PUDI Details

angle-left Zurück

Ermittlung der Grundwassergefährdung mit Hilfe künstlicher neuronaler Netze

Bild der Titelseite der Publikation: Ermittlung der Grundwassergefährdung mit Hilfe künstlicher neuronaler Netze

Liesch, T.; Hötzl, Heinz

2006

Projektbericht - Abschlussbericht

PDF Download

Weitere Dateien:

Beschreibung

Das Ziel dieses Projekts lag in der Entwicklung einer neuen, auf künstlichen neuronalen Netzen basierenden Methode zur Einschätzung der spezifischen Grundwassergefährdung, die es erlaubt, Schadstoffgehalte im Grundwasser und damit dessen potentielle Gefährdung vorauszusagen.

Neuronale Netze bieten dabei gegenüber anderen Methoden den Vorteil, beliebig komplexe mathematische Funktionen aus Beispieldaten zu extrahieren und dabei relativ robust gegenüber unscharfen Eingangsdaten zu sein. So kann das komplexe Zusammenspiel der zahlreichen Faktoren und Prozesse, die zur Grundwassergefährdung beitragen, besser als bei herkömmlichen Methoden berücksichtigt werden.

Bei der Entwicklung der Methodik wurden verschiedene Arten von neuronalen Netzen sowie verschiedene Netztopologien und Lernregeln untersucht. Als für die Problemstellung am besten geeignet haben sich sog. Multi-Layer-Perceptrons oder ebenenweise verbundenen Feed-Forward-Netzwerke mit einer verdeckten Schicht erwiesen. Als Eingangsdaten dienen Parameter, welche die Vulnerabilität beeinflussen, die vorhandenen Schadstoffquellen (Hazards) sowie aktuelle Schadstoffverteilungen im Grundwasser, die als Ausgabeparameter zur Eichung der Grundwassergefährdung herangezogen werden.

Ein wichtige Rolle spielt weiterhin die korrekte Codierung der relevanten Parameter sowie eine repräsentative Aufteilung in ein Trainings- und ein Validierungsgebiet.

Die entwickelte Methodik wurde an drei Testgebieten erprobt und weiter optimiert. Hierfür wurden das Gebiet Rastatt, südlich von Karlsruhe im Oberrheingraben, in dem ein Porengrundwasserleiter vorliegt, das Gebiet Engen/Hegau mit einem Karstgrundwasserleiter sowie das gesamte Bundesland Baden-Württemberg ausgewählt, um verschiedene Grundwasserverhältnisse sowie unterschiedliche Maßstäbe testen zu können.

In den Testgebieten wurden jeweils neuronale Netze zur Vorhersage verschiedener Schadstoffe mit den Daten eines ausgewiesenen Trainingsgebiets trainiert. Die Performance wurde später an Hand bekannter Schadstoffverteilungen in einem Validierungsgebiet überprüft. Ziel ist die sog. Generalisierung, die Vorhersage von Schadstoffverteilungen und damit der Grundwassergefährdung in Gebieten, in denen diese bisher nicht bekannt sind.

Insgesamt konnte gezeigt werden, dass die Methodik prinzipiell geeignet ist, komplexe Vorgänge, wie sie die Grundwassergefährdung zur Grundlage hat, abzubilden, solange dabei alle relevanten Faktoren als Eingangsparameter berücksichtigt werden und es sich um ein "reifes" Gebiet handelt, in dem die Eichung der Grundwassergefährdung an aktuelle Schadstoffverteilungen zulässig ist. Schwierig ist dies bei sehr komplexen Grundwasserfließverhältnissen, wie sie beispielsweise im Karst auftreten. Sehr kleinräumige Gliederungen der Testgebiete werfen Probleme bei der Ausweisung von Trainingsgebieten auf.

Bis zum praktischen Einsatz in Behörden im Hinblick auf die von der Wasserrahmenrichtlinie geforderten Untersuchungen zum Gefährdungspotential des Grundwassers besteht weiterer Forschungsbedarf, vor allem hinsichtlich einer bedienerfreundlichen Umsetzung. Als Weiterentwicklungen werden eine Kombination von neuronalen Netzen mit Transportmodellen, eine Übertragung der Methodik auf die Einschätzung der intrinsischen Grundwasserrisikointensität, zeitliche Vorhersagen sowie direkte Vergleiche mit den Ergebnissen anderer Methoden vorgeschlagen.