Nutzung von Convolutional Neural Networks zur Vorhersage von Grundwasserständen

Maximilian Nölscher1, Hartmut Häntze2, Stefan Broda1, Paul Prasse2, Lena Jäger2, Silvia Makowski2
1 Bundesanstalt für Geowissenschaften und Rohstoffe (BGR)
2 Universität Potsdam, Machine Learning Group

5.1 in Data-Science in der Hydrogeologie: Potenziale, Limitationen und Herausforderungen

27.03.2020, 09:45-10:00, Weißer Saal

Die zeitliche Vorhersage von Grundwasserständen spielt eine wichtige Rolle für das Grundwassermanagement, wie z.B. die Abschätzung anthropogener Eingriffe sowie Folgen klimatischer Änderungen. Daher ist die Modellierung von Grundwasserständen mittels physikalisch-basierter Ansätze ein fester Bestandteil der Hydrogeologie. Datengetriebene Ansätze jedoch finden erst seit der jüngeren Vergangenheit vermehrt Anwendung, insbesondere für die Vorhersage von Grundwasserständen unter Nutzung von Methoden des maschinellen Lernens (z.B. Random Forest und Neuronale Netze). Hierfür wird stets ein Modell je Messstelle bzw. Zeitreihe aufgebaut. Um dies weiterzuentwickeln wird hier ein Ansatz vorgestellt, der ein einziges Modell für die Vorhersage von Grundwasserständen an mehreren Messstellen (n > 200) verwendet. Bei dem Modell handelt es sich um ein dreidimensionales Convolutional Neural Net (CNN). CNNs sind eine Sonderform künstlicher neuronaler Netze und bestehen aus Convolutional- und Pooling-Schichten, um mithilfe deren Struktur den Rechenaufwand selbst bei großen Eingabemengen beherrschbar zu halten. CNNs erlangten in den letzten Jahren aufgrund ihrer hohen Performanz in Problemstellungen der Bilderkennung und Segmentierung einen großen Entwicklungsschub und Aufmerksamkeit.

Neben den Zeitreihen der Grundwasserstände werden u. a. meteorologische Flächendaten zu Niederschlag (N) und Temperatur (T) als zusätzliche Input-Kanäle verwendet. Das CNN „sieht“ für die Modellerstellung nicht nur den N- bzw. T-Wert der Rasterzelle, in der die Messstelle liegt, sondern auch umliegende Werte. Dies hat den Vorteil, dass auch Einflüsse meteorologischer Muster in der Umgebung der Messstelle auf den Grundwasserstand mitgelernt werden können. Die Vorhersagen werden für Zeiträume bis sechs Monate berechnet. Für die Validierung wird neben dem Vergleich mit den beobachteten Messwerten zusätzlich ein Vergleich des über alle Messstellen gemittelten Fehlers gegenüber einem Baselinemodell herangezogen. Zur weiteren Verbesserung der Vorhersagefähigkeit werden die Hyperparameter optimiert sowie weitere Flächendaten (z.B. Geologie, Bodeneigenschaften, Landnutzung) als Input verwendet. Hyperparameter sind äußere Modellparameter, die während des Trainingsprozesses nicht verändert werden. Dieses Modell soll die Grundlage für eine regionalisierte Vorhersage von Grundwasserständen bilden.



Export as iCal: Export iCal