Lernen oder Kalibrieren? Potenziale und Grenzen datengetriebener und konzeptioneller hydrologischer Modelle im deutschlandweiten Vergleich = To Learn or to calibrate? Potentials and limitations of data-driven and conceptual hydrological models in a Germany-wide comparison

Diese Studie untersucht die Leistungsfähigkeit regional trainierter datengetriebener „Long Short-Term Memory (LSTM)“-Netzwerke im Vergleich zu einzugsgebietsweise kalibrierten konzeptionellen HBV-Modellen (Hydrologiska Byråns Vattenbalansavdelning) zur Niederschlag-Abfluss-Simulation in Deutschland. Grundlage bildet der deutschlandweite CAMELS-DE-Datensatz (Catchment Attributes and MEteorology for Large-sample Studies-DEutschland), der hydrometeorologische Zeitreihen und Einzugsgebietseigenschaften für 1.314 ausgewählte Einzugsgebiete bereitstellt. Das LSTM-Ensemble erreicht einen Median-Nash-Sutcliffe-Effizienzwert (NSE) von 0,86 und übertrifft damit das HBV-Modell mit seinem Median-NSE von 0,72 in über 99 % der Einzugsgebiete. ... mehrBeide Modelle unterschätzen Hochwasserscheitel, wobei das LSTM-Modell hierbei geringere Fehler und eine bessere zeitliche Genauigkeit erzielt. Besonders in großen, topographisch heterogenen und niederschlagsreichen Einzugsgebieten erreicht das LSTM-Modell hohe Simulationsgüten.
In unbeobachteten Einzugsgebieten erzielt das LSTM-Modell durch regionales Training einen Median-NSE von 0,69. Bereits geringe Mengen an Trainingsdaten verbessern die Modellgüte deutlich, mit einem Anstieg des Median-NSE auf 0,81. Aufgrund seiner massenerhaltenden Struktur reagiert das HBV-Modell empfindlicher auf erhebliche Massenbilanzfehler in den Eingangsdaten als das LSTM-Modell. Der systematische Vergleich der beiden Ansätze ermöglicht es, Einzugsgebiete mit problematischer Datenqualität besser zu identifizieren. Die Ergebnisse zeigen, dass sowohl konzeptionelle Modelle, aufgrund ihrer hohen Interpretierbarkeit, Extrapolationsfähigkeit und bewährten Anwendungspraxis, als auch datengetriebene LSTM-Modelle, dank ihrer überlegenen Simulationsgüte und Anwendbarkeit, in unbeobachteten Einzugsgebieten jeweils spezifische Stärken aufweisen und sich daher in der Niederschlag-Abfluss-Simulation optimal ergänzen können.

This study examines the performance of regionally trained data-driven Long Short-Term Memory (LSTM) networks in comparison to catchment-calibrated conceptual HBV models for rainfall-runoff simulation in Germany. It is based on the Germany-wide CAMELS-DE dataset, which provides hydrometeorological time series and catchment area characteristics for 1,314 selected catchments. The LSTM ensemble achieves a median Nash-Sutcliffe efficiency (NSE) of 0.86, outperforming the HBV model with its median NSE of 0.72 in over 99 % of the catchments. Both models underestimate flood peaks, with the LSTM simulations exhibiting smaller errors and better temporal accuracy. ... mehrThe LSTM achieves high simulation quality, especially in large, topographically heterogeneous, and precipitation-rich catchments. In ungauged catchments, the LSTM model achieves a median NSE of 0.69 through regional training. Even small amounts of training data significantly improve the simulation quality; the median NSE increases to 0.81. Due to its mass-conserving structure, the HBV model is more sensitive to significant mass balance errors in the input data than the LSTM model. A systematic comparison of the two approaches makes it possible to better identify catchments with problematic data quality. The results show that conceptual models like HBV, due to their high interpretability, extrapolation capability and proven practical application, as well as data-driven LSTM models, due to their superior simulation quality and applicability in ungauged basins, have specific strengths and can therefore complement each other optimally in rainfall-runoff simulation.