Maschinelles Lernen für die Planung der Wasserversorgungsinfrastruktur angesichts des Klimawandels

Die Bewertung von Risiken und die Einschätzung von Entwicklungen der Trinkwasserversorgung unter Einfluss des Klimawandels erfordern zuverlässige Vorhersagen des zukünftigen Pro-Kopf-Trinkwasserverbrauchs und des Wasserdargebots über lange Zeiträume. Es ist naheliegend, dass Trinkwasserverbrauch und Wasserdargebot von diversen Umwelteinflüssen abhängig sind, wie beispielsweise Temperatur, Niederschlag, Anzahl der Sommertage, die wiederum direkt vom Klimawandel beeinflusst werden. Derzeit gibt es kein etabliertes mathematisches Modell, das anhand der begrenzt vorhandenen Messdaten und soziologischen Datenerhebungen zuverlässige Vorhersagen treffen kann. Daher ist das erklärte Ziel unseres Forschungsvorhabens, eine Strategie für maschinelles Lernen (ML) zu entwickeln, die es ermöglicht, ML-Modelle zu generieren, die verlässliche Vorhersagen über den Wasserbedarf und das Wasserdargebot im Kontext des Klimawandels ermöglichen.

Eine besondere Herausforderung bei der Anwendung von ML-Strategien in diesem Bereich ist die relativ geringe Anzahl an Trainingssamples pro lokalem Wasserversorger. Da eine signifikante Anzahl lokaler Wasserversorger Verbrauch und Dargebot nur monatlich erfasst und oft über keine durchgehende Überwachung der eigenen Datenbank verfügt, muss diesem Problem von Modellierungsseite begegnet werden. Diese lokale Datenknappheit erfordert auf datenarme Anwendungen spezialisierte ML-Modelle.

Eine relativ hohe Anzahl lokaler Trainingsdatensätze, die für diese Aufgabe verwendet werden sollen, macht die Automatisierung des Trainingsprozesses besonders attraktiv. Seit einigen Jahren erfreut sich das Konzept des automatisierten ML (AutoML) einer steigenden Popularität. AutoML konzentriert sich auf die automatische Auswahl von Modellen, die Auswahl von Modellkomponenten, die Hyperparameter-Abstimmung sowie die Bewertung von Modellen. Wir beabsichtigen, eine AutoML-Strategie für datenarme Situationen zu entwickeln, die den Fokus auf die Vorhersage des Wasserbedarfs und des Wasserdargebots in Abhängigkeit von Klimaparametern legt. Die von AutoML produzierten ML-Modelle sollen es ermöglichen, Einzel- und Ensemblevorhersagen zum Trinkwasserverbrauch und zum Trinkwasserdargebot für jeden lokalen Wasserversorger zu treffen. Für das Training der Modelle sollen Daten von Wasserversorgern aus dem gesamten süddeutschen Raum verwendet werden. Das Ergebnis dieser Arbeit würde es ermöglichen, jedem örtlichen Wasserversorger ein Frühwarnsystem bereitzustellen, mit dem Ziel, rechtzeitig bestimmte Maßnahmen für ein besseres Management der Wasserressourcennutzung festzulegen.