Der er trukket på danske erfaringer med at bruge machine learning-modeller til at estimere grundvandsstanden i en ny forskningsartikel, der præsenterer det første højopløselig estimat af grundvandsdybden i det kontinentale USA på ca. 30 meter. Forskerne fra Princeton University og University of Arizona har nemlig samarbejdet med Julian Koch, der er seniorforsker i hydrologi hos De Nationale Geologiske Undersøgelser for Danmark og Grønland (GEUS). Sammen med sine kollegaer på GEUS har han udarbejdet en machine learning-baseret grundvandsmodel for Danmark med en opløsning på 10 meter, der kan ses på hipdata.dk og er beskrevet i to artikler, som du kan læse her og her.
I den nye artikel har Julian Kochs rolle været at bidrage med erfaringerne fra arbejdet i GEUS med at anvende den type machine learning-model, som har været anvendt i Danmark i en årrække til samme formål.
”Det har været en fornøjelse at bidrage til at vores gode erfaringer fra Danmark også kan komme vores forskerkollegaer i USA til gavn i deres tilstræbelser på at levere solide estimater af grundvandsstanden i højt rumlig opløsning,” siger Julian Koch, seniorforsker i hydrologi ved GEUS.
Forskningsartiklen er udgivet i Nature Communications Earth and Environment.
I artiklen præsenterer forskerne, at de ved brug af machine learning-modellen estimerer, at der er 306.500 kubikmeter grundvand i det kontinentale USA. Den høje rumlige opløsning er afgørende for pålideligt at kunne bestemme grundvandets volumen, fordi det terrænnære grundvand er styret af lokale forhold, som ikke kan repræsenteres i modeller med lavere rumlig opløsning. Modellens resultat er sammenholdt med estimater lavet med andre modeller, og forskerne vurderer, at den leverer de bedste resultater. Derudover giver den høje rumlige opløsning mulighed for at zoome ind på et område og understøtte lokale beslutninger i grundvandsforvaltning. Dette kan Julian Koch genkende fra arbejdet med samme type machine learning-model i dansk regi, hvor de højopløselige data om grundvandsstanden især er interessant for klimatilpasning i kontekst af højtstående grundvand.
”Vi anvender netop denne type model, fordi det giver et robust resultat lokalt. I Danmark har vi gode resultater helt ned til en opløsning på 10 meter. Det kan lade sig gøre i så høj opløsning blandt andet fordi vi har mange og valide data fra Danmark, som vi kan fodre modellen med,” fortæller Julian Koch.
Modellernes estimater er vigtige redskaber for beslutningstagere, myndigheder og erhverv til at planlægge klimatilpasningstiltag, fordi de har en bedre præcision og rumlig opløsning end den National Hydrologisk Model (DK model), som er den anden type model i GEUS’ hydrologisk værktøjskasse. Det kan for eksempel dreje sig om, at kommuner og beredskab har brug for at vide, hvor der er risiko for oversvømmelser betinget af højtstående grundvand eller til vanding i landbruget i perioder med tørke.