Prognose des globalen Wasserverbrauchs in der Landwirtschaft und des gesamten Weltverbrauchs mithilfe des Bi-GRU-Modells

Warum künftiger Wasserverbrauch uns alle betrifft

Sauberes Wasser bildet die Grundlage unserer Nahrungsmittelversorgung, Städte und Industrie, doch viele Regionen sehen sich bereits mit Engpässen konfrontiert. Die Studie stellt eine einfache, aber dringliche Frage: Wie viel Wasser wird die Welt in den kommenden Jahrzehnten benötigen, insbesondere für die Landwirtschaft, die den Großteil unseres Süßwasserverbrauchs beansprucht? Durch die Kombination globaler Wasserverbrauchsaufzeichnungen mit einem modernen Werkzeug der künstlichen Intelligenz schätzen die Autorinnen und Autoren die zukünftige Nachfrage bis 2040 und prüfen, wie gut verschiedene Prognoseverfahren funktionieren. Ihre Ergebnisse können Regierungen und Planerinnen helfen, sich auf eine trockenere, dichter bevölkerte Welt vorzubereiten.

Zunehmender Druck auf Flüsse und Grundwasserleiter

Die Arbeit beginnt mit der Einordnung: Wasser bedeckt den Großteil der Erdoberfläche, aber der Anteil, der frisch und leicht nutzbar ist, ist begrenzt. Die weltweite Nachfrage ist im letzten Jahrhundert etwa um das Sechsfache gestiegen, wobei rund 70 Prozent der Entnahmen auf die Landwirtschaft, 20 Prozent auf die Industrie und der Rest auf Haushalte entfallen. Ein Großteil des erwarteten Bevölkerungswachstums wird in Afrika und Asien stattfinden – Regionen, die bereits verwundbar gegenüber Wasserstress und Klimawandel sind. Länder wie Indien, China, Indonesien, Saudi-Arabien und die Türkei verzeichnen rasche Anstiege im Wasserverbrauch, da Städte wachsen, die Wirtschaft sich entwickelt und mehr Land bewässert wird. Demgegenüber zeigen Orte wie Deutschland, Japan und das Vereinigte Königreich dank Spar- und Effizienzmaßnahmen einen stabilen oder leicht rückläufigen Verbrauch.

Globale Wasseraufzeichnungen in ein nutzbares Datenset überführen

Um von der Besorgnis zur Vorhersage zu gelangen, stellt das Team ein Global Water Consumption Dataset für die Jahre 2000 bis 2024 zusammen, das zwanzig große Volkswirtschaften in unterschiedlichen Klimazonen und Einkommensstufen abdeckt. Für jedes Land und Jahr enthält das Datenset den Gesamtwasserverbrauch, das für die Landwirtschaft verwendete Wasser, Haushalts- und Industrieverbrauch pro Kopf, Niederschlagseinflüsse und die Geschwindigkeit, mit der Grundwasser entnommen wird. Das Team bereinigt die Daten sorgfältig, prüft auf fehlende oder abweichende Werte und skaliert alle Zahlen auf einen gemeinsamen Bereich, damit kein einzelnes Land oder keine Variable den Lernprozess dominiert. Anschließend unterteilen sie die Zeitreihen jedes Landes in Trainings-, Validierungs- und Testabschnitte, wobei spätere Jahre während des Trainings unberührt bleiben, sodass die Prognosen fair bewertet werden können.

Wie ein intelligentes Sequenzmodell die Vergangenheit liest

Kern der Studie ist ein Deep-Learning-Modell namens bidirektionale Gated Recurrent Unit, kurz Bi-GRU. Im Gegensatz zu einfachen Trendlinien ist dieses Modell dafür ausgelegt, Sequenzen zu verarbeiten. Es liest die Historie von Wasserverbrauch und verwandten Faktoren sowohl vorwärts als auch rückwärts und kann so Muster erfassen, die von lang anhaltenden Perioden mit guten oder schlechten Niederschlägen, schrittweisen politischen Veränderungen oder langsamen Verschiebungen in Bevölkerung und Industrie abhängen. Die Netzwerkschichten komprimieren diese Muster in eine interne Repräsentation und geben dann für jedes Land zwei Hauptgrößen aus: Gesamtwasserverbrauch und landwirtschaftlichen Wasserverbrauch. Die Autorinnen und Autoren vergleichen Bi-GRU mit mehreren fortgeschrittenen Alternativen, darunter Long Short-Term-Memory-Netzwerke, ein temporales Transformer-Modell, ein graphbasiertes Modell, das Länder verknüpft, sowie eine probabilistische Prognosemethode.

Wie gut die Prognosen standhalten

Getestet an ungesehenen Daten von 2021 bis 2024 liefert das Bi-GRU durchweg die insgesamt genauesten Vorhersagen. Gemessen an gängigen Fehlerkennzahlen übertrifft es in den meisten Ländern alle Vergleichsmodelle, insbesondere in Ländern mit relativ stabilen Langfristmustern wie Indien, Deutschland und dem Vereinigten Königreich. Die Autorinnen und Autoren führen zudem statistische Tests durch, um zu zeigen, dass die Verbesserungen nicht zufällig sind. Mit dem bestperformenden Modell projizieren sie den Gesamt- und landwirtschaftlichen Wasserverbrauch von 2025 bis 2040. Einige Länder, darunter Indien, die Türkei und mehrere schnell wachsende Volkswirtschaften, werden voraussichtlich weiterhin steigende Nachfrage verzeichnen, besonders für Bewässerungszwecke. Andere könnten sich stabilisieren oder ihren Verbrauch reduzieren, wenn die aktuellen Effizienztrends anhalten.

Was die Ergebnisse für Ernährungssicherheit und Wasserversorgung bedeuten

Für eine nicht fachkundige Leserschaft lautet die Kernbotschaft, dass bessere Langfristprognosen vage Sorgen über „künftige Wasserknappheit“ in konkrete Zahlen verwandeln können, auf deren Grundlage Planerinnen und Planer handeln können. Die Studie zeigt, dass moderne, sequenzbasierte künstliche Intelligenz nachverfolgen kann, wie Klima, Bevölkerung und Entwicklung zusammenwirken, um den nationalen Wasserverbrauch zu formen – und dies genauer als frühere Methoden. Diese Prognosen garantieren nicht, was passieren wird, aber sie heben hervor, wo landwirtschaftliche und gesamte Nachfrage die Ressourcen voraussichtlich am stärksten belasten wird, und leiten Investitionen in Bewässerungstechnologie, Speicher, Recycling und politische Reformen. Kurz gesagt: Klügere Prognosen sind ein praktisches Werkzeug, um Wasserhähne laufen und Felder produktiv zu halten in einer sich erwärmenden, dichter besiedelten Welt.

Zitation: Irfan, M., Rashid, J., Bibi, J. et al. Forecasting of global water usage in agriculture and total global consumption by using the Bi-GRU model. Sci Rep 16, 15071 (2026). https://doi.org/10.1038/s41598-026-44885-8

Schlüsselwörter: globaler Wasserverbrauch, landwirtschaftliches Wasser, Deep-Learning-Prognose, Bi-GRU-Modell, Wasserbedarfsprognose