Ausreichende Verfügbarkeit von Trinkwasser und eine 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 vorliegen. Dennoch gibt es einige Herausforderungen. Erstens verfügen viele lokale Wasserversorger lediglich über monatliche Bedarfsdaten. Zweitens ist das System aufgrund des Klimawandels sowie sozialer, rechtlicher und wirtschaftlicher Veränderungen instationär. Drittens sind zukünftige Wetter- und Klimabedingungen sowie die genannten Wandelprozesse unsicher. Insgesamt führt dies zu hochvolatilen und unsicheren Szenarien mit begrenzten Daten, was eine große Herausforderung für die Modellierung und ML-Methoden darstellt. Dennoch sollten diese Methoden in verschiedenen Klima- und Wirtschaftsregionen breit 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 sowie die Untersuchung ihrer Wahrscheinlichkeitsverteilungen. Wir werden auf zwei Zeitskalen arbeiten: kurzfristig (lokalen Wetter) und langfristig (Klima). Für die kurze Zeitskala werden wir statistische Wettergeneratoren verwenden, während wir für die langfristige Skala Langzeitwettervorhersagen des DWD unter verschiedenen Klimaszenarien nutzen werden. Da technische, gesellschaftliche oder wirtschaftliche Veränderungen und deren 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 in den Bereichen des polynomiellen Chaos und der Gauss-Prozess-Regression auf. Alle Methoden werden Open Source verfügbar gemacht, um Transparenz in der Bedarfsvorhersage zu fördern und so verbessert
