KI-Modellierung für das Quellmanagement: Vorhersage von Karstquellschüttung und Wasserqualität mittels interpretierbarer Machine-Learning-Modelle

Zusammenfassung Karstquellen liefern Trinkwasser für etwa 10 % der Weltbevölkerung. Neben Online- und Nahe-Echtzeit-Sensoren ist auch eine zuverlässige Vorhersage der Quellschüttung und Wasserqualität von zunehmender zentraler Bedeutung. In Hinsicht auf potenzielle Veränderungen des Wasserdargebots und der Rohwasserqualität durch den voranschreitenden Klimawandel könnten Vorhersagen maßgeblich sein, etwa für die Wahl der besten Wasserressourcen nach Niederschlagsereignissen, oder durch die Information, wann das Rohwasser wieder nutzbar sein wird. Obwohl Machine-Learning (ML)-Modelle in den vergangenen Jahren ein hohes Potenzial für die Prognose hydrologischer Variablen gezeigt haben, ist das Verständnis der zugrunde liegenden Prozesse bislang begrenzt. Ziel dieser Studie war es, die Anwendbarkeit von ML-Modellen zur Vorhersage von Wasserqualität und -quantität in Karstquellen zu evaluieren. Weiters wurde die Transparenz von ML-Modellen durch eine Attributionsanalyse erhöht, indem Beiträge lokaler Umweltfaktoren zu den Modellvorhersagen berechnet wurden. Als Untersuchungsgebiet dienten Karstquellen, die das Hochschwabmassiv in den Ostalpen entwässern. Mehrere ML-Modelle wurden eingesetzt, um sowohl die Quellschüttung als auch die Wasserqualität – beschrieben durch den spektralen Absorptionskoeffizienten bei 254 nm (SAK254, engl. UV254) – mit einem Vorhersagehorizont von bis zu vier Tagen vorherzusagen. Zur Einschätzung der praktischen Anwendbarkeit der Modelle für eine selektive Wassergewinnung wurden die SAK254-Vorhersagen anhand von Überschreitungen der Ausleitungsgrenzwerte klassifiziert. Dabei erreichten die Modelle eine hohe Klassifikationsgenauigkeit (> 95 % für 1‑Tages- und > 90 % für 2‑Tages-Vorhersagen). Die Anwendung der Deep-SHAP-Methode zeigte deutlich saisonale Schwankungen in den Modellbeiträgen. Die größten Veränderungen traten bei der Schneehöhe auf, gefolgt von physikalisch-chemischen Parametern wie der elektrischen Leitfähigkeit sowie weiteren meteorologischen Einflussfaktoren. Von allen getesteten Modellen erzielte das Transformer-Modell die insgesamt höchste Vorhersagegenauigkeit. Die mithilfe der Deep-Ensemble-Methode ermittelte Modellunsicherheit ist im Frühjahr und Sommer erhöht. Sowohl die Modellfehler als auch die Unsicherheiten nehmen mit steigender Variabilität der Zielgrößen zu. Die Kombination der Deep-SHAP- und Deep-Ensemble-Methoden erhöht die Transparenz datengetriebener Modelle und liefert wertvolle Einblicke, die Entscheidungsprozesse im Trinkwassermanagement von Karstsystemen unterstützen können. Dieser Artikel ist eine adaptierte und etwas verkürzte Version aus dem Peer-Review publizierten Artikel von Pölz et al. „Improving transparency in karst spring discharge and water quality forecasts using interpretable machine learning models in the Eastern Alps“, erschienen 2026 in der Fachzeitschrift Journal of Hydrology: Regional Studies , Vol. 64, Artikelnummer 103147. Dieses Thema wurde im Zuge der Forschungskooperation Vienna Water Resource Systems 2020+ (VIWA 20+) realisiert und beim Mid-Term-Symposium 2025 präsentiert.