Effizientere Nutzung von KI-Ansätzen in der Hydrogeologie

Gunnar Lischeid1, Jörg Steidl2, Clemens Engelke3, Franka Koch3
1 Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF), Eberswalder Straße 84, 15374 Müncheberg und Institut für Umweltwissenschaften und Geographie, Universität Potsdam
2 Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF), Eberswalder Straße 84, 15374 Müncheberg
3 Landesamt für Umwelt, Naturschutz und Geologie Mecklenburg- Vorpommern

V 7.5 in Artificial and natural groundwater recharge (co-organized by IAH)

24.03.2022, 12:45-13:00, HS 1

In der Hydrogeologie werden Verfahren der Künstlichen Intelligenz (KI) bisher nur sehr verhalten eingesetzt. Viele Ansätze erschöpfen sich überdies darin, anstelle der bisher verwendeten statistischen Verfahren jetzt solche der Künstlichen Intelligenz zu verwenden. Beispielweise werden anstelle der multivariaten linearen Regression Verfahren des maschinellen Lernens verwendet. Damit wird das Potential dieser Methoden jedoch nicht ausgeschöpft. Anders als in vielen Anwendungen z.B. in der Fernerkundung oder in der Geophysik sind die Datensätze in der Hydrogeologie in der Regel zu klein, um komplexe Zusammenhänge aufzudecken. In der Regel unterliegen die Zielgrößen der Analyse, z.B. Schadstoffkonzentrationen im Grundwasser, in natürlichen Systemen einer Vielzahl von Einflussgrößen. Mit der Zahl der Einflussgrößen und der Komplexität der Wechselwirkungen zwischen ihnen steigt aber die Zahl benötigter Beobachtungen exponentiell an und übersteigt sehr schnell den Umfang der zur Verfügung stehenden Daten. Es ist deshalb sinnvoll, vorab bereits zwischen den verschiedenen Effekten zu unterscheiden. Dafür bieten sich Verfahren der Dimensionalitätsreduktion wie beispielsweise der Hauptkomponentenanalyse oder des Isometric Feature Mapping an. Die solcherart extrahierten einzelnen Komponenten können dann als quantitative Maße der Ausprägung einzelner Effekte jeweils separat einer Analyse mit Verfahren des maschinellen Lernens unterzogen werden.

Für diese Studie stand ein sehr umfangreicher Datensatz eines langjährigen Monitorings in den Dränausläufen von 19 Ackerflächen in Mecklenburg-Vorpommern zur Verfügung. Die Konzentrationen im Dränwasser geben Hinweise darauf, mit welcher Beschaffenheit der Grundwasserneubildung unterhalb der Wurzelzone zu rechnen ist. Der Datensatz umfasste 19 physikalisch-chemische Parameter in 1037 Wasserproben. Er wurde zunächst einer Hauptkomponentenanalyse unterzogen. Die ersten sieben Hauptkomponenten wurden jeweils bestimmten Effekten zugeordnet. Die Werte der Hauptkomponenten wurden als quantitative Maße der Stärke der Ausprägung dieser Effekte in den einzelnen Wasserproben interpretiert. Diese wurden anschließend in Relation zu umfangreichen meteorologischen, hydrologischen, Boden- und Bewirtschaftungsdaten gesetzt. Klassische Korrelationsanalysen ergaben eine verwirrende Vielzahl signifikanter Effekte. Die Modellierung mittels Random Forest-Modellen konnte jedoch einen großen Teil der beobachteten räumlichen und zeitlichen Varianz jeweils mit wenigen erklärenden Variablen abbilden. Dazu gehörten die Bodeneigenschaften, die Fruchtart, die Stickstoff- und Phosphorbilanz, sowie die Abflusshöhe und meteorologischen Messgrößen. Die Art der Zusammenhänge zwischen abhängigen und unabhängigen Variablen wurde visualisiert. Bis auf wenige Ausnahmen waren diese Zusammenhänge gut zu interpretieren und plausibel.



Export as iCal: Export iCal