Nyt intelligent potentialekort over terrænnært grundvand

Publiceret 17-06-2019
Nyhed

GEUS har sammen med COWI, SCALGO og Region Midtjylland udviklet et nyt modelleringsværktøj til terrænnært grundvand. Værktøjet er baseret på machine learning og skal bl.a. bruges til at vurdere risikoen for oversvømmelser.

Potentialekort
Resultat af modelleret dybde til terrænnært grundvand med Random Forest i 50 x 50 m med udsnit for område syd for Holstebro.

Det nye modelleringsværktøj skal måle dybden af det terrænnære grundvand i Region Midtjylland samt Thisted, Morsø og Vesthimmerland kommuner. Projektet er et EU-projekt, som blev udbudt i forbindelse med Coast to Coast-initiativet C2C CC. Opgaven gik ud på at lave et mere intelligent potentialekort for det terrænnære grundvandsspejl på basis af bl.a. machine learning og klimagenererede ændringer i grundvandsspejlet beregnet ved hjælp af en hydrologisk model.

Baggrunden for projektet var, at mange kommuner har problemer med højtstående eller stigende grundvand, som volder store problemer ved f.eks. infrastruktur- og kloakprojekter. Kommunerne har derfor brug for et mere detaljeret kort til klimatilpasning. Og netop i forbindelse med vurderingen af risikoen for grundvandsoversvømmelser i det åbne land og i byer er dybden til det terrænnære grundvand afgørende.

Projektet blev igangsat i 2018 og afsluttet med træning af slutbrugere fra kommuner og forsyningsselskaber.

Nye muligheder for hydrologisk kortlægning
Det nye værktøj er baseret på en statistisk machine learning-/Random Forest-model, som GEUS har udviklet. En omfattende GIS-database, der indeholder kort over 26 forklarende variabler, som afspejler geologi, topografi, overfladevand, arealanvendelse osv., indgik i træningen af modellen. I løbet af projektet er pejledata fra 15.000 boringer med observationer fra det terrænnære grundvand (filtersat i max. 10 meter under terræn) blevet udtrukket og bearbejdet som et ’træningsdatasæt’ med henblik på at kortlægge dybden til det terrænnære grundvand.

”Den voksende tilgængelighed og detaljeringsgrad af miljødata i kombination med en frit tilgængelig og bredt anvendelig machine learning-værktøjskasse åbner for nye muligheder inden for hydrologisk kortlægning og datadreven modellering. Machine learning kan her give mere præcise estimater af hydrologisk relevante variable i en rummelig oplysning, som det ikke umiddelbart er realistisk at opnå med en klassisk numerisk model,” siger Julian Koch, forsker ved GEUS. 

En effektiv måde at lave kort over dybden til grundvandet
Random Forest-modellen er sat op med en rummelig detaljeringsgrad på 50 x 50 m. Modellen har vist sig at være en meget effektiv måde at fremstille et kort over dybden til det terrænnære grundvand - den har nemlig vist stor nøjagtighed i den valideringstest, der er en integreret del af metoden.  

Random Forrest-modellen er også blevet brugt til at estimere usikkerheden på dybdekortet og til at fremskrive tre forskellige klimascenarier for det fremtidige klima. Scenarierne er brugt til at give et estimat af dybden til det terrænnære grundvand i år 2050. På grund af stor usikkerhed om den fremtidige nedbør, er fremskrivningen lavet med en hydrologisk model for hhv. en tør, en median og en våd klimamodel.

Samspil mellem machine learning og numeriske hydrologiske modeller
Det nye modelleringsværktøj dækker indtil videre kun Region Midtjylland og er implementeret i SCALGO - en webbaseret applikation der bliver brugt i klimatilpasning og forvaltning af det terrænnære grundvand, f.eks. i forbindelse med byudvikling og arealplanlægning.

”Vi ser frem til, at kommunerne begynder at bruge metoden i praksis. Fremover vil vi også undersøge, om machine learning kan spille endnu bedre sammen med resultater fra numeriske hydrologiske modeller ved at bruge resultater fra den hydrologiske model til forbedret processering af træningsdatasæt og mere detaljeret klimafremskrivning. På den måde kan vi sikre synergier mellem de to modelleringsmetoder, som hver har deres fortrin,” siger Hans Jørgen Henriksen, seniorrådgiver ved GEUS, og fortsætter:

”Og så har vi også en ambition om på længere sigt at udvide modellen til hele landet og at bruge den i andre sammenhænge – f.eks. til bestemmelse af grundvandsspejlet under tørke og ekstremsituationer af betydning for akvatiske og terrestriske økosystemer, landbrug og infrastruktur”

Studiet er publiceret som preprint i det videnskabelige tidsskrift Hydrology and Earth System Sciences.

C2C CC

C2C CC står for Coast to Coast Climate Challenge.

C2C CC er et 6-årigt klimatilpasningsprojekt, der løber fra 1. januar 2017 til 31. december 2022. Projektet støttes af Europa-Kommissionens LIFE-program med ca. 52 mio. kr. og har et samlet budget på ca. 90 mio. kr. Dertil kommer alle anlægsomkostningerne i forbindelse med realisering af de mange løsninger, som bliver udviklet under projektforløbet.

Den overordnede målsætning

Region Midtjylland leder projektet og vil i tæt samarbejde med de øvrige 30 partnere arbejde for at skabe en klimarobust region ved at:

  • formulere en fælles langsigtet strategi blandt de lokale aktører
  • implementere de kommunale klimatilpasningsplaner målrettet, ved at de nødvendige analyser og aktiviteter koordineres
  • identificere og forbedre ressourcer og kapaciteter blandt borgere, kommuner, forsyningsselskaber og virksomheder i vandbranchen.

Projektet består af 24 delprojekter og en række tværgående aktiviteter. Forskellige partnere har bragt delprojekter ind i C2C CC.

Julian Koch

Forsker
Hydrologi
Telefon: 91333616

Hans Jørgen Henriksen

Seniorrådgiver
Hydrologi
Telefon: 91333612

Machine learning

Machine learning hører under begrebet kunstig intelligens. Machine learning er en rent datadrevet modelarkitektur, dvs. at algoritmen trænes til at finde regler og sammenhænge baseret på store mængder eksisterende data. Ved analyser af disse data kan algoritmen lære mønstre om, hvordan en variabel hænger sammen med andre, såkaldt forklarende, variabler.  Derefter kan modellen generaliseres og på den måde træffe intelligente beslutninger i umålte lokaliteter, hvor man kun har kendskab til de forklarende variabler.