Innovative Modellierungsansätze des maschinellen Lernens in der Hydrogeologie für unterschiedliche räumliche und zeitliche Skalen
Die Anwendung von Methoden des maschinellen Lernens (ML) erfordert eine umfassende Analyse aller verfügbaren Daten sowie die Auswahl geeigneter Algorithmen. Nur so ist es möglich, die komplexen hydrogeologischen Zusammenhänge auf unterschiedlichen räumlichen und zeitliche Skalen präzise abzubilden und die im Projekt behandelten Fragestellungen zielgerichtet zu lösen. Daher wurden im Zuge der Messnetzanalyse des Grundwasserstandsmessnetzes Brandenburg alle knapp 2000 in KIMoDIS betrachteten Ganglinien mithilfe einer Hauptkomponentenanalyse untersucht, um anthropogen beeinflusste Messstellen auszuschließen. Mit den verbleibenden Messstellen wurde ein Ranking durchgeführt, das den Informationsgehalt jeder Ganglinie bewertet. Hier war das Ziel, ein optimiertes Messnetz zu erhalten, welches maximalen Informationsgehalt liefert und gleichzeitig den Wartungsaufwand minimiert. Die Ergebnisse beider Ansätze sind in einen umfangreichen Kriterienkatalog eingeflossen, der als Grundlage für die Auswahl der Standorte zur Messnetz-Aufrüstung mit Echtzeit-Monitoring-Systemen diente.
Abbildung 1: Ergebnisse der informationsbasierten Messnetzoptimierung. Karte der gerankten Grundwassermessstellen, eingefärbt nach Rang (Hintergrund: Thiessen-Polygone). (Quelle: KIT)
Für die unterschiedlichen räumlichen Skalen und spezifischen Fragestellungen der einzelnen Pilotgebiete des Projekts (von Wasserwerken bis zur Bundeslandebene) wurden verschiedene KI-Modellansätze zur Zeitreihenvorhersage genutzt. So wurden für zwei Standorte gekoppelte Modelle entwickelt, die sowohl Grundwasserstand als auch Grundwasserversalzung vorhersagen. Dabei stehen Herausforderungen wie Meerwasserintrusion (Langeoog) und der Aufstieg saliner Tiefenwässer (Potsdam) im Fokus. Darüber hinaus wurde für einzelne Standorte ein Modell erstellt, das erstmals die gekoppelte Vorhersage von Grundwasserständen und Oberflächengewässerpegeln erlaubt.
KIMoDIs setzt zudem auf neuartige so genannte „globale“ ML-Architekturen wie beispielswiese den Time-series Dense Encoder (TiDE). Diese globalen Modelle können Daten von zahlreichen Messstellen in einem Modell verarbeiten, mit dem Ziel, Grundwasserstandsdynamiken übergreifend zu erkennen und zu generalisieren. Dabei werden dynamische Eingangsdaten wie Grundwasserstände und meteorologische Parameter mit statischen, hydrogeologisch relevanten Merkmalen kombiniert. Durch die Einbindung der standort-spezifischen Eigenschaften konnten die bisherigen Prognosen verbessert werden. Dies ermöglicht nun präzise saisonale Vorhersagen für 1100 Messstellen im Basismessnetz des Bundeslandes Brandenburg. Zudem wurde im Rahmen des Projekts eine Vorstudie durchgeführt die verschiedene globale ML-Architekturen für die Vorhersage von Grundwasserständen testet, welch sich derzeit im Review-Prozess befindet.
Im Projekt kommen außerdem Methoden der erklärbaren künstlichen Intelligenz (Explainable AI) zum Einsatz, welche den Einfluss einzelner Eingabevariablen auf die Modellvorhersagen quantifizieren. Dies ermöglicht ein besseres Verständnis darüber, welche Variablen entscheidend für die Vorhersagen sind und vertieft das Verständnis der zugrunde liegenden Prozesse. Der Fokus der nächsten Monate liegt auf dem systematischen Test einzelner im Projekt entwickelter neuer klimatischer Eingangsparameter, um die Vorhersagequalität von Messstellen, die bisher ungenaue Prognosen lieferten, zu verbessern. Zu diesen Parametern gehören unter anderem die potenzielle Evapotranspiration (PET), Bodenfeuchte und verschiedene Telekonnektionsindizes. Ein weiterer Schwerpunkt ist die Integration vorhandener Grundwasserentnahmedaten, um eine Basis für KI-basierte Nutzungsszenarien zu schaffen.
Als Grundlage für das zu entwickelnde Entscheidungsunterstützungssystem wurde eine Datenbank erstellt und über eine API gemäß OGC-Standards zugänglich gemacht. Aktuelle Monitoringdaten der Grundwasserganglinien sowie meteorologischer Daten bilden bereits einen wesentlichen Bestandteil, während die Integration von Klimaszenarien-Simulationen schrittweise in den nächsten Monaten erfolgt. Im Anschluss an die erste technische und visuelle Konzeption wurden Interviews mit Landesbehörden durchgeführt, um die Weiterentwicklung besser an den Anforderungen der Nutzer auszurichten.
Mit den vielfältigen Ansätzen legt das Projekt KIMoDIs die Grundlage für innovative Lösungen im Grundwassermanagement, die wissenschaftliche Erkenntnisse und praktische Anwendungen vereinen. In der weiteren Projektlaufzeit gilt es, diese Ergebnisse und Entwicklungen im Entscheidungsunterstützungssystem (DSS) zusammenzuführen.
05.12.2024
Abbildung 2: Modellgüte der kurzfristigen Grundwasserstandsvorhersage für 1100 Grundwassermessstellen in Brandenburg. (Quelle: BGR)
