Metaheuristic-verstärktes Deep Learning zur monatlichen Verdunstungsprognose unter begrenzten Klimadaten

Warum das Verschwinden von Wasser für den Alltag wichtig ist

Wasser verschwindet jeden Tag aus Seen, Stauseen und Landwirtschaftsteichen durch Verdunstung und beeinflusst still und leise, wie viel Wasser zum Trinken, zur Nahrungsmittelproduktion und zum Schutz von Ökosystemen übrig bleibt. Diese Verluste zu messen und vorherzusagen klingt einfach – man beobachtet, wie Wasser aus einer Wanne verschwindet – ist in der Praxis aber schwierig, insbesondere an Orten mit wenigen Wetterinstrumenten. Diese Studie untersucht, wie modernes Deep Learning, gesteuert von naturinspirierten Suchstrategien, die monatliche Panverdunstung mit nur einer Handvoll grundlegender Klimamessungen vorhersagen kann und so Gemeinden hilft, Dürre, Überschwemmungen und wechselnde Jahreszeiten besser zu planen, selbst wenn Daten knapp sind.

Wasser beobachten, das aus einer Metallwanne verschwindet

Ingenieure und Hydrologen verwenden häufig die „Panverdunstung“ als praktisches Maß, um abzuschätzen, wie schnell Wasser von offenen Flächen verloren geht. Eine flache Metallwanne mit Wasser steht stellvertretend für Seen, Kanäle und Stauseen. Diese Messungen sind jedoch anfällig für Gerätefehler, Wartungsprobleme und Lücken in den Aufzeichnungen. Indirekte Formeln, die Verdunstung mit Klimavariablen wie Temperatur und Sonneneinstrahlung verknüpfen, haben ebenfalls Probleme, wenn wichtige Daten fehlen. Da Verdunstung komplex und nichtlinear auf Wetter- und Landschaftsbedingungen reagiert, können traditionelle Ansätze den Wasserverlust falsch einschätzen – besonders in Regionen, in denen nur wenige grundlegende Klimavariablen verfügbar sind.

Ein speicherbasiertes Modell das Wetter lehren

Die Autoren bauen auf einem Typ von Deep-Learning-Netzwerk auf, das Long Short-Term Memory (LSTM) heißt und dafür entwickelt wurde, Muster in zeitlich geordneten Daten zu erlernen. LSTMs verhalten sich wie eine Reihe verbundener „Speicherzellen“, die entscheiden, was behalten, vergessen und weitergegeben wird, weshalb sie gut geeignet sind, sich Monat für Monat ändernde Klimabedingungen zu verfolgen. In dieser Studie verwenden die Modelle nur eine kleine Eingangsmenge: minimale und maximale Lufttemperatur sowie ein Maß für einfallende Sonnenenergie. Ziel ist es, zu prognostizieren, wie viel Wasser jeden Monat über viele Jahre aus einer Wanne verdunstet, und dabei zuverlässig zu bleiben, selbst wenn die Eingabedaten begrenzt oder unvollständig sind.

Protozoen und Käfer die Suche leiten lassen

Das Training eines LSTM erfordert die Auswahl vieler interner Einstellungen – etwa Lernrate, Anzahl verborgener Einheiten und Dropout-Rate –, die seine Genauigkeit stark beeinflussen. Statt diese per Trial-and-Error zu justieren, ziehen die Forschenden zwei neue, bio-inspirierte „metaheuristische“ Optimierer heran: den Artificial Protozoa Optimizer (APO) und den Dung Beetle Optimizer (DBO). Diese Algorithmen ahmen nach, wie mikroskopische Protozoen nach Nahrung suchen, ruhen und sich vermehren, und wie Mistkäfer rollen, sich neu orientieren, stehlen und mit ihren Futterbällen nisten. Mathematisch übersetzt ergeben diese Verhaltensweisen flexible Suchstrategien, die zunächst weit streifen und sich dann auf vielversprechende Bereiche des Parameterraums konzentrieren. Durch die Kopplung von APO und DBO an das LSTM entstehen zwei Hybridmodelle – LSTM-APO und LSTM-DBO –, die automatisch nach Hyperparameter-Kombinationen suchen, die die verlässlichsten Verdunstungsprognosen liefern.

Die Modelle in einer monsungeprägten Landschaft testen

Das Team bewertet diese Methoden anhand von 40 Jahren Daten von zwei meteorologischen Stationen in Südostchina, einer Monsunregion mit Seen, Reisfeldern sowie häufigen Überschwemmungen und Dürren. Sie simulieren bewusst reale Einschränkungen, indem sie mehrere Datenaufteilungsstrategien testen, bei denen zwischen 70 und 80 Prozent der Aufzeichnungen für das Training und der Rest für Tests verwendet wird. Außerdem untersuchen sie verschiedene Eingangskombinationen – nur Temperatur oder Temperatur plus Strahlung – um zu sehen, mit wie wenigen Informationen die Modelle noch gut arbeiten können. Die Leistung wird anhand gängiger statistischer Fehler- und Anpassungsmaße bewertet sowie durch visuelle Prüfungen wie Streudiagramme, Taylor-Diagramme und Violinplots, die beobachtete und prognostizierte Verdunstungsmuster vergleichen.

Scharfere Prognosen durch naturinspirierte Abstimmung

Über beide Stationen und alle Datenaufteilungs-Schemata hinweg übertrafen die mit APO und DBO erweiterten Netze konsistent das Standard-LSTM und frühere Hybride, die etabliertere Optimierer nutzten. Im besten Fall für die erste Station reduzierte das LSTM-APO-Modell wichtige Fehlermetriken um nahezu die Hälfte und verbesserte die Übereinstimmung zwischen beobachteter und vorhergesagter Verdunstung deutlich. An der zweiten Station senkte es die Fehler erneut um etwa 40 Prozent und steigerte Maßzahlen der Vorhersagegüte. Auch LSTM-DBO erzielte beträchtliche Verbesserungen – typischerweise Fehlerreduktionen um 20 bis 30 Prozent – und lieferte stabilere Vorhersagen zwischen verschiedenen Testkonfigurationen. Eine wichtige praktische Erkenntnis ist, dass mehr Eingaben nicht immer besser sind: In vielen Fällen übertrafen einfache Kombinationen aus Minimal- und Maximaltemperatur Modelle, die zusätzlich idealisierte Strahlung verwendeten. Das unterstreicht, dass sorgfältig ausgewählte, weit verbreitete Variablen ausreichen können, wenn sie mit einem gut abgestimmten tiefen Netzwerk kombiniert werden.

Was das für die Wasserversorgung in einer sich wandelnden Welt bedeutet

Für Nicht-Spezialisten ist die Botschaft klar: Durch die Kombination eines zeitbewussten neuronalen Netzes mit intelligenten, biologisch inspirierten Suchroutinen ist es möglich, vorherzusagen, wie schnell Wasser von offenen Flächen verdunstet, und zwar mit nur wenigen Klimainformationen. Die LSTM-APO- und LSTM-DBO-Modelle verändern nicht die physikalischen Grundlagen der Verdunstung, aber sie lernen ihr typisches Verhalten in einer Region genauer als frühere Werkzeuge, selbst wenn Daten begrenzt sind. Das kann bessere Entscheidungen über Stauseebetrieb, Bewässerungsplanung und Dürrevorsorge in datenarmen Regionen unterstützen. Die Autoren schlagen vor, die Hybride künftig in Echtzeitumgebungen und über ein breiteres Klimaspektrum zu testen und zusätzliche Wetterdetails wie Wind und Feuchte einzubeziehen. Dennoch zeigen die aktuellen Ergebnisse bereits, dass „Protozoen“ und „Mistkäfer“ im Code helfen können, sehr reale Wasserressourcen vor Ort zu schützen.

Zitation: Kisi, O., Adnan, R.M., Zounemat-Kermani, M. et al. Metaheuristic-enhanced deep learning for monthly pan evaporation prediction under limited climatic data. Sci Rep 16, 14039 (2026). https://doi.org/10.1038/s41598-026-51071-3

Schlüsselwörter: Panverdunstung, Deep Learning, metaheuristische Optimierung, Wasserressourcen, Klimadaten