Landesweite Abschätzung der Nitratkonzentration im Grundwasser mit Hilfe von Machine Learning

Lukas Knoll1, Lutz Breuer2, Martin Bach2
1 UNGER ingenieure Ingenieurgesellschaft mbH
2 Institut für Landschaftsökologie und Ressourcenmanagement, Interdisziplinäres Forschungszentrum iFZ, Research Centre for Biosystems, Land Use and Nutrition, Justus-Liebig-Universität Gießen

V 7.2 in Künstliche Intelligenz in der Hydrogeologie

23.03.2022, 10:45-11:00, HS 2

Die Grundwassernitratbelastung ist seit Jahrzehnten ein bekanntes Problem, doch die Diskussion über Ursachen und Lösungsansätze wird noch immer sehr kontrovers geführt. Zur Wiederherstellung und Erhalt des guten Zustands der Wassersysteme in Europa, wurde die EU-Wasserrahmenrichtlinie implementiert, die unter anderem eine Reduzierung der Nitrateinträge in das Grundwasser fordert. Hierzu müssen harmonisierte und transparente Ansätze zur Bewertung der Qualität von Grundwasserkörpern und eindeutig definierte Regelungen zur Umsetzung von Minderungsmaßnahmen geschaffen werden. Dabei spielt die Abschätzung der Stickstoffeinträge in den Untergrund, die räumliche Verteilung der Nitratkonzentrationen im Grundwasser und das natürliche Nitratreduktionspotentials des Grundwasserleiters eine wichtige Rolle. Für die Modellierung der Grundwasserqualität auf landesweiter Ebene haben sich datengestützte Ansätze, insbesondere Machine Learning Verfahren, bewährt. Wir zeigen einen Ansatz zur großräumigen Regionalisierung von Grundwassernitratkonzentrationen in Abhängigkeit von räumlichen Umweltparametern. Für die gesamte Bundesrepublik Deutschland wird basierend auf dem Grundwassermessnetz der Wasserrahmenrichtlinie ein Random Forest Modell trainiert und die Nitratkonzentrationen im Grundwasser für eine Gitterkarte mit der Auflösung 1 km x 1 km abgeschätzt. Mit einem R² von 0,5 kann eine gute Vorhersageleistung erreicht werden. Als einflussreichste Prädiktoren erweisen sich die Redoxbedingungen, die hydrogeologischen Einheiten und der Anteil an Ackerland. Mit Hilfe von Quantile Random Forest wurde eine Unsicherheitsanalyse durchgeführt. Das mittlere Vorhersageintervall liegt bei rd. 50 mg NO3-/l. Mit dem hier vorgestellten Ansatz lassen sich räumliche Vorhersagen auf landesweiter Ebene auf der Basis frei verfügbarer Geodaten treffen, was einen wichtigen Beitrag für die Bewertung des Zustands der Grundwasserkörper liefert.



Export as iCal: Export iCal