Projektbeschreibung

Die Verteilung von Nitrat im Grundwasser ist das Ergebnis eines komplexen Zusammenspiels vieler Einflussfaktoren, darunter neben dem Eintrag, der von der Landnutzung bestimmt wird, meteorologische Faktoren (Niederschlag, Verdunstung), chemisch-physikalische Eigenschaften der grundwasserüberdeckenden Schichten sowie Transport- und Reaktionsprozesse im Grundwasser selbst. Die Nitrat-Verteilung im Grundwasser stellt daher ein hochkomplexes, räumlich und zeitlich stark variables Muster dar, das regional und insbesondere vertikal eine ausgeprägte hydro-geochemische Differenzierung aufweist. Obwohl Eintrag, Transport und Ausbreitung von Nitrat im Grundwasser weitgehend bekannten chemisch-physikalischen Prozessen folgen, so ist eine Modellierung mit analytischen oder numerischen Modellen in einer sinnvollen räumlichen Auflösung bisher schwierig. KI-Anwendungen, insbesondere zum Bereich Machine Learning gehörende Neuronale Netze bzw. Deep Learning Verfahren, wie sie in anderen Disziplinen häufig zur Mustererkennung eingesetzt werden, bieten hier einen deutlichen Mehrwert gegenüber den etablierten Verfahren. Als datenbasiertes Modell sind sie in der Lage, komplexe Zusammenhänge aus einer großen Datenmenge zu extrahieren und zu übertragen.

Übergeordnetes Ziel des Projekts ist eine verbesserte räumliche und zeitliche Vorhersage von Nitrat im Grundwasser und darauf aufbauende intelligente Entscheidungsunterstützungssysteme, welche bspw. durch Szenarienrechnungen zur Optimierung von Grundwasserschutzprogrammen und damit zur effizienten und nachhaltigen Nitrat-Reduzierung beitragen. Die betrachteten Lösungsansätze und Methoden werden entwickelt, demonstriert und validiert anhand realer Daten aus zwei wasserwirtschaftlich bedeutenden Pilotregionen, mit hinlänglich großer hydrogeologischer Variabilität, um hieraus Aussagen zur Allgemeingültigkeit und Übertragbarkeit der entwickelten Lösungen treffen zu können. Darüber hinaus ermöglicht die räumliche Vorhersage in Verbindung mit modernen Methoden der Geostatistik und des Operations-Research auch Empfehlungen zur Messnetzoptimierung.

Förderung