Grundwasserneubildung

Die verlässliche Bestimmung der Grundwasserneubildung kann durch die Verwendung verschiedener Methoden und deren Vergleich optimiert werden. Somit wird auch die Verlässlichkeit von Empfehlungen für das Grundwassermanagement verbessert.

Hydro-pedotransfer Funktionen

Abbildung 1: Ableitung von HPTFs durch die Gegenüberstellung von Wasserzufuhr (CWS) und Evapotranspiration (ETIa/E0) (Wessolek et al., 2008)

Ein Verfahren ist die Anwendung sogenannter Hydro-pedotransfer Funktionen (HPTFs). Unter Verwendung von Regressionsgleichungen wird die Grundwasserneubildung über die Versickerungsrate in regionalem Maßstab bestimmt, abhängig von der jeweiligen Landnutzung im Untersuchungsgebiet (z.B. Ackerland, Wiese, Laub- oder Nadelwald). Ein Vorteil dieser Methode ist, dass leicht zu bestimmende Parameter in die Funktionen einfließen (Abbildung 1) – beispielsweise Klimadaten wie Niederschlag (P) oder Verdunstungsraten (E0), Bodenkennwerte wie die Durchwurzelungstiefe oder das Vermögen von Pflanzen, Wasser je nach Boden gegen die Gravitation zu halten bzw. der daraus resultierende kapillare Aufstieg von Grundwasser in die Bodenzone (Qa). Dabei werden Erkenntnisse der Hydrogeologie mit Wissen aus der Boden- und Pflanzenkunde verknüpft.

Bisher besteht die Gültigkeit dieser Funktionen nur für Regionen mit zentraleuropäischem Klima. Im Rahmen von MedWater soll eine Übertragung der Methode auf die Besonderheiten von Karstgrundwasserleitern und mediterranem Klima untersucht werden. Die so gewonnenen Ergebnisse der Grundwasserneubildung werden gemeinsam mit denen aus einem SWAT-Modell und einem neuronalen Netz vergleichend ausgewertet und fließen in ein numerisches Grundwassermodell des Wester Mountain Aquifers ein.

SWAT-Modellierung

Das Soil & Water Assessment Tool (SWAT) wurde vom U.S. Department of Agriculture entwickelt, um den Wasserkreislauf und daraus resultierende Eigenschaften in Regionen zu simulieren.

Für eine Modellsimulation benötigt SWAT folgende Input-Daten:

  • Digital Elevation Map: generiert topographische Einzugsgebiete
  • Bodenkarte: gibt dem Untersuchungsgebiet charakteristische Bodenparameter
  • Landnutzungskarte: bestimmt hauptsächlich die Evapotranspiration
  • Wetterdaten: Niederschlag, Temperatur, Sonnenstrahlung, relative Luftfeuchtigkeit, Windgeschwindigkeit
Abbildung 2: Schematische Zeichnung des hydrologischen Kreislaufes (Neitsch et al., 2009)

Diese Informationen verwendet SWAT, um numerisch den Verlauf und Menge des eingespeisten Wassers zu berechnen. Dabei basiert SWAT auf der Wasserbilanzgleichung, die besagt, dass alles gespeicherte Wasser eines Systems die Differenz aus Zufließendem und Abfließendem ist (Abbildung 2).

Im MedWater-Projekt wird mit einem SWAT-Modell die Grundwasserneubildungszone des Western Mountain Aquifers modelliert. Das Modell wird anhand von Abfluss- und Bodenfeuchtedaten kalibriert und validiert. Anschließend kann mithilfe des Modells die Grundwasserneubildung berechnet werden, sowie Auswirkungen von Landnutzungs- und Klimaveränderungen.

Neuronale Netze

Abbildung 3: Ein neuronales Netzwerk erkennt Zusammenhänge zwischen Niederschlag und Quellschüttung durch maschinelles Lernen

Neuronale Netze sind Modellierungswerkzeuge für nicht-lineare Daten zur Simulation komplexer Beziehungen zwischen Modellinputs und -outputs. Diese Methoden des maschinellen Lernens sind neue Werkzeuge der Datenwissenschaft, die zuletzt auch für geowissenschaftliche Anwendungen an Popularität gewonnen haben. Neuronale Netze „lernen“ die nicht-linearen Beziehungen zwischen physikalischen Parametern und Prozessen und können dazu verwendet werden, Outputs ohne die Entwicklung von physikalischen Modellen zu bestimmen.

Innerhalb von MedWater wird ein neuronales Netz aufgebaut, das Grundwasserneubildungraten durch die Verarbeitung von Niederschlag-Langzeitdaten berechnet. Ein „geschultes“, mit Daten gefüttertes neuronales Netz könnte Output-Schätzwerte ohne den rechnerischen Aufwand numerischer Modellierungsansätze bestimmen und so die komplexe Grundwasserneubildung von Karst-Aquiferen simulieren. Das neuronale Netz wird anhand von Niederschlagsdaten und den beobachteten Veränderungen im Aquifer (z.B. in der Quellschüttung) geschult.

Die größte Herausforderung besteht darin, ein neuronales Netz bei relativer Datenknappheit erfolgreich zu schulen. Um dieses Problem zu umgehen, wird der Datensatz, der zur Schulung des Netzes verwendet wird, künstlich um zufällig generierte Daten erweitert. Weiterhin wird untersucht, inwiefern eine Verallgemeinerung der Ergebnisse möglich ist, also ob ein in einem bestimmten Einzugsgebiet geschultes neuronales Netz an anderen Orten genutzt werden kann.