English version 

Verlässliche Prognosen zur Grundwasserstandsentwicklung sind von zentraler Bedeutung für ein nachhaltiges Grundwassermanagement. Angesichts klimatischer Veränderungen und regional sinkender Grundwasserstände gewinnt die Frage, wie sich Grundwasserressourcen über verschiedene Zeitskalen hinweg entwickeln, zunehmend an Bedeutung. Insbesondere bei sinkenden Grundwasserständen und steigenden Entnahmen erhöht sich der Nutzungsdruck auf die Ressource, wodurch Nutzungskonflikte zwischen öffentlicher Wasserversorgung, Landwirtschaft und Industrie entstehen.

Vor diesem Hintergrund wurde im Verbundprojekt KIMoDIs ein KI-basierter Prototyp für ein Monitoring-, Datenmanagement- und Informationssystem entwickelt, wobei der Schwerpunkt auf der Vorhersage von Grundwasserständen über verschiedene räumliche Skalen lag. Neben der umfassenden, landesweiten Analyse für Brandenburg wurden vier lokale Pilotgebiete mit spezifischen Fragestellungen (z. B. Nutzungskonflikte, ökologische Auswirkungen oder Versalzungsrisiken) vertiefend untersucht.

Für saisonale Grundwasserstandsvorhersagen im Bundesland Brandenburg wurde ein operativer Workflow entwickelt, der Prognosen für die kommenden 16 Wochen berechnet und dafür auf rund 600 Messstellen zurückgreift. Eine integrierte Frühwarnfunktion hebt Messstellen hervor, wenn die Vorhersage für die jeweilige Kalenderwoche ungewöhnlich niedrig ist. Für etwa 270 Messstellen konnten robuste mittel- und langfristige Modellprognosen unter verschiedenen Klimaprojektionen (CMIP5) berechnet werden: Im Szenario RCP 8.5 ist für den Zeitraum 2071–2100 ein Rückgang der Grundwasserstände um etwa 8 % bis 26 % zu erwarten, während im Szenario RCP 2.6 geringere Rückgänge zwischen 1 % und 11 % prognostiziert werden. Diese Spannweiten verdeutlichen die Relevanz der Berücksichtigung klimatischer Unsicherheiten für belastbare Langfristprognosen und wasserwirtschaftliche Anpassungsstrategien.

Ein weiterer Schwerpunkt lag auf der Entwicklung von Nutzungsszenarien, um den Einfluss von Wasserentnahmen auf den Grundwasserstand zu modellieren. Aufgrund unterschiedlicher Datenverfügbarkeit, Qualität und Zielsetzungen wurde der Fokus auf eine Pilotregion gelegt. Damit konnte exemplarisch dargestellt werden, wie Nutzungsszenarien methodisch integriert und für Entscheidungsprozesse aufbereitet werden können. Die Ergebnisse zeigen, dass die zukünftige Entwicklung der Grundwasserstände durch ein Zusammenspiel von Klima und Nutzung bestimmt wird und beide Faktoren bei der Planung berücksichtigt werden müssen.

Der Prototyp führt vielfältige zusätzliche Informationen zusammen, um eine solide Entscheidungsgrundlage zu schaffen. Neben der Entwicklung der Grundwasserstände fließen auch Nutzungsdaten aus den einzelnen Landkreisen sowie Informationen zur Grundwasserversalzung in Brandenburg ein. Hierzu wurden umfangreiche Datenbestände mit mehr als 23.000 Analysen einer genetischen Bewertung unterzogen. So entsteht ein räumlicher und zeitlicher Überblick über die Entwicklung der Grundwasserversalzung im Land Brandenburg.

Quelle:

© BGR

Der im Projekt entwickelte Prototyp zeigt deutlich, welches Potenzial KI-gestützte Vorhersagen, integrierte Monitoringdaten und moderne Analysemethoden für ein zukunftsorientiertes Grundwassermanagement besitzen. Die wirtschaftliche Verwertung nach Projektende liegt primär beim Partner Mapular.

Das Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) hat das Verbundprojekt „KIMoDIs“ innerhalb der Fördermaßnahme „Nachhaltige Grundwasserbewirtschaftung“ im Rahmen des Bundesprogramms „Wasser:N“ (BMFTR-Strategie „FONA – Forschung für Nachhaltigkeit“) gefördert.

Weiterführende Literatur

Abschlussbericht

• BRODA, S., KUNZ, S. & WETZEL, M. (2026): Verbundprojekt KI-basiertes Monitoring-, Datenmanagement- und Informationssystem zur gekoppelten Vorhersage und Frühwarnung vor Grundwasserniedrigständen und -versalzung – KIMoDIs in der Fördermaßnahme Nachhaltige Grundwasserbewirtschaftung (LURCH). – Sachbericht zum Verwendungsnachweis. DOI: 10.34657/42765

Paper

• CHIOGNA, G., MARCOLINI, G., ENGEL, M. et al. (2024): Sensitivity analysis in the wavelet domain: a comparison study. – Stoch Environ Res Risk Assess 38, 1669–1684. DOI: 10.1007/s00477-023-02654-3
• DOLL, F., LIESCH, T., WETZEL, M., KUNZ, S. & BRODA, S. (2026): Validation strategies for deep learning-based groundwater level time series prediction using exogenous meteorological input features. – Geoscientific Model Development, 19(7), 2657–2675. DOI: 10.5194/gmd-19-2657-2026
• ENGEL, M. & KÖRNER, M. (2024): Sentinel-2 Tiling Scheme Grid-Overlay for Efficient I/O-Operations Based on Spherical Voronoi Polygons and Local Optimization. – In IEEE International Geoscience and Remote Sensing Symposium. DOI: 10.1109/IGARSS53475.2024.10640984
• KUNZ, S., SCHULZ, A., WETZEL, M., NÖLSCHER, M., CHIABURU, T., BIESSMANN, F. & BRODA, S. (2025): Towards a global spatial machine learning model for seasonal groundwater level predictions in Germany. – Hydrology and Earth System Sciences, 29(15), 3405–3433. DOI: 10.5194/hess-29-3405-2025
• RECKE, T., WETZEL, M. & HERMSDORF, A. (2025): KIMoDIs – KI-basiertes Monitoring-, Datenmanagement- und Informationssystem zur gekoppelten Vorhersage und Frühwarnung vor Grundwasserniedrigständen und -versalzung. – Brandenburgische Geowissenschaftliche Beiträge Bd. 32/2025.

Präsentationen

• BRODA, S. (2026): KI-basiertes Monitoring-, Datenmanagement- und Informationssystem zur gekoppelten Vorhersage und Frühwarnung vor Grundwasserniedrigständen und -versalzung. – Abschlussveranstaltung der BMBF-Fördermaßnahme „Nachhaltige Grundwasserbewirtschaftung“ (LURCH), Frankfurt am Main.
  Download (PDF, 7MB, Datei ist nicht barrierefrei)
• BRODA, S. (2025): KI in der Hydrogeologie – Erfahrungen zwischen Innovation und Realität. – 27. Symposium Strategien zur Sanierung von Boden und Grundwasser, Frankfurt a. M.
• DOLL, F., BRODA, S., HEUDORFER, B., KUNZ, S., THULLNER, M., WETZEL, M. & LIESCH, T. (2024): Die Eignung von Modellen des maschinellen Lernens für die gekoppelte Vorhersage von Grundwasserständen und Grundwasserversalzung. – 27. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., RWTH Aachen.
• DOLL, F., LIESCH, T., HABBEL, B., PAXIAN, A., DALANE, C., VOIGT, J., WETZEL, M., KUNZ, S. & BRODA, S. (2026): Verbesserung der Vorhersage von Grundwasserständen durch abgeleitete meteorologische Eingangsvariablen in Deep-Learning-Modellen. – FH-DGGV-Tagung 2026, Leipzig.
• ENGEL, M. & KÖRNER, M. (2024): Sentinel-2 Tiling Scheme Grid-Overlay for Efficient I/O-Operations based on Spherical Voronoi Polygons and Local Optimization. – IEEE International Symposium on Geoscience and Remote Sensing (IGARSS), Athen.
• ENGEL, M., KUNZ, S., WETZEL, M. & KÖRNER, M. (2024): Multiresolution Analysis based Assessment of Agricultural Effects on Groundwater Levels. – ESA Agriculture Under Pressure, Frascati.
• HABBEL, B., LIESCH, T., OHMER, M., WETZEL, M., CLOS, P. & BRODA, S. (2026): Automatisierte Datenvorverarbeitung für die Zeitreihenmodellierung: Das Python-Paket hytise. – FH-DGGV-Tagung 2026, Leipzig.
• KUNZ, S., SCHULZ, A. NÖLSCHER, M., WETZEL, M., CHIABURU, T., BIESSMANN, F. & BRODA, S. (2024): Global machine learning (ML) models for short-term groundwater level prediction. – Geosaxonia 2024, Dresden.
• KUNZ, S., WETZEL, M., ENGEL, M. & BRODA, S. (2025): Deep Learning Models for Seasonal Groundwater Level Prediction. – EGU General Assembly 2025, Wien.
• KUNZ, S., WETZEL, M., GONZÁLEZ, E., ELBRACHT, J., SCHULZ, A., CHIABURU, T., NÖLSCHER, M., BIESSMANN, F. & BRODA, S. (2026): Integration von Grundwasserentnahmedaten in ML-Modelle: Potenziale für verbesserte Grundwasserprognosen und die Bildung von Nutzungsszenarien. – FH-DGGV-Tagung 2026, Leipzig.
• SCHULZ, A., KUNZ, S., NÖLSCHER, M., WETZEL, M., BRODA, S. & BIESSMANN, F. (2024): Entwicklung eines globalen Modells für kurzfristige Grundwasserstandsvorhersagen unter Anwendung des Temporal Fusion Transformers. – 27. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., RWTH Aachen.
• THULLNER, M., DOLL, F., WETZEL, M., KUNZ, S., HÜSKKE, K., BRODA, S., LIESCH, T. & HUBNER, G. (2026): Faktoren für Salinitätsschwankungen der Süßwasserlinse unterhalb der Insel Langeoog. –  FH-DGGV-Tagung 2026, Leipzig.
• WETZEL, M. (2024): Künstliche Intelligenz in der Hydrogeologie. – Berlin-Brandenburger Brunnentage, Berlin.
• WETZEL, M., KUNZ, S., DOLL, F., HABBEL, B., LIESCH, T. & BRODA, S. (2026): Datengetriebene Modellierung von Grundwasserganglinien: Herausforderungen unterschiedlicher Reaktionsdynamik. – FH-DGGV-Tagung 2026, Leipzig.
• WETZEL, M., SCHMIDT, L.-K., HERMSDORF, A., KUNZ, S., LIESCH, T., HEUDORFER, B., DOLL, F. & BRODA, S. (2024): Advancing water resource management: Insights and implications from global machine learning models in groundwater prediction. – European Geosciences Union General Assembly (EGU24), Wien.

Poster

• BRODA, S., KUNZ, S., WETZEL, M., SCHMIDT, L.-K. & HERMSDORF, A., (2025): Predicting Decadal Groundwater Levels in Brandenburg: Deep Learning Approaches for Sustainable Management. – EGU General Assembly 2025, Wien.
• BRODA, S. & WETZEL, M. (2024): KIMoDIs – KI-basiertes Monitoring-, Datenmanagement- und Informationssystem für das Grundwasser in Brandenburg. – Auftaktveranstaltung der BMBF-Fördermaßnahme „Nachhaltige Grundwasserbewirtschaftung“ (LURCH), Frankfurt am Main.
  Download (PDF, 2MB, Datei ist nicht barrierefrei)
• DOLL, F., OHMER, M., LIESCH, T., SCHMIDT, L.-K., HERMSDORF, A., WETZEL, M., KUNZ, S. & BRODA, S. (2024): Informationsbasierte Optimierung hydrogeologischer Messnetze – Anwendung von SSPOR auf das hydrogeologische Landesmessnetz Brandenburg. – Statusseminar der BMBF-Fördermaßnahme „Nachhaltige Grundwasserbewirtschaftung“ (LURCH), Frankfurt am Main.
• GONZÁLEZ, E., BRODA, S. & ELBRACHT, J. (2023): KIMoDIs – KI-basiertes Monitoring-, Datenmanagement- und Informationssystem zur gekoppelten Vorhersage und Frühwarnung vor Grundwasserniedrigständen und -versalzung. – Tagung Grundwasserströmungs-Modellierung, Hannover.
• GONZÁLEZ, E., ELBRACHT, J., KUNZ, S., RIECHERS, S. & WETZEL, M. (2026): Ergebnisse aus dem BMBF-Projekt „KIMoDIs“ – Projektgebiet West-Hümmling. – FH-DGGV-Tagung 2026, Leipzig.
• GONZÁLEZ, E., ELBRACHT, J., WETZEL, M. & BRODA, S. (2024): KIMoDIs – Projektgebiet West-Hümmling. – 27. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., RWTH Aachen.
• WETZEL, M., KUNZ, S., SCHMIDT-RUDOLPH, L.-K., HERMSDORF, A. & BRODA, S. (2026): KI-gestützte Grundwasserstandsprojektionen: Wie sich Brandenburgs Grundwasserstände bis 2100 entwickeln. – Abschlussseminar der BMBF-Fördermaßnahme „Nachhaltige Grundwasserbewirtschaftung“ (LURCH), Frankfurt am Main.
  Download (PDF, 4MB, Datei ist nicht barrierefrei)
• WETZEL, M., SCHMIDT, L.-K., HERMSDORF, A., KUNZ, S., LIESCH, T., HEUDORFER, B., DOLL, F. & BRODA, S. (2024): KI-basiertes Grundwassermanagement in Brandenburg: Notwendigkeit und bisherige Entwicklungen. – 27. Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e. V., RWTH Aachen.
• WETZEL, M., SCHMIDT, L.-K., HERMSDORF, A., KUNZ, S., LIESCH, T., HEUDORFER, M., DOLL, F. & BRODA, S. (2024): KI-basiertes Grundwassermanagement in Brandenburg – Notwendigkeit und bisherige Entwicklungen. – Statusseminar der BMBF-Fördermaßnahme „Nachhaltige Grundwasserbewirtschaftung“ (LURCH), Frankfurt am Main.
  Download (PDF, 3MB, Datei ist nicht barrierefrei)

Partner

• Karlsruher Institut für Technologie (KIT)
• Landesamt für Umwelt Brandenburg (LfU)
• Mapular
• Bundesanstalt für Gewässerkunde (BfG)
• Technische Universität München (TUM)
• Deutscher Wetterdienst (DWD)
• Landesamt für Bergbau, Energie und Geologie Niedersachsen (LBEG)
• Landesamt für Bergbau, Geologie und Rohstoffe Brandenburg (LBGR)

Förderungsnummer

02WGW1662A