Datengetriebene, langfristige Vorhersagen des Wasserbedarfs unter dem Einfluss des Klimawandels

Description: Ausreichende Verfügbarkeit von Trinkwasser und entsprechende Langzeitplanung sind wesentliche Voraussetzungen für eine nachhaltige Zukunft. Dazu bedarf es verlässlicher Langzeitprognosen des zukünftigen Wasserbedarfs. Stündliche und tägliche Bedarfsprognosen mithilfe von maschinellem Lernen (ML) sind wohletabliert, sofern ausreichend Daten vorhanden sind. Dennoch gibt es einige Herausforderungen. Erstens verfügen viele lokale Wasserversorger lediglich über monatliche Bedarfsdaten. Zweitens ist das System wegen des Klimawandels und wegen sozialer, rechtlicher und wirtschaftlicher Veränderungen instationär. Drittens sind zukünftige Wetter- und Klimabedingungen sowie die genannten Wandelprozesse unsicher. Insgesamt führt dies zu hoch volatilen und unsicheren Szenarien mit begrenzten Daten, was eine große Herausforderung für Modellierung und ML-Methoden darstellt. Dennoch sollten diese Methoden breit in verschiedenen Klima- und Wirtschaftsregionen anwendbar sein, zuverlässige Vorhersagen über Jahrzehnte ermöglichen und für Experten in Planungsbüros handhabbar sein. Dieses Projekt zielt darauf ab, Langzeitprognosen des Wasserbedarfs zu verbessern, indem wir folgende vier Forschungsfragen bearbeiten: Welche ML-Modelle für datenarme Probleme beschreiben den Wasserbedarf am besten, und kann die Modellauswahl automatisiert werden? Welche erklärenden Variablen sind notwendig, und wie sind diese zukünftig verteilt? Wie können wir der variierenden Aussagekraft von Daten in instationären Problemen begegnen? Wie können wir sinnvolle Unsicherheitsintervalle für Risikobewertungen erreichen? Um diese Fragen zu beantworten, werden wir speziell für datenarme Situationen entwickelte ML-Modelle entwickeln, kombinieren und bewerten sowie deren Auswahl automatisieren. Dies umfasst auch die Auswahl der erklärenden Variablen und die Untersuchung ihrer Wahrscheinlichkeitsverteilungen. Wir werden auf zwei Zeitskalen arbeiten: kurzfristig (lokal Wetter) und langfristig (Klima). Für die kurze Zeitskala werden wir statistische Wettergeneratoren verwenden, während wir für die langfristige Skala Langzeit-Wettervorhersagen des DWD unter verschiedenen Klimaszenarien nutzen werden. Da technische, gesellschaftliche oder wirtschaftliche Veränderungen und ihre Auswirkungen auf den Wasserbedarf schwer vorhersehbar und allgemein modellierbar sind, müssen sie als exogene oder festgesetzte Variablen behandelt werden. Sie können die Aussagekraft von Daten, die unter aktuellen Bedingungen erhoben werden, beeinflussen. Daher werden wir Multi-Fidelity-Ansätze entwickeln, die aus kürzeren Zeitreihen größerer räumlicher Gebiete lernen können. Für das Projekt bauen wir auf Vorarbeiten im Bereich des Polynomiellen Chaos und der Gauß-Prozess-Regression auf. Alle Methoden werden open-source verfügbar gemacht, um Transparenz in der Bedarfsvorhersage zu fördern und somit verbesserte Vorhersagen und Entscheidungsunterstützung öffentlich verfügbar zu machen.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Hydrogeologie ? Szenario ? Wasserverfügbarkeit ? Hydrochemie ? Künstliche Intelligenz ? Limnologie ? Mesoklima ? Siedlungswasserwirtschaft ? Wirtschaftsraum ? Zeitreihe ? Modellierung ? Hydrologie ? Klimawandel ? Wasserbedarf ? Klimaszenario ? Risikobewertung ? Integrated Water Resources Management ? Integrierte Wasserressourcen-Bewirtschaftung ? Urban Water Management ? Water Chemistry ?

Region: Baden-Württemberg

Bounding boxes: 9° .. 9° x 48.5° .. 48.5°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Umweltbundesamt (Bereitstellung)
• Universität Stuttgart, Institut für Wasser- und Umweltsystemmodellierung, Lehrstuhl für Stochastische Simulation und Sicherheitsforschung für Hydrosysteme (Projektverantwortung)

Time ranges: 2024-01-01 - 2025-10-02

Alternatives

• Language: Englisch/English
  Title: Data-driven, long-term forecasting of water demand in the face of climate change
  Description: Sufficient availability of drinking water and corresponding long-term planning are essential prerequisites for a sustainable future. This requires reliable long-term forecasts of future water demand. Hourly and daily demand forecasts using machine learning (ML) are well established, provided that sufficient data are available. Nevertheless, there are substantial challenges. First, many local water utilities only have monthly demand data. Second, the system is transient because of climate change and social, legal, and economic changes. Third, future weather and climate conditions, as well as the aforementioned processes of change, are uncertain. Overall, this leads to highly volatile and uncertain scenarios with limited data, which is a major challenge for modeling and ML methods. Nevertheless, these methods should be broadly applicable in different climate and economic regions, allow reliable predictions over decades, and be manageable for experts in planning offices. This project aims to improve long-term forecasts of water demand by addressing the following four research questions: Which ML models for data-poor problems best describe water demand, and can model selection be automated? What explanatory variables are needed, and how are they distributed in the future? How can we address the varying explanatory power of data in transient problems? How can we achieve reasonable uncertainty intervals for risk assessments? To answer these questions, we will develop, combine, and evaluate ML models specifically designed for data-poor situations and automate their selection. This will include the selection of explanatory variables and the study of their probability distributions. We will work on two time scales: the short term (local weather) and the long term (climate). For the short time scale, we will use statistical weather generators, while for the long term scale we will use long-term weather forecasts of the German Weather Service (DWD) under different climate scenarios. Because technical, societal, or economic changes and their effects on water demand are difficult to predict and to model in general, they must be treated as exogenous or fixed variables. They can affect the validity of data collected under current conditions. Therefore, we will develop multi-fidelity approaches that can learn from shorter time series in larger spatial areas. For this project, we will build on prior work in polynomial chaos and Gaussian process regression. The study area used for development and testing is southern Germany, with a range of different climatic and economic regions, and close to one hundred local water suppliers. All methods will be made open-source to promote transparency in demand forecasting and thus make improved forecasting and decision support publicly available. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1138982

Resources

• Webseite zum Förderprojekt

  https://gepris.dfg.de/gepris/projekt/535321881 (Webseite)

Status

Aktiv

Quality score

• Overall: 0.50
• Findability: 0.66

  • Title: 1.00
  • Description: 0.18
  • Identifier: false
  • Keywords: 0.80
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.