Intelligente Monitoringalgorithmen zur automatisierten Datenauswertung und ‑plausibilisierung

Grundwasser deckt ca. 70% (regional bis 100%) des deutschen Trinkwasserbedarfs. Oberflächennahe Grundwasservorkommen speisen wertvolle Feuchtbiotope und den Basisabfluss von Flüssen und Bächen. Als längerfristiger Wasserspeicher stellt es auch bei temporär ausbleibenden Niederschlägen Trinkwasserversorgung und Basisabfluss sicher. An vielen Orten zeichnet sich in den letzten Jahren jedoch eine Verknappung des Grundwassers ab, die wegen zunehmender Berichterstattung in den Medien auch in der breiten Öffentlichkeit wahrgenommen wird.

Vor allem in trockenen Sommern kommt es durch ausbleibende Niederschläge als Folge kurzfristiger Klimavariabilität und langfristigen Klimawandels zu niedrigen Grundwasserständen, verbunden mit erhöhtem Nutzungsdruck. Neben dem Absterben von Bäumen, Niedrigwasserständen in Flüssen und der Austrocknung grundwasserabhängiger Biotope kommt es immer häufiger auch zu lokalen Engpässen bei der Wasserversorgung. So fielen seit 2018 in Brandenburg und Niedersachsen an vielen Messstellen die Grundwasserspiegel auf ein 30jähriges Minimum. Verbunden mit Grundwasserniedrigständen ist vielerorts eine Versalzung durch den Aufstieg salinarer Tiefenwässer oder Meerwasserintrusion in Küstennähe. Untersuchungen auf Basis von Klimaprojektionen zeigen, dass sich der Trend zu trockeneren und wärmeren Sommerhalbjahren bis zum Jahr 2100 fortsetzen wird, bei mutmaßlich steigendem Wasserbedarf, besonders für die landwirtschaftliche Beregnung. Bisher fehlt es an intelligenten Werkzeugen zur Vorhersage und Frühwarnung vor extremem Grundwasserständen mit entsprechenden Möglichkeiten zur Gegensteuerung, z.B. durch angepasstes Management der Ressourcennutzung. Auch langfristige Entwicklungen, die z.B. in der Genehmigungspraxis für Wasserentnahmen als Basis herangezogen werden müssten, wurden bisher nicht betrachtet. Grund hierfür sind die komplexen Zusammenhänge und zahlreichen, größtenteils zeitlich variablen Einflussfaktoren wie Klima, Landnutzung, hydrogeologische Faktoren, Interaktion mit Oberflächengewässern sowie Wasserentnahmen (z.B. Bewässerung).

Obwohl die Bewegung des Grundwassers weitgehend bekannten physikalischen Prozessen folgt, ist eine Modellierung mit analytischen oder numerischen Modellen auf Landes- oder Bundesebene in einer zielführenden räumlichen Auflösung bisher nicht möglich. Bestenfalls werden kleinere Modelle im Einzugsbereich einzelner Wasserversorger betrieben. KI-Methoden, insbesondere die zum Bereich Machine Learning gehörenden Neuronalen Netze bzw. Deep-Learning-Verfahren, die häufig zur Mustererkennung eingesetzt werden, bieten hier einen deutlichen Mehrwert gegenüber den etablierten Verfahren. Als datenbasierte Modelle sind sie in der Lage, komplexe Zusammenhänge aus vorhandenen Daten zu extrahieren und sowohl räumlich als auch zeitlich zu übertragen. Gerade für die Modellierung von Grundwasserständen und Versalzung erscheinen sie gut geeignet, da für die zu betrachtenden Parameter Grundwasserstand und elektrische Leitfähigkeit eine sehr gute Datenbasis in hoher räumlicher Dichte, zeitlicher Abdeckung und Frequenz vorliegt. Angewandte, grundwasserbezogene KI-Anwendungen sind bisher selten und der Transfer innovativer KI-Lösungsansätze im Grundwasser-Bereich von der universitären und institutionellen Forschung in die Praxis soll mit diesem Projekt vorangetrieben werden.