Neues Deep‑Learning-Modell vorhersagt Grundwasserspiegel präzise – mit physikalischer Unterstützung

Wissenschaftler haben ein innovatives, reines Deep‑Learning-Modell namens STAINet entwickelt, das wöchentliche Grundwasserspiegel an beliebigen Standorten vorhersagen kann. Das System nutzt sowohl spärlich verteilte Messdaten des Grundwassers als auch dichtes Wetterdatenmaterial, um komplexe räumlich‑zeitliche Zusammenhänge zu erfassen.

Um die Zuverlässigkeit und Generalisierbarkeit des Modells zu erhöhen, wurden physikbasierte Ansätze integriert. STAINet-IB führt eine induktive Voreinstellung ein, die die Komponenten der Grundwasserflussgleichung schätzt. STAINet-ILB ergänzt das Training um zusätzliche Verlustterme, die die geschätzten Gleichungs­komponenten überwachen. STAINet-ILRB nutzt zusätzlich von Experten geschätzte Informationen über die Grundwasser‑Reichzone.

Die Variante STAINet-ILB erzielte die besten Ergebnisse: In einer Rollout‑Simulation lag der Median‑MAPE bei 0,16 % und der Kling‑Gupta‑Effizienz (KGE) bei 0,58. Diese Leistungen zeigen, dass die Kombination aus reiner Deep‑Learning‑Architektur und gezielter physikalischer Einbindung ein starkes Werkzeug für die präzise Vorhersage von Grundwasserspiegeln darstellt.