Neues analytisches Framework für differenzierbare hydrologische Modelle

Konzeptuelle Hydrologiemodelle bilden seit jeher die Basis für Regen‑Wasser‑Abfluss‑Simulationen. Ihre Kalibrierung ist jedoch oft langsam und numerisch anfällig, was die praktische Anwendung einschränkt.

Derzeit beruhen gradientbasierte Parameteroptimierungen auf Finite‑Differenzen oder auf automatischen Differenzierungs‑Frameworks wie JAX, PyTorch oder TensorFlow. Diese Ansätze sind rechenintensiv, führen zu Trunkationsfehlern, Solver‑Instabilitäten und einem erheblichen Overhead.

Das neue Verfahren bietet einen vollständig analytischen und recheneffizienten Ansatz, der auf exakten Sensitivitäten der Modellparameter basiert. Durch die Ergänzung des ODE‑Systems um Sensitivitätsgleichungen werden Modellzustände und die Jacobi‑Matrix gleichzeitig fortgeschrieben.

Die daraus resultierende Jacobi‑Matrix liefert analytische Gradienten für jede differenzierbare Verlustfunktion – von klassischen Residualsummen über hydrologische Leistungskennzahlen wie Nash‑Sutcliffe und Kling‑Gupta bis hin zu robusten Verlustfunktionen und hydrographenbasierten Funktionalen wie Fluss‑Dauer‑ und Rückgangskurven.

Die analytischen Sensitivitäten beseitigen die Schritt‑größenabhängigkeit und das Rauschen numerischer Differenzierung, vermeiden die Instabilität adjungierter Methoden und umgehen die Overhead‑Kosten moderner Machine‑Learning‑Autodiff‑Tools. Die Gradienten sind deterministisch, physikalisch interpretierbar und deutlich zuverlässiger.

Durch die Kombination von Genauigkeit und Effizienz eröffnet das neue Framework schnellere und robustere Kalibrierungen, was insbesondere für Echtzeit‑Anwendungen und groß angelegte Hydrologieforschung von großem Nutzen sein dürfte.