Andreas Wunsch

Dr. Andreas Wunsch

Arbeitsbereiche

  • Künstliche neuronale Netze

 

Veröffentlichungen


2024
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
2023
Mit Künstlicher Intelligenz dem Grundwasser auf der Spur
Bayless, J.; Wunsch, A.
2023. (KIT-Zentrum Klima und Umwelt, Hrsg.). doi:10.5445/IR/1000162292
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
2021
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
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
2020
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
2019
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
2018
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