Hochwasser- & hydrologische Vorhersage und Frühwarnung

Hochwasser ist die teuerste Naturgefahr in Europa, und die Vorwarnzeit entscheidet darüber, wie viel gerettet werden kann. Klassische Prozessmodelle (z. B. LISFLOOD, HBV, Delft-FEWS-Ketten) werden heute durch datengetriebene Modelle ergänzt, vor allem LSTM-basierte Niederschlag-Abfluss-Netze, die auf Tausenden von Einzugsgebieten trainiert werden und den Flussabfluss mehrere Tage im Voraus vorhersagen, auch an Orten ohne Pegel. Die Vorhersagen speisen amtliche Warnzentren, Versorger, Versicherer und vorausschauende humanitäre Hilfe. Die Warnentscheidung selbst bleibt bei den verantwortlichen Behörden.

Problem & Nutzen

• Heute: Die Hochwasservorhersage in Europa betreiben nationale und regionale hydrologische Dienste (in Deutschland die Hochwasservorhersagezentralen der Länder, gemeinsam dargestellt im Länderübergreifenden Hochwasserportal [8]) mit kalibrierten Prozessmodellen, auf EU-Ebene unterstützt durch EFAS, das Europäische Hochwasserwarnsystem von Copernicus (European Flood Awareness System), das nationalen hydrologischen Diensten und dem EU-Zentrum für die Koordination von Notfallmaßnahmen probabilistische Warnungen bis zu 10 Tage im Voraus liefert, aber nicht an die Öffentlichkeit verteilt wird [1]. Viele Einzugsgebiete, kleine Flüsse und der größte Teil der Welt haben kein kalibriertes Modell und keinen Pegel.
• KI-Nutzen: Ein Modell lässt sich über Tausende Einzugsgebiete trainieren und dann auf unbeobachtete übertragen; die Inferenz ist günstig, sodass große Ensembles und viele Szenarien bezahlbar sind; Vorhersagen lassen sich auf Länder mit wenig Infrastruktur ausdehnen. Google berichtet, sein Flood Hub deckt Flusseinzugsgebiete in über 150 Ländern ab, mit Vorhersagen, die rund 2 Milliarden Menschen erreichen, Flussüberschwemmungen bis zu 7 Tage im Voraus [2].
• Politischer Rahmen: Die EU-Hochwasserrichtlinie 2007/60/EG verlangt eine vorläufige Risikobewertung, Gefahren- und Risikokarten sowie Hochwasserrisikomanagementpläne im Sechsjahreszyklus [4]; die UN-Initiative „Early Warnings for All“ strebt bis 2027 eine flächendeckende Abdeckung an, und Stand 2024 melden 108 Länder eine gewisse Multi-Gefahren- Frühwarnfähigkeit [9].
• Kosten- oder Rettungszahlen werden hier nicht genannt, da sie stark von Region und Ereignis abhängen; bewerten Sie anhand Ihrer eigenen historischen Ereignisse (siehe Kennzahlen).

Varianten

• Öffentliche Hochwasserwarndienste: nationale/regionale Vorhersagezentralen, Katastrophenschutz, EFAS-Partner.
• Betrieb in Kommunen und Wasserverbänden: Steuerung von Schützen/Pumpen/Sperrwerken, Rückhaltebecken, Stadtentwässerung.
• Versorger und Industrie: Zuflussvorhersage für Wasserkraft und Talsperren, Wasserfassungen der Versorgung, Schutz von Anlagen- und Logistikstandorten, Binnenschifffahrt (Niedrig- und Hochwasser).
• Versicherung und Finanzen: ereignisgesteuerter parametrischer Schutz, Vorbereitung auf Schadenswellen (siehe PRED-036).
• Vorausschauende humanitäre Hilfe: durch Vorhersagen ausgelöste Freigabe vorab vereinbarter Mittel und frühes Handeln von IFRC/Rotem Kreuz, UN-Organisationen und NGOs, wobei Schwellen (Wahrscheinlichkeit, Vorlaufzeit) in Protokollen für frühes Handeln vorab festgelegt werden; zur Krisenvorhersage jenseits von Hochwasser siehe PRED-040.
• Private Nutzung: Anwohner und Landwirte nutzen amtliche Apps/Portale (Flood Hub, LHP, Warn-Apps wie NINA/KATWARN); sie betreiben selbst keine Modelle.
• Sturzfluten und pluviales (städtisches) Hochwasser: erfordert Radar-Nowcasting und hochaufgelöste Hydrodynamik; Flood Hub weist städtische Sturzfluten nur bis 24 h im Voraus aus [2]. Schwieriger und weniger ausgereift.

So funktioniert es

1. observations (gauges, radar, satellite) + weather forecast ensembles
2. data assimilation / quality control (gap filling, rating curves, outlier removal)
3. hydrological model(s): data-driven LSTM | conceptual/process model | hybrid
4. ensemble post-processing (bias correction, calibration, uncertainty)
5. threshold & return-period analysis
6. inundation maps (scenario library or hydrodynamic model)
7. expert review by duty hydrologist
8. warning decision & dissemination
9. feedback/verification

• Datengetriebener Kern: Sequenzmodelle (LSTM, in neueren Arbeiten auch Transformer und Graphennetze) erhalten meteorologische Antriebsdaten plus statische Einzugsgebietsattribute und geben den Abfluss für jede Vorlaufzeit aus; sie werden gemeinsam auf vielen Einzugsgebieten trainiert, damit sie auf unbeobachtete verallgemeinern. Googles aktuelles Produktionsmodell ist ein Mean-Embedding-Forecast-LSTM; eine offene Neuimplementierung existiert [5].
• Hybride Ansätze behalten die Wasserbilanz eines konzeptionellen Modells bei und lassen ein neuronales Netz Parameter oder Residuen lernen; nützlich dort, wo physikalische Konsistenz und Extrapolation zählen.
• Datenassimilation korrigiert Zustände mit aktuellen Pegelwerten; offener Code unterstützt dies für das Mean-Embedding-Modell [5].
• Mensch in der Schleife (Human-in-the-Loop): Der diensthabende Hydrologe validiert, übersteuert und gibt frei; die Entscheidung, eine Warnung auszugeben, Straßen zu sperren oder zu evakuieren, bleibt stets bei der zuständigen Behörde.

Datenaufbereitung

Benötigt werden Pegel- und Abflusszeitreihen, Niederschlags- und Wettervorhersagen, Radardaten, Gelände- und Landnutzungsmodelle, Einzugsgebietsdaten und historische Hochwasserereignisse. In einer Behörde oder im Mittelstand liegen diese Daten in Behördenportalen (DWD, Landeshochwasserzentralen, Copernicus), Sensor-Loggern, GIS-Dateiablagen, Excel-Tabellen und Hochwasserprotokollen auf Papier. Typische Lücken sind Pegelausfälle und -drift, kurze Historien für seltene Ereignisse, abweichende Koordinatensysteme und Zeitauflösungen, fehlende Ereignis-Labels und unklare Lizenzen oder Zugriffsrechte für Sensordaten.

Aufbereitungsschritte: Datenquellen und Lizenzen erfassen (PREP-001, PREP-002); automatische Erfassung über APIs aufbauen (PREP-005); Zeitreihen bereinigen und Lücken füllen, Zeitzonen und Einheiten angleichen (PREP-011); historische Hochwassermarken und Logbücher digitalisieren (PREP-006, PREP-008); Ereignis-Labels mit Hydrologen festlegen (PREP-018, PREP-020). Werkzeuge sind Python (xarray, GeoPandas), QGIS, PostGIS und TimescaleDB. Reifeprüfung über GUIDE-003. Rechnen Sie mit etwa 50–60 Prozent des Aufwands für die Datenarbeit, vor allem für lange, konsistente Reihen.

Umsetzungswege

Welcher Weg für wen

• smb: A, weil kommerzielle Hochwasserrisiko- und Warndienste plus kostenlose Copernicus-/EFAS-Produkte den Standortschutz ohne eigene Modellierung abdecken.
• enterprise: B, weil Versicherer und Versorger Cloud-Vorhersage-APIs mit ihren eigenen Anlagen- und Expositionsdaten kombinieren.
• developer: C, weil offene hydrologische Modelle und offene Wetterdaten auf HW2 laufen und volle Kontrolle für neue Produkte bieten.
• public: C, weil Behörden einen souveränen, prüfbaren Betrieb von Warnsystemen auf EU-/deutscher Infrastruktur mit Open-Source-Modellen brauchen.

Weg A — Kaufen (Standardsoftware)

• Kostenlose öffentliche Dienste (zuerst nutzen): Google Flood Hub und seine Flood Forecasting API, kostenlos und unter CC BY 4.0 lizenziert, Zugang über eine Warteliste und nur für gelistete Länder [2][3]; EFAS/CEMS-Floods für Behörden und Partner [1]; das deutsche LHP-Portal für amtliche Warnungen [8].
• Betriebsplattformen: Deltares Delft-FEWS (niederländisch, EU), in fast 70 Ländern im Einsatz, mit einer neuen Funktion zum direkten Import von Flood-Hub-Vorhersagen [7]; Anbieter wie DHI (Dänemark, MIKE-Produkte), KISTERS (Deutschland, WISKI/hydrologische Vorhersage) und Beratungen für hydrologische Modellierung liefern schlüsselfertige Vorhersagesysteme und Beratung.
• A wählen, wenn: Sie eine Behörde, ein Versorger oder ein Unternehmen sind, das verlässliche Vorhersagen ohne ein Modellierungsteam braucht. Prüfen Sie Lizenzbedingungen, EU-Hosting und ob der Lieferant für Warnungen haftet.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Vorhersagen aus der Flood Forecasting API [3], ECMWF Open Data (IFS/AIFS-Ensemble) und DWD Open Data (ICON) abrufen, in einer Streaming-Pipeline mit eigenen Sensoren kombinieren und standortspezifische Schwellenwerte, Alarmlogik und Dashboards ergänzen.
• Eine LLM-Schicht ist nützlich für Lageberichte in verständlicher Sprache und mehrsprachige Warnentwürfe, nicht für die numerische Vorhersage. Halten Sie sie hinter einer menschlichen Freigabe.
• B wählen, wenn: Sie einen Standort, ein Netz oder ein Portfolio betreiben und standortspezifische Alarme sowie die Integration in Betriebs- oder Schadensysteme brauchen.

Weg C — Selbst betreiben (Open Source)

• Modelle/Werkzeuge: NeuralHydrology (PyTorch, BSD-3-Clause) [5a], Googles OpenHydroNet-Neuimplementierung der LSTMs der Produktionsvorhersage (Apache-2.0, kein offiziell unterstütztes Google-Produkt) [5], der Caravan-Community-Datensatz mit Antriebsdaten, Attributen und Abfluss für Einzugsgebiete weltweit [6], ECMWF Anemoi zum Training datengetriebener Wettermodelle, falls Sie ein eigenes Antriebsmodell brauchen [10], und die Delft-FEWS-Plattform für den Betrieb [7].
• Hardware: Das Training auf einigen Tausend Einzugsgebieten passt auf eine einzelne GPU mit 16–32 GB (HW2); die Inferenz ist leicht (für Hunderte Pegel genügt eine CPU). Hydrodynamische 2D-Überflutungsläufe sind der aufwendige Teil.
• Betriebsaufwand: ein Data Engineer plus ein Hydrologe; die schwere Arbeit liegt in Datenqualität, Echtzeit-Erfassung und Verifikation, nicht im Modellcode.

Weg D — Eigenes Training

Lohnt sich für eigene Einzugsgebiete, Talsperren oder Flussabschnitte, in denen Regionalmodelle schwach sind (Schneeschmelze, Karst, regulierte Flüsse, kleine schnell reagierende Einzugsgebiete). Es braucht lange, qualitätsgeprüfte Pegel- historien (idealerweise 20+ Jahre), Einzugsgebietsattribute, Regelungs-/Betriebsaufzeichnungen und Rückrechnungen (Hindcasts) der operativ genutzten Wettervorhersage. Ein vortrainiertes Multi-Einzugsgebiets-Modell feintunen, statt bei null zu beginnen; an zurückgehaltenen Einzugsgebieten und Extremereignissen prüfen, die in den Daten selten sind.

Stand der Technik (2026)

• Multi-Einzugsgebiets-LSTMs sind seit Kratzert et al. 2018–2019 der Referenzansatz. Nearing et al. (Nature, 2024) zeigten die globale Vorhersage extremer Flussereignisse, auch in unbeobachteten Einzugsgebieten; dies liegt Flood Hub zugrunde [2][5]. (Die Arbeit selbst konnte in dieser Prüfung nicht abgerufen werden; Zahlen werden daher nicht genannt.)
• Operative Annäherung: KI-Vorhersagen werden in etablierte Systeme integriert, z. B. Delft-FEWS beim Import von Flood-Hub-Vorhersagen [7], während EFAS sein Prozessmodell-Ensemble auf Basis von LISFLOOD beibehält [1]. Erwarten Sie Ensembles aus beiden Modellfamilien.
• KI-Wettermodelle (ECMWF AIFS und andere, siehe PRED-017) verbessern die Antriebsdaten; Werkzeuge wie Anemoi sind offen [10].
• Offene Daten und Reproduzierbarkeit: Caravan, Googles Reanalyse-/Reforecast-Datensatz (globaler Abfluss 1980–2023) und die Überflutungshistorie (1999–2020) ermöglichen Benchmarking [3][6].
• Grenzen und Fehlerbilder: Extremereignisse liegen außerhalb der Trainingsverteilung; regulierte Flüsse, Talsperrenabgaben und Karst verhalten sich nicht natürlich; Schneeschmelze und Eisstau-Hochwasser brauchen eigene Daten; Sturzfluten in kleinen Einzugsgebieten sind bei grober Auflösung der Antriebsdaten schwer; Pegeldaten sind bei hohen Abflüssen verrauscht (Extrapolation der Abflusskurve); die Vorhersage von Überflutungstiefe und -ausdehnung braucht Gelände- und hydrodynamische Modelle zusätzlich zum Abfluss. Die Vorhersagegüte nimmt mit der Vorlaufzeit und mit dem Fehler der vorhergesagten Niederschläge ab. Übermäßig sichere Wahrscheinlichkeiten führen zu verpassten oder falschen Alarmen.

Gemeinsame Bausteine & Kombinationen

• Zeitreihen-Stack (time-series, streaming): geteilt mit PRED-007 (Energie/Erneuerbare, einschließlich Wasserkraftzufluss), PRED-017 (Wettervorhersagen als Antrieb), PRED-042 (Luftqualität).
• Fernerkundung (SAR-Überflutungsausdehnung, Bodenfeuchte): geteilt mit der Landwirtschaft und PRED-036 (Naturkatastrophenrisiko), PRED-013 (Ertrag).
• Nachgelagert: PRED-036 (Klima-/Naturgefahren-Exposition und Auswirkung auf das Portfolio), PRED-033 (Netzausfall und -erneuerung: Wasser, Entwässerung), PRED-046 (Brückenunterspülung und Bauwerksüberwachung), PRED-040 (vorausschauende humanitäre Hilfe jenseits von Hochwasser), SCI-010 (Erdsystemmodellierung, Klimaszenarien für Bemessungshochwasser).
• Hardware: Ein einzelner HW2-GPU-Server kann auch andere Vorhersagemodelle hosten; ein gemeinsamer Data Lake aus NetCDF-/Zarr-Wetter- und Abflussdaten bedient alle verwandten Anwendungsfälle.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für die Einführung öffentlicher Dienste; Projekte mit kommerziellen Plattformen dauern typischerweise Monate.
• Weg B: 2–4 Monate für ein standortspezifisches Alarmsystem mit Integration.
• Weg C: 4–9 Monate bis zu einem betriebsbereiten, verifizierten System; Hauptkosten sind Personal und Datenarbeit.
• Weg D: 6–12 Monate einschließlich Hindcast-Verifikation und Parallelbetrieb mit dem bestehenden System.
• Kennzahlen: Entdeckungswahrscheinlichkeit und Falschalarmquote je Schwellenwert; Vorlaufzeit der Warnungen bei der Erkennung; Abflussgüte (Nash-Sutcliffe-/Kling-Gupta-Effizienz) und Fehler im Zeitpunkt der Spitze bei Extremereignissen; Zuverlässigkeit probabilistischer Vorhersagen; Anteil abgedeckter Pegel und Einzugsgebiete; für den Betrieb: vermiedener Schaden, Reaktionszeit, Anzahl der Warnungen, auf die reagiert wurde.

Menschen & Veränderung

Beziehen Sie die Leitung bzw. das Büro der Bürgermeisterin/des Bürgermeisters für die Verantwortlichkeit ein, die Abteilungsleitung (Wasserwirtschaft, Katastrophenschutz) als Prozessverantwortliche, die Datenverantwortlichen von Pegeln und GIS, IT und IT-Sicherheit (Warnungen sind kritische Infrastruktur), die Rechtsabteilung für die Haftung bei Warnungen sowie die betroffene Bevölkerung durch klare Kommunikation. Ein Betriebs- oder Personalrat wird meist nicht ausgelöst, da keine Beschäftigtenüberwachung stattfindet; in öffentlichen Stellen informieren Sie jedoch den Personalrat, wenn sich Bereitschafts- oder Leitstellenprozesse ändern (analog zu §90 Abs. 1 Nr. 3 BetrVG nach BPersVG). Personenbezogene Daten sind selten betroffen; beziehen Sie die/den Datenschutzbeauftragte(n) ein, wenn Kontaktdaten von Bürgern oder Meldungen aus der Bevölkerung genutzt werden, und schließen Sie mit Cloud-Auftragsverarbeitern einen Auftragsverarbeitungsvertrag (AVV) ab.

KI-Kompetenz (Art. 4 KI-Verordnung): Schulen Sie das Leitstellenpersonal zu Vorhersageunsicherheit und Modellgrenzen. Betreiben Sie das System als Pilot für eine Hochwassersaison im Schattenbetrieb neben dem bestehenden Verfahren (GUIDE-009). Typische Sorge: Fehlalarme oder verpasste Ereignisse; begegnen Sie dem mit transparenten Unsicherheitsbändern und stellen Sie sicher, dass Warnungen immer durch eine menschliche Entscheidung freigegeben werden. Siehe GUIDE-008, GUIDE-011 und GUIDE-013.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): hängt vom Einzelfall ab. Eine rein informierende Vorhersage hat typischerweise minimales Risiko. KI, die als Sicherheitskomponente bei der Verwaltung und dem Betrieb kritischer Infrastruktur eingesetzt wird, einschließlich der Versorgung mit Wasser, Gas, Wärme oder Strom, fällt unter Anhang III Nr. 2 (hohes Risiko) [11]; das kann auf die automatische Steuerung von Staudämmen, Schützen oder Pumpen zutreffen. Reine Unterstützung öffentlicher Warnungen fällt meist nicht darunter. Bewerten Sie dies je Einsatz; bei hohem Risiko gelten die Pflichten der Art. 9–15 (Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht, Genauigkeit). KI-generierte öffentliche Texte erfordern ggf. eine Kennzeichnung nach Art. 50.
• Haftung öffentlicher Stellen: Warnungen sind eine hoheitliche Aufgabe; falsche oder fehlende Warnungen begründen Haftung. Lassen Sie amtliche Schwellenwerte und Entscheidungsbefugnis bei der zuständigen Stelle und nutzen Sie KI als Zweitmeinung, bis sie über mehrere Saisons verifiziert ist.
• DSGVO: Hydrologische Daten sind nicht personenbezogen. Expositions- und Evakuierungsplanung mit Bevölkerungs- oder Adressdaten oder standortbezogene Alarm-Apps können es sein; verwenden Sie aggregierte Daten und prüfen Sie die Rechtsgrundlage.
• Fachrecht: EU-Hochwasserrichtlinie und nationales Wasserrecht (in Deutschland WHG und Landeswassergesetze) [4]; NIS2 und die Richtlinie über die Resilienz kritischer Einrichtungen für Versorger; DORA/Solvency-II-Kontext für Versicherer, die die Vorhersagen nutzen.
• Gegenmaßnahmen: probabilistische Ausgabe mit transparenter Unsicherheit, Rückwärtstests an vergangenen Hochwassern, Überwachung von Sensorausfällen, Rückfall auf Prozessmodelle, Redundanz und manuelles Übersteuern.

Erste Schritte

1. Den Bestand erfassen: welche amtlichen Vorhersagen (LHP, EFAS-Partner, Flood Hub) Ihre Flüsse abdecken und welche Entscheidungen Sie unterstützen müssen.
2. 10–20+ Jahre Pegeldaten und Standortschwellen sammeln; amtliche Vorhersagen mit vergangenen Ereignissen vergleichen.
3. Zugang zur Flood Forecasting API beantragen und gegen Ihre Pegel testen [3]; sich nicht allein darauf verlassen.
4. Ein Multi-Einzugsgebiets-LSTM mit NeuralHydrology oder OpenHydroNet auf Caravan plus Ihren eigenen Einzugsgebieten prototypisieren [5][6].
5. Alarme, menschliche Freigabe und eine Verifikationsroutine festlegen; mindestens eine Saison im Schattenbetrieb laufen lassen.

Quellen

1. European Flood Awareness System (EFAS), overview incl. operators, lead time, users — https://en.wikipedia.org/wiki/European_Flood_Awareness_System
2. Google Flood Forecasting initiative — coverage, lead times — https://sites.research.google/floodforecasting/
3. Google Flood Forecasting API developer page (data licence, access) — https://developers.google.com/flood-forecasting
4. Floods Directive 2007/60/EC — https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32007L0060
5. google-research/flood-forecasting (OpenHydroNet riverine flood forecasting) — https://github.com/google-research/flood-forecasting 5a. NeuralHydrology — https://github.com/neuralhydrology/neuralhydrology
6. Caravan community dataset — https://github.com/kratzert/Caravan
7. Deltares Delft-FEWS — https://oss.deltares.nl/web/delft-fews
8. Länderübergreifendes Hochwasserportal (LHP) — https://www.hochwasserzentralen.de/
9. Early Warnings for All (WMO/UN) — https://earlywarningsforall.org/site/early-warnings-all
10. ECMWF Anemoi core — https://github.com/ecmwf/anemoi-core
11. EU AI Act Annex III — https://artificialintelligenceact.eu/annex/3/
12. Nearing et al., "Global prediction of extreme floods in ungauged watersheds", Nature 2024 — https://www.nature.com/articles/s41586-024-07145-1 (not retrievable in this review)