KIMoDIs: KI-basiertes Monitoring-, Datenmanagement- und Informationssystem zur gekoppelten Vorhersage und Frühwarnung vor Grundwasserniedrigständen und -versalzung; KI-basierte Wasserhaushaltsmodellierung

Abstract

Es wird das Potenzial datengesteuerter Deep-Learning-Methoden für die Simulation und Vorhersage der Grundwasserneubildung (GWN) unter Verwendung hydrometeorologischer Daten für ein Teileinzugsgebiet in Brandenburg untersucht. Eine zuverlässige Abschätzung der Grundwasserneubildung ist eine wichtige Voraussetzung für eine nachhaltige Wasserwirtschaft, insbesondere angesichts erwarteter zukünftiger regionaler Klimaänderungen und damit verbundener Extremsituationen auf Grund des Globalen Klimawandels. Der Schwerpunkt lag auf der Entwicklung und Bewertung von Modellen für maschinelles Lernen, die eine mehrstufige Vorhersage der Grundwasserneubildung mit unterschiedlichen zeitlichen Auflösungen ermöglichen, wobei insbesondere Modelle betrachtet wurden, die ausschließlich auf klimatischen Eingangsvariablen basieren. Dieser Ansatz ermöglicht die Anwendung der Modelle zur Abschätzung der für das Grundwassermanagement verfügbaren Wasserressourcen auf den verschiedenen Vorhersage- bzw. Projektionshorizonten unter Verwendung verfügbarer meteorologischer Klimavorhersagen bzw. Klimaprojektionen. Das Projekt zeigt, dass Deep-Learning-Modelle, insbesondere Gated Recurrent Units (GRU), in der Lage sind, die Grundwasserneubildung mit guter Vorhersagegenauigkeit zu prognostizieren. Mit dem empirischen Wasserbilanzverfahren BAGLUVA-BB erstellte vieljährig gemittelte flächendifferenzierte Grundwasserneubildungsraten für Gegenwarts- und Zukunftshorizonte sowie vom Trainingsdatensatz unabhängige mit dem konzeptionellen Wasserhaushaltsmodell LARSIM-ME erstellte Simulations- und Projektionsdaten zeigten eine gute Übereinstimmung der verschiedenen Verfahren auf den verschiedenen betrachteten Zeitskalen (Wochenmittel bis vieljährige Jahresmittel). Ein erster Prototyp für eine Dekadische Vorhersage der Grundwasserneubildung unter Verwendung des Modells BAGLUVA-BB und den Klimavorhersagen des Deutschen Wetterdienstes wurde umgesetzt.