Prognose von Grundwasserstandsveränderungen mit Methoden des maschinellen Lernens im Gebiet Tazerbo, Becken Al Kufra, Südost-Libyen

Warum zukünftiges Grundwasser hier wichtig ist

In einigen der trockensten Regionen der Welt ist unterirdisches Wasser das Einzige, was Landwirtschaft, Städte und Industrie am Leben erhält. Im Südosten Libyens fördern große Brunnenfelder aus einem tiefen Wüsten-Aquifer Wasser, das in nördliche Küstenstädte geleitet wird. Dieser Artikel erklärt, wie Wissenschaftler moderne Rechnerwerkzeuge nutzten, um vorauszuschauen, wie sich diese verborgenen Wasserreserven über die nächsten zwei Jahrzehnte unter verschiedenen Förderplänen verändern könnten, und damit Entscheidungsträgern zu helfen, schwere Engpässe und Bodenschäden zu vermeiden.

Der Wüsten-Aquifer hinter Libyens Wasserlebensader

Die Studie konzentriert sich auf das Brunnenfeld Tazerbo im Becken Al Kufra, eine der wichtigsten Quellen für Libyens Man-Made River Project, das fossiles Grundwasser aus der Sahara zu entfernten Städten leitet. Die Region erhält sehr wenig Niederschlag und erlebt intensive Hitze, sodass der tiefe Nubian Sandstone Aquifer wie ein Bankkonto alten Wassers wirkt. Seit dem Beginn der großflächigen Förderung im Jahr 2004 haben mehr als hundert Produktionsbrunnen teils bis zu etwa eine Million Kubikmeter Wasser pro Tag entnommen. Diese starke Nutzung hat die Grundwasserstände in Teilen des Feldes bereits um bis zu 16 Meter gesenkt und zu Bodenabsenkungen beigetragen, was Besorgnis darüber weckt, wie lange diese Wasserlebensader noch halten kann.

Brunnenaufzeichnungen als Lernproblem

Um die Zukunft des Aquifers zu untersuchen, sammelten die Forschenden zwanzig Jahre jährlicher Grundwasserstands­messungen aus vierzehn Überwachungsbrunnen rund um Tazerbo sowie Aufzeichnungen über die täglich geförderten Wassermengen. Sie kompilierten außerdem grundlegende Informationen zu den Brunnen und dem Aquifer, etwa Gesteinsdicke und Durchlässigkeit. Anstatt zu versuchen, jedes physikalische Detail des unterirdischen Flusses zu modellieren, behandelten sie das Problem als Zeitreihe: Wie reagiert der Wasserstand eines Brunnens im Zeitverlauf auf vergangene Stände und auf Änderungen der Förderung? Dieser Ansatz eignet sich gut für Methoden des maschinellen Lernens, die Muster in Daten entdecken können, ohne dass alle physikalischen Prozesse im Vorhinein spezifiziert werden müssen.

Wie das Modell lernt, vorauszusehen

Das Team prüfte mehrere fortgeschrittene statistische und maschinelle Lernverfahren, darunter Varianten der Gaußprozesses-Regression und ein rekurrentes neuronales Netz namens Long Short-Term Memory. Sie bewerteten, wie gut jede Methode bekannte Wasserstände reproduzieren konnte, anhand üblicher Maßstäbe wie Übereinstimmung zwischen vorhergesagten und beobachteten Werten und der Größe typischer Fehler. Klarer Sieger war ein spezieller Typ eines Zeitreihen-Neuronalen Netzwerks, bekannt als Nonlinear Autoregressive Exogenous Model (NARX), das sowohl vergangene Wasserstände als auch Fördermengen einbezieht. Mit einer vergleichsweise einfachen Struktur konnte dieses Netz die Historie aller vierzehn Brunnen sehr genau abbilden. Eine detaillierte Sensitivitätsanalyse zeigte, dass das Modell je nach Brunnen unterschiedliche Kombinationen von Eingaben nutzte, was darauf hindeutet, dass es sinnvolle Ursache-Wirkungs-Muster erfasste, statt die Daten lediglich auszuwählen.

Zwei unterschiedliche Zukünfte für denselben Aquifer

Nach Schulung und Validierung wurde das NARX-Modell verwendet, um bis 2030 und 2040 unter zwei Förderplänen vorauszublicken. Im ersten Plan bleibt die derzeit niedrigere Entnahmerate von etwa 255.000 Kubikmetern pro Tag erhalten. In diesem Fall prognostiziert das Modell relativ moderate zusätzliche Absenkungen, hauptsächlich im nördlichen Teil des Feldes: etwa 2 Meter zusätzlicher Rückgang bis 2030 gegenüber 2024 und grob weitere 1,6 Meter bis 2040. Einige Brunnen im Süden könnten sogar eine leichte Erholung zeigen, vermutlich bedingt durch die lokale Aquiferstruktur. Im krassen Gegensatz dazu geht der zweite Plan von einer Erhöhung der Förderung auf 400.000 Kubikmeter pro Tag aus.

Was die Ergebnisse für Wasserverwalter bedeuten

Unter dem höheren Förderplan sagt das Modell sehr starke Absenkungen der Grundwasserstände voraus, die in den südöstlichen und südwestlichen Teilen des Brunnenfeldes bis 2030 50 Meter überschreiten und bis 2040 stark vermindert bleiben. Frühere Erfahrungen in Tazerbo zeigen bereits, dass aggressive Förderung plötzliche Einbrüche auslösen kann, die teilweise rückgängig gemacht werden, wenn die Entnahme reduziert wird. Die neuen Prognosen stützen dieses Bild und betonen, wie sensibel der Aquifer gegenüber langfristiger Übernutzung ist. Für Laien ist die Botschaft klar: Entnahmen näher an den derzeit reduzierten Pegeln zu halten, hilft, diese endliche Wasserreserve über mehr Jahre zu strecken, während ein Wiederanstieg der Förderung steile Rückgänge, Bodenabsenkungen und größere Belastungen für die von diesem verborgenen Wasser abhängigen Gemeinschaften riskiert. Die Studie zeigt, dass sorgfältig abgestimmte Methoden des maschinellen Lernens zu praktischen Leitlinien für die Planung nachhaltiger Wasser­nutzung in einigen der wasserkargsten Regionen der Welt werden können.

Zitation: El Fallah, O.A., Abou El-Magd, L.M., El Kammar, M.M. et al. Forecasting groundwater level changes using machine learning techniques in Tazerbo area, Al Kufra Basin, southeast Libya. Sci Rep 16, 15383 (2026). https://doi.org/10.1038/s41598-026-37337-w

Schlüsselwörter: Grundwasserprognose, maschinelles Lernen, Libyen Aquifer, Wassermanagement, NARX Neuronales Netzwerk