Projektbeschreibung

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, Gebäuden und landwirtschaftlichen Flächen, sowie die Entwicklung geeigneter Vermeidungs- und Anpassungsstrategien.

Ziel ist die Entwicklung einer Methode, die bundesweit flächendeckende Kurz-, Mittel- und Langfrist-Prognosen von Grundwasserständen und Quellschüttungen, insbesondere im Hinblick auf Extremereignisse (Höchst- und Tiefststände) ermöglicht. Hierfür werden sowohl existierende Ansätze, welche auf künstlichen neuronalen Netzen basieren und sich schon jetzt zur Wochen-, Monats- und Jahreszeitenvorhersage an einzelnen Grundwassermessstellen eignen, weiterentwickelt, als auch neue vielversprechende Deep-Learning Ansätze verfolgt. Datengrundlage sind neben Grundwasserdaten der Landesmessnetze auch Wetter- und Klimavorhersagen sowie Klimaprojektionen des Deutschen Wetterdienstes (DWD) und anderen Forschungseinrichtungen (z.B. MPI-M).

Beispiel Grundwasserstandsvorhersage