In der heutigen Zeit hat die Anwendung von Künstlicher Intelligenz (KI) in allen
Bereichen des täglichen Lebens Einzug gehalten. Auch in den Umweltwissenschaf-
ten und den zugehörigen Industrien wird sie als zentrales Thema intensiv disku-
tiert. Um präzise Vorhersagemodelle aus zeitreihenbasierten Umweltdaten zu ent-
wickeln, müssen spezifische Aspekte beim Umgang mit diesen Daten beachtet
werden. Diese Arbeit untersucht dies, indem sie sich mit der Erhebung, Aufberei-
tung und Analyse der Daten sowie der Vorhersage von zeitreihenbasierten Um-
weltdaten auseinandersetzt.

Doch der Umgang mit zeitreihenbasierten Umweltdaten weist einige Besonderhei-
ten auf. Dazu gehören die verschiedenen Datenarten, die Kategorisierung und Be-
wertung der Datenqualität sowie die Methoden zur Datenaufbereitung und insbe-
sondere zur Datenbereinigung, um die Daten für weitere Analysen und Prognosen
nutzbar zu machen. Dabei ist stets die Zeitabhängigkeit der Daten zu berücksich-
tigen, welche ihnen eine besondere Struktur verleiht und einen entscheidenden
Einfluss auf die Verfahren der Datenverarbeitung hat.

Anhand von zwei Anwendungsfällen - der Wasserstandsvorhersage an Gewässern
und der Vorhersage des Absetzverhaltens von Schlämmen auf Kläranlagen - wird
in dieser Arbeit sowohl der Umgang mit physikalischen als auch biologischen Um-
weltdaten genauer betrachtet.

Im ersten Anwendungsfall, der Wasserstandsvorhersage werden die Daten von
mehreren Wasserabstandssensoren verarbeitet und der Umgang mit Anomalien
im Datensatz detailliert behandelt. Anschlieflend werden verschiedene Vorher-
sagemodelle mit unterschiedlichen Architekturen von künstlichen neuronalen
Netzen entwickelt und mit einem konventionellen Zeitreihenmodell verglichen.
Dabei müssen die Modelle in der Lage sein, anhand von Niederschlagsdaten die
Wasserstände präzise zu prognostizieren, selbst für Wasserstände, die in dieser
Größenordnung nicht im ursprünglichen Datensatz enthalten waren.

Im zweiten Anwendungsfall geht es um ein Problem, das für die Betreiber von
Kläranlagen von großer Bedeutung ist: das Absetzverhalten von Schlämmen in der
Nachklärung. Eine entscheidende Rolle in diesem Zusammenhang spielt die ISV-
Wert, als ein Maß für die Absetzeigenschaften des Klärschlammes. Eine unzu-
reichende Absetzung kann zu Betriebsstörungen und ineffizienter Reinigung füh-
ren. Daher ist es für viele Betreiber ein grofler Vorteil, ein Vorhersagemodell zu
haben, welches das Absetzverhalten von Schlämmen in der Zukunft präzise prog-
nostizieren kann.

Die Datenauswahl stellt eine besondere Herausforderung dar, da auf einer moder-
nen Kläranlage sehr viele Messwerte anfallen. Deshalb benötigt es Verfahren, die
bestimmen, welche Daten relevant sind und welchen Einfluss die einzelnen
Messparameter auf das Modell haben. Zudem wird untersucht, wie gleitende Zeit-
fenster die Prognosegenauigkeit verbessern können. Ein solches Modell kann den
Betreibern helfen, frühzeitig Maßnahmen zu ergreifen und somit die Effizienz und
Zuverlässigkeit der Kläranlage zu erhöhen.