Projektbeschreibung:

Die Zuverlässigkeit der Modellierung und Vorhersage von Grundwasserständen mit physikalisch-numerischen Grundwasserströmungsmodellen ist stark von der Felddatenverfügbarkeit für die Modellparametrierung abhängig. Besonders bei Studien im regionalen und überregionalen Maßstab scheitern die Modelle oft wegen fehlender oder unvollständiger Informationen hinsichtlich der räumlichen Ausdehnung der einzelnen geologischen Formationen und deren geohydraulischen Eigenschaften. Ansätze, die auf künstlicher Intelligenz, wie künstlichen neuronalen Netzen (KNN) basieren, sind hier eine Alternative, da sie die Fragestellung auf eine Input-Output-Beziehung reduzieren, während Beschreibungen des physikalischen Prozesses entfallen. KNN sind in der Lage, lineare und nichtlineare Zusammenhänge in komplexen Systemen zu erlernen und abzubilden. Eine zuverlässige Vorhersage von Grundwasserständen ist Grundlage für z.B. die Ableitung von Wasserverfügbarkeit für die Trinkwasserversorgung und Bewässerungsanforderungen für die Landwirtschaft, die Abgrenzung potenzieller Landsetzungszonen durch extrem niedrige Grundwasserstände im Zusammenhang mit Dürren und/oder Pumpen, die Abgrenzung von Gebieten potentieller Grundwasserhöchststände für Verkehrsinfrastruktur, Gebäuden und landwirtschaftlichen Flächen, sowie die Entwicklung geeigneter Vermeidungs- und Anpassungsstrategien.

Ziel des Projekts ist die Entwicklung einer Methode, die Vorhersagen von Grundwasserständen in Deutschland für mittlere Maßstäbe (1:50.000, 1:200.000) und Interpretationen in kleinen Maßstäben (1:1 Mio., 1:1,5 Mio.) ermöglicht. Dabei werden Grundwassermessstellen betrachtet, die als weitgehend durch anthropogene Entnahmen unbeeinflusst gelten, d.h. es wird die Dynamik des natürlichen Grundwasserstandes untersucht. Die Methodenentwicklung beinhaltet die Auswahl von Referenzmessstellen, die je nach Situation als repräsentativ für einen Grundwasserkörper gelten und somit die allgemeine Grundwasserdynamik abbilden. An diesen Messstellen werden KNN-basierte Vorhersagen für Zeitspannen von einer Woche, einem Monat und bis zu drei Monaten (Jahreszeitenvorhersagen) durchgeführt. Datengrundlage hierfür sind hauptsächlich die Daten der Landesmessnetze sowie meteorologische Mess- und Modellierungsdaten des Deutschen Wetterdienstes.