Sowohl die Grundwasserhöhe als auch die Verteilung von Stoffen im Grundwasser sind das Ergebnis eines komplexen Zusammenspiels vieler Einflussfaktoren und stellen ein hochkomplexes, räumlich und zeitlich stark variables Muster dar. Neben meteorologischen Faktoren (Niederschlag, Verdunstung), chemisch-physikalischen Eigenschaften des Grundwasserleiters und der überdeckenden Schichten sowie Transport- und Reaktionsprozessen im Grundwasser selbst spielen anthropogene Einflüsse wie Grundwasserentnahmen, Bewässerung oder allgemein Landnutzung eine Rolle. Obwohl die Anzahl der Messstellen, an denen Grundwasserhöhe und -qualität bestimmt werden, zunächst hoch erscheint, ist das Ergebnis immer auch von der räumlichen Lage der beprobten Messstellen sowie dem Zeitpunkt der Probenahme beeinflusst. Eine Übertragbarkeit auf nicht beprobte Bereich oder Zeiträume ist daher oft schwierig. Darüber hinaus stellen die Messung bzw. Probenahme und Analytik einen erheblichen Aufwand und Kostenfaktor dar.
Obwohl Grundwasserfluss und Stofftransport im Grundwasser weitgehend bekannten chemisch-physikalischen Prozessen folgen ist eine Modellierung mit analytischen oder numerischen Modellen im regionalen oder überregionalen Maßstag in einer sinnvollen räumlichen Auflösung bisher schwierig. Räumliche und zeitliche Beurteilungen und damit verbundene Handlungsempfehlungen oder Maßnahmen basieren daher aktuell weitgehend auf der Regionalisierung von punktuellen Messdaten bzw. der Auswertung von zeitlichen Trends.
KI-Anwendungen, insbesondere 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 datenbasierte Modelle sind sie in der Lage, komplexe Zusammenhänge aus einer großen Datenmenge zu extrahieren und zu übertragen.
Die Abteilung Hydrogeologie verfügt über ein langjährige Expertise in der Anwendung von KI im Grundwasserbereich, darunter Projekte zur räumlichen Vorhersage der Grundwasserqualität, zur zeitlichen Vorhersage von Grundwasserständen und zur Messnetzoptimierung.
Ebenenweise vollständig verbundenes Feed-Forward-Netzwerk mit vier Schichten, einer
Eingabeschicht, zwei verdeckten Schichten und einer Ausgabeschicht (Liesch, 2006).