In den ersten Monaten lag der Schwerpunkt im Projekt KIMoDIs auf der Konzeption eines intelligenten Datenmanagementsystems sowie auf der Erfassung und Aufbereitung verfügbarer Daten aus den Pilotregionen. Dieser Prozess ist von entscheidender Bedeutung, da eine umfassende und qualitativ hochwertige Datengrundlage die Voraussetzung für die Entwicklung datengetriebener Machine-Learning (ML) Modelle ist.
Gemeinsam mit allen Projektpartnern wurden zunächst die benötigten Daten einschließlich ihrer Quellen identifiziert. Dazu gehören im Wesentlichen Grundwasserstände und elektrische Leitfähigkeiten als Proxy für die Grundwasserversalzung, aber auch Entnahmeraten, Wasserrechte, Pegelstände und atmosphärische Modellgrößen sowie Fernerkundungsdaten. Ziel ist es, all diese Daten in einem intelligenten Datenmanagementsystem zusammenzuführen.
Zunächst lag der Fokus auf der Datenaufbereitung im Bundesland Brandenburg sowie der Insel Langeoog. Eine geogene Versalzung süßwasserführender Grundwasserleiter tritt in beiden Pilotregionen auf, jedoch aufgrund unterschiedlicher Ursachen. In Brandenburg resultiert die Versalzung aus dem Aufstieg hoch mineralisierter Tiefenwässer und Salzstockablaugungen, während auf der Insel Langeoog die Intrusion von Meerwasser ursächlich ist. Im Bundesland Brandenburg sind knapp 29% der Fläche von geogenen Grundwasserversalzungen betroffen. Daher betreiben die zuständigen Landesämter (LfU und LBGR) zwei separate Salinarmessnetze. Das oberflächenferne, geogen-orientierte Messnetz ist mit Datenloggern ausgestattet und erfasst elektrische Leitfähigkeit, Temperatur und Wasserstand (LBGR). Das oberflächennahe, wasserwirtschaftlich-orientierte Monitoringnetzwerk umfasst Grundwassergütemessstellen, die etwa halbjährlich beprobt werden, um die Qualität des Grundwassers zu überwachen (LfU). Außerdem wird in ca. 2000 Grundwassermessstellen mindestens wöchentlich der Grundwasserstand erfasst. Auf der Insel Langeoog gibt es wiederum über 100 Grundwassermessstellen, an denen manuell Grundwasserstand und -beschaffenheit überwacht werden. Etwa 25 dieser Messstellen sind mit Datenloggern ausgestattet, die elektrische Leitfähigkeit, Temperatur und Wasserstand kontinuierlich messen.
Im ersten Schritt wurden die Rohdaten aus den unterschiedlichen Pilotregionen zusammengetragen und prozessiert. Zur Datenaufbereitung gehörten Schritte wie die Interpolation kleinerer Datenlücken und die Aggregation auf einheitliche Zeitintervalle. Zusätzlich wurden automatisierte Qualitätskontrollen durchgeführt, um die Plausibilität der Daten zu prüfen und gegebenenfalls Korrekturen vorzunehmen (Bereinigungen von Ausreißer oder Sprünge). Parallel zu diesen Datenaufbereitungsmaßnahmen wurde die Konzeption und technische Realisierung eines Datenbanksystems in PostgreSQL vorangetrieben. Dabei wurden moderne Standards wie die SensorThings API, GroundWaterML 2 und Geographic Markup Language (GML) verwendet. Diese Datenbank dient zu Beginn zunächst dem Datenaustausch zwischen den einzelnen Projektpartnern. Zukünftig soll sie die Grundlage für das zu entwickelnde Entscheidungsunterstützungssystem bilden.
Neben dem Grundwassermonitoring bilden atmosphärische Klimadaten (wie Temperatur, Niederschlag, relative Feuchte) eine weitere wesentliche Modellkomponente. Die datengetriebenen ML-Modelle erlernen die komplexen Zusammenhänge zwischen Grundwasserständen und atmosphärischen Parametern. Dadurch wird es möglich, kurzfristige (saisonale) und mittelfristige (1-10 Jahre) Prognosen von Grundwasserständen auf Grundlage saisonaler und dekadischer Klimavorhersagen zu treffen. Für langfristige Prognosen bis zum Jahr 2100 werden Klimaprojektionen herangezogen (Abbildung 1). Die saisonalen und dekadischen Klimavorhersagen von Temperatur, Niederschlag und Feuchte für die kommenden Monate und Jahre wurden als neues Datenprodukt veröffentlicht und sind auf dem ESGF-Knoten des DWD für alle verfügbar.
Mit dieser umfangreichen Datenbasis können nun erste ML-Modelle entwickelt werden, die mithilfe von Künstlicher Intelligenz Grundwasserstände und -versalzungen vorhersagen.
Stand: 04.09.2023
Abbildung 1: Zeitskalen von Klimavorhersagen und Klimaprojektionen (Quelle DWD)
