KI-Modell für Regenwasserfluss: Massenkonservierender Perceptron

Ein neues KI-Framework, der Mass‑Conserving Perceptron (MCP), kombiniert die hohe Vorhersagekraft von Machine‑Learning mit physikalischer Interpretierbarkeit. Durch die Einhaltung von Massenkonservationsprinzipien lernt das Modell gleichzeitig die komplexen Zusammenhänge hydrologischer Prozesse aus Daten.

Die Forscher haben den MCP schrittweise um physikalisch sinnvolle Elemente erweitert: begrenzter Boden­speicher, zustandsabhängige Leitfähigkeit, variable Porosität, Infiltration, Oberflächen‑Ponding, vertikales Drainage und nichtlineare Grundwasserspiegel‑Dynamik. Jede Ergänzung wurde in einer einzigen Speicher‑Einheit integriert, sodass das Modell sowohl effizient als auch transparent bleibt.

In einer umfangreichen Testreihe wurden 15 Einzugsgebiete aus fünf hydroklimatischen Regionen der kontinentalen USA auf tägliche Stromflussvorhersagen geprüft. Die Ergebnisse zeigen, dass die progressive Ausweitung der internen physikalischen Struktur des MCP die Vorhersagegenauigkeit generell steigert. Die Wirkung der einzelnen Prozessdarstellungen variiert stark mit dem Hydroklima: Vertikales Drainage verbessert die Modellleistung in trockenen und schneebasierten Einzugsgebieten, wirkt sich jedoch in regenreichen Regionen negativ aus, während Oberflächen‑Ponding nur geringe Effekte hat.

Die best‑performenden MCP‑Konfigurationen erreichen eine Vorhersagequalität, die dem Benchmark eines Long‑Short‑Term‑Memory‑Netzwerks nahekommt, und tun dies dabei unter strikter Einhaltung der Massenkonservationsregeln. Dieses Ergebnis unterstreicht das Potenzial von Prozess‑aware KI, robuste und zugleich physikalisch fundierte Hydrologie‑Modelle zu entwickeln.