Um den globalen Wasserkreislauf der Erde und seine Anfälligkeit für den Klimawandel zu verstehen sowie angemessene Risikobewertungen für Ökosysteme, Waldbrände, Landwirtschaft und Wassermanagement vornehmen zu können, ist eine kontinuierliche Beobachtung der Verteilung und Bewegung kontinentaler Wassermassen dringend erforderlich. Um umfassende Einblicke in die Kontinentalhydrologie zu gewinnen, spielen inzwischen sogenannte hybride Modelle, also numerische Modelle in Kombination mit KI-Methoden, eine zentrale Rolle.
Jan Saynisch-Wagner, GFZ Helmholtz-Zentrum für Geoforschung
Die Satellitendaten der GRACE-Missionen (Gravity Recovery and Climate Experiment) liefern seit 24 Jahren wichtige Erkenntnisse über die Massenverteilung der Erde, z.B. über die Massenbilanz der EisschildKontinentale Eismassen mit großer horizontaler Ausdehnung (mehrere tausend Kilometer) und Mächtigkeit (mehrere tausend Meter). Aktuell gibt es auf der Erde Eisschilde in Grönland und der Antarktis. Zum Zeitpunkt des letzten glazialen Maximums vor ...e, aber auch über die Kontinentale HydrologieWissenschaft vom Wasserkreislauf. In der Hydrologie wird die zeitliche und räumliche Verteilung des Wassers, dessen Eigenschaften und dessen Wechselwirkungen mit der Umwelt untersucht. Folgende Wissenschaften sind verwandte Disziplinen oder Teilgebi.... So lassen sich beispielsweise durch den Vergleich aktueller Daten mit langjährigen Mittelwerten Anomaliekarten erstellen, die aufzeigen, wo Grundwasser abgenommen oder zugenommen hat, und die damit verbundene Risiken für Dürren und Waldbrände können besser bestimmt werden.
Ein zentrales Problem früherer GRACE-Analysen bestand darin, kleinskalige Anomalien der terrestrischen Wasserspeicherung aus GRACE-Daten aufzulösen, da die räumliche Auflösung der SatellitengravimetrieVerfahren zur Vermessung des Erdschwerefeldes mittels Satelliten. In den vergangenen 20 Jahren wurden verschiedene moderne Varianten realisiert: (1) Laufzeitmessungen zwischen hochfliegenden GPS-Satelliten und einem tieffliegenden Satelliten (high-lo... auf etwa 300 km begrenzt ist. So blieben die lokalen Verteilungen von Wasser in Flüssen, Seen, und Grundwasserspeichern im Detail verborgen.
Hier kann KI mittlerweile sehr gut helfen, und niedrig aufgelöste Satellitendaten werden durch Downscaling auf eine höhere Arbeitsauflösung gebracht. Erfolgreiche Deep-Learning KI-Modelle nutzen dabei Methoden wie Convolutional Neural Networks (CNN) oder Generative Adversarial Networks (GAN), welche mit nummerischen state of the art-Hydrologiemodellen trainiert werden. Hierzu werden Satellitenbeobachtungen der HydrologieWissenschaft vom Wasserkreislauf. In der Hydrologie wird die zeitliche und räumliche Verteilung des Wassers, dessen Eigenschaften und dessen Wechselwirkungen mit der Umwelt untersucht. Folgende Wissenschaften sind verwandte Disziplinen oder Teilgebi...-Modelle simuliert und der jeweilige Zusammenhang von einer KI erlernt (s. Abb1).
Beide Methoden, GAN und CNN, eignen sich besonders gut für die Verarbeitung räumlicher Erdbeobachtungsdaten, da sie wiederkehrende Muster wie Linien, Kanten oder komplexere Strukturen zuverlässig erkennen können (Abb2). Weiter Möglichkeiten basieren auf der Transformer-Architektur, welche z.B. auch in chatGPT Anwendung findet.
Die aktuellen wie die bereits in Planung befindlichen zukünftigen GRACE-Missionen sind ein Garant für essentielle, konsistente Langzeitbeobachtungen klimarelevanter Kenngrößen. Die raumzeitliche Auflösung der Messungen wird sich jedoch auch in Zukunft nur in sehr geringem Maße verbessern. In Verbindung mit modernem KI-Downscaling können dennoch zahlreiche relevante Fragestellungen beantwortet werden – darunter die Bewertung von KlimaIm Unterschied zum Wetter, das sich auf tagesaktuelle oder sehr kurzfristige Ereignisse bezieht, meint Klima einen mittleren Zustand in der Atmosphäre über einen längeren Zeitraum von 30 bis 40 Jahren hinweg. Beobachtet werden dabei alle Vorgänge...wandelfolgen auf die Kontinentalhydrologie, die Identifizierung und Analyse von Belastungen von Ökosystemen sowie die Unterstützung des Wassermanagements in landwirtschaftlichen und urbanen Regionen in Hinblick auf zukünftige Herausforderungen.
Literaturhinweise
- Hassanibesheli, F., Jensen, L., Dobslaw, H., Thomas, M., Saynisch-Wagner, J. (2024). Downscaling Satellite Gravimetry Observation for Terrestrial Hydrology Using a Conditional Generative Adversarial Network. ESS Open Archive. https://doi.org/10.22541/essoar.172493940.07693855/v1
- Irrgang, C., Saynisch‐Wagner, J., Dill, R., Boergens, E., Thomas, M. (2020). Self-Validating Deep Learning for Recovering Terrestrial Water Storage From Gravity and Altimetry Measurements. Geophysical Research Letters, 47, 17 https://doi.org/10.1029/2020GL089258