Deep learning in der Hydrogeologie – Konzepte und Anwendungen

Stefan Broda1, Max Nölscher1
1 Bundesanstalt für Geowissenschaften und Rohstoffe

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

27.03.2020, 10:30-10:45, Weißer Saal

Deep Learning (DL) ist ein Teilbereich des maschinellen Lernens, das neuronale Netze in Verbund mit großen Datenmengen zur Entscheidungsfindung und Mustererkennung nutzt. Neuronale Netze wiederum bestehen aus Neuronen, welche verschiedenartig zueinander angeordnet und miteinander vernetzt sein können und somit spezifische Netztopologien bilden (input layer – hidden layer – output layer). Die einzelnen Verbindungen, welche mit einer Transferfunktion abgebildet werden, sind dabei gewichtet, d.h. die jeweiligen Inputs werden verstärkt oder abgeschwächt und müssen gleichzeitig Schwellenwerte überschreiten, um im Modell weiter bearbeitet werden zu können. DL Topologien bestehen aus einer Vielzahl von Neuronenschichten, die jeweils abstrahieren und bestimmte Eigenschaften des Eingangssignals ansprechen. Diese tiefe Schachtelung ist besonders leistungsfähig und somit auch Namensgeber (deep learning). Insbesondere reccurent neural networks (RNN) und convolutional neural networks (CNN) finden dabei Anwendung.

Neben einer Übersicht und Beschreibung von ausgewählten DL Konzepten sollen in diesem Beitrag u.a. folgende Anwendungsbeispiele von RNN und CNN beschrieben werden: i) das Detektieren von grundwasserspezifischer Infrastruktur aus Satellitendaten (Schachtbrunnen, Pumphäuser, Beregnungsanlagen etc.) sowie Pressemeldungen zur verbesserten Quantifizierung und räumlich-zeitlichen Verortung von Grundwasserentnahmen; ii) die maßgeschneiderte Ausreißererkennung in hydrogeologischen Zeitreihen; iii) die DL- gestützte Regionalisierung von Grundwasserergiebigkeiten aus Pumpversuchen in Verbund mit relevanten Flächeninformationen wie geologische, bodenkundliche, topographische und weitere (fernerkundliche) Datensätze. Außerdem werden sowohl notwendige Voraussetzungen als auch Grenzen der Anwendbarkeit von DL Methoden diskutiert.



Export as iCal: Export iCal