Veröffentlichungen

Data-driven modeling of hydraulic head time series: results and lessons learned from the 2022 groundwater modeling challenge
Collenteur, R. A.; Haaf, E.; Bakker, M.; Liesch, T.; Wunsch, A.; Soonthornrangsan, J.; White, J.; Martin, N.; Hugman, R.; Fienen, M.; de Sousa, E.; Vanden Berghe, D.; Fan, X.; Peterson, T.; Bikše, J.; Di Ciacca, A.; Wang, X.; Zheng, Y.; Nölscher, M.; Koch, J.; Schneider, R.; Benavides Höglund, N.; Chidepudi, S. K. R.; Henriot, A.; Massei, N.; Jardani, A.; Rudolph, M. G.; Rouhani, A.; Gómez-Hernández, J.; Jomaa, S.; Pölz, A.; Franken, T.; Behbooei, M.; Lin, J.; Tolson, B.; Meysami, R.
2024. Hydrology and earth system sciences discussions, 1–21. doi:10.5194/hess-2024-111

Towards understanding the influence of seasons on low-groundwater periods based on explainable machine learning
Wunsch, A.; Liesch, T.; Goldscheider, N.
2024. Hydrology and Earth System Sciences, 28 (9), 2167 – 2178. doi:10.5194/hess-28-2167-2024

Towards understanding the influence of seasons on low groundwater periods based on explainable machine learning
Wunsch, A.; Liesch, T.; Goldscheider, N.
2023. Copernicus. doi:10.5194/hess-2023-284

Mit Künstlicher Intelligenz dem Grundwasser auf der Spur
Bayless, J.; Wunsch, A.
2023. (KIT-Zentrum Klima und Umwelt, Hrsg.). doi:10.5445/IR/1000162292

Application of machine learning and deep neural networks for spatial prediction of groundwater nitrate concentration to improve land use management practices
Karimanzira, D.; Weis, J.; Wunsch, A.; Ritzau, L.; Liesch, T.; Ohmer, M.
2023. Frontiers in Water, 5. doi:10.3389/frwa.2023.1193142

Results from the 2022 Groundwater Time Series Modeling Challenge
Collenteur, R.; Haaf, E.; Liesch, T.; Wunsch, A.; Bakker, M.
2023. European Geosciences Union General Assembly (EGU 2023), Wien, Österreich, 23.–28. April 2023. doi:10.5194/egusphere-egu23-9341

When best is the enemy of good – critical evaluation of performance criteria in hydrological models
Cinkus, G.; Mazzilli, N.; Jourde, H.; Wunsch, A.; Liesch, T.; Ravbar, N.; Chen, Z.; Goldscheider, N.
2023. Hydrology and Earth System Sciences, 27 (13), 2397–2411. doi:10.5194/hess-27-2397-2023

Comparison of artificial neural networks and reservoir models for simulating karst spring discharge on five test sites in the Alpine and Mediterranean regions
Cinkus, G.; Wunsch, A.; Mazzilli, N.; Liesch, T.; Chen, Z.; Ravbar, N.; Doummar, J.; Fernández-Ortega, J.; Barberá, J. A.; Andreo, B.; Goldscheider, N.; Jourde, H.
2023. Hydrology and Earth System Sciences, 27 (10), 1961–1985. doi:10.5194/hess-27-1961-2023

Spatiotemporal optimization of groundwater monitoring networks using data-driven sparse sensing methods
Ohmer, M.; Liesch, T.; Wunsch, A.
2022. Hydrology and Earth System Sciences, 26 (15), 4033–4053. doi:10.5194/hess-26-4033-2022

Leveraging Artificial Neural Networks for Modeling Hydrogeological Time Series. Dissertation
Wunsch, A.
2022, August 2. Karlsruher Institut für Technologie (KIT). doi:10.5445/IR/1000149192

„Klimawandel lässt Grundwasserspiegel sinken“ - Unter Einsatz künstlicher Intelligenz wurden am Karlsruher Institut für Technologie Prognosen für ganz Deutschland erstellt - Campus-Report am 31.05.2022
Fuchs, S.; Wunsch, A.
2022. doi:10.5445/IR/1000146847

Karst spring discharge modeling based on deep learning using spatially distributed input data
Wunsch, A.; Liesch, T.; Cinkus, G.; Ravbar, N.; Chen, Z.; Mazzilli, N.; Jourde, H.; Goldscheider, N.
2022. Hydrology and Earth System Sciences, 26 (9), 2405–2430. doi:10.5194/hess-26-2405-2022

Deep learning shows declining groundwater levels in Germany until 2100 due to climate change
Wunsch, A.; Liesch, T.; Broda, S.
2022. Nature Communications, 13 (1), Artikel-Nr.: 1221. doi:10.1038/s41467-022-28770-2

Using Convolutional Neural Networks To Evaluate Long‐Term Groundwater Trends In Germany
Wunsch, A.; Broda, S.; Liesch, T.
2021, September 9. 48th IAH Congress (2021), Brüssel, Belgien, 6.–10. September 2021

Deep Learning based assessment of groundwater level development in Germany until 2100
Wunsch, A.; Liesch, T.; Broda, S.
2021, April 30. European Geosciences Union General Assembly (EGU 2021), Online, 19.–30. April 2021. doi:10.5194/egusphere-egu21-9590

Modeling the discharge behavior of an alpine karst spring influenced by seasonal snow accumulation and melting based on a deep-learning approach
Liesch, T.; Wunsch, A.; Chen, Z.; Golscheider, N.
2021, April 29. European Geosciences Union General Assembly (EGU 2021), Online, 19.–30. April 2021. doi:10.5194/egusphere-egu21-12181

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)
Wunsch, A.; Liesch, T.; Broda, S.
2021. Hydrology and Earth System Sciences, 25 (3), 1671–1687. doi:10.5194/hess-25-1671-2021

Feature-based Groundwater Hydrograph Clustering Using Unsupervised Self-Organizing Map-Ensembles
Wunsch, A.; Liesch, T.; Broda, S.
2021. Water Resources Management, 36, 39–54. doi:10.1007/s11269-021-03006-y

Karst modelling challenge 1: Results of hydrological modelling
Jeannin, P.-Y.; Artigue, G.; Butscher, C.; Chang, Y.; Charlier, J.-B.; Duran, L.; Gill, L.; Hartmann, A.; Johannet, A.; Jourde, H.; Kavousi, A.; Liesch, T.; Liu, Y.; Lüthi, M.; Malard, A.; Mazzilli, N.; Pardo-Igúzquiza, E.; Thiéry, D.; Reimann, T.; Schuler, P.; Wöhling, T.; Wunsch, A.
2021. Journal of hydrology, 600, 126508. doi:10.1016/j.jhydrol.2021.126508

Feature-basiertes Clustering von Umweltzeitreihen mit Self-Organizing-Map-Ensembles
Wunsch, A.; Liesch, T.; Broda, S.
2021. INFORMATIK 2020 - Back to the future. Hrsg.: R. H. Reussner, 1035–1041, Gesellschaft für Informatik (GI). doi:10.18420/inf2020_98

Nitrat-Monitoring 4.0 – Intelligente Systeme zur nachhaltigen Reduzierung von Nitrat im Grundwasser
Liesch, T.; Bruns, J.; Abecker, A.; Hilbring, D.; Karimanzira, D.; Martin, T.; Wagner, M.; Wunsch, A.; Fischer, T.
2021. INFORMATIK 2020 - Back to the future. Hrsg.: R.H. Reussner, 1069–1079, Gesellschaft für Informatik (GI). doi:10.18420/inf2020_101

Groundwater Level Forecasting with Artificial Neural Networks: A Comparison of LSTM, CNN and NARX
Wunsch, A.; Liesch, T.; Broda, S.
2020, Dezember 15. 101. AGU Fall Meeting (2020), Online, 1.–17. Dezember 2020

Feature-basiertes Clustering von Umweltzeitreihen mit Self-Organizing-Map-Ensembles
Wunsch, A.; Liesch, T.; Broda, S.
2020, Oktober 2. 50. Back to the future. 50. Jahrestagung der Gesellschaft für Informatik (Informatik 2020), Online, 28. September–2. Oktober 2020

Entwicklung und Anwendung von Algorithmen zur Berechnung von Grundwasserständen an Referenzmessstellen auf Basis der Methode Künstlicher Neuronaler Netze : Abschlussbericht
Wunsch, A.; Liesch, T.
2020. Karlsruher Institut für Technologie (KIT). doi:10.5445/IR/1000136522

Uncover Similarities of Groundwater Dynamics with Machine Learning based Hydrograph Clustering (Oral Talk IN43A-07)
Wunsch, A.; Liesch, T.; Broda, S.
2019, Dezember 12. Fall Meeting (AGU 100 2019), San Francisco, CA, USA, 9.–13. Dezember 2019

Aquifer responses to long-term climatic periodicities
Liesch, T.; Wunsch, A.
2019. Journal of hydrology, 572, 226–242. doi:10.1016/j.jhydrol.2019.02.060

Forecasting groundwater levels using nonlinear autoregressive networks with exogenous input (NARX)
Wunsch, A.; Liesch, T.; Broda, S.
2018. Journal of hydrology, 567, 743–758. doi:10.1016/J.JHYDROL.2018.01.045

Wochen-, Monats- und Jahreszeitenvorhersage von Grundwasserständen mit künstlichen neuronalen Netzen
Broda, S.; Wunsch, A.; Liesch, T.; Reichling, J.
2018, März 22. 26. Grundwasser im Umfeld von Bergbau, Energie und urbanen Räumen - Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e.V. (2018), Bochum, Deutschland, 21.–24. März 2018

Wochen-, Monats-und Jahreszeitenvorhersage von Grundwasserständen mit künstlichen neuronalen Netzen
Broda, S.; Wunsch, A.; Liesch, T.
2018. Grundwasser im Umfeld von Bergbau, Energie und urbanen Räumen, Herausgeber: Banning, A. W.; Frank, S.; Kaufmann-Knoke, R.; Niedermayr, A.; Wisotzky, F.; Wohnlich, S., Institut für Geologie