Inno_MAUS

Innovative Instrumente zum Management des urbanen Starkregenrisikos

Inno_MAUS ist ein vom Bundesministerium für Bildung und Forschung (BMBF) gefördertes Verbundprojekt innerhalb der BMBF-Fördermaßnahme Wasser-Extremereignisse. Neben der TUM sind sowohl die Universität Potsdam mit dem Lehrstuhl für Hydrologie und Klimatologie und dem Lehrstuhl für Geographie und Naturrisikenforschung als auch die Unternehmen KISTERS AG und Orbica UG beteiligt. Als assoziierte Partner bringen sich das LfU Bayern, die Stadt Würzburg, die Berliner Wasserbetriebe und die Senatsverwaltung für Umwelt, Verkehr und Klimaschutz Berlin ein.

Das Gesamtziel von „Inno_MAUS“ ist die zielgerichtete Weiterentwicklung, Bereitstellung und Integration innovativer digitaler Instrumente zum Management urbaner Starkregenrisiken. Diese sollen zur Frühwarnung und für Vorsorge und Planung einsetzbar sein. Es ist in fünf Teilziele untergliedert:

  1. Transparente und offene digitale Schnittstellen realisieren und dadurch Integration der Komponenten des Starkregenrisikomanagements ermöglichen

  2. Konvektive Extremniederschläge zuverlässiger quantifizieren und vorhersagen

  3. Urbane Abflussbildung und Potenziale urbaner Wasserretention skalenspezifisch quantifizieren

  4. Abflussdynamik durch Verfahren der künstlichen Intelligenz effizient simulieren

  5. Starkregenspezifische Schäden an Gebäuden und Infrastruktur abschätzen

Ziele und Aufgaben der TUM

Gemeinsam mit dem Lehrstuhl für Datenwissenschaft in der Erdbeobachtung arbeitet der Lehrstuhl für Wasserbau und Wasserwirtschaft an der Umsetzung des Teilzieles "Abflussdynamik durch Verfahren der künstlichen Intelligenz effizient simulieren". Hierbei ist es die Aufgabe der TUM im ersten Schritt 2D-hydrodynamische Modelle in den Teststädten Berlin und Würzburg zu erstellen und verschiedene Szenarien von Starkregenereignissen zu simulieren. Im nächsten Schritt soll dann der simulierte Datenschatz dazu genutzt werden ein Neuronales Netzwerk zu trainieren, welches die Abflussdynamik im urbanen Raum abbilden kann. Dies hat den Vorteil, dass die langen Rechenzeiten von hydrodynamischen Modellen in der übergreifenden Prozesskette vermieden werden können und das Neuronale Netzwerk zum Nowcasting in der Hochwasserwarnung eingesetzt werden kann.

 

Ansprechpartner am Lehrstuhl für Wasserbau und Wasserwirtschaft

Koordinator des Teilprojektes:

Dr. Markus Reisenbüchler

Projektbearbeiter:

Frederik De Vos