KIMoDIs - KI-basiertes Monitoring-, Datenmanagement- und Informationssystem zur gekoppelten Vorhersage und Frühwarnung vor Grundwasserniedrigständen und -versalzung

Land / Region: Deutschland

Projektanfang: 01.03.2023

Projektende: 28.02.2026

Projektstand: 25.09.2024

In den letzten Jahren zeichnet sich in Teilen Deutschlands aufgrund wärmerer und trockenerer Sommer sowie geringerer Jahresniederschläge eine Verknappung des Grundwassers ab. Neben dem Absterben von Bäumen, Niedrigwasserständen in Flüssen und der Austrocknung grundwasserabhängiger Landökosysteme kommt es auch zu lokalen Engpässen bei der Wasserversorgung. Klimaprojektionen bis zum Jahr 2100 zeigen, dass sich der Trend zu trockeneren und wärmeren Sommerhalbjahren fortsetzen wird. Bei mutmaßlich steigendem Wasserbedarf und weiter fallenden Grundwasserspiegeln droht darüber hinaus in einigen Gebieten eine Versalzung des Grundwassers durch den Aufstieg salinarer Tiefenwässer oder Meerwasserintrusion in Küstennähe. Bisher fehlt es an intelligenten Werkzeugen zur Vorhersage von extremen Grundwasserständen mit entsprechenden Möglichkeiten zur Gegensteuerung, z. B. durch angepasstes Ressourcenmanagement.

Visuelle Zusammenfassung des Projektansatzes

Ziel des Projekts KIMoDIs ist die Entwicklung eines auf Künstlicher Intelligenz (KI) basierenden Monitoring-, Datenmanagement- und Informationssystems zur kurz- (saisonal), mittel- (1 bis 10 Jahre) und langfristigen (bis 2100) Vorhersage von Grundwasserständen und -versalzung. Darüber hinaus soll das anwenderspezifische Entscheidungs-Unterstützungssystem bereits frühzeitig vor Grundwasserniedrigständen und -versalzung sowie den damit verbundenen Schäden warnen. Verschiedene Nutzungsszenarien sollen zudem standortspezifisch eine intelligente Planung von Gegenmaßnahmen ermöglichen und somit ein nachhaltiges Grundwassermanagement sicherstellen. Dieser Ansatz integriert alle verfügbaren Bewirtschaftungsdaten der Wasserversorger sowie des klassischen Monitorings an Grundwassermessstellen und kombiniert diese mit fernerkundlichem Echtzeit-Monitoring der Bewässerungslandwirtschaft. Zum Einsatz kommen State-of-the-Art KI-Methoden (DeepLearning, Explainable AI) zur gekoppelten Vorhersage von Grundwasserständen und Versalzung, zur Messnetzoptimierung und zur Frühwarnung vor kritischen Zuständen hinsichtlich Trinkwasserversorgung und grundwasserabhängiger Ökosysteme. KI-Methoden bieten hier einen deutlichen Mehrwert gegenüber den etablierten Verfahren, da sie als datenbasierte Modelle in der Lage sind, komplexe Zusammenhänge aus vorhandenen Daten zu extrahieren und sowohl räumlich als auch zeitlich zu übertragen.

Die methodische Entwicklung und Demonstration des Ansatzes erfolgt überregional im Land Brandenburg, unter großräumiger Betrachtung aller Aspekte wie den Entnahmen für Trinkwasserversorgung, Industrie und Landwirtschaft, zeitlich hochaufgelöstem Monitoring der Bewässerungslandwirtschaft sowie der Gefahr durch Tiefenversalzung infolge von Übernutzung. Der entwickelte Ansatz wird in der Folge übertragen und getestet auf i) regionaler Ebene, für ein Einzugsgebiet der Harzwasserwerke in Niedersachsen mit Fokus auf problematische Auswirkungen niedriger Grundwasserstände und ii) lokaler Ebene, am Beispiel der Insel Langeoog mit Betrachtung der touristisch bedingten starken Variabilität des saisonalen Wasserbedarfs bei zunehmender Trockenheit sowie Gefährdung der Trinkwasserversorgung durch Versalzung. Damit leistet das Projekt einen Beitrag zur Erfüllung der Ziele der nationalen Wasserstrategie.

Die Arbeiten der BGR umfassen neben der Projektkoordination das Datenmanagement, die wissenschaftliche Konzeptionierung von Echtzeit-Monitoring-Systemen, die Mitentwicklung von KI-Modellen zur gekoppelten Vorhersage von Grundwasserständen und Versalzung, die Definition künftiger Klima- und Nutzungsszenarien, die Entwicklung eines Prototyps zur Entscheidungsunterstützung im Grundwassermanagement sowie die Evaluierung der Methoden in den Pilotregionen und deren Übertragbarkeit.

Das Bundesministerium für Bildung und Forschung (BMBF) fördert das Verbundprojekt "KIMoDIs" innerhalb der Fördermaßnahme "Nachhaltige Grundwasserbewirtschaftung" im Rahmen des Bundesprogramms "Wasser: N", welches Teil der BMBF-Strategie "Forschung für Nachhaltigkeit (FONA)" ist. Das BMBF-Förderkennzeichen lautet: 02WGW1662B.

Projektlogos des BMBF

Literatur:

Paper

• CHIOGNA, G., MARCOLINI, G., ENGEL, M. et al. (2024): Sensitivity analysis in the wavelet domain: a comparison study. - Stoch Environ Res Risk Assess 38, 1669-1684. doi: 10.1007/s00477-023-02654-3
• ENGEL, M. & KÖRNER, M. (2024): Sentinel-2 Tiling Scheme Grid-Overlay for Efficient I/O-Operations Based on Spherical Voronoi Polygons and Local Optimization. - In IEEE International Geoscience and Remote Sensing Symposium. doi: 10.1109/IGARSS53475.2024.10640984

Präsentationen

• DOLL, F., BRODA, S., HEUDORFER, B., KUNZ, S., THULLNER, M., WETZEL, M. & LIESCH, T. (2024): Die Eignung von Modellen des maschinellen Lernens für die gekoppelte Vorhersage von Grundwasserständen und Grundwasserversalzung. - 27. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., RWTH Aachen.
• ENGEL, M. & KÖRNER, M. (2024): Sentinel-2 Tiling Scheme Grid-Overlay for Efficient I/O-Operations based on Spherical Voronoi Polygons and Local Optimization. - IEEE International Symposium on Geoscience and Remote Sensing (IGARSS), Athen.
• ENGEL, M., KUNZ, S., WETZEL, M. & KÖRNER, M. (2024): Multiresolution Analysis based Assessment of Agricultural Effects on Groundwater Levels. - ESA Agriculture Under Pressure, Frascati.
• SCHULZ, A., KUNZ, S., NÖLSCHER, M., WETZEL, M., BRODA, S. & BIESSMANN, F. (2024): Entwicklung eines globalen Modells für kurzfristige Grundwasserstandsvorhersagen unter Anwendung des Temporal Fusion Transformers. - 27. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., RWTH Aachen.
• WETZEL, M. (2024): Künstliche Intelligenz in der Hydrogeologie. - Berlin-Brandenburger Brunnentage, Berlin.
• WETZEL, M., SCHMIDT, L.-K., HERMSDORF, A., KUNZ, S., LIESCH, T., HEUDORFER, B., DOLL, F. & BRODA, S. (2024): Advancing water resource management: Insights and implications from global machine learning models in groundwater prediction. - European Geosciences Union General Assembly (EGU24), Wien.

Poster

• GONZÁLEZ, E., BRODA, S. & ELBRACHT, J. (2023): KIMoDIs – KI-basiertes Monitoring-, Datenmanagement- und Informationssystem zur gekoppelten Vorhersage und Frühwarnung vor Grundwasserniedrigständen und -versalzung. - Tagung Grundwasserströmungs-Modellierung, Hannover.
• GONZÁLEZ, E., ELBRACHT, J., WETZEL, M. & BRODA, S. (2024): KIMoDIs – Projektgebiet West-Hümmling. - 27. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., RWTH Aachen.
• WETZEL, M., SCHMIDT, L.-K., HERMSDORF, A., KUNZ, S., LIESCH, T., HEUDORFER, B., DOLL, F. & BRODA, S. (2024): KI-basiertes Grundwassermanagement in Brandenburg: Notwendigkeit und bisherige Entwicklungen. - 27. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., RWTH Aachen.

Partner:

• Karlsruher Institut für Technologie (KIT)
• Landesamt für Umwelt Brandenburg (LfU)
• Mapular
• Bundesanstalt für Gewässerkunde (BfG)
• Technische Universität München (TUM)
• Deutscher Wetterdienst (DWD)
• Landesamt für Bergbau, Energie und Geologie Niedersachsen (LBEG)
• Landesamt für Bergbau, Geologie und Rohstoffe Brandenburg (LBGR)