HydroGeoML

Gekoppelte Hydrogeophysikalische Inversion und Machine Learning zur verbesserten Abschätzung hydrologischer Parameter

Grundwasser ist eine lebenswichtige Süßwasserquelle, die durch Übernutzung und Klimawandel stark belastet wird. Die genaue Schätzung der Grundwasserneubildung ist entscheidend, aber schwierig. Dieses Projekt entwickelt einen neuartigen hydrogeophysikalischen Ansatz, der geoelektrische Überwachung, hydrologische Modellierung und maschinelles Lernen kombiniert.

Kernpunkte des Projekts:

• Problem: Zunehmende Belastung des Grundwassers und hohe Unsicherheit bei der Schätzung der Grundwasserneubildung.
• Lösung: Entwicklung eines hydrogeophysikalischen Ansatzes basierend auf geoelektrischem Monitoring, hydrologischer Modellierung und maschinellem Lernen.
• Methoden:
  • Entwicklung eines hydrogeophysikalischen Inversionsansatzes zur Schätzung der hydraulischen Leitfähigkeit und räumlich aufgelöster Neubildungsraten.
  • Erforschung maschineller Lernansätze zur effizienten Schätzung hydraulischer Leitfähigkeiten.
  • Anwendung optimierter Vermessungstechniken zur Verbesserung der räumlichen Auflösung.
• Validierung: Die Ansätze werden anhand synthetischer Modelle, Laborexperimente und realer Felddaten getestet und bewertet.
• Ziel: Bereitstellung räumlich aufgelöster, genauer Schätzungen der Grundwasserneubildungsraten zur Verbesserung des Managements von Grundwasseranreicherungsanlagen.

Dieses Projekt zielt darauf ab, innovative Methoden zu entwickeln, um das Management und die Optimierung von Grundwasserressourcen durch präzisere Informationen über die Grundwasserneubildung zu unterstützen.