Optimierungsmethoden zur HRU-basierten N/A- Modellierung ... · Optimierungsmethoden zur HRU-basierten N/A- Modellierung für eine operationelle Hochwasservorhersage auf Basis prognostischer

Optimierungsmethoden zur HRU-basierten N/A- Modellierung 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 gelei-teten Lehrstuhl für Geoinformatik, Geohydrologie und Modellierung des Institutes für Geogra-phie der Friedrich-Schiller-Universität Jena während meiner Tätigkeit als externer Doktorand im Rahmen einer Forschungskooperation mit der Thüringer Landesanstalt für Umwelt und Geo-logie Jena (TLUG).

Herr Prof. Dr. Flügel, der diese Arbeit maßgeblich initiierte, übernahm die wissenschaftliche Betreuung. Für die Bereitstellung des interessanten Themas, die vielen konstruktiven Anregun-gen und Hinweise und die erwiesene Geduld bis zur Abgabe der Arbeit möchte ich mich herz-lich 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 maß-geblichen Anteil am erfolgreichen Abschluss dieser Arbeit.

Herrn Dr. Jürgen Werner von der TLUG gelang es über die gesamte Zeit, durch seine Überzeu-gung 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 Hydrolo-gie 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 Diskussi-onsbereitschaft, die konstruktiven Vorschläge und seine motivierende Unterstützung.

Bedanken möchte ich mich natürlich bei allen Kollegen aus der TLUG, die mir mit ihrer gezeig-ten 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 Ar-beitsatmosphäre bedanken.

Beim Deutschen Wetterdienst fand ich in Herrn Dr. Dietzer einen interessierten Ansprechpart-ner, 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 Land-wirtschaft.

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 Meteorolo-gie in Hamburg. Vielen Dank für die unbürokratische Unterstützung!

Herrn Dr. Robert Schwarze von der Technischen Universität Dresden danke ich für die DIFGA-Berechnungen 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 unter-stützt. 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 Jährlichkeiten der Extremabflüsse HQT ............................................................ 76

3.2 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 Zeitlich variable Eingangsdaten – Prognosewerte ..................................................... 83

3.4.1 Klimadaten des COSMO-DE-Modells des DWD ................................................. 84

Inhaltsverzeichnis v

3.4.2 Untersuchungen zur statistischen Güte ................................................................. 87

4 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

4.4 Das Aggregationsmaß HRU-Information I(HRU) ......................................................... 98

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 Anwendung im FEG Schwarza ........................................................................... 119

5 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 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

6 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 HRU-Ableitung ...................................................................................................... 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 Gräfinau-Angstedt 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 DWD-Klimastation Schmücke................................................................................ 66

x Abbildungsverzeichnis

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 hydro-logischem 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

Abbildungsverzeichnis 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 Teileinzugs-gebiet des Taubachs.................................................................................... 106

Abbildung 4.12: Darstellung des Nash-Sutcliffe-Koeffizienten E2 als Funktion der HRU-Dichte ρHRU der Eliminate-Variante „iterativ step 1“................................. 107

Abbildung 4.13: Darstellung des Nash-Sutcliffe-Koeffizienten E2 als Funktion der HRU-Dichte 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 HRU-Dichte 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 HRU-Dichte E2=f(ρHRU) und der Informationsverlust I(HRU) als Funktion der HRU-Dichte 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 Abbildungsverzeichnis

Abbildung 4.26: HRU-Informationsverluste IV(HRU) nach Gebietsparametern und Aggre-gationsvarianten.......................................................................................... 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 Starkniederschlags-ereignissen im Tagesmodus ........................................................................ 129

Abbildung 5.3: Modellierung von Hochwasserscheiteln in Folge von Schneeschmelzereig-nissen im Tagesmodus ................................................................................ 130

Abbildung 5.4: Modellierung von Hochwasserscheiteln in Folge von Schneeschmelzereig-nissen 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 Gräfinau-Angstedt 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 Hochwasser-ereignisse .................................................................................................... 140

Abbildung 5.11: Die Hochwasserereignisse vom Frühjahr 2006: regionalisierter Gebiets-niederschlag, 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

Abbildungsverzeichnis 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 Tagesvorhersage- und Tagesmesswerten in den hydrologischen Sommerperioden................ 150

Abbildung 5.20: Vergleich von kumulierten unkorrigierten und korrigierten Tagesvorhersage- und 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 REMO-Rasterzelle 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 Wahrscheinlichkeits-aussage............................................................................................................... 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 Aggregations-varianten .......................................................................................................... 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: Modelleffizienzen des Kalibrierungs-, Validierungs- und Gesamtzeitraums der 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: Modelleffizienzen des Kalibrierungs-, Validierungs- und Gesamtzeitraums der 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 Bundes-umweltministerium 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 tatsächli-chen 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 einzu-stellen."

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 ver-heerende Hochwasserkatastrophe im August 2002. Die Bilder der existenz- und lebensbedro-henden 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 techni-schen Errungenschaften unserer modernen Gesellschaft nicht beherrschbar ist und auch in ab-sehbarer 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 Hoch-wasserschutzmaßnahmen, die Ausweisung von Retentionsflächen und die Verbesserung des Wasserrückhaltes der Einzugsgebiete der Flüsse (TMLNU 2003 [194]). Es gilt, bei der Ent-wicklung von neuen Strategien und Konzepten auch neue Informationsmedien und Informati-onsformen zu erschließen, um der Hochwassergefahr noch besser vorzubeugen, die Öffentlich-keit besser zu informieren und vor allem früher zu warnen. Nur so können Menschenleben ge-schützt 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 Hochwasservor-hersage, mit modernen Informationskanälen gekoppelt, um die Öffentlichkeit über bevorstehen-de Gefahrensituationen unmittelbar zu informieren.

In einem ersten Schritt war ein Flusseinzugsgebiet (FEG) zu finden, das prototypischen Charak-ter für den Thüringer Wald aufweisen sollte, da insbesondere in den Mittelgebirgen die Hoch-wassergefahr durch kurze Reaktionszeiten auf intensive Starkniederschlags- und Schnee-schmelzereignisse 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 Jahresnieder-schläge insbesondere in den Kammlagen charakterisiert. Doch gerade die Starkniederschlagser-eignisse 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 zurück-gegriffen werden.

Die heutige Leistungsfähigkeit der Computer ermöglicht den Einsatz immer komplexerer Mo-delle für die flächendetaillierte Simulation der hydrologisch-hydraulischen Dynamik von Fluss-einzugsgebieten. 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 Land-nutzungsdaten, durch Laserscan-Verfahren gewonnene, immer genauere Digitale Geländemo-delle 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 Aggregati-onsmaße 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 prognosti-schen Eingangsdaten. Dafür standen die 48-Stunden-Klimaprognosedaten des früheren Lokal-modell-Europa (LME) und die 78-Stunden-Klimaprognosedaten des Nachfolgemodells „COS-MO-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 aufzei-gen zu können.

Durch die komplexe Verflechtung der zwei wichtigsten Technologietrends der letzten Jahre, die Internettechnologie und die Mobilkommunikation, kann der interessierte Nutzer im sich anbah-nenden 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 hyd-rologische Modelle, aber auch die nötigen Korrekturverfahren in den operativen Betrieb eines Online-Hochwasserinformationsdienstes (HID) integriert werden. In dieser Arbeit wird ein kon-zeptioneller 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 verständ-lich 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 erziel-ten 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 Veröffentli-chung 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 No-vember 2007 in Valencia rückte diese Problematik endgültig in den Brennpunkt des internatio-nalen 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 Südost-europa 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-


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 Kli-mawandels 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])), Hochwas-sermarken (u.a. (Deutsch 1997 [34])), Karten und Plänen und nicht zuletzt Sedimentuntersu-chungen durch 14C-Datierungen, Pollenanalysen und Dendrochronologie bezüglich der Abfluss-entwicklung seit Ende der letzten Eiszeit manifestierte die Erkenntnis, dass sich Klimaschwan-kungen auch auf die Häufigkeit und Intensität von Hochwasserereignissen auswirken. Beson-ders 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 Lufttempe-ratur bis zum Jahr 2100 von 1,4° bis 6,4° C ausgegangen werden (IPCC 2007 [90]). Diese prog-nostizierte Erwärmung wird zwangsläufig zu einer signifikanten Intensitätserhöhung des natür-lichen 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 insbe-sondere in den Gebirgs- und Mittelgebirgslagen Deutschlands künftig von einer verschärften Zunahme der Hochwassergefahr ausgegangen werden muss. Aus dieser Motivation heraus wur-de in der vorliegenden Arbeit für das Einzugsgebiet statistisch untersucht, inwieweit sich die Wiederkehrintervalle von extremen Niederschlagsereignissen und die damit verbundenen ex-tremen Abflussereignisse, basierend auf neuesten Klimaprognosedaten des dynamisch-physikalischen 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 in-formiert. Diese Arbeit adressiert Umweltbehörden in Deutschland. Sie fokussiert auf die Ausar-beitung einer flexiblen methodischen und technologischen Strategie für einen Hochwasserin-formationsdienst im Internet und soll somit einen Lösungsansatz für den präventiven Hochwas-serschutz 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 um-rissen. 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 Wie-derkehrintervalle 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 Me-thodik zur Optimierung der HRU-Vorprozessierung, b) der Evaluierung eines geeigneten Ver-fahren zur Korrektur klimatologischer Prognosedaten des DWD mit Fokus auf der Größe Nie-derschlag und c) die Ausarbeitung einer Methodik zur Untersuchung regionaler Folgen des glo-balen 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) fokus-siert 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 Ex-tremhochwässern 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 Metho-dik erarbeitet, die es ermöglicht, vergleichbare Ergebnisse in anderen Einzugsgebieten zu lie-fern. Dieser Schwerpunkt dient nicht unmittelbar der operativen Hochwasservorhersage, rundet aber wegen seiner Aktualität und den sich bereits deutlich in den Ergebnissen dieser Arbeit ab-zeichnenden 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 Bei-spiel von ursächlich verschiedenen Hochwasserereignissen vom Frühjahr 2006 wird die Zuver-


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 For-schungsbedarf umrissen.

2 Grundlagen und Stand der Forschung

Für ein tieferes Verständnis der im Kapitel 1 beschriebenen Problemstellung werden im Fol-genden wichtige Grundlagen erläutert. Anfangs werden die ursächlichen Auslöser von Hoch-wassersituationen und die hydrologischen Grundlagen beschrieben. Danach wird auf den aktuel-len Hochwasserschutz und die Instrumente der Hochwasservorhersage im Freistaat Thüringen eingegangen. Ein weiterer Punkt setzt sich mit der Modellierung von Flusseinzugsgebieten aus-einander. Ausführlich erläutert wird das hydrologische Modellsystem J2000/JAMS, mit dem die Modellierung im Rahmen dieser Arbeit durchgeführt wurde. Dieses Modell setzt auf Hydrolo-gical 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 Klima-wandel und seine Folgen und die Häufung gravierender Hochwasserereignisse allein in der lau-fenden Dekade, rückt das Thema Hochwasser und Hochwasserprävention immer mehr in den Brennpunkt des öffentlichen Interesses. Stellvertretend genannt für „Große Überschwem-mungskatastrophen“, von denen Deutschland in jüngster Zeit betroffen war, seien das August-hochwasser 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 Selbsthilfefä-higkeit der betroffenen Regionen deutlich überstiegen und überregionale oder internationale Hilfe erforderlich wird.

Um Hochwasserrisiken zu erkennen und um Zeitpunkt und Ausmaß besser vorhersagen zu kön-nen, muss man sich mit den hydrologischen Prozessen die zur Entstehung führen, auseinander-setzen. 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 Hoch- oder 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 An-fangsbedingungen (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


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 Erscheinungs-formen. 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 da-durch gefährden.

Den natürlichen Ursachen von Hochwasserereignissen gegenüber stehen anthropogene Einflüs-se, 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 Boden-nutzung 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 unterschei-den. Sommerhochwasser haben ihre Ursache in regional und zeitlich begrenzten Starknieder-schlagsereignissen oder in räumlich großflächigen lang anhaltenden Dauerregen. Dem entspre-chend können Sommerhochwasser räumlich und zeitlich stark differieren.

Winterhochwasser treten als Schneeschmelz- und Eis-Hochwasser auf. Erstere haben ihre Ursa-che 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 Hoch-wasser 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 Wasserumsat-zes eines Einzugsgebietes und lassen sich durch die Wasserhaushaltsgleichung beschreiben:

SAVN ∆++= (2.1)

BRS −=∆ (2.2)

Dabei steht N für die Systemeingangsgröße Niederschlag, V und A für die Systemausgangsgrö-ßen Verdunstung und Abfluss. Die Differenz S∆ aus Rücklage R und Aufbrauch B bezeichnet man als Wasserrückhalt oder Änderung der Wasserspeicherung. Sie steht für das Speicherver-mögen des betrachteten Gebietes in dem betrachteten Zeitraum (Dyck 1980 [51]).

Der Niederschlag ist nach DIN (DIN 1996 [38]) das Wasser der Atmosphäre, das nach Kon-densation 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 Niederschlagsty-pen 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 Atmo-sphäre 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 Wasserdamp-fes an oder nahe der Erdoberfläche (flüssige Form: Tau (Kondensation), Taubeschlag; feste Form: Reif (Sublimation), Frostbeschlag)

- abgefangener Niederschlag aus abgefangenen bzw. ausgekämmten Nebel- oder Wolkennieder-schlag an Oberflächen (flüssige Form: Nebelniederschlag; feste Form: Nebelfrostniederschlag (Raureif, Raufrost, Raueis)).

Neben der Niederschlagsart wird der Niederschlag charakterisiert durch die Größen Nieder-schlagshöhe, Niederschlagsdauer, örtliche Verteilung, Häufigkeit, Jährlichkeit sowie dem zeitli-chen Intensitätsverlauf.

Die Verdunstung beschreibt einen physikalischen Vorgang, bei dem Wasser unter Energie-verbrauch aus Strahlung oder Wärme ohne Erreichen des Siedepunktes vom flüssigen oder fes-ten Aggregatzustand (Sublimation) in den gasförmigen Aggregatzustand übergeht. Dieser phy-sikalische Vorgang setzt ein temperaturabhängiges Sättigungsdefizit der Luft, resultierend aus Sättigungs- und realen Dampfdruck, voraus (Lauer und Bendix 2006 [121]). Bezogen auf einen


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), Verduns-tung von auf Pflanzenoberflächen zurückgehaltenen Niederschlages (Interzeptionsevaporation) und der Verdunstung von freien Wasserflächen (Gewässerevaporation oder potentielle Evapora-tion). Transpiration steht für den Prozess der Wasseraufnahme durch Pflanzenwurzeln und die spätere Abgabe und Verdunstung an den Spaltöffnungen der Blätter (Baumgartner und Lieb-scher 1996 [8]). Eine Sonderform der Evapotranspiration ist die Sublimation, die die Verduns-tung von Schnee und Eis beschreibt (Fritzsche 2001 [63]). Somit gelangt ein Teil des Nieder-schlages 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) durch-fließt (Baumgartner und Liebscher 1996 [8]). Gelegentlich wird auch der Begriff Durchfluss verwendet.

Der Abflussprozess wird unterteilt in Abflussbildung, Abflusskonzentration und den Fließvor-gang im offenen Gerinne (vgl. Abbildung 2.2).

Abbildung 2.2: Abflusskomponenten im Einzugsgebiet und Einflussfaktoren auf den Gerinneabfluss

(BMU 2003 [21])


Dabei umfasst der Prozess der Abflussbildung die hydrologischen Prozesse, die sich auf der Landfläche abspielen. Dabei werden verschiedene Wasseranteile des Niederschlags an den O-berflächen der Vegetation (Interzeption), durch Muldenrückhalt an der Oberfläche, in Schnee, Eis und stehenden Gewässern sowie im Boden und Grundwasser gespeichert und durch Ver-dunstungsprozesse 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 entschei-den darüber, ob das Wasser gespeichert oder weiter geführt wird (BMU 2003 [21]). Unter Ab-flusskonzentration (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 aus-geprägten 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 unterirdi-schen 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 Wechselbe-ziehung steht. Mit Hilfe von Abflussganglinien werden die zeitlichen Schwankungen der Was-serführung 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 Bestand-teilen schematisch dargestellt. Ausführliche Erläuterungen des Wasserkreislaufs geben u.a. (Mendel 2000 [130]) und (Baumgartner und Liebscher 1996 [8]).


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 infilt-riert zu großen Teilen in den Boden (Knapp 1978 [103]). Die Infiltrationsrate (Infiltrationsmes-sung nach ASAE 1983) ist dabei abhängig von der Bodenart und der Bodenfeuchte (Fritzsche 2001 [63]).


Das infiltrierte Wasser fließt entweder als Interflow (Zwischenabfluss, Speicher der ungesättig-ten Bodenzone, Bodenfeuchteanreicherung) (Flügel 1979 [59]) in Folge der Gravitation oberflä-chennah 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, Grund-wasserneubildung).

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 beein-flusst. Ist die Niederschlagsintensität größer als die vom jeweiligen Boden abhängige Depressi-ons- und Infiltrationsspeicherkapazität (Horton 1933 [87]), sammelt sich ein Teil des an der Oberfläche verbleibenden Wassers in Senken (Muldenrückhalt) und wird somit nicht abfluss-wirksam. 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 Niederschlagser-eignisses.

Der direkt in den Vorfluter fallende Niederschlag ist für den Abfluss unrelevant, da die Wasser-fläche bezüglich der Fläche des Einzugsgebietes vernachlässigbar ist (Baumgartner und Lieb-scher 1996 [8]).

Trifft der Niederschlag auf vegetationsbestandene Flächen, kommt es zur Interzeption an Blatt und Astflächen. Unter Interzeption versteht man die Zwischenspeicherung von gefallenen, ab-gesetzten und abgefangenen Niederschlag an Pflanzenoberflächen. Dieser Effekt hat neben mengenmäßigen Auswirkungen auch räumlichen und zeitlichen Einfluss auf das Niederschlags-angebot einer bewachsenen Erdoberfläche (Baumgartner und Liebscher 1996 [8]). Der zurück-gehaltene Betrag verringert sich durch Interzeptionsevaporation. Insbesondere dichte und ganz-jährige Vegetationsdecken ermöglichen in Abhängigkeit von Pflanzenart und Wachstumsperio-de 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 Niederschlagwas-sers werden als Einflussgrößen genannt (Schöninger und Dietrich 2007 [171]). Das Nieder-schlagswasser, das nicht verdunstet oder in der Vegetation gespeichert wird, tritt durch den Be-wuchs 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 in-terzipiert. Auf der freien Erdoberfläche entsteht eine Schneedecke. Es kommt zu Evaporations- und 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:


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])):

STFFR NNNNN +++= (2.3)

NFR - Freilandniederschlag, Niederschlagshöhe über dem Boden, NF - durch Vegetationsbestand fallender Nieder-schlag, NT - vom Vegetationsbestand abtropfender Niederschlag, NS - an Baumstämmen und Pflanzenstengeln abflie-ßender Niederschlag (Stammablauf)

TEEEIV WBL ++++= (2.4)

I - Interzeptionsevaporation, EL - Streuinterzeptionsevaporation, EB - Bodenevaporation

EW - Gewässerevaporation, T - Transpiration

uZKuAGISO AAAAAAAA −−++++= (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 Wasserhaushalts-gleichung:

)()()( BRAAAAAAATEEEINNNN uZKuAGISOWBLSTFFR −+−−+++++++++=+++ (2.6)

2.3 Hochwasserschutz und Hochwasservorhersage in Thüringen 15

2.3 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 Hochwas-serbewusstsein der Bevölkerung gestärkt und die Sensibilisierung für das Thema weiter entwi-ckelt werden. Menschen, die in den Talauen leben oder in diese Gebiete investiert haben, müs-sen 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 Er-messen soweit wie möglich zu minimieren. Hochwässer haben wie bereits erwähnt natürliche Ursachen, doch auch der Mensch übt einen signifikanten Einfluss auf das Hochwassergesche-hen aus. So haben in der Vergangenheit anthropogene Eingriffe das Abflussgeschehen an vielen Flüssen nachhaltig verändert. Ein Punkt ist die nichtstandortgerechte Landnutzung, die zu Schä-digungen des Bodenspeichers und somit zu erhöhtem Oberflächenabfluss führen kann. Weiter-hin haben massive Flächenversiegelungen große Auswirkungen auf den Wasserhaushalt, insbe-sondere 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 Gewässerober-läufen, 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 entsie-gelt, 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 Abflussver-halten und durch Retention zur Dämpfung von Hochwasserspitzen bei. „Überschwemmungsge-biete sind in ihrer Funktion als natürliche Rückhalteflächen zu erhalten…frühere Überschwem-mungsgebiete, die als Rückhalteflächen geeignet sind, sollen soweit wie möglich wieder herge-stellt 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 „Gewässer- und Auenentwicklungskonzept der Ilm“ von der TLUG durchgeführt (TLUG 1996a [188]). Innerhalb des gleichen Projekts wurde ein Maßnahmenkatalog zur standortbezogenen Verbesse-


rung der Gewässer-, Ufer- und Auenstrukturen der Ilm ausgearbeitet (TLUG 1996b [189]). Ei-nige Maßnahmen wurden im Zuge des Wasserbauprogramms der Staatlichen Umweltämter Thüringens in den letzten Jahren bereits realisiert. Weitere Projekte sind im Rahmen der Umset-zung der Europäischen Wasserrahmenrichtlinie vorgesehen. Schwerpunktmäßig wird aber der eigendynamischen Entwicklung der Ilm der Vorzug gegenüber Renaturierungsmaßnahmen ge-geben (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, insbesonde-re 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


RVO beruhende Ausweisung schränkt das Spektrum menschlicher Aktivitäten in den Über-schwemmungsgebieten 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 überschwemmungsgefähr-deten 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 Luftbild-senkrechtaufnahmen 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 Über-schwemmungsgebiete am Ortseingang und –ausgang von Langewiesen und in dem Bildaus-schnitt 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 Ge-bietsauslasses.

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: Google-Earth; 4.980 m Höhe)


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 funktionie-rendes 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 Alarm-dienstes 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 Ge-winnung und Übermittlung aller Daten über die Entstehung, den zeitlichen Ablauf und die räumliche Verteilung von Hochwasserereignissen, um die rechtzeitige Einleitung von Maßnah-men zur Hochwasserbekämpfung entsprechend den … festgelegten Alarmstufen zu ermögli-chen…“ (TMLNU 1997 [192]).

In der ThürWAWassVO sind die in den Warn- und Alarmdienst einzubeziehenden Fließgewäs-ser festgelegt. In Thüringen sind insgesamt einhundertfünfundsiebzig Pegel an Fließgewässern vorhanden. Zweiundfünfzig davon sind Hochwassermeldepegel (HWMP), die über Einrichtun-gen 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 verschiede-nen Wasserständen ermittelten Durchflusswerten und den daraus gebildeten Wasserstands-Durchfluss-Beziehungen können aus den aktuellen Wasserstandsmesswerten die aktuellen Durchflussdaten für jeden Pegel berechnet werden.

Der Warn- und Alarmdienst beinhaltet hauptsächlich die Herausgabe von Hochwassermeldun-gen und Hochwassernachrichten. Hochwassermeldungen sind Grenzwertmeldungen der Hoch-wassermeldepegel 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. Verwal-tungsvorschriften und regionale Benachrichtigungspläne geregelt. Im Hochwasserfall sind z.Z. drei Hochwassernachrichtenzentralen in Thüringen für das Hochwassermanagement verantwort-lich, denen die Flussgebiete nach regionalen Gesichtspunkten zugeordnet sind. Die Hochwas-sermeldepegel der Ilm fallen in den Zuständigkeitsbereich des Staatlichen Umweltamtes (SUA) Erfurt und gehören damit zur Hochwassernachrichtenzentrale Unstrut/Ilm, die für die Flussge-biete der Unstrut, der Ilm und der Leine in Thüringen zuständig ist. Die Verteilung der Hoch-wasser-Meldungen und Hochwasser-Nachrichten erfolgt in Thüringen über das Kommunikati-onssystem für Hochwassernachrichten und Wetterdaten - KsHwW. Dieses nach einer Vorberei-tungs- und Projektierungsphase Ende 1997 in Betrieb gegangene System wurde in den Folge-jahren um funktionelle Erweiterungen ergänzt und 2004 als Gesamtsystem neu implementiert.


Dieses System ist die zentrale Eingangsstelle der Wetterdaten des DWD (Wetterberichte, Wet-ter- 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 Klimasta-tionen mit dem DWD und für die Weitergabe von Pegelmesswerten mit benachbarten Bundes-ländern. Im Hochwasserfall ist das KsHwW das wichtigste Instrument in der Hochwasserwarn- und Meldekette des Freistaates Thüringen. Es generiert Meldungen von Grenzwertüberschrei-tungen 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 Hochwasseran-sagedienst 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 Umwelt-daten im Internet), auf deren Basis im Jahr 1999 bundesweit eine der ersten Informationsseiten mit aktuellen Pegelständen und Durchflusswerten ihren Start im Internet hatte. Auf anschauli-che Weise werden hier RDBMS-basierte, dynamisch erzeugte aktuelle Informationen und Mess-werte 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-


servers, einer OpenSource-Entwicklungsumgebung für internetbasierte, dynamisch generierte Karten. Die Karte liefert einen hervorragenden und schnellen Überblick über die aktuelle Situa-tion an den HWMP (s. Abbildung 2.7). Diese werden in Abhängigkeit von dem aktuellen Was-serstandswert und einer möglichen Überschreitung der Grenzwerte je nach Alarmstufe ver-schieden 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 Grenzwer-te an den Pegeln vervollständigt seit 2003 das Informationsspektrum (s. Kap. 5) der Website.

Die Ausweitung des Informationsangebotes mit aktuellen Messwerten um statistisch abgesi-cherte, 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 verschie-dene 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 Hoch-wasservorhersage bei Minuten, Stunden und Tagen liegt. Dies erfordert je nach konkreter Auf-gabenstellung eine statistische oder deterministische Betrachtungsweise. Statistische Methoden beschreiben Beobachtungsgrößen ohne Berücksichtigung der Ursachen. Sie finden z.B. Anwen-dung bei der wahrscheinlichkeitstheoretischen Verteilung von Messwerten an einem bestimm-ten Messquerschnitt eines Fließgewässers zur Extremwertstatistik der Hochwässer (Hinkelmann 2006a [83]). Aber auch bei Regionalisierungsverfahren von punktuellen Messwerten in flächen-hafte 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 Ursa-chen zurückgeführt werden, was verschiedene Berechnungsansätze in der modellhaften Nach-bildung 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 Abfluss-bildung im FEG, die Abflusskonzentration im Fließgewässernetz und den Verlauf des Durch-flusses im Gerinne werden die Eingangsgrößen Niederschlag, Schmelzwasser und Verdunstung in die Ausgangsgröße Durchfluss am Gebietsauslasspegel transformiert. Mit Hilfe von Teilmo-dellen werden dabei die Bewegung und Speicherung des Wassers auf der Oberfläche (Oberflä-chenabfluss), 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 An-sätze und einige ihrer Klassifizierungen kurz umrissen werden.

2.4.3 Klassifikation von Flusseinzugsgebietsmodellen

Während die computerbasierte hydrologische Modellierung sich erst seit 4 Jahrzehnten im Fo-kus 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 gegenü-berstehen zu wollen, entwickelte sich mit der Modellierung ein Gebiet der hydrologischen For-schung, 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 reflektie-ren, 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 Be-schreibung der physikalischen Vorgänge an der Oberfläche und im oberflächennahen Boden genutzt (Rasmussen 2005 [157]). Bereits in dieser Zeit kristallisierten sich mit den deterministi-schen und den stochastischen Modellen die zwei klassischen Typen hydrologischer Modellan-sätze heraus, die sich durch die kausale Bestimmtheit ihrer Einzelprozesse voneinander unter-scheiden (Singh 1995 [181]). Beide erfuhren in den Folgejahren eine getrennte Entwicklung, die zunehmend von der ständig steigenden Leistungsfähigkeit der Computer und des Datenmana-gements geprägt wurde. Die sich damit eröffnenden Möglichkeiten, immer komplexere Prozes-se zu integrieren, führten in letzter Zeit zu einer Verflechtung und der Kombination von deter-ministischen und stochastischen Ansätzen in der hydrologischen Einzugsgebietsmodellierung (Bongartz 2001 [22]).

Die deterministischen Modelle lassen sich in Bezug auf ihren Detaillierungsgrad bei der Diffe-renzierung der Einzelprozesse in black box-, grey box- und white box–Modelle unterscheiden.


(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 ba-sierte 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 Über-gang 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 determinis-tischer Modelle in ereignisbezogene Modelle zur Abbildung hydrologischer Prozesse im Ein-zugsgebiet zu einem festen Zeitpunkt und in kontinuierliche Bilanzmodelle mit einer Prozessab-bildung 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 Mittelwertmodel-le) und in distributive Modelle unterschieden (Kralisch 2004 [106]). Distributive Modelle be-trachten dabei ein heterogenes Einzugsgebiet als System möglichst homogener, getrennt model-lierbarer Teilgebiete (Staudenrausch 2000 [185]). Lumped models berücksichtigen die räumli-che 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 In-formationssysteme und der Datenmanagements waren Katalysatoren für die Entwicklung distri-butiver Ansätze, da sie die benötigten detaillierten räumlichen Informationen zur Diskretisie-rung selbst mikroskaliger Einzugsgebiete verfügbar machten. Für diese Diskretisierung der hyd-rologischen Einzugsgebiete in homogene räumliche Einheiten als Basis der späteren distributi-ven Modellierung sind verschiedene Ansätze bekannt. In den meisten Fällen wird dazu in Ab-hängigkeit vom Modellierungszweck ein variabler räumlicher Parameter klassifiziert, z.B. Re-liefeinheiten (Gerold et al. 1997 [67]), Teileinzugsgebiete (Bergström 1995 [10]) oder die Land-nutzung ((Kite und Kouwen 1992 [98]), (Meijerink 1997 [129])). Als Resultat der Klassifikati-on 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 ermög-licht 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 wer-den. 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 Schwar-za 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 flä-chendifferenzierten, physikalisch basierten Modellierung der Abflussbildung und Abflusskon-zentration sowie der damit verbundenen hydrologischen Prozesse, ein robustes, zuverlässiges und übertragbares Vorhersagesystem für Hochwasserereignisse zu entwickeln. Daraus resultier-te der Bedarf an einem Modellinstrument, das mit hinreichender Sicherheit und Genauigkeit den Wasserhaushalt in diesem Skalenbereich nachbilden kann. Prädisdiniert für diesen Zweck er-schien 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 Gene-rierungsverfahren 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 unterschiedli-chen Methoden untergliedern. Blöschl und Grayson (Blöschl und Grayson 2006 [19]) unter-scheiden dabei fünf Methoden: die Bildung von Quadratrastern, die Untergliederung des Gebie-tes auf Basis von Höhenschichtenlinien und Falllinien, mittels Triangulated Irregular Networks (TIN), die Unterteilung in Hangflächen und Gerinneabschnitte und die Unterteilung in Hydro-logical Response Units nach (Leavesley und Stannard 1995 [123]). Diese entstehen durch die Verschneidung mehrerer Datenebenen bzw. Gebietsparameter und erhalten dadurch eine be-


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 Anwen-dungsfall der hydrologischen Regionalisierung, unter der man im Allgemeinen nach (Kleeberg und Cemus 1992 [99]) die Darstellung der räumlichen Variabilität von Parametern, Eingangs-größen, Randbedingungen und Koeffizienten hydrologischer Modelle versteht. Zur Prozessie-rung 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 benachbar-ter 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 Pro-zessflächen mit einer bezüglich ihrer topographischen und physiographischen Ausprägung ho-mogenen Charakteristik definiert. Die HRU-Klassen erhalten die einzelnen Merkmale als integ-rale 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 her-vorhebt.

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 Klassi-fikation singulärer räumlicher Parameter, noch durch die rasterbasierte Diskretisierung und Be-legung der Rasterzellen mit Medianwerten bzw. dominierenden Eigenschaftswerten der physi-kalischen Eingangsgrößen, hinreichend repräsentieren lässt. Der von (Flügel 1995 [60]) entwi-ckelte Diskretisierungsansatz kombiniert mehrere physiogeographische Parameter, wie z.B. Klima, Landnutzung, Bodenparameter, Geologie und Topographie (Hangneigung und Expositi-on) durch schrittweises Überlagern im GIS. Diese sind auf Basis einer vorangegangenen Sys-temanalyse des Einzugsgebiets für die betrachtete Skale wegen ihres Einflusses auf die hydro-logische Dynamik des Gebiets für relevant eingestuft wurden. Die hydrologisch homogenen Flächen werden anschließend ebenfalls im GIS durch Überlagerung bzw. Verschneidungsopera-tionen diskretisiert und erhalten im Ergebnis der Prozessierung eine eindeutige Merkmalskom-bination 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 Ähnlichkeitsberei-ches 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


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 Sys-temverständnis 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 Hauptkri-tikpunkt 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 Reliefvari-anz. Zur Lösung dieses Problems verfolgt (Staudenrausch 2000 [185]) den Ansatz der Di-saggregierung 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 Un-tergrund 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 Hang- und Vorflutertransportprozesse gerecht, die vor allem bei mikro- bis mesoskaligen Einzugsge-bieten sehr groß ist ((Staudenrausch 2000 [185]), (Pfennig et al. 2006 [151])). Der hohe Re-chenaufwand 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 topolo-gisch 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 zusam-mengefasst, sondern von Anfang an als diskrete räumliche Einheiten mit jeweils eigener Merk-malskombination aufgefasst. Diese Vorgehensweise wird seit mehreren Jahren am Lehrstuhl für Geoinformatik, Geohydrologie und Modellierung des Geographischen Institutes der Friedrich-Schiller-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 maß-geblich abhängig von der Art der zu modellierenden Zielgrößen der verwendeten Modellan-wendung (z.B. Modellierung unter dem Aspekt der Hochwasserproblematik oder Stofftrans-portmodellierung). Ein weiterer wesentlicher Punkt ist die Verfügbarkeit der für die Fragestel-


lung notwendigen räumlichen Datengrundlagen in einer für die Größe des Einzugsgebietes ge-eigneten räumlichen Auflösung. Die Entscheidung, welche Datenebenen zur Abbildung der für relevant erachteten hydrologischen Prozesse notwendig sind, muss der mit hydrologischen Sys-temverständnis und Gebietskenntnis ausgestattete Anwender treffen.

Abbildung 2.9: Schematische Darstellung des methodischen Vorgehens bei der HRU-Ableitung


Nach der Analyse der Erfordernisse und Verfügbarkeit der räumlichen Gebietsparameter, wer-den während des Vorprozessierung genannten Arbeitsschrittes die topographischen Gebiets-kennwerte (z.B. Höhe, Hangneigung, Exposition) aus einem Digitalen Geländemodell (DGM) mit der gewünschten Auflösung abgeleitet und die weiteren nötigen flächenhaften Gebietspara-meter 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 Gebietsparame-ter 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 Attri-butierung 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 An-zahl an HRU (s. auch Kap. 4.3.2). Ein großer Anteil der Polygone hat auf Grund der hohen Re-liefvarianz des gebiets nur eine sehr geringe Flächengröße aufzuweisen. Die meisten davon besitzen nur die Größe der kleinsten räumlichen Einheit der in die Verschneidung eingegange-nen Ebenen von einer Rasterzelle. Nach (Staudenrausch 2000 [185]) haben diese Splitterpoly-gone keine Prozessrelevanz. Aus diesem Grund werden sie aus dem Flächenmuster im HRU-Ableitungsschritt 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 An-hang B). Dabei werden die Flächen, die der Abbruchbedingung genügen, kleiner einem be-stimmten 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 entfer-nenden Polygone einschließlich der überflüssigen Linien (Arcs) entfernt und anschließend die interne Topologie der im GIS-Sprachgebrauch coverage genannten Polygonmenge neu aufge-baut.

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 Teileinzugsge-biete. Um zu verhindern, das die später durch die Topologiebildung erzeugten lateralen Fließ-wege der neu aggregierten HRU über lokale Kämme hinweg führen, ist es notwendig, das gene-rierte Aggregationsniveau mit den Grenzen der Teileinzugsgebiete zu verschneiden. Da nach (Krause 2001 [110]) das verwendete hydrologische Modellsystem J2000/JAMS die Abfluss-


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 bezüg-lich der Merkmalsausprägungen der ursprünglichen Flächen (Pfennig et al. 2006 [151]). Aus diesem Grund müssen diesen HRU mit Hilfe der verschnittenen Gebietsparameter neue Eigen-schaftskombinationen 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 er-zeugtes HRU-Aggregationsniveau. Das Werte-Raster ist ein Raster eines in die Verschneidung eingegangenen Gebietsparameters wie z.B. die Landnutzung. Die Zonenstatistik wird sequen-tiell 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 Eigenschaf-ten besitzen ein weitestgehend einheitliches hydrologisches Antwortverhalten auf Nieder-schlagsereignisse. Von Bedeutung dabei ist, dass innerhalb einer HRU eine nur geringe Variabi-lität der Prozessdynamik im Vergleich mit den Prozessdynamiken der umgebenden HRU vor-liegt und das zwischen benachbarten Flächen eine große Variabilität der Prozessdynamik be-steht, so das die Unterschiede innerhalb einer HRU vernachlässigbar sind (Staudenrausch 2000 [185]). Die Ausweisung physiographischen Attributierung jeder einzelnen räumlichen Modell-einheit erlaubt Lösungsansätze für Fragestellungen bezüglich des Einflusses von Systemände-rungen auf das untersuchte hydrologische System. So können z.B. Szenarien mit einer veränder-ten Flächennutzung oder mit, auf den Klimawandel zurückzuführenden, variablen klimatologi-schen Rahmenbedingungen erstellt werden.

2.5.3 Topologische Beziehungen

Die Verortung der Modellflächen und ihre topologischen Beziehungen innerhalb der topogra-phisch-hydrologischen Sequenzen stellen einen weiteren wesentlichen Input bei der distributi-ven Modellierung von Einzugsgebieten dar. Staudenrausch (Staudenrausch 2001 [186]) attes-tiert 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 Ein-zugsgebiet transportierte Wasser auf Basis eines physikalischen oder empirischen Routing-Ansatzes 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 Stark-niederschlags- 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 Entwässerungs-schema aller beteiligten räumlichen Objekte zu generieren. Dazu werden zuerst unter Nutzung der Knoten-Kanten-Topologie des GIS die Beziehungen zwischen den Gerinnesegmenten ermit-telt (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, Nachbar-schaftsbeziehungen 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 Gray-son 2006 [19]). Dazu zählt auch das von ((Krause 2001 [110]), (Krause 2002 [111])) entwickel-te hydrologisches Modellsystem J2000, mit dessen Programierung im Jahr 1997 am For-schungszentrum Jülich begonnen wurde. Das Ziel bestand in der Schaffung eines physikalisch-basierten 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 hierarchi-sche 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 ausgewie-sen. 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 konse-quent modularen Aufbaus weiterentwickelt. Einzelne Module können ohne Änderung der Mo-dellstruktur separat entworfen und neu in das Modellsystem implementiert werden (Krause 2002 [111]). So erarbeitete (Rasmussen 2005 [157]) ein neues Bodenmodul zur horizontdiffe-renzierten 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 Parameterfi-les. Das JAMS-Framework besteht aus sog. components, Programmmodulen die spezifisches Wissen, Algorithmen etc. enthalten, und context components, zur Beschreibung der Modell-


struktur (Kralisch et al. 2007b [109]). Diese Modularität verleiht dem Modellsystem die nötige Flexibilität, um für verschiedene Problemstellungen und Randbedingungen angepasst zu wer-den. So findet es Einsatz an der TLUG zur Berechnung von Bemessungsgrößen für Hochwas-serereignisse 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 Nieder-schlagsdaten. Im Anschluss erfolgt die eigentliche Modellierung der flächendifferenzierten Ab-flussbildung, der Abflusskonzentration und der Fließvorgänge im Gerinne auf Basis der Topo-logiebeziehungen der HRU und des sog. Routings. In der Nachprozessierung werden die Mo-dellergebnisse grafisch und numerisch ausgegeben.

Die zwei Hauptschwerpunkte der Untersuchungen der vorliegenden Arbeit sind einmal der GIS-Vorprozessierung und zum andern dem Bereich Daten-Vorprozessierung zuzuordnen und wur-den 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 Gräfinau-Angstedt 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 Modelloptimie-rung. Die Verortung der Modellflächen und die Ableitung ihrer Topologie ist ein weiterer wich-tiger Aspekt der distributiven Einzugsgebietsmodellierung (Staudenrausch 2000 [185]). Zur Simulation der Wasserflüsse an der Oberfläche und im oberflächennahen Untergrund von Mo-dellfläche 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 variab-len 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 lücken-los 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 Klima-stationen kann verschieden sein. Zudem müssen diese nicht zwangsläufig innerhalb des FEG liegen, sondern können sich auch außerhalb befinden. Die Relevanz einer Station für das be-trachtete FEG zu beurteilen, obliegt dabei dem Anwender.


Während der Modell-Vorprozessierung werden die Eingangsdaten eingelesen und das Modell initialisiert. Anschließend erfolgt die Regionalisierung und Korrektur der punktuellen Klima- und Niederschlagsdaten der verwendeten Stationen nach dem Inverse-Distance-Weighted (IDW)-Verfahren sowie die Berechnung der potenziellen Bestandsverdunstung nach Penman-Monteith (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


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 die-ser 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 Nie-derschlags in Form von Regen bzw. Schnee berechnet (Krause 2001 [110]). Konzeptionell beruht das Modul auf der von (Dickinson 1984 [36]) entwickelten Evapotranspirationmodellie-rung. Der Interzeptionsspeicher wird durch Verdunstung geleert. Ist seine maximale Speicher-kapazität 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 Nach-bildung 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 (Lar-ge Pore Storage – LPS) unterschieden. Die Infiltrationskapazität des Bodens ist abhängig von der Wassersättigung im Boden und einer maximalen Infiltrationsrate. Diese unterliegt bei inten-siven konvektiven Niederschlägen kurzer Dauer im Sommer anderen Infiltrationsrandbedingun-gen 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 über-schüssige Wasser gelangt in Oberflächendepressionen oder den direkten Oberflächenabfluss. Der infiltrierte Niederschlag gelangt im Anschluss in den Mittelporenspeicher. Über Eva-potranspirationsprozesse wird dem MPS Wasser entzogen. Erreicht der MPS seinen Sättigungs-grad, wird das Wasser in den Grobporenspeicher weitergeleitet. Durch Perkolation in den Grundwasserspeicher und die laterale Bildung von Interflow wird der Grobporenspeicher ent-leert. 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 Oberflä-chenabfluss 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 Mo-dellsystem für jede geologische Formation separat parametrisiert. Der obere Grundwasserspei-


cher erzeugt den schnellen Basisabfluss, der untere Grundwasserspeicher den langsamen Basis-abfluss. Die maximalen Speicherkapazitäten sowie Rezessionskoeffizienten beider Grundwas-serspeicher 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 Bodenspei-chern und die summierten Basisabflüsse den Grundwasserspeichern (Krause 2005a [113]). Die Weiterleitung der Abflussmengen unter den einzelnen Gerinneabschnitten wird über den An-satz 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 Gerin-

neabschnitten (flood routing) im J2000/JAMS

Im Zuge der Nachprozessierung werden von dem Modellsystem diverse ASCII-Dateien gene-riert, denen Abfluss-, Verdunstungs- und Speicherkomponenten entnommen werden können. Zudem können Log-Dateien vom Modell berechnete Gütemaße wie der Nash-Sutcliffe-Koeffi-zient und der mit logarithmierten Werten berechnete Nash-Sutcliffe-Koeffizient, das Bestimmt-heitsmaß, der Doppelsummengradient sowie absoluter und relativer Volumenfehler entnommen werden (vgl. Abschnitt 2.6.2). Die Abfluss-Ganglinien und zeitlichen Abläufe der Befüllung


und Leerung der Boden- und Grundwasserspeicher können u.a. in Diagrammform erzeugt wer-den. 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 er-möglichen die Abschätzung, wie gut sich bei einem parametrisierten Modell die modellierten Werte den gemessenen annähern und ob Modellunterschätzungen oder Überschätzungen vorlie-gen. 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 verschie-dener 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 quantitati-ven 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 Un-tersuchungen 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-Sutcliffe-Koeffizient 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 Ab-fluss 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

iobsobs

n

isimobs

QiQ

iQiQE

1

2

1

2

12 (2.7)

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-


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 Abflussvaria-bilität hohe Effizienzwerte und umgedreht. Krause (Krause et al. 2005b [115]) betont die gerin-gere Sensitivität der Nash-Sutcliffe-Effizienz gegenüber systematischen Über- oder Unterschät-zungen. Wesentlich sensitiver ist das Maß bei Abweichungen in den gemessenen und simulier-ten Mitteln und Varianzen. Vor allem die quadrierten Differenzen bewirken einen starken Ein-fluss 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 Basis-abfluss 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:

( )( ) ( )( )

( )( ) ( )( )

2

1

2

1

2

12

⎟⎟⎟⎟⎟

⎠

⎞

⎜⎜⎜⎜⎜

⎝

⎛

−−

−−=

∑∑

∑

==

=n

isimsim

n

iobsobs

n

isimsimobsobs

QiQQiQ

QiQQiQr (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 Abwei-chungen 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 Reg-ressionsgeraden 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 Mög-lichkeit, 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 simu-lierten Werten. DSgrad berechnet sich wie folgt:

( )( ) ( )( )

( )( )∑

∑

=

=

−

−−= n

iobsobs

n

isimsimobsobs

QiQ

QiQQiQDSgrad

1

2

1 (2.9)

Der Doppelsummengradient gilt als ein guter Indikator für den Volumenfehler.


2.6.3 Kalibrierungsparameter

Das hydrologische Modellsystem J2000/JAMS verfügt zur Kalibrierung der Abflusskurve über 30 Parameter, die den fünf Prozessmodulen Interzeptionsmodul, Schneemodul, Bodenwasser-modul, 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]) verwie-sen, wo umfangreiche Sensitivitätsanalysen der einzelnen Parameter beschrieben sind. Die Vor-gehensweise bei der Kalibrierung des Modells für das FEG Gräfinau-Angstedt und die Ergeb-nisse 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 detaillier-ten 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 eingerich-tete 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 Beobach-tungssysteme und Vorhersagemodelle ausbaut (Initiative Messnetz 2000) bzw. betreibt. Beide Themenfelder sollen im Folgenden näher erläutert werden.

Die Beobachtungssysteme kann man in Niederschlagsmessnetze und „Radarprodukte“ unter-scheiden. Der DWD unterhält das mit mehr als 3000 Stationen dichteste meteorologische Beo-bachtungsmessnetz Deutschlands, von denen ca. 1000 Stationen ihre gemessenen Daten auto-matisiert in Echtzeit liefern (AMDA- und Ombrometerstationen). Im Freistaat Thüringen befin-den 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 Niederschlagsradar-messnetz mit 16 Radarstationen zur regionalen (200 km Radius) und lokalen (100 km Radius) Niederschlagsüberwachung. In Kombination mit dem Niederschlagsmessnetz können flächen-deckend 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 entwi-ckelt (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 ak-tuellern Wetterlagen (Rudolf et al. 2006 [164]). Operationell aus Satellitenbeobachtungen Nie-derschlagsdaten von ausreichender räumlicher Auflösung und Genauigkeit zu ermitteln, ist der-zeit Gegenstand intensiver Forschungsbemühungen.

Das zweite Themenfeld sind die vom DWD betriebenen numerischen Wettervorhersagemodel-le. 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 prognosti-zierten quantitativen Niederschlagswerte sowie Daten zur quantitativen Analyse und Vorhersa-ge des Wasseräquivalents und des Niederschlagdargebots. Dazu werden mit Hilfe leistungsfähi-ger 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 atmo-sphärischen Zustandsvariablen beschrieben werden, näherungsweise gelöst werden. Eine sehr große Anzahl von Werten der einzelnen benötigten Variablen wird an ein die Atmosphäre auf-spannendes, 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 Mo-dellgitterpunkte 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 Atmo-sphäre 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 begrenz-ten 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 fehler-behaftete Simulationen in dem betrachteten regional begrenzten Gebiet durch ursprünglich au-ßerhalb 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 numeri-schen Wettervorhersage ein, die näher erläutert werden.

Zuerst zu nennen ist das von 1995 bis 1998 entwickelte und den Globus mit einem Dreiecksgit-ter (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


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 Vorhersage-horizont von 174 Stunden (00 und 12 UTC) sowie 48 Stunden (18 UTC) für die prognostischen Variablen Bodendruck, horizontale Windkomponenten, Temperatur, Wasserdampf, Wolken-wasser und Wolkeneis in der Atmosphäre vom Boden bis in 31 km Höhe, Temperatur und Was-sergehalt in zwei Bodenschichten, Schneemenge und Interzeptionswasser sind weitere charakte-ristische 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 Gitter-elemente 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 einge-bettete 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 Parametrisie-rung, 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 Weiterentwick-lung 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 Globalmo-dell GME die bis dahin operationell arbeitenden Numerischen Wettervorhersagesysteme Glo-balmodell (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 Wetter-vorhersagemodelle 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 prognosti-sche Gleichung für die Vertikalbewegung (DWD 2007(b) [49]). Wichtig für die Berechnung prognostischer Werte sind neben den adiabatischen Prozessen (horizontale und vertikale Trans-portvorgänge) 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 Datenassimi-lationszyklus mittels Nudging-Analyse und den Vorhersagemodus (DWD 2007(b) [49]). Ge-genüber der mittleren Flächengröße des GME von 3100 km² hat das Lokalmodell nur eine mitt-lere Größe der quadratischen Raster von 49 km². Somit können mit dem Lokalmodell schon wesentlich kleinräumigere Strukturen der Orographie mit wetterprägenden Einfluss, wie z.B.


stärkere Vertikalwinde an steileren Hängen und die damit verbundenen Modifikation der Wol-ken 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 vertika-le Windkomponenten, Druck, Temperatur, Wasserdampf, Wolkenwasser, Wolkeneis und turbu-lente 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 unveränder-ter Maschenweite. Das 2-Schichten-Bodenmodell wurde durch das Mehrschichten-Bodenmodell des GME abgelöst. Der Vorhersagehorizont wurde von 48 auf 78 Stunden verlän-gert (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 Gitter-punktslagen führt (Günther 2005 [72]). Eine ausführliche Übersicht über die Modellformulie-rungen, 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 Wet-tervorhersagen 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]). Projekt-start 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 Modellsyste-me 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 hochrei-chenden Konvektion und der Wolkenmikrophysik vorgenommen. So unterscheidet das LMK im Gegensatz zum LME über die Fallgeschwindigkeiten der Partikel in die drei Niederschlagsfor-men Regen, Schnee und Graupel. Von Bedeutung ist noch die Erweiterung des Datenassimilati-onsprozesses um die Assimilation qualitätsgeprüfter 2D-Radardatenkomposits des DWD-


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 Nud-ging-Verfahrens werden diese Radardaten in das Modell assimiliert (Klink und Stephan 2004 [101]). Über das Verhältnis von beobachteten zu modellierten Niederschlag sowie der im Mo-dell vorhandenen latenten Wärme werden Temperaturinkremente bestimmt, über die die Dyna-mik des Modells so beeinflusst wird, dass sich der Modellniederschlag an die Beobachtung an-gleicht (Baldauf et al. 2007 [4]). Diese permanente Rückkopplung zu aktuellen Radarbildern ermöglicht verbesserte Genauigkeiten bei den punktuellen Vorhersagen, insbesondere von kon-vektiven Niederschlagsereignissen. Davon verspricht man sich beim DWD eine Abminderung des fehlerbehafteten Luv-Lee-Effektes in Mittelgebirgslagen. So war beispielsweise im Thürin-ger 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 Wetterla-gen 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 Sturzflu-ten). 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 wissen-schaftlichen 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 „COS-MO“ (The COnsortium for Small-Scale MOdelling) durchgeführt. Das Hauptziel des im Früh-jahr 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]).


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 Kon-sortiums zu unterstreichen, erhielt das für Mitteleuropa fortgeschriebene Lokalmodell LME den Namen COSMO-EU. Das sich seit April 2007 im operativen Betrieb befindliche Lokalmodell-Kürzestfrist für Deutschland (früher LMK genannt) läuft unter der Bezeichnung COSMO-DE. Das Globalmodell, COSMO-EU und COSMO-DE bilden den Kern des numerischen Wetter-vorhersagesystems 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 COS-MO-EU-Ausschnitt für Thüringen und der COSMO-DE-Ausschnitt für das FEG Gräfinau-Angstedt.

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 Mona-ten November bis April tägliche Analysen der Schneedeckenhöhe, und Prognosen des Wasser-äquivalents und des Niederschlagsdargebot als Summe aus Schneeschmelzwasserabgabe und Regen. Die Rasterweite des neuen Modells Snow3 wurde von 7 km auf 1 km verfeinert, Modell-läufe erfolgen alle sechs Stunden. Zudem werden Schnee-Wolken-Klassifikationen aus Satelli-tendaten und Niederschlagsdaten aus angeeichten Radarmessungen in die Berechnung einbezo-gen. Da das Modellsystem J2000/JAMS über ein eigenes internes Schneemodul verfügt, konnte


im Rahmen dieser Arbeit auf die Einbeziehung von Prognosedaten aus Snow-D und Snow3 ver-zichtet 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 resultie-renden Ergebnisspektrum lassen sich die Eintrittswahrscheinlichkeiten von erstellten Wetter-prognosen ortsbezogen und quantitativ bestimmen. Somit kann die Zuverlässigkeit der Vorher-sage der Überschreitung eines kritischen Wertes, wie beispielsweise die für die Hochwasserent-stehung relevanten Starkniederschlagsereignisse, für möglichst kleinräumige Gebiete abge-schätzt 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 Staa-ten 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 Katastro-phenmanagement „acqua alta“ im September 2006.

2.8.1 Zahlen, Daten, Fakten

Unsere Erde befindet sich im durch den Globalen Wandel geprägten „Zeitalter des Anthropo-zäns“ (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 Stickstofffixie-rung durch Düngemittelproduktion und natürlich die drastische Erhöhung der atmosphärischen Kohlendioxidkonzentration und anderer Treibhausgase durch die Verbrennung fossiler Energie-träger (Zebisch et al. 2005 [210]).

Dieses Aufbrauchen von den in hunderten von Millionen Jahren entstandenen fossilen Brenn-stoffen innerhalb nur weniger Generationen kennzeichnet den „Globalen Klimawandel“ und bewirkt eine Bedrohung der terrestrischen Ökosysteme. Während ein kleiner Teil des Klima-wandels seine Ursachen in natürlichen Faktoren wie Schwankungen der Umlaufparameter der Erde um die Sonne, verschiedenen Sonnenaktivitäten und Vulkanausbrüchen hat, ist die Fach-welt sich jetzt einig, dass die anthropogenen Aktivitäten in Form von Emissionen von Treib-hausgasen 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 Klima-wandel verantwortlichen Änderungen der Strahlungsbilanz durch Treibhausgase, vorwiegend Kohlendioxid, und in geringerem Maße durch Schwankungen der solaren Einstrahlung verur-sacht (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 „Treib-hauseffekt“ 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 letz-ten 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. Jahr-hundert 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 festge-stellt, dass unter dem Druck der sich vollziehenden regionalen Temperaturerhöhungen auf allen Kontinenten bereits jetzt die Erdoberfläche und die Ökosysteme einem Wandlungsprozess aus-gesetzt 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 Schnee-schmelze zum Ende des Winters zunehmen. Demgegenüber wird es in Südeuropa verstärkt zu Hitzewellen und Waldbränden kommen. Verminderte Ernteerträge und rückläufige Wasserver-fügbarkeit 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 ver-zeichnen. Extreme Wetterereignisse und Witterungsperioden wie heiße Tage, sommerliche Dür-re, Stürme, Starkniederschläge und damit verbundene Hochwassersituationen nehmen wahr-scheinlich 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 ge-senkt werden (IPCC 2001 [88]), was angesichts der Emissionen der USA und Chinas und ande-rer bevölkerungsreicher Länder ein sehr ehrgeiziges Ziel darstellt. Selbst bei einem sofortigen


Ende aller Emissionen würde durch die Trägheit des Klimasystems ein weiterer Temperaturan-stieg um ca. 0,6°C erfolgen (IPCC 2007 [90]).

Auch für Deutschland ergaben die untersuchten Studien eine Erwärmung der langjährigen Jah-resmitteltemperaturen bis 2080 von +1,6 bis +3,8 °C, bei jedoch z.T. starken regionalen Unter-schieden mit den höchsten Erwärmungen im Südwesten und im Osten.

Die folgende Abbildung 2.13 stellt die auf Basis der Klimaprojektionen des MPI Hamburg bei-spielhaft 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 wer-den 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 erwar-ten. 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 Nie-derschlag steigt signifikant an. Die Veränderungen des Jahresniederschlages liegen jedoch unter 10 Prozent (Zebisch et al. 2005 [210]). Die Abbildung 2.14 zeigt die relativen Niederschlagsän-derungen der hydrologischen Sommer- und Winterperioden der Zeitreihe von 2071-2100 im Vergleich zu den Jahren 1961-1999, ebenfalls auf Grundlage der vom MPI Hamburg berechne-ten Klimaprojektionen.


Abbildung 2.14: Relative Niederschlagsänderungen im hydrologischen Sommer (li.) und Winter 2071-

2100 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, spe-ziell des Klimawandels, und dem Anpassungsvermögen der Region an die zu erwartenden Ver-änderungen. Dabei wird dreistufig (gering-mäßig-hoch) in aktuelle Vulnerabilität (Ohne-Maßnahmen-Szenario) und in Vulnerabilität mit weiteren Maßnahmen (Mit-weiteren-Maßnahmen-Szenario) unterschieden. Durch Vergleich der Vulnerabilität eines Mensch-Umwelt-Systems des Ohne-Maßnahmen-Szenarios mit der Vulnerabilität des Mit-Maßnahme-Szenarios 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, advek-tive Niederschlagsereignisse (Landregen) mit und ohne Beteiligung von Schneeschmelze ausge-löst werden, sind es in kleinen Einzugsgebieten lokale konvektive extreme Niederschlagsereig-nisse, 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 Hochwäs-ser 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 Verände-rung zu einem wärmeren Klima für manche Bereiche (z.B. Landwirtschaft) sogar eher eine


Chance darstellt. Mit „Hoch“ bewertet wird aber die aktuelle Vulnerabilität im Bereich Hoch-wasser, speziell gegenüber lokalen Hochwasserereignissen, die von konvektiven Starknieder-schlägen 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 Extremnieder-schläge und Hochwasser als Folge des Klimawandels. Auch in Deutschland werden sich auf Grund von Klimaänderungen die Niederschlagscharakteristika bezüglich absoluter Nieder-schlagsmenge, 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 zuneh-menden Häufung sog. Vb-Wetterlagen, die die Entstehung von Sommerhochwässern begünsti-gen. 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 modifi-ziert 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 Klima-wandels 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 unterschie-den werden. Letztere stehen für die Emission von Treibhausgasen und Aerosolen, die die Zu-sammensetzung der Atmosphäre verändern. Die rasante Bevölkerungsentwicklung, sozioöko-nomische 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-


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 bezüg-lich Stichhaltigkeit gleichwertige Szenariengruppen, die jeweils eine konsistente Variation der Modellgeschichte reflektieren und zusammengenommen den durch Einflussfaktoren und Emis-sionen erzeugten Unsicherheitsbereich abdecken (IPCC 2001 [88]). Der Begriff Modellge-schichte 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 welt-weiten 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 Diffe-renzen der Pro-Kopf-Einkommen. Die drei Szenariengruppen der Szenarienfamilie A1 differie-ren explizit verschiedene technologische Entwicklungen des Energiesystems. So steht A1B für eine ausgewogene Nutzung von fossilen Brennstoffen und nicht-fossilen Energieträgern, wäh-rend 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]), ver-

ändert)

Die Szenarienfamilie B1 steht für einen schnellen Wandel der wirtschaftlichen Strukturen hin zu einer Dienstleistungs- und Informationsökonomie mit einer Reduktion des Material-


verbrauchs und der Einführung von emissionsreduzierten und ressourcenschonenden Techno-logien sowie gleichem Verhalten des Bevölkerungswachstums wie bei der Szenarienfamilie A1.

Die Szenariengruppe B2 legt den Schwerpunkt auf lokale Lösungen der wirtschaftlichen, sozia-len 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. Jahrhun-derts 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 typi-schen 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 un-tersuchen. Das IPCC betrachtete in seinem 4. Statusbericht im Februar 2007 für die Klimamo-dellierung dieses Jahrhunderts die Szenarien A1B und B1 sowie das mit einem weiteren Anstieg an Treibhausgasemissionen bis Ende dieses Jahrhunderts verbundene Szenario A2. Für die Be-wertung 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 Nie-derschlag 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 Energienutzungs-szenarien 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 Vegetati-onsmodell. Zusammengefasst bezeichnet man dies als globales Klimamodell (Global Climate Model, GCM).


Abbildung 2.16: Das physikalische Klimasystem (Quelle: MPI Hamburg)

Die mathematisch als gekoppelte Systeme von nichtlinearen Differentialgleichungen und alge-braischen Gleichungen beschreibbaren Klimamodelle liefern unter Annahme bestimmter Rand-bedingungen Projektionen darüber, wie sich bestimmte atmosphärische Zustände sowie physi-kalische 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 räumli-chen Auflösung eingeschränkt. Die limitierenden Faktoren sind die verfügbaren Rechnerkapazi-täten 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 er-reicht werden. Die dabei zum Einsatz kommenden Regionalisierungsverfahren unterscheidet man in statistische Verfahren und dynamische regionale Verfahren, sog. Regional Climate Mo-dels (RCM) (Ulbrich 2004 [201]). Grundannahme ist, dass die globalen Modelle im großräumi-gen 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 Wetter-elementen 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-


dellketten kann die räumliche Auflösung sukzessive erhöht werden. Es besteht eine Abhängig-keit 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 sta-tistischen Methoden, ist hier aber auf Grund der geringeren Nutzungsintensität von GCM-Informationen 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 Regio-nalmodell 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 verschie-denen 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 dyna-mische Verfahren REMO wurde im Verlauf dieser Arbeit für die anstehenden Untersuchungen ausgewählt. Es beschreibt die zu erwartende klimatische Situation bis zum Jahr 2100. Die Er-gebnisse 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 „Eu-ropa-Vorhersage Modell“ des DWD (Majewski 1991 [126]) und kann dessen spezifische Para-metrisierung physikalischer Prozesse verwenden (KLIWA 2006 [102]). Da die physikalischen Prozesse dynamisch berechnet werden, kann es auch nichtlineare Zusammenhänge berücksich-tigen. Eingehende Größen sind u. a. Wechselwirkungen im Klimasystem, Land-/Seeverteilung, Eisbedeckung, Ozeanische Zustände (z. B. Salzgehalt, Wassertemperaturen), Vegetationsent-wicklung, Bodennutzung, Atmosphärische Zustände (z. B. Temperaturschichtung, Luftdruck-verteilung) (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


ECHAM5/MPI-OM T63L31 ((Roeckner et al. 2003 [161]), (Roeckner et al. 2004 [163])) abge-löst 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 Dar-stellung des REMO-Modells des MPI. Die Abbildung 1.4 im Anhang B zeigt das im GIS gene-rierte 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, Nieder-schlag, Luftdruck, Luftfeuchtigkeit mit einem Zeithorizont von 2001-2100 in zeitlicher Auflö-sung 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 meteorologi-scher Größen innerhalb bestimmter Zeiträume, Trendaussagen meteorologischer Größen, Wahr-scheinlichkeiten des Auftretens bestimmter Werte usw. Die Validierung erfolgte auf Basis einer ERA15/ECMWF Analyse der Jahre 1979-2003. Der Modell-Kontrolllauf erfolgte für den Zeit-raum von 1950-2000.

Unter hydrologischem Aspekt sind die raum-zeitlichen Variabilitäten des Niederschlags von besonderer Bedeutung. Umfangreiche Untersuchungen zur Eignung der Daten der REMO-Klimaprojektionen 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 Variabi-lität der Niederschläge insgesamt realitätsnah und regional konsistent beschreiben. Aus diesem Grund werden im Rahmen dieser Arbeit REMO-Daten nicht als Grundlage hydrologischer Mo-dellierungen genutzt, sondern hinsichtlich der nach den Klimaprojektionen zu erwartenden Entwicklungen der Jährlichkeiten bzw. Wiederkehrintervalle von Starkniederschlagsereignissen untersucht.


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 O-berlauf 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-DWD-2000-Atlases und in Verbindung mit Schneeschmelzereignissen mittels des REWANUS-Atlases ausgewertet. Einer Darstellung der Hydrogeologie und Pedologie, Vegetation und Flächennut-zung sowie der hydrologischen Dynamik des Flusseinzugsgebiets folgt eine Charakterisierung des im Deutschen Gewässerkundlichen Jahrbuch verzeichneten Hochwassermeldepegels Gräfi-nau-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 zeit-lich statischen Gebietsparameter eingegangen. Es folgt eine Bewertung der Messwerte als zeit-lich 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 konzent-rierter Abfluss einem definierten Punkt, dem Gebietsauslass, zufließt. Begrenzt werden die durch topographische Gegebenheiten charakterisierten Flusseinzugsgebiete durch Wasserschei-den. Sie sind hierarchisch aufgebaut, wobei die betrachtete Hierarchieebene vom Untersu-chungsmaßstab 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-West-Ausdehnung 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


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 Neben-gewässer 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 Teilein-zugsgebieten. 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 Saa-le. Das Fließschema der gesamten Ilm ist in der Abbildung 1.7 Anhang B dargestellt.

3.1 Das Flusseinzugsgebiet Gräfinau-Angstedt 55

Abbildung 3.2: 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 Na-turraumuntereinheit Paulinzellaer Buntsandstein-Waldland. In den Naturraum Mittelgebirge


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 Grundgebirgs-gesteine geprägt. Dies und die starke Reliefvarianz des Gebirges tragen wesentlich dazu bei, dass ein großen Schwankungen unterworfener, wenig gedämpfter Oberflächenabfluss mit star-ken Extremen stattfindet (Bongartz 2001 [22]). Der Abfluss ist eng verknüpft mit meteorologi-schen Ereignissen wie Niederschlag, Schneeschmelze und Trockenperioden. So steigt die mitt-lere Jahresabflusshöhe von ca. 400 bis 500 mm an den Gebirgsrändern auf Werte von durch-schnittlich ca. 600 bis 800 mm im Bereich der Hochlagen und erreicht in den Gipfellagen Ab-flusswerte von mehr als 900 mm. Die Höchstwerte der Abflussspende betragen 29 bis 30 l/(s km2) (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 Grundwas-serneubildungsrate von 15% des Gebietsniederschlags. Der im Bereich des Paulinzellaer Bunt-sandstein-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 ver-schiebt sich in Richtung 65%, während der Direktabfluss mit 25% und die Grundwasserneubil-dung 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 süd-lichen 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 bewal-dete Mittelgebirge besitzt sowohl in Höhen- als auch in Tallagen unterschiedlich große Siedlun-gen 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 wi-derständigen 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-


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 Ablage-rung) Bruchtektonik und intensiven Vulkanismus gestalteten terrestrischen Ablagerungsraum zurückzuführen. Im oberen Ilmtal auftretende Granite gehören zur Mitteldeutschen Kristallin-Zone (Hiekel et al. 2004 [82]). Eine 0,5 bis 1 m, örtlich auch mehrere Meter mächtige, o-berpleistozäne 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 Wild-bachcharakter 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 präelstereiszeit-liche 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 Karsterschei-nungen mit umfangreichen Senkungen und Erdfallbildungen.


3.1.3 Hydrogeologische Gesteinseinheiten

3.1.3.1 Charakteristik Die hydrogeologische Situation in Thüringen ist gekennzeichnet durch Wechselwirkungen zwi-schen 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 Kluftgrundwas-serströmung vollzieht, herrscht in den tertiären und quartären Lockergesteinen eine Porenwas-serströmung 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 einzu-stufen. 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 Verebnungsflä-chen tritt gelegentlich örtlich Staunässe auf (Hiekel et al. 2004 [82]).

Die Abbildung 1.9 Anhang B stellt die hydrogeologischen Teilräume des FEG Gräfinau-Angstedts dar. Die Tabelle 1.3 Anhang C dient der kurzen Charakterisierung dieser hydrogeo-logischen 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 Poren-volumen und Kluftraum. Diese werden maßgeblich vom Verwitterungszustand und der Körnig-keit 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 Lithofazieseinhei-ten Thüringen 1:200.000 (TMLNU 1996 [191]) zurückgegriffen. In ihr werden insgesamt sieb-zehn hydrogeologische Einheiten für Thüringen ausgewiesen, von denen zwölf für das FEG bestimmt werden konnten. Unter dem Aspekt der Parametrisierung im hydrologischen Modell-system 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 mine-ralisierten und mittel bis stark mineralisierten Sandsteine zur Klasse Sandstein sowie die Er-scheinungsformen von Lockergesteinsbedeckung (Schotter, Kiese, Sande in Talstrukturen und


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 Bu-chen und untergeordneten Eichenanteilen geprägt. Die Agrarwirtschaft spielt auf Grund der Reliefausprägung in dem Gebiet nur eine untergeordnete Rolle, da bloß ca. 15% der Gesamtflä-che 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 ge-streckten 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 dem-zufolge in den Bereichen niedrigerer Geländehöhe um die Ortschaften Langewiesen und im Auen- bzw. Talbereich von Möhrenbach über Gehren bis Gräfinau-Angstedt. An den dicht be-siedelten Flächen mit hohem Versiegelungsgrad trägt die Stadt Ilmenau den Hauptanteil. Zu-sammen mit den locker besiedelten Flächen haben beide Siedlungsflächenklassifikationen einen Gesamtflächenanteil in der Größenordnung der landwirtschaftlich genutzten Flächen.


Abbildung 3.4: Flächenanteile der klassifizierten Landnutzungsarten (Luftbild: Google Earth, Aufnah-

me aus 17.300 m Höhe)

3.1.4.2 Der statische Gebietsparameter Flächennutzung Die Klassifizierung der verschiedenen Landbedeckungen wurde auf Basis eines Landsat-TM-Datensatzes für das Jahr 1999 (4. und 13. September) durchgeführt. Zur Eliminierung von Wol-ken 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 Klassifika-tion unter Verwendung eines Isodata-Clusterings erlaubte eine Klassifizierung von 5 Haupt- und 13 Unterklassen. Auf Basis repräsentativer Trainingsgebiete schloss sich eine überwachte Ma-ximum-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, dich-ten und offenen Ackerland, Laub- und Nadelwald, Strauchvegetation, mageren und fetten Grün-land, 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.


Bei Auswertung der Flächenbilanz ergibt sich: Nadelwald stellt mit knapp 70,2% der Gesamt-fläche 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 Einzugs-gebiets ausmachen. Der Anteil landwirtschaftlich genutzter Flächen beträgt 6,3%, Strauchvege-tation 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 Diagramm-darstellung 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 Ein-fluss 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 In-terzeptions- und Bodenspeicher gegenüber bewaldeten Flächen deutlich geringer. Starknieder-schlagsereignisse führen auf diesen jedoch schnell zur starken Ausprägung von Oberflächenab-fluss, 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.


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]) zurückgegrif-fen. Diese weist für das Gebiet 30 verschiedene bodengeologische Einheiten aus, die 15 Boden-typen 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 skelett-haltigen sandigen Lehmen ausgegangen werden, in denen sich Bergsalm (Sandlehm)-Braun-erde, 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 Durch-lässigkeit und daraus resultierend eine schwankende, relativ geringe bis mittlere Wasserspei-cherfähigkeit 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 Be-reich zwischen Langewiesen und Gehren und zählt zum Naturraum Paulinzellaer Buntsand-stein-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 zu-sammen 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 verzö-gernde Wirkung auf die Abflussbildung charakterisierten Quell- und Hochmoorbereiche besit-zen 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: 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 bewir-ken (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 Vegetationsbe-standes (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 hydrologi-schen 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 Abhängig-keit 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 Verdich-tungsgrad der Böden besonders in anthropogen geprägten Gebieten Einfluss auf das Infiltrati-onsvermögen. (Pfennig et al. 2006 [151]) hebt die durch verschiedene Beregnungsexperimente nachgewiesene positive Korrelation zwischen Bodenfeuchte und Entstehung von Oberflächen-abfluss hervor.


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 Boden-information verwendet wurde die im Maßstab 1:100.000 vorliegende digitale Karte der Leitbo-denformen 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 unter-teilt. 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 Pa-rameter wie der kF-Wert und die Feldkapazität für die 202 Klassen abgeleitet. Für die HRU-Ableitung 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 einge-henden 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 entgegen-gesetzt, was klimatische Unterschiede innerhalb des Einzugsgebietes zur Folge hat. Bezüglich des Luv-Lee-Wirkung des Thüringer Waldes stellt (Bongartz 2001 [22]) fest, dass die Ausprä-gung des Leeeffektes „...durch die auf dem Kamm des Thüringer Waldes gelegenen Plateauflä-


chen, die eine Fallwindausbreitung verhindern, bis an den nördlichen Gebirgsrand verschleppt wird...“.

Der dominante FEG-Anteil der Naturraumuntereinheit „Mittlerer Thüringer Wald“ ist Bestand-teil des Klimabezirkes „Thüringer Wald“ am Westrand des Klimagebietes „Deutsches Mittelge-birgs-Klima“. Ebenso zu diesem Klimagebiet zählt der zum Klimabezirk „Frankenwald“ zäh-lende FEG-Anteil des „Schwarza-Sormitz-Gebietes“ Der FEG-Anteil des „Paulinzellaer Bunt-sandstein-Waldland“ liegt deutlich im Lee des Thüringer Waldes und gehört zum Klimabezirk „Thüringisch-Sächsisches Mittelgebirgsvorland“ im „Mitteldeutschen Berg- und Hügelland-Klima“ (Hiekel et al. 2004 [82]).

Der mittlere Jahresniederschlag an den Rändern des Thüringer Waldes einschließlich des Rau-mes 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 ver-zeichnet. Die niedrigsten Werte des FEG liegen bei 650 mm im Bereich des Pegels Gräfinau-Angstedt. Die Abbildung 3.6 zeigt die Verteilung des langjährigen mittleren Jahresnieder-schlags in Thüringen und einen vergrößerten Ausschnitt mit dem Untersuchungsgebiet. Grund-lage für die Karte waren Messwerte des DWD für den Zeitraum von 1951 bis 2000 der Regio-nalen 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)


Die höheren Niederschlagswerte in den Kammlagen und deren rasche Verringerung mit abneh-mender Höhe werden besonders deutlich, wenn man sich die langjährigen mittleren Nieder-schlagswerte 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 repräsen-tativ 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 ange-schnittenen Rasterzellen ermittelten Gebietsniederschlag auf Grundlage langjähriger Messreihen von 1951-2000.

Tabelle 3.1: Langjährige mittlere Monatsmittel und Jahresmittel an Niederschlag [mm] der vier Statio-nen und Jahresgang des Gebietsniederschlages RRgebiet [mm] (Daten: DWD, 1951-2000)

Station Höhe [m]

Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez Jahr

Gräf.-A. 410 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 Monatsmit-tel an Niederschlag aufweisen. Der Hauptanteil des Jahresniederschlags fällt in der hydrologi-schen Winterperiode. Der Anstieg in den Sommermonaten ist auf häufige konvektive Nieder-schläge zurückzuführen. Die Charakteristik des Jahresverlaufs der mittleren Monatsmittel an den vier Stationen ist annähernd gleich. Der Jahresgang für das Gebietsmittel folgt dem typi-schen Verlauf der vier Stationen. Dabei liegen die Werte der Station Schmücke über dem lang-jährigen 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


einen fast identischen Verlauf mit denen des Gebietsmittels, während die Werte der beiden tie-fer 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 Schnee-klimagebieten ist das FEG hauptanteilig den schneereichen und meist schneebeständigen Thü-ringer Wald zugeordnet. Die niedrigeren Regionen zählen zu den Übergangsbereichen der Ge-birgsvorländer. 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 Vor-ländern. In den Kammbereichen treten jährlich zwischen 120–150 Schneetage auf (Schneede-cke>1 cm), wobei der Schneedeckenaufbau durchschnittlich Mitte November, das Abschmelzen Mitte April einsetzt (Michl 1999 [131]). Die Anzahl der Schneetage fällt mit abnehmender Hö-he, 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 Reliefpositio-nen 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 Janu-artemperatur 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.


Abbildung 3.9: Langjährige mittlere Jahrestemperatur (Quelle: DWD, 1951-2000)

Die Abbildung 3.9 zeigt die Verteilung der langjährigen mittleren Jahrestemperatur in Thürin-gen 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 Un-terschiede 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 Pro-grammsystem J2000g implementierten Regionalisierungsverfahren berechnet wurden.

Tabelle 3.2: Langjährige mittlere Monats- und Jahrestemperatur [°C] von 1951-2000 an den vier aus-gewählten Stationen

Station Höhe [m]

Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez Jahr

Gräfinau-A. 410 -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

Vergleicht man die Jahresgänge der vier repräsentativen Stationen ist festzustellen, dass die höher liegenden Stationen ganzjährig niedrigere langjährige mittlere Monatstemperaturen auf-weisen (s. Abbildung 3.10). Der Charakter des Jahresganges ist wieder bei allen vier Stationen gleich.


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 Un-tersuchungen des Zeitraums von 1951 bis 1980 basiert (Bartels et al. 1997 [6]). Die in den letz-ten Jahren global und regional registrierten Veränderungen im Temperatur- und Niederschlags-regime und damit verbundene z.T. katastrophale Hochwasserereignisse in Deutschland, mach-ten eine Neubewertung der Eintrittswahrscheinlichkeiten von Starkniederschlagsereignissen nötig. Dazu führte der DWD eine umfangreiche Nacherfassung analoger Niederschlagsregistrie-rungen, Prüfungen und Vergleichsrechnungen methodischer Art und mit verschiedenen Teilzeit-räumen 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 Vertei-lung 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 be-rechnet werden (Bartels et al. 2005 [5]). Das dabei verwendete REGNIE-Verfahren (Regionali-sierung von Niederschlagshöhen) (Dietzer 2000 [37]) stellt lückenlose, homogene Zeitreihen zur Verfügung und erhöht die Informationsdichte von rund 3.000 Stationen auf mehr als


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 flächen-gewichteten 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 KOSTRA-

Rasterzellen

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 KOSTRA-DWD-2000-Daten nach Wiederkehrintervallen und Dauerstufen

T [a] 0,5 1 2 5 10 20 50 100 hN [mm] D=1h 11,9 17,3 22,7 29,9 35,3 40,6 47,8 53,2 hN [mm] D=24h 31,7 40,0 48,4 59,4 67,8 76,2 87,2 95,5 hN [mm] D=48h 42,4 54,3 66,3 82,0 94,0 105,9 121,7 133,7 hN [mm] D=72h 43,9 56,0 68,1 84,0 96,1 108,2 124,2 136,3


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 meh-rere Wochen stabile Schneedecken in den Höhenlagen geprägt. Die in der Schneedecke gespei-cherten Niederschläge werden nicht unmittelbar abflusswirksam und ziehen aus hydrologischer Sicht somit länger anhaltende Trockenperioden nach sich. Einen bedeutenden Beitrag zum Ab-fluss leisten die gespeicherten Wasseräquivalente dann, wenn es zu intensiven Schneeschmelz-perioden 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 Auswertun-gen 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 Schneede-cke 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]) pub-liziert. Die digitale Ausgabe des REWANUS-Atlases liefert unter Nutzung der identischen Ras-terzellen des KOSTRA-DWD-2000-Atlases, flächendeckende Aussagen über die Wiederkehr-wahrscheinlichkeiten extremer Niederschlagsdargebote im hydrologischen Winterhalbjahr für acht Dauerstufen und elf Wiederkehrintervalle. Die standortbezogenen Extremwertberechnun-gen 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 be-rechneten stationsbezogenen Extremwerte für 5402 Messstandorte wurden durch entfernungs-abhängige 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]).


Für das Flusseinzugsgebiet Gräfinau-Angstedt werden die flächengewichteten REWANUS-Werte der angeschnittenen Rasterzellen für die für Schneeschmelzereignisse relevanten Dauer-stufen 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 Was-seräquivalent 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-DWD-2000 der hydrologischen Winterperioden und basierend auf REWANUS nach Wiederkehr-intervallen und Dauerstufen

T [a] 0,5 1 2 5 10 20 50 100 hN [mm] KOSTRA D=24h 27,5 35,6 43,6 54,2 62,3 70,3 80,9 89,0 hN [mm] REWANUS D=24h 34,7 42,2 49,6 59,5 67,0 74,4 84,3 91,8 hN [mm] KOSTRA D=48h 33,6 43,4 53,1 66,0 75,8 85,6 98,5 108,2 hN [mm] REWANUS D=48h 44,7 55,7 66,7 81,3 92,3 103,3 117,8 128,9 hN [mm] KOSTRA D=72h 42,7 52,2 61,6 74,1 83,5 93,0 105,4 114,9 hN [mm] REWANUS D=72h 52,5 66,8 81,0 99,7 113,9 128,2 146,9 161,1

Abbildung 3.13: Niederschlagshöhen der Starkniederschlagsereignisse basierend auf KOSTRA-DWD-

2000-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 quan-tifiziert werden (Tabelle 3.5).


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 Wäquv [mm] Schneeschmelze D=48h 11,1 12,3 13,5 15,2 16,5 17,7 19,4 20,6 Wäquv [mm] Schneeschmelze D=72h 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 Niederschlagsge-schehen, 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 landwirt-schaftlich 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 Mo-naten 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 unmit-telbar zu relativ hohen Abflüssen (TMLNU 2003 [194]). Im Winterhalbjahr wird in dem Gebiet


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 star-ken 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 Niedrigwasserab-flüsse NHQ sowie des langjährigen mittleren Durchflusses MQ auf Grundlage langjähriger Da-tenreihen von 1951-2006.

Abbildung 3.15: Jahresgang der mittleren Hoch- und Niedrigwasserabflüsse der Ilm am Pegel Gräfinau-

Angstedt (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 No-vember zu Dezember ist auf Schneeschmelzereignisse im Dezember in Verbund mit Nieder-schlägen 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 Pflanzenwasser-verbrauchs die Gebietsevapotranspirationsrate, so dass weniger Wasser für den Abfluss verfüg-bar ist. Pfennig (Pfennig 2003 [149]) und (Bongartz 2001 [22]) verweisen in dem Zusammen-hang auf die Dynamik des Bodenwasserspeichers. Während er im Winter relativ konstant gefüllt bleibt, verliert er durch diese Evapotranspirationsprozesse in den Sommermonaten einen großen


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 Hochwas-serereignisse an diesem Pegel sind im Anhang C in Tabelle 1.5 aufgelistet. Im Anhang A befin-den sich zwei Fotos (Bild 1.3 und 1.4) vom Hochwasser am 01. April 2006 im Bereich des Pe-gels 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-Meldeordnung-HWMO) sind die Richtwasserstände für Alarmstufen für die Thüringer Hochwasser-Meldepegel 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).


3.1.10 Jährlichkeiten der Extremabflüsse HQT

Zur Charakterisierung des Abflussgeschehens im Hochwasserfall werden die langjährigen Ab-flussmessreihen (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 ge-eignet. 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 wasserwirt-schaftliche 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 Betrach-tungszeitraums über eine Wahrscheinlichkeitsanalyse eine Überschreitungswahrscheinlichkeit zu und ermöglicht eine Extrapolation über den Beobachtungszeitraum hinaus. Es werden meh-rere Verteilungsfunktionen berechnet und verschiedene Schätzmethoden angeboten. Der An-wender kann aus den vom Programm ermittelten Extrapolationsfunktionen die am Besten an-gepassten 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. „Extrem-hochwasser“.

Abbildung 3.17: Die drei am Besten approximierten Verteilungsfunktionen der Jahres-HQ und verwen-

dete Schätzmethoden

3.2 Zeitlich statische Gebietsparameter

Räumlich hoch aufgelöste Informationen zur Landnutzung, zu den Böden und zu hydrogeologi-schen Eigenschaften sowie das Relief und die daraus generierten Reliefeigenschaften und hyd-rologische Parameter bilden die Grundlage für die prozessorientierte, flächendifferenzierte Sys-temanalyse und Modellierung,

Die in die zur HRU-Generierung durch Verschneidung eingehenden zeitlich statischen Gebiets-parameter 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 er-zeugt. Die aus dem DGM generierten Basisdaten Fließakkumulation, Fließgewässernetz und Fließrichtung sind Grundlage der später erfolgenden Topologiebildung und des Routings. Sie


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 Gene-rierung 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 Mo-dellgüte der Niederschlags-Abfluss-Modellierung (Pfennig et al. 2006 [151]). Die hohe Bedeu-tung der morphologischen Parameter des FEG für die Bildung schneller Abflusskomponenten (Peschke et al. 1999 [146]) ist besonders für das sich durch eine hohe Reliefvarianz auszeich-nende FEG Gräfinau-Angstedt von großer Wichtigkeit. Aus diesem Grund ist vorbereitend si-cherzustellen, 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 ma-nuell 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 morpho-logisch 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 ent-spricht bezogen auf die räumliche Auflösung von 25 m geowissenschaftlichen Qualitätsanforde-rungen. Es erreicht eine ausreichende relative Höhengenauigkeit. Einschränkend muss ange-merkt werden, dass im Bereich sehr flach geneigter Gebiete auf Grund zu geringer Isohypsen-dichte nicht immer Höhengenauigkeiten im Dezimeterbereich erzielt werden kann. Zudem kön-nen Fehler durch die manuelle Korrektur nie ganz ausgeschlossen werden (Köthe und Bock 2002 [105]).

Neben natürlich entstandenen abflusslosen Senken können die beiden genannten Einschränkun-gen zu Depressionen im DGM führen. Um ein fehlerfreies Gewässernetz berechnen zu können, muss durch Füllen dieser Senken ein hydrologisch korrektes Höhenmodell erzeugt werden, da-mit jede Rasterzelle eine Entwässerungsrichtung aufweist (Pfennig et al. 2006 [151]). Das Fül-len geschieht mittels geeigneter GIS-Werkzeuge, indem der Höhenwert der Senke auf das Ni-veau 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 ab-geleitete Geländehöhe, gemessen in Metern, beeinflusst zudem die Regionalisierung der punk-tuellen 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 Ent-wässerungsrichtung 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 Fließ-richtung 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 Fließ-akkumulation bzw. Abflusskonzentration bezeichnet. Während hohe Werte für Gebiete konzent-rierten 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 Schwell-wert überschreiten, in einen Datensatz des Entwässerungsnetzes überführt. Dieser Schwellwert


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 Gewässer-netzes 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 Fließgewässer-netz 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 Gerin-neabschnitten ein nach vorliegenden Erfahrungen gebräuchlicher Wert für die Einzugsgebiets-größe vorlag. Das berechnete digitale Gewässernetz musste nun mit dem natürlichen Gewässer-verlauf 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 feh-lerhaften 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 wer-den. Auf dieser Vorgehensweise begründet sich die Bedeutung des abgeleiteten Fließgewässer-netzes für die Validierung des verwendeten Digitalen Geländemodells.

Für die spätere Ableitung der Gebietstopologie wird jedem einzelnen Flusssegment eine eindeu-tige 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 Verschneidungs-ebene für die HRU-Generierung. Sie beschreibt die maximale Änderung der Höhe in Fallrich-tung und wird in Grad bemessen. Die Hangneigung hat eine wichtige Funktion bei der Separie-rung der Komponenten des Gesamtabflusses (Krause 2001 [110]). Sie beeinflusst die Aufnah-mefähigkeit des Muldenrückhaltes und damit die Menge des Wassers, das als Direktabfluss dem Gerinne zugeführt wird. Über den Winkel der Sonneneinstrahlung hat die Hangneigung signifi-kanten 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 Aufgaben-stellung und der Detaillierungsgrad des gewählten Modellansatzes. Für das FEG Gräfinau-Angstedt wurde die Klassifizierung der Hangneigung nach (Peschke et al. 1999 [146]) über-nommen (s. Abbildung 1.17 im Anhang B), die eine prozessorientierte Differenzierung einzel-ner Abflusskomponenten gewährleistet (Pfennig 2003 [149]).

3.3 Zeitlich variable Eingangsdaten – Messwerte 81

3.2.1.6 Exposition Auch die Hangrichtung bzw. Exposition wird mit geeigneten GIS-Routinen aus dem DGM ab-geleitet. Sie berechnet sich aus der maximalen hangabwärtsgerichteten Höhendifferenz jeder Rasterzelle zu ihren acht Nachbarzellen und beschreibt, in Grad von Nord bemessen, die hori-zontale Ausrichtung einer geneigten Fläche. Die Exposition ist ebenfalls eine weitere Ver-schneidungsebene 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 differieren-den Strahlungsbilanzen aufweisen (die Verdunstung auf südlich exponierten Hängen ist auf-grund der höheren Sonneneinstrahlung höher) und somit unterschiedliche Temperaturverteilun-gen besitzen. Dies ist insbesondere für Schneeschmelzereignisse von Bedeutung. Nach (Krause 2001 [110]) ist die Exposition als ein eher unsensitiver Parameter einzustufen, der auf die Ab-flussbildung 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 Vorge-hensweise in (Pfennig et al. 2006 [151]).

3.3 Zeitlich variable Eingangsdaten – Messwerte

Das Modell J2000/JAMS benötigt als Modellinput stationsbezogene Klima- und Niederschlags-zeitreihen. Die Messdaten der einzelnen Stationen müssen lückenlos über den gesamten Unter-suchungszeitraum vorliegen. Die benötigten zeitlich variablen Eingangsdaten in Form von Ta-geswerten sind der Niederschlag [mm d-1], die Minimum- Maximum- und Mitteltemperatur [°C] für die Berechnung der Verdunstung und der Schneeakkumulation und -schmelze, die Windgeschwindigkeit in 2 m Höhe [m s-1], die Sonnenscheindauer [h] und die Relative Luft-feuchte [%], alle drei Größen ebenfalls zur Berechnung der Verdunstung. Dazu kommen noch die Tagesmesswerte für den Abfluss [m³ s-1] am betrachteten Pegel. Zu Modellierung auf Stun-denbasis müssen die gleichen Eingangsdaten in stündlicher Auflösung vorliegen. Im Unter-schied 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 einzel-nen Klimagrößen wie folgt Beachtung: die horizontalen Variabiltäten, in Form der unterschied-lichen Entfernungen der einzelnen Stationen zu den einzelnen Prozessflächen, werden über IDW-Verfahren, die vertikalen Variabilitäten über eine optionale Höhenkorrektur berücksich-tigt(Krause 2001 [110]). Im Ergebnis wird aus den Stationswerten für jede Prozessfläche ein


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 regiona-len Gesichtspunkten ausgewählt werden. Primäres Kriterium ist die geographische Lage bzw. die Nähe zum betrachteten Einzugsgebiet und damit ihre Relevanz für die im Modell durchge-führte Regionalisierung. Bevorzugt wird auf Stationen innerhalb des Einzugsgebietes zurückge-griffen. Die Anzahl der Stationen ist vom Modell nicht begrenzt, sollte aber möglichst hoch sein. J2000/JAMS unterscheidet in Klimastationen und Niederschlagsstationen, wobei die An-zahl der zur Verfügung stehenden Niederschlagsstationen in den meisten Fällen größer ist.

Da das Modell im Tages- und im Stundenmodus betrieben werden soll, musste auf Nieder-schlags- 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 Wer-te 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 ver-gleichbarer 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 Renn-weg (s. Abbildung 1.20 Anhang B). Die Klimawerte der einzelnen Tage wurden aus den Stun-denwerten 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 aus-schließlich Tageswerte vorliegen. Folgende Auswahl wurde als relevant eingestuft: die DWD-Stationen 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 implemen-tierte 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 hydro-logischen 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 Niederschlags-messwerte 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 hydro-logischen Winterperiode zwei Stunden vergangen waren. Im Anschluss wurden alle abgeschlos-senen Niederschlagsereignisse größer gleich 0,1 mm bezüglich des Benetzungsfehlers mit ei-nem Offset versehen. Für die stufenlose Korrektur des Windfehlers wurden die Erkenntnisse der Korrektur von Tageswerten nach Richter angewandt. Dieses Verfahren korrigiert die Tages-messwerte über die Tagesmitteltemperatur. Da hier auch stündliche Messwerte für die Tempera-tur 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 Nieder-schlagsmengen 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 gemes-senen Niederschläge in den hydrologischen Sommerperioden um 8,1% und in den hydrologi-schen Winterperioden um 16,0% nach oben korrigiert werden.

3.3.3 Pegelmesswerte

Für die Kalibrierung und Validierung der modellierten Simulationsergebnisse müssen mög-lichst 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 Ab-fluss 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 au-tomatisierte Abrufregime des Thüringer Pegelmessnetzes integriert.

3.4 Zeitlich variable Eingangsdaten – Prognosewerte

Verlässliche Prognosedaten sind die Voraussetzung einer zuverlässigen operativen Hochwas-servorhersage. Aus diesem Grund sind im Vorfeld die zur Verfügung stehenden Eingangsdaten zu analysieren und hinsichtlich ihrer statistischen Güte zu bewerten. Als operative Vorhersage-daten werden in diesem Projekt die Vorhersagedaten des COSMO-DE-Modells (früher Lokal-


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 initia-len Größe Niederschlag, die bei Starkniederschlagsereignissen oder langanhaltenden Nieder-schlagsereignissen Hochwassersituationen auslösen kann. Im Zusammenhang mit Schnee-schmelzereignissen 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 geogra-phische 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 Nie-derschlag 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 Jah-re 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 Win-ter“ (01.11.-30.04.) wurden differenziert bewertet. Stationsspezifische und jahreszeitliche Be-sonderheiten sollten genauso berücksichtigt werden, wie die verschiedenen Vorhersageabschnit-te, 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 Vorhersage-fenster jeweils um einen Zeitraum von 12 Stunden verschob und der sich überschneidende Zeit-raum 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 Ein- und Ausleseroutinen unerlässlich, um die durch Verschlüsselung komprimierten LM-Vorhersagedateien zu decodieren und in die Datenbanken zu überführen. Die datenbankbasierte Datenhaltung ermöglicht die Definition flexibler Zeiträume für die Auswertung und Analyse.


Um die Vorhersagegüte der vier Sektionen differenziert bewerten und gegebenenfalls differen-ziert korrigieren zu können, mussten die Vorhersagedaten jeder Kategorie in getrennte Daten-banken (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-Daten-banken auslesen und sie so aufbereiten, dass sie als Modell-Input von J2000/JAMS direkt ver-arbeitbar 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 gra-phisch und tabellarisch für alle Rasterzellen Thüringens dargestellt werden können. Die Daten-bank und die programmierten Werkzeuge bilden die Basis für den späteren operationellen Ein-satz der Vorhersage im Hochwasserinformationsdienst. Aus diesem Grund wurde für die Ent-wicklung 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 Vorhersagezeit-raum auf 78 Stunden (s. Abschnitt 2.7). Ein weiterer Modelllauf mit einem Vorhersagehorizont


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 Ar-beit nicht bewertet werden.

Die zur Verfügung stehenden Messdaten erlauben eine Einschätzung bezüglich des Nieder-schlags als Tagessummen und auch als Stundenwerte. Dabei wurden sowohl regionale Unter-schiede 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 Raster-zellen, die näher an der Station liegen, einen größeren Einfluss auf den zu berechnenden Mit-telwert der Station haben als weiter entfernt liegende. Die Entfernung r als Abstand der Schwer-punkte der neun Rasterzellen zu dem Standort der betrachteten Messstation, fließt bei der Be-rechnung des gewichteten Mittels xg über die inversen Distanzen (IDW) nach folgender Berech-nungsvorschrift als Gewicht gi ein:

( )

∑

∑

=

=

⋅= n

ii

n

iii

g

g

gxx

1

1 mit 21

ii r

g = (3.1)

Um den Einfluss weiter entfernter Rasterzellen auf das gewichtete arithmetische Mittel zu rela-tivieren, 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 Ober-

weißbach)

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 Untersuchungen zur statistischen Güte

In den folgenden Ausführungen wird die alte Bezeichnung des COSMO-EU-Modells, das Lo-kalmodell 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 LM-Vorhersage 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 kor-rigierten 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

LMRR

mqA

n

iii∑

=

−

=0

2

(3.2)

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 Aus-wertung 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 Niederschlagde-fizits von 64,9% der tatsächlich gefallenen Niederschlagsmenge in Gehren bis 80,7% in Gräfen-roda. Im hydrologischen Winter geht der Bereich von 53,1% in Gehlberg bis 85,9% in Gräfen-roda. Der mittlere quadratische Abstand hat ein Spektrum von im Sommer 4,19 mm (Gräfenro-da) 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-


Werte, die niederschlagsärmste Station Gräfenroda den niedrigsten mittleren quadratischen Ab-stand.

Im Anschluss wurde die Entwicklung der Vorhersagegüte in den weiteren Sektionen bzw. 12-Stunden-Abschnitte der Vorhersagen untersucht. Dabei zeigte sich, dass auch in den Vorhersa-gen 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 Stun-denwerten analysiert. Bis auf die als einzige Station im Luv-Bereich des Thüringer Waldes ge-legene 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. Ta-belle 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 Sekti-onen 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 Stunden-werten zu beobachten. Da die Stundenwerte entsprechend kleiner als die Tageswerte sind, lie-gen 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 Winterpe-riode (s. Tabelle 1.11 Anhang C). Betrachtet man die durchschnittlichen mittleren quadrati-schen Abstände der fünf Stationen in Abhängigkeit ihrer Gesamtniederschlagsmenge im unter-


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 Niederschlags-mengen 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 Sommerpe-rioden 12,5% und in den hydrologischen Winterperioden 31,4%.

Untersuchungen an der Fachhochschule Trier bestätigten, dass die Vorhersagedaten des Lokal-modells 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 topo-grafischen 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 Lokal-modell- bzw. COSMO-EU-Modell-Niederschlagsprognose unabdingbar. Insbesondere der Aus-gleich des massiven Niederschlagsdefizits für das im Lee-Bereich des Thüringer Waldes gele-gene FEG ist für eine zuverlässige Abflussprognose und Hochwasservorhersage durch das N/A-Modell enorm wichtig. Ein geeignetes Korrekturverfahren wird im Kapitel 5.2.1 vorgestellt.


4 Methodik zur HRU-Optimierung

4.1 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 Berech-nung der hydrologischen Prozesse jeder Modelleinheit. Nach dem Verschneidungsprozess be-sitzen 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 Aggre-gationsniveau und die damit implizierte Anzahl an räumlichen Modelleinheiten einen signifi-kanten Einfluss auf die Gütemaße der Modellierung. Anzustreben wäre demzufolge ein maxi-maler räumlicher Aggregierungsgrad der HRU bei gleichzeitig hohen Modelleffizienzen (Haverkamp et al. 2000 [75]). Mit dem Grad der Diskretisierung des Einzugsgebietes bzw. sei-ner Heterogenität verbunden ist ein Informationsverlust, den die durch Eliminierung von räum-lichen Modelleinheiten entstandenen Aggregationsniveaus gegenüber dem jeweiligen originären Gebietsparameter aufweisen.

Geeignete Aggregationsstufen wurden oft nur subjektiv durch trial-and-error-Methoden be-stimmt oder liegen als „Erfahrungswerte“ vor. Haverkamp (Haverkamp et al. 2000 [75]) be-schreibt 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 Gebietspa-rameter 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 Flächen-merkmale 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 Ergebnis-güte 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 Mo-dellierung mit dem Modellsystem J2000/JAMS. Nach (Haverkamp et al. 2000 [75]) ist die Rela-tion zwischen Modelleffizienzen und dem Grad der Diskretisierung nur durch stochastische


Verfahren beschreibbar. Dabei ist nach (Blöschl und Grayson 2006 [19]) zu erwarten, dass die mittlere Simulationsgüte bei steigender Anzahl der Modellentitäten einen einzugsgebietsspezifi-schen Maximalwert ausbildet, ab dem die Eingangsdaten keine für das Modell dienliche Infor-mationen 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 hinrei-chende 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 Be-schreibung 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 Eigen-schaften des Einzugsgebiets noch wiedergeben. Es ist ein Instrument zur Bewertung der Struk-tur und der Heterogenität des HRU-Aggregationsniveaus. Mit Hilfe dieses Maßes können ver-schiedene Diskretisierungsansätze miteinander verglichen und das Modell weiter optimiert wer-den.

Abbildung 4.1: Interne Modellparameter und einzugsgebietsspezifische Aggregationsmaße des hydro-

logischen Modellsystems J2000/JAMS

Das hydrologische Modellsystem J2000/JAMS besitzt für die Simulation der komplexen hydro-logischen 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 wer-den, die der Optimierung der HRU im Rahmen der GIS-Vorprozessierung dienen (vgl. Abbildung 4.1).

4.2 HRU-Generierung durch Überlagerung 93

4.2 HRU-Generierung durch Überlagerung

Die HRU als kleinste Prozesseinheiten können, wie im Kapitel 2.5 beschrieben, nach verschie-denen Methoden generiert werden. Im Mittelpunkt der Untersuchungen steht in dieser Arbeit die HRU-Ausweisung durch Verschneidung hydrologisch bedeutsamer Landschaftsinformatio-nen bzw. Gebietsparameter und das anschließende Eliminieren nicht prozessrelevanter Splitter-polygone durch Aggregation.

Abbildung 4.2: In den Verschneidungsprozess eingegangene statische Gebietsparameter


Die Abbildung 4.2 zeigt eine Übersicht über die aus dem DGM-25 generierten topographischen Basisdaten und die aus verschiedenen Quellen generierten charakteristischen Gebietskenngrö-ßen. Während die topographischen Basisdaten Fließrichtung, Fließakkumulation und das daraus abgeleitete Fließgewässernetz für die Topologiebildung und das laterale Routing benötigt wer-den, gehen die rot unterlegten topographischen Basisdaten mit als Verschneidungsebenen in den Überlagerungsprozess ein. Die Erzeugung der zeitlich statischen Gebietsparameter ist im Kapi-tel 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 ha-ben 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 not-wendig, sie durch Aggregationsverfahren zusammenzufassen und somit aus dem HRU-Flächen-muster zu entfernen (s.a Kap. 2.5.2). Einen Optimierungsansatz dieser Methodik wird im Fol-genden 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 95

4.3 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 Einzugsge-biete im Mittelgebirgsraum übertragen zu können, erschien es zweckmäßig, ein für ein Ein-zugsgebiet charakteristisches Maß zu definieren, das die Anzahl der HRU pro Einzugsgebiets-fläche und somit den Diskretisierungsgrad der HRU beschreibt. Bei dem anschließenden Opti-mierungsvorgang wurde die Anzahl der über die Fließakkumulation bestimmten Fließgewässer-abschnitte als konstant angenommen. Bei weniger reliefierten Einzugsgebieten mit homogene-ren Ausprägungen der Gebietsparameter ist von einer kleineren Anzahl an HRU und einer grö-ßeren 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].

FEG

HRUHRU A

n=ρ (4.1)

Alternativ könnte das Reziproke der HRU-Dichte verwendet werden. Dies ist die mittlere Flä-chengröße der HRU des Einzugsgebietes. Die Einheit ist [km²].

HRU

FEGHRU n

AA = (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 be-trägt die HRU-Dichte ρHRU des Basisaggregationsniveaus ~289 HRU/km² (s. Kap. 4.2 und Ab-bildung 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 ver-wendeten 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 Aggregationsni-veau 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.


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 Bearbei-tung 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 aus-führlichen Untersuchungen der HRU-Optimierung muss daher von einem sortierten und in sei-ner 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 Polygo-ne, 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 Nassi-Shneidermann-Diagramm (NSD) (Nassi und Shneidermann 1973 [140]).

Abbildung 4.4: NSD für das Aggregationsverfahren

„nicht iterativ”

S - Schwellwert

nHRU - Anzahl der HRU

AHRUj - Fläche der aktuellen HRU

HRUj - aktuelle HRU

HRUborder - HRU mit der größten gemein-samen 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 Elimina-te-Befehl in n-Iterationen ausgeführt werden muss. Bei diesem Aggregationsverfahren werden zwei Untervarianten behandelt, die sich durch den Betrag der iterativen Erhöhung des Schwell-wertes 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) festge-legt 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 97

Abbildung 4.5: 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, HRU-Aggregationsniveaus mit differierenden Diskretisierungsgrad generiert. Die Abbildungen 1.24 bis 1.30 Anhang B enthalten die graphischen Ergebnisse bei Anwendung der Aggregationsvari-ante „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 Funk-tionsverlauf ρHRU=f(S) analytisch zu beschreiben. Mit sehr guten Korrelationen gelang das durch Potenzfunktionen der Form

( ) ( )cbxaxf −= (4.3)

woraus sich für die HRU-Dichte

( )cHRU bSa −=ρ (4.4)

und für den Schwellwert S

ba

S c HRU +=ρ

(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 Funktio-nen der drei Aggregationsvarianten.


Abbildung 4.6: HRU-Dichte ρHRU als Funktion des Schwellwertes S der drei betrachteten Aggregati-

onsvarianten

Bei steigendem Schwellwert haben die beiden Formen der iterativen Variante nahezu den glei-chen 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 Aggrega-tionsniveaus mit einer annährend gleichen HRU-Dichte, aber mit völlig verschiedener HRU-Struktur. 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 ver-schnittenen Gebietsparameter mit Hilfe geeigneter GIS-Werkzeuge auf die HRU-Aggregationsstände zurück projiziert werden. Dabei werden die Polygone neu attributiert. Diese Parametrisierung der räumlichen Prozesseinheiten ist die Voraussetzung, um mit dem hydrolo-gischen Modellsystem J2000/JAMS auf dem Aggregationsniveau modellieren zu können. Prak-tisch 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 bie-tet 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 vor-kommenden 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 Hang-richtung) 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 Aggregations-niveau 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 Heteroge-nität 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. Schät-zung der Erzeugungsparameter, einschließlich der Parameterfehler, in den Mittelpunkt der Un-tersuchung gerückt.


Aufbauend auf dem Entropiekonzept

,-)()( )(=, ααβα βHHI (4.6)

nach dem Information als Verlust an Entropie (Unsicherheit) interpretiert wird, kann mit be-stimmten Modifikationen die allgemeine Parameterinformation Ig für Zeitreihen definiert wer-den (Döhler 2006 [39]).

∑ ⎟⎟⎠

⎞⎜⎜⎝

⎛

∆=

p p

pg ldI

λλ

(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:

∑>

+

⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

⎟⎟⎠

⎞⎜⎜⎝

⎛=

RO SXSX

kj

jjSXjSX

ldXXI,

21

Ref

ObjRefObj 2

)()(

),( (4.8)

Dabei wird die Spektraldichte SXObj des Objektprozesses mit der Spektraldichte SXRef eines Re-ferenzprozesses 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 Informationsver-lusten. 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 eingehen-den Landschaftseigenschaften bzw. Gebietsparameter als Bilder interpretiert. Sie stellen somit den zweidimensionalen Referenzprozess SBRef dar. Die nach dem Eliminieren durch Neuattribu-tierung der HRU entstandenen veränderten Landschaftseigenschaften sind die damit zu verglei-chenden Bilder bzw. die zweidimensionalen Objektprozesse SBobj. Vorbereitend müssen das Bild des jeweiligen originären Gebietsparameters und des Aggregationsniveaus in eine Refe-renzmatrix MRef und eine Objektmatrix MObj konvertiert werden (s. Abbildung 4.8).

4.4 Das Aggregationsmaß HRU-Information I(HRU) 101

Abbildung 4.8: Referenz- und Objektprozess am Beispiel der Bodenklassifizierung

Für die zweidimensionale Spektraldichte SB gilt:

∑⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

⎟⎟⎠

⎞⎜⎜⎝

⎛=

kj

jkkjSBkjSB

ldBBI,

21

Ref

ObjRefObj 4

),(),(

),( (4.9)

Dabei lässt sich die Information in den Informationsgewinn I(+) durch Kantenüberhöhung bzw. Fragmentierung (Artefakte) und den Informationsverlust durch Kontrastverlust I(-) unterschei-den, was zur Bewertung bei Bildübertragungsprozessen herangezogen werden kann.

∑>

+

⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

⎟⎟⎠

⎞⎜⎜⎝

⎛=

RO SBSB

kj

jkkjSBkjSB

ldBBI,

21

Ref

ObjRefObj 4

),(),(

),( (4.10)

∑<

−

⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

⎟⎟⎠

⎞⎜⎜⎝

⎛=

RO SBSB

kj

jkkjSBkjSB

ldBBI,

21

Ref

ObjRefObj 4

),(),(

),( (4.11)

4.4.3 Definition

Im Fall der HRU sind die Referenzprozesse durch das Eliminieren von Polygonen in ihrem In-formationsgehalt 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 Verfäl-schung des Referenzprozesses wie die Glättung bzw. Kantenverflachung von fragmentierten Objekten. Aus dieser Sichtweise können I(+) und I(-) als Fehlermaße interpretiert werden.


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 wer-den. 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.

( )( )

Pixel

HRU

nII

−

= (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 Objekt-prozesses gegenüber dem Referenzprozess reagiert.

Um das Verhalten des HRU-Informationswertes der verschiedenen Aggregationsniveaus bezüg-lich der Gebietsparameter noch flexibler beschreiben zu können, wird der Begriff des HRU-Informationsverlustes IV(HRU) eingeführt. Da die Werte von I(HRU) mit negativen Vorzeichen behaftet sind, definiert sich der HRU-Informationsverlust als Betrag des HRU-Informations-wertes.

( ) ( )HRUHRU IIV = (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 Ob-jekt- 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 Fließgewässerab-schnitt des segmentierten Gewässernetzes geschnitten wird, welches dieser Segmente den größ-ten 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 durch-schnittliche Breite mit Hilfe der topographischen Karten TK-10 durch direktes Ablesen oder Ausmessen ermittelt. Für die Form des Gewässerquerschnittes und die Gewässerrauhigkeit wur-den 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 durchge-führt, 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 kalib-rieren, 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. vermin-dert 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 Sensi-tivität 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 Auflö-sung des Parameterraumes sowie die Anzahl der Beprobungsdurchläufe (Bäse 2005 [7]). Das Modellsystem berechnet die Effizienzen und den Abfluss für jeden Durchlauf und gibt die kor-respondierenden Parameterkombinationen dazu aus. Im Falle der Feinjustierung des Parameter-satzes für das FEG Gräfinau-Angstedt wurden für die als sensitiv eingestuften Parameter eindi-mensionale Parameterräume definiert und mit einer hohen Auflösung durchlaufen. Da sich ver-


schiedene Parameter auch gegenseitig beeinflussen und in einer direkten Abhängigkeit zueinan-der stehen können, wurden für diese zweidimensionale Parameterräume definiert, um die opti-male Kombination einzugrenzen. Ein erneutes Nachkalibrieren bereits eingestellter Parameter ist im Anschluss sinnvoll. Auf diese Weise konnten für den Tagesmodus und für den Stunden-modus des Modells robuste Parametersätze gefunden werden, die für die verschiedenen Aggre-gationsniveaus 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 unterschei-den (Nachtnebel 2003 [136]). Das hydrologische Modellsystem J2000/JAMS ist ein kombinier-tes Translations-Retentionsmodell, das den Abfluss als eine Kombination linearer Einzelspei-cher 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

AQkS ⋅⋅= 3600 (4.14)


und der Kontinuitätsgleichung

dtdSQQ ZA −= (4.15)

(QZ-Zufluss) folgt für die inhomogene Differentialgleichung des Einzelspeichers

dtdSkQQ ZA ⋅−= (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 einzel-nen Linearspeichers folgende allgemeine Lösung:

( ) ( )( )

( )( )

''1 '

0

0

0

dtetQk

etQtQ kttt

tZ

ktt

AA ⋅⋅⋅+⋅=−−−−

∫ (4.17)

mit der Anfangsbedingung:

( ) ( )k

tStQA ⋅

=3600

00 (4.18)

Der erste Summand beschreibt das Leerlaufen des Speichers ohne Zuflüsse, der zweite Sum-mand 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 Speicherkas-kade nach Nash sind eine Reihenschaltung von n zeitinvarianten Einzellinearspeichern mit je-weils derselben Speicherkonstanten k (s. Abbildung 4.10). Diese wird im Modell für jeden ein-zelnen Linearspeicher nach der Hangneigung der HRU, die der Speicher repräsentiert, gewich-tet.

Die Reihenschaltung der Einzellinearspeicher führt zu einem linearen zeitinvarianten Gesamt-system, für dessen elegantere systemtheoretische Beschreibung eine Gewichtsfunktion (Mo-mentan-Einheitsganglinie) g(0,t) verwendet werden kann (Hinkelmann 2006a [83]):

( ) ( )ktn

ekt

nktg

−−

⋅⎟⎠⎞

⎜⎝⎛

−⋅=

1

!11,0 (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 Schei-tels nach rechts (s. Abbildung 4.10).


Abbildung 4.10: Einzellinearspeicher und Speicherkaskade nach Nash mit Entwicklung der Gewichts-

funktion 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) wer-den lineare Speicherkaskaden mit einer geringeren Anzahl an Linearspeichern n zur Berechnung der Abflusskonzentration genutzt, als im Fall der höheren HRU-Dichte (232 HRU). Die Varia-tion der Anzahl der räumlichen Modelleinheiten innerhalb eines Einzugsgebietes führt somit zu unterschiedlich langen hydrologisch-topologischen Sequenzen der verknüpften räumlichen Enti-täten 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-


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 Ab-flussdynamik 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 abge-tragen 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 HRU-Dichte.

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

( ) 21 dxcxbxaxf++

+= (4.20)

beschrieben werden.


Die Tabelle 1.17 im Anhang C zeigt die ermittelten Funktionsparameter, die Standardabwei-chung und die Korrelation der für die einzelnen Modelleffizienzen analytisch bestimmten ratio-nalen Funktionen.

Im Anschluss wurden die Funktionsverläufe der einzelnen Modellgütemaße als Funktion der HRU-Dichte ρHRU mit den verschiedenen Aggregationsvarianten untersucht. Das Ergebnis zeig-te, 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 „itera-tive 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

( ) 212

HRUHRU

HRUHRU dc

bafEρρ

ρρ++

+== (4.21)

über deren 1. Ableitung

( ) ( )22

2

12''2

HRUHRU

HRUHRUHRU

dcbdadacbfE

ρρρρρ

++

⋅−−−== (4.22)

berechnet wurden (s. Abbildung 4.14 und Tabelle 4.7).


Abbildung 4.14: Darstellung der Position der optimalen HRU-Dichte ρHRU

Tabelle 4.7: Maximapositionen der Modelleffizienzen Variante „iterativ step 1“ Modelleffizienz Maximapositionen [HRU/km²] ρHRU = f(E2max) 13,33 ρHRU = f(logE2 max) 13,99 ρHRU = f(r² max) 14,12 ρHRU = f(DSgrad max) 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 Maxi-mum von DSgrad fällt demgegenüber etwas ab. Unter dem Aspekt der Optimierung des Mo-dells 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 Gebietspara-metern 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 quantifi-ziert werden. Als erstes wurde untersucht, wie sich der Informationsverlust I(HRU) in Abhängig-keit von der HRU-Dichte der mit den verschiedenen Varianten generierten HRU-Aggregations-niveaus verhält. Als zweites wurde analysiert, ob für das Diskretisierungsniveau mit dem ermit-telten 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 Pro-zessflächen. Somit erhält jede HRU die für ihre Fläche majorisierte Eigenschaft (Boden, Flä-chennutzung, Hangrichtung, Geologie) bzw. im Falle der Attribute Hangneigung und Höhe einen für diese Fläche aus der Ausgangsebene berechneten Durchschnittswert. Für die beiden


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 Land-nutzung 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 “Bö-

den“

Die entstandenen Funktionen lassen sich im Fall der Gebietsparameter Böden und Landnutzung analytisch mit sehr guten Korrelationen durch logarithmische Funktionen der Form

( ) ( ) ( ) vumfI HRUHRUHRU ++== ρρ 1ln (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 Grö-ßen 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


höheren Verlust des HRU-Informationswertes (s. Abbildung 4.16 und Abbildung 1.36 im An-hang B) zu verzeichnen. Dies korrespondiert mit dem Umstand, dass bei gleichen Schwellwer-ten mit der nicht iterativen Variante der Generalisierung deutlich geringere HRU-Dichten gene-riert 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 Elimi-nate-Verfahren gegenüber nicht-iterativen Eliminate-Verfahren bei gleichem Schwellwert S, neben den verschiedenen HRU-Dichten auch völlig verschiedene HRU-Strukturen entstehen.


Die Abbildung 4.17 belegt dies für die mit den drei Varianten erzeugten HRU-Aggre-gationsniveaus 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 itera-tiven Varianten ein geringerer HRU-Informationsverlust IV(HRU) auftritt als bei der nicht iterati-ven Variante.

Tabelle 4.8: HRU-Informationsverluste IV(HRU) der Gebietsparameter Hangneigung, Böden und Land-nutzung nach Varianten bei vergleichbarer optimierter HRU-Dichte ρHRU

Hangneigung IV(HRU) [bit/pixel]

Böden IV(HRU) [bit/pixel]

Landnutzung IV(HRU) [bit/pixel]

Variante "nicht iterativ" 4,97 3,76 3,77 Variante "iterativ step 10" 4,88 3,59 3,69 Variante "iterativ step 1" 4,92 3,67 3,70

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 Anstei-gen des HRU-Informationswertes I(HRU) bzw. einer Verringerung des HRU-Informations-verlustes IV(HRU) und damit zu einer verbesserten Abbildung der natürlichen physikalischen Pro-zesse 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 Abfluss-kurven in den betroffenen Gebietsausschnitten. Das heisst, dass bei unterschiedlichen Aggrega-tionsstufen innerhalb eines betrachteten Gebietes unterschiedliche Abflussmengen in gleichen Zeiteinheiten entstehen. Ab dem Wert der HRU-Dichte am Punkt des Maximums der Effizienz


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 Herange-hensweise 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 Gebiets-parameter bezüglich ihrer Bedeutung für die Abflussbildung auf Basis vorliegender Erfah-rungswerte 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 Gelände-höhe wurden nicht einbezogen.


Die im Folgenden beschriebenen regelbasierten Vorgehensweisen stellen bewusst einfach ge-haltene 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 Mit-telpunkt. Der Vorgang des Zusammenlegens zweier Polygone ist hier an die Bedingung ge-knüpft, dass beide der gleichen Hangneigungsklasse angehören. Um eine möglichst genaue Zuordnung zu gewährleisten, wurde die Hangneigung in 1-Grad-Schritten von 0-30 Grad klassi-fiziert. 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 ein-zelnen Schritt wird jede Prozessfläche des gesamten HRU-Bestandes überprüft, ob sie kleiner dem aktuellen Schwellwert ist. Im positiven Fall wird eine Vereinigung mit dem Nachbarpoly-gon, mit der die Prozessfläche die größte gemeinsame Grenze (HRUborder) hat, nur dann vollzo-gen, 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 Bedin-gung 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 glei-cher HRU-Dichte generieren. Während die Bestimmung der optimalen HRU-Dichte des Ein-zugsgebietes eher einen quantitativen Prozess darstellt, ist die Anwendung verschiedener regel-basierter Methoden des Eliminierens bis zu der gewünschten HRU-Dichte mehr als ein qualita-tives Verfahren zu bezeichnen, welches dem Ziel dient, die Abbildung der natürlichen Prozesse weiter zu verbessern.


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-Aggre-gationsniveau.

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 HRU-Dichte 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-


rativ step 1 Regel 2“ durch eine deutlich inhomogenere Struktur charakterisiert. Der Grund da-für ist die ausschließliche Beachtung des Kriteriums der Angehörigkeit zur gleichen Hangnei-gungsklasse. 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 ur-sprünglichen Attribute Hangneigung, Böden und Landnutzung wieder auf die HRU-Aggre-gationsniveaus zurück übertragen. Für die Auswertung des Informationsverlustes bilden diese die Objektprozesse (vgl. 4.4.2). Der Referenzprozesse sind die ursprünglich in die Verschnei-dung eingegangenen Gebietsparameter. Die Auswertung erfolgte mit dem erwähnten Pro-grammwerkzeug nach (Döhler 2006 [39]).

Als erstes werden die Ergebnisse der Auswertung des Gebietsparameters Hangneigung disku-tiert. 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 Erwar-tungen, 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 Va-

riante mit den regelbasierten iterativen Varianten bei vergleichbarer HRU-Dichte ρHRU

Die Abbildung 4.24 zeigt die Ergebnisse für den Gebietsparameter „Böden“. Die beiden regel-basierten Ansätze besitzen gegenüber dem nicht regelbasierten Ansatz einen geringeren HRU-Informationsverlust. Mit der Variante nach Regel 2 gelingt es, den Informationsverlust noch


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 Krite-rium Beachtung findet. Auch wenn die Böden hier nur an zweiter Stelle stehen, bietet die Vari-ante 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 HRU-Informationsverlustes 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 Gebietspa-rameter erzielt wird und sich auch die Informationsverluste der beiden anderen Attributen ver-ringern. Der Grund liegt in der Funktion der Hangneigung als alleiniges Ausschlusskriterium. Bei Variante 2 bleiben die landschaftstypischen Eigenschaften und Prozesse über alle drei Ge-bietsparameter insgesamt am Besten erhalten. Der Informationsverlust gegenüber den als Status Quo zu sehenden Referenzprozessen bzw. den in die Verschneidung eingegangenen Gebietspa-rametern ist bei den zwei Parametern Böden und Landnutzung am geringsten. Der größte In-formationsverlust ist zu registrieren, wenn das Aggregieren der Prozessflächen nicht an die Be-dingung 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 itera-tiven Generalisierungsvarianten und verdeutlichen diese Erkenntnisse.


Abbildung 4.25: Vergleich des Gebietsparameters Landnutzung der nicht regelbasierten iterativen Vari-

ante mit den regelbasierten iterativen Varianten bei vergleichbarer HRU-Dichte ρHRU

Abbildung 4.26: HRU-Informationsverluste IV(HRU) nach Gebietsparametern und Aggregationsvarian-

ten

Tabelle 4.9: HRU-Informationsverluste IV(HRU) nach Gebietsparametern und Aggregationsvarianten Hangneigung Böden Landnutzung IV(HRU) ohne Regel [bit/pix] 4,92 3,67 3,70 IV(HRU) Regel 1 [bit/pix] 3,98 3,34 3,64 IV(HRU) Regel 2 [bit/pix] 4,77 3,25 3,58


Mit weiteren Modellläufen auf Basis der diskutierten Aggregationsniveaus wurde das Verhalten der Effizienzen bei optimiertem HRU-Informationsverlust ausgewertet. Dabei musste festge-stellt werden, dass die Modelleffizienzen relativ unsensitiv auf eine Verringerung des HRU-Informationsverlustes 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 be-reits angemerkt, nur als Einstieg in die Problematik des regelbasierten Ableitens prozessrelevan-ter 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 Ag-gregationsmaße HRU-Dichte ρHRU und HRU-Informationswert I(HRU) wird eine verallgemei-nernde 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 vorausge-stellt. 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 gele-genen 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 An-hang B). Es ist mit einer Fläche von 151,66 km² nur geringfügig kleiner als das FEG Gräfinau-Angstedt 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 Flusseinzugsgebie-tes gelegene Stadt Zella-Mehlis mit ca. 12.200 Einwohnern (EW). Es folgen die Orte Steinbach-Hallenberg (5.700 EW), Benshausen (2.600 EW), Viernau (2.200 EW) und Schwarza (1.400 EW) (vgl. Abbildung 4.27).


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 Natur-raum Mittelgebirge (53,2% Flächenanteil). Dieser wird repräsentiert durch die Naturraumunter-einheit des Mittleren Thüringer Waldes. 45,8% der FEG-Fläche zählen zu dem daran angren-zenden Naturraum Buntsandstein-Hügelländer, in den sich die Naturraumuntereinheiten Bad Salzunger Buntsandsteinland (13,1%) und Südthüringer Buntsandstein-Waldland (32,8%) tei-len. Ein sehr geringer Anteil von ca. 1% der FEG-Fläche fällt auf die Naturraumeinheit Mu-schelkalkplatten 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 Grün-land 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 a-ckerbaulich 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.


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 Mög-lichkeit ist das Ableiten der HRU durch iterative Aggregationen mit unterschiedlichen Schwell-werten. 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 HRU-Dichte 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 quad-ratische Raster ((Wigmosta et al. 1994 [207]) in (Blöschl und Grayson 2006 [19])) mit unter-schiedlichen Kantenlängen. So wird ebenfalls eine repräsentative Anzahl von HRU-Aggrega-tionsniveaus erzeugt, die die mögliche Bandbreite der HRU-Dichte des Gebietes abdeckt. Diese quadratischen Rasterflächen werden als HRU interpretiert und neu attributiert. Auf jedem HRU-Aggregationsniveau wird das Modellsystem aufgesetzt. Der Vorteil dieser Variante besteht dar-in, 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 ver-glichen.

Die Tabellen 1.21 und 1.22 im Anhang C zeigen eine Gegenüberstellung der durch Verschnei-dung 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 Generalisie-rungsschwellwert S ebenfalls sehr gut mit Hilfe einer Potenzfunktion der Form von Gl. 1.3 ana-lytisch beschreiben. Dazu wurden die durch die Verschneidung erzeugten Werte für die HRU-Dichte in Abhängigkeit vom jeweils angesetzten Schwellwert S abgetragen. Mit geeigneten „Best Fit“-Verfahren konnten folgende Funktionsparameter mit einem Korrelationskoeffizien-ten von 0,99 und einer Standardabweichung von 0,358 bestimmt werden:

( ) 85645689,018161985,0834663,38 −+= SHRUρ (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 Prozess-flächen und Gewässersegmente abgeleitet wurde, muss im Anschluss auf allen durch Ver-schneidung generierten HRU-Aggregationsniveaus das Modell kalibriert werden, um den not-wendigen robusten Parametersatz zu bestimmen und die Skalierbarkeit über die Diskretisie-rungsstufen zu gewährleisten. Dazu wurden die Erfahrungen über sensitive Parameter bei der Kalibrierung des FEG Gräfinau-Angstedt genutzt.


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 Ab-hängigkeiten der Modelleffizienzen von der HRU-Dichte zu bestimmen. Bei den Modelleffi-zienzen wurde sich wieder auf den Nash-Sutcliffe-Koeffizienten E2, den Nash-Sutcliffe-Koeffi-zienten 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 Erfah-rung, 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 ausgewer-teten Modelleffizienzen E2, logE2 und r² die mit dem Modell ermittelten Werte der jeweiligen HRU-Aggregationsniveaus und die dazu gehörige bestimmte analytische Funktion für die Er-zeugungsvarianten Verschneidung und Rasterbildung.

Wie im Abschnitt 4.6.2.2 beschrieben, wurde anschließend aus den analytischen Funktionsver-läufen 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 Ver-schneidung und Rasterbildung

Modelleffizienzen Maximapositionen Verschneidung [HRU/km²]

Maximapositionen Rasterbildung [HRU/km²]

ρHRU=f(E2max) 11,85 11,21 ρHRU = f(logE2max) 17,84 16,51 ρHRU = f(r²max) 10,27 10,54

Dabei wird ersichtlich, dass die mit beiden Varianten berechneten Maximapositionen der Effi-zienzen nur geringfügig voneinander abweichen. Daraus lässt sich schlussfolgern, dass die Va-riante 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.


Abbildung 4.28: Maximapositionen der optimalen HRU-Dichte nach Modelleffizienzen der Generie-

rungsvarianten „Verschneidung“ und „Rasterbildung“

Regelbasiertes Ableiten der HRU bis zur optimalen HRU-Dichte

Mit dieser Erkenntnis wurde für das FEG Schwarza durch Generalisieren nach Variante „itera-tiv 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 HRU-Dichte 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 Überprü-fung des HRU-Informationswertes I(HRU) ergab, dass sich der Informationsverlust durch die An-wendung 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 erzeug-ten Aggregationsniveau vergleichbarer HRU-Dichte (s. Abbildung 1.46 Anhang B) hinsichtlich ihrer HRU-Informationswerte I(HRU) untersucht. Dazu wurden die Neuattributierung durchge-


führt und die Gebietsparameter Hangneigung, Böden und Landnutzung (Objektprozesse) mit den Referenzprozessen verglichen. Das Ergebnis zeigt, dass bei dem durch Verschneidung er-zeugten 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 Landnut-zung der Varianten Verschneidung und Rasterbildung

Hangneigung Böden Landnutzung Verschneidung IV(HRU) [bit/pix] 5,45 3,84 4,34 Rasterbildung IV(HRU) [bit/pix] 6,11 5,54 5,49

Der Grund für die signifikanten Unterschiede ist die regelmäßige Rasterstruktur des Aggregati-onsniveaus mit einer Kantenlänge von 275 m. Das heißt, dass 121 Rasterzellen der Ausgangs-raster 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-Aggregations-niveaus ist der Grund, warum dieses dem durch die Rasterbildung generierten Aggregationsni-veau 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 sensi-tiver 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 Ge-samtzeitraum 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 Abfluss-bildung und der Abflusskonzentration für das Einzugsgebiet des Pegels Gräfinau-Angstedt im Tagesmodus und im Stundenmodus dargestellt. Für die Modellierung auf Tageswertbasis stan-den 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 No-vember 1999 bis Mai 2006 wurde zur Validierung genutzt. Durch die in der letzten Phase er-folgte 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 Modell-initialisierung genutzt. Der Kalibrierungszeitraum ging von Nov. 2000 bis Oktober 2002. Vali-diert 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 er-zielten 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 Ge-samtabfluss separierten Abflusskomponenten analysiert und mit Hilfe von erstellten DIFGA-Auswertungen verifiziert.

Eine ausführliche Beschreibung des entwickelten Gleitkorrekturverfahrens für die vom COS-MO-EU-Modell des DWD prognostizierten Niederschläge schließt sich an. Danach werden mit dem auf Basis von Messwerten kalibrierten Modellsystem zwei prototypische Hochwasserer-eignisse unterschiedlichen Entstehungshintergrundes mit unkorrigierten und korrigierten Kli-mavorhersagedaten 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-Aggre-gationsniveaus für den Betrieb in den zeitlichen Auflösungen Tages- und Stundenwerte nachka-libriert. 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.


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 mo-dellierten 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 gemes-senen Abflusses. Die Abweichungen in der Initialisierungsphase des Modells erklären sich da-mit, 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 dar-gestellten, berechneten Modellgütemaße als wichtige Kriterien bei der Einschätzung der Quali-tät 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 Volumenfeh-ler pBIAS ergänzt. Dieser steht für die prozentuale Abweichung des Jahresmittels der modellier-ten 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 Validierung 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

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 Spit-zenabflüsse hervorzuheben. Auch der Nash-Sutcliffe-Koeffizient mit logarithmierten Werten logE2, der wegen der Rücknahme des Einflusses der Hochwasserabflüsse stärker die Modellgü-te 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-


fehler im Validierungszeitraum unter einem Prozent. In den Einzeljahren sind die Schwankun-gen 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 Tages-wertbasis 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

Validierung 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

Die Modelleffizienzen, die auf Basis von Stunden erzielt werden konnten, liegen für den Ge-samtzeitraum noch klar über den Wert von 0,70 (s. Tabelle 5.4). Im Vergleich mit den erreich-ten 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 Validie-rungszeitraum. Zurückzuführen ist das auf zwei stark übermodellierte Schneeschmelzereignisse im Januar 2004 und März 2005 sowie ein stark untermodelliertes kleineres Schneeschmelzer-eignis im März 2004, die auch die E2-Werte der Einzeljahre 2004 und 2005 sehr abfallen las-sen. Die Nash-Sutcliffe-Koeffizienten mit logarithmierten Werten des Kalibrierungs- und Vali-dierungszeitraums sind in etwa gleich. Der Korrelationskoeffizient ist im Kalibrierungszeitraum ebenfalls besser als im Validierungszeitraum.


Der relative Volumenfehler für den Gesamtzeitraum besagt einen modellierten Überschuss von nur 1,3%. Im Validierungszeitraum werden 6,8% zuviel Abfluss modelliert, im Kalibrierungs-zeitraum 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 An-stieg und der Abfall der Hochwasserwelle gut nachgebildet, die modellierte Kurve bleibt aber deutlich unter dem Scheitelwert.


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 repräsentati-ve 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 No-vember 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 ver-zeichnen 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 er-reicht werden (s. Kapitel 5.1.4, ganz rechts). Das prinzipielle Problem der zeitlichen Auflösun-gen von Tagesmittelwerten und Stundenmittelwerten wird ebenfalls im Abschnitt 5.1.4 vertie-fend behandelt.


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 Ab-flussbildung und der damit verbundenen Prozesse auf Tageswertbasis ausgegangen werden


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 model-lierten 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 Initialisierungs-jahr 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 Messwer-ten gebildeten langjährigen Monatsmitteln besteht, so sind in den Monaten Januar bis März die größten Abweichungen zu registrieren, wobei die simulierten Werte deutlich hinter den gemes-senen Werten zurück bleiben. Insgesamt liegen alle Abweichungen innerhalb eines Bereiches von 13%. Nach (Krause 2001 [110]) würden sich höher aufgelöste Eingangsdaten und eine hö-here 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.


Für den ersten Punkt sind die Gesamtabflusshöhen als Summe aus den separierten Abflusskom-ponenten Oberflächenabfluss, Zwischenabfluss und Grundwasserneubildung abzüglich des ka-pillaren Aufstiegs für jede einzelne HRU berechnet und zu Jahresmitteln und Mittelwerten für die hydrologischen Perioden aggregiert wurden. Die Ergebnisse lassen sich im GIS flächendif-ferenziert darstellen. Nach (Krause 2001 [110]) ist dabei eine Höhenabhängigkeit zu erwarten, da die Höhe der flächendifferenzierten langjährigen Abflussbildung der Differenz aus Nieder-schlag 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 Som-mer- und Winterperioden. In allen drei Fällen ist deutlich eine Zunahme der mittleren Abfluss-bildung 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 Be-reich 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 Peri-oden am mittleren jährlichen Gesamtabfluss deutlich hervorgetreten. So ist das Verhältnis der Gesamtabflussanteile der hydrologischen Sommerperioden zu den hydrologischen Winterperio-den 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 wassergesättig-ten Flächen oder als direkter Abfluss aus der Schneedecke im Verlauf von Schneeschmelzvor-gängen. 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.


Tabelle 5.5: Modellierte mittlere prozentuale Anteile der separierten Abflusskomponenten am Gesamt-abfluss

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 Abfluss-komponenten 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.


An den Niedrigwasserabflüssen in den hydrologischen Sommerperioden haben die beiden Grundwasserkomponenten mit 61,7% einen erwartungsgemäß höheren Anteil am Gesamtab-fluss 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 hydro-logischen Winter zurück. Der Grund sind die in diesem Zeitraum deutlich höheren Nieder-schlagseinträge in das Gebiet und die Schneeschmelzereignisse in den Frühjahrsmonaten, die zu einer starken Auslastung der Speicherkapazität der ungesättigten Bodenzone und zu mehr Ober-flächenabfluss führen.

Eine Darstellung der Ganglinien der vier mit J2000/JAMS über den Gesamtzeitraum modellier-ten 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 Abfluss-komponenten hinreichend den natürlichen Abflussverhältnissen entsprechen. Diese Komponen-ten können, da sie einzeln nicht ohne größeren Aufwand messbar sind, nur über eine Gangli-nienanalyse verifiziert werden. Dazu wurde auf das analytische Ganglinienseparationspro-gramm DIFGA (Schwarze et al. 1991 [180]) zurückgegriffen. DIFGA separiert den schnellen Basisabfluss (RG1) und den langsamen Basisabfluss (RG2) aus dem Gesamtabfluss durch suk-zessive 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 entwi-ckelt. Dabei wird eine inverse Methode verwendet, welche ausgehend von bekanntem Input (Niederschlag) und Output (Durchflussganglinie) durch eine Rezessionsanalyse und eine Was-serhaushaltsbilanz 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 isotopenhydrolo-gischen 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 ent-spricht die Unterteilung von RD1 und RD2 mengenmäßig den Anteilen von Ereigniswasser und Vorereigniswasser, wie sie sich aus der tracerhydrologischen Hochwasserabflussseparation erge-ben. 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.


Für diese Verifizierung wurden von Herrn Dr. Schwarze von der Technischen Universität Dres-den 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 Gräfinau-Angstedt gemessenen Abflusswerte für den Zeitraum von November 1922 bis Mai 2006. Weite-rer Input waren die für den untersuchten und modellierten Zeitraum von November 1994 bis Mai 2006 vorliegenden, vom Modellsystem J2000/JAMS regionalisierten Werte für den Ge-bietsniederschlag und das Gebiets-Wasseräquivalent der Schneedecke. Das Nutzen dieser von J2000/JAMS berechneten Gebietswerte anstelle von mit DIFGA auf Basis von Stationsmess-werten 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 rela-tiv 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 separier-

ten 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 Abfluss-komponenten RD1 und RD2 zu RD zusammengefasst. Es wird deutlich, dass in den drei be-trachteten 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 2,6-fache und für das meteorologische Jahr das 2,2-fache des Wertes von J2000/JAMS. Entspre-chend höher sind die von J2000/JAMS modellierten Anteile für die schnellen Abflusskompo-nenten Oberflächenabfluss und Interflow.


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 schnel-len Basisabfluss zugeordnet wird. Wenn ca. 50 Prozent des von J2000/JAMS berechneten Zwi-schenabflusses dem schnellen Basisabfluss zugeordnet werden, würde dieser bei beiden Model-len in der Größenordnung bereits zur Übereinstimmung führen.

Da der Fokus auf ein Hochwasservorhersagesystem und damit auf der bestmöglichen Modellie-rung 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 Abflusskom-ponenten 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 wei-terführend analysiert werden.

5.1.4 Die Hochwasserereignisse vom Frühjahr 2006

Im Zuge der besonderen Überprüfung der Qualität der modellhaften Nachbildung von Hoch-wasserabflüssen werden im Folgenden zwei signifikante Hochwässer an der Oberen Ilm detail-liert 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 Kom-bination 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 Thü-ringer Waldes rekordverdächtige Schneemengen gefallen, die zu Schneedecken mit einer Mäch-tigkeit von teilweise mehr als 180 cm geführt hatten. Das dann am 24. März einsetzende Tau-


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 ausgewähl-ten 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 er-neut zu starken Niederschlägen von stellenweise knapp 40 mm am Tag. Das folgende Satelli-tenbild zeigt die meteorologische Situation über Mitteleuropa am 30. März 2006 mit dem wol-kenreichen Tiefdruckgebiet, das zu diesen hohen Niederschlagsmengen führte.

Bild 5.1: MeteoSat-Satellitenbild vom 30. März 2006 (Quelle: www.wetter-online.de)


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 Schei-telwert 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 Hochwasserer-eignis.

Das Hochwasserereignis vom 27. April 2006

Nur vier Wochen später kam es im Bereich der Oberen Ilm erneut zu einer Hochwassersituati-on. In den späten Nachmittagsstunden des 26. April begannen lang anhaltende starke Nieder-schläge, in deren Verlauf bis zum Morgen des 28. April innerhalb von 36 Stunden an den Stati-onen 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 ausgewähl-ten 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-


wirksam. Die darauf erfolgende schnelle Systemantwort ist ein typisches Beispiel für das Ver-halten des FEG’s der Oberen Ilm bei lokalen Starkniederschlagsereignissen dieser Größenord-nung 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 Stun-de). 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 Schneeschmelz-ereignis ein markanter Beitrag des schnellen Basisabflusses zu sehen ist, besteht der Hochwas-serabfluss 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 Niederschlagsstatio-nen 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 festgeleg-ten Grenzwerte der Meldestufen dargestellt. Das untere Diagramm bildet die Tagesmitteltempe-raturen (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


dem Schneeschmelz-Hochwasser ist der Unterschied noch verhältnismäßig gering. Einem Ta-gesmittelwert am 31.03.2006 für den Wasserstand von 144 cm (Q=39,8 m³/s) steht ein Stun-denmittelwert 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 An-stieg 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 Tagesmit-telwert 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 Hochwasservorher-sage 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


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 abfal-lende Zweig des Hochwasserscheitels wird etwas verzögert modelliert. Der ansteigende und abfallende Zweig des zweiten Hochwassers, hervorgerufen durch den Starkniederschlagsein-trag, 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 Modellsys-tem im Stundenmodus deutlich unterschätzt. Hier muss untersucht werden, warum sich der Scheitelwert der simulierten Ganglinie soweit unter dem real gemessenen Wert ausprägt. Zeit-lich gesehen stimmen die Peaks sehr gut überein, so dass die simulierte Dynamik auch hier dur-chaus 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 Starknie-derschlag 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 Stundenmodus Hochwasser 1 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 Zeit-räume 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.


5.2.1 Korrektur der Niederschlags-Prognosedaten

5.2.1.1 Das Gleitkorrekturverfahren Im Vordergrund stand die Entwicklung eines geeigneten Korrekturverfahrens, das die klimato-logischen jährlichen Schwankungen genauso berücksichtigt wie die sich aus der räumlichen Lage ergebenden Besonderheiten jeder einzelnen Station. Das Verfahren sollte zudem unabhän-gig 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 ermit-telt, der Erwartungswert und das 2. Moment bestimmt. Anschließend wurde versucht, die Ver-teilungsfunktionen analytisch zu beschreiben und die berechneten statistischen Gütedaten auf regionale Besonderheiten hinsichtlich ihrer geographischen Lage und Höhe sowie auf jahres-zeitliche Unterschiede bewertet (Pfannschmidt und Döhler 2005 [148]). Es zeigte sich, dass dieses Korrekturverfahren nicht besonders effizient arbeitet und die Korrekturen unter den er-warteten Ergebnissen blieben.

In einem nächsten Schritt wurde der verfügbare Gesamtzeitraum in einen Kalibrierungszeitraum und einen Validierungszeitraum aufgeteilt. Für den Kalibrierungszeitraum wurden die Differen-zen 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 Korrektur-verfahrens 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 gescho-ben, 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 re-präsentativen Charakter für die Witterung des Zeitraums haben. Der Zeitrahmen sollte nicht zu groß gewählt werden, da insbesondere in den Übergangszeiträumen der hydrologischen Perio-den 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 Rahmenbedin-gungen 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 ausrei-chender Stabilitätszeitraum, der die nötige Flexibilität besitzt, um auf die angesprochenen Ände-rungen zu reagieren. Mit diesem Gleitkorrekturverfahren wird für jeden Tageswert eine eigene


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 bil-det.

kLMLM korr += (5.25)

Ausgangspunkt bildet die Menge der Differenzen aus dem korrigierten gemessenen Nieder-schlag RRkorr und den LM-Vorhersagewerten LM als Funktion der LM-Vorhersagewerte für das Zeitfenster von 60 Tagen.

LMRRLMf korr −=)( (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. Dem-gegenüber standen 9 mm prognostizierter Niederschlag durch das Lokalmodell des DWD. Die folgende Abbildung 5.14 zeigt die Werte des gebildeten 60-Tagesfensters, die die Korrekturba-sis für den Tages- und Stundenmodus bildet.

Abbildung 5.14: Punktmenge des Korrekturfensters im Tages- (li.) und Stundenmodus an der DWD-

Station 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 Korrek-turergebnisse erzielt werden können. Dazu war es nötig, den optimalen Grad des Regressions-polynoms zu ermitteln. Dazu wurde auf den Informationsgehalt von Regressionspolynomen IPol bezüglich der Parametersicherheit von Ausgleichsfunktionen nach (Döhler 2006 [39]) zurück-gegriffen. Die Einheit des Informationswertes ist bit.


Der Informationswert IPol des jeweiligen Polynoms lässt sich wie folgt bestimmen:

∑= ∆

=z

i i

iPol P

PldI0

(5.27)

Pi - Parameter des Regressionspolynoms, ∆Pi - Parameterfehler, z - Anzahl der Parameter

Um den optimalen Regressionsgrad bestimmen, wurden der Satz vom Maximum der Parameter-Information angewandt (Döhler 2006 [39]), der besagt, dass innerhalb eines geeigneten Funkti-onssystems 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 ana-lytischen Darstellung einer Korrekturfunktion wird sinnvoller Weise die multiple lineare Reg-ression 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 Stun-denwerten von 0,2 mm und 4,0% Ausreißern bestimmt.

Die Anzahl der belegten Klassen m richtet sich nach den innerhalb des 60-Tage-Fensters vor-kommenden Werten und variiert. Es werden die x- und y-Koordinaten der Klassenschwerpunkte Sm jeder belegten Klasse und die Anzahl ihrer Repräsentanten jm ermittelt:

( )

⎟⎟⎟⎟

⎠

⎞

⎜⎜⎜⎜

⎝

⎛−

=∑∑==

m

j

iii

m

j

ii

mmm j

LMRR

j

LMyxS

mm

11 ,),( (5.28)

Im Anschluss werden die Schwerpunkte Sm jeder belegten Klasse mit der entsprechenden An-zahl der Klassenrepräsentanten jm gewichtet und zu der Menge der Schwerpunkte M akkumu-liert:

mm jSjSM ⋅++⋅= ...11 (5.29)


Abbildung 5.15: Berechnete Klassenschwerpunkte des Korrekturfensters im Tages- (li.) und Stundenmo-

dus 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 Korrekturpo-lynom einen geringeren Einfluss haben als die Schwerpunkte, die Klassen mit sehr hoher An-zahl an Repräsentanten vertreten.

Für die jetzt vorliegende Punktmenge M der klassifizierten Schwerpunkte wird analytisch ein Regressionspolynom 2. Grades zur Berechnung des Korrekturwertes k ermittelt.

2)( cxbxaxfk ++== (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 y-Koordinaten der Schwerpunkte steht.

Der x-Koordinate des Schwerpunktes Sm der letzten belegten Klasse bildet den Korrekturgrenz-wert b. Dem prognostizierten Wert LM wird nun der Offset k aufaddiert, wobei gilt:

( ) 2: cxbxaxfkbLM ++==≤ (5.31)

0: => kbLM (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


Das Konzept der Korrektur über die gewichteten Klassenschwerpunkte verleiht den Regressi-onspolynomen 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 Stunden-

werten

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 Nie-derschlags korrigieren, mit der Standardvariante erreicht man nur 49,6%. Bei den Stundenwer-ten 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 be-züglich 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 Dif-ferenz 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 Kalibrie-rungszeitraum Korrekturfunktionen zu bestimmen, deren Eignung in einem Validierungs-zeitraum überprüft werden muss und dann ein ständiges Nachkalibrieren erfordern würde. Die Gleitkorrektur reagiert automatisch auf sich eventuell ändernde Randbedingungen an den Mess-stationen und qualitative Veränderungen bzw. Weiterentwicklungen des Vorhersagemodells des


DWD. Auf veränderte Vorhersagehorizonte kann ebenfalls reagiert werden, indem die Progno-sewerte neu hinzu gekommener Zeitabschnitte bzw. Sektionen in weiteren separaten Datenban-ken 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 Ver-fahren unabhängig vom Untersuchungsgebiet und damit übertragbar auf andere Einzugsgebiete mit anderen Messstationen. Die Übertragbarkeit besteht auch auf weitere Klimagrößen. Voraus-setzung dafür ist das Vorhandensein von zeitlich entsprechend aufgelösten Messwerten der je-weiligen Klimagröße, die als Referenzwerte zur Korrektur nötig sind.

5.2.1.4 Ergebnisse des Korrekturverfahrens Einen Eindruck der Leistungsfähigkeit des angewandten Korrekturverfahrens vermittelt die Be-trachtung 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 Ta-ges- und Stundenwerten.

Wie im Kapitel 3.4.2 beschrieben, werden die im Luv des Thüringer Waldes gelegenen Statio-nen 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 hydrologi-schen Perioden durch die Korrektur deutlich verringert werden, was insbesondere für die nie-derschlagsreichen Stationen mit großem Einfluss auf das Einzugsgebiet von besonderer Bedeu-tung ist. So verringerte sich das mittlere Niederschlagsdefizit der acht Stationen im hydrologi-schen 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


Abbildung 5.19: Vergleich von kumulierten unkorrigierten und korrigierten Tagesvorhersage- und Ta-

gesmesswerten in den hydrologischen Sommerperioden (Zeitraum: 01.11.1999-31.05.2006)

Abbildung 5.20: Vergleich von kumulierten unkorrigierten und korrigierten Tagesvorhersage- und Ta-

gesmesswerten in den hydrologischen Winterperioden (Zeitraum: 01.11.1999-31.05.2006)

In den hydrologischen Winterperioden konnte das mittlere Niederschlagsdefizit aller acht Stati-onen 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 Abwei-chungen 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 Perio-den deutlich vermindert werden. Der mittlere quadratische Abstand mqA wurde ebenfalls nur geringfügig verbessert.


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 be-trachtet (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 hyd-rologischen 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 Statio-nen 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 Stati-on Heßberg kann in den Sommerperioden nur unwesentlich, in den Winterperioden deutlich gesenkt werden. Die mittleren quadratischen Abstände bleiben in allen Fällen, wie bei den Ta-geswerten, nahezu konstant.

Das Gleitkorrekturverfahren ist in den operativen Betrieb eines Hochwasserinformationsdiens-tes 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 COS-MO-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 Gang-linien des Wasserstandes gewählt, um den Bezug zu den Alarmstufen darstellen zu können. Dazu wurden die gemessenen und modellierten Durchflüsse wieder über gültige W-Q-Beziehung umgerechnet. Die blaue Linie entspricht somit der Ganglinie für den am Pegel ge-messenen Wasserstand. Die grüne Ganglinie entspricht dem auf Basis der unkorrigierten COS-MO-EU-Prognose berechneten Wasserstand, die rote Ganglinie wurde auf den mit dem Gleit-korrekturverfahren korrigierten Vorhersagewerten erzeugt. Vervollständigt wird die Ensemble-rechnung 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 (dun-kelblau), die unkorrigierten (grün) und korrigierten Vorhersagen (orange) und die mit dem mitt-leren quadratischen Abstand mqA als Offset behafteten Niederschläge (hellblau) dargestellt.


Abbildung 5.21: Hochwasservorhersage für die beiden Hochwasserereignisse im Frühjahr 2006 im

Tagesmodus

Bei dem ersten Hochwasserereignis (Schneeschmelze und Starkniederschlag) bleibt die Vorher-sage relativ deutlich unter den zwei Peaks. Die Korrektur führt dazu, dass die korrigierte Gang-linie in den ersten Tagen etwas deutlicher, danach nur geringfügig über dem unkorrigierten Ver-lauf bleibt. Der durch die Behaftung des korrigierten Niederschlags mit dem mittleren quadrati-schen Abstand mqA entstandene Unsicherheitsbereich beinhaltet fast vollständig die Ganglinie der gemessenen Werte. Das Ereignis liegt somit im Vorhersagebereich und hätte mit ausrei-chender 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 Korrek-turverfahren 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 Starkniederschlagser-eignissen ist eine zuverlässige quantitative und räumlich exakte Vorhersage des DWD unbe-dingte Voraussetzung. Mit Korrekturverfahren und einem hoch kalibrierten Modell allein ist ein Defizit dieser Größenordnung in der Vorhersage der hier wichtigsten klimatologischen Ein-gangsgröße 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-


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 richti-gen Zeitpunkt deutlich vorhersagbar gewesen.

Die Probleme mit dem gravierend unterschätzten Starkniederschlagsereignis bestehen erwar-tungsgemäß auch bei der Modellierung mit Stundenwerten. Der vorhergesagte Hochwasser-scheitel 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 An-stieg in kurzer Zeit prognostiziert. Unter Voraussetzung der Kenntnis dieser Modellergebnisse und der Komplexität und Eigenschaften des Gesamtsystems „Vorhersage DWD und N/A-Modellierung 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 DWD-Prognose bei Starkniederschlagsereignissen dieser Kategorie eine zuverlässige Hochwasservor-hersage vor ein großes Problem. Da aber bei erhöhter Prognosesicherheit seitens des DWD auch


sofort die Vorhersagesicherheit der modellierten Ganglinie steigt, sollten die vom DWD ange-kündigten 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 Hochwasser-ereignis.

Tabelle 5.10: Modelleffizienzen der Hochwasserereignisse mit Prognosedaten Tagesmodus Prognose Prognose korrigiert

Hochwasser 1 E2 0,84 0,91 logE2 0,78 0,90 r² 0,87 0,91 Dsgrad 0,91 0,98 VErel -13,16 -5,00 Hochwasser 2 E2 0,72 0,72 logE2 0,59 0,63 r² 0,81 0,81 Dsgrad 1,00 1,02 VErel -2,51 -0,23

Stundenmodus Prognose Prognose korrigiert Hochwasser 1 E2 0,27 0,29 logE2 0,66 0,68 r² 0,49 0,47 Dsgrad 0,70 0,73 VErel -33,12 -30,58 Hochwasser 2 E2 -0,41 -0,50 logE2 -1,30 -1,41 r² 0,06 0,05 Dsgrad 1,81 1,95 VErel -53,54 -50,56

5.2.2.2 Nichteingetretene prognostizierte Starkniederschläge An dieser Stelle soll noch auf ein weiteres mögliches Defizit der Hochwasservorhersage hinge-wiesen werden. Beispielhaft wurde ein Ereignis vom 03./04. Dezember 2005 gewählt. In dieser Deutlichkeit sind solche Fälle als relativ selten einzuordnen. Die den Sachverhalt verdeutli-chende Abbildung 5.23 zeigt die gemessene Ganglinie und die auf dem unkorrigierten und kor-rigierten Niederschlag modellierten Ganglinien. Im oberen Bereich sind die dazugehörigen Nie-derschlagssummen 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 Stark-niederschlagsereignis vorhergesagt. Dieses hatte für beide Tage nach der modellinternen Regio-nalisierung im J2000/JAMS einen Niederschlagseintrag für das FEG von 66,4 mm zur Folge.


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 be-rechnete 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 er-kannt 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 Nieder-schläge (sog. „worste case“) würde die so erzeugte Ganglinie noch etwas weiter über der ge-messenen Ganglinie liegen.

Abbildung 5.23: Vorhergesagtes Starkniederschlagsereignis vom 3./4. Dezember 2005


Auch in diesem Fall, wenn ein vom DWD vorhergesagtes Starkniederschlagsereignis in Grö-ßenordnung die Höhe des real eingetretenen Niederschlags so deutlich übertrifft, erreicht man die Grenzen des Machbaren. Berücksichtigt man noch die diskutierte Problematik Tagesmittel-Stundenmittel, so ist zudem im Stundenmodus mit einem noch höheren prognostizierten Schei-telpunkt 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 geringe-rem 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 einge-gangen.

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 Prozes-sierbarkeit, der Konformität, der Datenkonsistenz und der Visualisierbarkeit zu untersuchen. Bezüglich der Datenhaltung sind Unterschiede zwischen den operativen gemessenen, dynami-schen Daten (aktuelle Messwerte Wasserstand und Durchfluss) gegenüber relativ statischen Daten (z.B. Stammdaten der Pegel) herauszuarbeiten. Es müssen konsistente relationale Daten-modelle 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 model-lierten Vorhersagen in die Datenmodelle aufzunehmen. Es ist unter dem Aspekt der Kosten und verfügbaren personellen Ressourcen zu untersuchen, mit welchen Werkzeugen und Technolo-gien 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 weiter-zugeben. 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 automa-tisiert 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 gesellschaft-lichen Bereiche durchdrungen hat. Seine Versatilität und sein ubiquitärer Charakter ermöglichen einen permanenten Zugriff auf Messwerte und Informationen und garantieren die ständige Er-reichbarkeit des Nutzers.

Die Abbildung 5.24 zeigt schematisch den operativen Betrieb eines Hochwasserinformations-dienstes, 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 COSMO-EU-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 Vorher-sagehorizont unzuverlässiger werdende Prognose differenziert korrigieren zu können. Der der-zeit aktuelle Prognosehorizont beträgt 78 Stunden. Das entwickelte Korrekturverfahren ist be-züglich 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 sieben-ten 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 Daten-bank befinden sich auch die Informationen darüber, welche Rasterzellen des Prognosegitters für welche Station zur Regionalisierung der Prognosedaten benötigt werden. Auch die Entfernun-gen 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 Modellie-rung benötigt. Zu Verfügung stehen sie in stündlicher und z.T minütlicher Auflösung über das „Messnetz 2000“ des Freistaats Thüringen (s. Kap. 6.2).


Abbildung 5.24: Komponenten eines operativen Hochwasserinformationsdienstes

Im Bereich Gleitkorrektur werden sektionsweise, je Klimagröße und zeitlicher Auflösung (Ta-ges- und Stundenwerte) die Prognosedaten zuerst auf die benötigten Stationen regionalisiert. Anschließend werden alle aktuellen Parameter der Korrekturfunktionen und die aktuellen mitt-leren quadratischen Abstände (mqA) bestimmt und anschließend die COSMO-EU-Prognose-daten mit dem beschriebenen Korrekturverfahren korrigiert. Diesen korrigierten Prognosewer-ten 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 hydro-logische 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 Datenforma-te. Zur Information der verschiedenen Zielgruppen stehen verschiedene Informationskanäle zur Verfügung. Primär zu betrachten ist das Internet und die Mobilfunknetze als Vermittlungs-schicht, um stationäre und mobile Clients zu bedienen. Die Nutzerführung sollte natürlich ein-fach und intuitiv gestaltet und nach dem Prinzip des kürzesten Weges zur Informationsgewin-nung 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) einzutra-gen und sich aktiv und standortunabhängig, bei Unter- und Überschreitung dieser Grenzwerte, vom System per email oder SMS benachrichtigen zu lassen. Auf Grund der komplexen Ver-flechtung von Internet- und Mobilfunktechnologien können die Nutzer im Falle sich anbahnen-der Gefahrensituationen somit jederzeit und standortunabhängig informiert werden.

Dieser Service der TLUG wird breits von sich in Bereitschaft befindlichen Angehörigen ver-schiedener 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 „Aktu-elle Wasserstände und Durchflüsse“ umfasst bisher nur die Bereiche Messwerte und Informati-on. 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 Funktio-nalität 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 Zeitrei-hen 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 wer-den immer öfter registriert. Je nach betrachteter Klimagröße besitzt dieser Klimawandel sehr unterschiedliche saisonale und regionale Strukturen, so dass weitere detaillierte regionale Stu-dien auf der Grundlage von Beobachtungen erforderlich sind (Schönwiese et al. 2005 [172]). Insgesamt bestehen für ganz Deutschland erhöhte Risiken für Hochwasser und Trockenperio-den, wobei Südwestdeutschland bezüglich Extremniederschläge und Hochwasser am vulnera-belsten 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 untersu-chen. Dazu werden Auswirkungen der Klimaveränderungen nach dem REMO-A1B-Szenario des Max-Planck-Instituts für Meteorologie in Hamburg auf die Wiederkehrintervalle von Stark-


niederschlagsereignissen analysiert. Aus den Ergebnissen lassen sich Aussagen über die Aus-wirkungen auf die Wiederkehrintervalle von Hochwässern treffen.

Als repräsentative Jährlichkeiten von Niederschlagsereignissen wurden die Wiederkehrinterval-le 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 zu-kommt.

Zur Bestimmung der Wiederkehrintervalle von 24-Stunden-Starkniederschlagsereignissen wur-den die Niederschlagsmaxima aller vom FEG Gräfinau-Angstedt angerissener REMO-Rasterzellen 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 ins-besondere an Berghängen ein Versatz des Niederschlags von bis zu zwei Rasterzellen auf (Luv-Lee-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 auszuge-hen. Um regionale Untersuchungen durchführen zu können, wurde als kurzfristige Lösung eine kleinräumige Verschiebung der betroffenen Rasterzellen vom Luv-Bereich des Thüringer Wal-des 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.


Abbildung 5.25: Ganglinie der Jahresmaxima für Niederschlag

Abbildung 5.26: Die drei am besten approximierten Verteilungsfunktionen der Jahresmaxima an Nieder-

schlag und die angewandten Schätzmethoden für die REMO-Rasterzelle 5557


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 ermit-telt, indem die flächengewichteten Anteile der angerissenen Rasterzellen für jedes Wiederkehr-intervall 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 Starkniederschlagsereignis-se der Wiederkehrintervalle T=2, 5, 10, 20, 50, 100 Jahre für die Dauerstufe D=24 h nach RE-MO-A1B-Szenario im Vergleich zu den aggregierten Werten des KOSTRA-DWD-2000-Atlases. 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 Wiederkehrintervalle T [a] 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 Wiederkehrintervalle T [a] 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 Starkniederschlags-ereignisse 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


5,5%. Betrachtet man den Gesamtzeitraum von 2001-2100, liegt die Spanne des relativen An-stiegs bei 5,8 bis 10,4%.

Im Anschluss wird untersucht, wie sich die Entwicklung der Niederschlagshöhen der Extrem-niederschlagsereignisse 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 Abflussereig-nis 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 Spitzenabflüs-sen am Pegel Gräfinau-Angstedt einhergeht. Zur Überprüfung wurde der einfache hydrologi-sche 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])) aus-führlich beschrieben und zeichnet sich durch eine einfache und schnelle Anwendung unter Nut-zung von GIS-Daten aus. Mit dem SCS-Verfahren können Aussagen hinsichtlich der Abfluss-bildung 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 entwi-ckelt. Es ist nicht physikalisch basiert und verfügt nur über eine geringe zeitliche Auflösung. Das SCS-Verfahren ermöglicht die Bestimmung des Oberflächenabflusses bzw. der abfluss-wirksamen 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 Kies-böden), Böden mit mittleren Versickerungsvermögen (Bodentyp B, z.B. mitteltiefe Sandböden, Löß und lehmiger Sand), Böden mit geringem Versickerungsvermögen (Bodentyp C, z.B. fla-che Sandböden, lehmiger Sand)) und Böden mit sehr geringem Versickerungsvermögen (Bo-dentyp 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 Landnut-zungsklassifizierung BNTNUTZ11 (Quelle: TLUG) basiert auf der Biotoptypen- und Nutzungs-typenkartierung Thüringen für den Maßstab 1:10.000 der Erfassungsjahre 1993/94 mit 11 Land-nutzungsklassen. Sie unterscheidet in $18-Komplexe nach ThNSG, Gewässerflächen, Wald und Gehölze, Grünland, Freizeit-, Erholungs- und Grünflächen, Staudenflur, Moor und Heide, Gar-


tenbau, Ackerland, Ver- u. Entsorgungsflächen, Wohnbebauung und Industrie-, Gewerbe-, Ver-kehrsflächen. 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 korrespon-dierenden 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/A-Modell konnten die Abflusskurven der ausgewählten Dauerstufen mit ihren zugehörigen Ex-tremniederschlägen 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-Nieder-schlagsdaten 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 ver-schiedenen 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 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 basie-rend 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

Wiederkehrintervalle T [a] 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 HQT-Werten, die auf KOSTRA-DWD-Daten basieren, und den auf Basis der Pegelstatistik berechne-ten 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 Entwick-lung der Extremabflüsse unter den Randbedingungen einer aktuellen Klimaprojektion durchfüh-ren zu können.

Da die REMO-Daten in der zeitlichen Auflösung von Tageswerten vorliegen, wurde die Dauer-stufe 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

Wiederkehrintervalle T [a] 2 5 10 20 50 100 HQT SCS (KOSTRA-DWD D=24 h) [m³/s] 12,8 21,0 28,0 35,6 46,1 54,5

Die folgende Abbildung 5.29 zeigt die nach dem SCS-Verfahren auf Basis der KOSTRA-DWD-Daten (Dauerstufe D=24 h) berechneten Abflusskurven für die betrachteten Wiederkehr-intervalle T= 2, 5, 10, 20, 50 und 100 Jahre.


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 Gebiets-niederschlag. 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 Wiederkehrintervalle T [a] 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 KOSTRA-DWD

Wiederkehrintervalle T [a] 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 Klima-szenarios von 2001-2100 zu verzeichnen.


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 analy-tisch sehr gut durch logarithmische Funktionen der Form

( ) bxay += ln (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


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 zu-sammengefasst und weiterer Forschungsbedarf umrissen. Schwerpunktmäßig sind das der Me-thodische Ansatz zur Optimierung der HRU-Vorprozessierung, das Gleitkorrekturverfahren für prognostische Klimagrößen, die modellierten Vorhersageergebnisse und die methodische Aus-wertung und Interpretation der regionalen Auswirkungen des globalen Klimawandels. Ein Aus-blick schließt die Ausarbeitungen ab.

6.1 Methodischer Ansatz zur HRU-Optimierung

Im Ergebnis der im FEG Gräfinau-Angstedt angewandten Methoden zur Optimierung der HRU-Vorprozessierung mit Hilfe der eingeführten Aggregationsmaße HRU-Dichte ρHRU und HRU-Informationswert I(HRU) wird folgende verallgemeinernde Methodik herausgearbeitet, deren Ü-bertragbarkeit 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 analy-tisch beschreiben zu können. Dies kann zur Vereinfachung und effektiveren Vorgehensweise


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 Para-metersatz 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 ge-wichtete Maximumposition analytisch bestimmt. Mit Hilfe dieses optimalen Wertes der HRU-Dichte 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 natürli-chen Eigenschaften des Einzugsgebietes verbessern. Angewandt wurde eine Regel, die das Ag-gregieren von Flächen an eine gleiche Ausprägung der Flächenparameter Hangneigung, Böden und Landnutzung, nach dieser Reihenfolge gewichtet, knüpft. Zu einer signifikanten Verbesse-rung 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 Eigen-schaften 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 zurüch-gegriffen 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 be-schrieben 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-Scan-Befliegungen eine laterale Auflösung von 5 Metern besitzt. Es wurde vom TLVermGEO aufbe-reitet 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 hochaufge-lösten DGM von Intersse sein. Inwieweit ein höher aufgelöstes DGM im Zusammenhang mit dem Aggregationsprozess innerhalb der HRU-Vorprozessierung Verbesserungen für die Model-lierung 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 Verlage-rung des als primär zu beachtenden eingestuften Gebietsparameters je nach Fragestellung vari-iert werden sollte, oder ob ein allgemeingültiges Regelwerk optimale Ergebnisse bringt. Auch die am Lehrstuhl für Geoinformatik, Geohydrologie und Modellierung des Instituts für Geogra-phie 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. So-mit 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 Forschungsbe-darf darin, zu ermitteln, ob die Optimierung der Gebietsparameter bezüglich des HRU-Informationswertes ebenfalls je nach Fragestellung durchgeführt werden sollte. So könnte z.B. für die Modellierung mit dem Fokus auf dem Gesamtabfluss eine Optimierung auf die Hangnei-gung vorgezogen werden, bei dem Fokus auf den Stofftransport eine Optimierung des hydro-geologischen Gebietsparameters. Kombinationen mit verschiedenen Wichtungen der Gebietspa-rameter 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 Reliefvari-anzen 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 Ge-biete, 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 au-tomatisch in den TEG mit der höheren HRU-Dichte wirksam wird. Auch in FEG mit durchgän-gig 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


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 erwei-tert wurde. Die räumliche Auflösung des Vorhersagegitters beträgt 7 km. Für den Niederschlag als initiale Größe für die Abflussbildung lagen archivierte Vorhersagen vor, so dass umfangrei-che statistische Untersuchungen durchgeführt werden konnten. Dazu wurden die Nieder-schlagsprognosen mit den Messwerten verschiedener Stationen verglichen. Da die Hochwasser-vorhersage mit Tages- und Stundenwerten betrieben werden soll, mussten die Auswertungen mit Werten beider zeitlicher Auflösungen realisiert werden. Vorbereitend war es nötig, die ge-messenen Niederschläge mit geeigneten Verfahren zu korrigieren. Weiterhin mussten die Prog-nosewerte 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 Stations-wert berechnet werden. Ausgewertet wurden im Anschluss die Differenzen zwischen den korri-gierten Messwerten und diesem Stations-Vorhersagewert über die Zeitreihe von November 1999 bis Mai 2006. Dabei wurden die Vorhersagen weiter in zwölfstündige Abschnitte einge-teilt und die Niederschlagsbilanz und der mittlere quadratische Abstand mqA getrennt unter-sucht. 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 hö-herem Zeithorizont abnimmt.

Diese Ergebnisse begründeten die Notwendigkeit, ein geeignetes Korrekturverfahren zu evalu-ieren. Versuche der analytischen Auswertung der Verteilungsfunktionen der gebildeten Diffe-renzen brachten nicht die erwarteten Verbesserungen. Erst mit dem entwickelten, auf multipler linearer Regression basierenden Gleitkorrekturverfahren konnten sowohl die quantitativen Un-terschiede 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 Ausrei-ßer 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 Kor-rekturfunktion 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 Korrekturverfah-ren wie DWD-seitige Modellverbesserungen.


Eine Voraussetzung für das gleitende Korrekturverfahren ist das Vorhandensein aktueller kli-matologischer Messwerte, insbesondere von Niederschlagsdaten. Durch das „Messnetz 2000“ für Thüringen ist diese Basis gegeben. Das Messnetz 2000 setzt sich aus dem in Auf- und Aus-bau 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 Stations-dichte 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 Vorhersagebe-reich 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.


Neben den ausführlich untersuchten Niederschlagsprognosen werden vom DWD weitere Kli-magrößen mit dem COSMO-EU-Modell vorhergesagt, die ebenfalls als Eingangsgrößen für das hydrologische Modell im operativen Betrieb dienen. Dies sind die Temperatur, die Windge-schwindigkeit, die relative Feuchte und die Globalstrahlung. Hier besteht weiterer Forschungs-bedarf 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 Vorhersage-fehlers kann hier nur über die systematischen Abweichungen erfolgen, wobei die zeitliche Ord-nung der Tagesgänge Beachtung finden muss. Für diese Korrektur untersuchte Auto-Regressions-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 Kli-magrößen ebenfalls sinnvoll erscheint, um im Sinne einer bestmöglichen Vorhersage von Hochwasserereignissen das System zu optimieren. Forschungsbedarf besteht auch in der statisti-schen Bewertung der genannten Klimagrößen. Grundlage ist das Vorhandensein von Messwer-ten mit einer entsprechenden zeitlichen Auflösung für einen hinreichend großen Vergleichszeit-raum.

Von Interesse ist im Zusammenhang mit der Korrektur die Frage, inwieweit die wesentlich hö-her aufgelösten Kurzfrist-Vorhersagen des DWD (COSMO-DE-Modell) bezüglich des Nieder-schlags zu korrigieren sind. Dazu müssen diese Daten über einen aus statistischer Sicht ausrei-chend langen Zeitraum vorliegen.

Ein weiterer Punkt sind die vom DWD angekündigten Ensembleprognosen. Dabei wird bereits vom Deutschen Wetterdienst ein Unsicherheitsbereich der Vorhersage vorgegeben. For-schungsbedarf entsteht dabei bei der Frage, inwieweit sich diese bereits mit einer systemati-schen Fehlerabweichung behafteten Prognosedaten mit dem Ansatz des gleitenden Korrektur-verfahrens kombinieren lassen.

6.3 Ergebnisse der Modellierung

Die Modellkalibrierung und Validierung wurde über den visuellen Vergleich der am Pegel Grä-finau-Angstedt gemessenen Abflusswerte mit den vom Modellsystem J2000/JAMS modellier-ten 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-Sutcliffe-Koeffizent 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 Stun-denmodus 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 Be-stimmtheitsmaß von 0,78 erzielt. Der relative Volumenfehler liegt hier bei 1,3 %.

Die Dynamik der gemessenen Ganglinie wird durch die modellierte Ganglinie gut wiedergege-ben. Bei den für die Hochwasservorhersage wichtigen Hochwasserscheiteln müssen die Ergeb-nisse 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 Ereignis-se etwas untermodelliert, ein drittes wird sehr gut getroffen. Bei der Auswertung der Modellie-rung 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 Ab-flusskomponenten als plausibel eingeschätzt werden, was mittels DIFGA-Berechnungen evalu-iert wurde. Auch die flächendiffernzierte Verteilung der Gesamtabflussbildung im Gebiet der Oberen Ilm im meteorologischen Jahr und den hydrologischen Perioden entspricht den Erwar-tungen.

Zur Bewertung der Hochwasservorhersage wurden zwei Hochwasserereignisse mit unterschied-lichem 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 quadrati-schen Abstandes gerechnet. Das erste Hochwasserereignis, hervorgerufen durch Schneeschmel-ze 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 Hochwas-serscheitels 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 prognosti-

zierten 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


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 prognosti-zierten 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 prognosti-schen Eingangsgrößen, in diesem Falle die des COSMO-EU-Modells des DWD. Die zu Ex-tremereignissen führenden Großwetterlagen sind mit moderner Satellitentechnik und Wetterra-dar in der Regel einige Tage im Voraus erkennbar, so dass die Wahrscheinlichkeit von zu Hoch-wassern führenden Situationen bemessen werden kann. Die Konkretisierung der Raum- und Zeitvariabilität und der zu erwartenden Niederschlagsmenge, die die Basis verlässlicher hydro-logischer 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 Ein-trittswahrscheinlichkeit der vorhergesagten klimatologischen Werte möglich. Die unter dem Begriff des „Nowcasting“ geführte Kürzestfrist-Vorhersage (COSMO-DE) wird die Vorhersa-gesicherheit 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 Hochwasser-vorhersage innerhalb eines Hochwasserinformationsdienstes für Thüringer Pegel bedeutet dies, die Modellmodule weiter zu entwickeln und unter dem Aspekt der Modellierung der Hochwas-serscheitel 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 Wer-ten von regelnd in die Abflusssteuerung eingreifenden Talsperren, Rückhaltebecken etc. gese-hen, so dass sich einerseits für diese Steuerung und andererseits für die Vorhersage von Hoch-wassern neue Möglichkeiten eröffnen und weitere Pegel in einen HID einbezogen werden kön-nen.

6.4 Klimafolgen und Hochwasser – Methodik und Interpretation 177

6.4 Klimafolgen und Hochwasser – Methodik und Interpretation

Die dringliche Aktualität, sich mit regionalen Folgen des globalen Klimawandels intensiv aus-einanderzusetzen, fand auch bei der Vorstellung des Synthesis Report 4th des IPCC am 17. No-vember 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 Ent-wicklung 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 Modellrealisatio-nen aufgespannten Bereich. Bei der Bewertung der Modellergebnisse ist ein realistischer Um-gang mit den Modellunsicherheiten nötig, da systematische Modellfehler in vertiefte und regio-nale 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 Klimawan-del verursachte Effekte hervorgerufen werden, die der Wissenschaft bis dato unbekannt sind, die aber die Entwicklung auf unserem Planeten maßgeblich beeinflussen. Somit ist eine ernst-hafte Auseinandersetzung mit Daten aus den Klimaprojektionen noch immer mit vielen Unbe-kannten 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 Som-mern 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. Dar-aus ist abzusehen, dass die Hochwassergefahr im Winterhalbjahr steigt. Vor allem die mittleren Hochwasser werden häufiger auftreten, da sich in den milderen Wintern die Schneedecke mehr-fach auf- und abbauen kann (LUBW 2006 [125]) und sich somit die Schnee- und Eisspeiche-rung verringern wird.

Um die Gültigkeit dieser Erkenntnisse für das untersuchte Einzugsgebiet nachzuweisen, wurden auf Basis der veröffentlichten REMO-Klimaprojektionen für das 21. Jahrhundert unter regiona-lem Aspekt die Auswirkungen auf die Wiederkehrintervalle von Starkniederschlagsereignissen und den damit verbundenen Hochwassersituationen bewertet. Dazu gelang es, einen methodi-schen 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 einzuset-zen, 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 Wieder-kehrintervalle T von 2 bis 100 Jahren bestimmt. Danach wurden mit der gleichen extremwert-statistischen Methode die maximalen Jahres-Niederschlagshöhen hN der REMO-Klimaprojekti-on des SRES-Szenarios A1B des MPI Hamburg für den Zeitraum von 2001 bis 2100 ausgewer-tet 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.


Um bezüglich der Jährlichkeiten der Starkniederschlagsereignisse einen Trend ableiten zu kön-nen, wurden die REMO-basierten Berechnungen mit Daten des KOSTRA-DWD-2000-Atlases verglichen. Dazu wurden die in Rastern vorliegenden KOSTRA-Werte der vom FEG Gräfinau-Angstedt 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 unter-suchte FEG waren das die Dauerstufe D=48h.

Abbildung 6.4: Methodisches Vorgehen bei der Bestimmung von HQT -Trends auf Basis von Klimapro-

jektionen

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 Sze-nario A1B für die Zeiträume von 2001 bis 2050 und 2001 bis 2100 berechnet werden. Vergli-chen 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 langjähri-gen Pegelstatistik berechneten und der auf Basis des KOSTRA-DWD-Atlases ermittelten Wie-derkehrwahrscheinlichkeiten, die herausragenden Hochwasserereignisse am Pegel Gräfinau-Angstedt, 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 Hoch-wasserschutzmaßnahmen überprüft und die gesetzliche Ausweisung von Überschwemmungsge-bieten 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 Science-Fiction-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 Hoch-wassersituationen, in Abhängigkeit der verschiedenen möglichen zukünftigen globalen Ent-wicklung bewerten. So könnten Ensembles gerechnet werden, die dann eine Aussage innerhalb eines Entwicklungsbereiches ermöglichen. Allein aus argumentativer Sicht wäre dies eine sinn-volle Methode, um die gewonnenen Erkenntnisse zu untermauern.

Weiterhin sollten auch die Klimaprojektionen von Globalen Klimamodellen, die andere Ansät-ze verfolgen, analysiert werden. Erste Untersuchungen mit dem statistisch-dynamische Klima-modell WETTREG (Enke et al. 2006 [55]), bei dem über statistisch-dynamische Downscaling-Methoden aus stationsbezogenen Messdaten-Zeitreihen die Szenarien-Zeitreihen erzeugt wer-den, welche die vom Globalmodell simulierten regionalen Häufigkeiten von Wetterlagen wie-dergeben, 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 Hochwassersitua-tionen führen. Aus Sicht der statistischen Gesetzmäßigkeiten können Ereignisse hoher Wieder-kehrintervalle dabei durchaus in wesentlich kürzeren Abständen eintreten. Die einmal betroffe-nen 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-


kante Zunahme der Verdunstungsprozesse geben. Dies wird in unseren Breiten zu einer Häu-fung 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 erhöh-ten Frequenz des Schneedeckenauf- und -abbaus. Daraus resultiert eine zunehmende Hochwas-sergefahr 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 Verbesse-rung mit neuen Anregungen, besonders unter regionalen Aspekten, hiermit einen Beitrag geleis-tet wird.

Mit der vom DWD verfolgten kontinuierlichen Verbesserung seiner numerischen Vorhersage-modelle werden in Zukunft zuverlässigere Prognosen möglich sein. Diese neuen Ergebnisse müssen weiterhin aufmerksam verfolgt werden und sollten direkt Eingang in die aktuelle For-schungsarbeit finden. In diesem Zusammenhang muss auch die Weiterentwicklung der flächen-differenzierten Niederschlags-Abfluss-Modellierung forciert werden, um den Handlungsspiel-raum durch verlängerte Vorwarnzeiten bei sich anbahnenden Hochwasserereignissen entschei-dend zu vergrößern.

Diese Arbeit möchte das Bewusstsein für das latent bestehende, durch das Naturereignis Hoch-wasser verursachte Gefahrenpotenzial bei den handelnden Akteuren in Politik, Verwaltung und Gesellschaft schärfen und erhöhen.

Literaturverzeichnis

[1] 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 Model-ling System. J. Hydrol., 87, S. 45–59.

[2] AGBODEN. (1994). Ad-hoc Arbeitsgruppe Boden: Bodenkundliche Kartieranleitung. Schweitzerbartsche Verlagsbuchhandlung, Stuttgart.

[3] ALBERTO, L.-G. (1994). Probability and Random Process for Electrical Engineering. Addisson-Wesley Publishing Company, Bonn-New York, Tokyo.

[4] BALDAUF, M. ; FÖRSTNER, J. ; KLINK, S. ; REINHARDT, T. ; SCHRA, C. ; SEIFERT, A. ; STEPHAN, K. (2007). Kurze Beschreibung des Lokal-Modells Kürzestfrist LMK und sei-ner Datenbanken auf dem Datenserver des DWD. Deutscher Wetterdienst (DWD), Of-fenbach.

[5] 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.

[6] BARTELS, H. ; MALITZ, G. ; ASMUS, S. ; ALBRECHT, F. M. ; DIETZER, B. ; GÜNTHER, T. ERTEL, H. (1997). Starkniederschlagshöhen für Deutschland, KOSTRA. Deutscher Wet-terdienst – Hydrometeorologie, Selbstverlag, Offenbach.

[7] BÄSE, F. (2005). Beurteilung der Parametersensitivität und der Vorhersagesicherheit am Beispiel des hydrologischen Modells J2000. Diplomarbeit, Institut für Geographie, Friedrich-Schiller-Universität, Jena.

[8] BAUMGARTNER, A. ; LIEBSCHER, H.-J. (1996). Allgemeine Hydrologie - Quantitative Hydrologie. - In: Lehrbuch der Hydrologie. 2 edition. Gebr. Borntraeger, Berlin-Stuttgart.

[9] BECKER, A. ; BEHRENDT, H. (1998). Auswirkung der Landnutzung auf den Wasser- und Stoffhaushalt der Elbe. Zwischenbericht. Potsdam Institut für Klimafolgenforschung, Potsdam.

[10] BERGSTRÖM, S. (1995). Computer Models of Watershed Hydrology. In The HBV Model., S. 443–476. Water Resources Publications, Highlands Ranch.

[11] BERNHOFER, C. ; GOLDBERG, V. ; FRANKE, J. (2003). REKLI. Aufbau einer Klimada-tenbank und Regionale Klimadiagnose für Thüringen. Forschungsvorhaben des(r) Mi-nisterium für Landwirtschaft, Naturschutz und Umwelt,Thüringer Landesanstalt für Umwelt und Geologie. Abschlussbericht, Institut für Hydrologie und Meteorologie, Technische Universität Dresden, Dresden.

[12] BERNHOFER, C. ; GOLDBERG, V. ; FRANKE, J. (2004). REKLI II. Optimierung der Kli-madatenbank REKLI für Auswertungen im Bereich der Wasserwirtschaft. Forschungs-vorhaben des(r) Ministerium für Landwirtschaft, Naturschutz und Umwelt,Thüringer Landesanstalt für Umwelt und Geologie. Abschlussbericht, Institut für Hydrologie und Meteorologie, Technische Universität Dresden, Dresden.

[13] BERNHOFER, C. ; GOLDBERG, V. ; FRANKE, J. (2005). REKLI III. Optimierung der Kli-madatenbank REKLI für die Auswertungen temperaturbezogener Klimagrößen und Wetterlagenabhängige Analysen von Klimaelementen. Forschungsvorhaben des(r) Mi-nisterium für Landwirtschaft, Naturschutz und Umwelt,Thüringer Landesanstalt für Umwelt und Geologie. Abschlussbericht, Institut für Hydrologie und Meteorologie, Technische Universität Dresden, Dresden.

182 Literaturverzeichnis

[14] BEVEN, K. J. (1985). Hydrological Forecasting. In Distributed Models, S. 405-435. Wiley & Sons.

[15] 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 Pub-lishers.

[16] BEVEN, K. J. (2001). Rainfall-Runoff Modelling. The Primer. John Wiley & Sons Ltd., Chichester.

[17] 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.

[18] 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.

[19] BLÖSCHL, G. ; GRAYSON, R. (2006). Wiener Mitteilungen: Flächendetaillierte Nieder-schlags-Abfluss Modellierung. In Niederschlags-Abfluss Modellierung - Simulation und Prognose, vol. 164, S. 33-55. Technische Universität Wien; Institut für Hydraulik, Ge-wässerkunde und Wasserwirtschaft, Wien.

[20] BLÜMEL, K. ; SCHNEIDER, G. (2004). Bereitstellung von operativ nutzbaren Vorhersa-gedaten zur Schmelz- und Niederschlagswasserabgabe aus der Schneedecke für das Be-ratungsgebiet Rheinland-Pfalz, Saarland, für Teile von Nordrhein-Westfalen und Hes-sen sowie das französische Moselgebiet, Luxembourg und Baden-Württemberg (SNOW-BW2003), Abschlussbericht. Deutscher Wetterdienst, Geschäftsfeld Hydrometeorologie, Berlin-Buch, Offenbach.

[21] BMU. (2003). Hydrologischer Atlas von Deutschland. Bundesministerium für Umwelt, Naturschutz und Reaktorsicherheit, Berlin.

[22] BONGARTZ, K. (2001). Untersuchung unterschiedlicher Flächendiskretisierungs- und Modellierungskonzepte für die hydrologische Modellierung am Beispiel Thüringer Vor-fluter. Dissertation, Institut für Geographie, Friedrich-Schiller-Universität, Jena.

[23] BORKERT, M. (1994). Dokumentation HWVOR Saale. GFE GmbH Halle, Halle. [24] BORKERT, M. (1998). Dokumentation HWVOR Weiße Elster und Pleiße. GFE GmbH

Halle, Halle. [25] BORKERT, M. (2000). Dokumentation HWVOR Unstrut. GFE GmbH Halle, Halle. [26] BORKERT, M. (2006). Dokumentation HWVOR Unstrut und Ilm. BGD GmbH Dresden,

Dresden. [27] BRONSTERT, A. (1996). River flooding in Germany: influenced by climate change ?

Phys. Chem. Earth, 20, S. 445-450. [28] BRONSTERT, A. ; KOLOKOTRONIS, V. ; SCHWANDT, D. ; STRAUB, H. (2006). Vergleich

und hydrologische Wertung regionaler Klimaszenarien für Süddeutschland. In Hydro-logie und Wasserbewirtschaftung, vol. 6, S. 270-287.

[29] BRONSTERT, A. ; MAURER, T. (1994). Modellierung des Wassertransports auf Hängen und in kleinen Einzugsgebieten. In 18. DVWK-Fortbildungslehrgang Hydrologie "Nie-derschlag-Abfluß-Modelle für kleine Einzugsgebiete und ihre Anwendung", S. 20-35, Karlsruhe.

[30] BRONSTERT, A. ; SCHWANDT, D. (2004). Darstellung, Vergleich und hydrologische sowie klimatologische Wertung regionaler Klimaszenarien für Süddeutschland - Endbe-richt 1. Lehrstuhl für Hydrologie und Klimatologie Universität Potsdam im Auftrag der Landesanstalt für Umweltschutz Baden-Württemberg, unveröffentlicht, Potsdam.

[31] COSMO. (2007). The Consortium for Small-Scale Modelling., http://www.cosmo-model.org. Letzter Zugriff: 02.11.2007

[32] CRUTZEN, P. J. (2002). Nature. Geology of mankind: The Anthropocene., 415, S. 23.

Literaturverzeichnis 183

[33] CUBASCH, U. ; WACZKEWITZ, J. ; HEGERL, G. C. ; PERLWITZ, J. (1995). Regional cli-mate changes as simulated in time-slice experiments. In Forschungsbericht, vol. 153. Max-Planck-Institut für Meteorologie, Hamburg.

[34] DEUTSCH, M. (1997). Einige Bemerkungen zu historischen Hochwassermarken - eine Bestandsaufnahme an der Unstrut. In Archäologie in Sachsen-Anhalt, vol. 7, S. 25-31.

[35] DEUTSCH, M. ; PÖRTGE, K.-H. (2003). Hochwasserereignisse in Thürin-gen.Schriftenreihe der Thüringer Landesanstalt für Umwelt und Geologie. Thüringer Landesanstalt für Umwelt und Geologie, Jena.

[36] DICKINSON, R. E. (1984). Modelling evapotranspiration for three-dimensional global climate models. In Climate Processes and Climate Sensitivity. (ed. J. E. Hansen, Taka-hashi, T.), S. 58-72. Geophysical Monograph 29, Washington D.C.

[37] DIETZER, B. (2000). Berechnung von Gebietsniederschlagshöhen nach dem Verfahren REGNIE. Deutscher Wetterdienst – Hydrometeorologie, Selbstverlag, Offenbach.

[38] DIN. (1996). Wasserwesen. Begriffe, Normen. Deutsches Institut für Normung e.V., Belin.

[39] DÖHLER, H. (2006). Informationsgewinn durch Messung. Grundlagen und Anwendun-gen der Signalanalyse. expert verlag, Renningen.

[40] DOMS, G. ; FÖRSTNER, J. ; HEISE, E. ; HERZOG, H.-J. ; RASCHENDORFER, M. ; SCHRO-DIN, R. ; REINHARDT, T. ; VOGEL, G. (2005). A description of the nonhydrostatic re-gional model LM. Part II: Physical Parameterization (only draft version). Deutscher Wetterdienst (DWD), Offenbach.

[41] DOMS, G. ; SCHÄTTLER, U. (1999). The nonhydrostatic limited-area model LM (Lo-kalmodell) of DWD. Part I: Scientific documentation. Deutscher Wetterdienst (DWD), Offenbach.

[42] DOMS, G. ; SCHÄTTLER, U. (2002). A description of the nonhydrostatic regional model LM. Part I: Dynamics and Numerics. Deutscher Wetterdienst (DWD), Offenbach.

[43] DUNNE, T. (1978). Field studies of hillslope flow processes. In Hillslope Hydrology. (ed. M. J. Kirkby), S. 227-293. John Wisley & Sons, Chichester.

[44] DVWK. (1982). Arbeitsanleitung zur Anwendung von Niederschlag-Abfluss-Modellen in kleinen Einzugsgebieten. Teil I: Analyse., DVWK-Regeln. Verlag P. Parey, Hamburg und Berlin.

[45] DVWK. (1984). Arbeitsanleitung zur Anwendung von Niederschlag-Abfluss-Modellen in kleinen Einzugsgebieten. Teil II: Synthese., DVWK-Regeln. Verlag P. Parey, Ham-burg und Berlin.

[46] DVWK. (1996). Ermittlung der Verdunstung von Land- und Wasserflächen., DVWK-Merkblätter zur Wasserwirtschaft. Wirtschafts- und Verlagsgesellschaft Gas und Was-ser mbH, Bonn.

[47] DVWK. (1999). Statistische Analyse von Hochwasserabflüssen., DVWK-Merkblätter zur Wasserwirtschaft. Wirtschafts- und Verlagsgesellschaft Gas und Wasser mbH, Bonn.

[48] DWD. (2007(a)). Numerische Wettervorhersage. Website Deutscher Wetter-dienst,Offenbach, http://www.dwd.de. Letzter Zugriff: 02.11.2007

[49] 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

[50] DWD. (2007(c)). Global-Modell (GME). Website Deutscher Wetterdienst,Offenbach, http://www.dwd.de. Letzter Zugriff: 02.11.2007

[51] DYCK, S. (1980). Angewandte Hydrologie. 2 edition. Verlag für Bauwesen, Berlin. [52] DYCK, S. ; PESCHKE, G. (1995). Grundlagen der Hydrologie. 2 edition. Verlag für

Bauwesen, Berlin.


[53] ECMWF. (2007). European Centre for Medium-Range Weather Forecasts. http://www.ecmwf.int. Letzter Zugriff: 02.11.2007

[54] EEA. (2001). Sustainable water use in Europe. In Environmental issue report, vol. 21. European Environment Agency, Kopenhagen.

[55] 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 Klima-simulationen mit ECHAM5/MPI-OM T63L31 2010 bis 2100 für die SRES Szenarien B1, A1B und A2., Forschungsbericht. Meteo-Research, Potsdam.

[56] EU. (2003). Amtsblatt der Europäischen Union: Richtlinie 2003/4/EG der Europäi-schen Parlaments und des Rates vom 28. Januar 2003 über den Zugang der Öffentlich-keit zu Umweltinformationen und zur Aufhebung der Richtlinie 90/313/EWG des Rates. 14. Februar 2003. Brüssel.

[57] FINK, M. (2000). Stofftransportmodellierung als zentraler Bestandteil eines Entschei-dungsunterstützungssystems. In EcoRegio 8/2000 - Heterogenität landschaftshaushalt-licher Wasser– und Stoffumsätze in Einzugsgebieten – Beiträge zum 3. Workshop Hyd-rologie am 18./19.11.1999 in Göttingen, vol. 8, S. 11-18. Veröffentlichungen der Ab-teilung Landschaftsökologie am Geographischen Institut der Universität Göttingen, Hrsg. G. Gerold, Göttingen.

[58] FINK, M. (2004). Regionale Modellierung der Wasser- und Stickstoffdynamik als Ent-scheidungsunterstützung für die Reduktion des N-Eintrags am Beispiel des Trinkwas-sertalsperrensystems Weida-Zeulenroda, Thüringen. Dissertation, Institut für Geogra-phie, Friedrich-Schiller-Universität, Jena.

[59] FLÜGEL, W.-A. (1979). Untersuchungen zum Problem des Interflow. Heidelberger Geographische Arbeiten, S. 56.

[60] 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.

[61] 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.

[62] FRICKE, W. ; KAMINISKI, U. (2002). GAW Brief des Deutschen Wetterdienstes Nr. 12, Offenbach.

[63] FRITZSCHE, C. (2001). Vergleichende ereignisbezogene Modellierung der Abflussbil-dung mit PRMS/MMS und Topmodel in zwei kleinen Quelleinzugsgebieten im Thürin-ger Wald. Diplomarbeit, Institut für Geographie, Friedrich-Schiller-Universität, Jena.

[64] 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 (1992-1998), S. 325-344. Kleeberg, H.-B. (Hrsg.), Weinheim, New York, Chichester, Brisba-ne, Singapore.

[65] FÜRST, J. (2006). Geographische Informationssysteme zur Unterstützung von Regiona-lisierungsaufgaben in der Hydrologie. In Methoden der hydrologischen Regionalisie-rung - Wiener Mitteilungen,, vol. 197 (ed. D. Gutknecht), S. 41-54. Eigenverlag TU Wien, Wien.

[66] GEMMAR, P. ; STÜBER, M. ; GREVING, M. (2004). Anpasungen von Niederschlagsvor-hersagen des DWD LM-Modells zur verbesserten Hochwasservorhersage. Poster, Insti-tut für Innovative Informatik-Anwendungen, Fachhochschule Trier, Trier.


[67] GEROLD, G. ; CYKA, B. ; SUTMÖLLER, J. ; KRÜGER, J.-P. ; BUSCH, G. (1997). Region-alization of Runoff Process through Aggregation of „Homogeneous Pedohydrotopes“ under GIS and SARA. Int. Conference on Regionalization in Hydrology., Braunschweig.

[68] GOLF, W. (1981). Ermittlung der Wasserressourcen im Mittelgebirge. Wasserwirt-schaft-Wassertechnik, 31, S.

[69] GRIESER, J. ; BECK, C. (2002). Extremniederschläge in Deutschland - Zufall oder Zei-chen. In Klimastatusbericht 2002. DWD - Deutscher Wetterdienst, Offenbach.

[70] GROHMANN, J. (1994). Fortgeschriebene Dokumentation Werra-Modell. BCE GmbH Erfurt, Erfurt.

[71] 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 Pots-dam, vol. 17, S. 37-45, Potsdam.

[72] GÜNTHER, T. (2005). Produkte des Deutschen Wetterdienstes für die Hochwasservor-hersage. Workshop Hochwasservorhersagen. Methoden - strukturelle Einbindung - Per-spektiven, Dresden.

[73] 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

[74] GÜNTHER, T. ; RACHNER, M. ; MATTHÄUS, H. ; ALBRECHT, F. M. ; ERTEL, H. (2000a). Regionalisierte Extremwerte des Niederschlagdargebots aus Regen und Schneeschmel-ze für Deutschland (REWANUS). Deutscher Wetterdienst, Berlin.

[75] HAVERKAMP, S. ; ECKHARDT, K. ; FOHRER, N. ; FREDE, H.-G. (2000). Zulässigkeitsbe-reiche 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. 47-55. Veröffentlichungen der Abteilung Landschaftsökologie am Geographischen Institut der Universität Göttingen, Hrsg. G. Gerold, Göttingen.

[76] HAVERKAMP, S. ; FOHRER, N. ; FREDE, H.-G. (1999). Entropie als Werkzeug zur räum-lichen Diskretisierung. Modellierung des Wasser- und Stofftransports in großen Ein-zugsgebieten, kassel university press, S. 95-102.

[77] HENDL, M. ; LIEDTKE, H. (2007). Lehrbuch der Allgemeinen Physischen Geographie. 3 edition. Klett-Perthes-Verlag, Gotha.

[78] HENNEGRIFF, W. ; KOLOKOTRONIS, V. ; WEBER, H. ; BARTELS, H. (2006). Klimawan-del und Hochwasser. ATV-DVWK KA-Abwasser, Abfall, 8, S. 770.

[79] HENNING, H. ; SCHWARZE, R. (2001). Geohydraulische Interpretation des Konzeptmo-dells Einzellinearspeicher und Konsequenzen bei der Modellierung des Grundwasser-abflusses. Wasserwirtschaft 90, 1, S. 42-48.

[80] HERBST, M. (2001). Regionalisierung von Bodeneigenschaften unter Berücksichtigung geomorphometrischer Strukturen für die Modellierung der Wasserflüsse eines mikros-kaligen Einzugsgebiets. Dissertation, Mathematisch-Naturwissenschaftliche Fakultät, Rheinische Friedrich-Wilhelms-Universität Bonn, Bonn.

[81] HIEKEL, W. ; FRITZLAR, F. ; HAUPT, R. ; KLAUS, S. ; LAEPPLE, U. ; NÖLLERT, A. ; REI-SINGER, E. ; STREMKE, A. ; WENZEL, H. ; WESTHUS, W. ; WIESNER, J. (1994). Wissen-schaftliche Beiträge zum Landschaftsprogramm Thüringens., Schriftenreihe der TLUG. Thüringer Landesanstalt für Umwelt und Geologie, Jena.

[82] HIEKEL, W. ; FRITZLAR, F. ; NÖLLERT, A. ; WESTHUS, W. (2004). Die Naturräume Thüringens, Naturschutzreport. Thüringer Landesanstalt für Umwelt und Geologie, Je-na.


[83] HINKELMANN, R. (2006a). Hydrologie und Wasserwirtschaft - Hydrologische Modellie-rung. Vorlesungsskript, Fachgebiet Wasserwirtschaft und Hydroinformatik, Technische Universität Berlin, Berlin.

[84] HINKELMANN, R. (2006b). Hydrologie und Wasserwirtschaft - Hydrologische Grundla-gen. Vorlesungsskript, Fachgebiet Wasserwirtschaft und Hydroinformatik, Technische Universität Berlin, Berlin.

[85] HOCHSCHILD, V. ; BONGARTZ, K. (2000). Forschungs- und Entwicklungsprojekt River, Untersuchung der operationellen Anwendbarkeit von Fernerkundungsdaten für hydro-logische Fragestellungen in der Thüringer Umweltverwaltung., nstitut für Geographie, Friedrich-Schiller-Universität, Jena.

[86] HOFFMEYER-ZLOTNIK, G. (1983). Dokumentation Werra-Modell. TH Ilmenau, Institut für Automatisierungs- und Systemtechnik, Ilmenau.

[87] HORTON, R. E. (1933). The role of infiltration in the hydrological cycle. In Transac-tions, vol. 14, S. 479-482. American Geophysical Union.

[88] IPCC. (2001). Intergovernmental Panel on Climate Change IPCC: Third Assessment Report.Climate Change 2001: The Scientific Basis; Impacts, Adaptation & Vulnerabil-ity; Mitigation. Cambridge University Press, Cambridge.

[89] IPCC. (2002). Climate Change 2001 Synthesis Report. Intergovernmental Panel on Climate Change. Deutsche IPCC Koordinierungsstelle des BMBF und des BMU, Bonn.

[90] IPCC. (2007). Intergovernmental Panel on Climate Change: Ergebnisse des Fourth Assessment Report (AR4) der Arbeitsgruppe 1: Wissenschaftliche Grundlagen. Alfred-Wegener-Institut für Polar- und Meeresforschung, http://www.awi.de/de/aktuelles_und_presse/ausgewaehlte_themen/klimawandel/ipcc_bericht_2007/zusammenfassung/. Letzter Zugriff: 07.09.2007

[91] JACOB, D. (2006). (mündliche Mitteilung). MPI Hamburg. [92] JACOB, D. ; BÜLOW, K. ; MELLIEZ, M. (2003). Dynamische und statistische Erstellung

von hochaufgelösten Klimaszenarien als Basis für wasserwirtschaftliche Handlungs-empfehlungen. im KLIWA-Projekt B 1.1.1 Klimaszenarien, MPI Hamburg, im Auftrag des AK KLIWA, Abschlussbericht, S.

[93] JACOB, D. ; PODZUN, R. (1997). Sensitivity Studies with the Regional Climate Modell REMO. Meteorol. Atmos. Phys, 63, S. 119-129.

[94] JENSEN, A. E. ; BURMAN, R. D. ; ALLEN, R. G. (1990). Evapotranspiration and Irriga-tion Water Requirements. In American Society of Civil Engineers Technical Report, vol. 70.

[95] JONAS, M. ; STAEGER, T. ; SCHÖNWIESE, C.-D. (2005). Berechnung der Wahrschein-lichkeiten für das Eintreten von Extremereignissen durch Klimaänderungen – Schwer-punkt Deutschland (Abschlussbericht zum UBA-Forschungsvorhaben Nr. 201 41 254). Institut für Atmosphäre und Umwelt, Univ. Frankfurt/M., Frankfurt/M.

[96] JORDAN, H. ; WEDER, H.-J. (1995). Hydrogeologie - Grundlagen und Methoden ; regi-onale Hydrogeologie: Mecklenburg Vorpommern, Brandenburg und Berlin, Sachsen-Anhalt, Sachsen, Thüringen. Enke Verlag.

[97] 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.

[98] KITE, G. W. ; KOUWEN, N. (1992). Watershed Modeling Using Land Classications. Water Resources Research 28, 12, S. 3193–3200.

[99] KLEEBERG, H.-B. ; CEMUS, J. (1992). Regionalisierung hydrologischer Daten – Defini-tionen. In Regionalisierung in der Hydrologie (DFG) (ed. H.-B. Kleeberg). VCH Ver-lagsgesellschaft mbH, Weinheim.


[100] KLEMEŠ, V. (1986). Operating testing of hydrological simulation models. In Hydrologi-cal Sciences Journal - des Sciences Hydrologiques, vol. 3, S. 31. National Hydrology Research Institute Environment Canada, Ottawa, Ontario.

[101] KLINK, S. ; STEPHAN, K. (2004). Assimilation of Radar Data in the LM at DWD. COSMO Newsletter, No. 4, S. 143-150.

[102] KLIWA. (2006). Regionale Klimaszenarien für Süddeutschland. Abschätzung und Aus-wirkungen auf den Wasserhaushalt., KLIWA-Berichte,. Arbeitskreis KLIWA: Landes-anstalt für Umwelt, Messungen und Naturschutz Baden-Württemberg, Bayerisches Landesamt für Umwelt (BfU), Deutscher Wetterdienst (DWD).

[103] KNAPP, B. J. (1978). Infiltration and Storage of Soilwater. In Hillslope Hydrology (ed. M. J. Kirkby), S. 43-72. John Wisley & Sons, Chichester.

[104] KÖTHE, R. ; BOCK, M. (2000). Fachwissenschaftliche Expertise: Digitale Reliefanalyse für drei Testgebiete in Thüringen, incl. Erstellung und Bewertung von Digitalen Gelän-demodellen. (unveröffentlicht, erstellt im Auftrag der TLUG), scilands GmbH, Göttin-gen.

[105] KÖTHE, R. ; BOCK, M. (2002). Dokumentation zur Erstellung des Digitalen Gelände-modells (DGM25) und der Geomorphologischen Reliefeinheiten (GMK25) mit 25 m Rasterweite von der Landesfläche von Thüringen. (unveröffentlicht, erstellt im Auftrag der TLUG), scilands GmbH, Göttingen.

[106] KRALISCH, S. (2004). Darstellung und Analyse hydrologischer Topologien auf der Ba-sis künstlicher neuronaler Netze. Dissertation, Institut für Geographie, Friedrich-Schiller-Universität, Jena.

[107] KRALISCH, S. ; KRAUSE, P. (2006). JAMS - A Framework for Natural Resource Model Development and Application. 7th International Conference on Hydroinformatics, HIC, Nice, France.

[108] KRALISCH, S. ; KRAUSE, P. (2007a). Dokumentation zu JAMSSCN. internes Paper, Insti-tut für Geographie, Lehrstuhl für Geoinformatik, Friedrich-Schiller-Universität, Jena.

[109] KRALISCH, S. ; KRAUSE, P. ; FINK, M. ; FISCHER, C. ; FLÜGEL, W.-A. (2007b). Compo-nent based environmental modelling using the JAMS framework. MODSIM-International Congress on Modelling and Simulation, 10-13 December 2007, Christ-church, NZ.

[110] KRAUSE, P. (2001). Das hydrologische Modellsystem J2000. Beschreibung und Anwen-dung in großen Flussgebieten., Schriften des Forschungszentrums Jülich, Reihe Um-welt, Jülich.

[111] 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.

[112] 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.

[113] KRAUSE, P. (2005a). The modular and object oriented hydrological modelling system J2000 - Description and application in a small test catchment. Journal of Hydrology, S.

[114] 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.

[115] KRAUSE, P. ; BOYLE, D. ; BÄSE, F. (2005b). Comparison and quantification of different efficiency criteria for hydrological model assessment. Data, parameter and model un-certainty in large scale hydrological modelling. Advances in Geosciences., 5, S. 89-97.


[116] 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, Ber-gen.

[117] 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.

[118] KRYSANOVA, V. ; MÜLLER-WOHLFEIL, D.-I. ; BECKER, A. (1998). Development and test of a spatially distributed hydrological/water quality model for mesoscale water-sheds. Ecological Modelling, 106, S. 261-298.

[119] KUNKA, R. (2007). (mündliche Mitteilung). TLUG. [120] KUNZ, M. ; KOTTMEIER, C. (2004). Starkniederschläge mit langer Andauer über Mit-

telgebirgen, Institut fur Meteorologie und Klimaforschung, DFG-Graduiertenkolleg Na-turkatastrophen, Universitat Karlsruhe/Forschungszentrum Karlsruhe, Karlsruhe.

[121] LAUER, W. ; BENDIX, J. (2006). Klimatologie, Das geographische Seminar. 2 edition. Verlag Westermann, Braunschweig.

[122] LEAVESLEY, G. H. ; LICHTY, R. W. ; TROUTMAN, B. M. ; SAINDON, L. G. (1983). Pre-cipitation-Runoff- Modeling-System. - User's Manual. In Water Resource Investigations Report. U.S. Geological Survey, Denver, Colorado.

[123] LEAVESLEY, G. H. ; STANNARD, L. G. (1995). The Precipitation-Runoff Modeling Sys-tem – PRMS. In Computer Models of Watershed Hydrology. (ed. V. P. Singh), S. Chap-ter 9, 281-310. Water Resources Publications, Highlands Ranch, Colorado.

[124] LEGATES, D. R. ; MCCABE, G. J. (1999). Evaluating the use of „goodnes-of-fit“ meas-ures in hydrologic and hydroclimatic model validation. Water Resource Research, 35, S. 233-341.

[125] LUBW. (2006). Unser Klima verändert sich. Folgen – Ausmaß – Strategien. Auswir-kungen auf die Wasserwirtschaft in Süddeutschland., KLIWA Klimaveränderungen und Wasserwirschaft. LUBW Landesanstalt für Umwelt, Messungen und Naturschutz Ba-den-Württemberg, Karlsruhe.

[126] MAJEWSKI, D. (1991). The Europa-Modell of the Deutscher Wetterdienst. ECMWF Seminar on numerical methods. athmospheric modells, 2, S. 147-192.

[127] MALITZ, G. (2005). KOSTRA-DWD-2000 - Starkniederschlagshöhen für Deutschland (1951–2000), Grundlagenbericht. Deutscher Wetterdienst, Hydrometeorologie, Offen-bach.

[128] MAMILLAPALLI ; SRINIVASAN, R. ; ARNOLD, J. G. ; ENGEL, B. A. (1996). Spatial Vari-ability an Basin Scale Hydrological Modeling. Third International Conference on Inte-grating GIS and Environmental Modeling, Santa Fe, New Mexico, 21.-24. Januar.

[129] MEIJERINK, A. M. J. (1997). Conceptual Modelling for Surface-Groundwater Interac-tions based on Hydrotopes, identified by Remote Sensing. In Remote Sensing and Geo-graphic 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 Publicati-on No. 242.

[130] MENDEL, H. G. (2000). Elemente des Wasserkreislaufs. Eine kommentierte Bibliogra-phie zur Abflußbildung. 1 edition. Bundesanstalt für Gewässerkunde (BfG). Analytica Verlagsgesellschaft, Berlin.

[131] MICHL, C. (1999). Prozessorientierte Modellierung des Wasserhaushalts zweier Quell-einzugsgebiete im Thüringer Wald. Dissertation, Institut für Geographie, Friedrich-Schiller-Universität, Jena.

[132] MILLY, P. C. D. ; WETHERALD, R. T. ; DUNNE, K. A. ; DELWORTH, T. L. (2002). In-creasing risk of great floods in a changing climate. Nature, 415, S. 512-515.


[133] MOBERG, A. (2005). Highly variable Northern Hemisphere temperatures reconstructed from low- and high-resolution proxy data. Nature, 433, S. 613-617.

[134] MONTEITH, J. L. (1975). Vegetation and atmosphere. Vol. 1 Principles. Academic Press, London.

[135] MÜNCHNERRÜCKVERSICHERUNG. (2002). Münchner Rückversicherung: Annual Re-view: Natural Catastrophes 2002., http://www.munichre.com/de/publications/default.aspx. Letzter Zugriff: 26.08.2007

[136] NACHTNEBEL, H. P. (2003). Studienblätter Hydrologie. interne Veröffentlichung, Insti-tut für Wasserwirtschaft, Hydrologie und konstruktiven Wasserbau (IWHW), Universi-tät für Bodenkultur, Wien.

[137] NAKICENOVIC, N. ; SWART, R. (2000). Emission Scenarios.IPCC Special Report on Emission Scenarios.C. U. Press. Cambridge.

[138] NAKOTT, J. (2007). Klimawandel in Deutschland. In National Geographic Deutschland, vol. 9, S. 10-14.

[139] NASH, J. E. ; SUTCLIFFE, J. V. (1970). River flow forecasting through conceptual mod-els - part 1: A discussion of principles. Journal of Hydrology, 10, S. 282-290.

[140] NASSI, I. ; SHNEIDERMANN, B. (1973). Flowchart techniques for structured program-ming. In ACM SIGPLAN Notices, vol. 8, S. 12-26.

[141] NIEHOFF, D. (2002). Modellierung des Einflusses der Landnutzung auf die Hochwas-serentstehung in der Mesoskala., Brandenburgische Umweltberichte. Universität Pots-dam, Potsdam.

[142] PALMER, T. ; RÄISÄNEN, J. (2002). Quantifying the risk of extreme seasonal precipita-tion events in a changing climate. Nature, 415, S. 512-514.

[143] PARDÉ, M. (1964). Fleuves et rivieres. 4. Aufl. edition, Paris. [144] PARK, S. J. ; MCSWEENEY, K. ; LOWERY, B. (2001). Identification of the spatial distri-

bution of soils using a process-based terrain characterization. Geoderma, 103, S. 249-272.

[145] PATT, H. (2001). Hochwasser-Handbuch. Auswirkungen und Schutz. Springer-Verlag, Berlin-Heidelberg.

[146] 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.

[147] 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. ; KOT-LYAKOV, 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.

[148] 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.

[149] 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 Geogra-phie, Friedrich-Schiller-Universität, Jena.

[150] PFENNIG, B. (2004). Anwendungsspezifischer Vergleich zweier hydrologischer Modell-ansätze (PRMS und SWAT) in Untersuchungsgebieten mit unterschiedlichen natur-räumlichen Ausstattungen., Institut für Geographie, Friedrich-Schiller-Universität, Jena.

[151] PFENNIG, B. ; FINK, M. ; KRAUSE, P. (2006). Leitfaden für die Ableitung prozeßorien-tierter Modelleinheiten (HRU's) für die hydroloische Modellierung. - Interne Publikati-on. unveröffentlicht, Institut für Geographie, Friedrich-Schiller-Universität, Jena.


[152] 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. Grieseb-ner), Salzburg, Österreich.

[153] PFISTER, C. (1999). Wetternachhersage - 500 Jahre Klimavariationen und Naturkatast-rophen (1496-1995). Verlag Paul Haupt, Bern-Stuttgart-Wien.

[154] PLATE, E. J. ; MERZ, B. (2001). Naturkatastrophen. Ursachen-Auswirkungen-Vorsorge. E. Schweizerbart'sche Verlagsbuchhandlung (Nägele und Obermiller), Stuttgart.

[155] 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.

[156] PUHLMANN, H. ; SCHWARZE, R. (2007). Forest hydrology - results of German and Rus-sian 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.

[157] RASMUSSEN, M. (2005). Konzeption und Erprobung eines Moduls zur horizontdifferen-zierten Simulation von Bodenwasserbewegungen im hydrologischen Modellsystem J2000. Diplomarbeit, Institut für Geographie, Friedrich-Schiller-Universität, Jena.

[158] RAU, D. ; SCHRAMM, H. ; WUNDERLICH, J. (1995). Die Leitbodenformen Thüringens., Geowissenschaftliche Mitteilungen von Thüringen., Weimar.

[159] REINHARDT, F. ; BRANDTNER, W. (2007). (mündliche Mitteilung). TLUG. [160] RICHTER, D. (1995). Ergebnisse methodischer Untersuchungen zur Korrektur des sys-

tematischen Messfehlers des Hellmann-Niederschlagsmessers. Berichte des Deutschen Wetterdienstes, Selbstverlag des DWD, Offenbach am Main.

[161] ROECKNER, E. ; BAEUML, G. ; BONAVENTURA, L. ; BROKOPF, R. ; ESCH, M. ; GIOR-GETTA, 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.

[162] ROECKNER, E. ; BENGTSSON, L. ; CHRISTOF, M. ; CLAUSSEN, M. ; DÜMENIL, L. ; ESCH, M. ; GIOGRETTA, M. ; SCHLESE, U. ; SCHULZWEIDA, U. (1996). The atmospheric gen-eral circulation model ECHAM4: Model description and simulation of present-day cli-mate. In Report 218. Max-Planck-Institut für Meteorologie, Hamburg.

[163] ROECKNER, E. ; BROKOPF, R. ; ESCH, M. ; GIORGETTA, M. ; HAGEMANN, S. ; KORN-BLUEH, L. ; MANZINI, E. ; SCHLESE, U. ; SCHULZWEIDA, U. (2004). The atmosphere general circulation model ECHAM5. Part 2: Sensitivity of simulated climate to horizon-tal and vertical resolution. In MPI-Berichte., vol. 354. Max-Planck-Institut für Meteo-rologie, Hamburg.

[164] 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.

[165] 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.

[166] 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 Zü-rich,Zürich, http://www.kliwa.de/index.php?pos=ergebnisse/. Letzter Zugriff: 25.08.2007


[167] SCHÄTTLER, U. (2005b). A description of the nonhydrostatic regional model LM. Part V: Preprocessing: Initial and Boundary data for LM. Deutscher Wetterdienst (DWD), Offenbach.

[168] SCHÄTTLER, U. ; DOMS, G. (2000). The nonhydrostatic limited-area model LM (Lokal-Modell) of DWD. Part II: Implementation documentation. Deutscher Wetterdienst (DWD), Offenbach.

[169] SCHÄTTLER, U. ; DOMS, G. (2001). The nonhydrostatic limited-area model LM (Lokal-Modell) of DWD. Part III: User Guide. Deutscher Wetterdienst (DWD), Offenbach.

[170] 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.

[171] SCHÖNINGER, M. ; DIETRICH, J. (2007). Vorlesung und Übung Hydrologie. Hydro-Script, TU Braunschweig, http://www.hydroskript.de/html/_index.html. Letzter Zugriff: 20.11.2007

[172] SCHÖNWIESE, C.-D. ; STAEGER, T. ; TRÖMEL, S. (2005). Klimawandel und Extremer-eignisse in Deutschland. In Klimastatusbericht 2005. DWD, Offenbach.

[173] SCHRAFF, C. ; HESS, R. (2003). A description of the nonhydrostatic regional model LM. Part III: Data Assimilation. Deutscher Wetterdienst (DWD), Offenbach.

[174] SCHULLA, J. (1997). Hydrologische Modellierung von Flussgebieten zur Abschätzung der Folgen von Klimaänderungen. Züricher Geographische Schriften, 69, S.

[175] SCHULZ, J.-P. ; SCHÄTTLER, U. (2005). Kurze Beschreibung des LME und seiner Da-tenbanken auf dem Datenserver des DWD. Deutscher Wetterdienst (DWD), Offenbach.

[176] SCHWARZE, R. (2004). Regionalspezifische Untersuchungen im Festgesteinsbereich. In Wasser- und Nährstoffhaushalt im Elbegebiet und Möglichkeiten zur Stoffeintragsmin-derung. - Konzepte für die nachhaltige Entwicklung einer Flusslandschaft. (ed. A. Be-cker, Lahmer, W. (Hrsg.)), S. 183 - 225. Weißenseeverlag, Berlin.

[177] 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.

[178] 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.

[179] SCHWARZE, R. ; HERMANN, A. ; MENDEL, O. (1994). Regionalization of runoff compo-nents for Central European basins., IAHS Publication No. 221, Wallingford UK.

[180] 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.

[181] SINGH, V. P. (1995). Computer Models of Watershed Hydrology. Water Resources Pub-lications, Colorado.

[182] SINGH, V. P. ; FIORENTINO, M. (1992). Entropy and Energy Dissipation in Water Re-sources. Kluwer Academic Publisher, Dordrecht, Netherlands.

[183] 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 WET-TREG 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 An-passungen in Deutschland - Phase I: Erstellung regionaler Klimaszenarios für Deutsch-land" des Umweltbundesamtes. Förderkennzeichen 204 41 138, Dessau.

[184] SSMUL. (1999). Hochwasserschutz in Sachsen. In Materialien zur Wasserwirtschaft, vol. 3, S. 41. Freistaat Sachsen. Staatsministerium für Umwelt und Landwirtschaft.


[185] 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.

[186] STAUDENRAUSCH, H. (2001). Untersuchungen zur hydrologischen Topologie von Land-schaftsobjekten für die distributive Flussgebietsmodellierung. Dissertation, Institut für Geographie, Friedrich-Schiller-Universität, Jena.

[187] TLL. (2007). Agrarmeteorologische Daten für Thüringen. Thüringer Landesanstalt für Landwirtschaft, http://www.tll.de/wetter/wet_idx.htm. Letzter Zugriff: 26.11.2007

[188] 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 Gewässerent-wicklungsplanes auf Basis eines Leitbildes. Thüringer Landesanstalt für Umwelt (Hrsg.).

[189] 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.).

[190] TLUG. (2007). Thüringer Klimabereiche und deren Vulnerabilität. Thüringer Landes-anstalt für Umwelt und Geologie,Jena, http://www.tlug-jena.de/klima/index.html. Web-Site. Letzter Zugriff: 20.11.2007

[191] TMLNU. (1996). Grundwasserbericht: Grundwasser in Thüringen - Bericht zu Menge und Beschaffenheit. Thüringer Ministerium für Landwirtschaft, Naturschutz und Um-welt, Autorenkollektiv, Erfurt.

[192] TMLNU. (1997). Thüringer Verordnung zur Einrichtung des Warn- und Alarmdienstes zum Schutz vor Wassergefahren (ThürWAWassVO). Thüringer Ministerium für Land-wirtschaft, Naturschutz und Umwelt, Erfurt.

[193] TMLNU. (2000). Thüringer Ministerium für Landwirtschaft, Naturschutz und Umwelt: Vorsorgender, naturnaher Hochwasserschutz. S.

[194] TMLNU. (2003). Thüringer Ministerium für Landwirtschaft, Naturschutz und Umwelt: Vorbeugender Hochwasserschutz in Thüringen., S.

[195] TMLNU. (2004). Verwaltungsvorschrift zur Durchführung der Thüringer Verordnung zur Einrichtung des Warn- und Alarmdienstes zum Schutz vor Wassergefahren (Hoch-wasser-Meldeordnung-HWMO). Thüringer Ministerium für Landwirtschaft, Natur-schutz und Umwelt, Erfurt.

[196] TMLNU. (2005). Thüringer Ministerium für Landwirtschaft, Naturschutz und Umwelt: Überschwemmungsgebiete in Thüringen., S.

[197] UBA. (2005). Hochwasser. Umweltbundesamt,Dessau, http://www.umweltdaten.de/wasser/themen/hw_start.htm. Letzter Zugriff: 06.10.2005

[198] UBA. (2006). Was sie über vorsorgenden Hochwasserschutz wissen sollten. Umwelt-bundesamt,Dessau, http://www.umweltdaten.de/publikationen/fpdf-l/3019.pdf. Letzter Zugriff: 06.11.2007

[199] 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

[200] UHLENBROOK, S. (1999). Untersuchung und Modellierung der Abflussbildung in einem mesoskaligen Einzugsgebiet., Freibuerger Schriften zur Hydrologie. Institut für Hydro-logie, Universität Freiburg, Freiburg.

[201] ULBRICH, U. (2004). Mögliche diagnostische Arbeiten zu Extremereignissen. Planungs-treffen für den deutschen Beitrag zum IPCC AR4, unveröffentlicht, S.

[202] VÖLKEL, U. (2007). (mündliche Mitteilung). TLUG.


[203] WASY. (2005). HQ-EX 3.0 Programm zur Berechnung von Hochwasserwahrschein-lichkeiten. Benutzerhandbuch. Gesellschaft für wasserwirtschaftliche Planung und Sys-temforschung mbH, Berlin.

[204] WERNSTEDT, J. (1991). Fortschreibung des Werra-Modell. TU Ilmenau; Fakultät für Informatik und Automatisierungstechnik, Ilmenau.

[205] WESSOLEK, G. (1993). Erarbeitung eines Schlüssels zur Abschätzung von Versickerung und Oberflächenabfluss versiegelter Flächen Berlins. unveröffentlichter Bericht der BfG, Berlin.

[206] 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.

[207] WIGMOSTA, M. S. ; VAIL, L. W. ; LETTENMAIER, D. P. (1994). A distributed hydrology-vegetation model for complex terrain. Wat. Resour. Res., 30(6), S. 1665-1679.

[208] WMO. (2005). Global temperature in 2003 third warmest. World Meteorological Or-ganization, http://www.wmo.org/home.html. Letzter Zugriff: 04.07.2007

[209] WOHLRAB, B. ; ERNSTBERGER, H. ; MEUSER, A. ; SOKOLLEK, V. (1992). Landschafts-wasserhaushalt. Verlag Paul Parey, Hamburg.

[210] ZEBISCH, M. ; GROTHMANN, T. ; SCHRÖTER, D. ; HASSE, C. ; FRITSCH, U. ; CRAMER, W. (2005). Klimawandel in Deutschland. Vulnerabilität und Anpassungsstrategien kli-masensitiver Systeme. Umweltbundesamt (UBA),Dessau, http://www.umweltbundesamt.de/uba-info-medien/dateien/2947.htm. Letzter Zugriff: 10.11.2007


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 Wasser- wirtschaft“

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: Gebietsniederschlag, gemessene und modellierte Abflüsse am Pegel Gräfinau-Angstedt für den Kalibrierungszeitraum vom 01.11.1999- 31.10.2002 im Stundenmodus................................................................ 229

Abbildung 1.50: Gebietsniederschlag, gemessene und modellierte Abflüsse am Pegel Gräfinau-Angstedt für den Validierungszeitraum vom 01.11.2002- 31.05.2006 im Stundenmodus................................................................ 230

Abbildung 1.51: Modellierte Abflusskomponenten für den Zeitraum vom 01.11.1994- 31.05.2006.............................................................................................. 231

Abbildung 1.52: Legende für Abbildungen 1.24 und 1.25................................................ 232

Abbildung 1.53: Kumulierte unkorrigierte, korrigierte Stundenvorhersagewerte und Mess- werte, hydrologische Sommerperioden (01.11.1999-31.05.2006) ......... 232

Abbildung 1.54: Kumulierte unkorrigierte, korrigierte Stundenvorhersagewerte und Mess- werte, 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, hydrologische Sommer- und Winterperioden ................................................. 236

Tabelle 1.10: Gemessener und prognostizierter Niederschlag, Sektion S1, Stundenwerte, hydrologische Sommer- und Winterperioden ................................................. 237

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 Aggregations-niveaus 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 HRU- Dichte 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 Stunden-modus.......................................................................................................... 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 Anhang A – Fotos

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

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


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)


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])


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)


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


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


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




Abbildung 1.27: HRU-Aggregationsniveau Schwellwert S=3,375 ha

219





Abbildung 1.31: Modelleffizienzen logE2, r², DSgrad als Funktion der HRU-Dichte ρHRU der Eliminate-Variante „iterativ step 1“

Abbildung 1.32: Modelleffizienzen logE2, r² als Funktion der HRU-Dichte ρHRU nach Eliminate-Varianten

221

Abbildung 1.33: DSgrad=f(ρHRU) nach Eliminate-Varianten

Abbildung 1.34: Entwicklung I(HRU)= f(ρHRU) - Gebietsparameter Böden


Abbildung 1.35: I(HRU)=f(ρHRU) der Variante „iterativ step 1“-Gebietsparameter Hangneigung und Land-nutzung

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


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


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


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


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


Abbildung 1.52: Legende für Abbildungen 1.24 und 1.25

Abbildung 1.53: Kumulierte unkorrigierte, korrigierte Stundenvorhersagewerte und Messwerte, hydro-

logische Sommerperioden (Zeitraum: 01.11.1999-31.05.2006)

Abbildung 1.54: Kumulierte unkorrigierte, korrigierte Stundenvorhersagewerte und Messwerte, hydro-

logische 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

[mm] 0,18-0,48

a_snow Speicherkapazität pro m² Blattfläche bei Schnee

[mm] 0,38-0,78

Schneemodul

snow_trs Temperaturgrenzwert für Schneenieder-schlag

[°C] 0,7-2,6

snow_trans 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 Boden

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

soilMaxInfSum-mer

max. Infiltration im Sommerhalbjahr [mm/d] 40-120

soilMaxInfWinter max. Infiltration im Winterhalbjahr [mm/d] 50-150

soilMaxInfSnow max. Infiltration bei Schneebedeckung [mm/d] 5-35

soilImpGT80 rel. Infiltrationsvermögen von Flächen mit einem Versiegelungsgrad >80%

[-] 10-40

soilImpLT80 rel. Infiltrationsvermögen von Flächen mit einem Versiegelungsgrad <80%

[-] 30-90

soilDistMPSLPS Kalibrierungskoeffizient zur Verteilung der Infiltration zwischen LPS und MPS

[-] 0,0-5,5

soilDiffMPSLPS Kalibrierungskoeffizient zur Verteilung des LPS Speicherinhalts auf MPS am Ende des Zeitschritts

[-] 0,0-5,5

soilOutLPS Kalibrierungskoeff. zur Bestimmung des LPS-Ausflusses

[-] >0

soilLatVertLPS Kalibrierungskoeffizient zur Verteilung des LPS-Ausflusses auf Zwischenabfluss und Perkolation

[-] >0

soilMaxPerc 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


Tabelle 1.2: Die Kalibrierungsparameter von J2000/JAMS nach Modulen mit Einheiten und Wertebe-reichen nach (Bäse 2005 [7]) (Teil 2)

Parameter Kurzbeschreibung Einheit Wertebereich Grundwasser

gwRG1RG2dist Kalibrierungskoeffizient zur Verteilung des Perkola-tionswassers

[-] 0,1-5,5

gwRG1Fact 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 ReachRouting

flowRouteTA Laufzeit der Abflusswelle [h] 0,5-10,0

Kapitel 3

Tabelle 1.3: Kurzcharakterisierung der hydrogeologischen Teilräume Hydrogeologischer

Teilraum Rotliegend des

Thüringer Waldes Buntsandsteinumran-dungen der Thüringi-

schen Senke

Antiklinalbereiche des Thüringer Schiefer-

gebirges Hydrogeol. Raum Thüringer Wald Mitteldeutsches Buntsand-

steingebiet SE-Deutsches Schiefer-gebirge

Hydrogeol. Großraum SE Deutsches Grundge-birge

Mitteldeutsches Bruch-schollenland

SE-Deutsches Grundge-birge

Grundwasserleitertyp Kluft-Grundwassergeringleiter

Kluft-Poren-Grundwasserleiter

Kluft-Grundwassergeringleiter

Lithologie klastische Sedimente, Magmatite, Metamorphite

Sandstein Metamorphite, Magmati-te, klastische Sedimentite

Durchlässigkeit mäßig bis äußerst gering mäßig bis gering gering

Tabelle 1.4: Anteile der klassifizierten Landnutzungsarten an der Gesamtfläche Landnutzungsklasse Fläche [km²] Anteil am FEG [%] Siedlung dicht 4,2 2,7

Siedlung locker 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)

Winter 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)

August 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)


Tabelle 1.7: Mittlere Windfehler der Tageswerte der Niederschlagshöhen für Regen und Schnee (Stati-onslage „leicht geschützt“ (Richter 1995 [160]))

Niederschlagshöhe [mm/d] Argumente x ∆Nrain [mm] ∆Nsnow [mm]

0,1 0,1 0,05 0,09 0,2 ... 0,3 0,25 0,08 0,16 0,4 ... 0,6 0,5 0,11 0,26 0,7 ... 1,0 0,85 0,14 0,43 1,1 ... 1,5 1,3 0,17 0,70 1,6 ... 2,0 1,8 0,21 0,93 2,1 ... 2,5 2,3 0,21 1,35 2,6 ... 3,0 2,8 0,24 1,70 3,1 ... 4,0 3,55 0,26 1,53 4,1 ... 5,0 4,55 0,25 1,94 5,1 ... 7,0 6,05 0,33 2,13 7,1 ... 10,0 8,55 0,33 2,80 10,1 ... 15,0 12,55 0,43 2,23 15,1 ... 20,0 17,55 0,47 6,35 20,1 ... 30,0 25,05 0,64 - 30,1 ... 50,0 40,05 0,78 - >= 50,1 - 1,93 -

Tabelle 1.8: Gemessener und prognostizierter Niederschlag, Sektion S1, Tageswerte, hydrologische Sommer- und Winterperioden

Hydrolog. Sommer

Ober-weiß- bach

Schmü-cke

Groß-brei-

tenbach

Gehren Frauen- wald

Gehl-berg

Grä-fenroda

Suhl

RR gemessen [mm] 2.905 4.216 3.310 3.081 3.862 3.860 2.610 3.784

LM-Vorhersage [mm] 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

Hydrolog. Winter

Ober-weiß- bach

Schmü-cke

Groß-brei-

tenbach

Gehren Frauen-wald

Gehl-berg

Grä-fenroda

Suhl

RR gemessen [mm] 2.939 6.742 5.135 4.207 5.676 6.244 3.116 5.619

LM-Vorhersage [mm] 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

Tabelle 1.9: Mittlere quadratische Abstände mqA [mm], Tageswerte, Sektionen S1-S4, hydrologische Sommer- und Winterperioden

Oberweiß-bach

Schmücke Großbrei-tenbach

Gehren Frauen-wald

Gehl-berg

Gräfen-roda

Suhl

mqA S1 hyd. So 4,78 5,37 5,00 4,64 5,03 5,41 4,13 4,88

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

237

Tabelle 1.10: Gemessener und prognostizierter Niederschlag, Sektion S1, Stundenwerte, hydrologische Sommer- und Winterperioden

Hydrolog. Sommer Heßberg Sonneberg Oberweißbach Schmücke Neuhaus am Rennweg

RR gemessen [mm] 2.768 3.250 2.906 4.212 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

mqA 0,67 0,62 0,63 0,71 0,65

Hydrolog. Winter Heßberg Sonneberg Oberweißbach Schmücke Neuhaus am Rennweg

RR gemessen [mm] 2.713 4.437 2.940 6.746 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

mqA 0,46 0,49 0,50 0,70 0,52

Tabelle 1.11: Mittlere quadratische Abstände mqA [mm], Stundenwerte, Sektionen S1-S4, hydrologische Sommer- und Winterperioden

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 Ober-weißb.


Geh-ren

Frau-enwald

Gehl-berg

Gräfen-roda

Suhl

RR mess [mm] 2.905 4.216 3.310 3.081 3.862 3.860 2.610 3.784

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

Hydrol. Winter Ober-weißb.


Geh-ren

Frau-enwald

Gehl-berg

Gräfen-roda

Suhl

RR mess [mm] 2.939 6.742 5.135 4.207 5.676 6.244 3.116 5.619

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


Tabelle 1.13: Gemessene Werte, unkorrigierte und korrigierte Prognosewerte, Sektion S1,Stundenwerte, hydrologische Sommer- und Winterperioden

Hydrol. Sommer Oberweißbach Schmücke Heßberg Neuhaus am Rennweg

Sonneberg

RR mess [mm] 2.906 4.212 2.768 3.462 3.250

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

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 Neuhaus am Rennweg

Sonneberg

RR mess [mm] 2.940 6.746 2.713 4.676 4.437

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

Kapitel 4

Tabelle 1.14: Schwellwerte S und HRU-Dichten ρHRU der generierten Aggregationsniveaus nach Varian-ten (Teil 1)

Variante Schwellwert S [ha] HRU-Dichte [HRU/km²] nicht iterativ 0,1875 83,80

0,625 34,64

2,500 7,11

5,000 2,52

10,000 0,90

19,000 0,63

iterativ step 10 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] HRU-Dichte [HRU/km²] 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 Ag-gregationsvarianten

nicht iterativ iterativ step 10 iterativ step 1 a 33,90838 81,83141 41,05506 b -0,36055 -1,47624 -0,18330 c -1,50442 -1,15722 -0,89065 Standardabweichung 0,20 0,14 0,39 Korrelationskoeffizient 0,99 0,99 0,99

Tabelle 1.16: Ermittelte Modelleffizienzen E2, logE2, r², DSgrad als Funktion der HRU-Dichte ρHRU HRU-Dichte E2 logE2 r² DSgrad [HRU/km²] [-] [-] [-] [-]

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“

E2 logE2 r² DSgrad a 0,7493156 0,62164684 0,80825621 0,92815012 b 0,096667626 0,74558711 0,36684454 0,095896996 c 0,084107967 0,82857008 0,40273007 0,084244876 d 0,00090607732 0,0014095957 0,00043072845 0,00064850191 Standardabweichung 0,020 0,001 0,004 0,014 Korrelationskoeffizient 0,99 0,99 0,99 0,99


Tabelle 1.18: Informationswerte I(HRU) der Gebietsparameter Hangneigung, Böden, Landnutzung in Ab-hängigkeit von der HRU-Dichte ρHRU

HRU-Dichte Hangneigung Böden Landnutzung [HRU/km²] I(HRU) [bit/pix] I(HRU) [bit/pix] I(HRU) [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 und statistische Parameter der logarithmischen Funktionen I(HRU)=f(ρHRU)

Hangneigung Böden Landnutzung m 1,2 0,3937 0,2544 u 0,028 4,3531 17.985,2004 v -5,31 -5,3149 -6,8716 Standardabweichung 0,997 0,088 0,058 Korrelationskoeffizient 0,038 0,978 0,977

Tabelle 1.20: Anteile der klassifizierten Landnutzungsarten an der Gesamtfläche des FEG’s Schwarza Landnutzungsklasse Fläche [km²] Anteil am FEG [% Siedlung dicht 9,3 6,1 Siedlung locker 3,2 2,1 Grünland 33,1 21,9 Nadelwald 96,5 63,6 Laubwald 5,6 3,7 Ackerland 3,3 2,2 Strauchvegetation 0,4 0,3 Wasser 0,2 0,1 offene Flächen 0,02 0,01

Tabelle 1.21: HRU-Anzahl und HRU-Dichte ρHRU der durch Verschneidung und Rasterbildung erzeugten HRU-Aggregationsniveaus (Teil 1)

Verschneidung Rasterbildung

HRU HRU-Dichte [HRU/km²] HRU HRU-Dichte [HRU/km²]

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)


HRU HRU-Dichte [HRU/km²] HRU HRU-Dichte [HRU/km²]

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 Ras-terbildung


Hru-Dichte [HRU/km²]

E2 [-]

logE2 [-]

r² [-]

Hru-Dichte [HRU/km²]

E2 [-]

logE2 [-]

r² [-]

2,57 0,76 0,78 0,79 1,26 0,63 0,60 0,76

4,93 0,80 0,80 0,81 2,13 0,74 0,77 0,78

5,74 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"

E2 logE2 r² a -9.997.343,3 0,61445 -89,06558 b 39.193.282 1,00182 546,01227 c 46.115.674 1,20215 645,95827 d 87.601,1 0,00077 1,04060 Standardabweichung 0,0037 0,0016 0,0023 Korrelationskoeffizient 0,993 0,992 0,997

Tabelle 1.25: Funktionsparameter und statistische Parameter der analytisch bestimmten rationalen Funktionen der Variante "Rasterbildung"

E2 logE2 r² a -3.254.975.400 -15.716.838.000 0,67777 b 9.996.074.100 45.226.815.000 0,59569 c 11.578.887.000 52.372.205.000 0,69609 d 31.828.896 69.663.890 0,00154 Standardabweichung 0,0082 0,0186 0,0040 Korrelationskoeffizient 0,992 0,964 0,995


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

a_snow 0,102 4.543 Schneemodul

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

ccf_factor 0,0012 0,015 Bodenmodul

soilMaxDPS 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

soilOutLPS 1,8 12,0

soilLatVertLPS 3,7 1,5

soilMaxPerc 2,48 0.14

soilConcRD1 1,19 12.37

soilConcRD2 2,19 2.64 Grundwassermodul

gwRG1RG2dist 0,44 0,0016

gwRG1Fact 2,2 30,0

gwRG2Fact 1,9 40,0

gwCapRise 0,0 0,0 ReachRouting

flowRouteTA 1,35 1,0

243

2 Anhang D – Formeln

Kapitel 5 (F 1.1)

⎟⎠

⎞⎜⎝

⎛ +−⎟⎠

⎞⎜⎝

⎛+⎟⎠

⎞⎜⎝

⎛+⎟⎠

⎞⎜⎝

⎛

⎟⎠

⎞⎜⎝

⎛ +−⎟⎠

⎞⎜⎝

⎛++−⎟⎠

⎞⎜⎝

⎛

=

∑∑∑∑∑∑∑∑

∑∑∑∑∑∑∑∑∑∑∑∑∑∑∑

========

===============

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

iii

n

ii

n

ii

n

ii

n

ii

n

iii

n

ii

n

ii

n

iii

n

ii

n

iii

n

ii

n

ii

xnxxxxxxnx

yxyxxxyxyxxxxyxxyxxa

1

4

1

3

11

2

1

42

1

2

1

33

1

2

11

4

11

3

1

2

1

2

1

3

11

4

11

3

1

2

11

22

1

2

2

(F 1.2)

⎟⎠

⎞⎜⎝

⎛ +−⎟⎠

⎞⎜⎝

⎛+⎟⎠

⎞⎜⎝

⎛+⎟⎠

⎞⎜⎝

⎛

+−−⎟⎠

⎞⎜⎝

⎛++−=

∑∑∑∑∑∑∑∑

∑ ∑ ∑ ∑∑∑∑∑∑∑∑∑∑∑∑

========

= = = ============

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

i

n

i

n

i

n

iiii

n

ii

n

ii

n

ii

n

iiii

n

iii

n

ii

n

iii

n

iii

n

ii

n

ii

n

ii

xnxxxxxxnx

yxxyxxyxxnyxxxyxnyxxxb

1

4

1

3

11

2

1

42

1

2

1

33

1

2

1 1 1 1

4

11

3

1

2

1

4

1

2

1

2

1

3

1

2

1

2

1

2

1

2

(F 1.3)

⎟⎠

⎞⎜⎝

⎛+−⎟

⎠

⎞⎜⎝

⎛+⎟

⎠

⎞⎜⎝

⎛+⎟

⎠

⎞⎜⎝

⎛

⎟⎠

⎞⎜⎝

⎛ +−⎟⎠

⎞⎜⎝

⎛++−⎟⎠

⎞⎜⎝

⎛

=

∑∑∑∑∑∑∑∑

∑ ∑∑∑∑∑∑∑∑∑∑∑∑

========

= ============

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

ii

n

i

n

ii

n

ii

n

iii

n

ii

n

ii

n

ii

n

ii

n

iii

n

iii

n

iiii

n

ii

n

ii

xnxxxxxxnx

yxyxxxyxyxxnyxxnyxxc

1

4

1

3

11

2

1

42

1

2

1

33

1

2

1 11

3

11

2

11

2

1

2

11

3

1

22

1

22

1

2

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

Documents

Optimierungsmethoden zur HRU-basierten N/A- Modellierung ... · Optimierungsmethoden zur HRU-basierten N/A- Modellierung für eine operationelle Hochwasservorhersage auf Basis prognostischer