typisch und führt unmittelbar zu relativ hohen Abflüssen (TMLNU 2003 [194]). Im Winterhalbjahr wird in dem Gebiet
74
deutlich weniger verdunstet als im Sommerhalbjahr. Demzufolge füllen sich die Bodenspeicher
im Winter und werden im Sommer schneller wieder geleert. Das bewirkt, dass im Winter ein
höherer Niederschlagsanteil abflusswirksam wird und somit die hydrologische Winterperiode
als die abflussreichere anzusehen ist (Bongartz 2001 [22]). Die Pardé-Koeffizienten in
Abbildung 3.14 zeigen, dass das Gebiet als nivo-pluvial angesprochen werden kann
(Baumgartner und Liebscher 1996 [8]).
Den starken Abfall der Abflusskoeffizienten im Mai führt (Bongartz 2001 [22]) auf einen starken Entleerungseffekt der Boden- und Grundwasserspeicher zurück. Die Ursache sieht er in der
pedologischen bzw. geologischen Ausprägung des FEG.
Die folgende Abbildung 3.15 zeigt das Abflussverhalten am Pegel Gräfinau-Angstedt an Hand
der Jahresgänge der langjährigen mittleren Hochwasserabflüsse MHQ und Niedrigwasserabflüsse NHQ sowie des langjährigen mittleren Durchflusses MQ auf Grundlage langjähriger Datenreihen von 1951-2006.
Abbildung 3.15: Jahresgang der mittleren Hoch- und Niedrigwasserabflüsse der Ilm am Pegel GräfinauAngstedt (Datengrundlage: 1921-2006, Quelle: TLUG)
Im Einzugsgebiet des Pegels Gräfinau-Angstedt werden die höchsten Abflussmonatsmittel
MHQ in den Monaten Januar und März erreicht. Der Wert im März ist nur geringfügig höher als
der Januarwert. Beide Spitzenwerte lassen sich wie bereits bemerkt auf den Einfluss der
Schneeschmelze zurückführen. Im August führen konvektive Starkniederschlagsereignisse zu
der Ausprägung eines kleinen Peaks in der MHQ-Ganglinie. Der Rückgang der MHQ-Ganglinie
im Monat Februar lässt sich mit einer den Niederschlag bindenden geschlossenen Schneedecke
erklären, die dazu führt, dass weniger Wasser zum Abfluss kommt. Der starke Anstieg von November zu Dezember ist auf Schneeschmelzereignisse im Dezember in Verbund mit Niederschlägen in Form von Regen zurückzuführen, die den Abfluss verstärken. Ab Mai nimmt die
Wasserführung weiter ab und erreicht in den Monaten Juli und August ihr Minimum. In dieser
Zeit steigt auf Grund der gestiegenen Verdunstungsraten und des größeren Pflanzenwasserverbrauchs die Gebietsevapotranspirationsrate, so dass weniger Wasser für den Abfluss verfügbar ist. Pfennig (Pfennig 2003 [149]) und (Bongartz 2001 [22]) verweisen in dem Zusammenhang auf die Dynamik des Bodenwasserspeichers. Während er im Winter relativ konstant gefüllt
bleibt, verliert er durch diese Evapotranspirationsprozesse in den Sommermonaten einen großen
75
Teil des infiltrierten Wassers. Niederschlagsereignisse wirken diesem Speicherdefizit entgegen,
weniger Wasser wird abflusswirksam.
3.1.9
Der Ilm-Pegel Gräfinau-Angstedt
Der im Deutschen Gewässerkundlichen Jahrbuch (DGJ) verzeichnete Hochwassermeldepegel
Gräfinau-Angstedt (s. Abbildung 1.2 im Anhang A) liegt 108 km oberhalb der Mündung der
Ilm in die Saale und bildet den Gebietsauslass für das knapp 155 km² große Einzugsgebiet. Der
Pegelnullpunkt befindet sich 407,53 m über NN. Der niedrigste bekannte Durchfluss (NNQ)
wurde im August 2003 mit 0,129 m³/s gemessen. Den höchsten bekannten Durchfluss (HHQ)
registrierte man am 10. August 1981 mit 79,6 m³/s. Die zehn extremsten gemessenen Hochwasserereignisse an diesem Pegel sind im Anhang C in Tabelle 1.5 aufgelistet. Im Anhang A befinden sich zwei Fotos (Bild 1.3 und 1.4) vom Hochwasser am 01. April 2006 im Bereich des Pegels Gräfinau-Angstedt.
Bild 3.4: Blick vom Ilm-Pegel Gräfinau-Angstedt flussaufwärts
Die Tabelle 1.6 Anhang C enthält die Gewässerkundlichen Hauptzahlen des Pegels auf Basis
der Zeitreihen von 1951-2006.
In der Verwaltungsvorschrift zur Durchführung der Thüringer Verordnung zur Einrichtung des
Warn- und Alarmdienstes zum Schutz vor Hochwassergefahren (Hochwasser-MeldeordnungHWMO) sind die Richtwasserstände für Alarmstufen für die Thüringer HochwasserMeldepegel festgelegt. Für den Ilm-Pegel Gräfinau-Angstedt liegt der Meldebeginn bei einem
Wasserstand von 110 cm, die Alarmstufe 1 wird bei 130 cm erreicht, die Alarmstufe 2 bei 150
cm und die Alarmstufe 3 bei 170 cm (s.a. Abb. 1.7 im Anhang C).
76
3.1.10
Jährlichkeiten der Extremabflüsse HQT
Zur Charakterisierung des Abflussgeschehens im Hochwasserfall werden die langjährigen Abflussmessreihen (Quelle: TLUG) zu Grunde einer extremwertstatistischen Auswertung gelegt.
Die Länge der Beobachtungszeitspanne steht in engem Zusammenhang mit der Zuverlässigkeit
der statistischen Aussage. Ab einer Beobachtungszeitspanne von 30 Jahren gelten diese als geeignet. Auf Basis der Abflussmessreihe wurden die höchsten Hochwasserscheitel jedes Jahres
(Jahres-HQ) ermittelt und eine langjährige HQ-Messreihe 1923-2001 ausgewertet. Mit den in
(DVWK 1999 [47]) beschriebenen, standardisierten extremwertstatistischen Verfahren wurden
diese Scheitelabflüsse HQ analysiert und die dazugehörigen Wiederkehrintervalle extremer
Abflussereignisse am Pegel Gräfinau-Angstedt unter Zuhilfenahme des Statistikprogramms
HQ-Ex (WASY 2005 [203]) berechnet. Diese bilden die Grundlage für vielfältige wasserwirtschaftliche Planungs- und Bemessungsaufgaben.
Die Abbildung 3.16 zeigt Ganglinie der Jahres-HQ am Pegel Gräfinau-Angstedt.
Abbildung 3.16: Ganglinie der Jahres-HQ am Pegel Gräfinau-Angstedt (1923-2001, Quelle: TLUG)
Das verwendete Programm ordnet den beobachteten Hochwasserscheitelabflüsse des Betrachtungszeitraums über eine Wahrscheinlichkeitsanalyse eine Überschreitungswahrscheinlichkeit
zu und ermöglicht eine Extrapolation über den Beobachtungszeitraum hinaus. Es werden mehrere Verteilungsfunktionen berechnet und verschiedene Schätzmethoden angeboten. Der Anwender kann aus den vom Programm ermittelten Extrapolationsfunktionen die am Besten angepassten auswählen. Als Hilfskriterien zur Bewertung stehen die drei Größen Anpassungsmaß
D nach Kolmogorov, das nω²-Anpassungsmaß und die QuantilKorrelation Γp zur Verfügung.
Die Abbildung 3.17 zeigt die drei am Besten approximierten Verteilungsfunktionen, die auf
Basis der 78-jährigen Messreihe für den Pegel Gräfinau-Angstedt ermittelt wurden. Als die an
die Messwerte bestangepasste Extrapolation wurde die Variante nach Log Normal-Verteilung
mit drei Parametern (LN3) und mit Parameterschätzung nach der Wahrscheinlichkeitsgewichte-
3.2 Zeitlich statische Gebietsparameter
77
ten Momentenmethode (WGM) ermittelt (DVWK 1999 [47]). Daraus ergaben sich die Tabelle
3.6 dargestellten Extremabflüsse HQT für den Pegel Gräfinau-Angstedt.
Tabelle 3.6: Berechnete Hochwasserscheitelabflüsse HQT [m³/s] mit Wahrscheinlichkeitsaussage
Wiederkehrintervalle T [a]
2
5
10
20
25
50
100
HQT [m³/s]
17,5
28,9
38,3
48,7
52,3
64,3
77,7
Bei kleinen bis mittleren Wiederkehrintervallen bis 50 Jahre spricht man von einem „mittleren
Hochwasser“, bei Wiederkehrintervallen von T≥100 Jahre handelt es sich um sog. „Extremhochwasser“.
Abbildung 3.17: Die drei am Besten approximierten Verteilungsfunktionen der Jahres-HQ und verwendete Schätzmethoden
3.2
Zeitlich statische Gebietsparameter
Räumlich hoch aufgelöste Informationen zur Landnutzung, zu den Böden und zu hydrogeologischen Eigenschaften sowie das Relief und die daraus generierten Reliefeigenschaften und hydrologische Parameter bilden die Grundlage für die prozessorientierte, flächendifferenzierte Systemanalyse und Modellierung,
Die in die zur HRU-Generierung durch Verschneidung eingehenden zeitlich statischen Gebietsparameter kann man in topographische Basisdaten (Grundlage DGM) und charakteristische
Gebietskenngrößen differenzieren. Letztere werden wie beschrieben (s. Abschnitte 3.1.3, 3.1.4,
3.1.5) z.B. aus Satelliten- und Luftbildern sowie fachspezifischen topographischen Karten erzeugt. Die aus dem DGM generierten Basisdaten Fließakkumulation, Fließgewässernetz und
Fließrichtung sind Grundlage der später erfolgenden Topologiebildung und des Routings. Sie
78
gehen im Gegensatz zu den anderen Parametern nicht in den Verschneidungsprozess ein (s.
Abbildung 3.18).
Abbildung 3.18: Zeitlich statische Gebietsparameter
3.2.1
Ableitung topographischer Basisdaten aus dem Digitalen Geländemodell
3.2.1.1
Das Digitale Geländemodell DGM-25
Das Digitale Geländemodell bildet mit seinen Höheninformationen die Grundlage für die Generierung der benötigten topographischen Basisdaten Geländehöhe, Hangneigung und Exposition,
der Teileinzugsgebiete, der Fließrichtung, der Fließakkumulation und das von ihr abgeleitete
Fließgewässernetz. Die Genauigkeit des DGM’s, die Rasterweite im Verhältnis zur Skale und
die zur Rasterbildung verwendeten Interpolationsalgorithmen beeinflussen maßgeblich die Modellgüte der Niederschlags-Abfluss-Modellierung (Pfennig et al. 2006 [151]). Die hohe Bedeutung der morphologischen Parameter des FEG für die Bildung schneller Abflusskomponenten
(Peschke et al. 1999 [146]) ist besonders für das sich durch eine hohe Reliefvarianz auszeichnende FEG Gräfinau-Angstedt von großer Wichtigkeit. Aus diesem Grund ist vorbereitend sicherzustellen, dass das verwendete DGM hohen geowissenschaftlichen Qualitätsanforderungen
genügt.
Zur Ableitung der topographischen Basisdaten stand das DGM-25 der TLUG zur Verfügung. Es
wurde auf Basis digital vorliegender Höhenlinien und Höhenpunkte erzeugt, deren Grundlage
die amtlichen Topographischen Karten 1:25.000 (TK25) der Vermessungsverwaltung bildeten.
Die vorliegenden dreidimensionalen Raumpunkte (Tripel) teilen sich in 25.655 Höhenpunkte
und 9.119.803 Tripel von Isohypsen auf. Dies entspricht bei einer Landesfläche Thüringen’s
von 16.171 km² einer durchschnittlichen Tripeldichte von ca. 566 Tripel/km² (Tripelabstand ca.
42 m) entspricht. Diese Tripeldichte wird für die Erstellung eines DGM mit 25 m Rasterweite
als ausreichend bewertet (Köthe und Bock 2002 [105]). Um den hohen Ansprüchen zu genügen
war es erforderlich, die vorliegenden digitalen Höhendaten zu korrigieren und stellenweise manuell zu ergänzen (Köthe und Bock 2000 [104]). Zur Identifikation fehlerbehafteter Höhenwerte
und Gebiete wurden geschummerte Reliefdarstellungen verwendet. Insbesondere in den engen
Randbereichen von Tälern und den breiten Talböden wurden fehlende Isohypsen durch morphologisch plausible Isohypsen in einem iterativen Verfahren ergänzt, das auf Interpolation via
Kriging beruht. Auf diese Weise konnten Gebiete mit unzureichender Tripeldichte beseitigt
3.2 Zeitlich statische Gebietsparameter
79
werden, so dass zur Berechnung des finalen DGM-25 im Schnitt 48 Tripel für die Interpolation
des Höhenwertes einer Rasterzelle zur Verfügung standen (Köthe und Bock 2002 [105]).
Das so erzeugte DGM-25 ist bezüglich der Höhenlinien der TK25 höhenlinientreu und entspricht bezogen auf die räumliche Auflösung von 25 m geowissenschaftlichen Qualitätsanforderungen. Es erreicht eine ausreichende relative Höhengenauigkeit. Einschränkend muss angemerkt werden, dass im Bereich sehr flach geneigter Gebiete auf Grund zu geringer Isohypsendichte nicht immer Höhengenauigkeiten im Dezimeterbereich erzielt werden kann. Zudem können Fehler durch die manuelle Korrektur nie ganz ausgeschlossen werden (Köthe und Bock
2002 [105]).
Neben natürlich entstandenen abflusslosen Senken können die beiden genannten Einschränkungen zu Depressionen im DGM führen. Um ein fehlerfreies Gewässernetz berechnen zu können,
muss durch Füllen dieser Senken ein hydrologisch korrektes Höhenmodell erzeugt werden, damit jede Rasterzelle eine Entwässerungsrichtung aufweist (Pfennig et al. 2006 [151]). Das Füllen geschieht mittels geeigneter GIS-Werkzeuge, indem der Höhenwert der Senke auf das Niveau der niedrigsten angrenzenden Rasterzelle angehoben wird. Die Abbildung 1.12 Anhang B
zeigt das DGM-25 für das FEG Gräfinau-Angstedt.
3.2.1.2
Geländehöhe
Insbesondere in dem mit hoher Reliefvarianz ausgestatteten betrachteten Einzugsgebiet ist eine
markante Abhängigkeit der Klimagrößen Temperatur, Luftdruck, Windgeschwindigkeit und
Niederschlag von der Höhe zu verzeichnen. Während die beiden ersteren mit steigender Höhe
abnehmen, verzeichnen die beiden letzteren umgekehrt dazu einen Anstieg. Daraus resultiert ein
deutlicher Einfluss auf den phänologischen Jahresgang der Vegetation. Die aus dem DGM abgeleitete Geländehöhe, gemessen in Metern, beeinflusst zudem die Regionalisierung der punktuellen zeitlich variablen Eingansdaten. Dass sie auf die Modellergebnisse selbst einen relativ
unsensitiven Einfluss hat (Krause 2001 [110]), konnte eine Vorabklassifizierung in äquidistante
Höhenzonen von 100 m als hinreichend bewertet werden (vgl. Abbildung 1.5 im Anhang B).
Die Geländehöhe geht als eine der Verschneidungsebenen in die HRU-Ableitung ein.
3.2.1.3
Fließrichtung
Die Fließrichtung wird ebenfalls auf Basis des DGM-25 berechnet und repräsentiert die Entwässerungsrichtung jeder einzelnen Rasterzelle. Sie ist die Grundlage für die Berechnung der
Fließakkumulation, des Entwässerungsnetzes und der Teileinzugsgebiete. Die Bestimmung der
Fließrichtung erfolgt im GIS mit dem D8-Algorithmus und eines 3×3-Filters. Dabei wird für
jede Zelle das Gefälle zu ihren acht Nachbarzellen bestimmt. Das größte Gefälle bestimmt die
jeweilige Fließrichtung (Pfennig et al. 2006 [151]). Die für das Einzugsgebiet abgeleitete Fließrichtung zeigt die Abbildung 1.14 im Anhang B.
3.2.1.4
Fließakkumulation und Fließgewässernetz
Die Summe der in eine Rasterzelle entwässernden höher gelegenen Rasterzellen wird als Fließakkumulation bzw. Abflusskonzentration bezeichnet. Während hohe Werte für Gebiete konzentrierten Fließens stehen, repräsentieren Abflusskonzentrationen von Null generell Muster lokaler
topographischer Höhen und stehen meist für Wasserscheiden. Die Fließakkumulation ist die
Grundlage für die Ableitung des Entwässerungsnetzes (s. Abbildung 1.15 Anhang B). Dazu
werden alle Rasterzellen, deren Abflusskonzentration einen vom Nutzer spezifizierten Schwellwert überschreiten, in einen Datensatz des Entwässerungsnetzes überführt. Dieser Schwellwert
80
steht für die Anzahl an Rasterzellen, ab der der Überlandfluss einen Vorfluter bildet. Der von
klimatischen Verhältnissen und der Physiographie des FEG abhängige Schwellwert (Pfennig et
al. 2006 [151]) ist ein Erfahrungswert, der die Dichte des berechneten Entwässerungsnetzes
maßgeblich bestimmt. Für das FEG Gräfinau-Angstedt wurden vier Varianten eines Gewässernetzes mit unterschiedlichen Dichten auf Basis der Schwellwerte 500 Rasterzellen (31,25 ha),
1500 Rasterzellen (93,75 ha), 2000 Rasterzellen (125 ha) und 2500 Rasterzellen (156,25 ha)
erzeugt und gegenübergestellt. Im Ergebnis entstanden bei 500 Rasterzellen ein Fließgewässernetz von 172 km Länge, bei 1500 Rasterzellen 115,5 km Länge, bei 2000 Rasterzellen 100,6 km
Länge und bei 2500 Rasterzellen 89,7 km Länge (vgl. Abbildung 1.16 Anhang B).
Unter dem Aspekt der Modellierung mit J2000/JAMS wurde auf das mit einem Schwellwert
von 2000 Rasterzellen erzeugte Gewässernetz zurückgegriffen, bei dem mit 63 Gerinneabschnitten ein nach vorliegenden Erfahrungen gebräuchlicher Wert für die Einzugsgebietsgröße vorlag. Das berechnete digitale Gewässernetz musste nun mit dem natürlichen Gewässerverlauf abgeglichen werden. Dazu wurde es mit dem Gewässernetz der Topographischen Karte
1:10.000 (TK10) abgeglichen. Dabei konnte eine Unzulänglichkeit im DGM in Form einer fehlerhaften Wasserscheide im Bereich kurz oberhalb der Mündung des Flüsschens Wohlrose in
die Ilm lokalisiert werden (s. (Pfennig et al. 2006 [151]) S. 16). Um das Ableiten fehlerhafter
Teileinzugsgebiete zu vermeiden, war es nötig, das DGM durch Einfügen einer künstlichen
Wasserscheide zu korrigieren. Ebenfalls aus diesem Grund musste die berechnete Lage des
Pegels Gräfinau-Angstedt mit den Tiefenlinien des DGM verglichen und leicht korrigiert werden. Auf dieser Vorgehensweise begründet sich die Bedeutung des abgeleiteten Fließgewässernetzes für die Validierung des verwendeten Digitalen Geländemodells.
Für die spätere Ableitung der Gebietstopologie wird jedem einzelnen Flusssegment eine eindeutige ID zugewiesen, die es ermöglicht, dass gewässernahe HRU ihr Wasser an den jeweils
nächsten Knotenpunkt übergeben können. Somit kann für jede HRU ermittelt werden, ob sie in
eine angrenzende HRU oder in einen sie schneidenden Gerinneabschnitt entwässert. Auf diese
Weise wird neben der topologischen Verknüpfung von Teilflächen das Gewässernetz integriert
und eine komplette hydrologisch-topologische Sequenz des Einzugsgebietes erzeugt (Pfennig et
al. 2006 [151]).
3.2.1.5
Hangneigung
Die ebenfalls im GIS aus dem DGM abgeleitete Hangneigung ist die zweite Verschneidungsebene für die HRU-Generierung. Sie beschreibt die maximale Änderung der Höhe in Fallrichtung und wird in Grad bemessen. Die Hangneigung hat eine wichtige Funktion bei der Separierung der Komponenten des Gesamtabflusses (Krause 2001 [110]). Sie beeinflusst die Aufnahmefähigkeit des Muldenrückhaltes und damit die Menge des Wassers, das als Direktabfluss dem
Gerinne zugeführt wird. Über den Winkel der Sonneneinstrahlung hat die Hangneigung signifikanten Einfluss auf die potentielle Evapotranspiration. Die Ausprägung des Reliefs hat zudem
entscheidenden Einfluss auf die Bodenbildung (Pfennig et al. 2006 [151]).
Die Wertebereiche für die Hangneigung werden im Anschluss an ihre Erzeugung im GIS neu
klassifiziert bzw. zusammengefasst. Nach (Krause 2001 [110]) ist dabei die Heterogenität des
Einzugsgebietes maßgeblich für die Vorabklassierung. Ein weiteres Kriterium ist die Aufgabenstellung und der Detaillierungsgrad des gewählten Modellansatzes. Für das FEG GräfinauAngstedt wurde die Klassifizierung der Hangneigung nach (Peschke et al. 1999 [146]) übernommen (s. Abbildung 1.17 im Anhang B), die eine prozessorientierte Differenzierung einzelner Abflusskomponenten gewährleistet (Pfennig 2003 [149]).
3.3 Zeitlich variable Eingangsdaten – Messwerte
3.2.1.6
81
Exposition
Auch die Hangrichtung bzw. Exposition wird mit geeigneten GIS-Routinen aus dem DGM abgeleitet. Sie berechnet sich aus der maximalen hangabwärtsgerichteten Höhendifferenz jeder
Rasterzelle zu ihren acht Nachbarzellen und beschreibt, in Grad von Nord bemessen, die horizontale Ausrichtung einer geneigten Fläche. Die Exposition ist ebenfalls eine weitere Verschneidungsebene für die Überlagerung zur HRU-Erzeugung. Dieser Gebietsparameter hat als
Bestandteil der Korrekturfunktion nach ((Golf 1981 [68]) in (Krause 2001 [110])) Einfluss auf
die Höhe der potenziellen Verdunstung, da verschiedenartig ausgerichteten Hängen differierenden Strahlungsbilanzen aufweisen (die Verdunstung auf südlich exponierten Hängen ist aufgrund der höheren Sonneneinstrahlung höher) und somit unterschiedliche Temperaturverteilungen besitzen. Dies ist insbesondere für Schneeschmelzereignisse von Bedeutung. Nach (Krause
2001 [110]) ist die Exposition als ein eher unsensitiver Parameter einzustufen, der auf die Abflussbildung und die Separierung der Abflusskomponenten nur geringen Einfluss hat (Beven et
al. 1995 [17]). Aus diesem Grund werden die im GIS standardmäßig ausgewiesen acht Klassen
N, NO, O, SO, S, SW, W und NW zu den vier Haupthimmelsrichtungen zusammengefasst (vgl.
Abb. 1.18 Anhang B).
3.2.1.7
Teileinzugsgebiete
Die Prozessrelevanz der Teileinzugsgebiete wurde bereits im Abschnitt 2.5.2 erläutert. Für das
FEG Gräfinau-Angstedt wurden auf Basis der Definition der Gebietsauslässe im GIS für die
wichtigsten Fließgewässer des Gebietes 16 Teileinzugsgebiete abgeleitet (s. Abb. 1.19 Anhang
B). Orientiert wurde sich dabei an dem Fließgewässernetz Thüringens der Topographischen
Karte TK10 und dem berechneten Fließgewässernetz. Die Anzahl und Größe der ausgewiesenen
Teileinzugsgebiete liegt im Ermessen des Anwenders. Ausführlich beschrieben ist die Vorgehensweise in (Pfennig et al. 2006 [151]).
3.3
Zeitlich variable Eingangsdaten – Messwerte
Das Modell J2000/JAMS benötigt als Modellinput stationsbezogene Klima- und Niederschlagszeitreihen. Die Messdaten der einzelnen Stationen müssen lückenlos über den gesamten Untersuchungszeitraum vorliegen. Die benötigten zeitlich variablen Eingangsdaten in Form von Tageswerten sind der Niederschlag [mmxd-1], die Minimum- Maximum- und Mitteltemperatur
[°C] für die Berechnung der Verdunstung und der Schneeakkumulation und -schmelze, die
Windgeschwindigkeit in 2 m Höhe [mxs-1], die Sonnenscheindauer [h] und die Relative Luftfeuchte [%], alle drei Größen ebenfalls zur Berechnung der Verdunstung. Dazu kommen noch
die Tagesmesswerte für den Abfluss [m³xs-1] am betrachteten Pegel. Zu Modellierung auf Stundenbasis müssen die gleichen Eingangsdaten in stündlicher Auflösung vorliegen. Im Unterschied zu den Tageswerten bekommen das Maximum, das Minimum und der Mittelwert der
Temperatur den gleichen Stundenmesswert.
Diese punktuellen Modelleingangsdaten werden nach einem im J2000/JAMS implementierten
Verfahren regionalisiert. Dabei finden die horizontalen und vertikalen Variabilitäten der einzelnen Klimagrößen wie folgt Beachtung: die horizontalen Variabiltäten, in Form der unterschiedlichen Entfernungen der einzelnen Stationen zu den einzelnen Prozessflächen, werden über
IDW-Verfahren, die vertikalen Variabilitäten über eine optionale Höhenkorrektur berücksichtigt(Krause 2001 [110]). Im Ergebnis wird aus den Stationswerten für jede Prozessfläche ein
82
flächengewichteter und gegebenenfalls höhenkorrigierter Wert für jede Klimagröße berechnet.
Eine ausführliche Beschreibung der Vorgehensweise gibt (Krause 2001 [110]).
3.3.1
Relevante Klimastationen
Die Datenlage orientiert sich an den zur Verfügung stehenden Messstationen, die nach regionalen Gesichtspunkten ausgewählt werden. Primäres Kriterium ist die geographische Lage bzw.
die Nähe zum betrachteten Einzugsgebiet und damit ihre Relevanz für die im Modell durchgeführte Regionalisierung. Bevorzugt wird auf Stationen innerhalb des Einzugsgebietes zurückgegriffen. Die Anzahl der Stationen ist vom Modell nicht begrenzt, sollte aber möglichst hoch
sein. J2000/JAMS unterscheidet in Klimastationen und Niederschlagsstationen, wobei die Anzahl der zur Verfügung stehenden Niederschlagsstationen in den meisten Fällen größer ist.
Da das Modell im Tages- und im Stundenmodus betrieben werden soll, musste auf Niederschlags- und Klimastationen mit Messwerten in stündlicher Auflösung zurückgegriffen werden.
Diese liegen erfahrungsgemäß wesentlich seltener vor, so dass bezüglich des regionalen Bezugs
zum FEG Abstriche gemacht werden müssen. Über ihre Entfernungen gewichtet gehen die Werte der Klimastationen in das Modell ein. Nicht selten erhält so eine Klimastation, die innerhalb
oder in unmittelbarer der Nähe des Einzugsgebiets liegt, aus Ermangelung weiterer, sich in vergleichbarer Entfernung befindlicher Stationen, einen für das FEG dominanten Charakter.
Klimastationen mit Messwerten in stündlicher Auflösung lagen von folgenden 10 Stationen vor:
die TLL-Stationen Großobringen, Friemar, Dornburg, Bad Salzungen, Heßberg, Burkersdorf,
und Oberweißbach sowie die DWD-Stationen Schmücke, Sonneberg und Neuhaus am Rennweg (s. Abbildung 1.20 Anhang B). Die Klimawerte der einzelnen Tage wurden aus den Stundenwerten generiert. Daher sind die verwendeten Klimastationen im Tages- und Stundenmodus
identisch. Die Stationen der TLL gehören zu dem „Agrarmeteorologischen Messnetz“ (TLL
2007 [187]), das im Jahr 1994 in den operativen Messbetrieb überführt wurde. Die Klimadaten
wurden von Herrn Dr. Günther für diese Arbeit freundlicherweise zur Verfügung gestellt.
Als relevante Niederschlagsstationen für den Stundenmodus wurden die Stationen Schmücke,
Oberweißbach, Neuhaus am Rennweg, Heßberg (TLL) und Sonneberg ausgewählt. Weitere
Stationen mit Stundenwerten in der Nähe des FEG waren nicht verfügbar.
Im Umkreis des FEG gibt es eine Vielzahl von weiteren Niederschlagsstationen, an denen ausschließlich Tageswerte vorliegen. Folgende Auswahl wurde als relevant eingestuft: die DWDStationen in Gräfenroda, Gehlberg, Gehren, Frauenwald und Großbreitenbach (vgl. Abbildung
1.21 Anhang B).
3.3.2
Niederschlagskorrektur der Tages- und Stundenwerte
Die Erfassung von Niederschlagshöhen für kurze Zeitperioden erfolgt in Deutschland bereits
seit 1886 mit dem Niederschlagsmesser nach Hellmann (s. Bild 1.5 Anhang A). Windeinflüsse,
Benetzungsfehler und Verdunstungsverluste führen zu einer systematischen Unterschätzung des
gemessenen Niederschlags, der in der Literatur mit Pauschalwerten von 10-20% für Regen und
ca. 25% für Schnee angegeben wird (Hinkelmann 2006b [84]). Aus diesem Grund sollten die
Messwerte mit geeigneten Methoden korrigiert werden.
Zur Korrektur der Tageswerte des Niederschlags wurde die im Modell J2000/JAMS implementierte Korrekturfunktionen nach Richter (Richter 1995 [160]) zur Korrektur des systematischen
Messfehlers des Hellmann-Niederschlagsmessers angewandt. Im Durchschnitt wurden so die
3.4 Zeitlich variable Eingangsdaten – Prognosewerte
83
gemessenen Niederschläge in den hydrologischen Sommerperioden um 9,9% und in den hydrologischen Winterperioden um 18,5% nach oben korrigiert.
Die Korrektur der Stundenwerte erfolgte nicht im Modell J2000/JAMS sondern manuell. Da es
in der Literatur keine Hinweise auf gängige Korrekturverfahren für stündliche Niederschlagsmesswerte gibt, wurde folgender Ansatz entwickelt. Die Verdunstung wird als Fehlerquelle
vernachlässigt, da die Messbehälter stündlich geleert und die Messwerte erfasst werden. Es
müssen nur die Benetzungsverluste und der Windfehler korrigiert werden. Dazu wurden die
Stundenwerte zu abgeschlossenen singulären Niederschlagsereignissen zusammengefasst, wenn
zwischen den Ereignissen in der hydrologischen Sommerperiode eine Stunde und in der hydrologischen Winterperiode zwei Stunden vergangen waren. Im Anschluss wurden alle abgeschlossenen Niederschlagsereignisse größer gleich 0,1 mm bezüglich des Benetzungsfehlers mit einem Offset versehen. Für die stufenlose Korrektur des Windfehlers wurden die Erkenntnisse der
Korrektur von Tageswerten nach Richter angewandt. Dieses Verfahren korrigiert die Tagesmesswerte über die Tagesmitteltemperatur. Da hier auch stündliche Messwerte für die Temperatur vorlagen, konnten diese direkt zur Korrektur der Niederschlagsereignisse herangezogen
werden. Dazu wurden der Verlauf der Wertepaare aus den Klassenmittelwerten und den Werten
für den Windfehler mit der Annahme „Stationslage leicht geschützt“ (s. Tabelle 1.7 Anhang C)
analytisch beschrieben.
Für Niederschlagsmengen in Form von Regen größer 50 mm ist eine Funktion zur Berechnung
des Windfehlers nicht anwendbar, da dieser bei steigenden Regenmengen weiter mit ansteigen
würde, wovon jedoch nach (Richter 1995 [160]) nicht auszugehen ist. Auch bei Niederschlagsmengen in Form von Schnee größer 20,1 mm ist eine Funktion zur Berechnung des
Windfehlers ebenfalls nicht anwendbar, da nach (Richter 1995 [160]) keine Erkenntnisse für
eine Korrektur vorliegen. Angenommen wird in beiden Fällen ein Plateauverhalten, so dass ab
den genannten Grenzen ein konstanter Korrekturbetrag des Windfehlers angesetzt wurde.
Bei den Stundenwerten konnten mit dieser Methode im Durchschnitt der Stationen die gemessenen Niederschläge in den hydrologischen Sommerperioden um 8,1% und in den hydrologischen Winterperioden um 16,0% nach oben korrigiert werden.
3.3.3
Pegelmesswerte
Für die Kalibrierung und Validierung der modellierten Simulationsergebnisse müssen möglichst homogene und konsistente Messreihen des Pegels vorliegen. Am Pegel Gräfinau-Angstedt
wird seit 1923 kontinuierlich das Abflussgeschehen aufgezeichnet und archiviert. Mit Einzug
der digitalen Messtechnik konnte die zeitliche Auflösung der Erfassung von Messwerten erhöht
werden. So stehen seit Beginn der 90er-Jahre durchgehend Viertelstunden-Mittelwerte für Abfluss und der über die jeweils gültige W-Q-Beziehung berechnete Wasserstand zur Verfügung.
Der Pegel Gräfinau-Angstedt ist als einer der 52 Thüringer Hochwassermeldepegel in das automatisierte Abrufregime des Thüringer Pegelmessnetzes integriert.
3.4
Zeitlich variable Eingangsdaten – Prognosewerte
Verlässliche Prognosedaten sind die Voraussetzung einer zuverlässigen operativen Hochwasservorhersage. Aus diesem Grund sind im Vorfeld die zur Verfügung stehenden Eingangsdaten
zu analysieren und hinsichtlich ihrer statistischen Güte zu bewerten. Als operative Vorhersagedaten werden in diesem Projekt die Vorhersagedaten des COSMO-DE-Modells (früher Lokal-
84
modell LME bzw. LM) des Deutschen Wetterdienstes genutzt. Diese Prognosedaten sollen die
Basis der modellgestützten operativen Abflussvorhersage mit dem Ziel bilden, sich anbahnende
Hochwassersituationen zu erkennen. Der Schwerpunkt der Untersuchungen liegt auf der initialen Größe Niederschlag, die bei Starkniederschlagsereignissen oder langanhaltenden Niederschlagsereignissen Hochwassersituationen auslösen kann. Im Zusammenhang mit Schneeschmelzereignissen steigt auch die Bedeutung der Klimagröße Temperatur.
Um bei der später folgenden Modellierung mit Prognosedaten optimale Ergebnisse zu erzielen,
wurden als Modellinput Klimawerte der gleichen Stationen vorgesehen, mit denen das Modell
auch kalibriert und validiert wird. Dazu müssen die als Rasterdaten vorliegenden Prognosewerte
mit einem geeigneten Verfahren auf punktuelle Werte der verwendeten realen Messstationen
regionalisiert werden.
3.4.1
Klimadaten des COSMO-DE-Modells des DWD
Das COSMO-DE-Modell wurde bereits ausführlich im Kapitel 2.7 beschrieben. Um die geographische Lage der LM-Vorhersageraster bewerten zu können und flächenhafte Darstellungen der
prognostizierten Werte zu realisieren, wurde als Erstes mit Hilfe von GIS-Funktionen aus dem
vorliegenden LM-Gitternetz ein Raster mit 806 quadratischen Zellen mit einem Flächeninhalt
von jeweils 49 km² erzeugt (s. Abb. 1.22 Anhang B).
Die in stündlicher Auflösung vorliegenden LM-Vorhersagedaten für Thüringen der Größe Niederschlag wurden im Staatlichen Umweltamt Suhl mit dem Beginn des operativen Betriebs am
01.11.1999 des damals unter dem Namen Lokalmodell (LM) geführten Modells archiviert und
freundlicherweise zur Verfügung gestellt. Der Untersuchungszeitraum ging somit über 6 ½ Jahre bis zum 31.05.2006. Ziel der statistischen Auswertung der LM-Daten war es, Erkenntnisse
darüber zu gewinnen, ob die Vorhersagedaten gegenüber den Messwerten qualitativ ausreichend
sind oder ob methodisch geeignete Korrekturverfahren entwickelt werden müssen. Da die
Hochwasservorhersage im Tages- und im Stundenmodus betrieben werden soll, wurden für
beide Fälle die Differenzen zwischen Messwerten und Prognosewerten untersucht. Die beiden
hydrologischen Perioden „Hydrologischer Sommer“ (01.05.-31.10.) und „Hydrologischer Winter“ (01.11.-30.04.) wurden differenziert bewertet. Stationsspezifische und jahreszeitliche Besonderheiten sollten genauso berücksichtigt werden, wie die verschiedenen Vorhersageabschnitte, die im Folgenden erläutert werden.
Der Vorhersagezeitraum des Lokalmodells betrug anfangs 48 Stunden. Der DWD realisierte
täglich um 0.00 Uhr und 12.00 Uhr eine neue Modellrechnung, so dass sich das Vorhersagefenster jeweils um einen Zeitraum von 12 Stunden verschob und der sich überschneidende Zeitraum von 36 Stunden aktualisiert wurde. Die ersten zwölf Stunden der Vorhersage werden im
Weiteren als Sektion 1 bezeichnet, die 2. zwölf Stunden als Sektion 2, die 3. als Sektion 3 und
der Abschnitt zwischen der 36 und 48. Stunde als Sektion 4. Es war zu erwarten, dass diese vier
Sektionen bezüglich der Vorhersagegüte Unterschiede aufweisen.
Zum Vergleich der LM-Daten mit real gemessenen Werten über den gesamten Zeitraum, war es
nötig, den Gesamtdatenbestand in geeignete Datenbankstrukturen zu überführen. Dazu war die
Entwicklung eines eigenen Datenmodells einschließlich der notwendigen inkrementellen Einund Ausleseroutinen unerlässlich, um die durch Verschlüsselung komprimierten LMVorhersagedateien zu decodieren und in die Datenbanken zu überführen. Die datenbankbasierte
Datenhaltung ermöglicht die Definition flexibler Zeiträume für die Auswertung und Analyse.
85
Um die Vorhersagegüte der vier Sektionen differenziert bewerten und gegebenenfalls differenziert korrigieren zu können, mussten die Vorhersagedaten jeder Kategorie in getrennte Datenbanken (DB 1-4) überführt werden.
Abbildung 3.19: Untersuchte Abschnitte der COSMO-EU-Vorhersagewerte
Des Weiteren waren Programmwerkzeuge nötig, die die Daten aus den erzeugten LM-Datenbanken auslesen und sie so aufbereiten, dass sie als Modell-Input von J2000/JAMS direkt verarbeitbar sind.
Zur Visualisierung der Vorhersage wurde das Werkzeug LM-Visio entwickelt (s. Abbildung
3.20), mit dem die COSMO-EU-Modell-Werte (LM) der prognostizierten Klimagrößen graphisch und tabellarisch für alle Rasterzellen Thüringens dargestellt werden können. Die Datenbank und die programmierten Werkzeuge bilden die Basis für den späteren operationellen Einsatz der Vorhersage im Hochwasserinformationsdienst. Aus diesem Grund wurde für die Entwicklung ausschließlich auf Internet-Standards wie MySQL, SVG und PHP zurückgegriffen.
LM-Visio steht den Fachleuten im Geschäftsbereich des TMLNU zur Verfügung.
Abbildung 3.20: Darstellung der Niederschlagsvorhersage des COSMO-EU-Modells vom 26.04.2006
mit dem Visualisierungstool LM-Visio
Im August 2006 erweiterte der DWD seinen vom Lokalmodell abgedeckten Vorhersagezeitraum auf 78 Stunden (s. Abschnitt 2.7). Ein weiterer Modelllauf mit einem Vorhersagehorizont
86
von 48 h wird seitdem täglich 6.00 Uhr durchgeführt. Für ein zu entwickelndes Korrekturregime
bedeutet dies, dass es flexibel auf Veränderungen des Vorhersagezeitraumes reagieren können
muss. Die Güte der Vorhersagedaten über die 48 Stunden hinaus konnte im Rahmen dieser Arbeit nicht bewertet werden.
Die zur Verfügung stehenden Messdaten erlauben eine Einschätzung bezüglich des Niederschlags als Tagessummen und auch als Stundenwerte. Dabei wurden sowohl regionale Unterschiede des betrachteten Gebietes als auch jahreszeitliche Differenzen herausgehoben.
Um die Vorhersagewerte mit den nach Richter korrigierten Messwerten zu vergleichen, war es
eingangs nötig, mit einer geeigneten Methode die als Rasterwerte des LM-Gitters vorliegenden
Werte auf die Messstationen zu regionalisieren. Dazu wurde pro Messstation ein Quadrat von
neun Rasterzellen zusammengefasst und der Stationswert nach der Methode des gewogenen
arithmetischen Mittels berechnet (s. Abbildung 3.21). Grundannahme ist dabei, dass die Rasterzellen, die näher an der Station liegen, einen größeren Einfluss auf den zu berechnenden Mittelwert der Station haben als weiter entfernt liegende. Die Entfernung r als Abstand der Schwerpunkte der neun Rasterzellen zu dem Standort der betrachteten Messstation, fließt bei der Berechnung des gewichteten Mittels xg über die inversen Distanzen (IDW) nach folgender Berechnungsvorschrift als Gewicht gi ein:
n
xg =
∑ (x ⋅ g )
i
i =1
i
n
∑g
i =1
i
mit g i =
1
ri2
(3.1)
Um den Einfluss weiter entfernter Rasterzellen auf das gewichtete arithmetische Mittel zu relativieren, wurde die Entfernung r in Gleichung 1.2, basierend auf Erfahrungswerten, mit dem
Exponenten 2 potenziert.
Abbildung 3.21: Wichtung der COSMO-EU-Vorhersagewerte über IDW-Verfahren (Bsp. Station Oberweißbach)
Für den operativen Betrieb eines Hochwasserinformationsdienstes werden alle prognostizierten
Klimagrößen, bevor sie als Input in das Modell eingehen, mit dieser Methode auf Stationswerte
regionalisiert.
3.4.2
87
Untersuchungen zur statistischen Güte
In den folgenden Ausführungen wird die alte Bezeichnung des COSMO-EU-Modells, das Lokalmodell LM verwendet.
Als erstes wurde die LM-Vorhersage bezüglich der zeitlichen Auflösung von Tagen untersucht.
Dabei sei noch mal darauf verwiesen, dass die Tageswerte aus den Stundenwerten der LMVorhersage für den Zeitraum von 8.00 Uhr bis 7.00 Uhr aggregiert wurden. Damit kann die
bestmögliche Vergleichbarkeit mit den Tagesmesswerten des DWD gewährleistet werden, da
diese in der Regel täglich um 7.00 Uhr erfasst werden.
Untersucht wurden für den Zeitraum mit vorliegenden LM-Daten vom 01.11.1999 bis
31.05.2006 die quantitativen Niederschlagsbilanzen als Differenzen zwischen gemessenen korrigierten Messwerten RR und LM-Vorhersagewerten LM. Zur Untersuchung der statistischen
Güte wurde sich auf den mittleren quadratischen Abstand mqA als Indikator der Qualität der
Vorhersage beschränkt.
n
∑ (RR
mqA =
i
− LM i
i =0
)2
(3.2)
n
Diese Auswertungen wurden für alle Stationen, die mit ihren Messwerten für den Modell-Input
genutzt werden, durchgeführt (s. Abschnitt 3.3). Die Tabelle 1.8 im Anhang C zeigt die Auswertung der Niederschlagsbilanzen und die errechneten mqA der ersten Sektion, in Abbildung
3.22 sind die Niederschlagsbilanzen graphisch dargestellt.
Abbildung 3.22: Niederschlagsbilanzen der Stationen mit Tageswerten nach hydrologischem Sommer
und Winter für den Zeitraum vom 01.11.1999 – 31.05.2006
Alle acht auf dem Kamm oder im Lee des Mittelgebirges liegenden Stationen werden deutlich
unterschätzt. Im hydrologischen Sommer reicht die Spanne des vorhergesagten Niederschlagdefizits von 64,9% der tatsächlich gefallenen Niederschlagsmenge in Gehren bis 80,7% in Gräfenroda. Im hydrologischen Winter geht der Bereich von 53,1% in Gehlberg bis 85,9% in Gräfenroda. Der mittlere quadratische Abstand hat ein Spektrum von im Sommer 4,19 mm (Gräfenroda) bis 5,3 mm (Schmücke) und im Winter von 3,56 mm (Gräfenroda) bis 6,61 mm (Gehlberg).
Die niederschlagsreichsten Stationen Schmücke und Gehlberg haben somit die höchsten mqA-
88
Werte, die niederschlagsärmste Station Gräfenroda den niedrigsten mittleren quadratischen Abstand.
Im Anschluss wurde die Entwicklung der Vorhersagegüte in den weiteren Sektionen bzw. 12Stunden-Abschnitte der Vorhersagen untersucht. Dabei zeigte sich, dass auch in den Vorhersagen der 12. bis 48. Stunde ein sehr deutliches Niederschlagsdefizit zu verzeichnen ist und dass
wie erwartet mit steigenden Sektionen die mittleren quadratischen Abstände mqA sowohl im
hydrologischen Sommer wie auch im Winter deutlich schlechter werden (vgl. Tabelle 1.9 im
Anhang C). Die Stationen mit höheren Niederschlagsmengen weisen sowohl im hydrologischen
Sommer als auch im Winter größere Vorhersageunsicherheiten auf.
Auch im Falle der Stundenwerte ging der Untersuchungszeitraum im Falle der Sektion 1 über
den Gesamtbereich vorliegender LM-Daten vom 01.11.1999 bis 31.05.2006. Auch hier wurden
die Niederschlagsbilanzen und die mittleren quadratischen Abstände der Stationen mit Stundenwerten analysiert. Bis auf die als einzige Station im Luv-Bereich des Thüringer Waldes gelegene Station Heßberg, die im betrachteten Zeitraum im Sommer mit 23,1% und im Winter
mit 75,4% massiv überschätzt wird, werden für die anderen Stationen Lee-seitig oder auf den
Kammlagen gelegenen Stationen wie bei den Tageswerten im Durchschnitt im Sommer mit
74,3% und im Winter mit 77,0% des gefallenen Niederschlags zu wenig vorausgesagt (vgl. Tabelle 1.10 Anhang C und Abbildung 3.23).
Der durchschnittliche mittlere quadratische Abstand aller Stationen ist wie bei den Tageswerten
auch bei den Stundenwerten im Sommer mit 0,66 mm etwas schlechter als im Winter (0,53
mm). Den schlechtesten Wert hat mit der Station Schmücke auch bei den Stundenwerten die
niederschlagsreichste Station.
Abbildung 3.23: Niederschlagsbilanzen der Stationen mit Stundenwerten nach hydrologischem Sommer
und Winter
Auch bei den Stundenwerten wurde die Entwicklung der Vorhersagegüte in den weiteren Sektionen für den Zeitraum vom 01.11.1999 bis 01.01.2005 ausgewertet. Das zunehmende Verhalten
der mittleren quadratischen Abstände mqA mit steigenden Sektionen ist auch bei den Stundenwerten zu beobachten. Da die Stundenwerte entsprechend kleiner als die Tageswerte sind, liegen auch die mqA-Werte in einer anderen Größenordnung. Bei allen fünf betrachteten Stationen
sind die mittleren quadratischen Abstände in der Sommerperiode schlechter als in der Winterperiode (s. Tabelle 1.11 Anhang C). Betrachtet man die durchschnittlichen mittleren quadratischen Abstände der fünf Stationen in Abhängigkeit ihrer Gesamtniederschlagsmenge im unter-
89
suchten Zeitraum, so ist auch hier der Trend zu verzeichnen, dass mit höherem Niederschlag die
Fehlerbehaftung der Vorhersage zunimmt.
Schlussfolgernd kann festgestellt werden, dass die später zur hydrologischen Modellierung des
Einzugsgebietes Gräfinau-Angstedt in das Modell eingehenden Stationen in dem auswertbaren
Vorhersagezeitraum von 6½ Jahren bezüglich der an den Stationen gemessenen Niederschlagsmengen mit der Vorhersage des Lokalmodells des DWD bei Tages- und Stundenwerten nur
unzureichend abgebildet werden. Bis auf die stark überschätzte Station Heßberg werden alle
anderen Stationen zum Teil massiv unterschätzt. Setzt man den gemessenen Niederschlag aller
Stationen jeweils als 100% an, so geht man ohne einer geeigneten Korrektur der LM-Prognose
im Falle des Tagesmodus in den hydrologischen Sommerperioden mit einem Defizit von 27,9%
und in den hydrologischen Winterperioden von 17,7% in die hydrologische Modellierung mit
J2000/JAMS. Im Falle des Stundenmodus beträgt das Defizit in den hydrologischen Sommerperioden 12,5% und in den hydrologischen Winterperioden 31,4%.
Untersuchungen an der Fachhochschule Trier bestätigten, dass die Vorhersagedaten des Lokalmodells zeitliche und räumliche Verschiebungen zu den realen Niederschlägen aufweisen und
dass diese in Abhängigkeit von Randbedingungen mit einer gewissen Systematik auftreten.
Luv-Lee-Effekte führen zu einer Überschätzung der Niederschläge im Luv-Bereich von topografischen Erhöhungen wie den Mittelgebirgen und einer Unterschätzung im Lee-Bereich
(Gemmar et al. 2004 [66]). Dies bestätigten eigene Untersuchungen, wie auch die Abhängigkeit
der Vorhersagegüte von der topographischen Höhe und damit von der Niederschlagsmenge
nachgewiesen werden konnte (Pfannschmidt und Döhler 2005 [148]). Nicht zuletzt ist die im
Luv des Thüringer Waldes gelegene Station Heßberg sehr deutlich überschätzt, während die
Lee-seitig oder auf den Kammlagen liegenden Stationen z.T. sehr hohe Niederschlagsdefizite
aufweisen.
Die Analyse ergab, dass ohne der Regionalisierung und IDW-Wichtung der neun Rasterzellen
auf einen Stationswert, die Luv-Lee-Effekte noch wesentlich auffälliger hervortreten.
Die Fehlerbehaftung der Vorhersagen macht eine operativ vorgeschaltete Korrektur der Lokalmodell- bzw. COSMO-EU-Modell-Niederschlagsprognose unabdingbar. Insbesondere der Ausgleich des massiven Niederschlagsdefizits für das im Lee-Bereich des Thüringer Waldes gelegene FEG ist für eine zuverlässige Abflussprognose und Hochwasservorhersage durch das N/AModell enorm wichtig. Ein geeignetes Korrekturverfahren wird im Kapitel 5.2.1 vorgestellt.
90
4
4.1
Methodik zur HRU-Optimierung
Einführung
Die im Kapitel 2.5.2 ausführlich beschriebene Methodik der HRU-Ableitung lässt sich wie folgt
noch einmal zusammenfassen. Zur flächendifferenzierten Modellierung des Wasserhaushaltes
müssen die räumlichen Modelleinheiten abgeleitet werden. Das geschieht durch Verschneidung
und Zuweisung der topographischen Gebietsparameter. Diese dienen dem Modell zur Berechnung der hydrologischen Prozesse jeder Modelleinheit. Nach dem Verschneidungsprozess besitzen die HRU die maximal mögliche räumliche Variabilität, wobei bei Einzugsgebieten im
mikroskaligen Bereich bis zur unteren Mesoskale, die über eine hohe Reliefvarianz verfügen,
eine sehr große Anzahl an räumlichen Prozesseinheiten entsteht.
Aus zwei Gründen müssen diese innerhalb der GIS-Vorprozessierung aggregiert werden. Der
erste Grund besteht in der anzustrebenden Optimierung des Laufzeitverhaltens des Modells und
der Minimierung des benötigten Speicherplatzes. Der zweite Grund ist noch wesentlicher. So
hat nach ((Krysanova et al. 1998 [118]), (Mamillapalli et al. 1996 [128])) das räumliche Aggregationsniveau und die damit implizierte Anzahl an räumlichen Modelleinheiten einen signifikanten Einfluss auf die Gütemaße der Modellierung. Anzustreben wäre demzufolge ein maximaler räumlicher Aggregierungsgrad der HRU bei gleichzeitig hohen Modelleffizienzen
(Haverkamp et al. 2000 [75]). Mit dem Grad der Diskretisierung des Einzugsgebietes bzw. seiner Heterogenität verbunden ist ein Informationsverlust, den die durch Eliminierung von räumlichen Modelleinheiten entstandenen Aggregationsniveaus gegenüber dem jeweiligen originären
Gebietsparameter aufweisen.
Geeignete Aggregationsstufen wurden oft nur subjektiv durch trial-and-error-Methoden bestimmt oder liegen als „Erfahrungswerte“ vor. Haverkamp (Haverkamp et al. 2000 [75]) beschreibt ein automatisiertes Statistik-basiertes „Moving-Window-Verfahren“ ((Alberto 1994
[3]) in (Haverkamp et al. 2000 [75])) zur Ermittlung eines geeigneten Diskretisierungsgrades
auf Basis objektiver Kriterien. Dabei wird die Heterogenität der nominalskalierten Gebietsparameter bzw. flächenhaften Eingangsdaten mit Hilfe der Entropie (u.a. (Singh und Fiorentino
1992 [182]) in (Haverkamp et al. 2000 [75]) ) bestimmt, die dieses Gebietsmerkmal über die
Uniformität einer Wahrscheinlichkeitsverteilung (Haverkamp et al. 1999 [76]) der Flächenmerkmale der räumlichen Einheiten bezüglich des betrachteten Gebietsparameters beschreibt.
Dabei wertete (Haverkamp et al. 1999 [76]) den als Standardmaß für die Modellgüte geltenden
Effizienzterm nach (Nash und Sutcliffe 1970 [139]) aus und zeigte, dass die mittlere Ergebnisgüte der Modelläufe bei niedrigeren Aggregationsgrad zunimmt und dann bei weiterer Zunahme
der Anzahl von räumlichen Modelleinheiten auf einem konstanten Niveau bleibt. Ab diesem
Punkt spricht (Haverkamp et al. 2000 [75]) von einem geeigneten Diskretisierungsgrad. Diesen
als optimal einzustufen obliegt aber weiterhin der subjektiven Beurteilung des Modellierers.
Das Hauptziel der im Folgenden angestellten Untersuchungen bestand in der Optimierung des
Aggregationsgrades der lateral gerouteten räumlichen Modelleinheiten als Grundlage der Modellierung mit dem Modellsystem J2000/JAMS. Nach (Haverkamp et al. 2000 [75]) ist die Relation zwischen Modelleffizienzen und dem Grad der Diskretisierung nur durch stochastische
92
Verfahren beschreibbar. Dabei ist nach (Blöschl und Grayson 2006 [19]) zu erwarten, dass die
mittlere Simulationsgüte bei steigender Anzahl der Modellentitäten einen einzugsgebietsspezifischen Maximalwert ausbildet, ab dem die Eingangsdaten keine für das Modell dienliche Informationen mehr darstellen.
Im Rahmen der folgenden Analysen wurde überprüft, ob sich diese Abhängigkeit auch durch
diskrete Funktionen beschreiben lässt. Dazu wird im Rahmen der Vorprozessierung eine hinreichende Anzahl von Aggregationsstufen als Basis sich anschließender Modellrealisierungen
generiert. Um diese Aggregationsniveaus quantitativ zu charakterisieren, wird im Folgenden das
einzugsgebietsspezifische Aggregationsmaß HRU-Dichte ρHRU eingeführt. Zur qualitativen Beschreibung der Aggregationsniveaus wird das einzugsgebietsspezifische Maß HRU-Information
I(HRU) definiert. Diese Größe ermöglicht es, den Informationsverlust der generalisierten diskreten
räumlichen Modelleinheiten gegenüber dem dazugehörigen Gebietsparameter zu quantifizieren.
Sie liefert Aussagen darüber, inwieweit die aggregierten Daten nach der Neuattributierung mit
den signifikanten Gebietsparametern die naturräumliche Ausprägung und physikalischen Eigenschaften des Einzugsgebiets noch wiedergeben. Es ist ein Instrument zur Bewertung der Struktur und der Heterogenität des HRU-Aggregationsniveaus. Mit Hilfe dieses Maßes können verschiedene Diskretisierungsansätze miteinander verglichen und das Modell weiter optimiert werden.
Abbildung 4.1: Interne Modellparameter und einzugsgebietsspezifische Aggregationsmaße des hydrologischen Modellsystems J2000/JAMS
Das hydrologische Modellsystem J2000/JAMS besitzt für die Simulation der komplexen hydrologischen Prozesse eine Vielzahl von internen kalibrierbaren Parametern. Diese sind direkt in
den Algorithmen der verwendeten Gleichungen des Reach Routing-, des Snow-, des Soilwater,
des Groundwater und des Interception-Moduls programmtechnisch integriert (vgl. Kapitel 2.6).
Auf Grund der zu erwartenden Abhängigkeiten der Modellgüte vom Grad der Diskretisierung
können ρHRU und I(HRU) als flusseinzugsgebietsspezifische Aggregationsmaße interpretiert werden, die der Optimierung der HRU im Rahmen der GIS-Vorprozessierung dienen (vgl.
Abbildung 4.1).
4.2 HRU-Generierung durch Überlagerung
4.2
93
HRU-Generierung durch Überlagerung
Die HRU als kleinste Prozesseinheiten können, wie im Kapitel 2.5 beschrieben, nach verschiedenen Methoden generiert werden. Im Mittelpunkt der Untersuchungen steht in dieser Arbeit
die HRU-Ausweisung durch Verschneidung hydrologisch bedeutsamer Landschaftsinformationen bzw. Gebietsparameter und das anschließende Eliminieren nicht prozessrelevanter Splitterpolygone durch Aggregation.
Abbildung 4.2:
In den Verschneidungsprozess eingegangene statische Gebietsparameter
94
Die Abbildung 4.2 zeigt eine Übersicht über die aus dem DGM-25 generierten topographischen
Basisdaten und die aus verschiedenen Quellen generierten charakteristischen Gebietskenngrößen. Während die topographischen Basisdaten Fließrichtung, Fließakkumulation und das daraus
abgeleitete Fließgewässernetz für die Topologiebildung und das laterale Routing benötigt werden, gehen die rot unterlegten topographischen Basisdaten mit als Verschneidungsebenen in den
Überlagerungsprozess ein. Die Erzeugung der zeitlich statischen Gebietsparameter ist im Kapitel 3 ausführlich beschrieben.
Abbildung 4.3:
Ergebnis der Verschneidungsoperation mit 44.717 Polygonen
Die bei der Überlagerung im FEG Gräfinau-Angstedt entstandene Polygonmenge umfasst
44.717 Polygone (s. Abbildung 4.3) und bildet das Basisaggregationsniveau für die weitere
Bearbeitung. Ein großer Teil davon sind Kleinstflächen mit nur sehr geringem Anteil an der
Gesamtfläche des FEG. So besitzen 22.592 Polygone eine Größe von nur einer Rasterzelle, was
einem Anteil von 50,52% aller homogenen Teilflächen entspricht. Weitere 6.401 Polygone haben eine Größe von 2 Rasterzellen (14,31%) und 3.125 Polygone die Größe von 3 Rasterzellen
(6,98%). Betrachtet man alle Polygone mit einer Fläche kleiner gleich 10 Zellen (6250 m²) als
Splitterpolygone, so fallen unter dieses Kriterium 39.554 Polygone, was einem Anteil von
88,45% der Gesamtanzahl entspricht. Von der Gesamteinzugsgebietsfläche beträgt der Anteil
dieser Splitterpolygone mit 56,2725 km² ca. 36,31% der Gesamtfläche (154,975 km²). Da diese
Splitterpolygone auf Grund ihrer geringen Größe für die Modellierung als nicht prozessrelevant
bzw. abflusswirksam eingestuft werden (Staudenrausch 2000 [185]), ist es sinnvoll und notwendig, sie durch Aggregationsverfahren zusammenzufassen und somit aus dem HRU-Flächenmuster zu entfernen (s.a Kap. 2.5.2). Einen Optimierungsansatz dieser Methodik wird im Folgenden genauer erläutert. Am Ende des Kapitels wird dies an einem zweiten FEG mit ähnlicher
naturräumlicher Ausprägung und vergleichbarer Größe validiert: dem zum Werra-Einzugsgebiet
gehörenden FEG der Schwarza bis zum Pegel Schwarza.
4.3 Das Aggregationsmaß HRU-Dichte ρHRU
4.3
95
Das Aggregationsmaß HRU-Dichte ρHRU
Das entstandene Aggregationsniveau besitzt auf Grund der hohen Reliefvarianz des Gebiets
eine große Anzahl an Prozessflächen und weist ein relativ homogenes Flächenmuster auf. Um
die Methodik und die Ergebnisse der folgenden Untersuchungen später auf andere Einzugsgebiete im Mittelgebirgsraum übertragen zu können, erschien es zweckmäßig, ein für ein Einzugsgebiet charakteristisches Maß zu definieren, das die Anzahl der HRU pro Einzugsgebietsfläche und somit den Diskretisierungsgrad der HRU beschreibt. Bei dem anschließenden Optimierungsvorgang wurde die Anzahl der über die Fließakkumulation bestimmten Fließgewässerabschnitte als konstant angenommen. Bei weniger reliefierten Einzugsgebieten mit homogeneren Ausprägungen der Gebietsparameter ist von einer kleineren Anzahl an HRU und einer größeren Variabilität der HRU-Größe auszugehen.
4.3.1
Definition
Dazu wird die Größe ρHRU als „HRU-Dichte“ eingeführt:
ρHRU ist der Quotient aus der HRU-Anzahl nHRU des Einzugsgebietes und dessen Fläche AFEG.
Die Einheit ist [HRU/km²].
ρ HRU =
n HRU
AFEG
(4.1)
Alternativ könnte das Reziproke der HRU-Dichte verwendet werden. Dies ist die mittlere Flächengröße der HRU des Einzugsgebietes. Die Einheit ist [km²].
AHRU =
AFEG
n HRU
(4.2)
Die höchste HRU-Dichte hat ein FEG somit nach der Verschneidung der Gebietsparameter. Für
das FEG Gräfinau-Angstedt mit einer Fläche von 154,9 km² und 44.717 generierten HRU beträgt die HRU-Dichte ρHRU des Basisaggregationsniveaus ~289 HRU/km² (s. Kap. 4.2 und Abbildung 1.23 im Anhang B).
4.3.2
Das Aggregationsverfahren
Nachbearbeitend müssen aus der entstandenen Polygonmenge sogenannte Splitterpolygone
eliminiert werden. Dazu wird der Standardbefehl für das Eliminieren von Polygonen (eliminate)
im GIS verwendet, bei dem Flächen, die dem Abbruchkriterium genügen, flächenmäßig kleiner
einem bestimmten Schwellwert S zu sein, mit dem Polygon aggregiert werden, mit dem sie die
größte gemeinsame Grenze besitzen (s. auch Kap. 2.5.2). Der Diskretisierungsgrad bzw. die
HRU-Dichte eines Einzugsgebietes ist damit direkt abhängig von dem beim Eliminieren verwendeten Schwellwert S. Um diese Abhängigkeit zu beschreiben, wurden durch Variieren des
Schwellwertes verschiedene Aggregationsstufen erzeugt. Für jedes dieser Aggregationsniveaus
waren die Randbereiche von Splitterpolygonen zu bereinigen. Das generierte Aggregationsniveau sollte anschließend mit den abgeleiteten Teileinzugsgebieten verschnitten werden, wobei
die dabei in den Grenzbereichen entstehenden Splitterpolygone dann Teileinzugsgebietsweise
wieder den benachbarten Flächen mit der größten gemeinsamen Grenze zugewiesen werden
müssen.
96
Wichtig ist aus GIS-technischer Sicht, dass die Topologie des zu bearbeitenden Coverages mit
dem „build“-Befehl vor dem Eliminieren der Splitterpolygone neu erzeugt wird, da die Bearbeitung der Flächen im GIS in der Reihenfolge ihrer internen Sortierung erfolgt, die in der Regel
von Nord nach Süd definiert ist. Untersuchungen im Vorfeld des Eliminierens ergaben, dass bei
differierenden internen Sortierreihenfolgen des Coverages bei gleichem Schwellwert S auch
partiell variierende HRU-Strukturen entstehen können. Für die im Folgenden aufgeführten ausführlichen Untersuchungen der HRU-Optimierung muss daher von einem sortierten und in seiner internen Reihenfolge unveränderten Coverage ausgegangen werden.
4.3.3
Ausgewählte Aggregationsvarianten
Im weiteren Verlauf wird das Aggregationsverfahren in zwei Varianten unterschieden. Die erste
Variante ist das Eliminieren durch einmaliges Ausführen des eliminate-Befehls. Dabei erfolgt
eine einmalige Generalisierung der räumlichen Prozesseinheiten durch Entfernen aller Polygone, die flächenmäßig kleiner dem angegebenen Schwellwert S sind. Diese Variante wird im
Weiteren als „nicht iterativ“ bezeichnet. Die Abbildung 4.4 zeigt das dazu gehörige NassiShneidermann-Diagramm (NSD) (Nassi und Shneidermann 1973 [140]).
S - Schwellwert
nHRU - Anzahl der HRU
AHRUj - Fläche der aktuellen HRU
HRUj - aktuelle HRU
Abbildung 4.4: NSD für das Aggregationsverfahren
„nicht iterativ”
HRUborder - HRU mit der größten gemeinsamen Grenze
Die zweite Variante ist das iterative Eliminieren der Polygone bis zu dem angegebenen
Schwellwert S. Dabei wird der aktuell angesetzte Schwellwert schrittweise erhöht, bis der für
die Aggregationsstufe avisierte Schwellwert erreicht ist. Das bedeutet, dass im GIS der Eliminate-Befehl in n-Iterationen ausgeführt werden muss. Bei diesem Aggregationsverfahren werden
zwei Untervarianten behandelt, die sich durch den Betrag der iterativen Erhöhung des Schwellwertes unterscheiden. Diese Größe wird in Folge als „Schrittweite“ oder „step“ bezeichnet. Bei
der ersten Schrittweite, bezeichnet als „iterativ step 1“, wird der Schwellwert S in Schritten der
kleinsten Prozesseinheit erhöht. Diese ist eine Rasterzelle, die bei der verwendeten Auflösung
der Gebietsparameter von 25x25 m eine Fläche von 0,0625 ha besitzt. Bei der zweiten Variante
wird der Betrag der iterativen Erhöhung der Schrittweite auf 10 Rasterzellen (0,625 ha) festgelegt und im Folgenden als „iterativ step 10“ bezeichnet.
Die Abbildung 4.5 zeigt ein NSD für das Aggregationsverfahren des iterativen Eliminierens mit
Schrittweite 1 (iterativ step 1).
4.3 Das Aggregationsmaß HRU-Dichte ρHRU
Abbildung 4.5:
97
NSD für das Aggregationsverfahren „iterativ step 1“
Ausgangspunkt der Aggregation war das Basisaggragationsniveau mit einer HRU-Dichte von
~289 HRU/km². Darauf basierend wurden für die Varianten „nicht iterativ“, „iterativ step 10“
und „iterativ stepp 1“ durch die Verwendung verschiedener Schwellwerte, HRUAggregationsniveaus mit differierenden Diskretisierungsgrad generiert. Die Abbildungen 1.24
bis 1.30 Anhang B enthalten die graphischen Ergebnisse bei Anwendung der Aggregationsvariante „iterativ step 1“.
4.3.4
Abhängigkeit der HRU-Dichte ρHRU vom Schwellwert S
Für die erzeugten Aggregationsniveaus wurde die HRU-Dichte als Funktion des Schwellwertes
S abgebildet. Unter Anwendung geeigneter Werkzeuge wurde versucht, den empirischen Funktionsverlauf ρHRU=f(S) analytisch zu beschreiben. Mit sehr guten Korrelationen gelang das durch
Potenzfunktionen der Form
f ( x ) = a(x − b )
c
(4.3)
woraus sich für die HRU-Dichte
ρ HRU = a (S − b )c
(4.4)
und für den Schwellwert S
S=c
ρ HRU
a
+b
(4.5)
ergibt. Die folgende Abbildung 4.6 zeigt den graphischen Verlauf, die Tabelle 1.14 im Anhang
C die Werte der HRU-Dichte und die damit korrespondierenden Schwellwerte. Die Tabelle 1.15
Anhang C beinhaltet die Funktionsparameter und die statistische Güte der bestimmten Funktionen der drei Aggregationsvarianten.
98
Abbildung 4.6: HRU-Dichte ρHRU als Funktion des Schwellwertes S der drei betrachteten Aggregationsvarianten
Bei steigendem Schwellwert haben die beiden Formen der iterativen Variante nahezu den gleichen Verlauf. Die Auswertung der mit den verschiedenen eliminate-Varianten bei gleichem
Schwellwert S erzeugten Aggregationsniveaus verdeutlicht, dass die Variante „nicht iterativ“ zu
Aggregationsniveaus mit deutlich groberen HRU-Gefüge und einer geringeren HRU-Dichte
führt. Die beiden iterativen Varianten führen dagegen bei gleichem Schwellwert S zu Aggregationsniveaus mit einer annährend gleichen HRU-Dichte, aber mit völlig verschiedener HRUStruktur. Daraus entstand die Anforderung, diese HRU-Strukturen bezüglich ihrer Wiedergabe
der natürlichen physikalischen Gegebenheiten quantitativ bewerten zu können. Ziel war zum
einen zu untersuchen, ob das Modell bei optimierter HRU-Dichte sensitiv auf die HRU-Struktur
reagiert, und zum anderen eine Methodik zu entwickeln, mit der die natürlichen Prozesse im
Einzugsgebiet so genau wie möglich abgebildet werden können. Dazu werden später Ansätze
untersucht, bei denen die beiden iterativen Eliminate-Verfahren an Ableitungsregeln geknüpft
werden.
4.4
Das Aggregationsmaß HRU-Information I(HRU)
4.4.1
Die Neuattributierung im GIS
Um diese Bewertung durchführen zu können, müssen die FEG-Eigenschaften bzw. die verschnittenen Gebietsparameter mit Hilfe geeigneter GIS-Werkzeuge auf die HRUAggregationsstände zurück projiziert werden. Dabei werden die Polygone neu attributiert. Diese
Parametrisierung der räumlichen Prozesseinheiten ist die Voraussetzung, um mit dem hydrologischen Modellsystem J2000/JAMS auf dem Aggregationsniveau modellieren zu können. Praktisch durchgeführt wurde dies mit dem Standard-GIS-Befehl zonal statistics im GIS.
Dabei wird ein Zonen-Raster (Input Zone Raster) mit einem Werte-Raster (Input Value Raster)
überlagert. Das Zonen-Raster ist im Fall der HRU ein erzeugtes HRU-Aggregationsniveau, das
Werte-Raster steht für ein Raster eines in die Verschneidung eingegangenen Gebietsparameters,
wie z.B. die Landnutzung (vgl. Abbildung 4.7).
Die Zonenstatistik wird sequentiell für jede Zone, sprich HRU, einzeln berechnet. Das GIS bietet eine Vielzahl von Berechnungsmöglichkeiten zur Zonenstatistik an. In dem Fall der Aggre-
4.4 Das Aggregationsmaß HRU-Information I(HRU)
99
gationsniveaus der HRU wurde auf die Berechnung des innerhalb der Zone majorisiert vorkommenden Wertes (majority) und die Berechnung des Median (median) zurückgegriffen.
Abbildung 4.7:
Verfahren der Neuattributierung im GIS
Bei der Überlagerung der zwei Ebenen werden auf die in Ebene 1 abgebildeten HRU-Polygone
(Zonen) die Eigenschaften der überlagernden Gebietsparameter rückprojiziert. Dabei erhält jede
einzelne HRU entweder die für ihre Fläche mehrheitlich vorkommende, aus dem überlagerten
Value Raster entnommene, Eigenschaft (z.B. Landnutzung, Böden, Hydrogeologie und Hangrichtung) bzw. den aus der überlagerten Eigenschaft für die Zone berechneten Mittelwert (im
Falle der Hangneigung und Höhe). Die dabei erzeugte Tabelle wird mit den HRU des gewählten
Aggregationsniveaus über eine eindeutige ID verknüpft und die Werte den Zonen (Polygone
bzw. HRU) zugewiesen. So entsteht als Output ein neues Raster, in dem die HRU die mittels
des Value Rasters ermittelten Parameter besitzen. Diese Vorgehensweise wird im Folgenden als
Neuattributierung bezeichnet. In Falle der HRU entsteht ein auf dem jeweiligen Aggregationsniveau basiertes Raster, das mit dem ursprünglichen Gebietsparameter verglichen werden kann.
4.4.2
Grundlagen
Um die natürliche Prozessabbildung der verschiedenen Diskretisierungsniveaus bewerten zu
können, mussten deren optisch erkennbaren verschiedenen Granulierungen bzw. die Heterogenität mit Hilfe eines Informationsmaßes quantifiziert werden. Dazu wurde auf die Methode der
Bestimmung zweier signifikanter Informationsmaße nach (Döhler 2006 [39]) zurückgegriffen.
Dieses Konzept der Parameterinformation besteht in der grundsätzlichen Annahme, dass die
Information über eine Zeitreihe äquivalent zu der Information über die Parametermenge ist,
durch die die Zeitreihe erzeugt bzw. beschrieben wird. Somit wird die Berechnung bzw. Schätzung der Erzeugungsparameter, einschließlich der Parameterfehler, in den Mittelpunkt der Untersuchung gerückt.
100
Aufbauend auf dem Entropiekonzept
I (α , β ) = H (α ) - Hβ (α ),
(4.6)
nach dem Information als Verlust an Entropie (Unsicherheit) interpretiert wird, kann mit bestimmten Modifikationen die allgemeine Parameterinformation Ig für Zeitreihen definiert werden (Döhler 2006 [39]).
⎛ λp
Ig = ∑ ld ⎜
⎜ ∆λ p
p
⎝
⎞
⎟
⎟
⎠
(4.7)
mit Parameter λP und Parameterfehler ∆λP
Eine Grundeigenschaft der Information Ig ist ihre Relativität, was im Rückschluss bedeutet, dass
absolute Information nicht existiert. Stationäre Prozesse sind Fourier-transformierbar, wobei
jeder Fourierkoeffizient eine unabhängige Realisierung der Parameter unter der Voraussetzung
der Einhaltung des Abtasttheorems darstellt (Döhler 2006 [39]). Aus diesem Grund wird für
stationäre Prozesse die Spektralinformation als ein Informationsmaß für Zeitreihen eingeführt:
+
I ( X Obj , X Ref ) =
SX O > SX R
∑
j ,k
1
⎫
⎧
⎪⎛ SX Obj ( j ) ⎞ 2 ⎪
⎟⎟ 2 j ⎬
ld ⎨⎜⎜
⎪
⎪⎝ SX Ref ( j ) ⎠
⎭
⎩
(4.8)
Dabei wird die Spektraldichte SXObj des Objektprozesses mit der Spektraldichte SXRef eines Referenzprozesses verglichen. Die Spektralinformation I+ enthält Anteile der Amplituden und der
Frequenz. Dabei wird die Amplitudeninformation durch das Verhältnis der Spektraldichten und
die Frequenzinformation durch den Frequenzindex j repräsentiert.
Informationsgewinn entsteht dann, wenn die Spektraldichte des Objektprozesses größer als die
Spektraldichte des Referenzprozesses ist. Im umgekehrten Fall kommt es zu Informationsverlusten. Diese Informationstheorie ist auf höherdimensionale Prozesse übertragbar, so dass sie
auch zur Analyse von Bildinformation angewandt werden kann (Döhler 2006 [39]).
Im Problemfeld des Eliminierens von HRU lassen werden die in die Verschneidung eingehenden Landschaftseigenschaften bzw. Gebietsparameter als Bilder interpretiert. Sie stellen somit
den zweidimensionalen Referenzprozess SBRef dar. Die nach dem Eliminieren durch Neuattributierung der HRU entstandenen veränderten Landschaftseigenschaften sind die damit zu vergleichenden Bilder bzw. die zweidimensionalen Objektprozesse SBobj. Vorbereitend müssen das
Bild des jeweiligen originären Gebietsparameters und des Aggregationsniveaus in eine Referenzmatrix MRef und eine Objektmatrix MObj konvertiert werden (s. Abbildung 4.8).
4.4 Das Aggregationsmaß HRU-Information I(HRU)
Abbildung 4.8:
101
Referenz- und Objektprozess am Beispiel der Bodenklassifizierung
Für die zweidimensionale Spektraldichte SB gilt:
1
⎫
⎧
⎪
⎪⎛ SBObj ( j, k ) ⎞ 2
⎟⎟ 4 jk ⎬
I ( BObj , BRef ) = ∑ ld ⎨⎜⎜
j ,k
⎪
⎪⎝ SBRef ( j, k ) ⎠
⎭
⎩
(4.9)
Dabei lässt sich die Information in den Informationsgewinn I(+) durch Kantenüberhöhung bzw.
Fragmentierung (Artefakte) und den Informationsverlust durch Kontrastverlust I(-) unterscheiden, was zur Bewertung bei Bildübertragungsprozessen herangezogen werden kann.
I + ( BObj , BRef ) =
SBO > SBR
∑
j ,k
I − ( BObj , BRef ) =
SBO < SBR
∑
j ,k
4.4.3
1
⎫
⎧
⎪
⎪⎛ SBObj ( j, k ) ⎞ 2
⎟⎟ 4 jk ⎬
ld ⎨⎜⎜
⎪
⎪⎝ SBRef ( j, k ) ⎠
⎭
⎩
1
⎫
⎧
2
(
,
)
SB
j
k
⎛
⎞
⎪
⎪
Obj
⎟⎟ 4 jk ⎬
ld ⎨⎜⎜
⎪
⎪⎝ SBRef ( j, k ) ⎠
⎭
⎩
(4.10)
(4.11)
Definition
Im Fall der HRU sind die Referenzprozesse durch das Eliminieren von Polygonen in ihrem Informationsgehalt nicht zu verbessern und besitzen somit das Maximum an Information über die
natürliche Ausprägung des jeweiligen Gebietsparameters. So wäre ein Informationsgewinn
durch Artefaktbildung bzw. Kantenüberhöhung im Sinne der Auswertung genauso eine Verfälschung des Referenzprozesses wie die Glättung bzw. Kantenverflachung von fragmentierten
Objekten. Aus dieser Sichtweise können I(+) und I(-) als Fehlermaße interpretiert werden.
102
In der Praxis der Auswertung der HRU-Referenzprozesse und der HRU-Objektprozesse zeigte
sich, dass beide Fehlermaße in ihrer grundsätzlichen Aussage die gleichen Ergebnisse liefern.
Daraufhin kann sich im weiteren Verlauf der Analyse auf ein Informationsmaß beschränkt werden. Ausgewählt wurde das Informationsmaß I(-).
Um den Kontext zur Problematik herzustellen, wird das Informationsmaß I(-) durch die Anzahl
der gültigen Pixel nPixel dividiert. Dieser Quotient wird im Folgenden als HRU-Informationswert
I(HRU) bezeichnet.
I ( HRU ) =
I (− )
n Pixel
(4.12)
Die Einheit des HRU-Informationswertes I(HRU) ist [bit/pixel].
I(HRU) ist ein ausgesprochen sensitives Maß, das schon auf geringste Veränderungen des Objektprozesses gegenüber dem Referenzprozess reagiert.
Um das Verhalten des HRU-Informationswertes der verschiedenen Aggregationsniveaus bezüglich der Gebietsparameter noch flexibler beschreiben zu können, wird der Begriff des HRUInformationsverlustes IV(HRU) eingeführt. Da die Werte von I(HRU) mit negativen Vorzeichen
behaftet sind, definiert sich der HRU-Informationsverlust als Betrag des HRU-Informationswertes.
IV ( HRU ) = I ( HRU )
(4.13)
Die Einheit des HRU-Informationsverlustes IV(HRU) ist ebenfalls [bit/pixel].
Zur mathematischen Bestimmung des HRU-Informationsverlustes ist ein effektives Werkzeg
programmiert wurden, das eine Schnittstelle zu dem im GIS erzeugten Standardformat der Objekt- und Referenzprozesse besitzt.
4.5
Topologie und Routing
Um auf den verschiedenen generierten Aggregationsniveaus mit dem Modellsystem aufsetzen
zu können, muss für jedes die Topologie der Prozessflächen und Gerinnesegmente gebildet und
die lateralen Fließbeziehungen über das Routing hergestellt werden. Dazu wird für jedes der
generierten HRU-Aggregationsniveaus ein „Entwässerungsnetzwerk“ der Prozessflächen über
deren Lagebeziehungen innerhalb der topographisch-hydrologischen Sequenzen abgeleitet. Bei
der Modellierung mit kleinen Zeitschritten in mesoskaligen Einzugsgebieten spielen diese bei
Dämpfungs- und Verzögerungsprozessen, besonders unter dem Aspekt Hochwasser, eine große
Rolle (s. Kap. 2.5.3). Entscheidenden Einfluss auf die Ableitung der Topologie hat dabei die
Dichte des erzeugten Gewässernetzes (s. Kap. 3.2.1.4).
In einem ersten Schritt wird ermittelt, in welche Prozessfläche der flächenmäßig größte Anteil
der aktuell betrachteten HRU entwässert bzw., wenn die HRU von einem Fließgewässerabschnitt des segmentierten Gewässernetzes geschnitten wird, welches dieser Segmente den größten Anteil an ihr besitzt. Somit wird für jede HRU eindeutig bestimmt, ob sie in eine weitere
HRU oder in den Vorfluter entwässert und in welche Fläche bzw. welches Gerinnesegment. Im
Anschluss werden noch die Fließgewässerabschnitte zueinander in Beziehung gebracht (Pfennig
4.6 Der methodische Optimierungsansatz
103
et al. 2006 [151]), so dass eine komplette hydrologisch-topologische Sequenz aller Teilflächen
und Flussabschnitte mit eindeutigen Fließbeziehungen entsteht (s. Kap. 3.2.1.4).
Während das Gefälle jedes Fließgewässerabschnittes im GIS berechnet wird, wurde die durchschnittliche Breite mit Hilfe der topographischen Karten TK-10 durch direktes Ablesen oder
Ausmessen ermittelt. Für die Form des Gewässerquerschnittes und die Gewässerrauhigkeit wurden erfahrungsbasierte Standardwerte angenommen.
4.6
Der methodische Optimierungsansatz
4.6.1
Kalibrierung der Modellparameter und Sensitivitätsanalyse
Um das Modell hinsichtlich der vier Modelleffizienzen, dem Nash-Sutcliffe-Koeffizient E2,
dem mit logarithmierten Werten gebildeten Nash-Sutcliffe-Koeffizient logE2, der Korrelation
zwischen beobachteten und modelliertem Abfluss r² und dem Doppelsummengradient DSgrad,
die im Abschnitt 2.6.3 näher erläutert sind, zu optimieren, wurde eine schrittweise Kalibrierung
der 30 Modellparameter vorgenommen. Parallel dazu wurde eine Sensitivitätsanalyse durchgeführt, um zu bestimmen, welche Parameter im Verlauf des Kalibrierungsprozesses signifikante
Verbesserungen der Modellgüte bewirken. Da im Anschluss eine weitere Modelloptimierung
über die Aggregationsmaße HRU-Dichte und HRU-Information erfolgen sollte, war es wichtig,
das Modell J2000/JAMS sukzessive auf den verschiedenen HRU-Aggregationsniveaus zu kalibrieren, um die Anwendbarkeit des Parametersatzes für alle HRU-Aggregationsniveaus und die
Skaleninvarianz über alle Modellläufe zu gewährleisten.
Ausgangspunkt war der am Lehrstuhl für Geoinformatik, Geohydrologie und Modellierung
entwickelte Standardparametersatz des FEG Gehlberg (Krause und Flügel 2005c [116]). Dieser
ist das Ergebnis eines 2004 an der FSU Jena durchgeführten Projektes im Thüringer Wald und
eignet sich als Referenz- bzw. Startparametersatz. Die sukzessive Kalibrierung des Modells
begann mit den Parametern des snow-Moduls (snow), die Parameter des soilwater-Moduls (sw),
des groundwater-Moduls (gw), des interception-Moduls (ic) und des reach routing-Moduls (rr)
schlossen sich an (s. Abbildung 4.19). Dabei wurden die Modellparameter der verschiedenen
Modellmodule manuell und einzeln kalibriert. Jeder Parameter wurde ausgehend von seinem
Startwert innerhalb des für ihn gültigen Wertebereichs in kleinen Schritten erhöht bzw. vermindert und neue Modellläufe durchgeführt (vgl. Tabelle 1.1 und 1.2 im Anhang C). Dabei wurde
das Verhalten der Modellgütemaße in Abhängigkeit von den Parameteränderungen untersucht.
Die Abbildung 4.9 zeigt die Entwicklung der vier Gütemaße in Abhängigkeit der kalibrierten
Parameter. Ein steiler Abfall bzw. ein steiler Anstieg der Kurven signalisiert eine erhöhte Sensitivität eines Parameters bezüglich des betrachteten Gütemaßes.
Der gefundene Parametersatz wurde nach der HRU-Optimierung mittels des im Modellsystem
integrierten Monte-Carlo-Verfahrens nachkalibriert. Dabei wird durch die Auswahl eines oder
mehrerer Parameter ein ein- bzw. multidimensionaler Parameterraum definiert. Dieser wird
zufällig und mit Hilfe der Latin-Hypercube-Methode gleichverteilt beprobt. Der Anwender
grenzt dabei den Wertebereich der beteiligten Parameter ein und definiert für jeden die Auflösung des Parameterraumes sowie die Anzahl der Beprobungsdurchläufe (Bäse 2005 [7]). Das
Modellsystem berechnet die Effizienzen und den Abfluss für jeden Durchlauf und gibt die korrespondierenden Parameterkombinationen dazu aus. Im Falle der Feinjustierung des Parametersatzes für das FEG Gräfinau-Angstedt wurden für die als sensitiv eingestuften Parameter eindimensionale Parameterräume definiert und mit einer hohen Auflösung durchlaufen. Da sich ver-
104
schiedene Parameter auch gegenseitig beeinflussen und in einer direkten Abhängigkeit zueinander stehen können, wurden für diese zweidimensionale Parameterräume definiert, um die optimale Kombination einzugrenzen. Ein erneutes Nachkalibrieren bereits eingestellter Parameter
ist im Anschluss sinnvoll. Auf diese Weise konnten für den Tagesmodus und für den Stundenmodus des Modells robuste Parametersätze gefunden werden, die für die verschiedenen Aggregationsniveaus anwendbar sind.
Abbildung 4.9:
Entwicklung der Modellgütemaße bei schrittweiser Kalibrierung der Modellparameter
Insgesamt ist dieser Prozess als sehr aufwendig und zeitintensiv einzustufen. Dies begründet
sich zum einen aus der sehr hohen Anzahl an Modellläufen (pro zu kalibrierenden Parameter ca.
20-30 Modellläufe), einer umfangreichen Nachkalibrierung und den im Stundenmodus sehr
hohen Modelllaufzeiten. Monte-Carlo-Analysen von mehr als 10 Tagen Rechenzeit unter voller
CPU-Auslastung für einen betrachteten (Kalibrierungs-) Zeitraum von zweieinhalb Jahren sind
keine Seltenheit.
4.6.2
Optimierung des Aggregationsmaßes HRU-Dichte ρHRU
4.6.2.1
Lineare Speicherkaskade nach Nash
Der Abflussprozess lässt sich aus physikalischer Sicht in Translation und Retention unterscheiden (Nachtnebel 2003 [136]). Das hydrologische Modellsystem J2000/JAMS ist ein kombiniertes Translations-Retentionsmodell, das den Abfluss als eine Kombination linearer Einzelspeicher abbildet, in denen die vier Abflusskomponenten Oberflächenabfluss (RD1), Interflow
(RD2), schneller und langsamer Basisabfluss (RG1 und RG2) einzeln beschrieben werden. Auch
die Translationsprozesse werden als Abfolge linearer Einzelspeicher modelliert.
Der Einzellinearspeicher ist ein fiktiver Speicher, bei dem sich der Abfluss QA proportional zum
Speicherinhalt S verhält. Aus der Speichergleichung
S = 3600 ⋅ k ⋅ Q A
(4.14)
105
und der Kontinuitätsgleichung
Q A = QZ −
dS
dt
(4.15)
(QZ-Zufluss) folgt für die inhomogene Differentialgleichung des Einzelspeichers
Q A = QZ − k ⋅
dS
dt
(4.16)
Bei stationärem Abfluss ist die Konstante k [h] die Aufenthaltszeit eines Teilchens im Speicher
(Hinkelmann 2006a [83]).
Betrachtet man die Zeitspanne (t-t0) ergibt sich für die Berechnung des Abflusses eines einzelnen Linearspeichers folgende allgemeine Lösung:
Q A (t ) = Q A (t 0 ) ⋅ e
− (t − t 0 )
k
t
1
+ ⋅ ∫ QZ (t ') ⋅ e
k t0
− (t − t ' )
k
⋅ dt '
(4.17)
mit der Anfangsbedingung:
Q A (t 0 ) =
S (t 0 )
3600 ⋅ k
(4.18)
Der erste Summand beschreibt das Leerlaufen des Speichers ohne Zuflüsse, der zweite Summand die Zuflüsse (Nachtnebel 2003 [136]). Dabei ist t [h] der Anfangszeitpunkt mit (t>t0),
QA(t0) [m³/s] der Ausfluss zum Zeitpunkt t0 (Anfangszustand), S(t0) [m³] der Speicherinhalt zum
Zeitpunkt t0 (Ausgangsfüllung S0), 3600 [s/h] in Dimensionierungsfaktor und e die Euler’sche
Konstante (Hinkelmann 2006a [83]).
Die in J2000/JAMS zur Berechnung der Abflusskonzentration genutzten linearen Speicherkaskade nach Nash sind eine Reihenschaltung von n zeitinvarianten Einzellinearspeichern mit jeweils derselben Speicherkonstanten k (s. Abbildung 4.10). Diese wird im Modell für jeden einzelnen Linearspeicher nach der Hangneigung der HRU, die der Speicher repräsentiert, gewichtet.
Die Reihenschaltung der Einzellinearspeicher führt zu einem linearen zeitinvarianten Gesamtsystem, für dessen elegantere systemtheoretische Beschreibung eine Gewichtsfunktion (Momentan-Einheitsganglinie) g(0,t) verwendet werden kann (Hinkelmann 2006a [83]):
1
⎛t⎞
g (0, t ) =
⎜ ⎟
k ⋅ (n − 1)! ⎝ k ⎠
n −1
⋅e
−t
k
(4.19)
Die Gewichtsfunktion g(0,t) eines linearen Speichers hat ihr Maximum zum Zeitpunkt t=0 und
verläuft anschließend exponentiell abnehmend. Bei zunehmender Speicherzahl n erfolgt eine
verstärkte Dämpfung des Scheitelwertes der Zuflussganglinie und eine Verlagerung des Scheitels nach rechts (s. Abbildung 4.10).
106
Abbildung 4.10: Einzellinearspeicher und Speicherkaskade nach Nash mit Entwicklung der Gewichtsfunktion bei zunehmender Speicherzahl n (nach (Hinkelmann 2006a [83]), verändert)
Die folgende Abbildung 4.11 zeigt die lateral gerouteten diskreten räumlichen Einheiten (HRU)
für das Teileinzugsgebiet des Taubach im FEG Gräfinau-Angstedt mit einer HRU-Dichte von
4,9 HRU/km² (links) und 49,4 HRU/km². Im Falle der geringeren HRU-Dichte (21 HRU) werden lineare Speicherkaskaden mit einer geringeren Anzahl an Linearspeichern n zur Berechnung
der Abflusskonzentration genutzt, als im Fall der höheren HRU-Dichte (232 HRU). Die Variation der Anzahl der räumlichen Modelleinheiten innerhalb eines Einzugsgebietes führt somit zu
unterschiedlich langen hydrologisch-topologischen Sequenzen der verknüpften räumlichen Entitäten zur Abbildung gleicher Abflussvorgänge.
Abbildung 4.11: Verschiedene hydrologisch-topologische Sequenzen zur Abbildung der Fließvorgänge
in Abhängigkeit von der HRU-Dichte ρHRU im Teileinzugsgebiet des Taubachs
So entstehen in der gleichen Zeiteinheit verschiedene Abflusskonzentrationen durch Dämpfung
und Verschiebung der Abflusskurven, hervorgerufen durch eine verschiedene Anzahl an linea-
107
ren Speicherkaskaden und deren unterschiedliche Länge. Demzufolge war zu erwarten, dass es
einen Punkt gibt, an dem die Modelleffizienzen in Abhängigkeit von der HRU-Dichte in ihrem
Ansteigen kippen und somit ein Maximum ausprägen. Die Folge wäre, dass an den Flanken des
Maximums die Abflussverhältnisse, sowohl in quantitativer Sicht als auch aus Sicht der Abflussdynamik der modellierten Ganglinie, nur ungenügend wiedergegeben werden. Die Folge
wären eine Verringerung der Spitzenabflüsse bei gleichzeitiger Erhöhung des Volumenfehlers.
4.6.2.2
Optimierung der HRU-Dichte
Ausführlich bewertet und untersucht wurden die Modell-Gütemaße E2, logE2, r² und Dsgrad (s.
Kap. 2.6.2). Sie konnten durch Modellläufe bestimmt und als Funktion der HRU-Dichte abgetragen werden. Mit geeigneten Best-Fit-Methoden lässt sich der Funktionsverlauf analytisch
beschreiben. In der Abbildung 4.12 sind als Beispiel der mit Variante „iterativ step 1“ für die
Nash-Sutcliffe-Koeffizienten ermittelten Verlauf der analytisch bestimmten Funktion und die
empirisch ermittelten Werte für E2 abgebildet. Die Abbildungen 1.31 im Anhang B zeigt die
Funktionsverläufe für die Modelleffizienzen logE2, r² und DSgrad. Die Tabelle 1.16 im Anhang
C zeigt die ermittelten Modellgütemaße E, logE2, r² und DSgrad in Abhängigkeit von der HRUDichte.
Abbildung 4.12: Darstellung des Nash-Sutcliffe-Koeffizienten E2 als Funktion der HRU-Dichte ρHRU der
Eliminate-Variante „iterativ step 1“
Dieser Funktionsverlauf kann bei allen Varianten und untersuchten Modelleffizienzen mit sehr
guter Korrelation durch rationale Funktionen der Form
f (x ) =
a + bx
1 + cx + dx 2
beschrieben werden.
(4.20)
108
Die Tabelle 1.17 im Anhang C zeigt die ermittelten Funktionsparameter, die Standardabweichung und die Korrelation der für die einzelnen Modelleffizienzen analytisch bestimmten rationalen Funktionen.
Im Anschluss wurden die Funktionsverläufe der einzelnen Modellgütemaße als Funktion der
HRU-Dichte ρHRU mit den verschiedenen Aggregationsvarianten untersucht. Das Ergebnis zeigte, dass die höchsten Effizienzwerte bei den iterativen Varianten erreicht werden. Die Variante
„iterativ step 1“ erreicht bei dem Nash-Sutcliffe-Koeffizienten E2, auf dem unter dem Aspekt
Hochwasser und Spitzenabflüsse das Hauptaugenmerk liegt, den höchsten Wert (s. Abbildung
4.13).
Abbildung 4.13: Darstellung des Nash-Sutcliffe-Koeffizienten E2 als Funktion der HRU-Dichte ρHRU der
verschiedenen Eliminate-Varianten
Bei dem den Basisabfluss repräsentierenden logE2, dem für die Gesamtkorrelation stehenden
Gütemaß r² und das die Wasserbilanz repräsentierende Doppelsummengradienten DSgrad liegen
die Maxima der iterativen Varianten auf ungefähr dem gleichen Niveau (vgl. Abbildungen 1.32
und 1.33 im Anhang B).
In Konsequenz der Auswertung dieser Ergebnisse wird sich im Weiteren auf die Variante „iterative step 1“ festgelegt. Im Anschluss sind für diese Aggregationsvariante die Positionen der
Maxima der vier Modellgütemaße bezüglich der HRU-Dichte, ausgehend von der rationalen
Funktion in Gleichung (4.20), hier am Beispiel des Nash-Sutcliffe-Koeffizienten
E 2 = f (ρ HRU ) =
a + bρ HRU
2
1 + cρ HRU + dρ HRU
(4.21)
über deren 1. Ableitung
E 2' = f ' (ρ HRU ) =
2
b − ac − 2adρ HRU − bd ⋅ ρ HRU
(1 + cρ
HRU
+ dρ
)
2
2
HRU
berechnet wurden (s. Abbildung 4.14 und Tabelle 4.7).
(4.22)
109
Abbildung 4.14: Darstellung der Position der optimalen HRU-Dichte ρHRU
Tabelle 4.7: Maximapositionen der Modelleffizienzen Variante „iterativ step 1“
Modelleffizienz
ρHRU = f(E2max)
ρHRU = f(logE2 max)
ρHRU = f(r² max)
ρHRU = f(DSgrad max)
Maximapositionen [HRU/km²]
13,33
13,99
14,12
9,77
Die ermittelten Werte der HRU-Dichte für die Positionen der Maxima von E2, logE2 und r²
liegen in einem relativ engen Bereich nebeneinander. Die optimale HRU-Dichte für das Maximum von DSgrad fällt demgegenüber etwas ab. Unter dem Aspekt der Optimierung des Modells bezüglich der Spitzenabflüsse wurde insgesamt als optimale HRU-Dichte der sich für den
Nash-Sutcliffe-Koeffizienten ergebende Wert von ρHRU(E2max)=13,33 HRU/km² festgelegt.
Mit Gleichung (4.5) lässt sich dieser Wert in einen für das Eliminate-Verfahren anzusetzenden
Schwellwert umrechnen: S(E2max)=3,35 ha. Dies entspricht bei den verwendeten Gebietsparametern mit einer Rastergröße von 25 m einem Schwellwert S(E2max) von 54 Zellen, bei dem der
optimale Diskretisierungsgrad für das FEG Gräfinau-Angstedt erreicht wird.
4.6.3
Optimierung des Aggregationsmaßes I(HRU)
Wie bereits erwähnt kann mit dem Betrag des Aggregationsmaßes I(HRU) der Informationsverlust
der generalisierten HRU-Aggregationsniveaus gegenüber den Ausgangsinformationen quantifiziert werden. Als erstes wurde untersucht, wie sich der Informationsverlust I(HRU) in Abhängigkeit von der HRU-Dichte der mit den verschiedenen Varianten generierten HRU-Aggregationsniveaus verhält. Als zweites wurde analysiert, ob für das Diskretisierungsniveau mit dem ermittelten optimalen HRU-Aggregationsgrad durch regelbasierte Ansätze der HRU-Generierung der
Informationsverlust weiter optimiert werden kann und wie sich das auf die Modelleffizienzen
auswirkt.
Grundlage für diese Analyse ist die im Kapitel 4.4.1 beschriebene Neuattributierung der Prozessflächen. Somit erhält jede HRU die für ihre Fläche majorisierte Eigenschaft (Boden, Flächennutzung, Hangrichtung, Geologie) bzw. im Falle der Attribute Hangneigung und Höhe
einen für diese Fläche aus der Ausgangsebene berechneten Durchschnittswert. Für die beiden
110
letzt genannten muss das Ergebnis der Rückprojektion mit der gleichen Klassenteilung wie die
Ausgangsebene klassifiziert werden, um den Informationsverlust bestimmen zu können.
4.6.3.1
HRU-Informationswert I(HRU) als Funktion der HRU-Dichte ρHRU
Die weiteren Untersuchungen wurden auf die Gebietsparameter Hangneigung, Böden und Landnutzung eingegrenzt, da diese für die Abflussbildung von besonderer Bedeutung sind. Dafür
wurden die HRU-Informationswerte I(HRU) berechnet und in Abhängigkeit von der HRU-Dichte
ρHRU abgetragen und sein Funktionsverlauf mit geeigneten Verfahren analytisch bestimmt. Am
Beispiel der Generalisierungsvariante „iterativ step 1“ des Gebietsparameters Böden wird das
Ergebnis in den folgenden Abbildungen erläutert. Die Abbildung 1.34 im Anhang B stellt die
Entwicklung der HRU-Bildinformation I(HRU des Gebietsparameters Böden in Abhängigkeit von
der HRU-Dichte ρHRU graphisch dar.
Die Tabelle 1.18 im Anhang C zeigt die berechneten Informationswerte der Gebietsparameter
Hangneigung, Böden, Landnutzung in Abhängigkeit von der HRU-Dichte. Die Abbildung 1.35
im Anhang B zeigt die Funktionsverläufe I(HRU)=f(ρHRU) der Variante „iterativ step 1“ für die
Gebietsparameter Hangneigung und Landnutzung.
Abbildung 4.15: Funktionsverlauf I(HRU)=f(ρHRU) der Variante „iterativ step 1“-Gebietsparameter “Böden“
Die entstandenen Funktionen lassen sich im Fall der Gebietsparameter Böden und Landnutzung
analytisch mit sehr guten Korrelationen durch logarithmische Funktionen der Form
I ( HRU ) = f (ρ HRU ) = m ln (1 + uρ HRU ) + v
(4.23)
beschreiben. Um mit dem Funktionstyp dieser beiden Gebietsparameter konform zu gehen,
wurde trotz schlechterer Korrelation im Fall der Hangneigung ebenfalls auf eine logarithmische
Funktion zurückgegriffen. Die Tabelle 1.19 im Anhang C zeigt beispielhaft die für mittels der
Variante „iterativ Stepp 1“ bestimmten Funktionsparameter und die Werte der statistischen Größen Standardabweichung und Korrelation.
Für die Generalisierungsvarianten „nicht iterativ“ und „iterativ Stepp 10“ erhält man ebenfalls
Abhängigkeiten in Form der beschriebenen logarithmischen Funktionen. Dabei ist zu erkennen,
dass die beiden iterativen Varianten annährend den gleichen Funktionsverlauf und somit ein
gleiches Verhalten von I(HRU) aufweisen. Die nicht-iterative Variante hingegen hat einen deutlich
111
höheren Verlust des HRU-Informationswertes (s. Abbildung 4.16 und Abbildung 1.36 im Anhang B) zu verzeichnen. Dies korrespondiert mit dem Umstand, dass bei gleichen Schwellwerten mit der nicht iterativen Variante der Generalisierung deutlich geringere HRU-Dichten generiert werden (vgl. Abbildung 4.6). Im folgenden Abschnitt wird darauf näher eingegangen.
Abbildung 4.16: Funktionsverlauf I(HRU)=f(ρHRU) für die Varianten "nicht iterativ" und "iterativ step 1" –
Gebietsparameter “Böden“
Abbildung 4.17: Die HRU-Strukturen der verschiedenen Varianten bei vergleichbarer HRU-Dichte ρHRU
Die bisherigen Untersuchungen hatten ergeben, dass bei der Verwendung von iterativen Eliminate-Verfahren gegenüber nicht-iterativen Eliminate-Verfahren bei gleichem Schwellwert S,
neben den verschiedenen HRU-Dichten auch völlig verschiedene HRU-Strukturen entstehen.
112
Die Abbildung 4.17 belegt dies für die mit den drei Varianten erzeugten HRU-Aggregationsniveaus bei der gleichen optimierten HRU-Dichte. Dazu wurde ein Ausschnitt (Abb.
1.40 Anhang B) aus dem FEG vergrößert betrachtet.
Werden die HRU-Aggregationsniveaus neu attributiert, (s. Abb. 1.38 bis 1.40 Anhang D) und
im Anschluss der HRU-Informationswert I(HRU) ausgewertet, so zeigt sich, dass bei beiden iterativen Varianten ein geringerer HRU-Informationsverlust IV(HRU) auftritt als bei der nicht iterativen Variante.
Tabelle 4.8: HRU-Informationsverluste IV(HRU) der Gebietsparameter Hangneigung, Böden und Landnutzung nach Varianten bei vergleichbarer optimierter HRU-Dichte ρHRU
Hangneigung
IV(HRU) [bit/pixel]
4,97
Böden
IV(HRU) [bit/pixel]
3,76
Landnutzung
IV(HRU) [bit/pixel]
3,77
Variante "iterativ step 10"
4,88
3,59
3,69
Variante "iterativ step 1"
4,92
3,67
3,70
Variante "nicht iterativ"
Die folgende Abbildung 4.18 verdeutlicht graphisch diesen Sachverhalt.
Abbildung 4.18: Die HRU-Informationsverluste IV(HRU) der Gebietsparameter Hangneigung, Böden und
Landnutzung nach Aggregationsvarianten bei vergleichbarer optimierter HRU-Dichte ρHRU
In dem in Abbildung 4.19 dargestellten gelben Bereich führt die ansteigende HRU-Dichte ρHRU
bis zu dem Punkt des Maximums von E2 zu einer Verbesserung des Gütemaßes, einem Ansteigen des HRU-Informationswertes I(HRU) bzw. einer Verringerung des HRU-Informationsverlustes IV(HRU) und damit zu einer verbesserten Abbildung der natürlichen physikalischen Prozesse im Modell. In dem hellblau gekennzeichneten Bereich hat eine weitere Erhöhung der
HRU-Dichte zwar eine weitere Verringerung des Informationsverlustes zur Folge, doch die
erzielten Modelleffizienzen verschlechtern sich.
Die Ursache für dieses Verhalten liegt in dem verwendeten hydrologischen Modellsystem.
J2000/JAMS stellt kein rein physikalisch basiertes, sondern ein konzeptionelles Modell dar. Die
linearen Speicherkaskaden zur Abbildung des Entwässerungsnetzes werden ab diesem Punkt zu
lang und ihre Anzahl zu groß. Dies führt zu Translations- und Retentionseffekten der Abflusskurven in den betroffenen Gebietsausschnitten. Das heisst, dass bei unterschiedlichen Aggregationsstufen innerhalb eines betrachteten Gebietes unterschiedliche Abflussmengen in gleichen
Zeiteinheiten entstehen. Ab dem Wert der HRU-Dichte am Punkt des Maximums der Effizienz
113
bringt ein höherer HRU-Informationswert für das Modell keine Verbesserung mehr. Es kommt
statt zu einem weiteren Anstieg oder einem Plateauverhalten zum Abfall der Effizienzkurve.
Abbildung 4.19: Darstellung des Nash-Sutcliffe-Koeffizienten E2 als Funktion der HRU-Dichte
E2=f(ρHRU) und der Informationsverlust I(HRU) als Funktion der HRU-Dichte I(HRU)=f(ρHRU)
Ein weiterer Schwerpunkt war die sich jetzt anschließende Untersuchung, ob das Modell im
Bereich der optimalen HRU-Dichte sensitiv auf eine weitere Optimierung der HRU-Struktur
durch eine Verringerung des HRU-Informationsverlustes reagiert und mit welcher Herangehensweise dies erreicht werden kann. Dazu wurde der Ansatz verfolgt, die beiden iterativen
Eliminate-Verfahren an Ableitungsregeln zu knüpfen.
4.6.3.2
Regelbasiertes iteratives Generalisieren
Ausgearbeitet wurden zwei Varianten eines iterativen regelbasierten Ansatzes zur Aggregation
bzw. zum Eliminieren von Splitterflächen. Dazu sind die als Eingangsdaten dienenden Gebietsparameter bezüglich ihrer Bedeutung für die Abflussbildung auf Basis vorliegender Erfahrungswerte und subjektiver Einschätzungen gewichtet wurden. Als wichtigstes Kriterium wurde
die Hangneigung herausgestellt, gefolgt von den Böden und der Landnutzung. Die drei weiteren
in die Verschneidung eingegangenen Gebietsparameter Hangrichtung, Geologie und Geländehöhe wurden nicht einbezogen.
114
Die im Folgenden beschriebenen regelbasierten Vorgehensweisen stellen bewusst einfach gehaltene Ansätze des Aggregierens räumlicher Prozesseinheiten dar, um einen ersten Zugang zu
dieser Problematik zu eröffnen.
Bei der ersten Regel „iterativ step 1 Regel 1“ steht der Gebietsparameter Hangneigung im Mittelpunkt. Der Vorgang des Zusammenlegens zweier Polygone ist hier an die Bedingung geknüpft, dass beide der gleichen Hangneigungsklasse angehören. Um eine möglichst genaue
Zuordnung zu gewährleisten, wurde die Hangneigung in 1-Grad-Schritten von 0-30 Grad klassifiziert. In Abbildung 4.20 ist diese einfache Regel mit Hilfe eines NSD beschrieben.
Abbildung 4.20: NSD für die Aggregationsvariante "iterativ step 1 Regel 1"
In iterativen Schritten von einer Zelle (625 m²) wird der Schwellwert S erhöht. Bei jedem einzelnen Schritt wird jede Prozessfläche des gesamten HRU-Bestandes überprüft, ob sie kleiner
dem aktuellen Schwellwert ist. Im positiven Fall wird eine Vereinigung mit dem Nachbarpolygon, mit der die Prozessfläche die größte gemeinsame Grenze (HRUborder) hat, nur dann vollzogen, wenn beide Polygone der gleichen Hangneigungsklasse HN angehören. Im negativen Fall
bleibt das Polygon erhalten. Der iterative Prozess wird bis zum Erreichen des ermittelten
Schwellwertes für die optimale HRU-Dichte durchgeführt.
Bei der zweiten Regel „iterativ step 1 Regel 2“ (vgl. Abbildung 4.21) wird der regelbasierte
Ansatz um die Gebietsparameter Böden und Landnutzung wie folgt erweitert. Sollte die Bedingung der Angehörigkeit zur gleichen Hangneigungsklasse HN der zu vereinigenden Flächen
nicht erfüllt sein, wird alternativ überprüft, ob die Prozessflächen der gleichen Bodentypklasse
BK angehören. Sollte auch diese Eigenschaft nicht übereinstimmen, wird als drittes Kriterium
die Landnutzungsklasse LK der Flächen auf Übereinstimmung geprüft. In dem Fall, dass die
beiden betrachteten Prozessflächen in keinem der drei Attribute übereinstimmen, bleibt das
Polygon, bzw. die HRU, unabhängig von ihrer Größe erhalten.
Mit beiden regelbasierten Ansätzen lassen sich HRU-Aggregationsniveaus mit annährend gleicher HRU-Dichte generieren. Während die Bestimmung der optimalen HRU-Dichte des Einzugsgebietes eher einen quantitativen Prozess darstellt, ist die Anwendung verschiedener regelbasierter Methoden des Eliminierens bis zu der gewünschten HRU-Dichte mehr als ein qualitatives Verfahren zu bezeichnen, welches dem Ziel dient, die Abbildung der natürlichen Prozesse
weiter zu verbessern.
115
Abbildung 4.21: NSD für die Aggregationsvariante "iterativ step 1 Regel 2"
Die Abbildung 4.22 zeigt eine Gegenüberstellung der Aggregationsniveaus als Ergebnisse der
beiden regelbasierten Ansätze „iterativ step 1 Regel 1“ und „iterativ step 1 Regel 2“, der nicht
regelbasierten Variante „iterativ step 1“ und dem als Referenzstand verwendeten HRU-Aggregationsniveau.
Abbildung 4.22: Vergleich der HRU-Strukturen der nicht regelbasierten iterativen Variante mit den
regelbasierten iterativen Varianten bei vergleichbarer HRU-Dichte ρHRU
Die dabei entstandenen HRU-Aggregationsniveaus weisen zwar eine vergleichbare HRUDichte auf, besitzen aber signifikante strukturelle Unterschiede. So ist die Variante „iterativ step
1 Regel 1“ gegenüber der iterativen Variante ohne Regel „iterativ step 1“ und der Variante „ite-
116
rativ step 1 Regel 2“ durch eine deutlich inhomogenere Struktur charakterisiert. Der Grund dafür ist die ausschließliche Beachtung des Kriteriums der Angehörigkeit zur gleichen Hangneigungsklasse. Dies wirkt sich stark auf den HRU-Informationsverlust aus, wie im Folgenden
dargelegt wird.
4.6.3.3
Informationsverlust bei regelbasiertem Generalisieren
Dazu werden nach dem beschriebenen Verfahren der Neuattributierung (s. Kap. 4.4.1) die ursprünglichen Attribute Hangneigung, Böden und Landnutzung wieder auf die HRU-Aggregationsniveaus zurück übertragen. Für die Auswertung des Informationsverlustes bilden diese
die Objektprozesse (vgl. 4.4.2). Der Referenzprozesse sind die ursprünglich in die Verschneidung eingegangenen Gebietsparameter. Die Auswertung erfolgte mit dem erwähnten Programmwerkzeug nach (Döhler 2006 [39]).
Als erstes werden die Ergebnisse der Auswertung des Gebietsparameters Hangneigung diskutiert. Mit der Variante „iterativ Stepp 1 Regel 1“ kann hier der HRU-Informationsverlust IV(HRU)
signifikant gesenkt werden. Die ursprünglichen natürlichen Gegebenheiten wie die Talauen und
die Kammlagen bleiben sehr deutlich erhalten (vgl. Abbildung 4.23). Dies entspricht den Erwartungen, da bei Regel 1 ausschließlich die Eigenschaft „Hangneigung“ Beachtung fand. Auch
mit der Variante „iterativ step 1 Regel 2“ verringert sich der HRU-Informationsverlust IV(HRU)
gegenüber der iterativen nicht-regelbasierten Variante noch deutlich.
Abbildung 4.23: Vergleich des Gebietsparameters Hangneigung der nicht regelbasierten iterativen Variante mit den regelbasierten iterativen Varianten bei vergleichbarer HRU-Dichte ρHRU
Die Abbildung 4.24 zeigt die Ergebnisse für den Gebietsparameter „Böden“. Die beiden regelbasierten Ansätze besitzen gegenüber dem nicht regelbasierten Ansatz einen geringeren HRUInformationsverlust. Mit der Variante nach Regel 2 gelingt es, den Informationsverlust noch
117
stärker zu senken. Der Grund liegt darin, dass in der Regel 1 die Nichtzugehörigkeit zu einer
gleichen Bodenklasse kein Ausschlusskriterium darstellt, während bei der Regel 2 dieses Kriterium Beachtung findet. Auch wenn die Böden hier nur an zweiter Stelle stehen, bietet die Variante nach Regel 2 bereits Vorteile gegenüber dem Ansatz mit Regel 1.
Abbildung 4.24: Vergleich des Gebietsparameters Böden der nicht regelbasierten iterativen Variante mit
den regelbasierten iterativen Varianten bei vergleichbarer HRU-Dichte ρHRU
Zu dem gleichen Schluss gelangt man bei der Betrachtung des Verhaltens des HRUInformationsverlustes IV(HRU) im Falle des Gebietsparameters Landnutzung (s. Abbildung 4.25).
Auch hier verbessern die zwei regelbasierten Ansätze den HRU-Informationswert stärker als bei
der Variante ohne Regel. Der Umstand, innerhalb einer Regel Beachtung zu finden (wenn auch
erst als drittes Kriterium), lässt den Ansatz nach Regel 2 bezüglich des Informationsverlustes
des Gebietesparameters Landnutzung am Besten abschneiden.
Zusammenfassend ist festzuhalten, dass mit dem regelbasierten Ansatz 1 bei dem Attribut
Hangneigung die signifikanteste Verringerung des HRU-Informationsverlustes aller Gebietsparameter erzielt wird und sich auch die Informationsverluste der beiden anderen Attributen verringern. Der Grund liegt in der Funktion der Hangneigung als alleiniges Ausschlusskriterium.
Bei Variante 2 bleiben die landschaftstypischen Eigenschaften und Prozesse über alle drei Gebietsparameter insgesamt am Besten erhalten. Der Informationsverlust gegenüber den als Status
Quo zu sehenden Referenzprozessen bzw. den in die Verschneidung eingegangenen Gebietsparametern ist bei den zwei Parametern Böden und Landnutzung am geringsten. Der größte Informationsverlust ist zu registrieren, wenn das Aggregieren der Prozessflächen nicht an die Bedingung einer gleichen Merkmalsausprägung geknüpft ist. Das in Abbildung 4.26 dargestellte
Diagramm und die Tabelle 4.9 zeigen die HRU-Informationsverluste IV(HRU) der einzelnen iterativen Generalisierungsvarianten und verdeutlichen diese Erkenntnisse.
118
Abbildung 4.25: Vergleich des Gebietsparameters Landnutzung der nicht regelbasierten iterativen Variante mit den regelbasierten iterativen Varianten bei vergleichbarer HRU-Dichte ρHRU
Abbildung 4.26: HRU-Informationsverluste IV(HRU) nach Gebietsparametern und Aggregationsvarianten
Tabelle 4.9: HRU-Informationsverluste IV(HRU) nach Gebietsparametern und Aggregationsvarianten
Hangneigung
Böden
Landnutzung
(HRU)
ohne Regel [bit/pix]
4,92
3,67
3,70
(HRU)
Regel 1 [bit/pix]
3,98
3,34
3,64
IV(HRU) Regel 2 [bit/pix]
4,77
3,25
3,58
IV
IV
119
Mit weiteren Modellläufen auf Basis der diskutierten Aggregationsniveaus wurde das Verhalten
der Effizienzen bei optimiertem HRU-Informationsverlust ausgewertet. Dabei musste festgestellt werden, dass die Modelleffizienzen relativ unsensitiv auf eine Verringerung des HRUInformationsverlustes reagieren und es zu keinen signifikanten Verbesserungen kommt. Da aber
bei zukünftigen Modellentwicklungen davon ausgegangen werden kann, dass die physikalische
Basiertheit erhöht wird, sollte die Entwicklung von regelbasierten Ansätzen unbedingt weiter
verfolgt werden.
Für die Anwendung des Hochwasserinformationsdienstes Gräfinau-Angstedt wurde sich für die
HRU-Ableitung auf die Variante des iterativen Generalisierens in der kleinsten möglichen
Schrittweite von 1 Rasterzelle unter Anwendung der Regel 2 festgelegt.
Beide, an die zwei einfachen Regeln gebundene Aggregationsvarianten verstehen sich, wie bereits angemerkt, nur als Einstieg in die Problematik des regelbasierten Ableitens prozessrelevanter Flächen. An dieser Stelle wird dahingehend Forschungsbedarf generiert, weitere komplexere
Regeln hinsichtlich der Abbildung der physikalischen Eigenschaften des Einzugsgebietes und
deren Rückkopplung auf das Modellsystem zu untersuchen. Mit der Möglichkeit, den durch
Eliminieren von Splitterpolygonen entstehenden HRU-Informationsverlust zu quantifizieren,
steht somit ein weiteres wichtiges Optimierungskriterium zur Verfügung,
4.6.4
Anwendung im FEG Schwarza
Im Ergebnis der im FEG Gräfinau-Angstedt angewanden Methoden zur Optimierung der Aggregationsmaße HRU-Dichte ρHRU und HRU-Informationswert I(HRU) wird eine verallgemeinernde Methodik ausgearbeitet (s. Kap. 6.1), deren Übertragbarkeit für die Modellierung mit
J2000/JAMS in Einzugsgebieten mit vergleichbarer naturräumlicher Ausprägung im Anschluss
am Beispiel des zum Einzugsgebiet der Werra gehörenden Flusseinzugsgebietes der Schwarza
bis zum Pegel Schwarza überprüft wird.
Auf eine detaillierte Ausführung zu dem FEG Schwarza wird an dieser Stelle verzichtet, da es
ausschließlich zur Validierung der ausgearbeiteten HRU-Optimierungsmethodik herangezogen
wird. In diesem Sinne werden der Anwendung der Methodik nur ein paar kurze Bemerkungen
zur geographischen und naturräumlichen Charakteristik sowie der Flächennutzung vorausgestellt. Ausführliche Beschreibungen finden sich in (Hiekel et al. 2004 [82]).
Das Einzugsgebiet der Schwarza bis zum Pegel Schwarza (Bild 1.6 Anhang D) ist von seiner
natürlichen Ausprägung und den vorherrschenden klimatischen Bedingungen dem im Lee gelegenen FEG Gräfinau-Angstedt sehr ähnlich. Es liegt im Luv-Bereich des Thüringer Waldes,
gehört zum Einzugsgebiet der Werra und damit zum Stromgebiet der Weser (vgl. Abb. 1.6 Anhang B). Es ist mit einer Fläche von 151,66 km² nur geringfügig kleiner als das FEG GräfinauAngstedt und grenzt fast direkt an dieses.
Die höchsten Erhebungen des zum Großteil Mittelgebirgscharakter tragenden Einzugsgebietes
liegen im Bereich des vom Norden nach Osten auf den Kammlagen verlaufenden Rennsteigs
mit über 900 m ü. NN. Der dominante Ort des Gebietes ist die im Osten des Flusseinzugsgebietes gelegene Stadt Zella-Mehlis mit ca. 12.200 Einwohnern (EW). Es folgen die Orte SteinbachHallenberg (5.700 EW), Benshausen (2.600 EW), Viernau (2.200 EW) und Schwarza (1.400
EW) (vgl. Abbildung 4.27).
120
Abbildung 4.27: Das FEG Schwarza (Luftbild: Google Earth, Höhe: 17.300 km)
Nach der naturräumlichen Gliederung nach (Hiekel et al. 1994 [81]) zählt das FEG Schwarza,
wie das FEG Gräfinau-Angstedt, überwiegend zu dem nord-östlich im FEG liegenden Naturraum Mittelgebirge (53,2% Flächenanteil). Dieser wird repräsentiert durch die Naturraumuntereinheit des Mittleren Thüringer Waldes. 45,8% der FEG-Fläche zählen zu dem daran angrenzenden Naturraum Buntsandstein-Hügelländer, in den sich die Naturraumuntereinheiten Bad
Salzunger Buntsandsteinland (13,1%) und Südthüringer Buntsandstein-Waldland (32,8%) teilen. Ein sehr geringer Anteil von ca. 1% der FEG-Fläche fällt auf die Naturraumeinheit Muschelkalkplatten und Bergländer, repräsentiert durch die Naturraumuntereinheit Meininger
Kalkplatten.
Auch in Bezug der Flächennutzung gleicht das FEG Schwarza dem FEG Gräfinau-Angstedt.
Der Nadelwald dominiert das Gebiet mit 63,6%. Deutlich höher ist jedoch der Anteil an Grünland mit 21,9%. Die Siedlungsflächen haben einen Gesamtanteil von 8,2%, der Großteil davon
(6,1%) sind Siedlungsflächen mit dichter Bebauung, was vor allem auf die Stadt Zella-Mehlis
und auf Steinbach-Hallenberg zurückzuführen ist. Der Laubwald-Anteil liegt bei 3,7%, die ackerbaulich genutzten Flächen haben einen Anteil von 2,2% an der Gesamtfläche (vgl. Tabelle
1.20 Anhang C).
Im Folgenden wird die im FEG Gräfinau-Angstedt ausgearbeitete HRU-Optimierungsmethodik
sukzessive angewandt und beschrieben.
121
Erzeugung von HRU-Aggregationsniveaus verschiedener HRU-Dichte
Zur Erzeugung verschiedener HRU-Aggregationsniveaus wurden zwei Möglichkeiten mit dem
Ziel untersucht, eine höhere Effektivität bei der Vorgehensweise zu erzielen. Die erste Möglichkeit ist das Ableiten der HRU durch iterative Aggregationen mit unterschiedlichen Schwellwerten. Da auf jedem der erzeugten HRU-Aggregationsniveaus das Modellsystem aufgesetzt
werden muss, ist es notwendig, die bei dem Prozess des Routings entstehenden Zirkelbezüge zu
entfernen. Insbesondere bei den HRU-Aggregationsniveaus mit hoher bis sehr hoher HRUDichte ist dies ein zeitintensives und aufwendiges Verfahren, das auf die subjektive Betrachtung
des Nutzers angewiesen ist und sich nur schwer automatisieren lässt.
Die zweite angewandte Variante ist die Unterteilung des Flusseinzugsgebiets in einfache quadratische Raster ((Wigmosta et al. 1994 [207]) in (Blöschl und Grayson 2006 [19])) mit unterschiedlichen Kantenlängen. So wird ebenfalls eine repräsentative Anzahl von HRU-Aggregationsniveaus erzeugt, die die mögliche Bandbreite der HRU-Dichte des Gebietes abdeckt. Diese
quadratischen Rasterflächen werden als HRU interpretiert und neu attributiert. Auf jedem HRUAggregationsniveau wird das Modellsystem aufgesetzt. Der Vorteil dieser Variante besteht darin, dass beim Routing der Flächenelemente nur eine sehr geringe Anzahl von Zirkelbezügen
entsteht und somit die Effektivität der Generierung der HRU-Aggregationsniveaus maßgeblich
gesteigert werden kann. Im Folgenden werden die Ergebnisse beider Varianten miteinander verglichen.
Die Tabellen 1.21 und 1.22 im Anhang C zeigen eine Gegenüberstellung der durch Verschneidung und der durch Rasterbildung generierten HRU-Aggregationsniveaus mit ihrer Anzahl an
HRU nHRU und der dazugehörigen HRU-Dichte ρHRU.
Bestimmung der Abhängigkeit der HRU-Dichte vom Schwellwert ρHRU=f(S)
Im Flusseinzugsgebiet Schwarza lässt sich die Abhängigkeit der HRU-Dichte vom Generalisierungsschwellwert S ebenfalls sehr gut mit Hilfe einer Potenzfunktion der Form von Gl. 1.3 analytisch beschreiben. Dazu wurden die durch die Verschneidung erzeugten Werte für die HRUDichte in Abhängigkeit vom jeweils angesetzten Schwellwert S abgetragen. Mit geeigneten
„Best Fit“-Verfahren konnten folgende Funktionsparameter mit einem Korrelationskoeffizienten von 0,99 und einer Standardabweichung von 0,358 bestimmt werden:
ρ HRU = 38,834663(S + 0,18161985)−0,85645689
(4.24)
Der Funktionsverlauf ρHRU=f(S) weicht nur unwesentlich von dem im FEG Gräfinau-Angstedt
für die Variante „iterativ step 1“ bestimmten Funktionsverlauf ab und ist in Abbildung 1.42 im
Anhang B graphisch dargestellt.
Die durch Rasterbildung erzeugten HRU-Aggregationsniveaus entstehen durch Variieren der
Kantenlänge der Raster.
Robuster Parametersatz
Nachdem für alle erzeugten Aggregationsniveaus die Topologie und das Routing der Prozessflächen und Gewässersegmente abgeleitet wurde, muss im Anschluss auf allen durch Verschneidung generierten HRU-Aggregationsniveaus das Modell kalibriert werden, um den notwendigen robusten Parametersatz zu bestimmen und die Skalierbarkeit über die Diskretisierungsstufen zu gewährleisten. Dazu wurden die Erfahrungen über sensitive Parameter bei der
Kalibrierung des FEG Gräfinau-Angstedt genutzt.
122
Bestimmung des funktionalen Zusammenhangs der Modelleffizienzen - HRU-Dichte ρHRU
Auf Basis dieses Parametersatzes wurde auf jedem durch Verschneidung oder Rasterbildung
erzeugten Diskretisierungsniveau ein J2000/JAMS-Modell aufgesetzt, um die funktionalen Abhängigkeiten der Modelleffizienzen von der HRU-Dichte zu bestimmen. Bei den Modelleffizienzen wurde sich wieder auf den Nash-Sutcliffe-Koeffizienten E2, den Nash-Sutcliffe-Koeffizienten mit logarithmierten Werten logE2 und die Korrelation r² beschränkt. Die Tabelle 1.23
im Anhang C enthält die mit dem robusten Parametersatz ermittelten Modelleffizienzen aller
HRU-Aggregationsniveaus der Verfahren Verschneidung und Rasterbildung.
Auch hier bestätigte sich die schon bei der Analyse im FEG Gräfinau-Angstedt gemachte Erfahrung, dass sich die funktionalen Abhängigkeiten nach „Best-Fit“-Methoden analytisch sehr gut
durch rationale Funktionen der Form von Gleichung 1.13 darstellen lassen. Die Tabellen 1.24
und 1.25 im Anhang C enthalten die bestimmten Parameter mit den dazugehörigen statistischen
Gütemaßen. Die Abbildungen 1.42 bis 1.44 im Anhang B zeigen am Beispiel der drei ausgewerteten Modelleffizienzen E2, logE2 und r² die mit dem Modell ermittelten Werte der jeweiligen
HRU-Aggregationsniveaus und die dazu gehörige bestimmte analytische Funktion für die Erzeugungsvarianten Verschneidung und Rasterbildung.
Wie im Abschnitt 4.6.2.2 beschrieben, wurde anschließend aus den analytischen Funktionsverläufen der Generierungsvarianten Verschneidung und Rasterbildung die jeweilige Position der
Maxima der betrachteten Effizienzen bestimmt. Die Ergebnisse zeigt Tabelle 4.10.
Tabelle 4.10: Berechnete Maximapositionen der Effizienzen bzgl. der HRU-Dichte der Varianten Verschneidung und Rasterbildung
Modelleffizienzen
ρHRU=f(E2max)
ρHRU = f(logE2max)
ρHRU = f(r²max)
Maximapositionen
Verschneidung [HRU/km²]
11,85
17,84
10,27
Maximapositionen
Rasterbildung [HRU/km²]
11,21
16,51
10,54
Dabei wird ersichtlich, dass die mit beiden Varianten berechneten Maximapositionen der Effizienzen nur geringfügig voneinander abweichen. Daraus lässt sich schlussfolgern, dass die Variante der Rasterbildung zur Bestimmung der Maximapositionen der Effizienzen geeignet ist
und den Vorteil einer effizienteren Erstellung von HRU-Aggregationsniveaus mit verschiedenen
HRU-Auflösungen gegenüber der Verschneidung besitzt. Für die Modellierung ist aber das
durch Verschneidung erzeugte und bezüglich der HRU-Dichte optimierte Aggregationsniveau
dem durch die Rasterbildung generierten vorzuziehen, was im Anschluss noch erläutert wird.
Die Abbildung 4.28 zeigt die analytisch bestimmten Funktionsverläufe der drei Effizienzen
beider Varianten und den angedeuteten Bereich der Maximapositionen. Die gestrichelte Line
symbolisiert das im FEG Gräfinau-Angstedt ermittelte Optimum der HRU-Dichte von 13,22
HRU/km². Dieser Wert stellt auch im FEG Schwarza eine optimale Kompromisslösung und
vermittelt sehr gut zwischen den Positionen der Maxima des Nash-Sutcliffe-Koeffizienten E2
und der Korrelation r² zu dem etwas höheren optimalen HRU-Dichte für den mit logarithmierten
Werten berechneten Nash-Sutcliffe-Koeffizienten logE2. D.h., in dem naturräumlich ähnlich
ausgeprägtem Flusseinzugsgebiet der Schwarza konnte ein vergleichbarer optimaler Wert für
die HRU-Dichte bestimmt werden, wie im Flusseinzugsgebiet Gräfinau-Angstedt.
123
Abbildung 4.28: Maximapositionen der optimalen HRU-Dichte nach Modelleffizienzen der Generierungsvarianten „Verschneidung“ und „Rasterbildung“
Regelbasiertes Ableiten der HRU bis zur optimalen HRU-Dichte
Mit dieser Erkenntnis wurde für das FEG Schwarza durch Generalisieren nach Variante „iterativ step 1“ in Kombination mit der beschriebenen Regel 2 ein Aggregationsniveau mit 2004
räumlichen Einheiten erzeugt. Das entspricht bei der Größe des FEG von 151,7 km² einer HRUDichte von 13,21 HRU/km². Nach Gleichung 1.5 wurde ein anzusetzender Schwellwert S von
3,38 ha bzw. 54 Rasterzellen berechnet. Die Abbildung 1.45 im Anhang D zeigt das optimierte
Aggregationsniveau.
Überprüfung des HRU-Informationswertes I(HRU)
Die Aggregierung erfolgte nach der im Abschnitt 4.6.3.2 beschriebenen Regel 2. Die Überprüfung des HRU-Informationswertes I(HRU) ergab, dass sich der Informationsverlust durch die Anwendung dieses regelbasierten Ansatzes in der gleichen Größenordnung wie im Fall des FEG
Gräfinau-Angstedt senken lässt.
An dieser Stelle wird das optimierte Aggregationsniveau mit dem durch Rasterbildung erzeugten Aggregationsniveau vergleichbarer HRU-Dichte (s. Abbildung 1.46 Anhang B) hinsichtlich
ihrer HRU-Informationswerte I(HRU) untersucht. Dazu wurden die Neuattributierung durchge-
124
führt und die Gebietsparameter Hangneigung, Böden und Landnutzung (Objektprozesse) mit
den Referenzprozessen verglichen. Das Ergebnis zeigt, dass bei dem durch Verschneidung erzeugten Aggregationsniveau gegenüber dem gerasterten Aggregationsniveau signifikant mehr
Information erhalten bleibt (vgl. Tabelle 4.11). So werden bei den verschnittenen HRU im Falle
der Hangneigung 11%, bei den Böden 31% und bei der Landnutzung 21% mehr Informationen
erhalten als bei der Raster-Variante.
Tabelle 4.11: HRU-Informationsverlust IV(HRU) der Gebietsparameter Hangneigung, Böden und Landnutzung der Varianten Verschneidung und Rasterbildung
Hangneigung
5,45
6,11
Verschneidung IV(HRU) [bit/pix]
Rasterbildung IV(HRU) [bit/pix]
Böden
3,84
5,54
Landnutzung
4,34
5,49
Der Grund für die signifikanten Unterschiede ist die regelmäßige Rasterstruktur des Aggregationsniveaus mit einer Kantenlänge von 275 m. Das heißt, dass 121 Rasterzellen der Ausgangsraster zu einer Zelle dieser Größe zusammengefasst werden. Die Abbildung 1.47 im Anhang B
verdeutlicht diesen Tatbestand am Beispiel des Attributes „Böden“.
Der deutlich höhere Informationswert des durch Verschneidung erzeugten HRU-Aggregationsniveaus ist der Grund, warum dieses dem durch die Rasterbildung generierten Aggregationsniveau vorzuziehen ist. Dies ist für spätere Weiterentwicklungen des Modellsystems J2000/JAMS
mit einer verstärkten physikalischen Basiertheit ein wichtiger Fakt.
Nachkalibrierung
Auf Basis des optimierten Aggregationsniveaus kann eine Nachkalibrierung ausgewählter sensitiver Parameter durchgeführt werden, die der weiteren Verbesserung der Modellgütemaße dient.
Der Vollständigkeit halber sind in der Tabelle 4.12 die ohne Nachkalibrierung der Parameter
erreichten Modelleffizienzen für den Pegel Schwarza im Kalibrierungs-, Validierungs- und Gesamtzeitraum aufgeführt. Die gemessene und modellierte Ganglinie sind in der Abbildung 1.48
im Anhang B abgebildet.
Tabelle 4.12: Modelleffizienzen des Kalibrierungs-, Validierungs- und Gesamtzeitraums der Schwarza
am Pegel Schwarza
Phase
Zeitraum
E2 [-]
logE2 [-]
r² [-]
pBIAS [%]
Kalibrierung
11/1995-10/1999
0,81
0,82
0,82
-7,94
Validierung
11/1999-05/2006
0,86
0,81
0,87
22,69
Gesamtzeitraum
11/1995-05/2006
0,82
0,73
0,84
10,98
5
Ergebnisse der Modellierung und Anwendung
In diesem Kapitel werden die Ergebnisse der flächendifferenzierten Modellierung der Abflussbildung und der Abflusskonzentration für das Einzugsgebiet des Pegels Gräfinau-Angstedt im
Tagesmodus und im Stundenmodus dargestellt. Für die Modellierung auf Tageswertbasis standen Messwerte von November 1994 bis Mai 2006 zur Verfügung. Krause (Krause 2001 [110])
empfiehlt die von verschiedenen Autoren praktizierte Aufteilung der Zeitreihe entsprechend
dem ‚split-sample-test’ nach (Klemeš 1986 [100]) in drei Abschnitte. Dem folgend bleibt das
erste Jahr der elfeinhalbjährigen Zeitreihe der Modellinitialisierung vorbehalten. Der Zeitraum
von November 1995 bis Oktober 1999 dient der Modellkalibrierung. Der Abschnitt von November 1999 bis Mai 2006 wurde zur Validierung genutzt. Durch die in der letzten Phase erfolgte Verifizierung wird die Gültigkeit des Parametersatzes über den Kalibrierungszeitraum
hinaus nachgewiesen. Für die Modellierung auf Basis von Stundenwerten standen Daten vom
November 1999 bis zum Mai 2006 zur Verfügung. Auch hier wurde das erste Jahr zur Modellinitialisierung genutzt. Der Kalibrierungszeitraum ging von Nov. 2000 bis Oktober 2002. Validiert wurde der Parametersatz für den Stundenmodus im Zeitraum von Nov. 2002 bis Mai 2006.
Anschließend wird das nach der beschriebenen Methodik optimierte Modell bezüglich der erzielten Modelleffizienzen bewertet. Besondere Beachtung findet die Modellierung einer Reihe
ausgewählter Hochwasserereignisse. Danach wird die Gesamtabflussbildung unter dem Aspekt
ihrer flächendifferenzierten Verteilung im FEG betrachtet. Am Ende werden die aus dem Gesamtabfluss separierten Abflusskomponenten analysiert und mit Hilfe von erstellten DIFGAAuswertungen verifiziert.
Eine ausführliche Beschreibung des entwickelten Gleitkorrekturverfahrens für die vom COSMO-EU-Modell des DWD prognostizierten Niederschläge schließt sich an. Danach werden mit
dem auf Basis von Messwerten kalibrierten Modellsystem zwei prototypische Hochwasserereignisse unterschiedlichen Entstehungshintergrundes mit unkorrigierten und korrigierten Klimavorhersagedaten modelliert und ausgewertet. Im Ergebnis dessen kann die Verlässlichkeit
von Hochwasserwarnungen für das Einzugsgebiet eingeschätzt werden. Im Anschluss wird eine
Konzeption für einen operationellen Hochwasserinformationsdienst entwickelt.
Am Ende des Kapitels werden die regionalen Folgen des globalen Klimawandels unter dem
Aspekt Extremniederschläge und extreme Hochwasserereignisse diskutiert.
5.1
Modellergebnisse
5.1.1
Modellierter Gesamtabfluss
Wie im Kapitel 4.6.1 beschrieben, wurde das Modell auf Basis des optimierten HRU-Aggregationsniveaus für den Betrieb in den zeitlichen Auflösungen Tages- und Stundenwerte nachkalibriert. Die beiden ermittelten Parametersätze sind in der Tabelle 1.26 im Anhang C aufgeführt.
Die Abbildung 5.1 zeigt den gemessenen und den modellierten Abfluss, den regionalisierten
Gebietsniederschlag und in einem Differenzendiagramm die Differenz zwischen modelliertem
(sim) und gemessenem (obs) Abfluss der Oberen Ilm am Pegel Gräfinau-Angstedt in täglicher
Auflösung für den Zeitraum vom 01.11.1994-31.10.05.2006.
126
Abbildung 5.1: Regionalisierter Gebietsniederschlag sowie gemessene und modellierte Abflüsse der
Oberen Ilm am Pegel Gräfinau-Angstedt für den Zeitraum vom 01.11.1994-31.10.05.2006
5.1 Modellergebnisse
127
Der optische Eindruck der Abbildung vermittelt die insgesamt gute Übereinstimmung der modellierten mit der gemessenen Ganglinie. Insbesondere bei den meist schmelzwasserbedingten
Hochwasserabflüssen in den Frühjahrsmonaten März und April folgt die modellierte Ganglinie
sehr gut der Dynamik der gemessenen Ganglinie. Die Hochwasser-Peaks werden vom Modell
meist etwas unterschätzt. Auf Grund ihrer Bedeutung für das Anliegen der Arbeit, werden sie
im Anschluss noch genauer analysiert. Die sommerlichen Niedrigwasserabflüsse werden im
Großen und Ganzen gut getroffen. Eine Ausnahme bilden die Sommermonate 1999, 2002 und
2005. Hier folgt die simulierte Linie nicht der Dynamik der kleinen Schwankungen des gemessenen Abflusses. Die Abweichungen in der Initialisierungsphase des Modells erklären sich damit, dass die Befüllung der Speicher noch nicht den realen Verhältnissen entspricht.
Neben der optischen Beurteilung der modellierten Ergebnisse gelten die in Tabelle 5.1 für die
Einzeljahre und in Tabelle 5.2 für den Kalibrierungs-, Validierungs- und Gesamtzeitraum dargestellten, berechneten Modellgütemaße als wichtige Kriterien bei der Einschätzung der Qualität des Modells und seiner Parametrisierung. Dabei werden nach ((Becker und Behrendt 1998
[9]) in (Krause 2001 [110])) allgemein Werte über 0,70 als gute Anpassung eingestuft.
In den Tabellen wurden die bisher aufgeführten Modellgütemaße um den relativen Volumenfehler pBIAS ergänzt. Dieser steht für die prozentuale Abweichung des Jahresmittels der modellierten von den gemessenen Abflüssen.
Tabelle 5.1: Modelleffizienzen der Einzeljahre der Oberen Ilm am Pegel Gräfinau-Angstedt für den
Zeitraum vom 01.11.1994-31.10.2006 im Tagesmodus
Phase
Zeitraum
E2 [-]
logE2 [-]
r² [-]
pBIAS [%]
Initialisierung
11/1994-10/1995
0,75
0,36
0,82
-25,60
Kalibrierung
11/1995-10/1996
0,72
0,70
0,79
-16,07
11/1996-10/1997
0,88
0,86
0,90
-4,60
11/1997-10/1998
0,88
0,89
0,88
2,37
11/1995-10/1999
0,95
0,86
0,96
-8,06
11/1999-10/2000
0,93
0,92
0,95
-8,53
11/2000-10/2001
0,89
0,82
0,90
8,34
11/2001-10/2002
0,93
0,87
0,94
-12,64
11/2002-10/2003
0,92
0,93
0,96
-6,18
11/2003-10/2004
0,82
0,78
0,87
18,95
11/2004-10/2005
0,76
0,81
0,76
1,85
11/2005-05/2006
0,86
0,84
0,89
-3,66
Validierung
Die Effizienzen der Einzeljahre liegen mit Ausnahme des logE2 im Initialisierungsjahr alle,
überwiegend deutlich, über dem Richtkriterium von 0,70.
Insbesondere die hohen Werte für den Nash-Sutcliffe-Koeffizienten E2 von 0,90 bzw. 0,91 im
Kalibrierungs-, Validierungs- und Gesamtzeitraum sind wegen ihrer Repräsentation der Spitzenabflüsse hervorzuheben. Auch der Nash-Sutcliffe-Koeffizient mit logarithmierten Werten
logE2, der wegen der Rücknahme des Einflusses der Hochwasserabflüsse stärker die Modellgüte bezüglich der Niedrigwasserabflüsse repräsentiert, liegt für diese Zeiträume zwischen 0,85
und 0,87. Ebenfalls bei 0,90 liegen die Werte für das Bestimmtheitsmaß r².
Über den gesamten modellierten Zeitraum betrachtet liegt die Summe der simulierten Abflüsse
mit einem pBIAS von -2,89% nur leicht unter der Summe der gemessenen Abflüssen. Während
der Kalibrierungszeitraum ein etwas deutlicheres Defizit aufweist, liegt der relative Volumen-
128
fehler im Validierungszeitraum unter einem Prozent. In den Einzeljahren sind die Schwankungen der Abweichungen deutlich größer.
Tabelle 5.2: Modelleffizienzen des Kalibrierungs-, Validierungs- und Gesamtzeitraums der Oberen Ilm
am Pegel Gräfinau-Angstedt im Tagesmodus
Phase
Zeitraum
E2 [-]
logE2 [-]
r² [-]
pBIAS [%]
Kalibrierung
11/1995-10/1999
0,90
0,85
0,91
-6,58
Validierung
11/1999-05/2006
0,91
0,87
0,90
-0,56
Gesamtzeitraum
11/1995-05/2006
0,90
0,86
0,90
-2,89
Die berechneten Modelleffizienzen bestätigen insgesamt den aus den Ganglinien gewonnenen
Eindruck, dass das Gesamtabflussgeschehen der Oberen Ilm mit dem Modellsystem auf Tageswertbasis gut nachgebildet wird.
Die Ganglinien des gemessenen und des simulierten Abflusses für den Kalibrierungszeitraum
vom 01.11.1999 bis 31.10.2002 und den Validierungszeitraum vom 01.11.2002 bis 31.05.2006
im Stundenmodus sind den Abbildungen 1.49 und 1.50 im Anhang B dargestellt. Sie stimmen
von der Dynamik her gut überein, bleiben aber bei der Übereinstimmung der simulierten mit der
gemessenen Ganglinie hinter den Tageswerten zurück.
Tabelle 5.3: Modelleffizienzen der Einzeljahre der Oberen Ilm am Pegel Gräfinau-Angstedt für den
Zeitraum vom 01.11.1999-31.10.05.2006 im Stundenmodus
Phase
Zeitraum
E2 [-]
logE2 [-]
r² [-]
pBIAS [%]
Initialisierung
11/1999-10/2000
0,80
0,79
0,81
3,26
Kalibrierung
11/2000-10/2001
0,74
0,63
0,81
12,41
11/2001-10/2002
0,87
0,82
0,90
-18,59
11/2002-10/2003
0,88
0,88
0,89
-4,36
11/2003-10/2004
0,49
0,70
0,57
4,97
11/2004-10/2005
0,36
0,82
0,76
21,42
11/2005-05/2006
0,71
0,66
0,74
3,12
Validierung
Die Modelleffizienzen, die auf Basis von Stunden erzielt werden konnten, liegen für den Gesamtzeitraum noch klar über den Wert von 0,70 (s. Tabelle 5.4). Im Vergleich mit den erreichten Modelleffizienzen auf Tageswertbasis liegen sie jedoch deutlich darunter.
Tabelle 5.4: Modelleffizienzen des Kalibrierungs-, Validierungs- und Gesamtzeitraums der Oberen Ilm
am Pegel Gräfinau-Angstedt im Stundenmodus
Phase
Zeitraum
E2 [-]
logE2 [-]
r² [-]
pBIAS [%]
Kalibrierung
11/2000-10/2002
0,84
0,77
0,86
-3,80
Validierung
11/2002-05/2006
0,68
0,79
0,73
6,80
Gesamtzeitraum
11/2000-05/2006
0,77
0,79
0,78
1,30
Der Nash-Sutcliffe-Koeffizient ist im Kalibrierungszeitraum deutlich schlechter als im Validierungszeitraum. Zurückzuführen ist das auf zwei stark übermodellierte Schneeschmelzereignisse
im Januar 2004 und März 2005 sowie ein stark untermodelliertes kleineres Schneeschmelzereignis im März 2004, die auch die E2-Werte der Einzeljahre 2004 und 2005 sehr abfallen lassen. Die Nash-Sutcliffe-Koeffizienten mit logarithmierten Werten des Kalibrierungs- und Validierungszeitraums sind in etwa gleich. Der Korrelationskoeffizient ist im Kalibrierungszeitraum
ebenfalls besser als im Validierungszeitraum.
129
Der relative Volumenfehler für den Gesamtzeitraum besagt einen modellierten Überschuss von
nur 1,3%. Im Validierungszeitraum werden 6,8% zuviel Abfluss modelliert, im Kalibrierungszeitraum ein Abflussdefizit von 3,8%. Die Schwankungsbreite in den Einzeljahren ist wie bei
den Tageswerten wieder deutlich größer (s. auch Tabelle 5.3).
Abbildung 5.2: Modellierung von Hochwasserscheiteln in Folge von Starkniederschlagsereignissen im
Tagesmodus
Da besonders die Nachbildung von Spitzenabflüssen von Interesse ist, sollen diese aus den
Ganglinien herausgelöst noch einmal gesondert betrachtet werden. Die Abbildung 5.2 zeigt
zwei Hochwasserereignisse als Folge von starken Niederschlägen. Im ersten Fall, nach einem
eher singulären Starkniederschlagsereignis, wird die Hochwasserwelle sehr gut getroffen. Im
zweiten Fall, nach mehrtägigen langanhaltenden mittleren Niederschlagsmengen, wird der Anstieg und der Abfall der Hochwasserwelle gut nachgebildet, die modellierte Kurve bleibt aber
deutlich unter dem Scheitelwert.
130
Abbildung 5.3: Modellierung von Hochwasserscheiteln in Folge von Schneeschmelzereignissen im
Tagesmodus
In der Abbildung 5.3 sind mehrere Hochwasserereignisse ebenfalls auf Basis von Tageswerten
als Antwort des Einzugsgebiets auf Schneeschmelzereignisse abgebildet. Es zeigt sich, dass die
ansteigenden und abfallenden Äste der Hochwasserscheitel wieder sehr gut getroffen werden,
aber in allen Fällen untersimuliert bleiben. Ausführlich eingegangen wird auf zwei repräsentative Hochwasserereignisse mit unterschiedlichem Entstehungshintergrund im Kapitel 5.1.4.
Auch aus den Abfluss-Ganglinien bei der Modellierung im Stundenmodus wurden ausgewählte
Hochwasserscheitel herausgegriffen und untersucht. Da in dem verfügbaren Zeitraum von November 1999 bis Mai 2006 bis auf das noch im Kapitel 5.1.4 beschriebene Hochwasser in Folge
eines Starkniederschlagsereignisses nur Hochwasser in Folge von Schneeschmelzen zu verzeichnen waren, musste sich an dieser Stelle auf diese beschränkt werden (s. Abbildung 5.4).
In der Regel werden auch beim Modellieren auf Basis von Stunden die Hochwasserscheitel
unterschätzt. Im Gegensatz zum Tagesmodus gibt es hier mit dem Schneeschmelzhochwasser
vom Februar 2005 (ganz rechts) eine Ausnahme, da dieses vom Modell leicht übersimuliert
wurde. Sehr gut getroffen wird das höchste Abflussereignis vom Januar 2002 (ganz links). Die
Dynamik wird bei allen Ereignissen gut wiedergegeben. Besonders der steile Abfall am
31.12.2002 (Bildmitte) und das sofortige Wiederansteigen der Abflusskurve werden sehr gut
nachgebildet. Diese sehr gute Nachbildung der Dynamik konnte bei den Tageswerten nicht erreicht werden (s. Kapitel 5.1.4, ganz rechts). Das prinzipielle Problem der zeitlichen Auflösungen von Tagesmittelwerten und Stundenmittelwerten wird ebenfalls im Abschnitt 5.1.4 vertiefend behandelt.
131
Abbildung 5.4: Modellierung von Hochwasserscheiteln in Folge von Schneeschmelzereignissen im
Stundenmodus
Abbildung 5.5: Gemessene und modellierte mittlere monatliche Abflüsse der Oberen Ilm am Pegel
Gräfinau-Angstedt für die Zeitreihen 1994-2006
Wenn bei dem Modellsystem J2000/JAMS auch von einer relativ sicheren Simulation der Abflussbildung und der damit verbundenen Prozesse auf Tageswertbasis ausgegangen werden
132
kann, so ist die Nachbildung der Abflusskonzentration doch mit größerer Unsicherheit behaftet
(Krause 2001 [110]). Der Modellautor empfiehlt aus diesem Grund, zur Fehlerabschätzung auf
stärker aggregierte Werte zurückzugreifen. Die Abbildung 5.5 stellt die gemessenen und modellierten mittleren monatlichen Abflüsse des Gebiets der Oberen Ilm am Pegel Gräfinau-Angstedt
für den Zeitraum von 1994 bis 2006 dar.
Auch bei der Abbildung des Gesamtabflusses in Form von Monatsmittelwerten ist eine gute
Übereinstimmung von gemessenen und simulierten Werten erkennbar. Die teilweise auf der
gemessenen Ganglinie verlaufende simulierte Abflusskurve bleibt nur im April 1996 sowie im
Februar und April 2002 deutlicher hinter den gemessenen Werten zurück (das Initialisierungsjahr sollte unberücksichtigt bleiben). Der Grund dafür liegt in den beiden untermodellierten
Hochwasserereignissen in Folge starker Schneeschmelze, die im mittleren Fenster der
Abbildung 5.3 abgebildet sind. Deutliche Unterschiede zwischen sehr trockenen Jahren wie
2003 und sehr feuchten Jahren (1998, 2004) sind nicht erkennbar.
Dass die Untersimulation von Schneeschmelzereignissen eine gewisse Systematik aufweist,
zeigt sich, wenn man die Werte der einzelnen Monatsmittel zu langjährigen Mittelwerten je
Monat zusammenfasst (s. Abbildung 5.6).
Abbildung 5.6: Gemessene und modellierte langjährige Monatsmittel der Abflüsse der Oberen Ilm am
Pegel Gräfinau-Angstedt für die Zeitreihen 1994-2006
Während von April bis Dezember nur sehr geringe Abweichungen gegenüber den aus Messwerten gebildeten langjährigen Monatsmitteln besteht, so sind in den Monaten Januar bis März die
größten Abweichungen zu registrieren, wobei die simulierten Werte deutlich hinter den gemessenen Werten zurück bleiben. Insgesamt liegen alle Abweichungen innerhalb eines Bereiches
von 13%. Nach (Krause 2001 [110]) würden sich höher aufgelöste Eingangsdaten und eine höhere physikalisch basierte Nachbildung der Abflusskonzentration und der Fließvorgänge noch
verbessernd auf die Modelleffizienzen auswirken.
5.1.2
Flächendifferenzierte Darstellung des Gesamtabflusses
Nach der Auswertung der Effizienzen bei der Modellierung im FEG Gräfinau-Angstedt, soll
eine flächendifferenzierte Darstellung des Gesamtabflusses und eine Betrachtung der Anteile
der einzelnen Abflusskomponenten erfolgen.
133
Für den ersten Punkt sind die Gesamtabflusshöhen als Summe aus den separierten Abflusskomponenten Oberflächenabfluss, Zwischenabfluss und Grundwasserneubildung abzüglich des kapillaren Aufstiegs für jede einzelne HRU berechnet und zu Jahresmitteln und Mittelwerten für
die hydrologischen Perioden aggregiert wurden. Die Ergebnisse lassen sich im GIS flächendifferenziert darstellen. Nach (Krause 2001 [110]) ist dabei eine Höhenabhängigkeit zu erwarten,
da die Höhe der flächendifferenzierten langjährigen Abflussbildung der Differenz aus Niederschlag und realer Verdunstung entspricht. Die folgende Abbildung 5.7 zeigt die langjährige
mittlere modellierte Gesamtabflussbildung im FEG Gräfinau-Angstedt auf Basis der Zeitreihen
von November 1994 bis Mai 2006 für das meteorologische Jahr und die hydrologischen Sommer- und Winterperioden. In allen drei Fällen ist deutlich eine Zunahme der mittleren Abflussbildung mit der Geländehöhe erkennbar. Die höchsten Werte werden im Bereich der Schmücke
(937 m ü. NN) mit ca. 1200 mm im meteorologischen Jahr erreicht, die niedrigsten Werte im
Gebiet zwischen Gehren, Langewiesen und Gräfinau-Angstedt mit z.T. weniger als 400 mm im
Jahr. Gut zu erkennen sind auch die aus dem Umfeld sich abhebenden höheren Werte im Bereich der Berge Kickelhahn (861 m), Fürstenberg (818 m) und Pferdeberg (728 m) (vgl. auch
Abbildung 3.2). Auch in den Bereichen der Ortslagen treten höhere Werte auf, die durch die
Flächenversiegelung der lockeren und dichten Siedlungsflächen und den damit verbundenen
hohen Oberflächenabflussbeiträgen erklärt werden können.
Neben der Höhenabhängigkeit sind auch die unterschiedlichen Anteile der hydrologischen Perioden am mittleren jährlichen Gesamtabfluss deutlich hervorgetreten. So ist das Verhältnis der
Gesamtabflussanteile der hydrologischen Sommerperioden zu den hydrologischen Winterperioden im Bereich der Höhenlagen um die Schmücke ungefähr 350 mm zu 850 mm.
5.1.3
Modellierte Abflusskomponenten
Im Kontext zu der Problematik Hochwasser interessiert vorrangig der Gesamtabfluss, auf den
hin das Modellsystem J2000/JAMS über den Vergleich der gemessenen Abflusswerte mit den
modellierten Abflusswerten kalibriert und validiert wurde. Aus hydrologischer Sicht sind auch
die einzelnen Komponenten des Gesamtabflusses interessant, die vom Modellsystem separiert
ausgegeben werden und somit einer Analyse zur Verfügung stehen.
Der Oberflächenabfluss RD1 bildet sich auf versiegelten Flächen, auf temporär wassergesättigten Flächen oder als direkter Abfluss aus der Schneedecke im Verlauf von Schneeschmelzvorgängen. In der ungesättigten Bodenzone entsteht der Zwischenabfluss RD2. Das die darunter
liegenden Schichten erreichende Wasser wird als schneller und als langsamer Basisabfluss RG1
und RG2 abflusswirksam. Die aus der Verwitterungszone stammende Komponente RG1 hat in
der Regel Verweildauern von wenigen Tagen. Um ein Vielfaches höher liegen diese bei der aus
der unverwitterten Zone stammenden und über Klüfte entwässernden Komponente RG2.
Die folgende Tabelle 5.5 zeigt die modellierten mittleren prozentualen Anteile der separierten
Abflusskomponenten am Gesamtabfluss in den hydrologischen Sommer- und Winterperioden
sowie im meteorologischen Jahr für den Zeitraum von November 1994 bis Mai 2006.
134
Tabelle 5.5: Modellierte mittlere prozentuale Anteile der separierten Abflusskomponenten am Gesamtabfluss
RD1 [%]
RD2 [%]
RG1 [%]
RG2 [%]
hydrologische Sommerperioden
12,2
26,1
28,5
33,2
hydrologische Winterperioden
19,6
46,7
21,4
12,3
meteorologisches Jahr
17,5
41,0
23,4
18,1
Die Kreisdiagramme in Abbildung 5.7 verdeutlichen diese berechneten Anteile der Abflusskomponenten am Gesamtabfluss noch einmal graphisch.
Abbildung 5.7: Langjährige mittlere modellierte Gesamtabflussbildung im FEG Gräfinau-Angstedt und
Anteile der Abflusskomponenten am Gesamtabfluss (Zeitreihe 1994-2006)
Bei Betrachtung des meteorologischen Jahres fällt auf, dass der Anteil des Interflow mit 41%
relativ hoch ist und fast genau dem Anteil der beiden Grundwasserkomponenten entspricht. Den
kleinsten Beitrag zum Gesamtabfluss liefert mit 17,5% der Oberflächenabfluss.
135
An den Niedrigwasserabflüssen in den hydrologischen Sommerperioden haben die beiden
Grundwasserkomponenten mit 61,7% einen erwartungsgemäß höheren Anteil am Gesamtabfluss als in den hydrologischen Winterperioden (33,7%). Dieser Effekt geht auf ein Ansteigen
des Interflow-Anteils um 20,5% und des Beitrags des Oberflächenabflusses um 5,4% im hydrologischen Winter zurück. Der Grund sind die in diesem Zeitraum deutlich höheren Niederschlagseinträge in das Gebiet und die Schneeschmelzereignisse in den Frühjahrsmonaten, die zu
einer starken Auslastung der Speicherkapazität der ungesättigten Bodenzone und zu mehr Oberflächenabfluss führen.
Eine Darstellung der Ganglinien der vier mit J2000/JAMS über den Gesamtzeitraum modellierten Abflusskomponenten ist im Anhang C in Abbildung 1.51 abgebildet.
Zur Beurteilung der Modellqualität in Bezug auf die Nachbildung der hydrologischen Prozesse
im Einzugsgebiet, soll noch untersucht werden, ob die von J2000/JAMS separierten Abflusskomponenten hinreichend den natürlichen Abflussverhältnissen entsprechen. Diese Komponenten können, da sie einzeln nicht ohne größeren Aufwand messbar sind, nur über eine Ganglinienanalyse verifiziert werden. Dazu wurde auf das analytische Ganglinienseparationsprogramm DIFGA (Schwarze et al. 1991 [180]) zurückgegriffen. DIFGA separiert den schnellen
Basisabfluss (RG1) und den langsamen Basisabfluss (RG2) aus dem Gesamtabfluss durch sukzessive Abtrennung der einzelnen Komponentenabflüsse aus den gemessenen Ganglinien.
Der Direktabfluss RD wird als Restglied aus der Differenz R minus RG2 minus RG1 erhalten.
RD kann dann noch weiter in den schnellen Direktabfluss RD1 und langsamen Direktabfluss
RD2 unterteilt werden. DIFGA wurde primär zur Analyse der langsamen Abflussanteile entwickelt. Dabei wird eine inverse Methode verwendet, welche ausgehend von bekanntem Input
(Niederschlag) und Output (Durchflussganglinie) durch eine Rezessionsanalyse und eine Wasserhaushaltsbilanz zwei langsame Abflussanteile kontinuierlich ermittelt. In (Schwarze et al.
1994 [179]) und (Schwarze 2004 [176]) sowie in (Henning und Schwarze 2001 [79]) erfolgte
eine geohydraulische Interpretation dieser Vorgehensweise und ein Vergleich mit isotopenhydrologischen Verfahren, welche belegen, dass die beiden Anteile RG1 und RG2 als Grundwasserabfluss
zu interpretieren sind. Die als Restglied bestimmte Komponente RD enthält Oberflächenabfluss,
Interflow und ggf. auch noch sehr schnell entwässernde Grundwasserabflussanteile. Eine konkrete
Zuordnung und Aufteilung des Herkunftsraums ist mit DIFGA hier nicht möglich. Allerdings entspricht die Unterteilung von RD1 und RD2 mengenmäßig den Anteilen von Ereigniswasser und
Vorereigniswasser, wie sie sich aus der tracerhydrologischen Hochwasserabflussseparation ergeben. Weitere Ausführungen dazu gibt (Schwarze et al. 1995 [178]) und (Puhlmann und Schwarze
2007 [156]).
Die Abflussanteile gemäß DIFGA entsprechen nach (Krause 2001 [110]) weitestgehend den
von J2000/JAMS separierten Abflusskomponenten Oberflächenabfluss (RD1), Zwischenabfluss
(RD2), dem Basisabfluss aus der Verwitterungszone (RG1) und aus dem unverwitterten Zone
(RG2). Krause (Krause 2001 [110]) betont aber die unterschiedlichen zu Grunde liegenden
Konzepte von DIFGA und J2000/JAMS, die gegen ein direktes Gleichsetzen der berechneten
Abflusskomponenten sprechen. Im Gegensatz zu J2000/JAMS, das nach den Herkunftsräumen
und der Genese der Abflusskomponenten unterscheidet, trennt DIFGA die Abflusskomponenten
nach ihrer zeitlichen Dynamik. So kann die von DIFGA ermittelte Direktabflusskomponente
RD2 auch Anteile des Grundwasserabflusses enthalten (Schwarze et al. 1999 [177]). Trotzdem
sollten die Abflusskomponenten in ihrem Verhältnis zueinander weitestgehend übereinstimmen
(Krause 2001 [110]), so dass sich die DIFGA-Methode zur Verifizierung der von J2000/JAMS
ermittelten Abflussanteile durchaus eignet.
136
Für diese Verifizierung wurden von Herrn Dr. Schwarze von der Technischen Universität Dresden freundlicherweise für das Einzugsgebiet Gräfinau-Angstedt die Abflusskomponenten nach
DIFGA berechnet und zur Verfügung gestellt. Den nötigen Modell-Input für DIFGA bildeten
die Hydrogeologischen Einheiten Thüringens (TMLNU 1996 [191]) und die am Pegel GräfinauAngstedt gemessenen Abflusswerte für den Zeitraum von November 1922 bis Mai 2006. Weiterer Input waren die für den untersuchten und modellierten Zeitraum von November 1994 bis
Mai 2006 vorliegenden, vom Modellsystem J2000/JAMS regionalisierten Werte für den Gebietsniederschlag und das Gebiets-Wasseräquivalent der Schneedecke. Das Nutzen dieser von
J2000/JAMS berechneten Gebietswerte anstelle von mit DIFGA auf Basis von Stationsmesswerten regionalisierten Gebietsmitteln, gewährleistet die bestmögliche Vergleichbarkeit der
Ergebnisse.
Betrachtet man die nach DIFGA separierten Jahresgänge der langjährigen Monatsmittel
(Abbildung 5.8) ist zu erkennen, dass der langsame Basisabfluss über das gesamte Jahr ein relativ konstantes Verhalten aufweist. Die beiden schnellen Abflusskomponenten folgen in ihrer
Dynamik dem jahreszeitlichen Gang, steigen in den hydrologischen Winterperioden deutlich an
und erreichen im März ihren höchsten Wert. Auf Grund der signifikant höheren Abflussbildung
in den Wintermonaten einschließlich der Schneeschmelzereignisse im Frühjahr, ist dies eine
plausible Abbildung der bestehenden natürlichen Verhältnisse.
Abbildung 5.8: Nach DIFGA berechnete langjährige Jahresganglinien der Monatsmittel der separierten Abflusskomponenten (Zeitreihe 1994-2006)
Die relativen Anteile der separierten Abflusskomponenten nach DIFGA und nach J2000/JAMS
sind in der Abbildung 5.9 dargestellt. Zum besseren Vergleich wurden die schnellen Abflusskomponenten RD1 und RD2 zu RD zusammengefasst. Es wird deutlich, dass in den drei betrachteten Zeiträumen der langsame Basisabfluss RG2 bei beiden Modellen in der gleichen
Größenordnung abgebildet wird (Abweichung < 3,5%). Der Gesamtabflussanteil des schnellen
Basisabflusses RG1 wird bei DIFGA wesentlich höher modelliert. Er beträgt im Mittel für die
hydrologischen Sommerperioden das 1,4-fache, für die hydrologischen Winterperioden das 2,6fache und für das meteorologische Jahr das 2,2-fache des Wertes von J2000/JAMS. Entsprechend höher sind die von J2000/JAMS modellierten Anteile für die schnellen Abflusskomponenten Oberflächenabfluss und Interflow.
137
Abbildung 5.9: Relative Anteile der Abflusskomponenten RD, RG1 und RG2 am langjährigen mittleren
Gesamtabfluss nach J2000/JAMS und DIFGA
Es besteht Grund zu der Annahme, dass ein großer Teil des Interflows bei DIFGA dem schnellen Basisabfluss zugeordnet wird. Wenn ca. 50 Prozent des von J2000/JAMS berechneten Zwischenabflusses dem schnellen Basisabfluss zugeordnet werden, würde dieser bei beiden Modellen in der Größenordnung bereits zur Übereinstimmung führen.
Da der Fokus auf ein Hochwasservorhersagesystem und damit auf der bestmöglichen Modellierung des Gesamtabflusses liegt, wurde das Modell J2000/JAMS auch mit dieser Größe als
Hauptkriterium kalibriert. Somit können dieser Vergleich und die Übereinstimmung mit den
von DIFGA separierten Abflussanteilen durchaus als ausreichend eingeschätzt werden.
Wenn der Schwerpunkt der Modellierung anders ausgerichtet ist und z.B. auf Fragestellungen
des Stofftransportes fokussiert, sollte der modellierten Nachbildung der einzelnen Abflusskomponenten bereits in der Kalibrierungsphase eine höhere Bedeutung zukommen. Auch muss dann
die Vergleichbarkeit der beiden konzeptionell grundverschiedenen Ansätze zur Separierung und
Quantifizierung der Abflusskomponenten von J2000/JAMS und DIFGA neu bewertet und weiterführend analysiert werden.
5.1.4
Die Hochwasserereignisse vom Frühjahr 2006
Im Zuge der besonderen Überprüfung der Qualität der modellhaften Nachbildung von Hochwasserabflüssen werden im Folgenden zwei signifikante Hochwässer an der Oberen Ilm detailliert untersucht, die auf Grund ihrer Genese einen repräsentativen Charakter für Hochwasser in
dem betrachteten Einzugsgebiet besitzen.
Im Frühjahr 2006 kam es an der Oberen Ilm innerhalb von nur vier Wochen zu zwei ursächlich
verschiedenen Hochwasserereignissen. Während das Hochwasser vom 31. März auf die Kombination von Schneeschmelze und starken Niederschlag zurückzuführen ist, handelte es sich bei
dem Hochwasser vom 27. April um die Folge eines Starkniederschlagsereignisses.
Das Hochwasserereignis vom 31. März 2006
In den Wintermonaten von Januar bis März 2006 waren im Bereich der Kammlagen des Thüringer Waldes rekordverdächtige Schneemengen gefallen, die zu Schneedecken mit einer Mächtigkeit von teilweise mehr als 180 cm geführt hatten. Das dann am 24. März einsetzende Tau-
138
wetter wurde zudem von relativ starken Niederschlägen in Form von Regen begleitet (vgl.
Tabelle 5.6).
Tabelle 5.6: Hochwasserereignis vom 31. März 2006: Gemessener Niederschlag [mm] an ausgewählten Stationen im Zeitraum vom 24.03.- 04.04. 2006
Schmücke
Großbreitenbach
Gehren
Frauenwald
Gehlberg
24.03.2006
1
1
0
1
4
25.03.2006
28
9
4
18
22
26.03.2006
11
9
2
11
11
27.03.2006
3
1
0
1
3
28.03.2006
5
1
0
3
3
29.03.2006
3
4
6
2
4
30.03.2006
36
24
20
38
39
31.03.2006
14
24
16
21
14
01.04.2006
7
2
3
3
5
02.04.2006
9
11
10
16
9
03.04.2006
5
1
1
2
3
04.04.2006
1
1
1
1
2
Durch die Kombination von einsetzender Schneeschmelze und Niederschlag stieg die Ilm am
Pegel Gräfinau-Angstedt zwischen dem 25.03. 12.00 Uhr bis 28.03. 18.00 Uhr innerhalb von 78
Stunden von 35 cm auf 112 cm mit einer Durchflusszunahme von 21,3 m³/s gleichmäßig steil an
und überschritt am 28.03. 6.00 Uhr den Meldebeginn von 110 cm. Nach einem Nachlassen der
Niederschläge und leichten Rückgang des Pegels kam es im Verlauf des 30. und 31. März erneut zu starken Niederschlägen von stellenweise knapp 40 mm am Tag. Das folgende Satellitenbild zeigt die meteorologische Situation über Mitteleuropa am 30. März 2006 mit dem wolkenreichen Tiefdruckgebiet, das zu diesen hohen Niederschlagsmengen führte.
Bild 5.1: MeteoSat-Satellitenbild vom 30. März 2006 (Quelle: www.wetter-online.de)
139
Dieser hohe Niederschlagseintrag in das Einzugsgebiet und der zusätzliche Beitrag der noch
immer abtauenden Schneedecke hatten ein erneutes starkes Ansteigen des Wasserstandes zur
Folge. In nur 19 Stunden, vom 30.03. 22.00 Uhr bis zum 31.03. 17.00 Uhr, nahm der Durchfluss
am Pegel Gräfinau-Angstedt um 25 m³/s zu. Der Wasserstand stieg von 99 cm auf den Scheitelwert von 150, den Grenzwert der Alarmstufe 2. Durch das Aussetzen der Niederschläge in
den Folgetagen entspannte sich die Situation und der Wasserstand ging gleichmäßig zurück.
Bild 5.2: Hochwasser kurz unterhalb des Pegels Gräfinau-Angstedt am 01.04.2006 um 07.56 Uhr
Die Fotos 1.3 und 1.4 im Anhang A vermitteln weitere Eindrücke von diesem Hochwasserereignis.
Das Hochwasserereignis vom 27. April 2006
Nur vier Wochen später kam es im Bereich der Oberen Ilm erneut zu einer Hochwassersituation. In den späten Nachmittagsstunden des 26. April begannen lang anhaltende starke Niederschläge, in deren Verlauf bis zum Morgen des 28. April innerhalb von 36 Stunden an den Stationen Schmücke und Gehren Niederschlagsmengen von 71 bzw. 145 mm gemessen wurden (s.
Tabelle 5.7).
Tabelle 5.7: Hochwasserereignis vom 27. April 2006: Gemessener Niederschlag [mm] an ausgewählten Stationen in den Tagen vom 26.04.- 27.04. 2006
Schmücke
Grossbreitenbach
Gehren
Frauenwald
Gehlberg
26.04.2006
26
22
99
16
29
27.04.2006
45
14
46
12
44
Da die oberen Bodenschichten durch die vorausgegangene Schneeschmelze immer noch mit
Wasser gesättigt waren, wurde der Großteil des Niederschlages als Oberflächenabfluss abfluss-
140
wirksam. Die darauf erfolgende schnelle Systemantwort ist ein typisches Beispiel für das Verhalten des FEG’s der Oberen Ilm bei lokalen Starkniederschlagsereignissen dieser Größenordnung mit den entsprechenden Randbedingungen. Innerhalb von nur 20 Stunden, vom 26.04.
16.00 Uhr bis zum 27.04. 12.00 Uhr, stieg der Wasserstand am Pegel Gräfinau-Angstedt von 48
cm um 111 cm auf 159 cm bei einer Zunahme des Abflusses um 44,8 m³/s (2,24 m³/s pro Stunde). Allein in den letzten 7 Stunden vor Erreichen des Hochwasserscheitels stieg die Ilm um 61
cm bei einer Abflusszunahme von 31,3 m³/s (4,47 m³/s pro Stunde). Diesem steilen Anstieg
folgte ein ebenso steiler Abfall des Abflusses innerhalb der folgenden 12 Stunden um 26 m³/s
(2,16 m³/s pro Stunde) auf einen Wasserstand im Bereich des Wertes für den Meldebeginn von
110 cm.
In der Abbildung 5.10 sind die nach DIFGA (s. Kap. 5.1.2) separierten Abflusskomponenten für
beide Ereignisse dargestellt. Gut erkennbar sind die für die Ausbildung der Hochwasserscheitel
verantwortlichen Anteile des schnellen Direktabflusses RD. Während bei dem Schneeschmelzereignis ein markanter Beitrag des schnellen Basisabflusses zu sehen ist, besteht der Hochwasserabfluss bei dem Starkniederschlagsereignis fast nur aus Anteilen des Oberflächenabflusses
und des Interflows.
Abbildung 5.10: Nach DIFGA separierte Abflusskomponenten der beiden Hochwasserereignisse
Die folgende Abbildung 5.11 stellt den zeitlichen Verlauf beider Ereignisse graphisch dar. Das
obere Diagramm zeigt die Tageswerte des gemessenen Gebietsniederschlags. Diese wurden
vom Modellsystem J2000/JAMS auf Basis der Messwerte der eingehenden Niederschlagsstationen über eine Höhenkorrektur für das Einzugsgebiet regionalisiert. Das mittlere Diagramm zeigt
die am Pegel gemessenen Ganglinien für den Wasserstand für die Tageswerte (dunkelblaue
Linie) und für die Stundenwerte (hellblaue Fläche). Weiterhin sind die für den Pegel festgelegten Grenzwerte der Meldestufen dargestellt. Das untere Diagramm bildet die Tagesmitteltemperaturen (Tmean) ebenfalls als vom Modellsystem auf Basis der Messwerte der eingegangenen
Klimastationen berechnete Gebietsmittelwerte ab.
Die Darstellung der beiden Hydrographen verdeutlicht aber auch das Problem der zeitlichen
Auflösung der Messwerte. So werden bei der Aggregation der ursprünglich in viertelstündlicher
Auflösung vorliegenden Messwerte zu Tagesmittelwerten, insbesondere bei Ereignissen mit
sehr starkem Anstieg und Abfall des Hochwasserscheitels, die Hochwasserspitzen gekappt. Bei
141
dem Schneeschmelz-Hochwasser ist der Unterschied noch verhältnismäßig gering. Einem Tagesmittelwert am 31.03.2006 für den Wasserstand von 144 cm (Q=39,8 m³/s) steht ein Stundenmittelwert für den Hochwasserscheitel am 31.03.2006 um 18.00 Uhr von 150 cm (Q=43,4
m³/s) gegenüber.
Abbildung 5.11: Die Hochwasserereignisse vom Frühjahr 2006: regionalisierter Gebietsniederschlag,
W-Ganglinie auf Basis von Tages- und Stundenwerten und die Tagesmitteltemperaturen als
Gebietsmittel
Bei dem durch den Starkniederschlag hervorgerufenen Ereignis, mit dem immens steilen Anstieg des Pegels innerhalb weniger Stunden, stehen dem Tagesmittelwert am 27.04.2006 für den
Wasserstand von 125 cm (Q=29,7 m³/s) ein Stundenmittelwert am 27.04.2006 um 12.00 Uhr
von 159 cm (Q=49,1 m³/s) gegenüber. Dies entspricht einer Differenz zwischen dem Tagesmittelwert und dem maximalen Stundenmittelwert des Abflusses von ca. 20 m³/s. Dies zeigt, dass
bei Ereignissen mit sehr kurzen, hohen Hochwasserscheitel das Tagesmittel von Stundenmitteln
deutlich übertroffen werden kann. Die Schlussfolgerung für eine operative Hochwasservorhersage ist daher, dass die Prognose von Tagesmittelwerten unzureichend sein kann und deswegen
mit einer Vorhersage in stündlicher Auflösung kombiniert werden sollte.
Für die nächsten beiden Abbildungen wurden die simulierten Wasserstände über die für diesen
Zeitraum gültige W-Q-Beziehung aus den modellierten Abflüssen berechnet. Die Modellierung
beider Hochwasserereignisse auf Basis von Tageswerten zeigt (s. Abbildung 5.12), dass im
Gegensatz zu den im Kapitel 5.1.1 bereits aufgeführten, auf Schneeschmelze beruhenden
142
Hochwasserereignissen (s. Abbildung 5.3), der Wert und der Zeitpunkt des Scheitels des auf
Schneeschmelze und Niederschlag beruhenden Hochwassers sehr gut getroffen wird. Der erste
kleine Peak dagegen wird in seiner Dynamik und Höhe nur unzureichend abgebildet. Der abfallende Zweig des Hochwasserscheitels wird etwas verzögert modelliert. Der ansteigende und
abfallende Zweig des zweiten Hochwassers, hervorgerufen durch den Starkniederschlagseintrag, wird sehr gut getroffen. Der Zeitpunkt des Scheitelwertes wird dabei vom Modell korrekt
abgebildet, der Peak aber etwas unterschätzt.
Abbildung 5.12: Modellierung der beiden Hochwasserereignisse mit J2000/JAMS im Tagesmodus
Die folgende Abbildung 5.13 zeigt die Simulationsergebnisse auf Basis von Stundenwerten. Im
Stundenmodus wird der Hochwasserscheitel des ersten Ereignisses nur leicht unterschätzt. Das
erste Ansteigen wird vom Modell deutlich übermodelliert, die Dynamik aber richtig abgebildet.
Der Zeitpunkt des Hochwasserscheitels wird gut getroffen. Sein Abfall wird vom Modell nach
anfänglich identischem Verlauf als zu schnell simuliert. Insgesamt stimmt die Dynamik der
Ganglinie gut überein. Der Hochwasserscheitel des zweiten Ereignisses wird vom Modellsystem im Stundenmodus deutlich unterschätzt. Hier muss untersucht werden, warum sich der
Scheitelwert der simulierten Ganglinie soweit unter dem real gemessenen Wert ausprägt. Zeitlich gesehen stimmen die Peaks sehr gut überein, so dass die simulierte Dynamik auch hier durchaus als ausreichend gewertet werden kann.
5.2 Hochwasservorhersage mit klimatologischen Prognosedaten
143
Abbildung 5.13: Modellierung der beiden Hochwasserereignisse mit J2000/JAMS im Stundenmodus
Die folgende Tabelle 5.8 zeigt die für die beiden singulären Hochwasserereignisse ermittelten
Modelleffizienzen. Die entsprechenden Zeitabschnitte sind dazu getrennt bewertet wurden. Die
relativ gute Abbildung der gemessenen durch die simulierte Ganglinie im Tagesmodus wird
besonders bei dem ersten Ereignis bestätigt. Die Probleme mit dem Hochwasser durch Starkniederschlag im Stundenmodus werden auch an den Effizienzen ersichtlich. Hier erhöht sich vor
allem das Niederschlagsdefizit, was zu einem sehr hohen relativen Volumenfehler führt und die
anderen Gütemaße maßgeblich beeinträchtigt.
Tabelle 5.8: Modelleffizienzen der beiden Hochwasserereignisse im Tages- und Stundenmodus
Tagesmodus
Hochwasser 1
Stundenmodus
Hochwasser 2
Hochwasser 1
Hochwasser 2
E2
0,70
0,59
0,90
-1,31
logE2
0,82
0,49
0,94
-2,11
r²
0,84
0,75
0,90
0,09
Dsgrad
1,10
1,03
1,00
2,18
VErel
3,18
2,34
-1,43
-42,06
5.2
Hochwasservorhersage mit klimatologischen Prognosedaten
Um die Güte der Vorhersagewerte des DWD zu überprüfen, wurden mit J2000/JAMS diese
beiden Ereignisse (s. Kap. 5.1.4) mit den COSMO-EU-Vorhersagedaten für die jeweiligen Zeiträume simuliert. Dazu lief das Modell im Tages- und Stundenmodus ab dem 24.03.2006 bis
11.04.2006 bzw. ab dem 24.04.2006 bis zum 05.05.2006. Wie im Kapitel 3.4.2 beschrieben,
müssen die Niederschlagsvorhersagedaten wegen ihrer unzureichenden statistischen Güte und
quantitativen Bilanz mit einem geeigneten Korrekturverfahren verbessert werden. Dies soll im
Anschluss vor den Modellergebnissen vorgestellt werden.
144
5.2.1
Korrektur der Niederschlags-Prognosedaten
5.2.1.1
Das Gleitkorrekturverfahren
Im Vordergrund stand die Entwicklung eines geeigneten Korrekturverfahrens, das die klimatologischen jährlichen Schwankungen genauso berücksichtigt wie die sich aus der räumlichen
Lage ergebenden Besonderheiten jeder einzelnen Station. Das Verfahren sollte zudem unabhängig von aktuellen Wetterlagen oder Strömungssituationen arbeiten.
In einem ersten Schritt wurden für die gebildeten Differenzen zwischen den LM-Tagessummen
und den korrigierten und regionalisierten Messwerten empirische Verteilungsfunktionen ermittelt, der Erwartungswert und das 2. Moment bestimmt. Anschließend wurde versucht, die Verteilungsfunktionen analytisch zu beschreiben und die berechneten statistischen Gütedaten auf
regionale Besonderheiten hinsichtlich ihrer geographischen Lage und Höhe sowie auf jahreszeitliche Unterschiede bewertet (Pfannschmidt und Döhler 2005 [148]). Es zeigte sich, dass
dieses Korrekturverfahren nicht besonders effizient arbeitet und die Korrekturen unter den erwarteten Ergebnissen blieben.
In einem nächsten Schritt wurde der verfügbare Gesamtzeitraum in einen Kalibrierungszeitraum
und einen Validierungszeitraum aufgeteilt. Für den Kalibrierungszeitraum wurden die Differenzen aus gemessenen Niederschlag und LM-Prognosewerten als Funktion der LM-Prognosen
abgetragen und Regressionspolynome verschiedener Grade für diese Datenmenge berechnet.
Dabei konnten teilweise für den Kalibrierungszeitraum gute Korrekturergebnisse erzielt werden,
die aber im Validierungszeitraum keine Bestätigung fanden. Die Ursache dafür liegt darin, dass
wechselnde klimatologische Bedingungen wie z.B. niederschlagsreiche und niederschlagsarme
Perioden zu wenig Beachtung finden. Dieser Umstand könnte nur durch uneffizientes häufiges
manuelles Nachkalibrieren der Korrekturfunktion verbessert werden.
Während z.B. (Gemmar et al. 2004 [66]) mit Hilfe eines auf Fuzzylogik beruhenden Korrekturverfahrens die Niederschlagsvorhersagen verbessern, führten die Überlegungen im Rahmen
dieser Arbeit zur Entwicklung eines gleitenden Korrekturverfahrens auf der Basis von multipler
linearer Regression. Dabei wird ein Fenster über den zur korrigierenden Datenbestand geschoben, dessen Datenmenge die Grundlage zur Bestimmung einer Korrekturfunktion bildet. Mit
dieser werden dann die sich dem Korrekturfenster anschließenden Prognosewerte korrigiert.
Über die optimale Breite des Korrekturfensters gibt es in der Literatur keine Angaben, so dass
von folgenden Überlegungen ausgegangen wurde. Das Korrektur- oder Beobachtungsfenster
muss über eine hinreichende Anzahl von Stützpunkten verfügen, um Korrekturpolynome mit
ausreichender Stabilität bestimmen zu können. Gleichzeitig sollte das Beobachtungsfenster repräsentativen Charakter für die Witterung des Zeitraums haben. Der Zeitrahmen sollte nicht zu
groß gewählt werden, da insbesondere in den Übergangszeiträumen der hydrologischen Perioden gegenüber dem gebildeten Mittel bereits völlig andere Strahlungsbedingungen vorliegen
können, was gegen eine sinnvolle Korrektur sprechen würde. Ein weiteres Argument gegen ein
zu großes Korrekturfenster ist das zu träge Wirksamwerden von Änderungen der Rahmenbedingungen wie klimatologischen Schwankungen (z.B. Dürreperioden oder Regenzeiten) oder aber
auch Modellverbesserungen seitens des DWD. Im Ergebnis dieser Überlegungen wurde eine
Lösung gefunden, die durch eine anschließende umfangreiche Datenanalyse gestützt werden
konnte. So wurde für das Korrekturfenster eine Breite von zwei Monaten bzw. sechzig Tagen
festgelegt. Dies erwies sich sowohl für den Tages- als auch den Stundenmodus als ein ausreichender Stabilitätszeitraum, der die nötige Flexibilität besitzt, um auf die angesprochenen Änderungen zu reagieren. Mit diesem Gleitkorrekturverfahren wird für jeden Tageswert eine eigene
145
Korrekturfunktion mit eigenen Parametern bestimmt. Auch bei den Stundenwerten wird für
jeden Tag eine Korrekturfunktion mit eigenem Parametersatz berechnet, so dass dann immer
vierundzwanzig Stundenwerte mit dem gleichen Parametersatz korrigiert werden.
Auf dieses Weise wird ein vorzeichenbehafteter Korrekturwert k berechnet, der als Offset der
ursprünglichen LM-Vorhersage LM aufaddiert wird und den korrigierten LM-Wert LMkorr bildet.
LM korr = LM + k
(5.25)
Ausgangspunkt bildet die Menge der Differenzen aus dem korrigierten gemessenen Niederschlag RRkorr und den LM-Vorhersagewerten LM als Funktion der LM-Vorhersagewerte für das
Zeitfenster von 60 Tagen.
f ( LM ) = RRkorr − LM
(5.26)
Zur Illustration der Vorgehensweise wurde exemplarisch die Station Schmücke ausgewählt, die
wegen ihrer exponierten Lage auf den Kammlagen des Thüringer Waldes und direkt an der
Grenze des Einzugsgebietes Gräfinau-Angstedt klimatologisch und für die Modellierung eine
besondere Rolle einnimmt.
Am 18.12.2004 waren an der Station Schmücke 35 mm Niederschlag gemessen wurden. Demgegenüber standen 9 mm prognostizierter Niederschlag durch das Lokalmodell des DWD. Die
folgende Abbildung 5.14 zeigt die Werte des gebildeten 60-Tagesfensters, die die Korrekturbasis für den Tages- und Stundenmodus bildet.
Abbildung 5.14: Punktmenge des Korrekturfensters im Tages- (li.) und Stundenmodus an der DWDStation Schmücke am Beispiel des 18.12.2004
5.2.1.2
Informationsgehalt der Korrekturfunktionen
Für diese Datenmenge galt es, Regressionspolynome zu ermitteln, mit denen die besten Korrekturergebnisse erzielt werden können. Dazu war es nötig, den optimalen Grad des Regressionspolynoms zu ermitteln. Dazu wurde auf den Informationsgehalt von Regressionspolynomen IPol
bezüglich der Parametersicherheit von Ausgleichsfunktionen nach (Döhler 2006 [39]) zurückgegriffen. Die Einheit des Informationswertes ist bit.
146
Der Informationswert IPol des jeweiligen Polynoms lässt sich wie folgt bestimmen:
z
I Pol = ∑ ld
i =0
Pi
∆Pi
(5.27)
Pi - Parameter des Regressionspolynoms, ∆Pi - Parameterfehler, z - Anzahl der Parameter
Um den optimalen Regressionsgrad bestimmen, wurden der Satz vom Maximum der ParameterInformation angewandt (Döhler 2006 [39]), der besagt, dass innerhalb eines geeigneten Funktionssystems die Parameter-Information ein Maximum an der Stelle des optimalen Grades des
Ausgleiches hat. In Anwendung dieses Satzes ergab sich, dass Polynome 2. Grades die optimale
Lösung darstellen. Da die Wertepaare der Differenz RR-LM bei den Tages- und Stundenwerten
sehr stark streuen, muss auf eine maximale Stabilität des Verfahrens geachtet werden. Zur analytischen Darstellung einer Korrekturfunktion wird sinnvoller Weise die multiple lineare Regression benutzt. Nachteilig wirkt sich hier die Tendenz zum Überschwingen bei Sprüngen und
Kanten aus. Aus diesem Grunde wurde eine lineare Vorverdichtung der Daten vorgenommen,
indem die Punktmenge in Klassen eines Histogramms aufgeteilt und die Klassenschwerpunkte
durch lineare Mittelung gebildet wurden. Diese Schwerpunkte wurden anschließend quadratisch
ausgeglichen. Dem vorausgegangen ist ein empirisches Optimierungsverfahren zur Bestimmung
der optimalen Klassenbreite und der optimalen Anzahl der zu eliminierenden Ausreißer. Im
Ergebnis wurde bei Tageswerten eine Klassenbreite von 2,0 mm und 3% Ausreißern, bei Stundenwerten von 0,2 mm und 4,0% Ausreißern bestimmt.
Die Anzahl der belegten Klassen m richtet sich nach den innerhalb des 60-Tage-Fensters vorkommenden Werten und variiert. Es werden die x- und y-Koordinaten der Klassenschwerpunkte
Sm jeder belegten Klasse und die Anzahl ihrer Repräsentanten jm ermittelt:
jm
⎛ jm
⎞
⎜ ∑LMi ∑(RRi − LMi ) ⎟
⎟
Sm ( xm , ym ) = ⎜ i=1
, i=1
⎜ j
⎟
jm
⎜ m
⎟
⎝
⎠
(5.28)
Im Anschluss werden die Schwerpunkte Sm jeder belegten Klasse mit der entsprechenden Anzahl der Klassenrepräsentanten jm gewichtet und zu der Menge der Schwerpunkte M akkumuliert:
M = S1 ⋅ j1 + ... + Sm ⋅ jm
(5.29)
147
Abbildung 5.15: Berechnete Klassenschwerpunkte des Korrekturfensters im Tages- (li.) und Stundenmodus an der DWD-Station Schmücke am 18.12.2004
Dadurch werden Ereignisse mit häufigerem Auftreten gut abgestützt. Ereignisse mit geringer
Häufigkeit sind entsprechend weniger repräsentiert. Damit kann sichergestellt werden, dass die
extremeren Ereignisse wegen ihres singulären Charakters auf das zu bestimmende Korrekturpolynom einen geringeren Einfluss haben als die Schwerpunkte, die Klassen mit sehr hoher Anzahl an Repräsentanten vertreten.
Für die jetzt vorliegende Punktmenge M der klassifizierten Schwerpunkte wird analytisch ein
Regressionspolynom 2. Grades zur Berechnung des Korrekturwertes k ermittelt.
k = f ( x) = a + bx + cx 2
(5.30)
Die Parameterbestimmung erfolgt dabei über die im Anhang D stehenden Gleichungen F 1.1 bis
F 1.3, wobei n für die Anzahl der Schwerpunkte, x für die x-Koordinaten und y für die yKoordinaten der Schwerpunkte steht.
Der x-Koordinate des Schwerpunktes Sm der letzten belegten Klasse bildet den Korrekturgrenzwert b. Dem prognostizierten Wert LM wird nun der Offset k aufaddiert, wobei gilt:
LM ≤ b : k = f ( x ) = a + bx + cx 2
(5.31)
LM > b : k = 0
(5.32)
Die folgende Abbildung zeigt die Regressionspolynome 2. Grades für den Beispieltag vom
18.12.2004 für die Tageswerte und für die Stundenwerte.
Abbildung 5.16: Regressionspolynom des Korrekturfensters im Tages- (li.) und Stundenmodus an der
DWD-Station Schmücke am 18.12.2004
148
Das Konzept der Korrektur über die gewichteten Klassenschwerpunkte verleiht den Regressionspolynomen eine wesentlich höhere Parametersicherheit. Die folgende Abbildung 5.17 stellt
die Regressionspolynome der gewichteten und der ungewichteten Varianten für Tages- und
Stundenwerte an dem ausgewählten Beispieltag gegenüber.
Abbildung 5.17: Regressionspolynome für den 18.12.2004 für beide Varianten bei Tages- und Stundenwerten
Dies wirkt sich konkret wie folgt auf die Ergebnisse der Korrektur aus (Tabelle 5.9).
Tabelle 5.9: Korrekturergebnis am 18.12.2004 an der Station Schmücke
MW korr neu
LM unkorrigiert
LM standard
LM histo
RR [mm] Tag
35,83
9,80
17,77
25,19
RR [mm] Stunde
35,83
9,80
12,98
14,38
An diesem Tag wurden 35,83 mm Niederschlag gemessen. Dem gegenüber stehen mit 9,8 mm
prognostizierten Niederschlag nur 27,3% des gemessenen Niederschlags. Mit der gewichteten
Histogramm-Variante lässt sich der prognostizierte Tageswert auf 70,3% des gemessenen Niederschlags korrigieren, mit der Standardvariante erreicht man nur 49,6%. Bei den Stundenwerten fällt die Korrektur deutlich niedriger aus. Aggregiert man die mit der Histogramm-Variante
korrigierten Stundenwerte zu einem Tageswert, erhält man eine Erhöhung des prognostizierten
Niederschlags auf 40,1%. Die Standardvariante bringt es hier auf 36,2%.
5.2.1.3
Vorteile des Korrekturverfahrens
Mit diesem Korrekturverfahren wird der deterministische Anteil bzw. der Erwartungswert bezüglich des gemessenen Niederschlages korrigiert. Dieser repräsentiert das langfristige Mittel
und gewährleistet so die nötige Modellsicherheit. Somit kann dieses Verfahren auch als eine
phänomenologische Korrektur bezeichnet werden, da über einen bestimmten Zeitraum die Differenz aus korrigiertem Niederschlagsmesswert und der DWD-Vorhersage bestimmt und im
Anschluss über die Vorhersage korrigiert wird.
Das Konzept einer gleitenden Korrektur weist zudem eine Reihe entscheidender Vorteile auf.
An erster Stelle ist die Variabilität zu nennen. So ist es nicht mehr nötig, über einen Kalibrierungszeitraum Korrekturfunktionen zu bestimmen, deren Eignung in einem Validierungszeitraum überprüft werden muss und dann ein ständiges Nachkalibrieren erfordern würde. Die
Gleitkorrektur reagiert automatisch auf sich eventuell ändernde Randbedingungen an den Messstationen und qualitative Veränderungen bzw. Weiterentwicklungen des Vorhersagemodells des
149
DWD. Auf veränderte Vorhersagehorizonte kann ebenfalls reagiert werden, indem die Prognosewerte neu hinzu gekommener Zeitabschnitte bzw. Sektionen in weiteren separaten Datenbanken gehalten werden.
Zudem entfällt die Bestimmung von jahreszeitlich differierenden Korrekturfunktionen. Das
beschriebene Korrekturverfahren zeigt sich flexibel bezüglich regionalen klimatologischen
Schwankungen, da diese automatisch Eingang in die Korrektur finden. Nicht zuletzt ist das Verfahren unabhängig vom Untersuchungsgebiet und damit übertragbar auf andere Einzugsgebiete
mit anderen Messstationen. Die Übertragbarkeit besteht auch auf weitere Klimagrößen. Voraussetzung dafür ist das Vorhandensein von zeitlich entsprechend aufgelösten Messwerten der jeweiligen Klimagröße, die als Referenzwerte zur Korrektur nötig sind.
5.2.1.4
Ergebnisse des Korrekturverfahrens
Einen Eindruck der Leistungsfähigkeit des angewandten Korrekturverfahrens vermittelt die Betrachtung der Niederschlagsbilanzen der korrigierten LM-Prognosewerte für den Zeitraum vom
01.11.1999 bis zum 31.05.2006 der Sektion 1 für die beiden hydrologischen Perioden bei Tages- und Stundenwerten.
Wie im Kapitel 3.4.2 beschrieben, werden die im Luv des Thüringer Waldes gelegenen Stationen z.T. massiv überschätzt werden (Heßberg) und die auf den Kammlagen gelegenen und sich
im Lee befindenden Stationen im starken Gegensatz dazu z.T. sehr deutlich unterschätzt.
Bei den Tageswerten konnten die Niederschlagsdefizite aller Stationen in beiden hydrologischen Perioden durch die Korrektur deutlich verringert werden, was insbesondere für die niederschlagsreichen Stationen mit großem Einfluss auf das Einzugsgebiet von besonderer Bedeutung ist. So verringerte sich das mittlere Niederschlagsdefizit der acht Stationen im hydrologischen Sommer von 27,9% auf 7,2% (s. Abbildung 5.19) Der mittlere quadratische Abstand mqA
aller acht Stationen blieb annährend konstant.
Abbildung 5.18: Legende für die Abbildung 5.19 und Abbildung 5.20
150
Abbildung 5.19: Vergleich von kumulierten unkorrigierten und korrigierten Tagesvorhersage- und Tagesmesswerten in den hydrologischen Sommerperioden (Zeitraum: 01.11.1999-31.05.2006)
Abbildung 5.20: Vergleich von kumulierten unkorrigierten und korrigierten Tagesvorhersage- und Tagesmesswerten in den hydrologischen Winterperioden (Zeitraum: 01.11.1999-31.05.2006)
In den hydrologischen Winterperioden konnte das mittlere Niederschlagsdefizit aller acht Stationen von 29,6% auf 1,1% gesenkt werden (s. Abbildung 5.20). Auch hier blieb der mittlere
quadratische Abstand der acht Stationen nahezu konstant. Das bedeutet, die Niederschlagsbilanz
kann mit dem gleitenden Korrekturverfahren deutlich verbessert, aber die Streuung der Abweichungen nur relativ geringfügig korrigiert werden (s. Abb. 5.21 und 5.22). Die Tabelle 1.12 im
Anhang C zeigt die ausführlichen Korrekturergebnisse für die Werte der Sektion 1.
Auch in den Sektionen 2-4 konnten die Niederschlagsdefizite in beiden hydrologischen Perioden deutlich vermindert werden. Der mittlere quadratische Abstand mqA wurde ebenfalls nur
geringfügig verbessert.
151
Auch bei den Stundenwerten wurde die Effizienz des Korrekturverfahrens zuerst bezüglich des
Gesamtzeitraums vom 01.11.1999 bis 31.05.2006 für die Sektion 1 analysiert. Da die Station
Heßberg die einzigste Station ist, die in der Prognose überschätzt wird, wird sie gesondert betrachtet (s. Tabelle 1.13 Anhang C).
Das mittlere Niederschlagsdefizit der vier Stationen Schmücke, Oberweißbach, Neuhaus und
Sonneberg im hydrologischen Sommer wird von 25,7% auf 4,3% korrigiert. Die Überschätzung
von 23,1% an der Station Heßberg wird durch das beschriebene Korrekturverfahren in den hydrologischen Sommerperioden nicht reduziert und bleibt mit 24,2% annährend konstant (s. Abb.
1.53 Anhang D). In den hydrologischen Winterperioden kann das mittlere Niederschlagsdefizit
der vier unterschätzten Stationen von 23,0% auf nur noch 0,2% gesenkt werden. An der Station
Heßberg wird die Überschätzung von 75,4% um 21,1% vermindert (s. Abb. 1.54 Anhang D).
Die mittleren quadratischen Abweichungen verbessern sich durch die Korrektur an allen Stationen wie bei den Tageswerten sowohl in den Sommer- wie Winterperioden nur geringfügig.
In den weiteren Sektionen konnten die Niederschlagsdefizite in beiden hydrologischen Perioden
ebenfalls deutlich vermindert werden. Der prognostische Niederschlagsüberschuss an der Station Heßberg kann in den Sommerperioden nur unwesentlich, in den Winterperioden deutlich
gesenkt werden. Die mittleren quadratischen Abstände bleiben in allen Fällen, wie bei den Tageswerten, nahezu konstant.
Das Gleitkorrekturverfahren ist in den operativen Betrieb eines Hochwasserinformationsdienstes zu integrieren (s. Abschnitt 5.3).
5.2.2
Modellierungsergebnisse mit klimatologischen Prognosedaten
5.2.2.1
Die Frühjahrshochwasser 2006
Um die Güte der Hochwasservorhersage zu überprüfen, wurden die beiden im Kapitel 5.1.4
beschriebenen Hochwasserereignisse vom Frühjahr 2006 herausgegriffen und im simulierten
operativen Betrieb als Hochwasservorhersagesystem auf Basis der Vorhersagedaten des COSMO-EU-Modells im Tages- und im Stundenmodus modelliert.
Als erstes soll die Modellierung mit Tageswerten betrachtet werden. Die folgende Abbildung
5.21 stellt beide Ereignisse getrennt in zwei Fenstern dar. Für die Darstellung wurden die Ganglinien des Wasserstandes gewählt, um den Bezug zu den Alarmstufen darstellen zu können.
Dazu wurden die gemessenen und modellierten Durchflüsse wieder über gültige W-QBeziehung umgerechnet. Die blaue Linie entspricht somit der Ganglinie für den am Pegel gemessenen Wasserstand. Die grüne Ganglinie entspricht dem auf Basis der unkorrigierten COSMO-EU-Prognose berechneten Wasserstand, die rote Ganglinie wurde auf den mit dem Gleitkorrekturverfahren korrigierten Vorhersagewerten erzeugt. Vervollständigt wird die Ensemblerechnung durch zwei weitere Modellläufe. Dabei wurde jedem korrigierten Prognosewert der
mittlere quadratische Abstand mqA aufaddiert bzw. abgezogen. Diese beiden Ganglinien bilden
aus statistischer Sicht den Unsicherheitsbereich der Vorhersage, der als blaue Fläche dargestellt
ist.
Die Niederschlagsdarstellung im oberen Teil der Grafik zeigt für jeden Tag die vom
J2000/JAMS regionalisierten Gebietsmittel des in die Modellierung eingegangenen, und mit den
Ganglinien korrespondierenden Niederschlag. Dazu sind die gemessenen Niederschläge (dunkelblau), die unkorrigierten (grün) und korrigierten Vorhersagen (orange) und die mit dem mittleren quadratischen Abstand mqA als Offset behafteten Niederschläge (hellblau) dargestellt.
152
Abbildung 5.21: Hochwasservorhersage für die beiden Hochwasserereignisse im Frühjahr 2006 im
Tagesmodus
Bei dem ersten Hochwasserereignis (Schneeschmelze und Starkniederschlag) bleibt die Vorhersage relativ deutlich unter den zwei Peaks. Die Korrektur führt dazu, dass die korrigierte Ganglinie in den ersten Tagen etwas deutlicher, danach nur geringfügig über dem unkorrigierten Verlauf bleibt. Der durch die Behaftung des korrigierten Niederschlags mit dem mittleren quadratischen Abstand mqA entstandene Unsicherheitsbereich beinhaltet fast vollständig die Ganglinie
der gemessenen Werte. Das Ereignis liegt somit im Vorhersagebereich und hätte mit ausreichender Sicherheit für den Zeitpunkt des realen Eintretens vorhergesagt werden können.
Bei dem rechts dargestellten Hochwasserereignis, das ausschließlich auf Extremniederschlag
zurückzuführen ist, wurde der hohe gemessene Niederschlag, wie bereits analysiert, nur ca. zur
Hälfte vorhergesagt. Auf Grund der Höhe des prognostizierten Wertes wird er von dem Korrekturverfahren als Ausreißer gewertet und bleibt somit unkorrigiert. Die Offset-Behaftung des
Prognosewertes mit dem mqA fällt bei diesen großen Werten nur unwesentlich ins Gewicht. In
Folge dessen wird auf Grund des signifikant niedrigeren Niederschlagseintrages selbst mit dem
Maximumwert des Unsicherheitsbereiches ein deutlich niedrigerer Scheitelwert prognostiziert.
Dieser wird durch die verzögerte Systemantwort folgerichtig auch noch, in diesem Fall ca. 48
Stunden, zu spät vorhergesagt.
An diesem Punkt erreicht man die Grenze des Machbaren. Bei extremen Starkniederschlagsereignissen ist eine zuverlässige quantitative und räumlich exakte Vorhersage des DWD unbedingte Voraussetzung. Mit Korrekturverfahren und einem hoch kalibrierten Modell allein ist ein
Defizit dieser Größenordnung in der Vorhersage der hier wichtigsten klimatologischen Eingangsgröße Niederschlag nicht auszugleichen.
Die gleiche Darstellung beider Ereignisse wurde auch für den Stundenmodus gewählt
(Abbildung 5.22). In der Darstellung des Niederschlags musste sich auf die Abbildung des ge-
153
messenen Niederschlags (dunkelblaue Balken) und auf die unkorrigierten Vorhersagen (grüne
Linie) beschränkt werden.
Abbildung 5.22: Hochwasservorhersage für die beiden Hochwasserereignisse im Frühjahr 2006 im
Stundenmodus
Das erste Hochwasserereignis wird auch hier durch das Modell relativ gut getroffen. Beide
Scheitelpunkte liegen in dem Unsicherheitsbereich der Vorhersage, was insbesondere für den
wichtigen zweiten Peak zutrifft. Auch wenn der reale Abfall der Ganglinie am 30.03.2006 nicht
in der Größenordnung abgebildet wird, wäre eine bevorstehende Gefahrensituation zum richtigen Zeitpunkt deutlich vorhersagbar gewesen.
Die Probleme mit dem gravierend unterschätzten Starkniederschlagsereignis bestehen erwartungsgemäß auch bei der Modellierung mit Stundenwerten. Der vorhergesagte Hochwasserscheitel liegt in der gleichen Größenordnung wie bei der Simulation mit Tageswerten und bleibt
demzufolge ebenfalls deutlich unter dem gemessenen Verlauf zurück. Der Unsicherheitsbereich
ist erkennbar breiter. Die obere Ganglinie der korrigierten Niederschlagsvorhersage plus dem
mittleren quadratischen Abstand mqA, überschreitet im Gegensatz zu den Tageswerten deutlich
die Alarmstufe 1, allerdings wieder um 48 Stunden versetzt zu dem realen Geschehen. Bei der
Betrachtung der Prognose am 25.04.2006 wird mit dem worste case ein durchaus starker Anstieg in kurzer Zeit prognostiziert. Unter Voraussetzung der Kenntnis dieser Modellergebnisse
und der Komplexität und Eigenschaften des Gesamtsystems „Vorhersage DWD und N/AModellierung J2000/JAMS“ wäre der Rückschluss auf ein sich anbahnendes Hochwasser zu
diesem Zeitpunkt durchaus realistisch gewesen. Allerdings muss von einem möglichen früheren
Eintritt des Hochwassers ausgegangen werden.
Insgesamt stellt auch im Stundenmodus das Niederschlags-Vorhersagedefizit der DWDPrognose bei Starkniederschlagsereignissen dieser Kategorie eine zuverlässige Hochwasservorhersage vor ein großes Problem. Da aber bei erhöhter Prognosesicherheit seitens des DWD auch
154
sofort die Vorhersagesicherheit der modellierten Ganglinie steigt, sollten die vom DWD angekündigten Neuerungen, insbesondere das Kürzestfrist-Vorhersagemodell COSMO-DE, mit
höchster Aufmerksamkeit verfolgt werden. In jedem Fall empfiehlt es sich, um die Unsicherheit
der Vorhersage zu minimieren, die beschriebene Ensemble-Modellierung in beiden zeitlichen
Auflösungen durchzuführen und erst aus der Kombination beider Ergebisse Rückschlüsse auf
sich anbahnende Hochwassersituationen zu ziehen.
In der Tabelle 5.10 sind für die beiden Hochwasserereignisse getrennt die Modelleffizienzen auf
Basis von unkorrigierten und korrigierten Prognosen berechnet wurden. Sehr gut zu erkennen
sind auch hier wieder die Probleme im Stundenmodus, vor allem bei dem zweiten Hochwasserereignis.
Tabelle 5.10: Modelleffizienzen der Hochwasserereignisse mit Prognosedaten
Tagesmodus
Hochwasser 1
Prognose
0,84
0,91
logE2
0,78
0,90
r²
0,87
0,91
Dsgrad
0,91
0,98
-13,16
-5,00
E2
0,72
0,72
logE2
0,59
0,63
r²
0,81
0,81
VErel
Hochwasser 2
Dsgrad
VErel
Stundenmodus
Hochwasser 1
1,02
-0,23
Prognose korrigiert
E2
0,27
0,29
logE2
0,66
0,68
r²
0,49
0,47
Dsgrad
0,70
0,73
-33,12
-30,58
E2
-0,41
-0,50
logE2
-1,30
-1,41
r²
0,06
0,05
Dsgrad
1,81
1,95
-53,54
-50,56
VErel
5.2.2.2
1,00
-2,51
Prognose
VErel
Hochwasser 2
Prognose korrigiert
E2
Nichteingetretene prognostizierte Starkniederschläge
An dieser Stelle soll noch auf ein weiteres mögliches Defizit der Hochwasservorhersage hingewiesen werden. Beispielhaft wurde ein Ereignis vom 03./04. Dezember 2005 gewählt. In dieser
Deutlichkeit sind solche Fälle als relativ selten einzuordnen. Die den Sachverhalt verdeutlichende Abbildung 5.23 zeigt die gemessene Ganglinie und die auf dem unkorrigierten und korrigierten Niederschlag modellierten Ganglinien. Im oberen Bereich sind die dazugehörigen Niederschlagssummen abgetragen. Im unteren Bereich sind die jeweiligen Tagesmitteltemperaturen
(Tmean) dargestellt.
Für den 03. und 04. Dezember 2005 wurde mit dem COSMO-EU-Modell vom DWD ein Starkniederschlagsereignis vorhergesagt. Dieses hatte für beide Tage nach der modellinternen Regionalisierung im J2000/JAMS einen Niederschlagseintrag für das FEG von 66,4 mm zur Folge.
155
Zeitgleich damit verbunden war ein Anstieg der Temperaturen leicht über dem Gefrierpunkt, so
dass im Modell ein Schneeschmelzereignis in Verbund mit starken Niederschlägen in Form von
Regen modelliert wurde. Tatsächlich befand sich zu dieser Zeit auch in den Kammlagen des
Thüringer Waldes eine leichte Schneedecke. In Wirklichkeit wurde dann aber mit 29,3 mm ein
deutlich schwächerer Niederschlagseintrag in das Gebiet gemessen (44,1% der vorhergesagten
Niederschlagsmenge). Das nur leichte Tauwetter und der tatsächlich gefallene Niederschlag
brachten mit einem gemessenen Wasserstand von 54 cm (Q=5,48 m³/s) keinen nennenswerten
Anstieg der Ilm in dem Zeitfenster um den 05./06. Dezember 2005. Das Modell hingegen berechnete auf Basis des überhöhten vorhergesagten Niederschlags für den gleichen Zeitraum
einen Wasserstand von 79 cm (Q=11,58 m³/s), der in diesem Fall durch die Korrekturfunktion
unwesentlich zu einem vorhergesagten Wasserstand von 76 cm (Q=10,81 m³/s) gesenkt wurde
(vgl. Abbildung 5.23). Der Grund ist, dass der hohe Vorhersagewert wieder als Ausreißer erkannt wird und damit unkorrigiert bleibt. Auf eine Darstellung des Unsicherheitsbereiches
durch die Behaftung des korrigierten Niederschlags mit den ermittelten mqA-Werten wird an
dieser Stelle verzichtet. Für den Fall des Aufaddierens des mqA auf die korrigierten Niederschläge (sog. „worste case“) würde die so erzeugte Ganglinie noch etwas weiter über der gemessenen Ganglinie liegen.
Abbildung 5.23: Vorhergesagtes Starkniederschlagsereignis vom 3./4. Dezember 2005
156
Auch in diesem Fall, wenn ein vom DWD vorhergesagtes Starkniederschlagsereignis in Größenordnung die Höhe des real eingetretenen Niederschlags so deutlich übertrifft, erreicht man
die Grenzen des Machbaren. Berücksichtigt man noch die diskutierte Problematik TagesmittelStundenmittel, so ist zudem im Stundenmodus mit einem noch höheren prognostizierten Scheitelpunkt zu rechnen. Auch wenn der Grenzwerte des Pegels Gräfinau-Angstedt (110 cm) in
diesem Fall noch bei Weitem nicht in den Bereich der Prognose fällt, steht dieses Ereignis doch
beispielhaft für den Fall, das vorhergesagte Starkniederschläge nicht bzw. in deutlich geringerem Maße eintreten.
Auf Grund der Regionalisierung im J2000/JAMS des vorhergesagten Niederschlags auf ein
Gebietsmittel, kann auch ein in der Höhe zwar richtig prognostischer Niederschlag, der aber
räumlich versetzt vorhergesagt wird, zu einem Defizit oder aber auch Überschuss führen. Auf
diese Problematik wird noch einmal ausführlicher in der Zusamenfassung im Kapitel 6.3 eingegangen.
5.3
Der Hochwasserinformationsdienst
Hinsichtlich der Entwicklungskonzeption eines Hochwasserinformationsdienstes (HID) mit den
Schwerpunkten Aktuelles Pegelmonitoring und Aktuelle Hochwasservorhersage wird von einem
integrativen Ansatz ausgegangen, dem folgende konzeptionelle und methodische Überlegungen
vorausgestellt werden.
Konzeptionell war die Eignung der signifikanten Informationen unter dem Aspekt der Prozessierbarkeit, der Konformität, der Datenkonsistenz und der Visualisierbarkeit zu untersuchen.
Bezüglich der Datenhaltung sind Unterschiede zwischen den operativen gemessenen, dynamischen Daten (aktuelle Messwerte Wasserstand und Durchfluss) gegenüber relativ statischen
Daten (z.B. Stammdaten der Pegel) herauszuarbeiten. Es müssen konsistente relationale Datenmodelle entwickelt werden. Die den Dienst ergänzende Map-Server-Komponente wurde als
integrativer Bestandteil des Gesamtsystems implementiert. Weiterhin zu integrieren sind die
Korrektur- und Regionalisierungsverfahren sowie das verwendete hydrologische Modellsystem.
Dabei sind die klimatologischen Eingangsdaten, Daten für die Regionalisierung und die modellierten Vorhersagen in die Datenmodelle aufzunehmen. Es ist unter dem Aspekt der Kosten und
verfügbaren personellen Ressourcen zu untersuchen, mit welchen Werkzeugen und Technologien die Daten optimal visualisiert werden können.
Im methodischen Herangehen sollte als Ausgangspunkt eine Zielgruppenanalyse sowie eine
Bewertung der differenzierten Erreichbarkeit der jeweiligen Zielgruppen unter dem Aspekt der
zur Verfügung stehenden Informationskanäle stehen. Folgende Zielgruppen, die mit dem
Hochwasserinformationsdienst erreicht werden sollen, lassen sich eingrenzen: Einsatzstäbe,
Feuerwehren und Katastrophenmanagement, die interessierte Öffentlichkeit sowie Fachleute in
den Behörden.
Ein erster verfügbarer Informationskanal ist das Telefon, das für automatisierte Ansagedienste
genutzt wird, um Informationen zu Pegelständen als generierte Sprachmeldungen weiterzugeben. Eng verwandt damit ist das Telefax. In einer Liste eingetragene Nutzer können diese
per automatisierten Faxabruf Informationen zu den aktuellen Situationen an den Pegeln erhalten
(z.B. Hochwassermeldungen). Ein weiterer, mittlerweile etablierter Informationskanal ist der
Videotext. So wird z.B. der Videotext des Mitteldeutschen Rundfunks (MDR) ebenfalls automatisiert mit den aktuellen Messwerten des Thüringer Pegelmessnetzes versorgt. Der für das An-
5.3 Der Hochwasserinformationsdienst
157
liegen des HID bedeutendste Informationskanal ist aber das Internet, das heute alle gesellschaftlichen Bereiche durchdrungen hat. Seine Versatilität und sein ubiquitärer Charakter ermöglichen
einen permanenten Zugriff auf Messwerte und Informationen und garantieren die ständige Erreichbarkeit des Nutzers.
Die Abbildung 5.24 zeigt schematisch den operativen Betrieb eines Hochwasserinformationsdienstes, der sich methodisch und konzeptionell in die fünf Komponenten Prognose, Messwerte,
Gleitkorrektur, Modellierung und Information untergliedern lässt, die im Anschluss genauer
erklärt werden.
Der Bereich Prognose umfasst den automatisierten Eingang der vom DWD mit dem COSMOEU-Modell berechneten klimatologischen Prognosedaten, ihre Decodierung, das Aufteilen in
Sektionen und den Datenbankimport in die sektionsweise separierten Datenbanken DB 1 bis DB
n. Dabei werden die Werte je Klimagröße pro Rasterzelle des COSMO-EU-Gitters gespeichert.
Die Aufteilung in 12-Stunden-Abschnitte bzw. Sektionen erfolgt, um die mit höherem Vorhersagehorizont unzuverlässiger werdende Prognose differenziert korrigieren zu können. Der derzeit aktuelle Prognosehorizont beträgt 78 Stunden. Das entwickelte Korrekturverfahren ist bezüglich der Anzahl der Sektionen und damit bezüglich des Vorhersagezeitraums flexibel. Im
Falle der 78-Stunden-Vorhersage wäre es sinnvoll, mit sechs Sektionen zu arbeiten, wobei die
letzte Sektion 18 Stunden umfassen würde. Die letzten 6 Stunden könnten auch in einer siebenten Sektion getrennt erfasst und behandelt werden. Die COSMO-EU-Prognosen erhält die
TLUG derzeit automatisch vom DWD dreimal am Tag. Der DWD rechnet die Prognose täglich
0.00 Uhr und 12.00 Uhr UTC sowie einen zusätzlichen Kontrolllauf um 6.00 Uhr UTC. Diese
Daten stehen nach dem Transfer mit geringem zeitlichem Verzug zur Verfügung. In der Datenbank befinden sich auch die Informationen darüber, welche Rasterzellen des Prognosegitters für
welche Station zur Regionalisierung der Prognosedaten benötigt werden. Auch die Entfernungen der Schwerpunkte der Rasterzellen zur jeweiligen Messstation, die für das IDW-Verfahren
benötigt werden, sind hier erfasst.
Der Abschnitt Messwerte steht für die automatisierte Erfassung von gemessenen Klimadaten in
Form von messstationsbezogenen Werten und den Import dieser in eine gesonderte Datenbank
„DB mess“. Diese Daten werden zum einen für das Korrekturverfahren sowie für die Modellierung benötigt. Zu Verfügung stehen sie in stündlicher und z.T minütlicher Auflösung über das
„Messnetz 2000“ des Freistaats Thüringen (s. Kap. 6.2).
158
Abbildung 5.24: Komponenten eines operativen Hochwasserinformationsdienstes
Im Bereich Gleitkorrektur werden sektionsweise, je Klimagröße und zeitlicher Auflösung (Tages- und Stundenwerte) die Prognosedaten zuerst auf die benötigten Stationen regionalisiert.
Anschließend werden alle aktuellen Parameter der Korrekturfunktionen und die aktuellen mittleren quadratischen Abstände (mqA) bestimmt und anschließend die COSMO-EU-Prognosedaten mit dem beschriebenen Korrekturverfahren korrigiert. Diesen korrigierten Prognosewerten werden zusätzlich noch positiv und negativ mit dem mqA behaftet. Zusammen mit einer
unkorrigierten Variante bilden sie ein Prognoseensemble, das automatisiert in die für die hydrologische Modellierung benötigten Datenformate gewandelt wird. Das flexible Verfahren ist auf
m Klimagrößen übertragbar und offen für Veränderungen der Anzahl der Niederschlags- bzw.
Klimastationen.
Im Abschnitt Modellierung erfolgen sowohl für die zeitliche Auflösung in Tagen als auch in
Stunden jeweils vier Modellrechnungen für die Vorhersage. Dabei werden die Entwicklungen
des Durchflusses für den Vorhersagehorizont basierend auf den unkorrigierten und korrigierten
Eingangsdaten sowie den korrigierten Eingangsdaten abzüglich und zuzüglich des mittleren
quadratischen Abstandes berechnet. Die Ergebnisse werden an einen Webserver übertragen.
5.4 Klimafolgen für das Gebiet der Oberen Ilm
159
Der Bereich Information symbolisiert die automatisierte Übernahme der Modellergebnisse in
eine Datenbank und die anschließende Aufbereitung und Überführung in geeignete Datenformate. Zur Information der verschiedenen Zielgruppen stehen verschiedene Informationskanäle zur
Verfügung. Primär zu betrachten ist das Internet und die Mobilfunknetze als Vermittlungsschicht, um stationäre und mobile Clients zu bedienen. Die Nutzerführung sollte natürlich einfach und intuitiv gestaltet und nach dem Prinzip des kürzesten Weges zur Informationsgewinnung erstellt werden.
In diesem Bereich implementiert ist ein personalisierter, flexibel parametrisierbarer, aktiver
Benachrichtigungsdienst. Dieser erlaubt es dem interessierten Nutzer, sich für frei definierbare
Grenzwerte oder die amtlich festgelegten Grenzwerte (Meldebeginn und Alarmstufen) einzutragen und sich aktiv und standortunabhängig, bei Unter- und Überschreitung dieser Grenzwerte,
vom System per email oder SMS benachrichtigen zu lassen. Auf Grund der komplexen Verflechtung von Internet- und Mobilfunktechnologien können die Nutzer im Falle sich anbahnender Gefahrensituationen somit jederzeit und standortunabhängig informiert werden.
Dieser Service der TLUG wird breits von sich in Bereitschaft befindlichen Angehörigen verschiedener Freiwilliger Feuerwehren z.B. im Bereich der Werra und der Weißen Elster genutzt.
Die von der TLUG im Internet im Rahmen des INVISUM-Projektes betriebene Website „Aktuelle Wasserstände und Durchflüsse“ umfasst bisher nur die Bereiche Messwerte und Information. Prognostische Klimadaten oder darauf basierende Hochwasservorhersagen sind bisher nicht
enthalten. Im Zuge der steigenden Bedeutung präventiver Maßnahmen zum Hochwasserschutz
sollte die Überlegung, einen HID mit dem beschriebenen Vorhersagesystem zu implementieren,
in die aktuellen Diskussionen Eingang finden. Für die sukzessive Implementierung der Funktionalität an den aus hydrologischer Sicht wichtigsten Pegeln im Freistaat Thüringen, könnte der
Pegel Gräfinau-Angstedt eine Pilotfunktion übernehmen.
5.4
Klimafolgen für das Gebiet der Oberen Ilm
Dass der Klimawandel auch in Deutschland bereits in vollem Gange ist, konnte durch aktuelle
Studien ((Jonas et al. 2005 [95]), (Schönwiese et al. 2005 [172])) auf Basis langjähriger Zeitreihen von 1901 bis 2000 nachgewiesen wurden. Kurzzeitige, extrem hohe Niederschläge, vor
allem im Herbst und im Winter, nehmen an Häufigkeit und Intensität zu, es kommt vermehrt zu
Hochwässern. Aber auch Hitzewellen und damit einhergehende längere Trockenperioden werden immer öfter registriert. Je nach betrachteter Klimagröße besitzt dieser Klimawandel sehr
unterschiedliche saisonale und regionale Strukturen, so dass weitere detaillierte regionale Studien auf der Grundlage von Beobachtungen erforderlich sind (Schönwiese et al. 2005 [172]).
Insgesamt bestehen für ganz Deutschland erhöhte Risiken für Hochwasser und Trockenperioden, wobei Südwestdeutschland bezüglich Extremniederschläge und Hochwasser am vulnerabelsten ist (Jonas et al. 2005 [95]).
5.4.1
Entwicklung der Wiederkehrintervalle von Starkniederschlagsereignissen
Unter dem Aspekt der Hochwasserprävention ist es natürlich auch für das Gebiet der Oberen
Ilm von besonderem Interesse, die Auswirkungen und Folgen des Klimawandels zu untersuchen. Dazu werden Auswirkungen der Klimaveränderungen nach dem REMO-A1B-Szenario
des Max-Planck-Instituts für Meteorologie in Hamburg auf die Wiederkehrintervalle von Stark-
160
niederschlagsereignissen analysiert. Aus den Ergebnissen lassen sich Aussagen über die Auswirkungen auf die Wiederkehrintervalle von Hochwässern treffen.
Als repräsentative Jährlichkeiten von Niederschlagsereignissen wurden die Wiederkehrintervalle von T=2, 5, 10, 20, 50 und 100 Jahren der Dauerstufe D=24 h herausgegriffen, da einerseits
die REMO-Projektionen auch in Tagesauflösung vorliegen und andererseits der Modellierung
und der Vorhersage von Tageswerten im Rahmen dieser Arbeit eine besondere Bedeutung zukommt.
Zur Bestimmung der Wiederkehrintervalle von 24-Stunden-Starkniederschlagsereignissen wurden die Niederschlagsmaxima aller vom FEG Gräfinau-Angstedt angerissener REMORasterzellen über die Szenarienzeiträume von 2001-2050 und von 2001-2100 bestimmt.
Bronstert (Bronstert et al. 2006 [28]) weist in der Studie „Vergleich und hydrologische Wertung
regionaler Klimaszenarien für Süddeutschland“ darauf hin, dass das räumlich hochauflösende
Regionalmodell REMO die Raumstruktur zwar recht gut abbildet, attestiert dem Modell aber
gleichzeitig eine schlechte Modellorographie. So tritt besonders nach den Untersuchungen insbesondere an Berghängen ein Versatz des Niederschlags von bis zu zwei Rasterzellen auf (LuvLee-Effekt), was bei der N/A-Modellierung große Probleme aufwirft.
Dieser Effekt konnte im Bereich der Kammlagen des Thüringer Waldes bestätigt werden. Auch
hier ist von einer unzureichenden Abbildung der Orographie im Modell als Ursache auszugehen. Um regionale Untersuchungen durchführen zu können, wurde als kurzfristige Lösung eine
kleinräumige Verschiebung der betroffenen Rasterzellen vom Luv-Bereich des Thüringer Waldes in Richtung der Kammlagen vom MPI empfohlen (Jacob 2006 [91]).
Die Abbildung 5.25 zeigt die Ganglinie der Niederschlagsmaxima für den Zeitraum von 2001
bis 2100 beispielhaft für das Rasterfeld 5557.
Die beiden gebildeten Zeitreihen jeder REMO-Rasterzelle konnten jetzt mit dem in Abschnitt
3.1.10 beschriebenen, extremwertstatistischen Standardverfahren ausgewertet werden. Dabei
wurden die am Besten angepassten Extrapolationsfunktionen über die Verteilungsfunktionen
und Schätzmethoden bestimmt.
161
Abbildung 5.25: Ganglinie der Jahresmaxima für Niederschlag
Abbildung 5.26: Die drei am besten approximierten Verteilungsfunktionen der Jahresmaxima an Niederschlag und die angewandten Schätzmethoden für die REMO-Rasterzelle 5557
162
So konnten für jede der signifikanten REMO-Rasterzellen jeweils die Wiederkehrintervalle T
für 24-Stunden-Starkniederschlagsereignisse berechnet werden. Die Abbildung 5.26 zeigt die
drei am besten approximierten Verteilungsfunktionen der Jahres-Niederschlagsmaxima und die
angewendeten Schätzmethoden beispielhaft für die REMO-Rasterzelle 5557.
Anschließend wurden die Wiederkehrintervalle T als Gebietswert für das gesamte FEG ermittelt, indem die flächengewichteten Anteile der angerissenen Rasterzellen für jedes Wiederkehrintervall aggregiert wurden. Im nächsten Schritt werden diese Ergebnisse den auf Basis des
KOSTRA-DWD-2000-Atlases ermittelten Wiederkehrintervallen gegenübergestellt.
Die Tabelle 5.11 zeigt die Entwicklung der Niederschlagshöhen der Starkniederschlagsereignisse der Wiederkehrintervalle T=2, 5, 10, 20, 50, 100 Jahre für die Dauerstufe D=24 h nach REMO-A1B-Szenario im Vergleich zu den aggregierten Werten des KOSTRA-DWD-2000Atlases. Die Tabelle 5.12 stellt die prozentualen Veränderungen dar. In Abbildung 5.27 sind die
Ergebnisse graphisch zusammengefasst.
Tabelle 5.11: Entwicklung der 24-h-Starkniederschlagsereignisse
2
5
10
20
50
100
KOSTRA DWD [mm]
48,4
59,4
67,8
76,2
87,2
95,5
REMO A1B 2001-2050 [mm]
50,5
62,7
70,8
78,6
88,8
96,5
REMO A1B 2001-2100 [mm]
52,2
65,6
74,3
82,6
93,2
101,0
Tabelle 5.12: Prozentuale Veränderung der 24-h-Starkniederschlagsereignisse
2
5
10
20
50
100
REMO A1B 2001-2050 [%]
4,3
5,5
4,4
3,2
1,9
1,0
REMO A1B 2001-2100 [%]
7,9
10,4
9,6
8,5
6,9
5,8
Abbildung 5.27: Entwicklung der Niederschlagshöhen der Starkniederschlagsereignisse
Bei allen Wiederkehrintervallen ist ein Ansteigen für den Zeitraum von 2001-2050 wie auch für
den Zeitraum von 2001-2100 zu erwarten. Die Niederschlagshöhen hN der Starkniederschlagsereignisse der Dauerstufe D=24 h im Zeitraum von 2001-2050 verzeichnen gegenüber dem
KOSTRA-Atlas des DWD über die betrachteten Wiederkehrintervalle einen Anstieg von 1,0 bis
163
5,5%. Betrachtet man den Gesamtzeitraum von 2001-2100, liegt die Spanne des relativen Anstiegs bei 5,8 bis 10,4%.
Im Anschluss wird untersucht, wie sich die Entwicklung der Niederschlagshöhen der Extremniederschlagsereignisse auf die Höhe und Wiederkehrintervalle der Extremabflüsse am Pegel
Gräfinau-Angstedt auswirkt.
5.4.2
Entwicklung der Wiederkehrintervalle von Extremabflüssen
5.4.2.1
Das SCS-Verfahren
Als erstes war ein geeignetes Verfahren zu evaluieren, mit dem analysiert werden konnte, ob
und wie sich dieser, auf Basis der REMO-Klimaprojektionen für das 21. Jahrhundert ermittelte
Trend der Entwicklung der Wiederkehrintervalle von Starkniederschlägen, auf die Entwicklung
der Wiederkehrintervalle von Hochwasserereignissen für das Einzugsgebiet Gräfinau-Angstedt
auswirkt.
Folgende Annahme liegt den weiteren Betrachtungen zu Grunde: einem extremen Abflussereignis kann das gleiche Wiederkehrintervall Tn zugeordnet werden, wie dem das Abflussereignis
auslösende Starkniederschlagsereignis. Demzufolge ist zu erwarten, dass mit Zunahme der
Starkniederschlagsereignisse auch eine Erhöhung der damit korrespondierenden Spitzenabflüssen am Pegel Gräfinau-Angstedt einhergeht. Zur Überprüfung wurde der einfache hydrologische Ansatz der SCS-Methode gewählt.
Das vom Deutschen Verband für Wasserwirtschaft und Kulturbau (DVWK) empfohlene und
weltweit verbreitete SCS-Verfahren ist in ((DVWK 1982 [44]) und (DVWK 1984 [45])) ausführlich beschrieben und zeichnet sich durch eine einfache und schnelle Anwendung unter Nutzung von GIS-Daten aus. Mit dem SCS-Verfahren können Aussagen hinsichtlich der Abflussbildung getroffen werden, ohne dass örtliche Abflussmessungen verfügbar sein müssen.
Das für kleine Einzugsgebiete geeignete Verfahren wurde in den USA auf Basis gemessener
Niederschlags-Abfluss-Ereignisse in einer großen Anzahl von kleinen Einzugsgebieten entwickelt. Es ist nicht physikalisch basiert und verfügt nur über eine geringe zeitliche Auflösung.
Das SCS-Verfahren ermöglicht die Bestimmung des Oberflächenabflusses bzw. der abflusswirksamen Niederschlagsanteile als Funktion der Niederschlagshöhe und der Gebietskenngröße
CN (curve number). Dabei ist CN ein Maß für den maximalen Gebietsrückhalt, der von der
Bodenart, der Bodennutzung, dem Vorregen und der Jahreszeit (Interzeption) abhängig ist. Der
Vorregen ist dabei die Niederschlagssumme der fünf dem Ereignis vorangegangen Tage und
somit ein Maß für die Anfangsbodenfeuchte. Das Verfahren unterscheidet vier Bodentypen
nach ihrem Versickerungsvermögen bzw. ihrer Abflussbereitschaft (DVWK 1984 [45]). Diese
umfassen Böden mit großen Versickerungsvermögen (Bodentyp A, z.B. tiefe Sand- und Kiesböden), Böden mit mittleren Versickerungsvermögen (Bodentyp B, z.B. mitteltiefe Sandböden,
Löß und lehmiger Sand), Böden mit geringem Versickerungsvermögen (Bodentyp C, z.B. flache Sandböden, lehmiger Sand)) und Böden mit sehr geringem Versickerungsvermögen (Bodentyp D, z.B. Tonböden). Die Bodentypklassifizierung für das FEG wurde in der TLUG
durchgeführt und ergab das Vorhandensein der Typen B, C und D. Die verwendete Landnutzungsklassifizierung BNTNUTZ11 (Quelle: TLUG) basiert auf der Biotoptypen- und Nutzungstypenkartierung Thüringen für den Maßstab 1:10.000 der Erfassungsjahre 1993/94 mit 11 Landnutzungsklassen. Sie unterscheidet in $18-Komplexe nach ThNSG, Gewässerflächen, Wald und
Gehölze, Grünland, Freizeit-, Erholungs- und Grünflächen, Staudenflur, Moor und Heide, Gar-
164
tenbau, Ackerland, Ver- u. Entsorgungsflächen, Wohnbebauung und Industrie-, Gewerbe-, Verkehrsflächen. Anschließend wurden die Bodentypen mit den Landnutzungsklassen verschnitten
und für die jeweiligen Kombinationen die CN-Werte wie auch ihr Anteil an der Gesamtfläche
des FEG bestimmt. Um die mit den entsprechenden Starkniederschlagsereignissen korrespondierenden Abflüsse im FEG Gräfinau-Angstedt zu berechnen, wurde das hydrologische Modell
JAMS-SCN (Kralisch und Krause 2007a [108]) verwendet. Dies ist eine Modellvariante von
J2000/JAMS, die in Kooperation zwischen der FSU Jena und der TLUG Jena speziell für dieses
Verfahren entwickelt wurde.
Mit den weiteren FEG-Parametern Pegelnullpunkt, der Höhe über NN des Quellpunkts, der
Gerinnelänge und dem Niederschlag in Form von Blockregen als Input für das verwendete N/AModell konnten die Abflusskurven der ausgewählten Dauerstufen mit ihren zugehörigen Extremniederschlägen bestimmt werden.
5.4.2.2
Sensitivitätsanalyse
Eingangs wurde eine Sensitivitätsanalyse des JAMS-SCN-Modells durchgeführt, bei der für die
Wiederkehrintervalle von T=2, 5, 10, 20, 50 und 100 Jahren auf Basis der KOSTRA-Niederschlagsdaten des DWD für die Dauerstufen von D=1, 6, 12, 18, 24, 48 und 72 h der jeweils
maximale Abfluss HQT bestimmt wurden. Bei allen untersuchten Wiederkehrintervallen war das
Maximum der HQT bei den Dauerstufen von D=48 h ausgeprägt. Die folgende Abbildung zeigt
stellvertretend für dieses Verhalten die Darstellung der modellierten Abflusskurven der verschiedenen Dauerstufen für die Abflussereignisse mit der Jährlichkeit von T=50 Jahren.
Abbildung 5.28: Darstellung der Abflusskurven mit einem Wiederkehrintervall von T=50 Jahren auf
Basis der KOSTRA-DWD-Niederschlagsdaten für die Dauerstufen von D=1, 6, 12, 18, 24, 48
und 72h
5.4.2.3
165
Modellvalidierung
Die nach dem SCS-Verfahren berechneten, KOSTRA-DWD-basierenden HQT -Werte für die
Dauerstufe D=48 h der ausgewählten Jährlichkeiten können mit den HQT –Werten, die basierend auf der langjährigen Pegelstatistik berechnet wurden, verglichen werden (Tabelle 5.13).
Tabelle 5.13: Jahres-Abfluss-Maxima HQT auf Basis der von 1923-2001 berechneten Maximalabflüsse
Qmax und basierend auf den KOSTRA-Maximalabflüssen nach Wiederkehrintervallen
2
5
10
20
50
100
HQT Pegelstatistik [m³/s]
17,5
28,9
38,3
48,7
64,3
77,7
HQT SCS (KOSTRA-DWD D=48 h) [m³/s]
16,8
25,9
33,4
41,3
52,2
61,0
Abweichung [%]
-3,9
-10,5
-12,8
-15,3
-18,8
-21,5
Dabei zeigt sich, dass mit steigenden Wiederkehrintervallen die Differenz zwischen den HQTWerten, die auf KOSTRA-DWD-Daten basieren, und den auf Basis der Pegelstatistik berechneten HQT -Werten größer wird. Die mit dem SCS-Verfahren berechneten Werte bleiben hinter
den KOSTRA-Werten zurück. Die mittlere Abweichung über alle Wiederkehrintervalle beträgt
13,8%.
Insgesamt erscheint der einfache Modellansatz geeignet, um eine Untersuchung der Entwicklung der Extremabflüsse unter den Randbedingungen einer aktuellen Klimaprojektion durchführen zu können.
Da die REMO-Daten in der zeitlichen Auflösung von Tageswerten vorliegen, wurde die Dauerstufe D=24h den Niederschlags-Abfluss-Berechnungen zu Grunde gelegt und die HQT-Werte
ermittelt (s. Tabelle 5.14).
Tabelle 5.14: Auf Basis von KOSTRA-Niederschlagsdaten für die Dauersufe von 24 h berechnete HQT für
die verschiedenen Wiederkehrintervalle
2
HQT SCS (KOSTRA-DWD D=24 h) [m³/s]
12,8
5
21,0
10
20
28,0
35,6
50
46,1
100
54,5
Die folgende Abbildung 5.29 zeigt die nach dem SCS-Verfahren auf Basis der KOSTRADWD-Daten (Dauerstufe D=24 h) berechneten Abflusskurven für die betrachteten Wiederkehrintervalle T= 2, 5, 10, 20, 50 und 100 Jahre.
166
Abbildung 5.29: Darstellung der Abflusskurven der Wiederkehrintervalle von T=2, 5, 10, 20, 50 und 100
Jahren auf Basis der KOSTRA- Niederschlagsdaten für die Dauerstufe D=24 h
5.4.2.4
Ergebnisse
Das JAMS-SCS-Modell arbeitet als Input mit einem für das gesamte FEG geltenden Gebietsniederschlag. Dieser wurden im Falle der REMO-Rasterzellen über deren flächengewichtete
Anteile am FEG aggregiert. Für die Dauerstufe D=24 h ergab sich:
Tabelle 5.15: HQT-Werte nach dem REMO-A1B-Szenario
2
5
10
20
50
100
HQT REMO 2001-2050 [m³]
14,3
23,7
30,6
37,8
47,7
55,6
HQT REMO 2001-2100 [m³]
15,5
26,1
33,8
41,6
52,2
60,4
Die Tabelle 5.16 zeigt die relativen Veränderungen gegenüber den HQT nach KOSTRA:
Tabelle 5.16: Veränderung der HQT –Werte [%] nach dem REMO-A1B-Szenario gegenüber KOSTRADWD
2
5
10
20
50
100
REMO 2001-2050 [%]
11,3
12,8
9,4
6,3
3,5
1,9
REMO 2001-2100 [%]
20,8
24,4
20,7
17,1
13,1
10,7
Im Ergebnis der Untersuchungen ist für den Pegel Gräfinau-Angstedt eine Spanne der Erhöhung
der HQT-Werte bei den untersuchten Wiederkehrintervallen T für die Dauerstufe D= 24 h von
1,9 bis 12,8% im Zeitraum von 2001-2050 und 10,7 bis 24,4% im Gesamtzeitraum des Klimaszenarios von 2001-2100 zu verzeichnen.
167
Werden die Extremereignisse HQT als Funktion der Wiederkehrintervalle für den Zeitraum von
2001-2050 (REMO 2050) und von 2001-2100 (REMO 2100) abgebildet, lassen sie sich analytisch sehr gut durch logarithmische Funktionen der Form
y = a ln ( x ) + b
(5.1)
beschreiben (Bestimmtheitsmaß R²=0,99) (vgl. Abbildung 5.30).
Abbildung 5.30: Darstellung der HQT in Abhängigkeit der Wiederkehrintervalle für KOSTRA-DWD
2000 und REMO 2050 und REMO 2100
Auf diese Weise können die Veränderungen der Wiederkehrintervalle gegenüber den heute nach
KOSTRA-DWD-2000 für das FEG gültigen HQT-Ereignissen abgeschätzt werden. Dazu sind in
der Tabelle 5.17 die Wiederkehrintervalle nach REMO für die beiden Zeitabschnitte den nach
KOSTRA-DWD-2000 berechneten Wiederkehrintervallen gegenübergestellt.
Tabelle 5.17: Entwicklung der Wiederkehrintervalle T der betrachteten HQT der Dauerstufe D=24 h
HQT [m³/s]
12,8
21,0
28,0
35,6
46,1
54,5
T KOSTRA [a]
2
5
10
20
50
100
T 2050 [a]
2
4
8
16
42
94
T 2100 [a]
2
3
6
12
29
61
168
Abbildung 5.31: Darstellung der Entwicklung der Wiederkehrintervalle T der betrachteten HQT der
Dauerstufe D=24 h nach dem REMO A1B-Szenario
Die Abbildung 5.31 zeigt noch einmal graphisch die Tendenz, dass sich die Häufigkeiten von
extremen Abflussereignissen der untersuchten Dauerstufe D=24 h deutlich verändern werden.
So hat beispielsweise ein HQT -Ereignis von 35,6 m³/s heute ein Wiederkehrintervall von 20
Jahren. Zur Mitte des Jahrhunderts kann solch ein Abfluss statistisch gesehen schon alle 16
Jahre und zum Ende des Jahrhunderts alle 12 Jahre eintreten. Dies bestätigt den Trend, dass sich
bei den höheren Abflussereignissen die Wiederkehrintervalle im Einzugsgebiet der Oberen Ilm
bereits bis 2050 stark und bis 2100 sehr stark verringern.
6
Zusammenfassung und Ausblick
Im folgenden Kapitel werden die wichtigsten Ergebnisse der Untersuchungen noch einmal zusammengefasst und weiterer Forschungsbedarf umrissen. Schwerpunktmäßig sind das der Methodische Ansatz zur Optimierung der HRU-Vorprozessierung, das Gleitkorrekturverfahren für
prognostische Klimagrößen, die modellierten Vorhersageergebnisse und die methodische Auswertung und Interpretation der regionalen Auswirkungen des globalen Klimawandels. Ein Ausblick schließt die Ausarbeitungen ab.
6.1
Methodischer Ansatz zur HRU-Optimierung
Im Ergebnis der im FEG Gräfinau-Angstedt angewandten Methoden zur Optimierung der HRUVorprozessierung mit Hilfe der eingeführten Aggregationsmaße HRU-Dichte ρHRU und HRUInformationswert I(HRU) wird folgende verallgemeinernde Methodik herausgearbeitet, deren Übertragbarkeit für die Modellierung mit J2000/JAMS in einem Einzugsgebiet mit vergleichbarer
naturräumlicher Ausprägung, dem FEG Schwarza, nachgewiesen werden konnte.
Abbildung 6.1:
Methodischer Ansatz zur Optimierung der HRU-Vorprozessierung
Bei dem in Abbildung 6.1 schematisch dargestellten methodischen Ansatz steht an erster Stelle
die Generierung einer ausreichenden Anzahl von HRU-Aggregationsniveaus mit verschiedenen
HRU-Dichten, um die Abhängigkeit der HRU-Dichte vom Aggregations-Schwellwert S analytisch beschreiben zu können. Dies kann zur Vereinfachung und effektiveren Vorgehensweise
170
auf Basis von einfachen Rastern erfolgen (s. Kap. 4.6.4). Im Anschluss wird auf einer für die
erzeugte Menge von HRU-Aggregationsniveaus repräsentativen Teilmenge ein robuster Parametersatz durch schrittweises Vorkalibrieren der sensitiven Parameter entwickelt. Mit Hilfe
dieses Parametersatzes werden auf Basis der gesamten HRU-Aggregationsniveaus Modellläufe
durchgeführt, so dass die gewählten Modelleffizienzen als Funktion der HRU-Dichte analytisch
beschrieben werden können. Dies ist Grundlage der Berechnung der Maximapositionen der
einzelnen Effizienzen.
Aus diesen wird eine gemittelte oder nach Betrachtungsschwerpunkt bzgl. der Effizienzen gewichtete Maximumposition analytisch bestimmt. Mit Hilfe dieses optimalen Wertes der HRUDichte kann der optimale Schwellwert für das Aggregationsverfahren im GIS berechnet werden.
Um den durch die Aggregation entstehenden HRU-Informationsverlust weiter zu minimieren,
kann mit Hilfe eines regelbasierten Ansatzes ein finales Aggregationsniveau im Bereich der für
das Einzugsgebiet berechneten optimalen HRU-Dichte durch iterative Aggregation in Schritten
der kleinsten Prozesseinheit („iterativ step 1 Regel 1“) generiert werden.
Durch diese Verknüpfung der Aggregation mit regelbasierten Ansätzen (s. Kap. 4.6.3.2), lässt
sich der HRU-Informationsverlust I(HRU) deutlich minimieren und die Wiedergabe der natürlichen Eigenschaften des Einzugsgebietes verbessern. Angewandt wurde eine Regel, die das Aggregieren von Flächen an eine gleiche Ausprägung der Flächenparameter Hangneigung, Böden
und Landnutzung, nach dieser Reihenfolge gewichtet, knüpft. Zu einer signifikanten Verbesserung der Modelleffizienzen führte dies nicht. Verwendet man andere Regeln, die z.B. andere
Attribute priorisieren oder komplexere Kriterien enthalten, sollte überprüft werden, wie sich der
HRU-Informationsverlust verhält bzw. ob die Abbildung der natürlichen physikalischen Eigenschaften weiter optimiert werden kann.
Auf Grundlage des so generierten Aggregationsniveaus kann durch ein Nachkalibrieren der als
sensitiv bekannten Parameter das Modellverhalten weiter optimiert werden. Dazu kann z.B.
unter Berücksichtigung des Laufzeitverhaltens des Modells auf Monte-Carlo-Analysen zurüchgegriffen werden.
Die entwickelte Methodik konnte in einem naturräumlich ähnlich ausgeprägtem Einzugsgebiet
(FEG Schwarza ) erfolgreich validiert werden. In beiden Gebieten konnte die Abhängigkeit der
HRU-Dichte vom Eliminierungsschwellwert S analytisch sehr gut durch Potenzfunktionen beschrieben werden. Es wurden für beide FEG auf verschiedenen Aggregationsniveaus kalibrierte,
robuste Parametersätze bestimmt, mit denen die Abhängigkeit ausgewählter Modellgütemaße
von der HRU-Dichte der verschiedenen Aggregationsniveaus ermittelt wurden. Zur Steigerung
der Effektivität der umfangreichen Analyse wurde untersucht, ob durch einfache Rasterung
erzeugte Aggregationsniveaus an Stelle von durch aufwendigere Verschneidungsoperationen
erzeugten Aggregationsniveaus gleicher HRU-Dichte genommen werden können. Diese Frage
konnte positiv beantwortet werden.
Analytisch konnten die Abhängigkeiten der Gütemaße ebenfalls hinreichend gut durch rationale
Funktionen beschrieben werden. Daraufhin wurden die Maximapositionen der funktionalen
Verläufe Gütemaße=f(HRU-Dichte) bestimmt und ein anzusetzender Schwellwert S errechnet.
Die Untersuchungen im FEG Schwarza bestätigten den im FEG Gräfinau-Angstedt ermittelten
optimalen Schwellwert von 3,35 ha. Dies bedeutet, dass ein optimales Modellverhalten in den
beiden FEG mit einer HRU-Dichte von 13-14 HRU/km² erzielt wird.
6.1 Methodischer Ansatz zur HRU-Optimierung
171
Weiterer Forschungsbedarf
Für die HRU-Ableitung stehen seit 2007 höher aufgelöste Eingangsdaten zur Verfügung. Das
betrifft in erster Linie das zu verwendende DGM, das jetzt auf Basis von Laser-ScanBefliegungen eine laterale Auflösung von 5 Metern besitzt. Es wurde vom TLVermGEO aufbereitet und korrigiert. Ein weiteres, auf Grundlage des DGM-5 erstelltes DGM, steht unter der
Bezeichnung DGM-5/20 mit einer lateralen Auflösung von 20 Metern zur Verfügung.
Insbesondere für die Bearbeitung von mikroskaligen Einzugsgebieten werden diese hochaufgelösten DGM von Intersse sein. Inwieweit ein höher aufgelöstes DGM im Zusammenhang mit
dem Aggregationsprozess innerhalb der HRU-Vorprozessierung Verbesserungen für die Modellierung bringt, bleibt zu untersuchen.
Ebenfalls Forschungsbedarf besteht in der Ausarbeitung komplexerer Bestimmungen für das
regelbasierte Aggregieren der Prozessflächen. Hier ist von großem Interesse, ob die Verlagerung des als primär zu beachtenden eingestuften Gebietsparameters je nach Fragestellung variiert werden sollte, oder ob ein allgemeingültiges Regelwerk optimale Ergebnisse bringt. Auch
die am Lehrstuhl für Geoinformatik, Geohydrologie und Modellierung des Instituts für Geographie der Friedrich-Schiller-Universität Jena verfolgte HRU-Ableitung mittels Clusteranalyse
verschiedener Reliefparameter muss in diesem Zusammenhang gesehen werden.
Mit dem Analysewerkzeug zur Quantifizierung des Bildinformationsverlustes steht ein neues
und mächtiges Werkzeug zur Beurteilung der HRU-Aggregationsprozesse zur Verfügung. Somit kann erstmals in diesem Kontext effizient bewertet werden, welche Gebietsparameter durch
die Diskretisierung der Prozessflächen die meisten Informationen verlieren. Selbstverständlich
sollten die oben angesprochenen regelbasierten Ansätze bei ihrer Erprobung und Optimierung
auf die Analyse des HRU-Informationsverlustes zurückgreifen. So besteht auch Forschungsbedarf darin, zu ermitteln, ob die Optimierung der Gebietsparameter bezüglich des HRUInformationswertes ebenfalls je nach Fragestellung durchgeführt werden sollte. So könnte z.B.
für die Modellierung mit dem Fokus auf dem Gesamtabfluss eine Optimierung auf die Hangneigung vorgezogen werden, bei dem Fokus auf den Stofftransport eine Optimierung des hydrogeologischen Gebietsparameters. Kombinationen mit verschiedenen Wichtungen der Gebietsparameter sind dabei genauso denkbar wie singuläre Ansätze.
Die beiden untersuchten Einzugsgebiete sind charakterisiert durch ihre Mittelgebirgslage im
Thüringer Wald und ihre Größe am unteren Bereich der Mesoskale. Duch die hohen Reliefvarianzen entstehen relativ homogen strukturierte HRU-Formationen mit hoher HRU-Dichte. Für
diese kann von einer Allgemeingültigkeit der Methodik zur HRU-Optimierung ausgegangen
werden. Im Falle von größeren Einzugsgebieten, die sich z.B. aus dem Mittelgebirge in flachere
Regionen hinein ausdehnen (z.B. das FEG der geamten Ilm in Thüringen), würden Bereiche
unterschiedlicher HRU-Dichte entstehen. Neben dem Mittelgebirgsbereich mit einer hohen
HRU-Dichte würde nach einem Übergangsgebiet im Flachland ein Teil des Einzugsgebietes mit
niedrigerer Dichte entstehen. In diesem Fall wäre von Interesse, ob diese unterschiedlichen Gebiete, nach Aufteilung in Teileinzugsgebiete (TEG), in Bezug auf eine Optimierung der HRU
getrennt behandelt werden müssen. Als Gegenargument ist anzuführen, dass die Aggregation
der HRU durch Eliminieren von Polygonen nach einem Schwellwert für die Flächengröße automatisch in den TEG mit der höheren HRU-Dichte wirksam wird. Auch in FEG mit durchgängig niedriger Reliefvarianz wird eine Abhängigkeit der Modelleffizienzen von der HRU-Dichte
bestehen. Hier steht die offene Frage, ob es auf Grund der niedrigen HRU-Dichte überhaupt zu
172
einer Ausprägung eines Maximums kommt bzw. ob generell eine funktionale Abhängigkeit in
ähnlicher Weise wie in den behandelten FEG dargestellt werden kann.
6.2
Gleitkorrekturverfahren für prognostische Klimagrößen
Eine Hochwasservorhersage kann nur so zuverlässig sein, wie die in das Modell eingehenden
klimatologischen Prognosedaten. Genutzt werden die mit dem COSMO-EU-Modell (früher
Lokal-Modell) erzeugten Vorhersagen des Deutschen Wetterdienstes. Der DWD startete im
November 1999 mit einem Vorhersagehorizont von 48 Stunden, der 2006 auf 78 Stunden erweitert wurde. Die räumliche Auflösung des Vorhersagegitters beträgt 7 km. Für den Niederschlag
als initiale Größe für die Abflussbildung lagen archivierte Vorhersagen vor, so dass umfangreiche statistische Untersuchungen durchgeführt werden konnten. Dazu wurden die Niederschlagsprognosen mit den Messwerten verschiedener Stationen verglichen. Da die Hochwasservorhersage mit Tages- und Stundenwerten betrieben werden soll, mussten die Auswertungen
mit Werten beider zeitlicher Auflösungen realisiert werden. Vorbereitend war es nötig, die gemessenen Niederschläge mit geeigneten Verfahren zu korrigieren. Weiterhin mussten die Prognosewerte auf die zum Vergleich ausgewählten Stationen regionalisiert werden. Dafür konnte
für jede Messstation ein Quadrat aus neun Rasterzellen bestimmt und über die Entfernung der
Rasterzellenschwerpunkte zur Station nach dem IDW-Verfahren ein prognostischer Stationswert berechnet werden. Ausgewertet wurden im Anschluss die Differenzen zwischen den korrigierten Messwerten und diesem Stations-Vorhersagewert über die Zeitreihe von November
1999 bis Mai 2006. Dabei wurden die Vorhersagen weiter in zwölfstündige Abschnitte eingeteilt und die Niederschlagsbilanz und der mittlere quadratische Abstand mqA getrennt untersucht. Während die Niederschlagswerte der im Leebereich oder auf den Kammlagen gelegenen
Stationen vom Lokalmodell bzw. COSMO-EU-Model z.T. erheblich unterschätzt werden, wird
die im Luvbereich des Thüringer Waldes gelegene Station massiv überschätzt. Die Ursachen
dafür liegen in der unzureichenden Abbildung kleinräumiger klimatologischer Effekte in den
Mittelgebirgslagen. Nachweisbar war weiterhin, dass die Zuverlässigkeit der Prognose mit höherem Zeithorizont abnimmt.
Diese Ergebnisse begründeten die Notwendigkeit, ein geeignetes Korrekturverfahren zu evaluieren. Versuche der analytischen Auswertung der Verteilungsfunktionen der gebildeten Differenzen brachten nicht die erwarteten Verbesserungen. Erst mit dem entwickelten, auf multipler
linearer Regression basierenden Gleitkorrekturverfahren konnten sowohl die quantitativen Unterschiede signifikant verbessert als auch in relativ kleinen Umfang der mittlere quadratische
Abstand gesenkt werden. Diese Verbesserungen sind bei den Tageswerten deutlich höher als bei
den Stundenwerten.
Bei dem gleitenden Korrekturverfahren wird ein Zeitfenster über den Bestand aus Messwerten
und Prognosewerten geführt. Die Größe dieses Frames wurde empirisch bestimmt und auf 60
Tage festgelegt. Der darin enthaltene Datensatz wird durch Klassenteilung linear vorverdichtet
und die gemittelten Schwerpunkte anschließend quadratisch ausgeglichen. Mit empirischen
Optimierungsverfahren wurden die Klassenbreite und die Anzahl der zu eliminierenden Ausreißer bestimmt. Im Ergebnis dessen bleiben drei Prozent der Ausreißer unberücksichtigt, so dass
die sehr hohen, vom DWD vorhergesagten Starkniederschlagsereignisse unkorrigiert bleiben.
Die Vorteile des äußerst flexiblen gleitenden Verfahrens bestehen darin, dass für jede Station,
jeden Tag und jeden zwölfstündigen Zeitabschnitt der Vorhersage eine eigene analytische Korrekturfunktion und die mittleren quadratischen Abstände bestimmt werden. Das Verfahren kor-
6.2 Gleitkorrekturverfahren für prognostische Klimagrößen
173
rigiert unabhängig von der Jahreszeit und der räumlichen Lage der Stationen. Ein ständiges
Nachkalibrieren entfällt somit. Weiterhin finden jahreszeitliche Witterungsänderungen und
langfristige Änderungen von Großwetterlagen genauso sofort Eingang in dem Korrekturverfahren wie DWD-seitige Modellverbesserungen.
Eine Voraussetzung für das gleitende Korrekturverfahren ist das Vorhandensein aktueller klimatologischer Messwerte, insbesondere von Niederschlagsdaten. Durch das „Messnetz 2000“
für Thüringen ist diese Basis gegeben. Das Messnetz 2000 setzt sich aus dem in Auf- und Ausbau befindlichen Ombrometermessnetz des Landes Thüringen (34 Stationen) und dem aus 32
Wetter- und 28 Niederschlagsstationen bestehenden Messnetz des Deutschen Wetterdienstes
zusammen. Das bedeutet für die Größe Niederschlag, dass Messwerte von 94 Stationen online
zur Verfügung stehen. Die folgende Abbildung 6.2 vermittelt einen Eindruck über die Stationsdichte und -verteilung in Thüringen.
Abbildung 6.2:
Messnetz 2000 Thüringen
Für den operativen Betrieb eines Hochwasserinformationsdienstes wird vorgeschlagen, jeweils
für den Tages- und Stundenmodus ein Ensemble aus unkorrigierter Vorhersage, korrigierter
Vorhersage, der korrigierten Vorhersage abzüglich und der korrigierten Vorhersage zuzüglich
des mittleren quadratischen Abstands mqA zu rechnen. Der dabei entstehende Vorhersagebereich lässt in Kombination mit der Auswertung meteorologischer Prognosen eine tendenzielle
Einschätzung der Entwicklung sich anbahnender Hochwassersituation zu. Im Modell besteht die
optimale Nachbildung der realen Speicherbefüllungen, Verdunstungsverhältnisse usw., da die
aktuellen Messwerte ohne großen zeitlichen Verzug nachgeführt werden können. Dabei wird
mit der aktuellen Vorhersage direkt an den Zeitreihen der gemessenen Werte angeschlossen.
Je besser die Vorhersagen des DWD in Zukunft den eingetretenen Ereignissen entsprechen, um
so geringer fällt der zu korrigierende Beitrag der Funktion aus. Dies bedeutet gleichzeitig eine
höhere Eintrittswahrscheinlichkeit und damit Sicherheit der Hochwasservorhersage. Der durch
die statistischen Gütemaße vorgegebene Unsicherheitsbereich wird schmaler.
174
Neben den ausführlich untersuchten Niederschlagsprognosen werden vom DWD weitere Klimagrößen mit dem COSMO-EU-Modell vorhergesagt, die ebenfalls als Eingangsgrößen für das
hydrologische Modell im operativen Betrieb dienen. Dies sind die Temperatur, die Windgeschwindigkeit, die relative Feuchte und die Globalstrahlung. Hier besteht weiterer Forschungsbedarf darin, ein effizientes Korrekturverfahren zu evaluieren. Untersuchungen ergaben, dass
sich das für den Niederschlag angewandte Gleitkorrekturverfahren für die Temperatur nicht
eignet, da durch die Histogramm-Bildung die für die Temperatur wichtige zeitliche Ordnung der
Messwerte verloren geht. Dieser Umstand ist bei der Klimagröße Niederschlag unkritisch und
unterstreicht dort noch eher deren deterministischen Charakter. Eine Korrektur des Vorhersagefehlers kann hier nur über die systematischen Abweichungen erfolgen, wobei die zeitliche Ordnung der Tagesgänge Beachtung finden muss. Für diese Korrektur untersuchte AutoRegressions-Modelle brachten bisher keine verwertbaren Ergebnisse. Da aber der Temperatur
bei Aufbau- und Abbauprozessen der Schneedecke eine hohe Bedeutung zukommt, sollten die
Möglichkeiten einer Korrektur dieser Klimagröße weiter untersucht werden.
Allgemein kann gesagt werden, dass die Anwendung von Korrekturverfahren auf weitere Klimagrößen ebenfalls sinnvoll erscheint, um im Sinne einer bestmöglichen Vorhersage von
Hochwasserereignissen das System zu optimieren. Forschungsbedarf besteht auch in der statistischen Bewertung der genannten Klimagrößen. Grundlage ist das Vorhandensein von Messwerten mit einer entsprechenden zeitlichen Auflösung für einen hinreichend großen Vergleichszeitraum.
Von Interesse ist im Zusammenhang mit der Korrektur die Frage, inwieweit die wesentlich höher aufgelösten Kurzfrist-Vorhersagen des DWD (COSMO-DE-Modell) bezüglich des Niederschlags zu korrigieren sind. Dazu müssen diese Daten über einen aus statistischer Sicht ausreichend langen Zeitraum vorliegen.
Ein weiterer Punkt sind die vom DWD angekündigten Ensembleprognosen. Dabei wird bereits
vom Deutschen Wetterdienst ein Unsicherheitsbereich der Vorhersage vorgegeben. Forschungsbedarf entsteht dabei bei der Frage, inwieweit sich diese bereits mit einer systematischen Fehlerabweichung behafteten Prognosedaten mit dem Ansatz des gleitenden Korrekturverfahrens kombinieren lassen.
6.3
Ergebnisse der Modellierung
Die Modellkalibrierung und Validierung wurde über den visuellen Vergleich der am Pegel Gräfinau-Angstedt gemessenen Abflusswerte mit den vom Modellsystem J2000/JAMS modellierten Abflusswerten sowie der Bewertung der dabei erzielten Modellgütemaße durchgeführt. Der
Gesamtabfluss konnte insgesamt mit guten Ergebnissen nachgebildet werden. So wurde für den
Gesamtzeitraum von November 1995 bis Mai 2006 im Tagesmodus ein Nash-SutcliffeKoeffizent von 0,90, ein Nash-Sutcliffe-Koeffizient mit logarithmierten Werten von 0,86 und
ein Bestimmtheitsmaß von 0,90 erreicht. Der relative Volumenfehler liegt bei -2,89%. Im Stundenmodus wurde im Zeitraum von November 2000 bis Mai 2006 ein Nash-Sutcliffe-Koeffizent
von 0,77, ein Nash-Sutcliffe-Koeffizient mit logarithmierten Werten von 0,79 und ein Bestimmtheitsmaß von 0,78 erzielt. Der relative Volumenfehler liegt hier bei 1,3 %.
Die Dynamik der gemessenen Ganglinie wird durch die modellierte Ganglinie gut wiedergegeben. Bei den für die Hochwasservorhersage wichtigen Hochwasserscheiteln müssen die Ergebnisse differenziert betrachtet werden. Im Tagesmodus neigt das Modell generell zu einer leich-
6.3 Ergebnisse der Modellierung
175
ten Unterschätzung der Peaks, insbesondere bei den Schneeschmelzereignissen. Auch bei den
drei auswertbaren Hochwasserereignissen in Folge von Starkniederschlägen sind zwei Ereignisse etwas untermodelliert, ein drittes wird sehr gut getroffen. Bei der Auswertung der Modellierung der Hochwasserereignisse im Zusammenhang mit Schneeschmelze im Stundenmodus kam
es sowohl zu leichten Unterschätzungen wie auch zu Überschätzungen der Peaks. Das einzige in
dem auswertbaren Zeitraum vorliegende Hochwasser wegen Starkniederschlag wurde etwas
deutlicher unterschätzt.
Aus hydrologischer Sicht kann die Nachbildung des Gesamtabflusses und der separierten Abflusskomponenten als plausibel eingeschätzt werden, was mittels DIFGA-Berechnungen evaluiert wurde. Auch die flächendiffernzierte Verteilung der Gesamtabflussbildung im Gebiet der
Oberen Ilm im meteorologischen Jahr und den hydrologischen Perioden entspricht den Erwartungen.
Zur Bewertung der Hochwasservorhersage wurden zwei Hochwasserereignisse mit unterschiedlichem Entstehungshintergrund aus dem Frühjahr 2006 auf Basis prognostizierter Klimadaten
des DWD modelliert. Dabei wurde das bereits erwähnte Ensemble aus der unkorrigierten und
korrigierten Prognose und der korrigierten Prognose zu- und abzüglich des mittleren quadratischen Abstandes gerechnet. Das erste Hochwasserereignis, hervorgerufen durch Schneeschmelze in Kombination mit Starkniederschlag, wird in beiden Zeitmodi innerhalb des berechneten
Zuverlässigkeitsbereiches abgebildet und bezüglich der Dynamik gut getroffen. Das zweite
Hochwasserereignis wird auf Grund einer quantitativ massiv unterschätzten Vorhersage des
DWD in beiden Zeitmodi unzureichend abgebildet. Dies betrifft sowohl die Höhe des Hochwasserscheitels wie auch den Zeitpunkt des Eintritts. Das Problem der Raum-Zeit-Variabilität und
der Quantität des prognostizierten Niederschlags verdeutlicht die Abbildung 6.3.
Abbildung 6.3: Problem der Raum-Zeit-Variabilität und der quantitativen Variabilität des prognostizierten Niederschlagshöhe
Hochwasserereignisse haben generell nur eine relativ kurze Dauer von mehreren Stunden bis
Tagen. Daher spielt besonders die Raum-Zeit-Variabilität und die quantitative Variabilität des
176
vorhergesagten Niederschlags eine große Rolle. In der Graphik ist die Vorhersage 1 symbolisch
richtig in der Höhe des real gefallenen Niederschlags (hN1), dem Zeitpunkt des Eintritts (t1) und
des Raumbezugs (r1). Demzufolge wird die gemessene Abflusskurve sehr gut nachgebildet. Die
Vorhersage 2 ist in ihrer Höhe deutlich geringer als Vorhersage 1 (hN2<hN1). Es entsteht eine
gedämpfte Abflusskurve, die ihren Scheitel zudem zeitverzögert ausprägt. Die Vorhersage 3
stimmt zwar in ihrer Höhe und dem Raumbezug mit dem gemessenen Niederschlag überein
(hN2=hN1), ist aber für einen späteren Zeitpunkt avisiert (t2>t1), so dass der Hochwasserscheitel
richtig in der Höhe, aber zeitversetzt modelliert wird. Der vierte konstruierte Fall (Vorhersage
4) ist eine ebenfalls in ihrer Höhe richtige Vorhersage (hN2=hN1), trifft aber vom Raumbezug
nicht auf den unmittelbaren Bereich des Einzugsgebiets zu (r2≠r1). Somit wird auf Grund der
Regionalisierung der Niederschlagsvorhersagen auf ein Gebietsmittel die Höhe des prognostizierten Niederschlageintrags in das Gebiet stark verringert. Die simulierte Abflusskurve wird so
ebenfalls gedämpft und zeitversetzt abgebildet.
Dies belegt die Abhängigkeit einer zuverlässigen Hochwasservorhersage von den prognostischen Eingangsgrößen, in diesem Falle die des COSMO-EU-Modells des DWD. Die zu Extremereignissen führenden Großwetterlagen sind mit moderner Satellitentechnik und Wetterradar in der Regel einige Tage im Voraus erkennbar, so dass die Wahrscheinlichkeit von zu Hochwassern führenden Situationen bemessen werden kann. Die Konkretisierung der Raum- und
Zeitvariabilität und der zu erwartenden Niederschlagsmenge, die die Basis verlässlicher hydrologischer Vorhersagen bilden, werden durch die numerischen Wettervorhersagesysteme des
DWD meist erst kurzfristig erfasst. Demzufolge werden sich Hochwasserereignisse auch in
Zukunft nicht langfristig vorhersagen lassen. Die N/A-Modellierung kann nicht besser sein, als
die Eingangsdaten es zulassen.
Der DWD entwickelt seine Modelle ständig weiter, baut Beobachtungsnetze aus und verbessert
die Datenassimilation. Mit den neuen Ensemble-Berechnungen werden Aussagen über die Eintrittswahrscheinlichkeit der vorhergesagten klimatologischen Werte möglich. Die unter dem
Begriff des „Nowcasting“ geführte Kürzestfrist-Vorhersage (COSMO-DE) wird die Vorhersagesicherheit der nächsten 18 Stunden weiter signifikant verbessern. Die Zuverlässigkeit und die
erreichte hohe Qualität der Niederschlagsprognosen lässt sich an der erfolgreichen Vorhersage
der Niederschläge, die im August 2005 die Überschwemmungen in Südbayern verursachten,
belegen (Rudolf et al. 2006 [164]). Für die Weiterentwicklung einer zuverlässigen Hochwasservorhersage innerhalb eines Hochwasserinformationsdienstes für Thüringer Pegel bedeutet dies,
die Modellmodule weiter zu entwickeln und unter dem Aspekt der Modellierung der Hochwasserscheitel zu optimieren. Dazu sollten weitere Evaluierungen der Modelle mit den aktuellen
Vorhersageprodukten des DWD erfolgen. Eine weitere Anregung wäre die Validierung des im
Modellsystem integrierten Schneemoduls mit Messwerten. In diesem Kontext könnte auch die
Verwertbarkeit der Prognosen des DWD-Schneemodells Snow 3 neu betrachtet werden. Ein
letzter Punkt für Forschungsbedarf wird in der online-Koplung von J2000/JAMS mit den Werten von regelnd in die Abflusssteuerung eingreifenden Talsperren, Rückhaltebecken etc. gesehen, so dass sich einerseits für diese Steuerung und andererseits für die Vorhersage von Hochwassern neue Möglichkeiten eröffnen und weitere Pegel in einen HID einbezogen werden können.
6.4 Klimafolgen und Hochwasser – Methodik und Interpretation
6.4
177
Klimafolgen und Hochwasser – Methodik und Interpretation
Die dringliche Aktualität, sich mit regionalen Folgen des globalen Klimawandels intensiv auseinanderzusetzen, fand auch bei der Vorstellung des Synthesis Report 4th des IPCC am 17. November 2007 in Valencia Bestätigung, wo der Weltöffentlichkeit erneut unmissverständlich klar
gemacht wurde, wie ernst die Gefahr durch den Klimawandel tatsächlich ist. In diesem Kontext
ist der Ansatz zu sehen, die vom MPI Hamburg berechneten Klimaprojektionen zu nutzen, um
daraus einen Entwicklungstrend unter regionalem Gesichtspunkten, in diesem Falle die Entwicklung der Wiederkehrintervalle von Hochwasserereignissen im Bereich der Oberen Ilm,
abzuleiten. Natürlich haben die mit den Klimamodellen für verschiedene Szenarien bis ins Jahr
2100 berechneten Projektionen nicht den Anspruch, Vorhersagen zu sein. Sie dienen lediglich
zur Abschätzung eines Trends der zukünftigen Entwicklung der klimatischen Bedingungen.
Dabei bewegen sie sich in einem durch verschiedene Modelle, Szenarien und Modellrealisationen aufgespannten Bereich. Bei der Bewertung der Modellergebnisse ist ein realistischer Umgang mit den Modellunsicherheiten nötig, da systematische Modellfehler in vertiefte und regionale Auswertungen mit übernommen werden. Es müssen zudem einige Randbedingungen als
fest betrachtet werden, um zu verwertbaren Aussagen zu kommen. Auch die Globalmodelle
antreibenden Emissionsszenarien sind nicht zuletzt wieder nur Annahmen einer zukünftigen
Entwicklung. Zudem kann nicht ausgeschlossen werden, dass in Zukunft durch den Klimawandel verursachte Effekte hervorgerufen werden, die der Wissenschaft bis dato unbekannt sind,
die aber die Entwicklung auf unserem Planeten maßgeblich beeinflussen. Somit ist eine ernsthafte Auseinandersetzung mit Daten aus den Klimaprojektionen noch immer mit vielen Unbekannten behaftet. Dennoch kristallisieren sich immer deutlicher feste Erkenntnisse heraus, die
von Wissenschaftlern weltweit anerkannt sind und akzeptiert werden. Kurz zusammengefasst
heisst das für Deutschland, dass es vor allem im Winter wärmer wird. Etwas trockneren Sommern stehen dabei wesentlich feuchtere Winter gegenüber. In Zukunft wird das Wetter in den
Winterhalbjahren immer mehr von zonalen Westwetterlagen geprägt, wobei insbesondere die
Westlagen zyklonal (Vb-Wetterlagen), ergiebige Niederschläge mit sich bringen können. Daraus ist abzusehen, dass die Hochwassergefahr im Winterhalbjahr steigt. Vor allem die mittleren
Hochwasser werden häufiger auftreten, da sich in den milderen Wintern die Schneedecke mehrfach auf- und abbauen kann (LUBW 2006 [125]) und sich somit die Schnee- und Eisspeicherung verringern wird.
Um die Gültigkeit dieser Erkenntnisse für das untersuchte Einzugsgebiet nachzuweisen, wurden
auf Basis der veröffentlichten REMO-Klimaprojektionen für das 21. Jahrhundert unter regionalem Aspekt die Auswirkungen auf die Wiederkehrintervalle von Starkniederschlagsereignissen
und den damit verbundenen Hochwassersituationen bewertet. Dazu gelang es, einen methodischen Ansatz zu entwickeln, der in der folgenden Abbildung 6.4 dargestellt ist. Dabei wurde
Wert darauf gelegt, nur standardisierte und in DVWK-Blättern publizierte Verfahren einzusetzen, damit eine Vergleichbarkeit mit späteren Untersuchungen gewährleistet werden kann.
In einem ersten Schritt wurden die langjährigen Messreihen des Pegels Gräfinau-Angstedt von
1923-2001 extremwertstatistisch ausgewertet und die Jahreshöchstabflüsse HQT für die Wiederkehrintervalle T von 2 bis 100 Jahren bestimmt. Danach wurden mit der gleichen extremwertstatistischen Methode die maximalen Jahres-Niederschlagshöhen hN der REMO-Klimaprojektion des SRES-Szenarios A1B des MPI Hamburg für den Zeitraum von 2001 bis 2100 ausgewertet und die Wiederkehrintervalle T=2 a bis 100 a der Starkniederschlagsereignisse bestimmt. Da
die REMO-Daten als Tageswerte vorlagen, sind dies Ereignisse der Dauerstufe D=24 h.
178
Um bezüglich der Jährlichkeiten der Starkniederschlagsereignisse einen Trend ableiten zu können, wurden die REMO-basierten Berechnungen mit Daten des KOSTRA-DWD-2000-Atlases
verglichen. Dazu wurden die in Rastern vorliegenden KOSTRA-Werte der vom FEG GräfinauAngstedt angerissenen REMO-Rasterzellen nach ihrem Flächenanteil am FEG gewichtet und zu
einem Gebietsmittel aggregiert.
Zum Zweck einer einfachen N/A-Modellierung wurde auf das standardisierte SCS-Verfahren
zurückgegriffen. Nach Aufbereitung der räumlichen Eingangsgrößen Landnutzung, Böden und
der Bestimmung der CN-Werte wurde auf Basis der KOSTRA-Niederschlagshöhen die HQmax
aller Dauerstufen bestimmt. Diese Sensitivitätsanalyse erlaubt Aussagen darüber, bei welcher
Niederschlags-Dauerstufe die größten Abflüsse in dem Gebiet erreicht werden. Für das untersuchte FEG waren das die Dauerstufe D=48h.
Abbildung 6.4: Methodisches Vorgehen bei der Bestimmung von HQT -Trends auf Basis von Klimaprojektionen
Zur Validierung des JAMS-SCS-Modells wurden diese mit den berechneten HQT -Werten aus
der Pegelstatistik verglichen. Dabei waren bei den höheren Jährlichkeiten Unterschätzungen bis
21% zu verzeichnen. In der Folge wurde sich auf die mit KOSTRA-Daten berechneten HQT der
Dauerstufe D=24h beschränkt, um mit der zeitlichen Auflösung der REMO-Daten konform zu
gehen.
6.5 Ausblick
179
Mit dem N/A-Modell konnten jetzt die HQT -Werte auf Basis der REMO-Klimaprojektion Szenario A1B für die Zeiträume von 2001 bis 2050 und 2001 bis 2100 berechnet werden. Verglichen mit den zuvor ermittelten KOSTRA-HQT können so Aussagen über zukünftige Trends der
Entwicklung der Häufigkeit von Extremabflüssen getroffen werden.
Diese Auswertung ergab, dass im Vergleich mit den für die Gegenwart auf Basis der langjährigen Pegelstatistik berechneten und der auf Basis des KOSTRA-DWD-Atlases ermittelten Wiederkehrwahrscheinlichkeiten, die herausragenden Hochwasserereignisse am Pegel GräfinauAngstedt, bereits bei einer angenommenen globalen Entwicklung nach SRES-Szenario A1B,
deutlich zunehmen werden. Anders formuliert bedeutet dies, dass Abflussereignisse, die heute
noch als außergewöhnliche Extrema gelten, in Zukunft viel häufiger auftreten werden!
Aus diesem Grund müssen das Vorhandensein und die Dimensionierung existierender Hochwasserschutzmaßnahmen überprüft und die gesetzliche Ausweisung von Überschwemmungsgebieten weiter vorangetrieben werden. Auch für die Argumentation pro Aufbau eines effektiven
Hochwasserwarnsystems für den Bereich der Oberen Ilm sollten diese Erkenntnisse genutzt
werden. Hochwasserschutz und Vorhersage müssen auch hier regional unter dem Aspekt der
Folgen des sich vollziehenden globalen Klimawandels an Bedeutung und Akzeptanz gewinnen.
Der UNO-Generalsekretär Ban Ki Moon bewertete am 17.11.2007 den neuen Weltklimabericht
mit der Aussage: "Die schlimmsten Szenarien des IPCC sind so angsterregend wie ein ScienceFiction-Film." Viele Wissenschaftler befürchten, dass die Lage noch viel ernster ist, als die in
den IPCC-Reports veröffentlichten Fakten. Schon allein daraus resultiert die Verpflichtung, sich
auch zukünftig intensiv mit der Problematik Klimawandel zu beschäftigen.
In diesem Kontext sollten auch die anderen SRES-Szenarien der IPCC ausgewertet werden. Auf
diese Weise lassen sich die regionalen Auswirkungen, insbesondere auf die Häufung von Hochwassersituationen, in Abhängigkeit der verschiedenen möglichen zukünftigen globalen Entwicklung bewerten. So könnten Ensembles gerechnet werden, die dann eine Aussage innerhalb
eines Entwicklungsbereiches ermöglichen. Allein aus argumentativer Sicht wäre dies eine sinnvolle Methode, um die gewonnenen Erkenntnisse zu untermauern.
Weiterhin sollten auch die Klimaprojektionen von Globalen Klimamodellen, die andere Ansätze verfolgen, analysiert werden. Erste Untersuchungen mit dem statistisch-dynamische Klimamodell WETTREG (Enke et al. 2006 [55]), bei dem über statistisch-dynamische DownscalingMethoden aus stationsbezogenen Messdaten-Zeitreihen die Szenarien-Zeitreihen erzeugt werden, welche die vom Globalmodell simulierten regionalen Häufigkeiten von Wetterlagen wiedergeben, wurden bereits durchgeführt, waren aber im Rahmen dieser Arbeit nicht relevant.
6.5
Ausblick
Auch in Zukunft wird es immer wieder Niederschlagsereignisse geben, die zu Hochwassersituationen führen. Aus Sicht der statistischen Gesetzmäßigkeiten können Ereignisse hoher Wiederkehrintervalle dabei durchaus in wesentlich kürzeren Abständen eintreten. Die einmal betroffenen Regionen sind nur aus statistischer Sicht vor einer kurzfristigen Wiederholung sicher. Doch
daran muss und wird sich die Natur nicht halten.
Mit jedem Grad der Erwärmung kann die Atmosphäre 7% mehr Feuchtigkeit aufnehmen. Nach
den ausgewerteten Klimaprojektionen wird es aber in Zukunft über den Ozeanen eine signifi-
180
kante Zunahme der Verdunstungsprozesse geben. Dies wird in unseren Breiten zu einer Häufung von Wetterlagen führen, die dann insbesondere in den wärmer werdenden Winterperioden
heftig ausfallende Extremniederschläge mit sich bringen. Vor allem in den Mittelgebirgslagen
kommt es durch die globale Erwärmung in den Winterperioden zu der bereits erwähnten erhöhten Frequenz des Schneedeckenauf- und -abbaus. Daraus resultiert eine zunehmende Hochwassergefahr aus der Kombination von Schneeschmelze und Starkniederschlag.
Um Menschenleben zu schützen und die materiellen Schäden durch Hochwasserereignisse so
gering wie möglich zu halten, muss die Gesellschaft weiterhin das Spektrum von geeigneten
Schutzmaßnahmen voll ausschöpfen. Dazu zählt neben der Ausweisung von Retentionsflächen,
Renaturierungsmaßnahmen in den Flussauen und einer verantwortungsbewussten Bauplanung
in überschwemmungsgefährdeten Gebieten auch die Hochwasserprävention, zu deren Verbesserung mit neuen Anregungen, besonders unter regionalen Aspekten, hiermit einen Beitrag geleistet wird.
Mit der vom DWD verfolgten kontinuierlichen Verbesserung seiner numerischen Vorhersagemodelle werden in Zukunft zuverlässigere Prognosen möglich sein. Diese neuen Ergebnisse
müssen weiterhin aufmerksam verfolgt werden und sollten direkt Eingang in die aktuelle Forschungsarbeit finden. In diesem Zusammenhang muss auch die Weiterentwicklung der flächendifferenzierten Niederschlags-Abfluss-Modellierung forciert werden, um den Handlungsspielraum durch verlängerte Vorwarnzeiten bei sich anbahnenden Hochwasserereignissen entscheidend zu vergrößern.
Diese Arbeit möchte das Bewusstsein für das latent bestehende, durch das Naturereignis Hochwasser verursachte Gefahrenpotenzial bei den handelnden Akteuren in Politik, Verwaltung und
Gesellschaft schärfen und erhöhen.
Literaturverzeichnis
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
ABBOT, M. B. ; BATHURST, J. C. ; CUNGE, J. A. ; O’CONNEL, P. E. ; RASMUSSEN, J.
(1986a). An Introduction to the European Hydrological System - Systeme Hydrologique
Europeen, SHE. 1: History and Philosophy of a Physically-Based Distributed Modelling System. J. Hydrol., 87, S. 45–59.
AGBODEN. (1994). Ad-hoc Arbeitsgruppe Boden: Bodenkundliche Kartieranleitung.
Schweitzerbartsche Verlagsbuchhandlung, Stuttgart.
ALBERTO, L.-G. (1994). Probability and Random Process for Electrical Engineering.
Addisson-Wesley Publishing Company, Bonn-New York, Tokyo.
BALDAUF, M. ; FÖRSTNER, J. ; KLINK, S. ; REINHARDT, T. ; SCHRA, C. ; SEIFERT, A. ;
STEPHAN, K. (2007). Kurze Beschreibung des Lokal-Modells Kürzestfrist LMK und seiner Datenbanken auf dem Datenserver des DWD. Deutscher Wetterdienst (DWD), Offenbach.
BARTELS, H. ; DIETZER, B. ; MALITZ, G. ; ALBRECHT, F. M. ; GUTTENBERGER, J.
(2005). KOSTRA-DWD-2000 - Starkniederschlagshöhen für Deutschland (1951–2000),
Fortschreibungsbericht. Deutscher Wetterdienst, Hydrometeorologie, Offenbach.
BARTELS, H. ; MALITZ, G. ; ASMUS, S. ; ALBRECHT, F. M. ; DIETZER, B. ; GÜNTHER, T.
ERTEL, H. (1997). Starkniederschlagshöhen für Deutschland, KOSTRA. Deutscher Wetterdienst – Hydrometeorologie, Selbstverlag, Offenbach.
BÄSE, F. (2005). Beurteilung der Parametersensitivität und der Vorhersagesicherheit
am Beispiel des hydrologischen Modells J2000. Diplomarbeit, Institut für Geographie,
Friedrich-Schiller-Universität, Jena.
BAUMGARTNER, A. ; LIEBSCHER, H.-J. (1996). Allgemeine Hydrologie - Quantitative
Hydrologie. - In: Lehrbuch der Hydrologie. 2 edition. Gebr. Borntraeger, BerlinStuttgart.
BECKER, A. ; BEHRENDT, H. (1998). Auswirkung der Landnutzung auf den Wasser- und
Stoffhaushalt der Elbe. Zwischenbericht. Potsdam Institut für Klimafolgenforschung,
Potsdam.
BERGSTRÖM, S. (1995). Computer Models of Watershed Hydrology. In The HBV
Model., S. 443–476. Water Resources Publications, Highlands Ranch.
BERNHOFER, C. ; GOLDBERG, V. ; FRANKE, J. (2003). REKLI. Aufbau einer Klimadatenbank und Regionale Klimadiagnose für Thüringen. Forschungsvorhaben des(r) Ministerium für Landwirtschaft, Naturschutz und Umwelt,Thüringer Landesanstalt für
Umwelt und Geologie. Abschlussbericht, Institut für Hydrologie und Meteorologie,
Technische Universität Dresden, Dresden.
BERNHOFER, C. ; GOLDBERG, V. ; FRANKE, J. (2004). REKLI II. Optimierung der Klimadatenbank REKLI für Auswertungen im Bereich der Wasserwirtschaft. Forschungsvorhaben des(r) Ministerium für Landwirtschaft, Naturschutz und Umwelt,Thüringer
Landesanstalt für Umwelt und Geologie. Abschlussbericht, Institut für Hydrologie und
Meteorologie, Technische Universität Dresden, Dresden.
BERNHOFER, C. ; GOLDBERG, V. ; FRANKE, J. (2005). REKLI III. Optimierung der Klimadatenbank REKLI für die Auswertungen temperaturbezogener Klimagrößen und
Wetterlagenabhängige Analysen von Klimaelementen. Forschungsvorhaben des(r) Ministerium für Landwirtschaft, Naturschutz und Umwelt,Thüringer Landesanstalt für
Umwelt und Geologie. Abschlussbericht, Institut für Hydrologie und Meteorologie,
Technische Universität Dresden, Dresden.
182
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
[28]
[29]
[30]
[31]
[32]
BEVEN, K. J. (1985). Hydrological Forecasting. In Distributed Models, S. 405-435.
Wiley & Sons.
BEVEN, K. J. (1996). A discussion of distributed hydrological modelling. In Distributed
hydrological modelling (ed. M. B. R. Abbott, J.C.), S. 225-278. Kluwer Academic Publishers.
BEVEN, K. J. (2001). Rainfall-Runoff Modelling. The Primer. John Wiley & Sons Ltd.,
Chichester.
BEVEN, K. J. ; LAMB, R. ; QUINN, P. ; ROMANOWICZ, R. ; FREER, J. (1995). Topmodel.
In Computer Models of Watershed Hydrology. Water Resources Publications. (ed. V. P.
SINGH), S. 627-668, Colorado.
BLÄCKIE, J. R. ; EELES, C. W. O. (1985). Lumped catchment models. In Hydrological
Forecasting (ed. M. G. B. Anderson, T.P.), S. 311-345. John Wiley & Sons, Chichester.
BLÖSCHL, G. ; GRAYSON, R. (2006). Wiener Mitteilungen: Flächendetaillierte Niederschlags-Abfluss Modellierung. In Niederschlags-Abfluss Modellierung - Simulation und
Prognose, vol. 164, S. 33-55. Technische Universität Wien; Institut für Hydraulik, Gewässerkunde und Wasserwirtschaft, Wien.
BLÜMEL, K. ; SCHNEIDER, G. (2004). Bereitstellung von operativ nutzbaren Vorhersagedaten zur Schmelz- und Niederschlagswasserabgabe aus der Schneedecke für das Beratungsgebiet Rheinland-Pfalz, Saarland, für Teile von Nordrhein-Westfalen und Hessen sowie das französische Moselgebiet, Luxembourg und Baden-Württemberg (SNOWBW2003), Abschlussbericht. Deutscher Wetterdienst, Geschäftsfeld Hydrometeorologie,
Berlin-Buch, Offenbach.
BMU. (2003). Hydrologischer Atlas von Deutschland. Bundesministerium für Umwelt,
Naturschutz und Reaktorsicherheit, Berlin.
BONGARTZ, K. (2001). Untersuchung unterschiedlicher Flächendiskretisierungs- und
Modellierungskonzepte für die hydrologische Modellierung am Beispiel Thüringer Vorfluter. Dissertation, Institut für Geographie, Friedrich-Schiller-Universität, Jena.
BORKERT, M. (1994). Dokumentation HWVOR Saale. GFE GmbH Halle, Halle.
BORKERT, M. (1998). Dokumentation HWVOR Weiße Elster und Pleiße. GFE GmbH
Halle, Halle.
BORKERT, M. (2000). Dokumentation HWVOR Unstrut. GFE GmbH Halle, Halle.
BORKERT, M. (2006). Dokumentation HWVOR Unstrut und Ilm. BGD GmbH Dresden,
Dresden.
BRONSTERT, A. (1996). River flooding in Germany: influenced by climate change ?
Phys. Chem. Earth, 20, S. 445-450.
BRONSTERT, A. ; KOLOKOTRONIS, V. ; SCHWANDT, D. ; STRAUB, H. (2006). Vergleich
und hydrologische Wertung regionaler Klimaszenarien für Süddeutschland. In Hydrologie und Wasserbewirtschaftung, vol. 6, S. 270-287.
BRONSTERT, A. ; MAURER, T. (1994). Modellierung des Wassertransports auf Hängen
und in kleinen Einzugsgebieten. In 18. DVWK-Fortbildungslehrgang Hydrologie "Niederschlag-Abfluß-Modelle für kleine Einzugsgebiete und ihre Anwendung", S. 20-35,
Karlsruhe.
BRONSTERT, A. ; SCHWANDT, D. (2004). Darstellung, Vergleich und hydrologische
sowie klimatologische Wertung regionaler Klimaszenarien für Süddeutschland - Endbericht 1. Lehrstuhl für Hydrologie und Klimatologie Universität Potsdam im Auftrag der
Landesanstalt für Umweltschutz Baden-Württemberg, unveröffentlicht, Potsdam.
COSMO. (2007). The Consortium for Small-Scale Modelling., http://www.cosmomodel.org. Letzter Zugriff: 02.11.2007
CRUTZEN, P. J. (2002). Nature. Geology of mankind: The Anthropocene., 415, S. 23.
[33]
[34]
[35]
[36]
[37]
[38]
[39]
[40]
[41]
[42]
[43]
[44]
[45]
[46]
[47]
[48]
[49]
[50]
[51]
[52]
183
CUBASCH, U. ; WACZKEWITZ, J. ; HEGERL, G. C. ; PERLWITZ, J. (1995). Regional climate changes as simulated in time-slice experiments. In Forschungsbericht, vol. 153.
Max-Planck-Institut für Meteorologie, Hamburg.
DEUTSCH, M. (1997). Einige Bemerkungen zu historischen Hochwassermarken - eine
Bestandsaufnahme an der Unstrut. In Archäologie in Sachsen-Anhalt, vol. 7, S. 25-31.
DEUTSCH, M. ; PÖRTGE, K.-H. (2003). Hochwasserereignisse in Thüringen.Schriftenreihe der Thüringer Landesanstalt für Umwelt und Geologie. Thüringer
Landesanstalt für Umwelt und Geologie, Jena.
DICKINSON, R. E. (1984). Modelling evapotranspiration for three-dimensional global
climate models. In Climate Processes and Climate Sensitivity. (ed. J. E. Hansen, Takahashi, T.), S. 58-72. Geophysical Monograph 29, Washington D.C.
DIETZER, B. (2000). Berechnung von Gebietsniederschlagshöhen nach dem Verfahren
REGNIE. Deutscher Wetterdienst – Hydrometeorologie, Selbstverlag, Offenbach.
DIN. (1996). Wasserwesen. Begriffe, Normen. Deutsches Institut für Normung e.V.,
Belin.
DÖHLER, H. (2006). Informationsgewinn durch Messung. Grundlagen und Anwendungen der Signalanalyse. expert verlag, Renningen.
DOMS, G. ; FÖRSTNER, J. ; HEISE, E. ; HERZOG, H.-J. ; RASCHENDORFER, M. ; SCHRODIN, R. ; REINHARDT, T. ; VOGEL, G. (2005). A description of the nonhydrostatic regional model LM. Part II: Physical Parameterization (only draft version). Deutscher
Wetterdienst (DWD), Offenbach.
DOMS, G. ; SCHÄTTLER, U. (1999). The nonhydrostatic limited-area model LM (Lokalmodell) of DWD. Part I: Scientific documentation. Deutscher Wetterdienst (DWD),
Offenbach.
DOMS, G. ; SCHÄTTLER, U. (2002). A description of the nonhydrostatic regional model
LM. Part I: Dynamics and Numerics. Deutscher Wetterdienst (DWD), Offenbach.
DUNNE, T. (1978). Field studies of hillslope flow processes. In Hillslope Hydrology.
(ed. M. J. Kirkby), S. 227-293. John Wisley & Sons, Chichester.
DVWK. (1982). Arbeitsanleitung zur Anwendung von Niederschlag-Abfluss-Modellen
in kleinen Einzugsgebieten. Teil I: Analyse., DVWK-Regeln. Verlag P. Parey, Hamburg
und Berlin.
DVWK. (1984). Arbeitsanleitung zur Anwendung von Niederschlag-Abfluss-Modellen
in kleinen Einzugsgebieten. Teil II: Synthese., DVWK-Regeln. Verlag P. Parey, Hamburg und Berlin.
DVWK. (1996). Ermittlung der Verdunstung von Land- und Wasserflächen., DVWKMerkblätter zur Wasserwirtschaft. Wirtschafts- und Verlagsgesellschaft Gas und Wasser mbH, Bonn.
DVWK. (1999). Statistische Analyse von Hochwasserabflüssen., DVWK-Merkblätter
zur Wasserwirtschaft. Wirtschafts- und Verlagsgesellschaft Gas und Wasser mbH,
Bonn.
DWD. (2007(a)). Numerische Wettervorhersage. Website Deutscher Wetterdienst,Offenbach, http://www.dwd.de. Letzter Zugriff: 02.11.2007
DWD. (2007(b)). Lokal-Modell (LM). Website Deutscher Wetterdienst,Offenbach,
http://www.dwd.de/de/FundE/Analyse/Modellierung/lm.htm. Letzter Zugriff:
02.11.2007
DWD. (2007(c)). Global-Modell (GME). Website Deutscher Wetterdienst,Offenbach,
http://www.dwd.de. Letzter Zugriff: 02.11.2007
DYCK, S. (1980). Angewandte Hydrologie. 2 edition. Verlag für Bauwesen, Berlin.
DYCK, S. ; PESCHKE, G. (1995). Grundlagen der Hydrologie. 2 edition. Verlag für
Bauwesen, Berlin.
184
[53]
[54]
[55]
[56]
[57]
[58]
[59]
[60]
[61]
[62]
[63]
[64]
[65]
[66]
ECMWF. (2007). European Centre for Medium-Range Weather Forecasts.
http://www.ecmwf.int. Letzter Zugriff: 02.11.2007
EEA. (2001). Sustainable water use in Europe. In Environmental issue report, vol. 21.
European Environment Agency, Kopenhagen.
ENKE, W. ; SPEKAT, A. ; KREIENKAMP, F. (2006). Neuentwicklung von regional hoch
aufgelösten Wetterlagen für Deutschland und Bereitstellung regionaler Klimaszenarien
mit dem Regionalisierungsmodell WETTREG 2005 auf der Basis von globalen Klimasimulationen mit ECHAM5/MPI-OM T63L31 2010 bis 2100 für die SRES Szenarien B1,
A1B und A2., Forschungsbericht. Meteo-Research, Potsdam.
EU. (2003). Amtsblatt der Europäischen Union: Richtlinie 2003/4/EG der Europäischen Parlaments und des Rates vom 28. Januar 2003 über den Zugang der Öffentlichkeit zu Umweltinformationen und zur Aufhebung der Richtlinie 90/313/EWG des Rates.
14. Februar 2003. Brüssel.
FINK, M. (2000). Stofftransportmodellierung als zentraler Bestandteil eines Entscheidungsunterstützungssystems. In EcoRegio 8/2000 - Heterogenität landschaftshaushaltlicher Wasser– und Stoffumsätze in Einzugsgebieten – Beiträge zum 3. Workshop Hydrologie am 18./19.11.1999 in Göttingen, vol. 8, S. 11-18. Veröffentlichungen der Abteilung Landschaftsökologie am Geographischen Institut der Universität Göttingen,
Hrsg. G. Gerold, Göttingen.
FINK, M. (2004). Regionale Modellierung der Wasser- und Stickstoffdynamik als Entscheidungsunterstützung für die Reduktion des N-Eintrags am Beispiel des Trinkwassertalsperrensystems Weida-Zeulenroda, Thüringen. Dissertation, Institut für Geographie, Friedrich-Schiller-Universität, Jena.
FLÜGEL, W.-A. (1979). Untersuchungen zum Problem des Interflow. Heidelberger
Geographische Arbeiten, S. 56.
FLÜGEL, W.-A. (1995). Delineating Hydrological Response Units by Geographical
Information System Analyses for Regional Hydrological Modelling using PRMS/MMS
in the Drainage Basin of the River Bröl, Germany. Hydrological Processes, 9 (Nr. 3/4),
S. 423–436.
FLÜGEL, W.-A. (1996). Hydrological Response Units (HRU) as modelling entities for
hydrological river basin simulation and their methodological potential for modelling
complex environmental process systems. - Results from the Sieg catchment. Die Erde,
127, S. 42-62.
FRICKE, W. ; KAMINISKI, U. (2002). GAW Brief des Deutschen Wetterdienstes Nr. 12,
Offenbach.
FRITZSCHE, C. (2001). Vergleichende ereignisbezogene Modellierung der Abflussbildung mit PRMS/MMS und Topmodel in zwei kleinen Quelleinzugsgebieten im Thüringer Wald. Diplomarbeit, Institut für Geographie, Friedrich-Schiller-Universität, Jena.
FUNKE, R. ; SCHUMANN, A. H. ; SCHULTZ, G. A. (1999). Regionale Parametrisierung
eines hydrologischen Niederschlag-Abfluß-Modells für Mittelgebirgsverhältnisse. In
Hydrologie und Regionalisierung, Ergebnisse eines Schwerpunktprogramms (19921998), S. 325-344. Kleeberg, H.-B. (Hrsg.), Weinheim, New York, Chichester, Brisbane, Singapore.
FÜRST, J. (2006). Geographische Informationssysteme zur Unterstützung von Regionalisierungsaufgaben in der Hydrologie. In Methoden der hydrologischen Regionalisierung - Wiener Mitteilungen,, vol. 197 (ed. D. Gutknecht), S. 41-54. Eigenverlag TU
Wien, Wien.
GEMMAR, P. ; STÜBER, M. ; GREVING, M. (2004). Anpasungen von Niederschlagsvorhersagen des DWD LM-Modells zur verbesserten Hochwasservorhersage. Poster, Institut für Innovative Informatik-Anwendungen, Fachhochschule Trier, Trier.
[67]
[68]
[69]
[70]
[71]
[72]
[73]
[74]
[75]
[76]
[77]
[78]
[79]
[80]
[81]
[82]
185
GEROLD, G. ; CYKA, B. ; SUTMÖLLER, J. ; KRÜGER, J.-P. ; BUSCH, G. (1997). Regionalization of Runoff Process through Aggregation of „Homogeneous Pedohydrotopes“
under GIS and SARA. Int. Conference on Regionalization in Hydrology., Braunschweig.
GOLF, W. (1981). Ermittlung der Wasserressourcen im Mittelgebirge. Wasserwirtschaft-Wassertechnik, 31, S.
GRIESER, J. ; BECK, C. (2002). Extremniederschläge in Deutschland - Zufall oder Zeichen. In Klimastatusbericht 2002. DWD - Deutscher Wetterdienst, Offenbach.
GROHMANN, J. (1994). Fortgeschriebene Dokumentation Werra-Modell. BCE GmbH
Erfurt, Erfurt.
GRÜNEWALD, U. (1995). Rapporteursbericht zum Themenbereich Landnutzung und
Versiegelung. Hochwasser in Deutschland unter den Aspekten globaler Veränderungen.
In PIK-Report: Bericht über das DFG/IDNDR-Rundgespräch vom 09.10. 1995 in Potsdam, vol. 17, S. 37-45, Potsdam.
GÜNTHER, T. (2005). Produkte des Deutschen Wetterdienstes für die Hochwasservorhersage. Workshop Hochwasservorhersagen. Methoden - strukturelle Einbindung - Perspektiven, Dresden.
GÜNTHER, T. ; MATTHÄUS, H. (2000b). Extreme Niederschlagsdargebote aus Regen
und Schneeschmelze für Deutschland. Deutscher Wetterdienst,Berlin,
http://www.dwd.de/de/FundE/Klima/KLIS/prod/KSB/ksb00/. Letzter Zugriff:
16.10.2007
GÜNTHER, T. ; RACHNER, M. ; MATTHÄUS, H. ; ALBRECHT, F. M. ; ERTEL, H. (2000a).
Regionalisierte Extremwerte des Niederschlagdargebots aus Regen und Schneeschmelze für Deutschland (REWANUS). Deutscher Wetterdienst, Berlin.
HAVERKAMP, S. ; ECKHARDT, K. ; FOHRER, N. ; FREDE, H.-G. (2000). Zulässigkeitsbereiche für die Aggregation raumbezogener Modellparameter. In EcoRegio 8/2000 Heterogenität landschaftshaushaltlicher Wasser– und Stoffumsätze in Einzugsgebieten
– Beiträge zum 3. Workshop Hydrologie am 18./19.11.1999 in Göttingen, vol. 8, S. 4755. Veröffentlichungen der Abteilung Landschaftsökologie am Geographischen Institut
der Universität Göttingen, Hrsg. G. Gerold, Göttingen.
HAVERKAMP, S. ; FOHRER, N. ; FREDE, H.-G. (1999). Entropie als Werkzeug zur räumlichen Diskretisierung. Modellierung des Wasser- und Stofftransports in großen Einzugsgebieten, kassel university press, S. 95-102.
HENDL, M. ; LIEDTKE, H. (2007). Lehrbuch der Allgemeinen Physischen Geographie. 3
edition. Klett-Perthes-Verlag, Gotha.
HENNEGRIFF, W. ; KOLOKOTRONIS, V. ; WEBER, H. ; BARTELS, H. (2006). Klimawandel und Hochwasser. ATV-DVWK KA-Abwasser, Abfall, 8, S. 770.
HENNING, H. ; SCHWARZE, R. (2001). Geohydraulische Interpretation des Konzeptmodells Einzellinearspeicher und Konsequenzen bei der Modellierung des Grundwasserabflusses. Wasserwirtschaft 90, 1, S. 42-48.
HERBST, M. (2001). Regionalisierung von Bodeneigenschaften unter Berücksichtigung
geomorphometrischer Strukturen für die Modellierung der Wasserflüsse eines mikroskaligen Einzugsgebiets. Dissertation, Mathematisch-Naturwissenschaftliche Fakultät,
Rheinische Friedrich-Wilhelms-Universität Bonn, Bonn.
HIEKEL, W. ; FRITZLAR, F. ; HAUPT, R. ; KLAUS, S. ; LAEPPLE, U. ; NÖLLERT, A. ; REISINGER, E. ; STREMKE, A. ; WENZEL, H. ; WESTHUS, W. ; WIESNER, J. (1994). Wissenschaftliche Beiträge zum Landschaftsprogramm Thüringens., Schriftenreihe der TLUG.
Thüringer Landesanstalt für Umwelt und Geologie, Jena.
HIEKEL, W. ; FRITZLAR, F. ; NÖLLERT, A. ; WESTHUS, W. (2004). Die Naturräume
Thüringens, Naturschutzreport. Thüringer Landesanstalt für Umwelt und Geologie, Jena.
186
[83]
[84]
[85]
[86]
[87]
[88]
[89]
[90]
[91]
[92]
[93]
[94]
[95]
[96]
[97]
[98]
[99]
HINKELMANN, R. (2006a). Hydrologie und Wasserwirtschaft - Hydrologische Modellierung. Vorlesungsskript, Fachgebiet Wasserwirtschaft und Hydroinformatik, Technische
Universität Berlin, Berlin.
HINKELMANN, R. (2006b). Hydrologie und Wasserwirtschaft - Hydrologische Grundlagen. Vorlesungsskript, Fachgebiet Wasserwirtschaft und Hydroinformatik, Technische
Universität Berlin, Berlin.
HOCHSCHILD, V. ; BONGARTZ, K. (2000). Forschungs- und Entwicklungsprojekt River,
Untersuchung der operationellen Anwendbarkeit von Fernerkundungsdaten für hydrologische Fragestellungen in der Thüringer Umweltverwaltung., nstitut für Geographie,
Friedrich-Schiller-Universität, Jena.
HOFFMEYER-ZLOTNIK, G. (1983). Dokumentation Werra-Modell. TH Ilmenau, Institut
für Automatisierungs- und Systemtechnik, Ilmenau.
HORTON, R. E. (1933). The role of infiltration in the hydrological cycle. In Transactions, vol. 14, S. 479-482. American Geophysical Union.
IPCC. (2001). Intergovernmental Panel on Climate Change IPCC: Third Assessment
Report.Climate Change 2001: The Scientific Basis; Impacts, Adaptation & Vulnerability; Mitigation. Cambridge University Press, Cambridge.
IPCC. (2002). Climate Change 2001 Synthesis Report. Intergovernmental Panel on
Climate Change. Deutsche IPCC Koordinierungsstelle des BMBF und des BMU, Bonn.
IPCC. (2007). Intergovernmental Panel on Climate Change: Ergebnisse des Fourth
Assessment Report (AR4) der Arbeitsgruppe 1: Wissenschaftliche Grundlagen. AlfredWegener-Institut für Polar- und Meeresforschung,
http://www.awi.de/de/aktuelles_und_presse/ausgewaehlte_themen/klimawandel/ipcc_be
richt_2007/zusammenfassung/. Letzter Zugriff: 07.09.2007
JACOB, D. (2006). (mündliche Mitteilung). MPI Hamburg.
JACOB, D. ; BÜLOW, K. ; MELLIEZ, M. (2003). Dynamische und statistische Erstellung
von hochaufgelösten Klimaszenarien als Basis für wasserwirtschaftliche Handlungsempfehlungen. im KLIWA-Projekt B 1.1.1 Klimaszenarien, MPI Hamburg, im Auftrag
des AK KLIWA, Abschlussbericht, S.
JACOB, D. ; PODZUN, R. (1997). Sensitivity Studies with the Regional Climate Modell
REMO. Meteorol. Atmos. Phys, 63, S. 119-129.
JENSEN, A. E. ; BURMAN, R. D. ; ALLEN, R. G. (1990). Evapotranspiration and Irrigation Water Requirements. In American Society of Civil Engineers Technical Report, vol.
70.
JONAS, M. ; STAEGER, T. ; SCHÖNWIESE, C.-D. (2005). Berechnung der Wahrscheinlichkeiten für das Eintreten von Extremereignissen durch Klimaänderungen – Schwerpunkt Deutschland (Abschlussbericht zum UBA-Forschungsvorhaben Nr. 201 41 254).
Institut für Atmosphäre und Umwelt, Univ. Frankfurt/M., Frankfurt/M.
JORDAN, H. ; WEDER, H.-J. (1995). Hydrogeologie - Grundlagen und Methoden ; regionale Hydrogeologie: Mecklenburg Vorpommern, Brandenburg und Berlin, SachsenAnhalt, Sachsen, Thüringen. Enke Verlag.
KIRKBY, M. J. ; NADEN, P. S. ; BURT, T. P. ; BUTCHER, D. P. (1993). Model calibration
and verification. In Computer simulation in physical geography., S. 155-176. KIRKBY,
M.J.; NADEN, P.S.; BURT, T.P.; BUTCHER, D.P., Chichester.
KITE, G. W. ; KOUWEN, N. (1992). Watershed Modeling Using Land Classications.
Water Resources Research 28, 12, S. 3193–3200.
KLEEBERG, H.-B. ; CEMUS, J. (1992). Regionalisierung hydrologischer Daten – Definitionen. In Regionalisierung in der Hydrologie (DFG) (ed. H.-B. Kleeberg). VCH Verlagsgesellschaft mbH, Weinheim.
[100]
[101]
[102]
[103]
[104]
[105]
[106]
[107]
[108]
[109]
[110]
[111]
[112]
[113]
[114]
[115]
187
KLEMEŠ, V. (1986). Operating testing of hydrological simulation models. In Hydrological Sciences Journal - des Sciences Hydrologiques, vol. 3, S. 31. National Hydrology
Research Institute Environment Canada, Ottawa, Ontario.
KLINK, S. ; STEPHAN, K. (2004). Assimilation of Radar Data in the LM at DWD.
COSMO Newsletter, No. 4, S. 143-150.
KLIWA. (2006). Regionale Klimaszenarien für Süddeutschland. Abschätzung und Auswirkungen auf den Wasserhaushalt., KLIWA-Berichte,. Arbeitskreis KLIWA: Landesanstalt für Umwelt, Messungen und Naturschutz Baden-Württemberg, Bayerisches
Landesamt für Umwelt (BfU), Deutscher Wetterdienst (DWD).
KNAPP, B. J. (1978). Infiltration and Storage of Soilwater. In Hillslope Hydrology (ed.
M. J. Kirkby), S. 43-72. John Wisley & Sons, Chichester.
KÖTHE, R. ; BOCK, M. (2000). Fachwissenschaftliche Expertise: Digitale Reliefanalyse
für drei Testgebiete in Thüringen, incl. Erstellung und Bewertung von Digitalen Geländemodellen. (unveröffentlicht, erstellt im Auftrag der TLUG), scilands GmbH, Göttingen.
KÖTHE, R. ; BOCK, M. (2002). Dokumentation zur Erstellung des Digitalen Geländemodells (DGM25) und der Geomorphologischen Reliefeinheiten (GMK25) mit 25 m
Rasterweite von der Landesfläche von Thüringen. (unveröffentlicht, erstellt im Auftrag
der TLUG), scilands GmbH, Göttingen.
KRALISCH, S. (2004). Darstellung und Analyse hydrologischer Topologien auf der Basis künstlicher neuronaler Netze. Dissertation, Institut für Geographie, FriedrichSchiller-Universität, Jena.
KRALISCH, S. ; KRAUSE, P. (2006). JAMS - A Framework for Natural Resource Model
Development and Application. 7th International Conference on Hydroinformatics, HIC,
Nice, France.
KRALISCH, S. ; KRAUSE, P. (2007a). Dokumentation zu JAMSSCN. internes Paper, Institut für Geographie, Lehrstuhl für Geoinformatik, Friedrich-Schiller-Universität, Jena.
KRALISCH, S. ; KRAUSE, P. ; FINK, M. ; FISCHER, C. ; FLÜGEL, W.-A. (2007b). Component based environmental modelling using the JAMS framework. MODSIMInternational Congress on Modelling and Simulation, 10-13 December 2007, Christchurch, NZ.
KRAUSE, P. (2001). Das hydrologische Modellsystem J2000. Beschreibung und Anwendung in großen Flussgebieten., Schriften des Forschungszentrums Jülich, Reihe Umwelt, Jülich.
KRAUSE, P. (2002). Quantifying the impact of landuse changes on the water balance of
large catchments using the J2000 model. In Physics and Chemnistry of the Earth., vol.
27, S. 663-673.
KRAUSE, P. (2004). The modular and object oriented hydrological modelling system
J2000 – Description and application in a small test catchment.interne Publikation.
Friedrich-Schiller-University, Dept. for Geoinformatics, Modelling and Hydrology,
Jena.
KRAUSE, P. (2005a). The modular and object oriented hydrological modelling system
J2000 - Description and application in a small test catchment. Journal of Hydrology, S.
KRAUSE, P. ; BENDE-MICHL, U. ; BÄSE, F. ; FINK, M. ; FLÜGEL, W.-A. ; PFENNIG, B.
(2006). Multiscale Investigations in a Mesoscale Catchment – Hydrological Modelling
in the Gera Catchment. Advances in Geosciences, 9, S. 53-61.
KRAUSE, P. ; BOYLE, D. ; BÄSE, F. (2005b). Comparison and quantification of different
efficiency criteria for hydrological model assessment. Data, parameter and model uncertainty in large scale hydrological modelling. Advances in Geosciences., 5, S. 89-97.
188
[116]
[117]
[118]
[119]
[120]
[121]
[122]
[123]
[124]
[125]
[126]
[127]
[128]
[129]
[130]
[131]
[132]
KRAUSE, P. ; FLÜGEL, W.-A. (2005c). Integrated research on the hydrological process
dynamics from the Wilde Gera catchment in Germany. IAHS Conference, 2005.
Headwater Control VI: Hydrology, Ecology and Water Resources in Headwaters, Bergen.
KRAUSE, P. ; HANISCH, S. ; BOYLE, D. P. (2007). Prognostic Simulation and Analysis of
the Impact of Climate Change on the Hydrological Dynamics in Thuringia, Germany.
Manuscript prepared for Hydrol. Earth Syst. Sci. in preview, S.
KRYSANOVA, V. ; MÜLLER-WOHLFEIL, D.-I. ; BECKER, A. (1998). Development and
test of a spatially distributed hydrological/water quality model for mesoscale watersheds. Ecological Modelling, 106, S. 261-298.
KUNKA, R. (2007). (mündliche Mitteilung). TLUG.
KUNZ, M. ; KOTTMEIER, C. (2004). Starkniederschläge mit langer Andauer über Mittelgebirgen, Institut fur Meteorologie und Klimaforschung, DFG-Graduiertenkolleg Naturkatastrophen, Universitat Karlsruhe/Forschungszentrum Karlsruhe, Karlsruhe.
LAUER, W. ; BENDIX, J. (2006). Klimatologie, Das geographische Seminar. 2 edition.
Verlag Westermann, Braunschweig.
LEAVESLEY, G. H. ; LICHTY, R. W. ; TROUTMAN, B. M. ; SAINDON, L. G. (1983). Precipitation-Runoff- Modeling-System. - User's Manual. In Water Resource Investigations
Report. U.S. Geological Survey, Denver, Colorado.
LEAVESLEY, G. H. ; STANNARD, L. G. (1995). The Precipitation-Runoff Modeling System – PRMS. In Computer Models of Watershed Hydrology. (ed. V. P. Singh), S. Chapter 9, 281-310. Water Resources Publications, Highlands Ranch, Colorado.
LEGATES, D. R. ; MCCABE, G. J. (1999). Evaluating the use of „goodnes-of-fit“ measures in hydrologic and hydroclimatic model validation. Water Resource Research, 35,
S. 233-341.
LUBW. (2006). Unser Klima verändert sich. Folgen – Ausmaß – Strategien. Auswirkungen auf die Wasserwirtschaft in Süddeutschland., KLIWA Klimaveränderungen und
Wasserwirschaft. LUBW Landesanstalt für Umwelt, Messungen und Naturschutz Baden-Württemberg, Karlsruhe.
MAJEWSKI, D. (1991). The Europa-Modell of the Deutscher Wetterdienst. ECMWF
Seminar on numerical methods. athmospheric modells, 2, S. 147-192.
MALITZ, G. (2005). KOSTRA-DWD-2000 - Starkniederschlagshöhen für Deutschland
(1951–2000), Grundlagenbericht. Deutscher Wetterdienst, Hydrometeorologie, Offenbach.
MAMILLAPALLI ; SRINIVASAN, R. ; ARNOLD, J. G. ; ENGEL, B. A. (1996). Spatial Variability an Basin Scale Hydrological Modeling. Third International Conference on Integrating GIS and Environmental Modeling, Santa Fe, New Mexico, 21.-24. Januar.
MEIJERINK, A. M. J. (1997). Conceptual Modelling for Surface-Groundwater Interactions based on Hydrotopes, identified by Remote Sensing. In Remote Sensing and Geographic Information Systems for Design and Operation of Water Resources Systems
(ed. M. F. Baumgartner, G. A. Schultz and A. I. Johnson), S. 149–156. IAHS Publication No. 242.
MENDEL, H. G. (2000). Elemente des Wasserkreislaufs. Eine kommentierte Bibliographie zur Abflußbildung. 1 edition. Bundesanstalt für Gewässerkunde (BfG). Analytica
Verlagsgesellschaft, Berlin.
MICHL, C. (1999). Prozessorientierte Modellierung des Wasserhaushalts zweier Quelleinzugsgebiete im Thüringer Wald. Dissertation, Institut für Geographie, FriedrichSchiller-Universität, Jena.
MILLY, P. C. D. ; WETHERALD, R. T. ; DUNNE, K. A. ; DELWORTH, T. L. (2002). Increasing risk of great floods in a changing climate. Nature, 415, S. 512-515.
[133]
[134]
[135]
[136]
[137]
[138]
[139]
[140]
[141]
[142]
[143]
[144]
[145]
[146]
[147]
[148]
[149]
[150]
[151]
189
MOBERG, A. (2005). Highly variable Northern Hemisphere temperatures reconstructed
from low- and high-resolution proxy data. Nature, 433, S. 613-617.
MONTEITH, J. L. (1975). Vegetation and atmosphere. Vol. 1 Principles. Academic
Press, London.
MÜNCHNERRÜCKVERSICHERUNG. (2002). Münchner Rückversicherung: Annual Review: Natural Catastrophes 2002.,
http://www.munichre.com/de/publications/default.aspx. Letzter Zugriff: 26.08.2007
NACHTNEBEL, H. P. (2003). Studienblätter Hydrologie. interne Veröffentlichung, Institut für Wasserwirtschaft, Hydrologie und konstruktiven Wasserbau (IWHW), Universität für Bodenkultur, Wien.
NAKICENOVIC, N. ; SWART, R. (2000). Emission Scenarios.IPCC Special Report on
Emission Scenarios.C. U. Press. Cambridge.
NAKOTT, J. (2007). Klimawandel in Deutschland. In National Geographic Deutschland,
vol. 9, S. 10-14.
NASH, J. E. ; SUTCLIFFE, J. V. (1970). River flow forecasting through conceptual models - part 1: A discussion of principles. Journal of Hydrology, 10, S. 282-290.
NASSI, I. ; SHNEIDERMANN, B. (1973). Flowchart techniques for structured programming. In ACM SIGPLAN Notices, vol. 8, S. 12-26.
NIEHOFF, D. (2002). Modellierung des Einflusses der Landnutzung auf die Hochwasserentstehung in der Mesoskala., Brandenburgische Umweltberichte. Universität Potsdam, Potsdam.
PALMER, T. ; RÄISÄNEN, J. (2002). Quantifying the risk of extreme seasonal precipitation events in a changing climate. Nature, 415, S. 512-514.
PARDÉ, M. (1964). Fleuves et rivieres. 4. Aufl. edition, Paris.
PARK, S. J. ; MCSWEENEY, K. ; LOWERY, B. (2001). Identification of the spatial distribution of soils using a process-based terrain characterization. Geoderma, 103, S. 249272.
PATT, H. (2001). Hochwasser-Handbuch. Auswirkungen und Schutz. Springer-Verlag,
Berlin-Heidelberg.
PESCHKE, G. ; ETZENBERG, C. ; MÜLLER, G. ; TÖPFER, J. ; ZIMMERMANN, S. (1999).
Das wissensbasierte System FLAB - ein Instrument zur rechnergestützten Bestimmung
von Landschaftseinheiten mit gleicher Abflußbildung. In IHI-Schriften, vol. 10/1999.
PETIT, J. R. ; JOUZEL, J. ; RAYNAUD, D. ; BARKOV, N. I. ; MARNOLA, J.-M. ; BASILE, I.
BENDERS, M. ; CHAPPELLAZ, J. ; DAVIS, M. ; DELAYQUE, G. ; DELMOTTE, M. ; KOTLYAKOV, V. M. ; LEGRAND, M. ; LIPENKOV, V. Y. ; LORIUS, C. ; PÉPIN, L. ; RITZ, C. ;
SALTZMAN, E. ; STIEVENARD, M. (1999). Climate and atmospheric history of the past
420,000 years from the Vostok ice core, Antarctica. Nature, 399, S. 429-436.
PFANNSCHMIDT, K. ; DÖHLER, H. (2005). Studies on data uncertainties of the local
model of the German Meteorological Service in the catchment area of the river Ilm. In
Advances in Geosciences, vol. 5, S. 113-118.
PFENNIG, B. (2003). Untersuchung der Übertragbarkeit von Flächenausweisungen und
Modellparametern, aus einem Repräsentativgebiet, in ein benachbartes mesoskaliges
Einzugsgebiet im Thüringer Wald. Studienprojekt, unveröffentlicht, Institut für Geographie, Friedrich-Schiller-Universität, Jena.
PFENNIG, B. (2004). Anwendungsspezifischer Vergleich zweier hydrologischer Modellansätze (PRMS und SWAT) in Untersuchungsgebieten mit unterschiedlichen naturräumlichen Ausstattungen., Institut für Geographie, Friedrich-Schiller-Universität, Jena.
PFENNIG, B. ; FINK, M. ; KRAUSE, P. (2006). Leitfaden für die Ableitung prozeßorientierter Modelleinheiten (HRU's) für die hydroloische Modellierung. - Interne Publikation. unveröffentlicht, Institut für Geographie, Friedrich-Schiller-Universität, Jena.
190
[152]
[153]
[154]
[155]
[156]
[157]
[158]
[159]
[160]
[161]
[162]
[163]
[164]
[165]
[166]
PFENNIG, B. ; WOLF, M. (2007). Ausweisung topographisch basierter Prozessflächen
aus SRTM-Höhendaten unter Berücksichtigung unterschiedlicher Landschaftsräume für
PUB. In Angewandte Geoinformatik 2007. Beiträge zum 19. AGIT-Symposium und
Fachmesse "Angewandte Geoinformatik" (ed. J. Strobl, T. Blaschke and G. Griesebner), Salzburg, Österreich.
PFISTER, C. (1999). Wetternachhersage - 500 Jahre Klimavariationen und Naturkatastrophen (1496-1995). Verlag Paul Haupt, Bern-Stuttgart-Wien.
PLATE, E. J. ; MERZ, B. (2001). Naturkatastrophen. Ursachen-Auswirkungen-Vorsorge.
E. Schweizerbart'sche Verlagsbuchhandlung (Nägele und Obermiller), Stuttgart.
PÖRTGE, K.-H. ; DEUTSCH, M. (2000). Hochwasser in Vergangenheit und Gegenwart.
In Rundgespräche der Kommisssion für Ökologie: Entwicklung der Umwelt seit der
letzten Eiszeit, vol. 18, S. 139-151. Verlag Dr. Friedrich Pfeil, München.
PUHLMANN, H. ; SCHWARZE, R. (2007). Forest hydrology - results of German and Russian research. A German contribution to Phase VI of the International Hydrological
Programme of UNESCO, Theme 3: Land Habitat Hydrology. In IHP/HWRP - Berichte
(in print), vol. 6, S. 299 ff., Koblenz.
RASMUSSEN, M. (2005). Konzeption und Erprobung eines Moduls zur horizontdifferenzierten Simulation von Bodenwasserbewegungen im hydrologischen Modellsystem
J2000. Diplomarbeit, Institut für Geographie, Friedrich-Schiller-Universität, Jena.
RAU, D. ; SCHRAMM, H. ; WUNDERLICH, J. (1995). Die Leitbodenformen Thüringens.,
Geowissenschaftliche Mitteilungen von Thüringen., Weimar.
REINHARDT, F. ; BRANDTNER, W. (2007). (mündliche Mitteilung). TLUG.
RICHTER, D. (1995). Ergebnisse methodischer Untersuchungen zur Korrektur des systematischen Messfehlers des Hellmann-Niederschlagsmessers. Berichte des Deutschen
Wetterdienstes, Selbstverlag des DWD, Offenbach am Main.
ROECKNER, E. ; BAEUML, G. ; BONAVENTURA, L. ; BROKOPF, R. ; ESCH, M. ; GIORGETTA, M. ; HAGEMANN, S. ; KIRCHNER, I. ; KORNBLUEH, L. ; MANZINI, E. ; RHODIN,
A. ; SCHLESE, U. ; SCHULZWEIDA, U. ; TOMPKINS, A. (2003). The atmospheric general
circulation model ECHAM5 - Part 1: Model Description. In MPI-Berichte, vol. 349.
Max-Planck-Institut für Meteorologie, Hamburg.
ROECKNER, E. ; BENGTSSON, L. ; CHRISTOF, M. ; CLAUSSEN, M. ; DÜMENIL, L. ; ESCH,
M. ; GIOGRETTA, M. ; SCHLESE, U. ; SCHULZWEIDA, U. (1996). The atmospheric general circulation model ECHAM4: Model description and simulation of present-day climate. In Report 218. Max-Planck-Institut für Meteorologie, Hamburg.
ROECKNER, E. ; BROKOPF, R. ; ESCH, M. ; GIORGETTA, M. ; HAGEMANN, S. ; KORNBLUEH, L. ; MANZINI, E. ; SCHLESE, U. ; SCHULZWEIDA, U. (2004). The atmosphere
general circulation model ECHAM5. Part 2: Sensitivity of simulated climate to horizontal and vertical resolution. In MPI-Berichte., vol. 354. Max-Planck-Institut für Meteorologie, Hamburg.
RUDOLF, B. ; FRANK, H. ; GRIESER, J. ; MÜLLER-WESTERMEIER, G. ; RAPP, J. ;
TRAMPF, W. (2006). Hydrometeorologische Aspekte des Hochwassers in Südbayern im
August 2005. Niederschlagsvorhersage, Warnung und klimatologische Bewertung des
DWD. Deutscher Wetterdienst, Offenbach.
SCHÄR, C. ; FREI, C. ; FUKUTOME, S. ; LÜTHI, D. ; KLEINN, J. ; S., S. ; VIDALE, P.-L.
(2001). Regionale Klimamodelle - Möglichkeiten und Grenzen. In KLIWA-Berichte,
vol. 1, S. 92-30. Arbeitskreis KLIWA: LUBW, BfU, DWD.
SCHÄR, C. ; FREI, C. ; VIDALE, P.-L. ; KLEINN, J. ; GURTZ, J. (2000). Grenzen und
Möglichkeiten der globalen und regionalen Klimamodellierung für die Quantifizierung
des Wasserhaushalts. Studie für KLIWA, unveröffentlicht. Klimaforschung ETH Zürich,Zürich, http://www.kliwa.de/index.php?pos=ergebnisse/. Letzter Zugriff:
25.08.2007
[167]
[168]
[169]
[170]
[171]
[172]
[173]
[174]
[175]
[176]
[177]
[178]
[179]
[180]
[181]
[182]
[183]
[184]
191
SCHÄTTLER, U. (2005b). A description of the nonhydrostatic regional model LM. Part
V: Preprocessing: Initial and Boundary data for LM. Deutscher Wetterdienst (DWD),
Offenbach.
SCHÄTTLER, U. ; DOMS, G. (2000). The nonhydrostatic limited-area model LM (LokalModell) of DWD. Part II: Implementation documentation. Deutscher Wetterdienst
(DWD), Offenbach.
SCHÄTTLER, U. ; DOMS, G. (2001). The nonhydrostatic limited-area model LM (LokalModell) of DWD. Part III: User Guide. Deutscher Wetterdienst (DWD), Offenbach.
SCHÄTTLER, U. ; DOMS, G. ; SCHRAFF, C. (2005a). A description of the nonhydrostatic
regional model LM. Part VII: User's Guide (only draft version). Deutscher Wetterdienst
(DWD), Offenbach.
SCHÖNINGER, M. ; DIETRICH, J. (2007). Vorlesung und Übung Hydrologie. HydroScript, TU Braunschweig, http://www.hydroskript.de/html/_index.html. Letzter Zugriff:
20.11.2007
SCHÖNWIESE, C.-D. ; STAEGER, T. ; TRÖMEL, S. (2005). Klimawandel und Extremereignisse in Deutschland. In Klimastatusbericht 2005. DWD, Offenbach.
SCHRAFF, C. ; HESS, R. (2003). A description of the nonhydrostatic regional model LM.
Part III: Data Assimilation. Deutscher Wetterdienst (DWD), Offenbach.
SCHULLA, J. (1997). Hydrologische Modellierung von Flussgebieten zur Abschätzung
der Folgen von Klimaänderungen. Züricher Geographische Schriften, 69, S.
SCHULZ, J.-P. ; SCHÄTTLER, U. (2005). Kurze Beschreibung des LME und seiner Datenbanken auf dem Datenserver des DWD. Deutscher Wetterdienst (DWD), Offenbach.
SCHWARZE, R. (2004). Regionalspezifische Untersuchungen im Festgesteinsbereich. In
Wasser- und Nährstoffhaushalt im Elbegebiet und Möglichkeiten zur Stoffeintragsminderung. - Konzepte für die nachhaltige Entwicklung einer Flusslandschaft. (ed. A. Becker, Lahmer, W. (Hrsg.)), S. 183 - 225. Weißenseeverlag, Berlin.
SCHWARZE, R. ; DRÖGE, W. ; OPHERDEN, K. (1999). Regional analysis and modelling
of groundwater runoff components from catchments in hard rock areas. In IAHS Publ., vol. No. 254, S. 221-232.
SCHWARZE, R. ; HEBERT, D. ; OPHERDEN, K. (1995). On the residence time of runoff
from small catchment areas in the Erzgebirge region. Isotopis Environment Health
Stud., 31, S. 15-28.
SCHWARZE, R. ; HERMANN, A. ; MENDEL, O. (1994). Regionalization of runoff components for Central European basins., IAHS Publication No. 221, Wallingford UK.
SCHWARZE, R. ; HERRMANN, A. ; MÜNCH, A. ; GRÜNEWALD, U. ; SCHÖNIGER, M.
(1991). Rechnergestützte Analyse von Abflusskomponenten und Verweilzeiten in kleinen
Einzugsgebieten. In Acta Hydrophysica, vol. 35, S. 143-184, Berlin.
SINGH, V. P. (1995). Computer Models of Watershed Hydrology. Water Resources Publications, Colorado.
SINGH, V. P. ; FIORENTINO, M. (1992). Entropy and Energy Dissipation in Water Resources. Kluwer Academic Publisher, Dordrecht, Netherlands.
SPEKAT, A. ; ENKE, W. ; KREIENKAMP, F. (2007). Neuentwicklung von regional hoch
aufgelösten Wetterlagen für Deutschland und Bereitstellung regionaler Klimaszenarios
auf der Basis von globalen Klimasimulationen mit dem Regionalisierungsmodell WETTREG auf der Basis von globalen Klimasimulationen mit ECHAM5/MPI-OM T63L31
2010 bis 2100 für die SRES-Szenarios B1, A1B und A2. In UBA Forschungsbericht. Im
Rahmen des Forschungs- und Entwicklungsvorhabens: "Klimaauswirkungen und Anpassungen in Deutschland - Phase I: Erstellung regionaler Klimaszenarios für Deutschland" des Umweltbundesamtes. Förderkennzeichen 204 41 138, Dessau.
SSMUL. (1999). Hochwasserschutz in Sachsen. In Materialien zur Wasserwirtschaft,
vol. 3, S. 41. Freistaat Sachsen. Staatsministerium für Umwelt und Landwirtschaft.
192
[185]
[186]
[187]
[188]
[189]
[190]
[191]
[192]
[193]
[194]
[195]
[196]
[197]
[198]
[199]
[200]
[201]
[202]
STAUDENRAUSCH, H. (2000). Topologische Beziehungen von hydrologischen Objekten
in Flusseinzugsgebieten. EcoRegio - Heterogenität landschaftshaushaltlicher Wasser–
und Stoffumsätze in Einzugsgebieten – Beiträge zum 3. Workshop Hydrologie am
18./19.11.1999 in Göttingen, 8/2000, S. 121-128.
STAUDENRAUSCH, H. (2001). Untersuchungen zur hydrologischen Topologie von Landschaftsobjekten für die distributive Flussgebietsmodellierung. Dissertation, Institut für
Geographie, Friedrich-Schiller-Universität, Jena.
TLL. (2007). Agrarmeteorologische Daten für Thüringen. Thüringer Landesanstalt für
Landwirtschaft, http://www.tll.de/wetter/wet_idx.htm. Letzter Zugriff: 26.11.2007
TLUG. (1996a). Gewässer- und Auenentwicklungskonzept der Ilm- Abschlußbericht
zum BMBF-Forschungsprojekt: Ökologisch begründete Sanierung der Ilm, Phase II:
Projektbüro zur Koordinierung der Umsetzung und Erarbeitung eines Gewässerentwicklungsplanes auf Basis eines Leitbildes. Thüringer Landesanstalt für Umwelt
(Hrsg.).
TLUG. (1996b). Gewässer- und Auenentwicklungskonzept der Ilm. Standort bezogene
Maßnahmenbeschreibung zur Verbesserung der Gewässer-, Ufer- und Auestrukturen
der Ilm. Anlage A2. Thüringer Landesanstalt für Umwelt (Hrsg.).
TLUG. (2007). Thüringer Klimabereiche und deren Vulnerabilität. Thüringer Landesanstalt für Umwelt und Geologie,Jena, http://www.tlug-jena.de/klima/index.html. WebSite. Letzter Zugriff: 20.11.2007
TMLNU. (1996). Grundwasserbericht: Grundwasser in Thüringen - Bericht zu Menge
und Beschaffenheit. Thüringer Ministerium für Landwirtschaft, Naturschutz und Umwelt, Autorenkollektiv, Erfurt.
TMLNU. (1997). Thüringer Verordnung zur Einrichtung des Warn- und Alarmdienstes
zum Schutz vor Wassergefahren (ThürWAWassVO). Thüringer Ministerium für Landwirtschaft, Naturschutz und Umwelt, Erfurt.
TMLNU. (2000). Thüringer Ministerium für Landwirtschaft, Naturschutz und Umwelt:
Vorsorgender, naturnaher Hochwasserschutz. S.
Vorbeugender Hochwasserschutz in Thüringen., S.
TMLNU. (2004). Verwaltungsvorschrift zur Durchführung der Thüringer Verordnung
zur Einrichtung des Warn- und Alarmdienstes zum Schutz vor Wassergefahren (Hochwasser-Meldeordnung-HWMO). Thüringer Ministerium für Landwirtschaft, Naturschutz und Umwelt, Erfurt.
Überschwemmungsgebiete in Thüringen., S.
UBA. (2005). Hochwasser. Umweltbundesamt,Dessau,
http://www.umweltdaten.de/wasser/themen/hw_start.htm. Letzter Zugriff: 06.10.2005
UBA. (2006). Was sie über vorsorgenden Hochwasserschutz wissen sollten. Umweltbundesamt,Dessau, http://www.umweltdaten.de/publikationen/fpdf-l/3019.pdf. Letzter
Zugriff: 06.11.2007
UBA. (2007). Klimaänderungen, deren Auswirkungen und was für den Klimaschutz zu
tun ist. Umweltbundesamt,Dessau,
http://www.umweltbundesamt.de/klimaschutz/index.htm. Letzter Zugriff: 11.12.2007
UHLENBROOK, S. (1999). Untersuchung und Modellierung der Abflussbildung in einem
mesoskaligen Einzugsgebiet., Freibuerger Schriften zur Hydrologie. Institut für Hydrologie, Universität Freiburg, Freiburg.
ULBRICH, U. (2004). Mögliche diagnostische Arbeiten zu Extremereignissen. Planungstreffen für den deutschen Beitrag zum IPCC AR4, unveröffentlicht, S.
VÖLKEL, U. (2007). (mündliche Mitteilung). TLUG.
[203]
[204]
[205]
[206]
[207]
[208]
[209]
[210]
193
WASY. (2005). HQ-EX 3.0 Programm zur Berechnung von Hochwasserwahrscheinlichkeiten. Benutzerhandbuch. Gesellschaft für wasserwirtschaftliche Planung und Systemforschung mbH, Berlin.
WERNSTEDT, J. (1991). Fortschreibung des Werra-Modell. TU Ilmenau; Fakultät für
Informatik und Automatisierungstechnik, Ilmenau.
WESSOLEK, G. (1993). Erarbeitung eines Schlüssels zur Abschätzung von Versickerung
und Oberflächenabfluss versiegelter Flächen Berlins. unveröffentlichter Bericht der
BfG, Berlin.
WHIPKEY, R. Z. ; KIRKBY, M. J. (1978). Flow within the soil. In Hillslope Hydrology
(ed. M. J. Kirkby), S. 121-144. John Wiley & Sons, Chichester.
WIGMOSTA, M. S. ; VAIL, L. W. ; LETTENMAIER, D. P. (1994). A distributed hydrologyvegetation model for complex terrain. Wat. Resour. Res., 30(6), S. 1665-1679.
WMO. (2005). Global temperature in 2003 third warmest. World Meteorological Organization, http://www.wmo.org/home.html. Letzter Zugriff: 04.07.2007
WOHLRAB, B. ; ERNSTBERGER, H. ; MEUSER, A. ; SOKOLLEK, V. (1992). Landschaftswasserhaushalt. Verlag Paul Parey, Hamburg.
ZEBISCH, M. ; GROTHMANN, T. ; SCHRÖTER, D. ; HASSE, C. ; FRITSCH, U. ; CRAMER,
W. (2005). Klimawandel in Deutschland. Vulnerabilität und Anpassungsstrategien klimasensitiver Systeme. Umweltbundesamt (UBA),Dessau,
http://www.umweltbundesamt.de/uba-info-medien/dateien/2947.htm. Letzter Zugriff:
10.11.2007
194
195
Abkürzungsverzeichnis
A1..3
Alarmstufe 1..3
BAfG
Bundesanstalt für Gewässerkunde
BfU
Bayerisches Landesamt für Umwelt
BfG
Bundesanstalt für Gewässerkunde
BMBF
Bundesministerium für Bildung, Wissenschaft, Forschung und Technologie
BMU
Bundesministerium für Umwelt, Naturschutz und Reaktorsicherheit
COSMO
Consortium for Small-Scale Modelling
DFÜ
Datenfernübertragung
DGJ
Deutsches Gewässerkundliches Jahrbuch
DGM
Digitales Geländemodell
DVWK
Deutscher Verband für Wasserwirtschaft und Kulturbau e.V.
DWD
Deutscher Wetterdienst
ECHAM
European Center for Medium Range Weather Forecasts Model, modified in
Hamburg
ECMWF
European Centre for Medium-Range Weather Forecasts
FEG
Flusseinzugsgebiet
GCM
Global Climate Model
GIS
Geographisches Informationssystem
HID
Hochwasserinformationsdienst
HNMS
Hellenic National Meteorological Service, Athens, Greece
HHQ
bisher bekannt gewordener höchster Durchflusswert
HQ
Höchster (Durchfluss-) Wert (H) gleichartiger Zeitabschnitte in der betrachteten
Zeitspanne
HQ(T)
Hochwasserabfluss, der aus der Zeitspanne von T aufeinander folgenden Jahren
ermittelt wird.
HRU
Hydrological Response Units
HWMO
Hochwassermeldeordnung
HWMP
Hochwassermeldepegel
HwNZ
Hochwassernachrichtenzentrale
IDW
Inverse Distance Weighting
196
Abkürzungsverzeichnis
IMGW
Institute of Meteorology and Water Management, Warsaw, Poland
INVISUM
Interaktive Visualisierung von Umweltdaten im Internet
IPCC
Intergovernmental Panel of Climate Change
KLIWA
Kooperationsvorhaben "Klimaveränderung und Konsequenzen für die Wasserwirtschaft“
KOSTRA
Koordinierte Starkniederschlags-Regionalisierungs-Auswertungen
KsHwW
Kommunikationssystem für Hochwassernachrichten und Wetterdaten
LM
Lokalmodell
LME
Lokalmodell Europa
LMK
Lokalmodell Kürzestfrist
LPS
Large Pore Storage
LUBW
Landesanstalt für Umwelt, Messungen und Naturschutz Baden-Württemberg
MB
Meldebeginn
MDR
Mitteldeutscher Rundfunk
MHQ
Mittlerer höchster (Durchfluss-) Wert (MH) gleichartiger Zeitabschnitte der
einzelnen Jahre in der betrachteten Zeitspanne
MNQ
Mittlerer niedrigster (Durchfluss-) Wert (MN) gleichartiger Zeitabschnitte in
der betrachteten Zeitspanne
MPI
Max-Planck-Institut für Meteorologie Hamburg
MPS
Middle Pore Storage
MQ
(Durchfluss-) Mittelwert (M) gleichartiger Zeitabschnitte in der betrachteten
Zeitspanne
N/A-Modell
Niederschlag-Abfluss-Modell
NMA
National Meteorological Administration, Bukarest, Romania
NNQ
niedrigster bekannter (Durchfluss-) Wert
NQ
niedrigster (Durchfluss-) Wert (N) gleichartiger Zeitabschnitte in der
betrachteten Zeitspanne
NSD
Nassi-Shneiderman-Diagramm
OPYC
Isopycnal Ocean Model
PHP
Hypertext Preprocessor
PIK
Potsdam-Institut für Klimafolgenforschung
ppm
parts per million
RCM
Regional Climate Model
RDBMS
Relationales Datenbank Managementsystem
REMO
Regionalmodell
197
REWANUS
Regionalisierung der Extremwerte der Wasserabgabe aus Niederschlag und
Schneedecke für Deutschland
RVO
Rechtsverordnung
SCS
U.S. Soil Conservation Service
SRES
Special Report on Emission Scenarios
SUA
Staatliches Umweltamt
SVG
Scalable Vector Language
TEG
Teileinzugsgebiet
ThürWAWassVO
Thüringer Verordnung zur Einrichtung des Warn- und Alarmdienstes
zum Schutz vor Hochwassergefahren
ThürWG
Thüringer Wassergesetz
TK
Topographische Karte
TLL
Thüringer Landesanstalt für Landwirtschaft
TLUG
Thüringer Landesanstalt für Umwelt und Geologie
TLVermGEO Thüringer Landesamt für Vermessung und Geoinformation
TLVwA
Thüringer Landesverwaltungsamt
TMLNU
Thüringer Ministerium für Landwirtschaft, Naturschutz und Umwelt
UBA
Umweltbundesamt
USAM
Ufficio Generale Spazio Aereo e Meteorologia, Roma, Italy
ÜSG
Überschwemmungsgebiet
WETTREG
Wetterlagen-basierte Regionalisierungsmethode
WMO
World Meteorological Organization
XML
Extended Markup Language
198
Anhang
199
Anhang
Anhang A - Fotos
Bild 1.1:
Ilm-Quelle nahe der Schmücke ........................................................................... 203
Bild 1.2:
Pegelhaus des Hochwassermeldepegels Gräfinau-Angstedt ............................... 203
Bild 1.3:
Hochwasser kurz unterhalb des Pegels Gräfinau-Angstedt am 01.04.2006........ 204
Bild 1.4:
Hochwasser in der Ortslage von Gräfinau-Angstedt am 01.04.2006 .................. 204
Bild 1.5:
Hellmann-Regenmesser an der Klimastation "Sternwarte Jena" ........................ 205
Bild 1.6:
Pegel Schwarza an der Schwarza ........................................................................ 205
Anhang B - Abbildungen
Abbildung 1.1:
ArcGIS Geoprocessing Operation-Eliminate ......................................... 207
Abbildung 1.2:
Verfahren der Neuattributierung im GIS ............................................... 207
Abbildung 1.3:
Downscaling Global Climate Model - Regional Climate Model ........... 207
Abbildung 1.4:
Raster des REMO-Modells (10x10 km) ................................................ 208
Abbildung 1.5:
Geländehöhe Thüringen und FEG Gräfinau-Angstedt........................... 208
Abbildung 1.6:
Strom- und Flusseinzugsgebiete Thüringens.......................................... 209
Abbildung 1.7:
Fließschema der Ilm............................................................................... 209
Abbildung 1.8:
Naturräumliche Gliederung.................................................................... 210
Abbildung 1.9:
Hydrogeologische Teilräume ................................................................. 210
Abbildung 1.10:
Reklassifizierte Landnutzung ................................................................. 210
Abbildung 1.11:
Karte der Gesamtfeldkapazität ............................................................... 211
Abbildung 1.12:
Digitales Geländemodell DGM-25 ........................................................ 211
Abbildung 1.13:
Aus dem DGM-25 abgeleitete und reklassifizierte Geländehöhe .......... 212
Abbildung 1.14:
Aus dem DGM-25 erzeugte Fließrichtung ............................................. 212
Abbildung 1.15:
Aus dem DGM-25 abgeleitete Fließakkumulation................................. 213
Abbildung 1.16:
Aus der Fließakkumulation abgeleitete Gewässernetze ......................... 213
Abbildung 1.17:
Aus dem DGM-25 abgeleitete und reklassifizierte Hangneigung.......... 214
200
Anhang
Abbildung 1.18:
Aus dem DGM-25 abgeleitete und reklassifizierte Hangrichtung.......... 214
Abbildung 1.19:
Abgeleitete Teileinzugsgebiete FEG Gräfinau-Angstedt ....................... 215
Abbildung 1.20:
Klimastationen mit Tages- und Stundenwerten...................................... 215
Abbildung 1.21:
Niederschlagsstationen mit Tageswerten ............................................... 216
Abbildung 1.22:
Rasterzellen des COSTRA-EU-Modells (früher LM) ............................ 216
Abbildung 1.23:
HRU-Basisaggregationsniveau nach der Verschneidung ...................... 217
Abbildung 1.24:
HRU-Aggregationsniveau Schwellwert S=20 ha ................................... 217
Abbildung 1.25:
HRU-Aggregationsniveau Schwellwert S=10 ha ................................... 218
Abbildung 1.26:
HRU-Aggregationsniveau Schwellwert S=5 ha ..................................... 218
Abbildung 1.27:
HRU-Aggregationsniveau Schwellwert S=3,375 ha .............................. 218
Abbildung 1.28:
HRU-Aggregationsniveau Schwellwert S=2,5 ha .................................. 219
Abbildung 1.29:
HRU-Aggregationsniveau Schwellwert S=0,625 ha .............................. 219
Abbildung 1.30:
HRU-Aggregationsniveau Schwellwert S=0,1875 ha ............................ 219
Abbildung 1.31:
Modelleffizienzen logE2, r², DSgrad als Funktion der HRU-Dichte ρHRU
der Eliminate-Variante „iterativ step 1“ ................................................. 220
Abbildung 1.32:
Modelleffizienzen logE2, r² als Funktion der HRU-Dichte ρHRU nach
Eliminate-Varianten ............................................................................... 220
Abbildung 1.33:
DSgrad=f(ρHRU) nach Eliminate-Varianten ............................................ 221
Abbildung 1.34:
Entwicklung I(HRU) =f(ρHRU) - Gebietsparameter Böden ......................... 221
Abbildung 1.35:
I(HRU)=f(ρHRU) der Variante „iterativ step 1“-Gebietsparameter
Hangneigung und Landnutzung.............................................................. 222
Abbildung 1.36:
I(HRU)=f(ρHRU) der Varianten "nicht iterativ" und "iterativ step 1" Gebietsparameter Hangneigung und Landnutzung ................................ 222
Abbildung 1.37:
Betrachteter Ausschnitt aus dem FEG Gräfinau-Angstedt ..................... 222
Abbildung 1.38:
Gebietsparameter Hangneigung - nicht iterative u. iterative Varianten . 223
Abbildung 1.39:
Gebietsparameter Böden - nicht iterative und iterative Varianten ......... 223
Abbildung 1.40:
Gebietsparameter Landnutzung - nicht iterative und iterat. Varianten... 224
Abbildung 1.41:
FEG Schwarza - ρHRU=f(S) ..................................................................... 224
Abbildung 1.42:
FEG Schwarza - E2=f(ρHRU) -Verschneidung und Raster ...................... 225
Abbildung 1.43:
FEG Schwarza - logE2=f(ρHRU) -Verschneidung und Raster ................ 225
Abbildung 1.44:
FEG Schwarza - r²=f(ρHRU) -Verschneidung und Raster ........................ 225
Abbildung 1.45:
Optimiertes HRU-Aggregationsniveau (Verschneidung) für das FEG
Schwarza................................................................................................. 226
Abbildung 1.46:
Rasterbasierte HRU für das FEG Schwarza .......................................... 226
Abbildung 1.47:
Gebietsparameter Böden, Varianten Verschneidung u. Rasterbildung .. 227
201
Abbildung 1.48:
Gebietsniederschlag, gemessene und modellierte Abflüsse am Pegel
Schwarza für den Gesamtzeitraum vom 01.11.1994-31.10.2005 im
Tagesmodus............................................................................................ 228
Abbildung 1.49:
Gräfinau-Angstedt für den Kalibrierungszeitraum vom 01.11.199931.10.2002 im Stundenmodus ................................................................ 229
Abbildung 1.50:
Gräfinau-Angstedt für den Validierungszeitraum vom 01.11.200231.05.2006 im Stundenmodus ................................................................ 230
Abbildung 1.51:
Modellierte Abflusskomponenten für den Zeitraum vom 01.11.199431.05.2006.............................................................................................. 231
Abbildung 1.52:
Legende für Abbildungen 1.24 und 1.25................................................ 232
Abbildung 1.53:
Kumulierte unkorrigierte, korrigierte Stundenvorhersagewerte und Messwerte, hydrologische Sommerperioden (01.11.1999-31.05.2006) ......... 232
Abbildung 1.54:
Kumulierte unkorrigierte, korrigierte Stundenvorhersagewerte und Messwerte, hydrologische Winterperioden (01.11.1999-31.05.2006) ........... 232
Anhang C - Tabellen
Tabelle 1.1:
Kalibrierungsparameter von J2000/JAMS nach Modulen mit Einheiten und
Wertebereichen (Teil 1)................................................................................... 233
Tabelle 1.2:
Die Kalibrierungsparameter von J2000/JAMS nach Modulen mit Einheiten und
Wertebereichen (Teil 2)................................................................................... 234
Tabelle 1.3:
Kurzcharakterisierung der hydrogeologischen Teilräume .............................. 234
Tabelle 1.4:
Anteile der klassifizierten Landnutzungsarten an der Gesamtfläche .............. 234
Tabelle 1.5:
Die 10 extremsten Hochwasserereignisse HQ am Pegel Gräfinau-Angstedt . 235
Tabelle 1.6:
Gewässerkundliche Hauptzahlen Durchfluss des Pegels Gräfinau-Angstedt
(1951-2006) ..................................................................................................... 235
Tabelle 1.7:
Mittlere Windfehler der Tageswerte der Niederschlagshöhen für Regen und
Schnee ............................................................................................................. 236
Tabelle 1.8:
Gemessener und prognostizierter Niederschlag, Sektion S1, Tageswerte,
hydrologische Sommer- und Winterperioden ................................................. 236
Tabelle 1.9:
Mittlere quadratische Abstände mqA, Tageswerte, Sektionen S1-S4,
Tabelle 1.10:
Gemessener und prognostizierter Niederschlag, Sektion S1, Stundenwerte,
202
Anhang
Tabelle 1.11:
Mittlere quadratische Abstände mqA, Stundenwerte, Sektionen S1-S4,
hydrologische Sommer- und Winterperioden ............................................. 237
Tabelle 1.12:
Gemessene Werte, unkorrigierte und korrigierte Prognosewerte, Sektion S1,
Tageswerte, hydrologische Sommer- und Winterperioden......................... 237
Tabelle 1.13:
Gemessene Werte, unkorrigierte und korrigierte Prognosewerte, Sektion S1,
Stundenwerte, hydrologische Sommer- und Winterperioden..................... 238
Tabelle 1.14:
Schwellwerte S und HRU-Dichten ρHRU der generierten Aggregationsniveaus nach Varianten (Teil 1+2).............................................................. 238
Tabelle 1.15:
Funktionsparameter und statistische Parameter der Potenzfunktionen
ρHRU=f(S) nach Aggregationsvarianten ...................................................... 239
Tabelle 1.16:
Ermittelte Modelleffizienzen E2, logE2, r², DSgrad als Funktion der HRUDichte ρHRU ................................................................................................. 239
Tabelle 1.17:
Funktionsparameter und statistische Parameter der rationalen Funktionen E2,
logE2, r², DSgrad als Funktion der HRU-Dichte ρHRU der Variante ... „iterativ
step1“.......................................................................................................... 239
Tabelle 1.18:
Informationswerte I(HRU) der Gebietsparameter Hangneigung, Böden,
Landnutzung in Abhängigkeit von der HRU-Dichte ρHRU .......................... 240
Tabelle 1.19:
Funktionsparameter und statistische Parameter der logarithmischen
Funktionen I(HRU)=f(ρHRU) ........................................................................... 240
Tabelle 1.20:
Anteile der klassifizierten Landnutzungsarten an der Gesamtfläche des
FEG’s Schwarza ......................................................................................... 240
Tabelle 1.21:
HRU-Anzahl und HRU-Dichte ρHRU der durch Verschneidung und
Rasterbildung erzeugten HRU-Aggregationsniveaus (Teil 1) .................... 240
Tabelle 1.22:
HRU-Anzahl und HRU-Dichte ρHRU der durch Verschneidung und
Rasterbildung erzeugten HRU-Aggregationsniveaus (Teil 2) .................... 241
Tabelle 1.23:
Ermittelte
Modelleffizienzen
der
HRU-Aggregationsniveaus
aus
Verschneidung und Rasterbildung .............................................................. 241
Tabelle 1.24:
Funktionsparameter und statistische Parameter der analytisch bestimmten
rationalen Funktionen der Variante "Verschneidung"................................ 241
Tabelle 1.25:
Funktionsparameter und statistische Parameter der analytisch bestimmten
rationalen Funktionen der Variante "Rasterbildung".................................. 241
Tabelle 1.26:
Optimierte J2000/JAMS-Parametersätze für den Tagesmodus und Stundenmodus.......................................................................................................... 242
Anhang D - Formeln
203
1
Anhang A – Fotos
Bild 1.1: Ilm-Quelle nahe der Schmücke
Bild 1.2: Pegelhaus des Hochwassermeldepegels Gräfinau-Angstedt
204
Bild 1.3: Hochwasser kurz unterhalb des Pegels Gräfinau-Angstedt am 01.04.2006
Bild 1.4: Hochwasser in der Ortslage von Gräfinau-Angstedt am 01.04.2006
Anhang A – Fotos
205
Bild 1.5: Hellmann-Regenmesser an der Klimastation "Sternwarte Jena"
Bild 1.6: Pegel Schwarza an der Schwarza (Foto: TLUG)
206
Anhang B – Abbildungen
207
1
Kapitel 2
Abbildung 1.1:
ArcGIS Geoprocessing Operation-Eliminate (Quelle: ESRI ArcGIS Desktop Help)
Abbildung 1.2:
Verfahren der Neuattributierung im GIS (Quelle: ArcGIS Desktop Help, verändert)
Abbildung 1.3: Downscaling Global Climate Model (GCM) - Regional Climate Model (RCM) ((Ulbrich
2004 [200]), verändert)
208
Abbildung 1.4:
Raster des REMO-Modells (10x10 km)
Kapitel 3
Abbildung 1.5: Geländehöhe Thüringen und FEG Gräfinau-Angstedt (Datengrundlage: DGM-25 der
TLUG)
209
Abbildung 1.6:
Strom- und Flusseinzugsgebiete Thüringens (Datengrundlage: TLUG)
Abbildung 1.7:
Fließschema der Ilm (TMLNU 2004 [194])
210
Abbildung 1.8:
Naturräumliche Gliederung (Datengrundlage: TLUG)
Abbildung 1.9:
Hydrogeologische Teilräume (Datengrundlage: TLUG)
Abbildung 1.10: Reklassifizierte Landnutzung
211
Abbildung 1.11: Karte der Gesamtfeldkapazität
Abbildung 1.12: Digitales Geländemodell DGM-25 (Datengrundlage: TLUG)
212
Abbildung 1.13: Aus dem DGM-25 abgeleitete und reklassifizierte Geländehöhe
Abbildung 1.14: Aus dem DGM-25 erzeugte Fließrichtung
213
Abbildung 1.15: Aus dem DGM-25 abgeleitete Fließakkumulation
Abbildung 1.16: Aus der Fließakkumulation abgeleitete Gewässernetze
214
Abbildung 1.17: Aus dem DGM-25 abgeleitete und reklassifizierte Hangneigung
Abbildung 1.18: Aus dem DGM-25 abgeleitete und reklassifizierte Hangrichtung
215
Abbildung 1.19: Abgeleitete Teileinzugsgebiete FEG Gräfinau-Angstedt
Abbildung 1.20: Klimastationen mit Tages- und Stundenwerten
216
Abbildung 1.21: Niederschlagsstationen mit Tageswerten
Abbildung 1.22: Rasterzellen des COSTRA-EU-Modells (früher LM)
217
Kapitel 4
Abbildung 1.23: HRU-Basisaggregationsniveau nach der Verschneidung
Abbildung 1.24: HRU-Aggregationsniveau Schwellwert S=20 ha
218
Abbildung 1.27: HRU-Aggregationsniveau Schwellwert S=3,375 ha
219
220
Abbildung 1.31: Modelleffizienzen logE2, r², DSgrad als Funktion der HRU-Dichte ρHRU der EliminateVariante „iterativ step 1“
Abbildung 1.32: Modelleffizienzen logE2, r² als Funktion der HRU-Dichte ρHRU nach EliminateVarianten
221
Abbildung 1.33: DSgrad=f(ρHRU) nach Eliminate-Varianten
Abbildung 1.34: Entwicklung I(HRU)= f(ρHRU) - Gebietsparameter Böden
222
Abbildung 1.35: I(HRU)=f(ρHRU) der Variante „iterativ step 1“-Gebietsparameter Hangneigung und Landnutzung
Abbildung 1.36: I(HRU)=f(ρHRU) der Varianten "nicht iterativ" und "iterativ step 1" – Gebietsparameter
Hangneigung und Landnutzung
Abbildung 1.37: Betrachteter Ausschnitt aus dem FEG Gräfinau-Angstedt
223
Abbildung 1.38: Gebietsparameter Hangneigung - nicht iterative und iterative Varianten
Abbildung 1.39: Gebietsparameter Böden - nicht iterative und iterative Varianten
224
Abbildung 1.40: Gebietsparameter Landnutzung - nicht iterative und iterative Varianten
Abbildung 1.41: FEG Schwarza - ρHRU=f(S)
225
Abbildung 1.42: FEG Schwarza - E2=f(ρHRU) -Verschneidung und Raster
Abbildung 1.43: FEG Schwarza - logE2=f(ρHRU) -Verschneidung und Raster
Abbildung 1.44: FEG Schwarza - r²=f(ρHRU) -Verschneidung und Raster
226
Abbildung 1.45: Optimiertes HRU-Aggregationsniveau (Verschneidung) für das FEG Schwarza
Abbildung 1.46: Rasterbasierte HRU für das FEG Schwarza
227
Abbildung 1.47: Gebietsparameter Böden der Varianten Verschneidung und Rasterbildung
228
Abbildung 1.48: Gebietsniederschlag, gemessene und modellierte Abflüsse am Pegel Schwarza für den
Gesamtzeitraum vom 01.11.1994-31.10.2005 im Tagesmodus
229
Kapitel 5
Abbildung 1.49: Gebietsniederschlag, gemessene und modellierte Abflüsse am Pegel Gräfinau-Angstedt
für den Kalibrierungszeitraum vom 01.11.1999-31.10.2002 im Stundenmodus
230
Abbildung 1.50: Gebietsniederschlag, gemessene und modellierte Abflüsse am Pegel Gräfinau-Angstedt
für den Validierungszeitraum vom 01.11.2002-31.05.2006 im Stundenmodus
231
Abbildung 1.51: Modellierte Abflusskomponenten für den Zeitraum vom 01.11.1994-31.05.2006
232
Abbildung 1.52: Legende für Abbildungen 1.24 und 1.25
Abbildung 1.53: Kumulierte unkorrigierte, korrigierte Stundenvorhersagewerte und Messwerte, hydrologische Sommerperioden (Zeitraum: 01.11.1999-31.05.2006)
Abbildung 1.54: Kumulierte unkorrigierte, korrigierte Stundenvorhersagewerte und Messwerte, hydrologische Winterperioden (Zeitraum: 01.11.1999-31.05.2006)
233
1
Anhang C – Tabellen
Kapitel 2
Tabelle 1.1: Kalibrierungsparameter von J2000/JAMS nach Modulen mit Einheiten und Wertebereichen
nach (Bäse 2005 [7]) (Teil 1)
Parameter
Kurzbeschreibung
Einheit
Wertebereich
Interzeption
a_rain
Speicherkapazität pro m² Blattfläche bei
Regen
Speicherkapazität pro m² Blattfläche bei
Schnee
[mm]
0,18-0,48
[mm]
0,38-0,78
[°C]
0,7-2,6
snow_trans
Temperaturgrenzwert für Schneeniederschlag
Temperaturbereich des Mischniederschlages
[K]
2,0-5,0
temp_factor
emp. Kalibrierungsfaktor (Temperatur)
[-]
0,1-2,5
rain_factor
emp. Kalibrierungsfaktor (rain)
[-]
0,0-1,5
ground_factor
emp. Kalibrierungsfaktor (ground)
[mm/d]
1,0-5,0
snowCritDens
kritische Schneedichte
[g/cm³]
0,3-0,45
ccf_factor
Kälteinhalt der Schneedecke
[mm/Kh]
0,015-0,025
ddf
Tag-Grad-Faktor
[mm/d*K]
3,0-11,0
soilMaxDPS
maximaler Muldenrückhalt
[mm/m²]
0,7-8,0
soilPolRed
Reduktionsfaktor der potentiellen ETP
[-]
>0
soilLinRed
Grenzwert der relativen MPS-Sättigung
[-]
0,1-0,9
soilMaxInfSummer
soilMaxInfWinter
max. Infiltration im Sommerhalbjahr
[mm/d]
40-120
max. Infiltration im Winterhalbjahr
[mm/d]
50-150
soilMaxInfSnow
max. Infiltration bei Schneebedeckung
[mm/d]
5-35
soilImpGT80
[-]
10-40
[-]
30-90
[-]
0,0-5,5
[-]
0,0-5,5
[-]
>0
[-]
>0
soilMaxPerc
rel. Infiltrationsvermögen von Flächen mit
einem Versiegelungsgrad >80%
rel. Infiltrationsvermögen von Flächen mit
einem Versiegelungsgrad <80%
Kalibrierungskoeffizient zur Verteilung der
Infiltration zwischen LPS und MPS
Kalibrierungskoeffizient zur Verteilung des
LPS Speicherinhalts auf MPS am Ende des
Zeitschritts
Kalibrierungskoeff. zur Bestimmung des LPSAusflusses
Kalibrierungskoeffizient zur Verteilung des
LPS-Ausflusses auf Zwischenabfluss und
Perkolation
maximale tägliche Perkolationsrate
[mm]
3-7
soilConcRD1
Rückhaltekoeffizient des direkten Abflusses
[d]
0,5-5,0
soilConcRD2
Rückhaltekoeffizient vom Zwischenabfluss
[d]
0,5-10,0
a_snow
Schneemodul
snow_trs
Boden
soilImpLT80
soilDistMPSLPS
soilDiffMPSLPS
soilOutLPS
soilLatVertLPS
234
Tabelle 1.2: Die Kalibrierungsparameter von J2000/JAMS nach Modulen mit Einheiten und Wertebereichen nach (Bäse 2005 [7]) (Teil 2)
Parameter
Kurzbeschreibung
Einheit
Wertebereich
Grundwasser
gwRG1RG2dist
[-]
0,1-5,5
gwRG1Fact
Kalibrierungskoeffizient zur Verteilung des Perkolationswassers
Faktor für die Abflussdynamik des RG1
[-]
>0
gwRG2Fact
Faktor für die Abflussdynamik des RG2
[-]
>0
gwCapRise
Faktor für die Einstellung des kapillaren Aufstiegs
[-]
0,1-5,0
Laufzeit der Abflusswelle
[h]
0,5-10,0
ReachRouting
flowRouteTA
Kapitel 3
Tabelle 1.3: Kurzcharakterisierung der hydrogeologischen Teilräume
Hydrogeologischer
Teilraum
Rotliegend des
Thüringer Waldes
Hydrogeol. Raum
Thüringer Wald
Hydrogeol. Großraum
SE Deutsches Grundgebirge
KluftGrundwassergeringleiter
klastische Sedimente,
Magmatite, Metamorphite
mäßig bis äußerst gering
Grundwasserleitertyp
Lithologie
Durchlässigkeit
Buntsandsteinumrandungen der Thüringischen Senke
Mitteldeutsches Buntsandsteingebiet
Mitteldeutsches Bruchschollenland
Kluft-PorenGrundwasserleiter
Sandstein
mäßig bis gering
Antiklinalbereiche des
Thüringer Schiefergebirges
SE-Deutsches Schiefergebirge
SE-Deutsches Grundgebirge
KluftGrundwassergeringleiter
Metamorphite, Magmatite, klastische Sedimentite
gering
Tabelle 1.4: Anteile der klassifizierten Landnutzungsarten an der Gesamtfläche
Landnutzungsklasse
Siedlung dicht
Siedlung locker
Fläche [km²]
Anteil am FEG [%]
4,2
2,7
5,8
3,7
Grünland
14,7
9,5
Nadelwald
108,6
70,2
Laubwald
10,4
6,7
Ackerland
9,7
6,3
Strauchvegetation
0,8
0,5
Wasserflächen
0,6
0,4
235
Tabelle 1.5: Die 10 extremsten Hochwasserereignisse HQ am Pegel Gräfinau-Angstedt (Quelle: TLUG)
Ereignis
HQ [m³/s]
Datum
1
79,6
10.08.1981
2
69,3
08.02.1946
3
60,8
12.03.1981
4
55,6
28.01.2002
5
50,0
27.04.2006
6
49,3
13.04.1994
7
49,2
05.11.1940
8
47,7
28.12.1947
9
46,4
03.01.2003
10
45,4
06.01.1982
Tabelle 1.6: Gewässerkundliche Hauptzahlen Durchfluss des Pegels Gräfinau-Angstedt (1951-2006)
Hauptzahlen Durchfluss [m³/s] 1951-2006
Monat
NQ
MNQ
MQ
MHQ
HQ
November
0,22 (1991)
1,05
2,38
6,63
35,5 (1998)
Dezember
0,18 (1953)
1,36
3,53
11,1
36,0 (1974)
Januar
0,23 (1954)
1,44
3,74
12,4
55,6 (2002)
Februar
0,21 (1963)
1,55
3,34
9,37
41,0 (1997)
März
0,21 (1963)
1,62
4,04
12,5
60,8 (1981)
April
0,54 (1960)
2,16
4,37
11,0
50,0 (2006)
0,180 (1953)
0,661
3,4
21,3
60,8 (1981)
Mai
0,38 (1957)
1,11
2,2
5,87
18,0 (1969)
Juni
0,14 (1954)
0,773
1,65
5,74
23,2 (1972)
Juli
0,2 (1976)
0,654
1,29
4,69
14,7 (1996)
0,129 (2003)
0,55
1,02
5,74
79,6 (1981)
September
0,21 (1964)
0,592
1,12
3,73
25,7 (1998)
Oktober
0,24 (1953)
0,734
1,64
4,76
24,8 (1960)
Sommer
0,129 (2003)
0,42
1,5
10,4
79,6 (1981)
Jahr
0,129 (2003)
0,38
2,44
22,3
79,6 (1981)
Winter
August
236
Tabelle 1.7: Mittlere Windfehler der Tageswerte der Niederschlagshöhen für Regen und Schnee (Stationslage „leicht geschützt“ (Richter 1995 [160]))
Niederschlagshöhe [mm/d]
0,1
0,2 ... 0,3
0,4 ... 0,6
0,7 ... 1,0
1,1 ... 1,5
1,6 ... 2,0
2,1 ... 2,5
2,6 ... 3,0
3,1 ... 4,0
4,1 ... 5,0
5,1 ... 7,0
7,1 ... 10,0
10,1 ... 15,0
15,1 ... 20,0
20,1 ... 30,0
30,1 ... 50,0
>= 50,1
Argumente x
∆Nrain [mm]
0,05
0,08
0,11
0,14
0,17
0,21
0,21
0,24
0,26
0,25
0,33
0,33
0,43
0,47
0,64
0,78
1,93
0,1
0,25
0,5
0,85
1,3
1,8
2,3
2,8
3,55
4,55
6,05
8,55
12,55
17,55
25,05
40,05
-
∆Nsnow [mm]
0,09
0,16
0,26
0,43
0,70
0,93
1,35
1,70
1,53
1,94
2,13
2,80
2,23
6,35
-
Tabelle 1.8: Gemessener und prognostizierter Niederschlag, Sektion S1, Tageswerte, hydrologische
Sommer- und Winterperioden
Hydrolog.
Sommer
Gehren
4.216
Großbreitenbach
3.310
Suhl
3.860
Gräfenroda
2.610
3.081
3.862
1.935
2.970
2.249
1.998
2.891
2.728
2.108
3.046
LM-Vorhersage [%]
66,6
70,5
68,0
64,9
74,8
70,7
80,7
80,5
mqA
4,89
5,30
4,97
4,99
4,95
5,26
4,19
4,79
Gehren
Gehlberg
4.207
5.676
6.244
Gräfenroda
3.116
Suhl
6.742
Großbreitenbach
5.135
2.440
4.258
3.129
2.543
4.190
3.317
2.678
4.657
LM-Vorhersage [%]
83,0
63,2
60,9
60,4
73,8
53,1
85,9
82,9
mqA
4,17
6,04
4,86
5,07
4,36
6,61
3,56
4,89
RR gemessen [mm]
LM-Vorhersage [mm]
Hydrolog.
Winter
RR gemessen [mm]
LM-Vorhersage [mm]
Oberweißbach
2.905
Oberweißbach
2.939
Schmücke
Schmücke
Frauenwald
Frauenwald
Gehlberg
3.784
5.619
Tabelle 1.9: Mittlere quadratische Abstände mqA [mm], Tageswerte, Sektionen S1-S4, hydrologische
Schmücke
mqA S1 hyd. So
Oberweißbach
4,78
Gehren
5,37
Großbreitenbach
5,00
Gehlberg
5,41
Gräfenroda
4,13
Suhl
4,64
Frauenwald
5,03
mqA S1 hyd. Wi
3,75
6,10
5,05
4,95
4,51
7,05
3,20
4,86
mqA S2 hyd. So
5,32
6,29
5,43
5,00
5,87
6,06
5,08
6,07
mqA S2 hyd. Wi
4,19
7,24
5,80
5,49
5,71
7,65
3,83
6,21
mqA S3 hyd. So
5,77
6,37
6,32
5,61
6,10
6,42
5,55
6,37
mqA S3 hyd. Wi
4,38
7,40
5,94
5,58
5,95
7,77
4,06
6,31
mqA S4 hyd. So
6,55
8,12
6,58
6,49
7,58
7,89
6,29
7,78
mqA S4 hyd. Wi
5,28
8,79
7,00
6,33
7,46
8,62
4,95
7,81
4,88
237
Tabelle 1.10: Gemessener und prognostizierter Niederschlag, Sektion S1, Stundenwerte, hydrologische
Hydrolog. Sommer
Heßberg
Sonneberg
Oberweißbach
Schmücke
RR gemessen [mm]
2.768
3.250
2.906
4.212
Neuhaus am
Rennweg
3.462
LM-Vorhers.
[mm]
3.406
2.814
1.932
2.966
2.547
LM-Vorhersage [%]
123,1
86,6
66,5
70,4
73,6
0,67
0,62
0,63
0,71
0,65
mqA
Hydrolog. Winter
Heßberg
Sonneberg
RR gemessen [mm]
2.713
4.437
2.940
6.746
Neuhaus am
Rennweg
4.676
LM-Vorhers.
[mm]
4.760
4.069
2.439
4.259
3.289
LM-Vorhersage [%]
175,4
91,7
83,0
63,1
70,3
0,46
0,49
0,50
0,70
0,52
mqA
Oberweißbach
Schmücke
Tabelle 1.11: Mittlere quadratische Abstände mqA [mm], Stundenwerte, Sektionen S1-S4, hydrologische
Oberweißbach
Schmücke
Hessberg
Neuhaus am Rw.
Sonneberg
mqA S1 hyd. So
0,62
0,74
0,69
0,66
0,62
mqA S1 hyd. Wi
0,39
0,61
0,47
0,43
0,40
mqA S2 hyd. So
0,65
0,74
0,78
0,71
0,79
mqA S2 hyd. Wi
0,39
0,63
0,56
0,48
0,56
mqA S3 hyd. So
0,74
0,75
0,83
0,79
0,86
mqA S3 hyd. Wi
0,40
0,65
0,55
0,49
0,57
mqA S4 hyd. So
0,69
0,83
0,83
0,75
0,79
mqA S4 hyd. Wi
0,42
0,67
0,57
0,51
0,60
Tabelle 1.12: Gemessene Werte, unkorrigierte und korrigierte Prognosewerte, Sektion S1,Tageswerte,
hydrologische Sommer- und Winterperioden
Hydrol. Sommer
Oberweißb.
2.905
Schmücke
4.216
Großbreitenbach
3.310
Gehren
3.081
Frauenwald
3.862
Gehlberg
3.860
Gräfenroda
2.610
LM unkorr [mm]
1.935
2.970
2.249
1.998
2.891
2.728
2.108
3.046
LM korr [mm]
2.626
3.885
3.192
2.846
3.560
3.470
2.475
3.577
LM unkorr [%]
66,6
70,5
68,0
64,9
74,8
70,7
80,7
80,5
LM korr [%]
90,4
92,2
96,4
92,4
92,2
89,9
94,8
94,5
mqA unkorr
4,81
5,19
4,89
4,89
4,87
5,17
4,17
4,75
mqA korr
4,88
5,26
4,89
4,83
5,01
5,15
4,17
4,87
Oberweißb.
2.939
Schmücke
6.742
Großbreitenbach
5.135
Gehren
4.207
Frauenwald
5.676
Gehlberg
6.244
Gräfenroda
3.116
LM unkorr [mm]
2.440
4.258
3.129
2.543
4.190
3.317
2.678
4.657
LM korr [mm]
3.095
6.476
4.985
4.040
5.562
5.807
3.285
5.642
LM unkorr [%]
83,0
63,2
60,9
60,4
73,8
53,1
85,9
82,9
LM korr [%]
105,3
96,0
97,1
96,0
98,0
93,0
105,4
100,4
mqA unkorr
4,15
5,71
4,59
4,90
4,20
6,20
3,55
4,83
mqA korr
4,20
5,52
4,59
4,86
4,17
5,94
3,61
4,95
RR mess [mm]
Hydrol. Winter
RR mess [mm]
Suhl
3.784
Suhl
5.619
238
Tabelle 1.13: Gemessene Werte, unkorrigierte und korrigierte Prognosewerte, Sektion S1,Stundenwerte,
hydrologische Sommer- und Winterperioden
Hydrol. Sommer
Oberweißbach
Schmücke
Heßberg
RR mess [mm]
2.906
4.212
2.768
Neuhaus am
Rennweg
3.462
Sonneberg
LM unkorr [mm]
1.932
2.966
3.406
2.547
2.814
LM korr [mm]
2.541
4.003
3.439
3.334
3.379
LM unkorr [%]
66,5
70,4
123,1
73,6
86,6
3.250
LM korr [%]
87,5
95,0
124,2
96,3
104,0
mqA unkorr
0,630
0,714
0,674
0,655
0,625
mqA korr
0,628
0,709
0,671
0,652
0,623
Hydrol. Winter
Oberweißbach
Schmücke
Heßberg
RR mess [mm]
2.940
6.746
2.713
Neuhaus am
Rennweg
4.676
Sonneberg
LM unkorr [mm]
2.439
4.259
4.760
3.289
4.069
LM korr [mm]
3.018
6.316
4.160
4.531
4.703
LM unkorr [%]
83,0
63,1
175,4
70,3
91,7
LM korr [%]
102,7
93,6
153,3
96,9
106,0
mqA unkorr
0,496
0,699
0,455
0,520
0,488
mqA korr
0,495
0,689
0,444
0,513
0,486
4.437
Kapitel 4
Tabelle 1.14: Schwellwerte S und HRU-Dichten ρHRU der generierten Aggregationsniveaus nach Varianten (Teil 1)
Variante
nicht iterativ
iterativ step 10
Schwellwert S [ha]
HRU-Dichte [HRU/km²]
0,1875
83,80
0,625
34,64
2,500
7,11
5,000
2,52
10,000
0,90
19,000
0,63
0,625
34,64
2,500
16,70
3,125
13,90
5,000
9,40
5,625
8,43
10,000
4,75
20,000
2,55
239
Tabelle 14: Schwellwerte S und HRU-Dichten ρHRU der generierten Aggregationsniveaus nach Varianten
(Teil 2)
Variante
Schwellwert S [ha]
iterativ step 1
0,1875
99,37
0,625
49,42
1,750
23,12
2,500
17,19
2,875
15,16
3,375
13,34
3,750
12,09
5,000
9,46
10,000
4,92
20,000
2,46
Tabelle 1.15: Funktionsparameter und statistische Parameter der Potenzfunktionen ρHRU=f(S) nach Aggregationsvarianten
nicht iterativ
33,90838
-0,36055
-1,50442
0,20
0,99
a
b
c
Standardabweichung
Korrelationskoeffizient
iterativ step 10
81,83141
-1,47624
-1,15722
0,14
0,99
iterativ step 1
41,05506
-0,18330
-0,89065
0,39
0,99
Tabelle 1.16: Ermittelte Modelleffizienzen E2, logE2, r², DSgrad als Funktion der HRU-Dichte ρHRU
HRU-Dichte
E2
[HRU/km²]
logE2
[-]
r²
[-]
DSgrad
[-]
[-]
0,10
0,75
0,64
0,81
1,07
4,92
0,87
0,84
0,87
0,98
9,46
0,88
0,86
0,88
0,98
15,16
0,88
0,86
0,89
1,00
17,19
0,88
0,86
0,89
1,01
23,12
0,86
0,85
0,88
1,06
49,42
0,78
0,83
0,86
1,16
99,37
0,55
0,77
0,83
1,34
Tabelle 1.17: Funktionsparameter und statistische Parameter der rationalen Funktionen E2, logE2, r²,
DSgrad als Funktion der HRU-Dichte ρHRU der Variante „iterativ step 1“
a
b
c
d
Standardabweichung
E2
0,7493156
0,096667626
0,084107967
0,00090607732
0,020
0,99
logE2
0,62164684
0,74558711
0,82857008
0,0014095957
0,001
0,99
r²
0,80825621
0,36684454
0,40273007
0,00043072845
0,004
0,99
DSgrad
0,92815012
0,095896996
0,084244876
0,00064850191
0,014
0,99
240
Tabelle 1.18: Informationswerte I(HRU) der Gebietsparameter Hangneigung, Böden, Landnutzung in Abhängigkeit von der HRU-Dichte ρHRU
HRU-Dichte
Hangneigung
[HRU/km²]
I
(HRU)
Böden
[bit/pix]
I
(HRU)
Landnutzung
I(HRU) [bit/pix]
[bit/pix]
99,37
-3,63
-3,09
-3,32
49,42
-4,33
-3,16
-3,37
23,12
-4,72
-3,41
-3,53
17,19
-4,83
-3,52
-3,59
15,16
-4,89
-3,61
-3,65
13,34
-4,92
-3,67
-3,70
9,46
-4,99
-3,81
-3,87
4,92
-5,12
-4,14
-4,00
2,46
-5,23
-4,48
-4,09
0,10
-5,32
-5,15
-5,00
Tabelle 1.19: Funktionsparameter
I(HRU)=f(ρHRU)
und
statistische
Hangneigung
m
u
v
Standardabweichung
Parameter
der
logarithmischen
Böden
1,2
0,028
-5,31
0,997
0,038
0,3937
4,3531
-5,3149
0,088
0,978
Funktionen
Landnutzung
0,2544
17.985,2004
-6,8716
0,058
0,977
Tabelle 1.20: Anteile der klassifizierten Landnutzungsarten an der Gesamtfläche des FEG’s Schwarza
Landnutzungsklasse
Siedlung dicht
Siedlung locker
Grünland
Nadelwald
Laubwald
Ackerland
Strauchvegetation
Wasser
offene Flächen
Fläche [km²]
Anteil am FEG [%
9,3
3,2
33,1
96,5
5,6
3,3
0,4
0,2
0,02
6,1
2,1
21,9
63,6
3,7
2,2
0,3
0,1
0,01
Tabelle 1.21: HRU-Anzahl und HRU-Dichte ρHRU der durch Verschneidung und Rasterbildung erzeugten
HRU-Aggregationsniveaus (Teil 1)
Verschneidung
HRU
Rasterbildung
HRU
390
2,57
191
1,26
748
4,93
323
2,13
870
5,74
687
4,53
983
6,48
1.042
6,87
1.182
7,79
1.346
8,87
1.442
9,51
1.801
11,88
1.850
12,20
2.122
13,99
2.163
14,26
2.553
16,83
241
Tabelle 1.22: HRU-Anzahl und HRU-Dichte ρHRU der durch Verschneidung und Rasterbildung erzeugten
HRU-Aggregationsniveaus (Teil 2)
Verschneidung
HRU
Rasterbildung
HRU
2.570
16,95
3.940
25,98
4.403
29,03
5.113
33,71
6.965
45,92
6.912
45,57
13.760
90,73
9.882
65,16
15.345
101,18
Tabelle 1.23: Ermittelte Modelleffizienzen der HRU-Aggregationsniveaus aus Verschneidung und Rasterbildung
Verschneidung
Hru-Dichte
[HRU/km²]
2,57
E2
[-]
0,76
logE2
[-]
0,78
4,93
0,80
5,74
Rasterbildung
r²
[-]
0,79
Hru-Dichte
[HRU/km²]
1,26
E2
[-]
0,63
logE2
[-]
0,60
r²
[-]
0,76
0,80
0,81
2,13
0,74
0,77
0,78
0,80
0,80
0,81
4,53
0,79
0,80
0,80
6,48
0,81
0,80
0,81
6,87
0,81
0,81
0,82
7,79
0,81
0,81
0,82
8,87
0,81
0,82
0,82
9,51
0,81
0,81
0,82
11,88
0,82
0,82
0,82
12,20
0,81
0,81
0,82
13,99
0,81
0,82
0,82
14,26
0,81
0,82
0,82
16,83
0,81
0,82
0,82
16,95
0,81
0,82
0,82
25,98
0,79
0,82
0,80
29,03
0,80
0,81
0,80
33,71
0,77
0,81
0,79
45,92
0,77
0,80
0,78
45,57
0,76
0,80
0,77
90,73
0,73
0,79
0,74
65,16
0,72
0,79
0,74
101,18
0,69
0,77
0,70
Tabelle 1.24: Funktionsparameter und statistische Parameter der analytisch bestimmten rationalen
Funktionen der Variante "Verschneidung"
a
b
c
d
Standardabweichung
E2
-9.997.343,3
39.193.282
46.115.674
87.601,1
0,0037
0,993
logE2
0,61445
1,00182
1,20215
0,00077
0,0016
0,992
r²
-89,06558
546,01227
645,95827
1,04060
0,0023
0,997
Tabelle 1.25: Funktionsparameter und statistische Parameter der analytisch bestimmten rationalen
Funktionen der Variante "Rasterbildung"
a
b
c
d
Standardabweichung
E2
-3.254.975.400
9.996.074.100
11.578.887.000
31.828.896
0,0082
0,992
logE2
-15.716.838.000
45.226.815.000
52.372.205.000
69.663.890
0,0186
0,964
r²
0,67777
0,59569
0,69609
0,00154
0,0040
0,995
242
Kapitel 5
Tabelle 1.26: Optimierte J2000/JAMS-Parametersätze für den Tagesmodus und Stundenmodus
Modul/Parameter
Tagesmodus
Stundenmodus
Interzeption
a_rain
0,3
0,0035
0,102
4.543
snow_trs
0,0
1,2
snow_trans
2,0
1,95
t_factor
0,86
0,71
r_factor
0,24
0,008
g_factor
0,70
4,04
snowCritDens
0,45
0,095
0,0012
0,015
10,0
2,0
soilPolRed
9,3
12,3
soilLinRed
0,0
0,0
soilMaxInfSummer
30,0
3,5
soilMaxInfWinter
60,0
3,1
soilMaxInfSnow
60,0
1,89
soilImpGT80
0,91
1,0
soilImpLT80
0,88
0,0032
soilDistMPSLPS
0,85
0,39
soilDiffMPSLPS
1,05
0.68
1,8
12,0
a_snow
Schneemodul
ccf_factor
Bodenmodul
soilMaxDPS
soilOutLPS
soilLatVertLPS
3,7
1,5
soilMaxPerc
2,48
0.14
soilConcRD1
1,19
12.37
soilConcRD2
2,19
2.64
0,44
0,0016
gwRG1Fact
2,2
30,0
gwRG2Fact
1,9
40,0
0,0
0,0
1,35
1,0
Grundwassermodul
gwRG1RG2dist
gwCapRise
ReachRouting
flowRouteTA
243
2
Anhang D – Formeln
Kapitel 5
(F 1.1)
⎛ n 2⎞
⎜ ∑ xi ⎟
a = ⎝ i =1 ⎠
2 n
2
n
n
n
n
n
n
n
n
n
n
n
⎛ n 3⎞ n
⎞
2
2
3
4
2⎛
3
4
−
+
+
−
+
x
y
x
x
y
x
x
x
x
y
x
y
x
x
x
y
x
⎜
⎟
⎜
∑
∑
∑
∑
∑
∑
∑
i ∑ yi ⎟
i ∑ i ∑ i i
i
i
i∑ i ∑ i i
i∑ i i∑ i
i i
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
⎝ i =1 ⎠ i =1
⎝ i =1 i =1
⎠
3
2
2 n
n
n
n
n
n
n
n
⎛
⎞
⎛
⎞ ⎛
⎞
⎛
⎞
⎜ ∑ xi2 ⎟ + n⎜ ∑ xi3 ⎟ + ⎜ ∑ xi ⎟ ∑ xi4 − ∑ xi2 ⎜ 2∑ xi ∑ xi3 + n∑ xi4 ⎟
i =1
i =1
⎝ i =1 ⎠
⎝ i =1 ⎠ ⎝ i =1 ⎠ i =1
⎝ i =1 i =1
⎠
(F 1.2)
2
n
n
n
n
n
n
n
n
n
n
n
n
n
⎛ n ⎞ n
− ∑ xi ∑ xi2 ∑ xi2 yi + n∑ xi2 yi ∑ xi3 + ⎜ ∑ xi2 ⎟ ∑ xi yi − n∑ xi4 ∑ xi yi − ∑ xi2 ∑ xi3 ∑ yi + ∑ xi ∑ xi4 ∑ yi
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
⎝ i=1 ⎠ i=1
b = i=1 i=1 i=1
3
2
2 n
n
n
n
n
n
n
n
⎛
⎞
⎛
⎞ ⎛
⎞
⎛
⎞
⎜ ∑ xi2 ⎟ + n⎜ ∑ xi3 ⎟ + ⎜ ∑ xi ⎟ ∑ xi4 − ∑ xi2 ⎜ 2∑ xi ∑ xi3 + n∑ xi4 ⎟
i =1
i =1
⎝ i=1 ⎠
⎝ i=1 ⎠ ⎝ i=1 ⎠ i=1
⎝ i=1 i=1
⎠
(F 1.3)
⎛ n ⎞
⎜ ∑ xi ⎟
c = ⎝ i =1 ⎠
2 n
2
n
n
n
n
n
n
n
⎛ n 2⎞ n
⎛ n 2 n
⎞
2
2
2
3
3
x
y
n
x
x
y
n
x
x
y
x
y
x
x
x
y
x
−
+
+
−
+
⎜
⎟
⎜
∑
∑
∑
∑
∑
∑
∑
i ∑ yi ⎟
i ∑ i ∑ i i
i
i
i ∑ i i
i ∑ i i
i i
i =1
i =1
i =1
i =1
i =1
i =1
i =1
i =1
⎝ i =1 ⎠ i =1
⎝ i =1 i =1
⎠
3
2
2 n
n
n
n
n
n
n
n
⎛
⎞
⎛
⎞ ⎛
⎞
⎛
⎞
⎜ ∑ xi2 ⎟ + n⎜ ∑ xi3 ⎟ + ⎜ ∑ xi ⎟ ∑ xi4 − ∑ xi2 ⎜ 2∑ xi ∑ xi3 + n ∑ xi4 ⎟
i =1
i =1
⎝ i =1 i =1
⎠
⎝ i =1 ⎠
⎝ i =1 ⎠ ⎝ i =1 ⎠ i =1
244
Selbständigkeitserklärung
Ich erkläre, dass ich die vorliegende Arbeit selbständig und unter Verwendung der angegebenen
Hilfsmittel, persönlichen Mitteilungen und Quellen angefertigt habe.
Jena, den 18. Dezember 2007

Optimierungsmethoden zur HRU-basierten N/A

Transcrição

Documentos relacionados

Friedrich – Eugens – Gymnasium

6-3 Wetterdienste - Land - ABC

FEG MM Gemeindefreizeit 2016

Seniorenflyer 2015.indd - Bund Freier evangelischer Gemeinden FeG

persönlichen Brief - Bible-Only

Summer School on Remote Sensing of Clouds and Precipitation

Presseberichte - Thüringer Arbeitsgemeinschaft Mykologie eV

Die Vorwerkhühner Auch die Vorwerkhühner gehören zu den alten

Wetterseiten im Internet

Auszeichnung für nachhaltiges Personalmanagement