Darstellung und Analyse hydrologischer Topologien auf der Basis ...

14 Einführung
1.2.4 Künstliche neuronale Netze
Künstliche neuronale Netze sind mathematische Modelle, deren Aufbau und Funktionsweise an das
Nervensystem von Säugetieren angelehnt sind. Ähnlich wie ihr biologisches Vorbild sind sie in der
Lage, ihre Struktur mit Hilfe von Lernverfahren anzupassen, um auf bestimmte externe Eingaben mit
festgelegten Ausgaben zu reagieren. Neben der Fähigkeit zu Lernen besitzen neuronale Netze weitere
Eigenschaften, die für die Lösung realweltlicher Probleme von großem Interesse sind. Dazu zählt ihre
Robustheit bei der Verarbeitung fehlerbehafteter Daten ebenso wie die Tatsache, dass sich neuronale
Netze aufgrund ihres Aufbaus hervorragend zur Parallelverarbeitung auf entsprechender Hardware
eignen (Gallant 1993).
Das Konzept neuronaler Netze wurde bereits in den 50er Jahren von McCulloch und Pitts (1943) entwickelt.
Die anschließende Entwicklung dieser Netze kann in drei Phasen unterteilt werden. Die erste
Phase beinhaltete vorbereitende Arbeiten an der Entwicklung des künstlichen Neurons, bis Minsky
und Papert (1969) einige limitierende Faktoren bezüglich der Fähigkeiten solcher Modelle ermittelten.
Das Interesse an neuronalen Netzen ließ infolge dieser Einschränkungen zunächst nach, bis etwa
ein Jahrzehnt später die zweite Phase durch die Arbeiten von Rumelhart u. a. (1986) eingeleitet wurde.
Diese entwickelten mit dem Backpropagation-Verfahren eines der wichtigsten Lernverfahren zur
Anpassung der Parameter neuronaler Netze. Damit war die zielgerichtete Konfiguration neuronaler
Netze und somit ihre Anwendung für eine Vielzahl von Problemstellungen möglich geworden (Dawson
und Wilby 2001). Die dritte Phase der Entwicklung neuronaler Netze, die etwa mit dem Beginn
der 90er Jahre eingeleitet wurde, ist durch ihre Validierung und Implementierung sowie durch die
Kombination mit anderen Technologien gekennzeichnet (See und Openshaw 1999).
Seit dem Anfang der 90er Jahre werden neuronale Netze auch zunehmend zur Darstellung hydrologischer
Prozesse eingesetzt (Dawson und Wilby 2001), etwa zur Abbildung der Abflussdynamik eines
Einzugsgebietes in Abhängigkeit von Niederschlag und anderen klimatischen Faktoren. Im überwiegenden
Teil der Anwendungsfälle können sie dabei den empirischen Black-Box-Modellen zugeordnet
werden, da sie zwar nach der Anpassung ihrer Parameter durch Anwendung von Lernverfahren die beobachteten
Beziehungen zwischen Ein- und Ausgabe wiedergeben können, jedoch die dabei zugrunde
liegenden Mechanismen keinerlei Bezug zu den in der Realität verantwortlichen Prozessen aufweisen.
Mit ihrer Hilfe lassen sich daher hydrologische Prozesse auf Einzugsgebietsebene modellieren, ohne
dass ein tiefgreifendes Verständnis der zugrunde liegenden physikalischen Zusammenhänge vorliegt,
die die betrachteten Beziehungen abbilden. Ihre Fähigkeit, unvollständige oder mehrdeutige Daten zu
verarbeiten und beliebig komplexe, auch zeitlich dynamische Input/Output-Beziehungen darzustellen,
machen neuronale Netze zu einem sehr populären Modellierungswerkzeug (Maier und Dandy 1996).
Zudem ist ihre Implementierung und Anwendung in den meisten Fällen mit geringerem Aufwand verbunden
als der Einsatz herkömmlicher physikalischer oder konzeptioneller Modelle. Sie sind jedoch
im Gegenzug aufgrund ihrer internen Interpretation der dargestellten Beziehungen nicht geeignet,
einen Beitrag zum Erkenntnisgewinn über das hydrologische Prozessgeschehen zu leisten.
Obwohl neuronale Netze erst seit gut einem Jahrzehnt Anwendung in der hydrologischen Modellierung
finden, konnten sie bereits für eine Reihe von Fragestellungen erfolgreich eingesetzt werden.
Hauptsächlich wurden neuronale Netze hierbei zur Modellierung der Beziehung zwischen Nieder-