Machine-Learning-Modelle bieten ein großes Potenzial für die Vorhersage von Grundwasserständen und ermöglichen die effiziente Modellierung einer Vielzahl von Messstationen. Ein entscheidender Faktor für die Modellgüte ist jedoch die Qualität der Eingangsdaten. Bei der Erfassung und Haltung von Messdaten können fehlerhafte oder unplausible Werte entstehen, welche die natürliche Grundwasserdynamik nur unzureichend repräsentieren. Unbereinigte Rohdaten enthalten oft Ausreißer, Plateaus und Datenlücken, verursacht durch Messfehler, Loggerartefakte oder Sensorausfälle. Unregelmäßige Messintervalle und Fehlwerte erschweren es den Algorithmen, die Zusammenhänge zwischen Klimadaten und Grundwasserstand zu erlernen. Während der Einfluss der Modellstruktur häufig im Fokus steht, wird der Preprocessing-Schritt von Rohdaten zu „Machine Learning Ready“-Datensätzen in der Literatur meist nur am Rande behandelt. Die Datenaufbereitung erfolgt dabei oft visuell und manuell, was sie zu einem zeitintensiven, subjektiven und schwer reproduzierbaren Prozess macht.

Mit hygtise, einem neu entwickelten Python-Paket für hydrogeological time series, wird dieser Schritt erstmals vollständig automatisiert und reproduzierbar umgesetzt. Das Tool erlaubt die schnelle, regelbasierte Vorverarbeitung umfangreicher Grundwasserzeitreihendatensätze. Für definierte Intervalle (täglich, wöchentlich, monatlich) identifiziert und entfernt es Plateaus, unplausible Ausreißer und Bruchpunkte mit sprunghafter Niveauänderung. Optional erfolgt eine stufenweise Qualitätsfilterung der Zeitreihen nach definierbaren Grenzwerten, um den Untersuchungsbereich mit möglichst vollständigen Zeitreihen zu repräsentieren. Abschließend werden fehlende Werte imputiert, sodass ein konsistenter, bereinigter Datensatz für die anschließende Modellierung entsteht. Die Methode wurde bereits erfolgreich an einem deutschlandweiten Langzeitdatensatz mit knapp 15.000 Messstellen angewendet.

Hygtise reduziert den manuellen Aufwand erheblich und schafft eine transparente Grundlage für datengetriebene Ansätze in der Grundwasseranalyse. Damit bildet es eine skalierbare und reproduzierbare Schnittstelle zwischen Rohdaten und Machine-Learning-Modellen in der Hydrogeologie.