KI und die schwierigen Probleme der Welt · Erd- & Klimawissenschaften · arXiv · 2026-10-21
Erlernen der Hydrodynamik globaler Flusssysteme mit einem topologieinformierten Foundation-Modell
Originaltitel: Learning global river system hydrodynamics with a topology-informed foundation model
Genaue Flussvorhersagen sind für Wasser-, Ernährungs- und Energiesicherheit unerlässlich, doch sie zuverlässig von spärlichen In-situ-Pegelstationen auf das gesamte Flussnetz auszuweiten, bleibt eine offene Herausforderung. GraphRiverCast (GRC) ist ein topologieinformiertes Fluss-Foundation-Modell, das die Konnektivität und Energetik von Flüssen nutzt, auf spärlichen Pegeldaten trainiert und täglich multivariate Hydrodynamik auf Abschnittsebene für das globale Flussnetz vorhersagt – ganz ohne vorherige Flusszustände – und dabei leistungsstarke physikbasierte und Machine-Learning-Modelle übertrifft. Da es Flusszustände aus Topologie und Forcing rekonstruiert, statt auf zeitlicher Rekurrenz zu beruhen, lässt seine Vorhersagekraft mit der Vorlaufzeit kaum nach, selbst weit über den Trainingshorizont hinaus; zudem generalisiert es auf nicht vermessene Flussabschnitte und Netze mit feinerer Auflösung und bringt so zuverlässige hydrodynamische Vorhersagen in schlecht überwachte Regionen.