On groundwater monitoring using machine learning and satellite remote sensing

Schelter, Lennart Noel; Schüttrumpf, Holger (Thesis advisor); Amann, Florian (Thesis advisor)

Aachen : RWTH Aachen University (2021, 2022)
Doktorarbeit

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021

Kurzfassung

Grundwasser ist die bei weitem größte Komponente des aktiven Wasserkreislaufs. Außerdem ist es in vielen Regionen der Welt die Hauptquelle für Süßwasser und wird angesichts des Klimawandels und extremerer Wetterereignisse für die Landwirtschaft, die Industrie und den Hausgebrauch immer wichtiger. Eine effektive und nachhaltige Bewirtschaftung dieser wichtigen Ressource ist daher notwendig. Leider erfordert die herkömmliche Überwachung von Grundwasserressourcen teure Netze von Überwachungsbrunnen, die in vielen Regionen der Welt nicht zur Verfügung stehen, was eine effektive Bewirtschaftung problematisch macht. Ziel dieser Arbeit ist es, zu quantifizieren, wie genau das Grundwasser allein mit Fernerkundungsdaten und maschinellem Lernen überwacht werden kann. Aus diesem Grund werden drei verschiedene Probleme untersucht: die Erhöhung der räumlichen Auflösung der verfügbaren Grundwasserstandsdaten, die Berechnung von Grundwasserstandsänderungen in einem Zeitraum, bevor Grundwasserstandsdaten verfügbar sind, und die Berechnung von Grundwasserständen in einer Region ohne verfügbare Grundwasserstandsdaten. Jede Aufgabe wird mit vier verschiedenen Modelltypen angegangen, einer "Multivariaten Linearen Regression" (MVLR), einem "Random Forest" (RF), einem "Multilayer Perceptron" (MLP) und einem "Long Short-Term Memory" (LSTM) Modell, die in zwei verschiedenen Untersuchungsgebieten in Deutschland und den USA angewandt werden. Die Eingabedaten bestehen aus GRACE total water storage Daten und verschiedenen meteorologischen und hydrologischen Parametern, die von verschiedenen Satellitenmissionen bereitgestellt werden. Die Ergebnisse zeigen, dass mit mehreren Modellen eine gute Korrelation für die Erhöhung der räumlichen Auflösung mit einem Bestimmtheitsmaß (R2) von 0,76 für das beste MLP-Modell erreicht werden kann. Sowohl die zeitliche als auch die räumliche Extrapolation müssen weiter optimiert werden, um eine ähnliche Genauigkeit zu erreichen. Der vorgestellte Ansatz ist für jedermann zugänglich, da er nur öffentlich verfügbare Daten und einige lokale Grundwassermessungen in Open-Source-Algorithmen verwendet. Er kann die räumliche Auflösung der verfügbaren Grundwasserbeobachtungen effektiv auf eine Auflösung von 0,05 Grad erhöhen bei einer zeitlichen Auflösung von einem Monat. Die Anwendung in Regionen mit spärlichen Grundwasserüberwachungsdaten könnte die Qualität der Informationen, die den Wasserbehörden zur Verfügung stehen, erheblich verbessern und somit überall eine effektive und nachhaltige Bewirtschaftung der Wasserressourcen ermöglichen.

Identifikationsnummern

Downloads