Punktuelle Ensemble-Prognosen mit Methoden des maschinellen Lernens für die operationelle Grundwasserbewirtschaftung

Ziel dieser Arbeit ist es, der operationellen Grundwasserbewirtschaftung ingenieurgerechte und wirtschaftliche punktuelle Grundwasserstandsprognosen zu ermöglichen. Bedingung dafür ist die Einbindung neuer Modellierungstechniken zur effektiven Nutzung verfügbarer Informationsressourcen. Im Gegensatz zu den statischen physikalischen Felddaten, deren detaillierte Kenntnis Voraussetzung einer physikalisch-basierten Modellierung ist, werden die dynamischen Faktoren fortlaufend erhoben und sind, etwa durch das Grundwassermonitoring und die Wetterdienste, umfangreich und vergleichsweise einfach in Form von Zeitreihen verfügbar. Die grundlegende Hypothese dieser Arbeit ist, dass die wesentlichen zugrundeliegenden statischen, physikalischen Systeminformationen des Modellgebietes in den dynamischen Systembeschreibungen implizit enthalten sind und durch Computermodelle erlernt werden können. In dieser Arbeit sollen für die operationelle Grundwasserbewirtschaftung Modelle entwickelt werden, die punktuelle Grundwasserstandsprognosen an Referenzmessstellen auf Basis von verfügbaren dynamischen Beschreibungen des Modellgebietes in der erforderlichen Prognosequalität, bezüglich Fehlermaß und Zuverlässigkeit, für einen relevanten Prognosehorizont ermöglichen.