Bidirektionale Kopplung zwischen Grund- und Oberflächenwasser – Deep-Learning-gestützte Modellierung und simultane Prognosen

• Antragstellerin: Dr. Tanja Liesch
• Fachliche Zuordnung: Hydrogeologie, Hydrologie, Limnologie, Siedlungswasserwirtschaft, Wasserchemie, Integrierte Wasserressourcen-Bewirtschaftung
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 588280036

Die Wechselwirkung zwischen Fließgewässern und angrenzendem Grundwasser ist ein zentraler Bestandteil des Wasserkreislaufs. Je nach hydraulischem Gradienten kann Wasser vom Fluss in den Aquifer infiltrieren oder umgekehrt als Basisabfluss in den Fluss zurückströmen. Diese bidirektionalen Austauschprozesse beeinflussen Hoch- und Niedrigwasser, die Verfügbarkeit von Trinkwasserressourcen, die Stabilität von Auenökosystemen sowie die Steuerung wasserwirtschaftlicher Anlagen. Dennoch werden Fluss- und Grundwasserstände bislang meist getrennt modelliert und prognostiziert, wodurch ihre wechselseitige Beeinflussung nur unzureichend berücksichtigt wird. Ziel des beantragten Projekts ist die Entwicklung eines datengetriebenen, Deep-Learning-gestützten Modells, das Fluss- und Grundwasserstände simultan vorhersagt und den Austausch zwischen beiden Teilsystemen explizit und quantitativ abbildet. Das Modell lernt aus langjährigen Zeitreihen von Flusspegeln, Grundwasserständen und meteorologischen Eingangsgrößen (z. B. Niederschlag, Temperatur), wie sich beide Systeme dynamisch beeinflussen. Dabei wird ein sogenannter Kopplungsterm entwickelt, der die Richtung und Stärke des Wasseraustauschs zwischen Aquifer und Fluss differenzierbar modelliert und in beide Vorhersagen integriert. Ein wesentlicher wissenschaftlicher Aspekt des Projekts besteht darin zu untersuchen, unter welchen hydrogeologischen und hydrologischen Randbedingungen die explizite Modellierung dieser Austauschflüsse die Vorhersagbarkeit beider Systeme verbessert. Dazu werden deutschlandweit repräsentative Pilotstandorte ausgewählt, die unterschiedliche Flusstypen, geologische Verhältnisse, Abflussregime und anthropogene Einflüsse abdecken. Die Leistungsfähigkeit des entwickelten Modells wird systematisch mit etablierten physikalisch-basierten Kopplungsmodellen verglichen, um Prognosegüte, Modellierungsaufwand und Übertragbarkeit einzuordnen. Das Projekt verbindet damit methodische Innovation im Bereich maschinellen Lernens mit einem vertieften Prozessverständnis der Grundwasser-Oberflächenwasser-Interaktion. Die Ergebnisse tragen dazu bei, die Vorhersage von Hoch- und Niedrigwasserereignissen zu verbessern, die Nutzung von Wasserressourcen robuster zu gestalten und die Auswirkungen klimatischer Veränderungen auf gekoppelte Fluss-Grundwasser-Systeme besser zu bewerten.

• DFG-Verfahren: Sachbeihilfen