Optimization Strategies for Spatio-temporal Groundwater Dynamics Monitoring

Räumlich kontinuierliche Daten sind in der Hydrogeologie für die wissenschaftliche Forschung, die Risikobewertung und wasserwirtschaftliche Entscheidungsprozesse von wesentlicher Bedeutung. Die meisten dieser Informationen werden allerdings nur punktuell durch Messungen an Grundwassermessstellen erhoben und anschließend regionalisiert. Die Vorhersagegenauigkeit dieser räumlich interpolierten Daten, die in der Regel die Grundlage für weitere Berechnungen und Entscheidungen bilden, ist stark abhängig von der Konzipierung des Grundwassermessnetzes, d.h. von der räumlichen Verteilung und Dichte der Grundwassermessstellen, der Beprobungshäufigkeit, dem Interpolationsverfahren sowie dem Wechselspiel zwischen diesen Faktoren. ... mehrDaraus ergibt sich ein erhebliches Optimierungspotenzial hinsichtlich des Grundwassermessnetzes und der Regionalisierungstechnik. Geeignetes Grundwassermessnetze sind daher wichtige Instrumente für die nachhaltige Bewirtschaftung und für den Schutz der Grundwasserressourcen. Sie bieten Zugangspunkte für die Überwachung von Grundwasserständen und -proben und ermöglichen so einen Einblick in die Grundwasserverhältnisse. Die Kombination aus hohen Erschließungskosten und einer verhältnismäßig geringen räumlichen Repräsentativität der Brunnen aufgrund der hydrogeologischen Heterogenität machen die Konzeption eines geeigneten Überwachungsnetzes zu einer großen Herausforderung. Diese Arbeit beschäftigt sich mit Techniken zum verbesserten Verständnis der Grundwasserdynamik durch (i) räumliche und (ii) räumliche-zeitliche Optimierung von Grundwasserstands Messnetzen und (iii) verbesserter räumlichere Vorhersage der an diesen Überwachungsbrunnen gewonnenen Daten unter Verwendung von Interpolationstechniken. Zu diesem Zweck wurde im ersten Teil dieser Arbeit eine umfassende Untersuchung der meistgenutzten deterministischen und geostatistischen, uni- und multivariaten Interpolationstechniken für die Erstellung von Grundwassergleichenplänen in einem Untersuchungsgebiet durchgeführt, das durch eine komplexe Interaktion zwischen Karst, einem alluvialen Grundwasserleiter und gering durchlässigen Schichten der alpinen Molasse gekennzeichnet ist. Die untersuchten Methoden wurden durch globale Kreuzvalidierung und öko-hydrogeologische Informationen an Karstquellen, Feuchtgebieten, Oberflächengewässern und Profilschnitten bewertet. Der mögliche Effekt der Methodenwahl auf die weitere Berechnung wurde durch Abschätzung der Austauschprozesse zwischen Karst- und Alluvialgrundwasserleiter auf Basis der geschätzten Potentialunterschiede durchgeführt. Die Ergebnisse zeigen, dass die Verfahrenswahl, insbesondere bei unzureichendem Überwachungskonzept, drastische Auswirkungen auf die nachfolgenden Berechnungen haben kann. Die Studie hat ergeben, dass geostatistische oder Kriging Interpolationsmethoden den deterministischen Interpolationsmethoden überlegen sind. Bei dürftiger Grundwasserdatenlage kann das Co-Kriging mit räumlich kreuzkorrelierten Sekundärvariablen (z. B. Höhenlage, Flusspegel), die häufiger erfasst werden, wertvolle Informationen über die Primärvariable bereitstellen und so die Varianz des Schätzfehlers verringern. Im zweiten Teil dieser Arbeit wurden räumliche Monitoringkonzepte mit unterschiedlichen Messdichten an numerisch modellierter Grundwasseroberflächen mit verschiedenen Skalen und Dynamiken untersucht. Ziel war es, Einblicke in geeignete Monitoringansatze für eine verlässliche räumliche Abschätzung des Grundwasserspiegels zu gewinnen und eine Überwachungsdichte abzuleiten, bei der ein angemessenes Information/Kosten-Verhältnis erreicht wird. Die Interpolationsergebnisse wurden mit globaler Kreuzvalidierung und dem tatsächlichen räumlichen Fehler evaluiert, der anhand der numerischen Modellflächen als A-priori-Referenz errechnet wurde. Überwachungsnetze mit einer regelmäßigen Gitteranordnung boten zwar genaueste räumliche Vorhersagen für das betrachtete Dichtespektrum, sind jedoch aufgrund ihrer Nachteile, wie der mangelnden Erweiterungsfähigkeit, tendenziell ungeeignet. Eine vergleichbar gute Leistung wurde erzielt, wenn der maximale Vorhersage-Standardfehler als Auswahlkriterium für zusätzliche Brunnen für bestehende Messnetze verwendet wurde. In dieser Studie wurde außerdem eine neuartige Optimierungsstrategie für Überwachungsnetze angewandt, die auf mathematischen Quasi-Zufallsfolgen basiert. Der Ansatz liefert ebenfalls überzeugende Ergebnisse und bietet mehrere Vorteile. Er bedarf keinerlei Vorkenntnisse über den Grundwasserleiter durch vorhandene Brunnen und es werden unabhängig von den Ausbaustufen reproduzierbare räumliche Anordnungen erzielt. Im dritten Teil wurde ein datengesteuerter Sparse-Sensing-Algorithmus-Ansatz zur Auswahl von spärlichen Sensorpositionen unter Nutzung von Techniken zur Dimensionsreduktion untersucht und für die zeitliche und räumliche Optimierung eines bestehenden Grundwasserstandsmessnetzes im Oberrheingraben adaptiert. Die Optimierung erfolgt mit einem greedy search (QR)-Algorithmus, der die Überwachungsbrunnen nach ihrem Informationsgehalt über Aquifer-Dynamik selektiert und einordnet. Als Eingangsdaten wurden langjährige Ganglinien-Aufzeichnungen verwendet, um repräsentative Messstellen oder Messstellen mit redundantem oder niedrigem Informationsgehalt zu bestimmen. Des Weiteren wurde eine Optimierung auf der Grundlage regionalisierter, wöchentlicher Grundwassergleichenkarten durchgeführt, um mögliche geeignete Standorte für zusätzliche Messstellen zu identifizieren. Die Suche wurde durch eine räumliche Kostenfunktion gelenkt, bei der weniger geeignete Standorte abgewertet wurden. Der untersuchte Ansatz hat sich als potenziell wertvolles Instrument für die Optimierung der Brunnenanzahl und deren Standorte, für die Reduzierung und den Ausbau des Netzes aber auch für eine kombinierte Nutzung beider Möglichkeiten erwiesen.

Spatially continuous data play an essential role in hydrogeology for scientific research, risk assessment, and water management decision-making. However, most of this information is collected only selectively through measurements at groundwater monitoring wells and then regionalized. The predictive accuracy of these regionalized data, which usually provide the foundation for subsequent analysis and decision-making processes, depends on the design of the groundwater monitoring network (GMN), i.e., the spatial distribution, the monitoring density, the sampling frequency, as well as the interpolation technique and the interaction of these factors. ... mehrThis leads to a considerable optimization potential for the GMN and the regionalization technique. Appropriate GMNs are therefore important tools for the sustainable management and protection of groundwater resources. They provide access points for monitoring groundwater levels and sampling, thereby providing insight into groundwater conditions. Due to the combination of high initial investment and relatively low spatial representativeness of wells due to hydrogeologic heterogeneity, planning a suitable GMN is a major challenge. This work addresses techniques for better understanding groundwater dynamics through (i) spatial and (ii) spatiotemporal optimization of groundwater level monitoring networks (GLMNs) and (iii) more accurate spatial prediction of data obtained at these monitoring wells, employing interpolation techniques. For this purpose, the first part of this work comprises a comprehensive assessment of the most frequently applied deterministic and geostatistical, uni- and multivariate interpolation techniques for groundwater contour mapping in a study area characterized by a complex interaction between karst and an alluvial aquifer and the low-permeability strata of the Subalpine Molasse sediments. The studied methods were evaluated by global crossvalidation and eco-hydrogeologic information at karst springs, wetlands, surface waters, and profile sections. The potential effect of the choice of interpolation method on subsequent calculations was made by estimating the exchange processes between karst and alluvial aquifers based on the calculated potential differences. The results show that the choice of method, especially in the case of inadequate monitoring design, can have drastic effects on further analyses. This study showed that geostatistical or kriging interpolation methods were superior to deterministic interpolation methods. When groundwater data are sparse, co-kriging with spatially cross-correlated secondary variables (e.g., elevation, river level) that are sampled more frequently can provide meaningful information about the primary variable and thus reduce the variance of the estimation error. In the second part of this work, different GLMN designs with varying monitoring densities were investigated using numerically modeled groundwater surfaces with a range of scales and dynamics. The objective was to provide insight into appropriate monitoring approaches for reliable spatial estimation of groundwater levels (GWLs) and derive the monitoring density at which a proper information/cost ratio is achieved. The interpolation results were evaluated using global cross-validation and the actual spatial error, computed from the numerical model surfaces as “a priori” references. Monitoring networks with regular grid arrangements provided the most accurate spatial predictions for the density spectrum studied but are not suitable due to their drawbacks, such as a lack of extensibility. Comparably good performance was obtained when the maximum kriging prediction standard error was used as a selection criterion for the selection of new well locations to existing networks. In addition, a novel optimization strategy for GMN based on mathematical quasi-random sequences was applied in this study. The approach also produced good results and offers several advantages. No prior knowledge of the aquifer through existing wells is required, and reproducible designs are obtained independently of the expansion steps. In part three, a data-driven sparse sensing algorithm approach for selecting sparse sensor placements utilizing dimensionality reduction techniques was explored and adjusted for the temporal and spatial optimization of an existing GLMN in the Upper Rhine Graben. The optimization was performed by using a greedy search (QR) algorithm that selects and ranks monitoring wells according to their information content about aquifer dynamics. First, long-term hydrograph records were used as input data to indicate representative monitoring wells or wells with redundant or low information content. Second, optimization based on regionalized, weekly gridded GWL contour maps was performed to identify eligible locations for additional wells. This search was controlled with a spatial cost function that penalized less suitable sites. The approach studied has proven to be a potentially valuable tool for optimizing the number of wells and their locations, for network downsizing and expansion, or both combined.