Veröffentlichungen

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

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. Informatik 2020 - Back to the future (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