Wochen-, Monats- und Jahreszeitenvorhersage von Grundwasserständen mit künstlichen neuronalen Netzen

Stefan Broda1, Andreas Wunsch2, Tanja Liesch2, Jörg Reichling1
1 Bundesanstalt für Geowissenschaften und Rohstoffe
2 Karlsruher Institut für Technologie

O 14.6 in Güte und Bewertung von Grundwassermodellen

22.03.2018, 17:00-17:15, 2

Die Qualität und Zuverlässigkeit der Modellierung und Vorhersage von Grundwasserständen mittels physikalisch-basierter numerischer Grundwasserströmungsmodelle hängen stark von der Verfügbarkeit von Felddaten für die Modellparametrisierung ab. Insbesondere bei (über)regionalen Studien scheitern diese Modelle oft wegen fehlender oder unvollständiger Informationen, beispielsweise hinsichtlich der räumlichen Ausdehnung der einzelnen geologischen Formationen und ihrer hydraulischen Eigenschaften. Ansätze, die auf künstlicher Intelligenz beruhen, wie künstliche neuronale Netze, sind eine vielversprechende Alternative, da sie die Fragestellung auf eine einfache Input-Output-Beziehung reduzieren, während Beschreibungen des physikalischen Prozesses entfallen.
Eine zuverlässige Vorhersage des Grundwasserspiegels ist unabdingbar für die die Ableitung von Wasserverfügbarkeits- und Bewässerungsanforderungen in der Trinkwasserversorgung und Landwirtschaft, der Abgrenzung möglicher Landsenkungszonen durch extrem niedrige Grundwasserstände im Zusammenhang mit Dürre und/oder Grundwasserförderung, der Abgrenzung potenzieller Gebiete von Grundwasserhöchstständen für Verkehrsinfrastruktur, Gebäude und landwirtschaftlichen Nutzflächen und die Entwicklung geeigneter Vermeidungs- und Anpassungsstrategien.
In diesem Beitrag wird die Verwendbarkeit verschiedener neuronaler Netzwerktypen (feedforward und rekurrente neuronale Netze, mit und ohne vorgeschalteter Wavelet-Transformation des Eingangsdatensatzes) an Pegeln im Fest- und Lockergestein evaluiert. Die von anthropogen unbeeinflussten Pegel zeichnen sich durch langjährige und vollständige Zeitreihen aus. Wöchentliche, monatliche und saisonale Vorhersagen des Grundwasserspiegels wurden über einen Zeitraum von mehreren Jahren durchgeführt. Die Ergebnisse zeigen dass rekurrente neuronale Netze (nichtlineare autoregressive Netze mit exogenem Input - NARX) höchst robust arbeiten mit relativen Fehlern kleiner 0,06 m und Bestimmtheitsmaßen zwischen 0,84-0,98. Vorgeschaltete Wavelet-Transformationen verbessern die Ergebnisse der Feedfoward-Netzwerke deutlich, jedoch nicht die mit den NARX berechneten Grundwasserständen.
Zusätzlich wird die Auswahl der Piezometer als Referenzmessstellen zur Darstellung der allgemeinen Strömungsdynamik im jeweiligen Aquifer diskutiert.



Export as iCal: Export iCal