AlKaDeL - Deep learning-basierte Vorhersage von alpinen Karstschüttungen im Kontext des Klimawandels

Land / Region: Alpenraum

Projektanfang: 01.01.2025

Projektende: 31.12.2027

Projektstand: 20.01.2025

Karstquellen stellen einen wichtigen Teil des Wasserkreislaufs im Alpenraum dar und große Teile der regionalen Trinkwasserversorgung basieren vollständig oder teilweise auf Karstaquiferen. Gleichzeitig führen sich ändernde klimatische Verhältnisse (hier u. a. auch die zeitliche und räumliche Ausdehnung von Schnee und Gletschern) zur Umverteilung saisonaler Abflüsse, die eine quantitative Vorhersage zukünftiger Quellschüttungen erfordern. Die Modellierung von Grundwasserabflüssen in Karstgebieten stellt aufgrund von hoher räumlicher Heterogenität der Grundwasserleiter dagegen häufig eine anspruchsvolle Aufgabe dar und erfordert in der Regel spezifische Vorkenntnisse.

Karstquellen im Untersuchungsgebiet Quelle: KIT

Karstschüttungen werden in der Wissenschaft derzeit überwiegend mit Lumped-Parameter-Modellen modelliert, wobei ein Modell das Verhalten einer einzelnen Quelle abbildet. Die oft komplexen hydrogeologischen Prozesse in den Karsteinzugsgebieten werden durch stark vereinfachte, räumlich homogene Darstellungen der Einzugsgebiete zusammengefasst. Aufgrund der Notwendigkeit umfangreicher manueller Parametereinstellungen sind diese Modelle häufig schlecht auf abweichende Bedingungen verallgemeinbar, was insbesondere bei sich zeitlich verändernden Systemen zu ungenauen Vorhersagen führen kann.

Ziel des Projekts AlKaDeL ist die Entwicklung moderner datengestützter Ansätze zum systemübergreifenden Lernen des Abflussverhaltens von Karstquellen im Gebiet der EU-Strategie für den Alpenraum (EUSALP). Es sollen Modelle entwickelt werden, die aus den Daten mehrerer Quellen mit unterschiedlichen Einzugsgebietseigenschaften lernen und dadurch besser über Zeit und Raum generalisieren können.

Die Umsetzung erfolgt durch die Entwicklung von State-of-the-Art Methoden des Deep Learning (DL) wie recurrent neural networks (z. B. long short-term memory) und transformer. Um die Modellgüte der DL-Modelle objektiv einordnen zu können, werden für die einzelnen Quellen im Untersuchungsgebiet klassische Lumped-Parameter-Modelle erstellt und als Benchmark genutzt. Darüber hinaus wird ein detailliertes numerisches 3D-Strömungsmodell für das Dachsteingebirge erstellt und mit den anderen Modellen verglichen.

Die Arbeiten der Bundesanstalt für Geowissenschaften und Rohstoffe (BGR) umfassen insbesondere die Erstellung eines umfassenden Referenzdatensatzes (Karstschüttungsdaten im Untersuchungsgebiet, Eigenschaften der Einzugsgebiete, meteorologische Einflüsse) sowie die Vorverarbeitung der Daten für die Modellentwicklung (Datenerfassung, Datenharmonisierung, Feature Engineering, Outlier removal, Imputation), die Analyse des Datensatzes hinsichtlich der Auswirkungen des Klimawandels auf die Karstschüttungen im Untersuchungsgebiet sowie die Entwicklung und Anwendung von Ansätzen der erklärenden Künstlichen Intelligenz (KI) zur Interpretation der entwickelten DL-Modelle. Darüber hinaus ist die BGR an der methodischen Weiterentwicklung der DL-Modelle beteiligt.

Die Deutsche Forschungsgemeinschaft (DFG) fördert das Projekt AlKaDeL im Rahmen des Weave Lead Agency-Verfahrens (Projektnummer 529209885). Kooperationspartner auf deutscher Seite ist das Karlsruher Institut für Technologie (KIT). Österreichische Kooperationspartner sind die Johannes Kepler Universität Linz (JKU) und Geosphere Austria (Bundesanstalt für Geologie, Geophysik, Klimatologie und Meteorologie).

Partner:

• GeoSphere Austria
• Johannes Kepler Universität Linz (JKU)
• Karlsruher Institut für Technologie (KIT)

Förderungsnummer:

529209885 (DFG)