On groundwater monitoring using machine learning and satellite remote sensing

Schelter, Lennart Noel; Schüttrumpf, Holger; Amann, Florian

doi:HT021207919

On groundwater monitoring using machine learning and satellite remote sensing

Schelter, Lennart Noel^RWTH*

2021 & 2022

Verantwortlichkeitsangabevorgelegt von Lennart Noël Schelter

ImpressumAachen : RWTH Aachen University 2021

Umfang1 Online-Ressource : Illustrationen, Diagramme, Karten

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2022

Genehmigende Fakultät
Fak03

Hauptberichter/Gutachter
Schüttrumpf, Holger (Thesis advisor)^RWTH* ; Amann, Florian (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2021-12-09

Online
DOI: 10.18154/RWTH-2022-00424
URL: https://publications.rwth-aachen.de/record/838203/files/838203.pdf

Einrichtungen

Lehrstuhl und Institut für Wasserbau und Wasserwirtschaft (314410)

Inhaltliche Beschreibung (Schlagwörter)
GRACE (frei) ; downscaling (frei) ; groundwater (frei) ; machine learning (frei) ; remote sensing (frei)

Thematische Einordnung (Klassifikation)
DDC: 624

Kurzfassung
Grundwasser ist die bei weitem größte Komponente des aktiven Wasserkreislaufs. Außerdem ist es in vielen Regionen der Welt die Hauptquelle für Süßwasser und wird angesichts des Klimawandels und extremerer Wetterereignisse für die Landwirtschaft, die Industrie und den Hausgebrauch immer wichtiger. Eine effektive und nachhaltige Bewirtschaftung dieser wichtigen Ressource ist daher notwendig. Leider erfordert die herkömmliche Überwachung von Grundwasserressourcen teure Netze von Überwachungsbrunnen, die in vielen Regionen der Welt nicht zur Verfügung stehen, was eine effektive Bewirtschaftung problematisch macht. Ziel dieser Arbeit ist es, zu quantifizieren, wie genau das Grundwasser allein mit Fernerkundungsdaten und maschinellem Lernen überwacht werden kann. Aus diesem Grund werden drei verschiedene Probleme untersucht: die Erhöhung der räumlichen Auflösung der verfügbaren Grundwasserstandsdaten, die Berechnung von Grundwasserstandsänderungen in einem Zeitraum, bevor Grundwasserstandsdaten verfügbar sind, und die Berechnung von Grundwasserständen in einer Region ohne verfügbare Grundwasserstandsdaten. Jede Aufgabe wird mit vier verschiedenen Modelltypen angegangen, einer "Multivariaten Linearen Regression" (MVLR), einem "Random Forest" (RF), einem "Multilayer Perceptron" (MLP) und einem "Long Short-Term Memory" (LSTM) Modell, die in zwei verschiedenen Untersuchungsgebieten in Deutschland und den USA angewandt werden. Die Eingabedaten bestehen aus GRACE total water storage Daten und verschiedenen meteorologischen und hydrologischen Parametern, die von verschiedenen Satellitenmissionen bereitgestellt werden. Die Ergebnisse zeigen, dass mit mehreren Modellen eine gute Korrelation für die Erhöhung der räumlichen Auflösung mit einem Bestimmtheitsmaß (R2) von 0,76 für das beste MLP-Modell erreicht werden kann. Sowohl die zeitliche als auch die räumliche Extrapolation müssen weiter optimiert werden, um eine ähnliche Genauigkeit zu erreichen. Der vorgestellte Ansatz ist für jedermann zugänglich, da er nur öffentlich verfügbare Daten und einige lokale Grundwassermessungen in Open-Source-Algorithmen verwendet. Er kann die räumliche Auflösung der verfügbaren Grundwasserbeobachtungen effektiv auf eine Auflösung von 0,05 Grad erhöhen bei einer zeitlichen Auflösung von einem Monat. Die Anwendung in Regionen mit spärlichen Grundwasserüberwachungsdaten könnte die Qualität der Informationen, die den Wasserbehörden zur Verfügung stehen, erheblich verbessern und somit überall eine effektive und nachhaltige Bewirtschaftung der Wasserressourcen ermöglichen.

Groundwater is by far the largest component of the active hydrological cycle. It is also the main source of fresh water in many regions of the world and is only becoming even more important for agriculture, industry and domestic use in the light of climate change and more extreme weather events. An effective and sustainable management of this important resource is therefore necessary. Unfortunately, conventional monitoring of groundwater resources requires expensive networks of monitoring wells, which are not available in many regions of the world, making effective management problematic. The aim of this thesis is to quantify how precisely groundwater can be monitored using only remote sensing data and machine learning models. For this reason, three different problems are investigated: increasing the spatial resolution of available groundwater level data, calculating groundwater level changes in a time period before groundwater level data is available and calculating groundwater levels in a region with no available groundwater level data. Each task is approached using four different model types, a "Multivariate Linear Regression"(MVLR), a "Random Forest" (RF), a "Multilayer Perceptron" (MLP) and a "Long Short-Term Memory" (LSTM) model, applied in two different study areas in Germany and the US. The input data consists of GRACE total water storage data and various meteorological and hydrological parameters provided by different satellite missions. The results show that good correlation can be achieved by multiple models for the increase of spatial resolution with a coefficient of determination (R2) of 0.76 for the best MLP model. Temporal and spatial extrapolation both require further optimization to achieve similar precision. The presented approach is open to anyone using only publicly available data and some local groundwater measurements in open-source algorithms. It can effectively increase spatial resolution of available groundwater observations to a 0.05 degree, monthly resolution.The application in regions with sparse groundwater monitoring data could significantly increase the quality of information available to water authorities and consequently improve an effective and sustainable water resources management everywhere.

OpenAccess:
PDF
(additional files)