Referenzen

Projekte, Publikationen und Vorträge

Eine Auswahl unserer Projekte sowie alle Publikationen, Vorträge, Interviews und Datensätze des baseflow-Teams.

Projektauswahl 18

Pegelprognosesystem für die österreichische Donau

via donau – Österreichische Wasserstraßen-Gesellschaft mbH

Details

viadonau hat uns nach einer Ausschreibung mit der Entwicklung und dem Betrieb eines KI-gestützten Pegelprognosesystems für die österreichische Donau beauftragt, mit Fokus auf Niederwasser. Das Projekt setzen wir gemeinsam mit UBIMET um, das die meteorologischen Prognosen und Reanalysen liefert.

Das System kombiniert unser KI-Modell baseflow:hydroAI mit dem konzeptionellen hydrologischen Modell COSERO. baseflow:hydroFusion führt beide Prognosen mit den Beobachtungen der Oberliegerpegel zusammen. Das Ergebnis sind stündliche Wasserstandsprognosen für die Pegel Kienstock und Wildungsmauer mit einem Horizont von mindestens sechs Tagen, viermal täglich aktualisiert und mit Konfidenzintervallen. Bereitgestellt werden sie über das baseflow:dashboard und eine REST-API.

Projektstart war im November 2026. Auf die Entwicklung folgen ein Online-Testbetrieb, ein Pilotbetrieb parallel zum bestehenden System und anschließend der operative Betrieb.

Kurzfristige Leistungsprognose bei Laufkraftwerken - Teil 1: Entwicklung

VERBUND Energy4Business GmbH

Details

Beim österreichischen Wasserkraftwerksbetreiber Verbund wird für die Leistungsprognose von Laufkraftwerken ein konzeptuelles, räumlich verteiltes hydrologisches Modell mit nachgeschaltetem hydrodynamischem Modul operativ eingesetzt. Speziell bei stark an- sowie abfallenden Durchflüssen und daraus resultierenden Leistungsverläufen wurde noch Verbesserungspotential identifiziert.

An den Laufkraftwerken Braunau-Simbach (Inn), Aschach (Donau) und Greifenstein (Donau) wurde daher das Potential von Machine Learning Verfahren bei der kurzfristigen Leistungsprognose (bis 4 h) in fünf hydrologisch interessanten Zeitfenstern ermittelt. Als Input für die Machine Learning Modelle wurden gemessene Abfluss- und Leistungswerte von stromauf liegenden Laufkraftwerken und Pegeln herangezogen.

Die mit Machine Learning erzielten Ergebnisse sind vielversprechend und sollen bei Verbund nach einer Evaluierungsphase in die operative Planung übernommen werden. Die Dokumentation des Projekts erfolgte im Rahmen eines ÖWAV-Fachartikels, welcher open-access der Öffentlichkeit zur Verfügung steht. Link zum Artikel

Kurzfristige Leistungsprognose bei Laufkraftwerken - Teil 2: Operativbetrieb

VERBUND Energy4Business GmbH

Details

Aufbauend auf dem Vorprojekt (siehe obige Referenz) wurde der entwickelte Ansatz auf die gesamte österreichische Donau-Laufkraftwerkskette (10 Kraftwerke: Jochenstein, Aschach, Ottensheim-Wilhering, Abwinden-Asten, Wallsee-Mitterkirchen, Ybbs-Persenbeug, Melk, Altenwörth, Greifenstein, Freudenau | mittlere Gesamtleistung ca. 1500 MW) sowie auf alle Inn-Grenzlaufkraftwerke (7 Kraftwerke: Oberaudorf, Nussdorf, Braunau-Simbach, Ering-Frauenstein, Egglfing-Obernberg, Schärding-Neuhaus, Passau-Ingling | mittlere Gesamtleistung ca. 350 MW) erweitert.

Anders als beim Vorprojekt wird nicht die Leistung von einzelnen Kraftwerken, sondern die Gesamtleistung aller 10 bzw. 7 Laufkraftwerke prognostiziert. Diese Vorgangsweise führte neben einer schnelleren Projektdurchführung auch zu Vorteilen bei der Initialisierung einer Prognose. Vor der Modellerstellung erfolgte eine Aufbereitung der zur Verfügung gestellten Zeitreihen. Die erstellte Anwendung zur periodischen Generierung der Prognosen im operativen Betrieb beinhaltet auch Checks gegenüber fehlenden oder unrealistischen Eingangswerten. In diesem Fall wird automatisch auf ein Back-up Modell gewechselt. In einer unabhängigen Testperiode haben die beiden Prognosemodelle für die Donau als auch den Inn eine hohe Genauigkeit gezeigt.

Operationelles Hochwasser-Frühwarnsystem Zauchbach

Amt der NÖ Landesregierung, Abt. Wasserbau (WA3)

Details

Im Unterlauf des Zauchbachs (NÖ, 64 km²) wurden Vorrichtungen für mobile Hochwasserschutzwände errichtet. Im Ereignisfall sind mindestens 2h Vorwarnzeit zum Aufbau dieser Mobilelemente erforderlich.

Wir haben daher im Auftrag der WA3 des Landes NÖ ein operationelles Hochwasserfrühwarnsystem erstellt, wobei meteorologische Vorhersagedaten sowie in Echtzeit gemessene Wasserstände laufend eingebunden werden. Als Besonderheit gilt das Konzept des eigens entwickelten Niederschlags-Abfluss-Modells: Aufgrund der äußerst effizienten Programmierweise wird das räumlich verteilte Modell in Echtzeit kalibriert, womit eine kontinuierliche Anpassung an aktuelle Gegebenheit im Einzugsgebiet ohne äußeren Zugriff ermöglicht wird. Resultat davon ist schließlich eine höhere Vorhersagegenauigkeit und ein geringerer Wartungsbedarf.

Operationelles Hochwasser-Frühwarnsystem Mühlbach

WSI Systems GmbH

Details

Wir haben gemeinsam mit WSI Systems GmbH für den Mühlbach (Artstetten und Klein-Pöchlarn, NÖ, ca. 9 km²) ein innovatives Hochwasser-Frühwarnsystem umgesetzt, wofür drei Wasserstands- und fünf Niederschlagsmesser mit Echtzeit-Datenübertragung installiert wurden. Im Vergleich zum Frühwarnsystem Zauchbach (siehe vorherige Referenz) werden nun auch Niederschlags-Messdaten für die lokale Anpassung der räumlich verteilten Niederschlagsvorhersagen in Echtzeit verwendet. Dies ermöglicht eine weitere Qualitätssteigerung der Frühwarnungen.

Operationelles Hochwasser-Frühwarnsystem Sierning

WSI Systems GmbH

Details

Die Sierning in Niederösterreich (ca. 90 km²) war vom Jahrhunderthochwasser 2024 stark betroffen. Daher haben wir gemeinsam mit WSI Systems GmbH sowie unter Einbeziehung der lokalen Beteiligten ein Hochwasser-Frühwarnsystem aufgebaut, welches sich auf fünf Wasserstands- und fünf Niederschlagsmesser mit Echtzeit-Datenübertragung stützt. So wie auch beim Frühwarnsystem Mühlbach (siehe vorherige Referenz) werden die Niederschlags-Messdaten für die Korrektur der räumlich verteilten Niederschlagsprognosen (Horizont +60h) verwendet.

Hydro-AI

Österreichische Forschungsförderungsgesellschaft mbH (FFG)

Details

Wesentliches Ziel dieses praxisnahen Forschungsprojekts ist die Entwicklung einer skalierbaren und modular aufgebauten Software-Umgebung zur treffsicheren und kosteneffizienten Vorhersage des Abflusses, der Leistung von Wasserkraftwerken oder der Fließtemperatur. Der Vorhersagehorizont richtet sich nach dem verwendeten meteorologischen Vorhersageprodukt und liegt im Stunden- oder Tagesbereich. Ein weiterer Entwicklungsschwerpunkt ist der Aufbau einer Deep-Learning-Architektur, anhand welcher die Modelleinbindung von räumlich hochaufgelöster Eingangsinformation (z.B. Niederschlagsfelder) ohne vorheriger Aggregierung ermöglicht wird.

Studie "Auswirkungen von Restwasservorschreibungen auf die Stromerzeugung in Österreich | RestStrom"

Abteilung Nationale und internationale Wasserwirtschaft des BMLUK (Bundesministeriums für Land- und Forstwirtschaft, Klima- und Umweltschutz, Regionen und Wasserwirtschaft) als auch Oesterreichs Energie

Details

Gemeinsam mit der BOKU University und dem AIT (Austrian Institute Of Technology) haben wir untersucht, wie sich eine vollständige Umsetzung der EU-Wasserrahmenrichtlinie (WRRL) bzgl. Restwasservorgaben auf die österreichische Erzeugung aus Wasserkraft auswirken würde. Dafür haben wir nach einer umfassenden Datenaufbereitung für alle Wasserkraftwerke > 5 MW sowie für eine große Stichprobe an Kleinwasserkraftwerken – in Summe mehr als 1000 unbeobachtete Einzugsgebiete – hydrologische Kennwerte sowie Zufluss-Zeitreihen mit Machine Learning Modellen simuliert. Die zum Teil komplexe Verschaltung der einzelnen Kraftwerksgruppen wurde dabei vollständig berücksichtigt. Untersucht wurden neben dem IST-Szenario, sieben weitere Restwasserszenarien – von der schrittweisen Erhöhung der Mindestabflüsse bis hin zu dynamischen Vorgaben. Die Ergebnisse wurden differenziert nach Kraftwerkstypen und Jahreszeiten ausgewertet. Für eine detaillierte Einsicht möchten wir auf die vom Ministerium publizierte Studie verweisen. Link zur Studie

Studie "Wasserverfügbarkeit in Österreichs Fließgewässern"

Abteilung Nationale und internationale Wasserwirtschaft des BMLUK (Bundesministeriums für Land- und Forstwirtschaft, Klima- und Umweltschutz, Regionen und Wasserwirtschaft)

Details

In Kooperation mit der Abteilung Nationale und internationale Wasserwirtschaft des BMLUK haben wir im Rahmen der Studie „Wasserverfügbarkeit in Österreichs Fließgewässern“ unter Berücksichtigung gewässerökologischer Erfordernisse analysiert, wie viel Wasser in den Fließgewässern Österreichs derzeit und in naher Zukunft theoretisch zur Verfügung stehen würde. Konkret beruhen die statistischen Auswertungen auf Abflussdaten von 560 Messstellen des Zeitraumes 1991 bis 2021. Die Bandbreite des theoretisch verfügbaren Wasserdargebots wird abgeschätzt, indem mehrere Restwasser-Szenarien untersucht wurden. Mit der Studie sowie den bereitgestellten Daten werden Grundlagen für eine erste Bewertung der Wasserverfügbarkeit Österreichs geschaffen und gezeigt in welchen Regionen bzw. Zeiten ausreichend Wasser verfügbar oder mit möglichen Engpässen zu rechnen ist. Link zur Studie

Bohrprofilextrahierung aus PDFs

GGU Zentrale Verwaltung GmbH

Details

Im Zuge der Digitalisierungsoffensive in Deutschland sollen die in PDFs enthaltenen Bohrprofil- und Grundwasserdaten in einem bestimmten XML Format digitalisiert werden. Bis dato wurde der Prozess der Digitalisierung händisch durchgeführt, was bei vielen PDFs mit teilweise mehr als 100 Bohrprofilen je PDF einen signifikanten Zeitaufwand darstellt. Wir haben eine auf Text- und Bilderkennung basierende Anwendung zur automatischen Datenextrahierung aus PDFs entwickelt, welche in die Softwareumgebung unserer Auftraggebers integriert wurde. Die Abnahme der Software wurde von einem Geologischen Amt sowie einer großen Baufirma aus Deutschland durchgeführt. Die Kunden unserers Auftraggebers sind nun in der Lage die Digitalisierung der relevanten Daten wesentlich effizienter durchzuführen.

Analyse einer Kette an Rückhaltebecken

IBL Ziviltechniker GmbH

Details

Im Einzugsgebiet eines Gewässers in Amstetten / NÖ sind vier Rückhaltebecken errichtet worden. Bei den Hochwasserereignissen 2020 sowie 2021 haben die beiden im Unterlauf platzierten und in Serie geschalteten Rückhaltebecken im Vergleich zu den beiden im Mittellauf gelegenen Rückhaltebecken ein signifikant abweichendes Verhalten aufgewiesen. Im Rahmen einer detaillierten hydrologischen Modellierung sowie einer systematischen Analyse von Messdaten konnten die Ursachen dafür eruiert werden.

Aufbauend auf den Erkenntnissen des ersten Teils wurden bauliche und steuerungstechnische Maßnahmen zur Optimierung der Rückhaltebecken ausgearbeitet.

Dimensionierung Rückhaltebecken

IBL Ziviltechniker GmbH

Details

Der Ort Ybbsitz in Niederösterreich soll durch eine Kombination aus Rückhaltebecken (RHB) sowie linearen Maßnahmen vor Hochwasserereignissen bis zur Jährlichkeit 100 geschützt werden. Wesentliche Zubringer in Ybbsitz sind die Schwarze Ois sowie der Prollingbach. Am Prollingbach wird das RHB Großmoos mit einem Volumen von rund 400.000 m³ errichtet. Wir wurden mit einer Retentionsuntersuchung zur Ermittlung der erforderlichen Retentionsvolumina des RHB Jungwurzlehen an der Schwarzen Ois sowie des RHB Dürnbach an einem Zubringer zur Schwarzen Ois beauftragt. Dabei war die Retentionswirkung des RHB Großmoos sowie die weiteren bisher umgesetzten Hochwasserschutzmaßnahmen zu berücksichtigen. Nach der Modellkalibrierung anhand von beobachteten Hochwasser-Ereignissen wurde mittels einer Niederschlags-Dauerstufen-Untersuchung unter Berücksichtigung mehrerer Niederschlagsverteilungen sowie Ausbau-Varianten für das RHB Jungwurzlehen ein erforderliches Retentionsvolumen von 610.000 m³ sowie für das RHB Dürnbach 260.000 m³ ermittelt.

Für das RHB Jungwurzlehen haben wird zudem die Ermittlung des Sicherheitshochwassers (SHQ) sowie darauf aufbauend die Freibordbemessung durchgeführt, um die Standsicherheit der Hochwasserschutzanlage gemäß den Vorgaben der österreichischen Staubeckenkommission gewährleisten zu können. Als Vorbereitung für die Einreichung des Projekts bei der Staubeckenkommission wurden die Ergebnisse mit IBL Ziviltechniker GmbH den Vertretern des zuständigen Ministeriums in Wien präsentiert.

Retentionsuntersuchung

Stadtgemeinde Klosterneuburg

Details

Für den Kierlingbach in der Stadtgemeinde Klosterneuburg ist ein Hochwasserschutz für das 100-jährliche Bemessungsereignis angedacht, welcher sich aus mehreren Rückhaltebecken sowie Linearmaßnahmen zusammensetzt. Die Bemessung von parallel bzw. seriell geschalteten Rückhaltebecken ist grundsätzlich eine komplexe Angelegenheit.

Als Entscheidungsgrundlage für die weitere Vorgangsweise wurde daher ein hydrologisches Modell erstellt und darauf aufbauend die Wirksamkeit von einzelnen Rückhaltebecken – sowie deren Wirkung im Verbund – eruiert. Darüber hinaus wurden auch Empfehlungen hinsichtlich hydraulischer Optimierungen ausgearbeitet.

Meteorologische Prognosen für Gebäudeautomation

STIWA AMS GmbH

Details

Im Rahmen des Clean Energy Hackathon haben wir für STIWA ein Konzept zur kontinuierlichen Einbindung von meteorologischen Prognosedaten in die Gebäudesteuerung ausgearbeitet. Damit wird die Möglichkeit eröffnet die Gebäudeautomation auf mehreren Ebenen zu optimieren. Beispielsweise kann damit die Heizung / Kühlung des Gebäudes effizienter geregelt sowie ein akkurateres Peak Shifting der Anlagen erzielt werden.

Österreichweit flächendeckende Vorhersage von Abflusskennwerten

Universität für Bodenkultur Wien (BOKU), Institut für Hydrobiologie und Gewässermanagement

Details

Im Rahmen des Projekts aquaZoom, beauftragt vom Europäischen Meeres- und Fischereifonds sowie dem österr. Ministerium BMLRT, wurde das Potential für Aquakultur-Durchflussanlagen österreichweit flächendeckend eruiert. Abflusskennwerte stellen nicht nur bei Aquakultur-Durchflussanlagen eine zentrale Planungsgrundlage dar. Sofern ein Abflusspegel mit entsprechend langer Beobachtungszeitreihe in unmittelbarer Nähe zum Interessensgebiet liegt, gestaltet sich die Berechnung der Abflusskennwerte unkompliziert. Da die Anzahl an Pegelstationen aus ressourcentechnischen Gründen aber limitiert ist, wurden wir von baseflow AI mit der Vorhersage von sechs verschiedenen Abflusskennwerten für die rund 8000 österreichischen Oberflächenwasserkörper unter Angabe des Unsicherheitsgrades beauftragt.

Machine Learning Verfahren haben schon in verschiedensten hydrologischen Anwendungen oftmals deutliche Verbesserungen gegenüber konventionellen Methoden ermöglicht. Daher haben wir nach initialen Tests von mehreren Modellen den Algorithmus XGBoost (eXtreme Gradient Boosting) für die Vorhersage der Abflusskennwerte herangezogen. Die Unsicherheiten der Vorhersagen wurden zusätzlich mit Quantile Random Forests (QRF) quantifiziert. Neben den Daten von allen öffentlich verfügbaren Abflusspegeln sowohl aus Österreich als auch dessen hydrologischen Oberlieger-Regionen haben wir zudem mit rund 90 Prädiktoren eine außergewöhnlich hohe Anzahl an (Einzugsgebiets-) Eigenschaften für das Training der Modelle verwendet.

Die angewandten Modelle erzielten mit einer mittleren Abweichung von etwa 20% zwischen Modellvorhersagen und Beobachtungen in als unbeobachtet behandelten Einzugsgebieten eine hohe Güte. Selbst lokale artifizielle Charakteristika wie zB. die Niederwasseraufhöhung durch große Wasserspeicher oder Beeinflussungen durch Überleitungen wurden bei der Vorhersage abgebildet. Eine detaillierte Dokumentation wurde im Rahmen eines ÖWAV-Fachartikels verfasst. Link zum Artikel. Der Auftraggeber hat zudem zugestimmt, dass die vorhergesagten Abflusskennwerte samt Unsicherheitsgrad der Öffentlichkeit kostenlos zur Verfügung gestellt werden. Link zum Datensatz

„Die Zusammenarbeit mit baseflow AI solutions GmbH war sehr erfolgreich und angenehm. Die professionelle und lösungsorientierte Bearbeitung seitens baseflow AI führte genau zu den Ergebnissen, die wir benötigt haben.“
Dr. Florian Borgwardt (Senior Scientist)

Workshop zu Machine Learning in der Hydrologie

Digital Engineering – Verein zur Vernetzung und Förderung von Digitalisierung im Ingenieurswesen

Details

Der Verein „Digital Engineering“ veranstaltet alljährlich ein Boot Camp zur Weiterbildung von jungen Ingenieur*innen auf dem Gebiet von Data Science und Earth Observation. Wir wurden zur Durchführung eines Workshops über Machine Learning in der Hydrologie eingeladen. Dieser Workshop beinhaltete sowohl theoretische als auch praktische Elemente, wobei die Teilnehmer mittels einem vorbereiteten JupyterLab gefordert waren die Vorhersage von Wassertemperaturen eines österreichischen Gewässers mit Machine Learning Verfahren zu optimieren.

„Die Gründer von baseflow AI solutions leiteten beim Digital Engineering Bootcamp 2022 einen Workshop zum Thema Machine Learning in der Hydrologie. Die komplexe Thematik wurde in Begleitung zahlreicher Übungen verständlich erklärt, wodurch die hohen Erwartungen unserer Teilnehmer*innen übertroffen wurden. Wir danken Moritz und Christoph für ihr großes Engagement und hoffen diese bei unserem nächsten Bootcamp wieder begrüßen zu dürfen.“
Oliver Konold, BSc (Vereinspräsident)

EFAS Abflussprognosen

via donau – Österreichische Wasserstraßen-Gesellschaft mbH

Details

Mit dem paneuropäischen Hochwasserwarnsystem EFAS (European Flood Awareness System, räumliche Abdeckung 5000 x 4750 km, Link) stehen den EFAS Partnern unter anderem Abflussvorhersagen für die operationelle Anwendung zur Verfügung. Die Abflussvorhersagen werden dabei 2x täglich initialisiert und weisen Prognosehorizonte von +10 Tage (meteor. Forcing ECMWF) bzw. +7 Tage (DWD) mit einer Abstufung von jeweils 6 Stunden auf. Die Bereitstellung der EFAS Prognosen erfolgt mittels binärem Dateiformat (NetCDF oder GRIB).

viadonau untersucht die Möglichkeit zur internen Weiterverwendung von EFAS. Wir wurden daher mit folgenden Leistungen beauftragt: 1) Automatisierter Bezug der EFAS Rohdaten für den relevanten räumlichen Ausschnitt sowie die letzten 4 Jahre mittels API. 2) Extrahierung und Aufbereitung der Abflussvorhersagen mit jeweils 40 (ECMWF) bzw. 28 (DWD) Prognosestufen pro Initialisierungszeitpunkt für zwei Standorte. Dieser Schritt erfolgte per Algorithmus unter Einbindung von Checks bzgl. Datenvollständigkeit. 3) Erstellung von Ausgabefiles mit einem für viadonau passenden Format.

Workshop zu Machine Learning bei der Abflussvorhersage

via donau – Österreichische Wasserstraßen-Gesellschaft mbH

Details

Machine Learning (ML) Modelle haben gegenüber prozessbasierten Modellen den Vorteil, dass sie durch ihre modellinterne strukturelle Flexibilität und daraus folgend ihrer Eigenschaft zur Generalisierung und zum Transfer von gelernten Mustern komplexe Zusammenhänge, Strukturen und Muster in Daten sehr gut abbilden können. Diese Flexibilität kann bei einer Reihe von hydrologischen Problemstellungen zu klaren Verbesserungen führen.

Zur Erweiterung des firmeninternen Verständnisses bei viadonau wurden zwei Workshops zu den Themen 1) theoretischer Hintergrund zu ML, 2) Anwendungsmöglichkeiten von ML bei der Abflussvorhersage, und 3) derzeitiger Stand der Forschung durchgeführt.

Publikationen 32

  1. 2026

    BiasCast: learning and adjusting real time biases from meteorological forecasts to enhance runoff predictions.

    Oliver Konold, Moritz Feigl, Patrick Podest, Christoph Klingler, Karsten Schulz

    Hydrology and Earth System Sciences, 30(15), 5067-5096

  2. 2026

    Assessment of Sentinel-1 C-band SAR snow depth assimilation in operational hydrological modeling of high-alpine catchments.

    Thomas Pulka-Petzolt, Caroline Ehrendorfer, Hans Lievens, Franziska Koch, Karsten Schulz, Herbert Formayer, Francesco Avanzi, Manuela Girotto, Mathew Herrnegger

    Journal of Hydrology, 677, 135888

  3. 2026

    Undercatch corrected gridded precipitation data to improve hydrological modeling in high-alpine orography.

    Philipp Maier, Caroline Ehrendorfer, Sophie Lücking, Thomas Pulka-Petzolt, Fabian Lehner, Mathew Herrnegger, Herbert Formayer, Franziska Koch

    Hydrology and Earth System Sciences, 30(18), 5901-5924

  4. 2026

    Distilling hydrological and land-surface model parameters from physio-geographical properties using text-generating AI.

    Moritz Feigl, Mathew Herrnegger, Karsten Schulz

    Nature Water (nur für persönlichen Gebrauch)

  5. 2025

    GGU-CONNECT: Automatisierte PDF-Datenextraktion im geotechnischen Digitalisierungsprozess

    Simon Buß, Nicole Keller, Christoph Klingler

    . SUBSTANZ, 16/2025, 18-21

  6. 2025

    The spatiotemporal distribution of water quality characteristics of the tropical, transboundary Sio Malaba Malakisi River Basin using multivariate statistical techniques.

    Hope Mwanake, Moritz Feigl, Bano Mehdi-Schulz, Nzula Kitaka, Karsten Schulz, Luke O Olang, Jakob Lederer, Mathew Herrnegger

    Environmental Monitoring and Assessment, 197, 865

  7. 2025

    Systematic comparison of Commercial seizure detection Software: Update equals Upgrade?

    Johannes Koren, Kady Colabrese, Manfred Hartmann, Moritz Feigl, Clemens Lang, Sebastian Hafner, Nicolas Nierenberg, Tilmann Kluge, Christoph Baumgartner

    Clinical Neurophysiology, 174, 178-188

  8. 2025

    Attitudes towards epilepsy in the Austrian general population: Predictors and national trends

    Clemens Lang, Ekaterina Pataraia, Edda Haberlandt, Michael Feichtinger, Silvia Bonelli, Gudrun Gröppel, Moritz Feigl, Eugen Trinka, Christoph Baumgartner

    . Epilepsy & Behavior, 165, 110291

  9. 2024

    Evaluating precipitation corrections to enhance high-alpine hydrological modeling.

    Thomas Pulka, Mathew Herrnegger, Caroline Ehrendorfer, Sophie Lücking, Francesco Avanzi, Herbert Formayer, Karsten Schulz, Franziska Koch

    Journal of Hydrology, 645, 132202

  10. 2024

    Optimierung der Klauswehrordnung des Mondsees, Teil I – Hydraulik.

    Max Preiml, Christoph Klingler, Hubert Holzmann, Petr Lichtneger, Christine Sindelar, Helmut Habersack

    Österreichische Wasser- und Abfallwirtschaft, 76(3), 182-192

  11. 2024

    Optimierung der Klauswehrordnung des Mondsees, Teil II – Hydrologie.

    Christoph Klingler, Max Preiml, Helmut Habersack, Hubert Holzmann

    Österreichische Wasser- und Abfallwirtschaft, 76(3), 193-202

  12. 2023

    Widespread deoxygenation in warming rivers.

    Wei Zhi, Christoph Klingler, Jiangtao Liu, Li Li

    Nature Climate Change, 1758-6798 (nur für persönlichen Gebrauch)

  13. 2023
  14. 2022

    Machine Learning in Hydrological Modeling

    Moritz Feigl

    . Dissertation, Institut für Hydrologie und Wasserwirtschaft, Universität für Bodenkultur Wien, 211p

  15. 2022

    Learning from mistakes – Assessing the performance and uncertainty in process-based models.

    Moritz Feigl, Benjamin Roesky, Mathew Herrnegger, Karsten Schulz, Masaki Hayashi

    Hydrological Processes, 36(2), e14515

  16. 2022

    Automatic Regionalization of Model Parameters for Hydrological Models.

    Moritz Feigl, Stephan Thober, Robert Schweppe, Mathew Herrnegger, Luis Samaniego, Karsten Schulz

    Water Resources Research, 58(12), e2022WR031966

  17. 2022

    Vorhersage von hydrologischen Abflusskennwerten in unbeobachteten Einzugsgebieten mit Machine Learning.

    Christoph Klingler, Moritz Feigl, Florian Borgwardt, Carina Seliger, Stefan Schmutz, Mathew Herrnegger

    Österreichische Wasser- und Abfallwirtschaft, 74(11), 469-485

  18. 2022

    Potenzial von Machine Learning bei der kurzfristigen Leistungsprognose innerhalb einer

    Christoph Klingler, Moritz Feigl, Thomas Linsbichler, Simon Frey, Karsten Schulz

    Laufkraftwerkskette. Österreichische Wasser- und Abfallwirtschaft, 74(5), 224-240

  19. 2022

    Evaluation of satellite precipitation products for water allocation studies in the

    Paul Omonge, Moritz Feigl, Luke Olang, Karsten Schulz, Mathew Herrnegger

    Sio-Malaba-Malakisiriver basin of East Africa. Journal of Hydrology: Regional Studies, 39, 100983

  20. 2022

    Österreichweite Regionalisierung bodenhydraulischer Eigenschaften.

    Hanna Zeitfogel, Moritz Feigl, Karsten Schulz

    Österreichische Wasser- und Abfallwirtschaft, 74(3), 166-178

  21. 2021

    Machine-learning methods for stream water temperature prediction.

    Moritz Feigl, Katharina Lebiedzinski, Mathew Herrnegger, Karsten Schulz

    Hydrology and Earth System Sciences, 25(5), 2951-2977

  22. 2021

    Regionalisierung hydrologischer Modelle mit Function Space Optimization.

    Moritz Feigl, Mathew Herrnegger, Robert Schweppe, Stephan Thober, Daniel Klotz, Luis Samaniego, Karsten Schulz

    Österreichische Wasser- und Abfallwirtschaft, 73(7), 281-294

  23. 2021

    Vorhersage der Fließgewässertemperaturen in österreichischen Einzugsgebieten mittels

    Moritz Feigl, Katharina Lebiedzinski, Mathew Herrnegger, Karsten Schulz

    Machine Learning-Verfahren. Österreichische Wasser- und Abfallwirtschaft, 73(7), 308-328

  24. 2021

    LamaH-CE: LArge-SaMple DAta for Hydrology and Environmental Sciences for Central Europe.

    Christoph Klingler, Karsten Schulz, Mathew Herrnegger

    Earth System Science Data, 13(9), 4529-4565

  25. 2021

    LamaH | Large-Sample Data for Hydrology: Big data für die Hydrologie und Umweltwissenschaften.

    Christoph Klingler, Karsten Schulz, Mathew Herrnegger

    Österreichische Wasser- und Abfallwirtschaft, 73(7), 244-269

  26. 2021

    A Near Real-Time Hydrological Information System for the Upper Danube Basin.

    Thomas Pulka, Ignacio Martin Santos, Karsten Schulz, Mathew Herrnegger

    Hydrology, 8(4), 144

  27. 2021

    Systematic analysis and comparison of commercial seizure-detection software.

    Johannes Peter Koren, Sebastian Hafner, Moritz Feigl, Christoph Baumgartner

    Epilepsia, 62(2), 426-438

  28. 2020

    Function Space Optimization: A symbolic regression method for estimating parameter transfer

    Moritz Feigl, Mathew Herrnegger, Daniel Klotz, Karsten Schulz

    functions for hydrological models. Water Resources Research, 56(10), e2020WR027385

  29. 2020

    Lokale hydrologische Modellierung mit globalen, alternativen Datensätzen.

    Christoph Klingler, Matthias Bernhardt, Johannes, Wesemann, Karsten Schulz, Mathew, Herrnegger

    Hydrologie und Wasserbewirtschaftung, 64(4), 166-187

  30. 2020

    On the Ability of LIDAR Snow Depth Measurements to Determine or Evaluate the HRU

    Michael Weber, Moritz Feigl, Karsten Schulz, Matthias Bernhardt

    Discretization in a Land Surface Model. Hydrology, 7(2), 20

  31. 2020

    Genome-wide association study of germline copy number variations reveals an

    Stefanie Brezina, Moritz Feigl, Tanja Gumpenberger, Ricarda Staudinger, Andreas Baierl, Andrea Gsur

    association with prostate cancer aggressiveness. Mutagenesis, 35(3), 283-290

  32. 2018

    Der Wert Alpiner Forschungseinzugsgebiete im Bereich der Fernerkundung,

    Matthias Bernhardt, Stefan Härer, Moritz Feigl, Karsten Schulz

    der Schneedeckenmodellierung und der lokalen Klimamodellierung. Österreichische Wasser- und Abfallwirtschaft, 70(9), 515-528

Vorträge 22

  1. 2024

    KI in der Wasserwirtschaft – Kurze Einführung und Anwendungsbeispiele aus der Praxis.

    Moritz Feigl, Christoph Klingler

    7. Get-together der Jungen Wasserwirtschaft im Österr. Wasser- und Abfallwirtschaftsverband (ÖWAV), Wien

  2. 2024

    Contribution of glacier melt to runoff under climate change using a conceptual hydrological model in selected high alpine regions in Austria.

    Caroline Ehrendorfer, Franziska Koch, Sophie Lücking, Thomas Pulka, Hubert Holzmann, P. Maier, F. Lehner, Herbert Formayer, Mathew Herrnegger

    EGU General Assembly 2024, Wien

  3. 2023

    Österreichweite Vorhersage von Niederwasserkennwerten mittels Machine Learning.

    Moritz Feigl

    Österr. Gesellschaft für Hydrologie (ÖGH): Wenn das Wasser knapp wird, Wien

  4. 2023

    Evaluation of precipitation corrections to improve reservoir inflow predictions by a conceptual hydrological model in the Malta Valley, Austria.

    Thomas Pulka, Mathew Herrnegger, Caroline Ehrendorfer, Sophie Lücking, Karsten Schulz, Franziska Koch

    HydroCarpath 2023, Sopron

  5. 2023

    Utilization of snow depth patterns to derive spatially distributed precipitation correction factors for operational hydrological modelling.

    Thomas Pulka, Franziska Koch, Mathew Herrnegger, Karsten Schulz

    EGU General Assembly 2023, Wien

  6. 2023

    Coupled snow-hydrological modelling for two high alpine Austrian catchments.

    Caroline Ehrendorfer, Franziska Koch, Sophie Lücking, Thomas Pulka, Hubert Holzmann, P. Maier, F. Lehner, Herbert Formayer, Mathew Herrnegger

    HydroCarpath 2023, Sopron

  7. 2023

    Machbarkeitsstudie für einen WebGIS basierten Hydrologischen Atlas Österreichs | eHAO.

    Mathew Herrnegger, Oliver Konold, Thomas Pulka, Josef Fürst

    Österr. Gesellschaft für Hydrologie (ÖGH): eHydrologie – Wenn das Papier knapp wird, Wien

  8. 2022

    Machine Learning in der Hydrologie.

    Moritz Feigl, Christoph Klingler

    Workshop für Digital Engineering – Verein zur Vernetzung und Förderung von Digitalisierung im Ingenieurswesen, Hirschwang an der Rax

  9. 2022

    Simulation des Wasserrückhalts in Seen zur Reduktion des Hochwasserrisikos – Beispiel Mondsee.

    Max Preiml, Christoph Klingler

    DRD22 – Disaster Research Days, Innsbruck

  10. 2022

    AI and machine learning in hydrological sciences.

    Moritz Feigl

    BOKU Big Data Day, Wien

  11. 2022

    Erfassung des Verbesserungspotentials operationeller Zuflussprognosen für Wasserkraft-Speicherseen in hochalpinen Kopfeinzugsgebieten mit Fokus auf die Schneedeckenmodellierung.

    Thomas Pulka, Franziska Koch, Mathew Herrnegger, Francesco Avanzi, S. Gabellani, Karsten Schulz

    4. Workshop zur Alpinen Hydrologie, Universitätszentrum Obergurgl

  12. 2022

    Impact of snow hydrologic model complexity on snow-melt-driven runoff generation for operational reservoir inflow predictions in a high-alpine catchment.

    Thomas Pulka, Franziska Koch, Francesco Avanzi, S. Gabellani, Karsten Schulz

    3rd International Conference on Snow Hydrology

  13. 2021

    Catchment to model space mapping – learning transfer functions from data by symbolic regression.

    Moritz Feigl, Robert Schweppe, Stephan Thober, Mathew Herrnegger, Luis Samaniego, Karsten Schulz

    EGU General Assembly 2021

  14. 2021

    LamaH: Large-sample Data for Hydrology in Central Europe.

    Christoph Klingler, Frederik Kratzert, Karsten Schulz, Mathew Herregger

    EGU General Assembly 2021

  15. 2021

    Learning from mistakes – Assessing the performance and uncertainty in process-based models.

    Moritz Feigl, Benjamin Roesky, Mathew Herrnegger, Karsten Schulz, Masaki Hayashi

    KGML21 – 2nd Workshop on Knowledge Guided Machine Learning

  16. 2021

    Learning from mistakes – Assessing the performance and uncertainty in process-based models.

    Benjamin Roesky, Moritz Feigl, Mathew Herrnegger, Karsten Schulz, Masaki Hayashi

    EGU General Assembly 2021

  17. 2021

    Variability across scales – exploring methods for predicting soil properties from multiple sources.

    Hanna Zeitfogel, Moritz Feigl, Karsten Schulz

    EGU General Assembly 2021

  18. 2021

    Large-scale river network modeling using Graph Neural Networks.

    Frederik Kratzert, Daniel Klotz, Martin Gauch, Christoph Klingler, Grey Nearing, Sepp Hochreiter

    EGU General Assembly 2021

  19. 2021

    Auswertung von Satellitendaten zum Thema Gletscherrückgang.

    Franziska Koch, Thomas Pulka, R. Stolz

    PerspektivForum Zukunftsfragen „Klimawandel im alpinen Raum“ der Stiftung Jugend forscht e. V., Garmisch Partenkirchen

  20. 2020

    Automatic Estimation of Parameter Transfer Functions for Distributed Hydrological Models –

    Moritz Feigl, Robert Schweppe, Stephan Thober, Mathew Herrnegger, Luis Samaniego, Karsten Schulz

    Function Space Optimization Applied on the mHM Model. AGU Fall Meeting 2020, San Francisco

  21. 2020

    Automatic estimation of parameter transfer functions for distributed hydrological models –

    Moritz Feigl, Stephan Thober, Mathew Herrnegger, Luis Samaniego, Karsten Schulz

    a case study with the mHM model. EGU General Assembly 2020, Wien

  22. 2019

    Function Space Optimization (FSO): A novel method for estimating parameter

    Moritz Feigl, Mathew Herrnegger, Daniel Klotz, Karsten Schulz

    transfer functions for hydrological models. AGU Fall Meeting 2019, San Francisco

Interviews 1

  1. 2022

    baseflow.ai: Applying Machine Learning in Hydrology.

    Moritz Feigl

    Austrian AI Podcast by Manuel Pasieka

Datensätze 3

  1. 2025

    Studie „Wasserverfügbarkeit in Österreichs Fließgewässern“ – Digitaler Anhang.

    Moritz Feigl, Christoph Klingler, Andrea Bichler

    Bundesministerium für Land- und Forstwirtschaft, Klima- und Umweltschutz, Regionen und Wasserwirtschaft

  2. 2022

    Prediction of runoff characteristics in ungauged basins in Central Europe with machine learning – files.

    Christoph Klingler, Moritz Feigl, Florian Borgwardt, Mathew Herrnegger

    Version 1.0, Zenodo

  3. 2021

    LamaH-CE: LArge-SaMple DAta for Hydrology and Environmental Sciences for Central Europe – files.

    Christoph Klingler, Frederik Kratzert, Karsten Schulz, Mathew Herrnegger

    Version 1.0, Zenodo