Entwicklung und Anwendung von Machine-Learning basierten Algorithmen zur Vorhersage von Grundwasserständen

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 punktuelle Vorhersagen von Grundwasserständen in Deutschland für mittlere Maßstäbe und flächenhafte Interpretationen in kleinen Maßstäben (1:1 Mio., 1:1,5 Mio.) ermöglicht. Auf Basis der individuell vorliegenden  Grundwasserdynamik werden die Zeitreihen aller vorliegenden Messstellen zunächst mit Hilfe einer Machine-Learning basierten Methodik gruppiert und anschließend repräsentative Messstellen ausgewählt. Diese sog. Referenzmessstellen (RM) bilden die in der jeweiligen Gruppe dominierende Grundwasserdynamik ab und werden stellvertretend für die Gruppe vorhergesagt. Anschließend erfolgt ein Übertrag der KNN-basierten RM-Vorhersage auf andere Gruppenmitglieder. Die eigentlichen Vorhersagen umfassen dabei Zeitspannen von einer Woche, bis zu drei Monaten (Jahreszeitenvorhersagen). Datengrundlage sind hauptsächlich die Grundwasserdaten der Landesmessnetze sowie meteorologische Mess- und Modellierungsdaten des Deutschen Wetterdienstes (DWD).

Machine-Learning basierte Gruppierung der Grundwasserstandszeitreihen nach Dynamik (oben) sowie ebenfalls Machine-Learning basierte Vorhersage von Grundwasserständen (unten)