Die Vorhersage von Grundwasserständen mithilfe von Modellen des maschinellen Lernens hat in den letzten Jahrzehnten stark an Bedeutung gewonnen. Solche Modelle ermöglichen es, zukünftige Grundwasserstände allein auf Basis von Input-Output-Beziehungen vorherzusagen, ohne dass zusätzliche physikalische Randbedingungen wie Grundwasserneubildung oder geologische Verhältnisse explizit berücksichtigt werden müssen.

Als Input werden dabei häufig meteorologische Parameter wie Niederschlag, Temperatur und relative Luftfeuchtigkeit verwendet. Mit diesen Input-Daten lassen sich Grundwasserstände oberflächennaher Messstellen, die typischerweise eine schnelle Reaktion auf meteorologische Einflüsse zeigen und eine ausgeprägte Saisonalität aufweisen, oft bereits zufriedenstellend prognostizieren. Für eine weitere Verbesserung solcher Vorhersagen könnten jedoch zusätzliche Inputs wie Bodenfeuchte oder potenzielle Evapotranspiration herangezogen werden.

Grundwassermessstellen mit weniger ausgeprägter Saisonalität, längeren Reaktionszeiten oder einem ausgeprägten Langzeittrend lassen sich anhand meteorologischer Bedingungen der jüngeren Vergangenheit schwerer vorhersagen. Dies liegt daran, dass sie weniger direkt auf kurzfristige meteorologische Schwankungen reagieren und stärker durch längerfristige Klimaeinflüsse geprägt sind. Die Einbindung von Telekonnektionsmustern oder Blocking-Indizes als Inputs kann hier helfen, Informationen über großskalige Klimaschwankungen zu berücksichtigen und dadurch die Prognosegenauigkeit für trägere Grundwasserstände zu verbessern.

Um das Verbesserungspotenzial bei der Vorhersage von Grundwasserständen durch zusätzliche Inputs zu untersuchen, vergleichen wir die Vorhersagegüte eines eindimensionalen Convolutional Neural Networks (1D-CNN), das ausschließlich die Inputs Niederschlag, mittlere, maximale und minimale Lufttemperatur sowie relative Luftfeuchtigkeit verwendet, mit der Vorhersagegüte desselben Modells, wenn jeweils ein weiterer zusätzlicher Input ergänzt wird.

Als zusätzliche Inputs wurden Bodenfeuchte, potenzielle Evapotranspiration, Blocking-Indizes (BBI, IBBI) sowie Telekonnektionsindizes verwendet. Es wurden die Telekonnektionsindizes AMO & ENSO als auch drei neu entwickelte Indizes getestet, die jeweils auf Niederschlag, Temperatur bzw. deutschlandweite Grundwasserstände im Zeitraum 1991–2012 ausgerichtet wurden. Die Ergebnisse zeigen, dass die Einbindung dieser zusätzlichen Parameter an der Mehrzahl der Messstellen zu einer Verbesserung der Vorhersagegüte führte.