Maschinelles Lernen zur Rekonstruktion historischer täglicher und monatlicher Abflüsse für die Großen Seen

Warum vergangene Flussabflüsse heute wichtig sind

Die Großen Seen enthalten fast ein Fünftel des weltweiten Süßwassers an der Oberfläche und liefern Millionen Menschen Trinkwasser, Transportwege, Energie und Möglichkeiten zur Erholung. Die Flüsse, die diese Seen speisen, wurden jedoch nicht immer sorgfältig gemessen. Viele Pegelstationen wurden stillgelegt oder weisen Lücken in ihren Aufzeichnungen auf, sodass es schwer ist zu wissen, wie viel Wasser in den vergangenen Jahrzehnten tatsächlich in die Seen geflossen ist. Diese Studie stellt eine neue Methode vor, mit der sich mehr als 60 Jahre täglicher Flussabflüsse in die Großen Seen digital „wieder abspielen“ lassen. Das verschafft Gemeinden und Planern ein deutlich klareres Bild vergangener Feucht- und Trockenperioden und hilft ihnen, sich auf künftige Klima- und Wasserstandsänderungen vorzubereiten.

Die fehlenden Teile ergänzen

Pegelstationen sind die grundlegenden Instrumente zur Messung der Wassermenge, die ein Fluss führt. In ganz Nordamerika wurden viele davon stillgelegt oder weisen lückenhafte Aufzeichnungen auf, etwa durch Geräteausfälle oder Budgetkürzungen. Traditionelle Methoden zur Lückenschließung konzentrieren sich oft auf einzelne Flüsse oder verwenden globale Computermodelle, die zu grob sind, um lokale Details abzubilden. Sie tun sich schwer, die täglichen Schwankungen im Abfluss nachzuzeichnen, die für das Verständnis von Überschwemmungen, Dürren und dem Wasserkreislauf in lokalen Systemen entscheidend sind. Das Einzugsgebiet der Großen Seen erschwert die Aufgabe zusätzlich: Fast ein Drittel der Fläche hat gar keine Pegel, das Gebiet liegt an der Grenze zwischen den USA und Kanada und umfasst ein Mosaik aus unterschiedlichen Klimazonen, Böden, Städten, landwirtschaftlichen Flächen, Wäldern und Feuchtgebieten.

Einem neuronalen Netz das Lesen von Flüssen beibringen

Die Autoren wenden eine Form künstlicher Intelligenz an, ein Long Short-Term Memory (LSTM)-Netzwerk, eine spezielle Art neuronaler Netze, die darauf ausgelegt ist, zeitlich verlaufende Muster zu erlernen. Sie trainieren getrennte LSTM-Modelle für vier historische Zeitabschnitte zwischen 1950 und 2013, damit langsame Veränderungen im Klima, in der Landnutzung und im menschlichen Wasserhaushalt besser erfasst werden. Jedes Modell wird mit drei Arten von Informationen für Hunderte von Einzugsgebieten in der Region der Großen Seen gefüttert: tägliche Wetterdaten (Niederschlag und Temperatur), feste physikalische Eigenschaften jedes Einzugsgebiets (wie Höhenlage, Hangneigung, Böden und Landbedeckung) und — entscheidend — Abflussmessungen benachbarter „Spender“-Pegel, die sich ähnlich verhalten. Ein begleitendes Machine-Learning-Werkzeug lernt zunächst, welche Pegel tendenziell zusammen steigen und fallen, und wählt dann die besten Spender für jede Zielstation aus. Dieses Setup ermöglicht es dem Netz, zu lernen, wie Regen und Schneeschmelze in Abfluss umgesetzt werden, und zwar über eine große Bandbreite von Landschaftstypen hinweg.

Von einzelnen Flüssen zu den gesamten Seen

Einmal trainiert, wird das leistungsfähigste Modell (das sowohl Klima- als auch Spenderpegel-Informationen nutzt) verwendet, um vollständige tägliche Abflussreihen von 1951–2013 für 656 peggete Standorte zu erzeugen. Das Team geht noch einen Schritt weiter: dasselbe Modell wird auf 128 Ufer-Einzugsgebiete angewendet, die direkt in die fünf Großen Seen — Superior, Michigan-Huron, St. Clair, Erie und Ontario — entwässern. Für jedes dieser Einzugsgebiete schätzt das Modell Abflüsse in ungepegten Bereichen und mischt sie mit verfügbaren Messungen aus inneren Pegeln. Diese täglichen Werte werden anschließend aufsummiert, um monatliche Gesamtabflüsse in jeden See zu erhalten.

Die digitalen Flüsse mit der Realität abgleichen

Die Forschenden prüfen sorgfältig, wie gut ihr Modell an bereits bekannten Standorten sowie an solchen funktioniert, die niemals zum Training verwendet wurden. Über Jahrzehnte reproduziert das Modell die täglichen Abflüsse genauer als eine einfachere Version, die nur Klima- und Beckenmerkmale berücksichtigt, insbesondere wenn es auf nahegelegene Spenderpegel zurückgreifen kann. Es ist besonders erfolgreich beim „Ausfüllen“ von Lücken in teilweisen Pegelaufzeichnungen, bleibt aber auch in völlig ungepegten Becken konkurrenzfähig. Vergleicht das Team ihre rekonstruierten monatlichen Zuflüsse in die Seen mit mehreren bestehenden Produkten, die von Behörden genutzt werden, zeigt sich in den jüngeren Jahrzehnten eine starke Übereinstimmung und in vielen Fällen deutlich ausgeprägtere Spitzenabflüsse, insbesondere im Vergleich zu Modellen, die ausschließlich auf Niederschlag–Abfluss-Gleichungen beruhen.

Was das für die Wasserstände der Großen Seen bedeutet

Der neue Datensatz bietet eine der detailliertesten und am längsten laufenden Darstellungen davon, wie Wasser in den letzten sechs Jahrzehnten vom Land in die Großen Seen geflossen ist. Für Wasserverwalter bedeutet das bessere Eingabedaten für Wasserbilanzmodelle der Seen, präzisere Schätzungen vergangener Überschwemmungen und Dürren sowie mehr Sicherheit bei der Planung unsicherer künftiger Wasserstände unter einem sich wandelnden Klima. Da die Methode auf langfristigen Wetterdaten und bestehenden Pegelnetzen beruht — und nicht auf vergleichsweise jüngeren Satellitendaten — lässt sie sich sowohl rückwärts als auch auf andere Regionen der Welt ausweiten, die ähnliche Überwachungs­lücken aufweisen. Kurz gesagt: Diese Arbeit liefert einen wirkungsvollen „Zurückspulknopf“ für Flussabflüsse und hilft Gemeinschaften zu verstehen, woher das Wasser der Großen Seen in der Vergangenheit gekommen ist, damit sie es in den kommenden Jahren klüger bewirtschaften können.

Zitation: Gupta, R.S., Wi, S. & Steinschneider, S. Machine Learning-Based Reconstructions of Historical Daily and Monthly Runoff for the Laurentian Great Lakes. Sci Data 13, 624 (2026). https://doi.org/10.1038/s41597-026-07000-0

Schlüsselwörter: Abfluss der Großen Seen, Rekonstruktion von Abflüssen, maschinelles Lernen in der Hydrologie, Schwankungen des Wasserstandes, Auswirkungen des Klimawandels