Prediction of groundwater levels in a changing climate
Author
Quintero Gonzalez, Rebeca
Term
4. term
Publication year
2021
Submitted on
2021-06-03
Pages
82
Abstract
Grundvand i det øverste magasin er afgørende for samfund og økosystemer, men klimaforandringer forventes at ændre nedbør og temperaturer og dermed påvirke genopladning og vandspejlsniveauer. Dette projekt undersøger fremtidige ændringer i grundvandsstanden under forskellige Shared Socioeconomic Pathways (SSP) og vurderer, om maskinlæring kan forudsige disse ændringer i Danmark. Tre modeller (Artificial Neural Networks, Support Vector Machine og Random Forest) blev trænet i R på tidsserier af grundvandsniveauer fra brønde i Hovedstaden (1990–2018) med uafhængige variabler, der omfattede jordparametre, topografiske forhold og klimatiske variabler. Variabeludvælgelse og struktur blev understøttet af korrelationsanalyse og PCA, og modelvalidering omfattede k-fold krydsvalidering samt præstationsmål som R^2 og MAE. Random Forest klarede sig bedst (R^2 = 0,50; MAE = 1,01 m) og blev anvendt til fremskrivninger for flere klimascenarier. Kortene viser generelt små ændringer, med en let stigning i vandspejlet på 0–0,25 m, særligt om vinteren, hvilket øger arealer med mindre end 1 m til vandspejlet fra overfladen i Hovedstaden. Resultaterne bør fortolkes med forsigtighed på grund af mulig overfitting og begrænset datatilgængelighed, men kan støtte planlægning og tilpasning og er metodisk replikerbare til andre områder og potentielt nationalt niveau.
Shallow groundwater is vital for society and ecosystems, yet climate change is expected to alter precipitation and temperature patterns, affecting recharge and water table elevations. This thesis explores future groundwater level changes under different Shared Socioeconomic Pathways (SSPs) and assesses whether machine learning can predict these changes in Denmark. Three models (Artificial Neural Networks, Support Vector Machine, and Random Forest) were trained in R using time-series data from wells in the Hovedstaden region (1990–2018), with independent variables including soil parameters, topographic features, and climatic variables. Correlation analysis and PCA informed variable structure, and model validation used k-fold cross-validation and performance metrics such as R^2 and MAE. Random Forest performed best (R^2 = 0.50; MAE = 1.01 m) and was used for scenario-based projections. The maps indicate generally small changes, with a slight rise of 0–0.25 m, especially in winter, increasing areas with less than 1 m depth to the water table from the surface in Hovedstaden. These findings should be interpreted cautiously due to possible overfitting and data limitations, but they can inform planning and adaptation and are methodologically replicable to other areas and potentially a national scale.
[This summary has been generated with the help of AI directly from the project (PDF)]
Keywords
Documents