Einsatz automatisierter Prozessierungsverfahren zur Verbesserung der Qualität hydrologischer Messdaten

Der Klimawandel stellt die Entwässerungsinfrastruktur der ostfriesischen Halbinsel vor zunehmende Herausforderungen. Für die Entwicklung zuverlässiger hydrologischer Modelle ist die Qualität der Messdaten von entscheidender Bedeutung. Aufgrund der schwierigen Messbedingungen an Siel- und Schöpfwerken ist die Datenqualität jedoch oft unzureichend. Ziel dieser Masterarbeit ist es, automatisierte Methoden zur Fehlererkennung und -korrektur in Messdaten zu entwickeln und zu evaluieren, wobei der Schwerpunkt auf der Fließgeschwindigkeit innerhalb des Siels und dem Nordsee Wasserstand liegt. Es werden Messdaten des Siel- und Schöpfwerks Maadesiel in Wilhelmshaven verwendet. Zur Fehlererkennung werden regelbasierte Ansätze sowie die Modelle LOF, ARIMA und Random Forest getestet. Zur Fehlerkorrektur werden lineare Interpolation, ARIMA und XGBoost angewendet. Die Ergebnisse zeigen, dass das Random Forest Modell für beide Variablen die beste Fehlererkennungsleistung bietet. Bei der Korrektur der Fließgeschwindigkeit konnten die getesteten Modelle die lineare Interpolation nicht übertreffen. Bei längeren Fehlerintervallen in den Messdaten des Nordseewasserstandes übertreffen ARIMA und XGBoost, die lineare Interpolation und zeigen unterschiedliche Stärken. Insgesamt deuten die Ergebnisse darauf hin, dass automatisierte Datenverarbeitungsmethoden eine objektive, reproduzierbare und effiziente Alternative zur manuellen Datenbereinigung im untersuchten Anwendugsfall darstellen und nur zu geringfügigen Abweichungen bei den nachfolgenden Abflussberechnungen führen. Dennoch ist die Fehlererkennung, insbesondere bei komplexen Fehlermustern, noch nicht optimal und bietet Potenzial für weitere Verbesserungen.