Nationwide estimation of groundwater nitrate concentrations using machine learning

Abstract

Nitrate pollution of groundwater has been a well-known problem for decades, but today the debate about causes and possible solutions is very controversial. The EU Water Framework Directive has been implemented to restore the good status of water systems in Europe, which requires, among other things, a reduction of nitrate inputs to groundwater. In order to achieve this, harmonized and transparent approaches for evaluating the quality of groundwater bodies and clearly defined regulations for the implementation of mitigation measures need to be established. Important aspects to be taken into account when developing action plans are the estimation of nitrogen inputs to the subsurface, the spatial distribution of groundwater nitrate concentrations and the natural nitrate reduction capacity of the aquifer. For groundwater quality modelling on a country-wide scale, data-driven approaches, in particular machine learning techniques, have proven their worth. In this dissertation, an approach for the large-scale regionalisation of groundwater nitrate concentrations depending on spatial environmental parameters is developed. In a first step, several approaches for linking point information from monitoring sites with the spatial data from maps are investigated using the example of the federal state of Hesse, Germany. Four machine learning techniques based on different statistical model types are compared regarding their predictive performance. It can be shown that a 1,000 m circular buffer can describe the contribution area of a monitoring site in a simplified way and can be used for compiling the factors influencing the groundwater nitrate concentration. The random forest model outperforms classical multiple linear regression, simple classification and regression trees and boosted regression trees. In a second step, the approach will then be transferred to the entire federal republic of Germany. Based on the Water Framework Directive groundwater monitoring network, a random forest model is trained and the nitrate concentrations in groundwater is estimated for a 1 km x 1 km grid map. Good model predictive performance can be achieved with an R² of 0.52 where the redox conditions, the hydrogeological units and the percentage of arable land are identified as the most influential predictors for the estimation of groundwater nitrate concentration. By using quantile random forest for an uncertainty analysis, with a mean prediction interval of 53 mg NO3-/l large uncertainties are determined. Finally, the third part of this dissertation focuses on the estimation of nitrate reduction in groundwater. The estimated spatial distribution of groundwater nitrate concentrations together with data on nitrogen surplus are used in a simplified conceptual approach to estimate the integrated nitrate reduction across the unsaturated zone and the groundwater body. The determined nitrate reduction rates are on average 57% and strongly vary from no reduction up to a degradation of 100% with predominantly high reduction rates in northern Germany and lower reduction rates in the central and southern part of Germany. Nitrate reduction capacity is highly dependent on hydrogeological conditions, with reduction rates in porous aquifers and under anaerobic conditions, being significantly higher than in fractured consolidated aquifers and under aerobic conditions. With the overall approach presented here, spatial predictions can be made based on freely available geodata, which makes it an important contribution to the large-scale assessment of groundwater quality and can be used in the planning of mitigation measures. Die Nitratbelastung des Grundwassers ist seit Jahrzehnten ein bekanntes Problem, doch die Diskussion über Ursachen und mögliche Lösungen wird heute sehr kontrovers geführt. Um den guten Zustand der Wassersysteme in Europa wiederherzustellen, wurde die EU-Wasserrahmenrichtlinie umgesetzt, die unter anderem eine Reduzierung der Nitrateinträge in das Grundwasser fordert. Um dies zu erreichen, müssen harmonisierte und transparente Ansätze zur Bewertung der Qualität von Grundwasserkörpern und klar definierte Regelungen für die Umsetzung von Minderungsmaßnahmen geschaffen werden. Wichtige Aspekte, die bei der Entwicklung von Maßnahmenplänen berücksichtigt werden müssen, sind die Abschätzung der Stickstoffeinträge in den Untergrund, die räumliche Verteilung der Nitratkonzentrationen im Grundwasser und das natürliche Nitratreduktionspotentials des Grundwasserleiters. Für die Modellierung der Grundwasserqualität auf landesweiter Ebene haben sich datengestützte Ansätze, insbesondere Machine Learning Verfahren, bewährt. In dieser Dissertation wird ein Ansatz zur großräumigen Regionalisierung von Grundwassernitratkonzentrationen in Abhängigkeit von räumlichen Umweltparametern entwickelt. In einem ersten Schritt werden verschiedene Ansätze zur Verknüpfung von Punktinformationen aus Messstellen mit flächendeckend verfügbaren Geodaten am Beispiel des Bundeslandes Hessen in Deutschland, untersucht. Vier Machine Learning Verfahren, die auf unterschiedlichen statistischen Modelltypen basieren, werden hinsichtlich ihrer Vorhersageleistung verglichen. Es kann gezeigt werden, dass ein 1.000 m Kreisbuffer das Einzugsgebiet einer Messstelle vereinfacht beschreiben kann und für die Zusammenfassung der Faktoren, die die Nitratkonzentration im Grundwasser beeinflussen, verwendet werden kann. Das Random Forest Modell übertrifft die klassische multiple lineare Regression, einfache Klassifikations- und Regressionsbäume sowie Boosted Regression Trees. In einem zweiten Schritt wird der Ansatz dann auf die gesamte Bundesrepublik Deutschland übertragen. Basierend auf dem Grundwassermessnetz der Wasserrahmenrichtlinie wird ein Random Forest Modell trainiert und die Nitratkonzentrationen im Grundwasser für eine Gitterkarte mit der Auflösung 1 km x 1 km abgeschätzt. Mit einem R² von 0,52 kann eine gute Vorhersagelseistung erreicht werden, wobei die Redoxbedingungen, die hydrogeologischen Einheiten und der Anteil an Ackerland als die einflussreichsten Prädiktoren für die Abschätzung der Nitratkonzentration im Grundwasser identifiziert werden können. Durch die Verwendung von Quantile Random Forest für eine Unsicherheitsanalyse werden mit einem mittleren Vorhersageintervall von 53 mg NO3-/l große Unsicherheiten ermittelt. Der dritte Teil dieser Arbeit befasst sich schließlich mit der Abschätzung der Nitratreduktion im Grundwasser. Die geschätzte räumliche Verteilung der Nitratkonzentrationen im Grundwasser wird zusammen mit Daten zum Stickstoffüberschuss in einem vereinfachten konzeptionellen Ansatz zur Abschätzung der integrierten Nitratreduktion in der ungesättigten Zone und im Grundwasserkörper verwendet. Die ermittelten Nitratreduktionsraten liegen im Mittel bei 57% und variieren stark von keiner Reduktion bis zu einem Abbau von 100% mit überwiegend hohen Reduktionsraten in Norddeutschland und geringeren Reduktionsraten im mittleren und südlichen Teil Deutschlands. Das Nitratreduktionsvermögen ist stark von den hydrogeologischen Bedingungen abhängig, wobei die Reduktionsraten in porösen Grundwasserleitern und unter anaeroben Bedingungen deutlich höher sind als in klüftigen verfestigten Grundwasserleitern und unter aeroben Bedingungen. Mit dem hier vorgestellten Gesamtansatz können räumliche Vorhersagen auf der Basis frei verfügbarer Geodaten erfolgen, was einen wichtigen Beitrag zur großräumigen Bewertung der Grundwasserqualität liefert und bei der Planung von Minderungsmaßnahmen genutzt werden kann.