Für die Vorhersage von Grundwasserständen hat sich der Einsatz von Methoden des maschinellen Lernens (ML) etabliert. Mittlerweile erlauben diese Ansätze Vorhersagen über große räumliche Regionen. So konnten wir in einer Studie zur 12-wöchigen Vorhersage von Grundwasserständen an über 5000 Messstellen in Deutschland mit dem sogenannten N-HiTS-Modell, einer modernen ML-Architektur basierend auf neuronalen Netzwerken, bereits eine für die Größe und hydrogeologische Diversität des Untersuchungsgebiets zufriedenstellende Modellgüte (NSE = 0,5) erzielen. Als Eingangsgrößen dienten historische Grundwasserstände, meteorologische Daten (z. B. Niederschlag, Temperatur), sowie hydrogeologische und räumliche Variablen (z. B. Grundwasserneubildung, Entfernung zum nächsten Fließgewässer). Weiterhin ermöglicht der Einsatz von ML-Ansätzen die Bildung von Szenarien, um beispielsweise langfristige Entwicklungen abzuschätzen. Dabei werden Modelle ohne historische Grundwasserstände trainiert, sodass Vorhersagen auf Basis langfristiger Klimaprojektionen unter verschiedenen Klimaszenarien getroffen werden können.

Um beide Modellierungsansätze zu verbessern, sind jedoch Daten zu anthropogenen Faktoren wie Grundwasserentnahmen in hoher zeitlicher und räumlicher Auflösung notwendig. Diese sind einerseits für Vorhersagen wichtig, da die anthropogenen Signale meist nicht in den Input-Output-Beziehungen solcher Modelle enthalten sind. Andererseits sind sie relevant für die Entwicklung von Nutzungsszenarien, welche in Kombination mit Klimaszenarien für langfristige wasserwirtschaftliche Planungen unerlässlich sind. Solche Daten liegen jedoch häufig nicht vor, was eine zentrale Herausforderung für beide Modellierungsansätze darstellt.

Im Rahmen des KIMoDIs-Projekts konnten wir dank der Zusammenarbeit mit assoziierten Wasserwerken Daten zu Grundwasserentnahmen verwenden und für beide Modellierungsansätze näher untersuchen. In einem ersten Schritt wurde der Grundwasserstand einer Messstelle eines Wasserwerks mit der Gesamtentnahme als zusätzliche Eingangsvariable vorhergesagt. Hier konnten wir zeigen, dass die Berücksichtigung der Gesamtentnahme die Vorhersagegüte des Modells deutlich verbessert (NSE von -0,1 auf 0.87).

Zur Abschätzung zukünftiger Entnahmen im Rahmen der Bildung von Nutzungsszenarien, wurde ein rekurrentes neuronales Netzwerk (Gated Recurrent Unit, GRU) trainiert, um Entnahmemengen aus Klima- und Bevölkerungsdaten zu prognostizieren. Dabei ergaben sich zwei zentrale Erkenntnisse:

1. Das Entnahmesignal ist zu hochfrequent, um direkt vorhergesagt zu werden. Eine Dekomposition, z. B. mittels Saison-Trend-Zerlegung mittels LOESS (STL), kann hier hilfreich sein, um Trend- und Saisonalitätskomponenten getrennt zu modellieren.
2. Extrapolation wird problematisch, wenn Eingangsgrößen außerhalb des Wertebereichs der Trainingsdaten liegen, da neuronale Netzwerke primär innerhalb dieses Bereichs zuverlässig interpolieren. Ein möglicher Lösungsansatz besteht darin, Änderungsraten als Eingangsvariablen zu verwenden.

Unsere Ergebnisse liefern wertvolle Hinweise, wie Grundwasserentnahmedaten effektiver in die Vorhersage von Grundwasserständen integriert und zur Bildung von Nutzungsszenarien genutzt werden können. Daneben weisen die Ergebnisse darauf hin, dass moderne Vorhersagemodelle für Grundwasserstände auch hilfreich sein könnten bei der Detektion und Modellierung von unbekannten antropogenen Faktoren.