Zusammenfassung 
In der vorliegenden Arbeit wird ein neues Verfahren für die Wasserstands Vorhersage vor 
gestellt, das auf neuronalen Netzen basiert und im Rahmen einer Dissertation erstellt worden 
ist. Ziel ist, die Vorhersage der Wasserstände an der Deutschen Nordseeküste in Standard 
situationen zu verbessern. Wasserstände setzen sich aus Gezeiten und meteorologisch/- 
ozeanographischen Einflüssen zusammen (besonders Wind und luftdruckbedingte Fernwel 
len). Da die Gezeiten bereits sehr gut vorhersagbar sind, wurden ihre Vorausberechnungen 
von den Wasserständen subtrahiert. Das Ergebnis der Subtraktion, der Stau wird mit dem 
neuen Verfahren bis zu 18 Stunden im voraus vorhergesagt. Es wird unterschieden zwischen 
der Vorhersage von stündlichen Werten und von Werten zu Hoch- und Niedrigwasser 
zeitpunkten. Die Vorhersage wurde auf den Referenzort Cuxhaven konzentriert. Das neue 
Verfahren wurde in seiner Vorhersagegenauigkeit mit zwei hydrodynamischen, einem statisti 
schen und einem auf Analogie basierenden Verfahren (Nearest Neighbor), mit der Persistenz 
annahme und mit den Vorhersagen des Wasserstandsvorhersagedienstes verglichen. Zum 
Vergleich wurden Vorhersagen für das Jahr 1993 berechnet und mit Messungen verglichen. 
Neuronale Netze sind lernfähige Verfahren, die nichtlineare Zusammenhänge auf induktive 
Weise adaptieren und implizit darstellen. Mit der Anwendung der neuronalen Netze auf die 
Wasserstandsvorhersage wurde versucht, aus der Vergangenheit zu lernen und zeitliche 
Muster zu klassifizieren. Außerdem wurde versucht, die Erfahrung von Vorhersageexperten 
zu objektivieren. Um die Funktionsweise des menschlichen Gehirns zu verstehen, wurde von 
Neurologen, Psychologen und Informatikern mathematische Modelle entwickelt, die die 
Neuronen des Gehirns und ihre Vernetzung untereinander simulieren. Statt des weitver 
breiteten Backpropagation-Netzes wurde die selbstorganisierende Merkmalskarte nach 
Kohonen verwendet (Kohonen-Netz). Grundprinzip dieses Netzes ist die Umsetzung von 
Signalähnlichkeit in Lagenachbarschaft, verbunden mit der Erhaltung der Topologie des 
Signalraums. Der Lernvorgang der Kohonen-Netze kann visualisiert werden. Für die Vorher 
sage wurde es in eine Zustands- und eine Prognosebeschreibung aufgeteilt, die an auto- und 
multiregressive statistische Verfahren angelehnt wurden. Ein ausgelerntes Kohonen-Netz kann 
als eine adaptive Tabelle solcher Beschreibungen aufgefaßt werden. 
Um die Kohonen-Netze nicht zu überladen, wurden die möglichst lückenlosen Zeitreihen 
mit Hilfe zweier Selektionsverfahren auf einen anlernbaren Datensatz reduziert. Das Minimal 
distanz-Verfahren aus der Clusteranalyse selektierte repräsentative zeitliche Muster. Das 
neuentwickelte Verfahren der zirkularen Gruppenreduktion selektierte extreme Muster in 
Ergänzung zum ersten Verfahren. Damit das Kohonen-Netz nichts "vergißt", wurden Netz 
größe und Lerndauer in Abhängigkeit von der Anzahl Lernbeispiele gewählt. Zur Verbes 
serung der Konvergenz wurde eine Kombination von Kriterien zum Abbruch des Lernver 
fahrens entwickelt, das mit dem Vorgang der Selbstorganisation konform ist. 
Die Kohonen-Netze wurden auf autoregressive Weise auch auf die Vorhersage von 
meteorologischen Größen (besonders des Windes) angewandt. Dem Vergleich mit Prognosen 
des Seewetteramts hielten sie jedoch nicht stand. Die Kohonen-Netze erwiesen sich als um 
so genauer in der Vorhersage, je kleiner sie waren. Bei der Vorhersage des Staus zu Hoch 
wasserzeitpunkten waren die Vorhersagen des Wasserstandsvorhersagedienstes verglichen nur 
mit den restlichen Vergleichsmodellen die genauesten. Multiregressiv angewandte Kohonen- 
Netze konnten sogar diese Vorhersagen mit 14 cm Fehler um 1 cm unterbieten. 
Da sich die statistischen Eigenschaften der Messungen kurzfristig nicht wesentlich ändern, 
wurden dem Wasserstandsvorhersagedienst Netze zur Verfügung gestellt, die schon ausgelernt 
haben. Langfristig sollten die Netze wegen Elbvertiefungen und Klimaänderungen regelmäßig 
mit zusätzlichen aktuellen Messungen neu angelernt werden.