Andreas Wunsch

Dr. Andreas Wunsch

Workspaces

  • Artificial neural networks


Publications


Mit Künstlicher Intelligenz dem Grundwasser auf der Spur
Bayless, J.; Wunsch, A.
2023. (KIT-Zentrum Klima und Umwelt, Ed.). 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), Vienna, Austria, April 23–28, 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. PhD dissertation
Wunsch, A.
2022, August 2. Karlsruher Institut für Technologie (KIT). doi:10.5445/IR/1000149192
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), Brussels, Belgium, September 6–10, 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, April 19–30, 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, April 19–30, 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
Groundwater Level Forecasting with Artificial Neural Networks: A Comparison of LSTM, CNN and NARX
Wunsch, A.; Liesch, T.; Broda, S.
2020, December 15. 101. AGU Fall Meeting (2020), Online, December 1–17, 2020
Feature-basiertes Clustering von Umweltzeitreihen mit Self-Organizing-Map-Ensembles
Wunsch, A.; Liesch, T.; Broda, S.
2020, October 2. 50. Back to the future. 50. Jahrestagung der Gesellschaft für Informatik (Informatik 2020), Online, September 28–October 2, 2020
Uncover Similarities of Groundwater Dynamics with Machine Learning based Hydrograph Clustering (Oral Talk IN43A-07)
Wunsch, A.; Liesch, T.; Broda, S.
2019, December 12. Fall Meeting (AGU 100 2019), San Francisco, CA, USA, December 9–13, 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
Wochen-, Monats- und Jahreszeitenvorhersage von Grundwasserständen mit künstlichen neuronalen Netzen
Broda, S.; Wunsch, A.; Liesch, T.; Reichling, J.
2018, March 22. 26. Grundwasser im Umfeld von Bergbau, Energie und urbanen Räumen - Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e.V. (2018), Bochum, Germany, March 21–24, 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