GRUVO - Bundesweite Grundwasserstände und Vorhersagen

Land / Region: Bundesrepublik Deutschland

Projektstand: 25.04.2024

Hintergrund:
Mit der webbasierten Fachanwendung GRUVO ermöglicht ein auf maschinellem Lernen basierendes Verfahren erstmals eine deutschlandweit einheitliche Darstellung vergangener, aktueller und zukünftiger Grundwasserstände, die in regelmäßigen Abständen aktualisiert wird. Die Prognosezeiträume reichen von der Kurzfristvorhersage (bis 3 Monate) über die Mittelfristprognose (10 Jahre) bis hin zur Langfristprojektion (bis 2100), um die Entwicklung der Grundwasserstände unter Berücksichtigung der Szenarien des Intergovernmental Panel on Climate Change (IPCC) vor dem Hintergrund des Klimawandels objektiv abschätzen zu können. Die Informationsbasis umfasst neben den Grundwasserdaten aus den Messnetzen der zuständigen Landesbehörden auch Wetter- und Klimavorhersagen sowie Klimaprojektionen des Deutschen Wetterdienstes (DWD).

Startseite der Fachanwendung GRUVO

Der Grundwasserstand, auch Grundwasserspiegel genannt, ist ein direkter und einfach zu bestimmender Indikator für eine erste Einstufung der Verfügbarkeit der Ressource Grundwasser. Die Kenntnis vergangener, gegenwärtiger und zukünftiger Grundwasserstände liefert Entscheidungsträgern und Praktikern im Wassersektor wichtige Informationen über langfristige Trends und Veränderungen der Grundwasserverfügbarkeit. Dies kann helfen, rechtzeitig auf mögliche Probleme zu reagieren und angepasste Strategien zur Bewirtschaftung der Grundwasserressourcen für die Trinkwasserversorgung und die landwirtschaftliche Bewässerung zu entwickeln. Darüber hinaus können Grundwasserstandsvorhersagen die interessierte Öffentlichkeit für möglicherweise bevorstehende Wassermangelsituationen mit niedrigen Grundwasserständen, aber auch für Überflusssituationen mit hohen Grundwasserständen sensibilisieren.

Methodik:
Die Anwendung basiert auf dem so genannten Referenzmessstellenkonzept. Dabei werden alle verfügbaren Messstellen auf eine überschaubare Anzahl von Referenzmessstellen reduziert. Jeder Referenzmessstelle wird eine Anzahl von Clustermessstellen zugeordnet, die durch die jeweilige Referenzmessstelle relativ zuverlässig repräsentiert werden. Dies ermöglicht bei begrenzter technischer Machbarkeit eine weitgehend flächendeckende Vorhersage. Nur eine begrenzte Anzahl von Messstellen kann mit Datenloggern mit Datenfernübertragung ausgestattet werden, und der Rechenaufwand für die monatliche Aktualisierung bleibt überschaubar. So werden in GRUVO an rund 120 Referenzmessstellen aktuelle Messwerte dargestellt, die dann auf insgesamt rund 4.200 Messstellen übertragen werden, so dass in einem weiteren Schritt Kurzfristprognosen berechnet werden können. Die Mittelfristprognosen und Langfristprojektionen werden an 60 bzw. 118 Referenzmessstellen dargestellt.

Zu diesem Zweck wurden Algorithmen entwickelt und eingesetzt, die auf der Methode der künstlichen neuronalen Netze (KNN) basieren. Das Hauptziel bestand darin, traditionelle physikalisch-numerische Modelle durch maschinelle Lernverfahren zu ersetzen, um aus den verfügbaren Daten flächendeckend Grundwasserstände vorherzusagen. Dadurch können fehlende oder unvollständige Felddaten wie Geometrie und physikalische Eigenschaften des Untergrundes kompensiert werden. Dies war möglich, weil die Fragestellung auf eine einfache Input-Output-Beziehung reduziert wurde und die bisher aufwändige und teure Datenerhebung zur Charakterisierung des Untergrundes entfiel. Eine ausführliche Beschreibung der angewendeten Methodik steht unter https://gruvo.bgr.de/website/methodik.

Hauptfunktionen:

• Darstellung der aktuellen Grundwasserstände in fünf Zustandsklassen (von sehr niedrig bis sehr hoch), bezogen auf den Referenzzeitraum 1991-2020
• Monatliche Übersichtsdarstellung der Grundwasserstände auf Bundesebene, auf Ebene der hydrogeologischen Großräume und auf Ebene der hydrogeologischen Räume
• Vorhersage der Grundwasserstände für die nächsten drei Monate, zehn Jahre und bis 2100
• Darstellung der Modell- und Vorhersagegüte

Ausblick:
Es ist geplant, die Fachanwendung weiterzuentwickeln. Ziel ist es, die Anzahl der Referenz- und Clustermessstellen zu erhöhen, die Vorhersagegüte kontinuierlich zu verbessern, die Grundwasserinformation von der Messstelle in die Fläche zu übertragen und die Vorhersage auf Quellschüttungen auszuweiten.

Kartenansicht von GRUVO. Links das Auswahlmenü für die verschiedenen Vorhersagen und das Legendenfenster, rechts das Infofenster mit Gangliniendiagrammen und Anzeigen von Modell- und Vorhersagegüte Quelle: BGR

Anwendung: GRUVO - Bundesweite Grundwasserstände und Vorhersagen

Literatur:

Fachbericht

• WUNSCH, A. & LIESCH, T. (2020): Entwicklung und Anwendung von Algorithmen zur Berechnung von Grundwasserständen an Referenzmessstellen auf Basis der Methode Künstlicher Neuronaler Netze. - Abschlussbericht Projektphase I, 183 S., 61 Abb., 11 Tab., 13 Anh.; KIT, Karlsruhe. doi: 10.5445/IR/1000136522

Paper

• WUNSCH, A., LIESCH, T. & BRODA, S. (2022b): Deep learning shows declining groundwater levels in Germany until 2100 due to climate change. - Nat Commun 13, 1221. doi: 10.1038/s41467-022-28770-2
• WUNSCH, A., LIESCH, T. & BRODA, S. (2022a): Feature-based Groundwater Hydrograph Clustering Using Unsupervised Self-Organizing Map-Ensembles. - Water Resour. Manage., 36(1): 39-54. doi: 10.1007/s11269-021-03006-y
• WUNSCH, A., LIESCH, T. & BRODA, S. (2021): Groundwater level forecasting with artificial neural networks: a comparison of long short-term memory (LSTM), convolutional neural networks (CNNs), and non-linear autoregressive networks with exogenous input (NARX). - Hydrol. Earth Syst. Sci. 25: 1671-1687. doi: 10.5194/hess-25-1671-2021
• WUNSCH, A., LIESCH, T. & BRODA, S. (2021): Feature-basiertes Clustering von Umweltzeitreihen mit Self-Organizing-Map-Ensembles. - In: REUSSNER, R.H., KOZIOLEK, A. & HEINRICH, R. (Hrsg.): Informatik 2020. Gesellschaft für Informatik, Bonn. (S. 1035-1041). doi: 10.18420/inf2020_98
• WUNSCH, A., LIESCH, T. & BRODA, S. (2018): Forecasting Groundwater Levels using nonlinear Autoregressive Networks with exogenous Input (NARX). - J. Hydrol. 567: 743-758. doi: 10.1016/j.jhydrol.2018.01.045

Tagungsbeiträge

• BRODA, S., WUNSCH, A. & LIESCH, T. (2018): Wochen-, Monats-und Jahreszeitenvorhersage von Grundwasserständen mit künstlichen neuronalen Netzen. - 26. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., Ruhr-Universität Bochum.
• BRODA, S., WUNSCH, A., LIESCH, T., GOLDSCHEIDER, N. & REICHLING, J. (2017): Weekly, monthly and seasonal Forecasting of Groundwater Levels using Artificial Neural Networks. - 44th IAH Congress, Dubrovnik, Croatia.
• NÖLSCHER, M., HEBER, M., CLOS, P., ZAEPKE, M., STOLZ, W. & BRODA, S. (2024): Aktueller Zustand und Vorhersage der Grundwasserstände – eine neue bundesweite Fachanwendung. - 29. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., RWTH Aachen University.
• WUNSCH, A., LIESCH, T. & BRODA, S. (2021): Using Convolutional Neural Networks to evaluate Long-Term Groundwater Trends in Germany. - 48th IAH Congress, Brussels, Belgium.
• WUNSCH, A., LIESCH, T. & BRODA, S. (2020): Groundwater Level Forecasting with Artificial Neural Networks: A Comparison of LSTM, CNN and NARX. - AGU Fall Meeting, San Francisco, CA, USA.
• WUNSCH, A., LIESCH, T. & BRODA, S. (2019): Uncover Similarities of Groundwater Dynamics with Machine Learning based Hydrograph Clustering. - AGU Fall Meeting, San Francisco, CA, USA.

Partner:

• Staatliche Geologische Dienste der Länder (SGD)
• Landesumwelt- und Wasserwirtschaftsämter