Wochen-, Monats-und Jahreszeitenvorhersage von Grundwasserständen mit künstlichen neuronalen Netzen

Die Qualität und Zuverlässigkeit der Modellierung und Vorhersage von Grundwasserständen mittels physikalisch-basierter numerischer Grundwasserströmungsmodelle hängen stark von der Verfügbarkeit von Felddaten für die Modellparametrisierung ab. Insbesondere bei (über)regionalen Studien scheitern diese Modelle oft wegen fehlender oder unvollständiger Informationen, beispielsweise hinsichtlich der räumlichen Ausdehnung der einzelnen geologi-schen Formationen und ihrer hydraulischen Eigenschaften. Ansätze, die auf künstlicher Intelligenz beruhen, wie künstliche neuronale Netze, sind eine vielversprechende Alternative, da sie die Fragestellung auf eine einfache Input-Output-Beziehung reduzieren, während Beschreibungen des physikalischen Prozesses entfallen.Eine zuverlässige Vorhersage des Grundwasserspiegels ist unabdingbar für die die Ableitung von Wasserverfügbar-keits-und Bewässerungsanforderungen in der Trinkwasserversorgung und Landwirtschaft, der Abgrenzung mögli-cher Landsenkungszonen durch extrem niedrige Grundwasserstände im Zusammenhang mit Dürre und/oder Grund-wasserförderung, der Abgrenzung potenzieller Gebiete von Grundwasserhöchstständen für Verkehrsinfrastruktur, Gebäude und landwirtschaftlichen Nutzflächen und die Entwicklung geeigneter Vermeidungs-und Anpassungsstrate-gien.In diesem Beitrag wird die Verwendbarkeit verschiedener neuronaler Netzwerktypen (feedforward und rekurrente neuronale Netze, mit und ohne vorgeschalteter Wavelet-Transformation des Eingangsdatensatzes) an Pegeln im Fest-und Lockergestein evaluiert. ... mehr Die von anthropogen unbeeinflussten Pegel zeichnen sich durch langjährige und voll-ständige Zeitreihen aus. Wöchentliche, monatliche und saisonale Vorhersagen des Grundwasserspiegels wurden über einen Zeitraum von mehreren Jahren durchgeführt. Die Ergebnisse zeigen,dass rekurrente neuronale Netze (nichtli-neare autoregressive Netze mit exogenem Input -NARX) höchst robust arbeiten mit relativen Fehlern kleiner 0,06 m und Bestimmtheitsmaßen zwischen 0,84-0,98. Vorgeschaltete Wavelet-Transformationen verbessern die Ergebnisse der Feedfoward-Netzwerke deutlich, jedoch nicht die mit den NARX berechneten Grundwasserständen.Zusätzlich wird die Auswahl der Piezometer als Referenzmessstellen zur Darstellung der allgemeinen Strömungsdy-namik im jeweiligen Aquifer diskutiert.