MENTOR - Machine Learning basierte, bundesweite Grundwasserstandsvorhersage

Land / Region: Deutschland

Projektanfang: 01.10.2020

Projektende: 30.09.2026

Projektstand: 15.04.2024

Datengetriebene Modelle, besonders künstliche neuronale Netze (KNN), haben ihre Eignung zur Modellierung und Vorhersage von Grundwasserständen vielfach unter Beweis gestellt. Insbesondere der geringere Aufwand und die geringere Abhängigkeit von umfangreicher Felddatenverfügbarkeit zeichnen KNN im Vergleich zu herkömmlichen numerisch-physikalischen Modellierungsansätzen aus, vor allem wenn es um überregionale Betrachtungen geht. Neue Entwicklungen auf dem Gebiet KNN, insbesondere Deep-Learning, versprechen hierbei noch eine deutliche Verbesserung bereits existierender Vorhersageansätze.

Eine zuverlässige Vorhersage des Grundwasserspiegels ist z. B. Grundlage für die Ableitung von Wasserverfügbarkeit für die Trinkwasserversorgung und Bewässerungsanforderungen für die Landwirtschaft, die Abgrenzung potenzieller Landsetzungszonen durch extrem niedrige Grundwasserspiegel im Zusammenhang mit Dürren und/oder Wasserentnahmen, die Abgrenzung von Gebieten potentieller Grundwasserhöchststände für Verkehrsinfrastruktur, Gebäude und landwirtschaftliche Flächen, sowie die Entwicklung geeigneter Vermeidungs- und Anpassungsstrategien.

Eingangsdaten, NARX-Modell u. Grundwasserstands-Vorhersage Quelle: KIT & BGR

Ziel ist die Weiterentwicklung der in Projektphase I erarbeiteten Methode, die bundesweit flächendeckende Kurz-, Mittel- und Langfrist-Prognosen von Grundwasserständen und Quellschüttungen, insbesondere im Hinblick auf Extremereignisse (Dürren/Hitzewellen und Extrem-/Starkniederschläge) ermöglicht. Hierfür werden die bisherigen Ansätze, welche auf künstlichen neuronalen Netzen basieren und sich schon jetzt zur Wochen-, Monats- und Jahreszeitenvorhersage an einzelnen Grundwassermessstellen eignen, weiterentwickelt, aber auch neue vielversprechende Deep-Learning-Ansätze verfolgt. Um räumliche Lücken zu schließen und somit die Regionalisierung der Vorhersagen, begleitet von pilothafter Magnetresonanz-Sondierung, zu verbessern, soll die Anzahl der bisher definierten Referenzmessstellen erweitert werden. Des Weiteren soll durch die Hinzunahme zusätzlicher Inputparameter wie Flusspegeln, Wasserentnahmen etc. sowie die Anwendung von Deep-Learning-Ansätzen die Vorhersagegüte verbessert werden. Datengrundlage sind neben Grundwasserdaten der Landesmessnetze auch Wetter- und Klimavorhersagen sowie Klimaprojektionen des Deutschen Wetterdienstes (DWD). Die Vorhersagen werden über eine Fachanwendung, den Vorhersagezeiträumen entsprechend aktualisiert, auf der BGR-Website bereitgestellt.

Die Version 1 der Web-Anwendung GRUVO wurde Mitte April für die Öffentlichkeit freigeschaltet und ist über https://gruvo.bgr.de zu erreichen.

Literatur:

Fachbericht

• WUNSCH, A. & LIESCH, T. (2020): Entwicklung und Anwendung von Algorithmen zur Berechnung von Grundwasserständen an Referenzmessstellen auf Basis der Methode Künstlicher Neuronaler Netze. - Abschlussbericht Projektphase I, 183 S., 61 Abb., 11 Tab., 13 Anh.; KIT, Karlsruhe. doi: 10.5445/IR/1000136522

Paper

• WUNSCH, A., LIESCH, T. & BRODA, S. (2022b): Deep learning shows declining groundwater levels in Germany until 2100 due to climate change. - Nat Commun 13, 1221. doi: 10.1038/s41467-022-28770-2
• WUNSCH, A., LIESCH, T. & BRODA, S. (2022a): Feature-based Groundwater Hydrograph Clustering Using Unsupervised Self-Organizing Map-Ensembles. - Water Resour. Manage., 36(1): 39-54. doi: 10.1007/s11269-021-03006-y
• WUNSCH, A., LIESCH, T. & BRODA, S. (2021): Groundwater level forecasting with artificial neural networks: a comparison of long short-term memory (LSTM), convolutional neural networks (CNNs), and non-linear autoregressive networks with exogenous input (NARX). - Hydrol. Earth Syst. Sci. 25: 1671-1687. doi: 10.5194/hess-25-1671-2021
• WUNSCH, A., LIESCH, T. & BRODA, S. (2021): Feature-basiertes Clustering von Umweltzeitreihen mit Self-Organizing-Map-Ensembles. - In: REUSSNER, R.H., KOZIOLEK, A. & HEINRICH, R. (Hrsg.): Informatik 2020. Gesellschaft für Informatik, Bonn. (S. 1035-1041). doi: 10.18420/inf2020_98
• WUNSCH, A., LIESCH, T. & BRODA, S. (2018): Forecasting Groundwater Levels using nonlinear Autoregressive Networks with exogenous Input (NARX). - J. Hydrol. 567: 743-758. doi: 10.1016/j.jhydrol.2018.01.045

Tagungsbeiträge

• BRODA, S., WUNSCH, A. & LIESCH, T. (2018): Wochen-, Monats-und Jahreszeitenvorhersage von Grundwasserständen mit künstlichen neuronalen Netzen. - 26. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., Ruhr-Universität Bochum.
• BRODA, S., WUNSCH, A., LIESCH, T., GOLDSCHEIDER, N. & REICHLING, J. (2017): Weekly, monthly and seasonal Forecasting of Groundwater Levels using Artificial Neural Networks. - 44th IAH Congress, Dubrovnik, Croatia.
• NÖLSCHER, M., HEBER, M., CLOS, P., ZAEPKE, M., STOLZ, W. & BRODA, S. (2024): Aktueller Zustand und Vorhersage der Grundwasserstände – eine neue bundesweite Fachanwendung. - 29. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., RWTH Aachen University.
• WUNSCH, A., LIESCH, T. & BRODA, S. (2021): Using Convolutional Neural Networks to evaluate Long-Term Groundwater Trends in Germany. - 48th IAH Congress, Brussels, Belgium.
• WUNSCH, A., LIESCH, T. & BRODA, S. (2020): Groundwater Level Forecasting with Artificial Neural Networks: A Comparison of LSTM, CNN and NARX. - AGU Fall Meeting, San Francisco, CA, USA.
• WUNSCH, A., LIESCH, T. & BRODA, S. (2019): Uncover Similarities of Groundwater Dynamics with Machine Learning based Hydrograph Clustering. - AGU Fall Meeting, San Francisco, CA, USA.

Partner:

Karlsruher Institut für Technologie (KIT), Institut für Angewandte Geowissenschaften - Abteilung Hydrogeologie