Die Frage der Wasserverfügbarkeit ist zu einem entscheidenden Thema geworden, insbesondere im Sommer, wenn Dürren immer häufiger auftreten. Die Vorhersage des Grundwasserspiegels ist eine große Herausforderung für eine nachhaltige Bewirtschaftung der Wasserressourcen.

 

Eine große Herausforderung für unsere Gesellschaft und die Umwelt

In diesem Zusammenhang haben ILLUIN Technology und das BRGM (Bureau de Recherches Géologiques et Minières, Amt für geologische und bergbauliche Forschung) gemeinsam einen innovativen Ansatz auf Basis von maschinellem Lernen entwickelt, um die Entwicklung des Grundwasserspiegels vorherzusagen und dessen Bewirtschaftung besser planen zu können.

Die Vorhersage des Grundwasserspiegels ist unerlässlich, um Wasserknappheit zu vermeiden und die Wassernutzung zu optimieren, insbesondere in Regionen wie dem Adour-Garonne-Becken, die mit langen Dürreperioden zu kämpfen haben. Das BRGM wollte die Möglichkeiten des maschinellen Lernens untersuchen, um die Genauigkeit der Vorhersagen auf der Grundlage historischer Daten zu den Grundwasserleitern zu verbessern.

ILLUIN Technology hat sich dieser Herausforderung gestellt und sein Fachwissen im Bereich Data Science eingebracht, um Vorhersagemodelle zu entwickeln, mit denen sich kurz- und mittelfristige Schwankungen des Wasserstands vorhersagen lassen.

 

Ein Ansatz mit maschinellem Lernen zur Vorhersage von Wasserständen

Um den Anforderungen des BRGM gerecht zu werden, hat das Team von ILLUIN Technology, bestehend aus Yonatan Deloro, Michaël Resplandy und Théo Rubenach, mehrere statistische Regressionsmodelle entwickelt. Diese Modelle wurden an mehreren Grundwasserleitern im Adour-Garonne-Becken getestet, mit dem Ziel, die Wasserstände über einen Zeitraum von 3 bis 6 Monaten vorherzusagen.

Die Innovation dieses Ansatzes liegt in seiner Flexibilität. Es wurden zwei Arten von Modellen getestet:

• • • Lokales Modell: Ein für jedes Grundwasserleiter spezifisches Modell, das ausschließlich aus den historischen Daten dieses Messpunkts lernt.
    • Globales Modell: Ein Modell, das auf Daten mehrerer Grundwasserleiter mit ähnlichen hydrogeologischen Eigenschaften basiert und nützlich ist, wenn die Datenhistorie unzureichend ist.

Vielversprechende Ergebnisse: trotz begrenzter Datenlage präzise Vorhersagen treffen

Die Ergebnisse dieses Projekts sind besonders ermutigend:

1. 1. 1. Lokales Modell: Bei ausreichender Datenhistorie (mehrere Jahre) liefert das lokale Modell sehr genaue Ergebnisse, da es sich an die Besonderheiten des Grundwasserleiters anpasst.
      2. Globales Modell: Da keine langen historischen Daten vorliegen, hat sich das globale Modell als äußerst leistungsfähig erwiesen. Es ermöglicht eine Reduzierung des mittleren Fehlers (RMSE) um bis zu 75 % im Vergleich zu einem lokalen Modell, das nur auf historischen Daten aus zwei Jahren basiert.

Dieser Ansatz ermöglicht somit zuverlässige Vorhersagen selbst für Grundwasserleiter, für die nur wenige Daten vorliegen – ein entscheidender Fortschritt für die Bewirtschaftung von Grundwasservorkommen.

 

Weiter: Modelle vergleichen und verfeinern

Der nächste Schritt dieses Projekts besteht darin, die Leistungsfähigkeit der entwickelten Modelle mit den traditionellen Ansätzen des BRGM zu vergleichen. Ziel ist es, zu bestätigen, dass diese auf maschinellem Lernen basierenden Modelle schnellere und genauere Vorhersagen liefern können und gleichzeitig weniger Modellierungsaufwand durch hydrogeologische Experten erfordern.

Einer der großen Vorteile dieser Methode besteht darin, dass sie keine besonderen Modellierungsanstrengungen seitens der Fachexperten erfordert, was ihre Einführung und den großflächigen Einsatz erleichtert.

 

Fazit: Ein technologischer Fortschritt für die Wasserwirtschaft

Durch die Zusammenarbeit mit dem BRGM leistet ILLUIN Technology einen aktiven Beitrag zum ökologischen Wandel, indem es innovative technologische Lösungen für eine nachhaltige Wasserwirtschaft anbietet. Dank maschinellem Lernen ist es nun möglich, den Grundwasserspiegel genauer vorherzusagen, selbst wenn nur begrenzte Daten zur Verfügung stehen.

Dieser Fortschritt ermöglicht nicht nur eine Optimierung der Wasserressourcenbewirtschaftung, sondern auch eine bessere Vorhersage von Dürreperioden, wodurch die damit verbundenen ökologischen und wirtschaftlichen Risiken verringert werden.