Cooke, Anne-KarinDorau, KristofErkens, EphraimJoger, FelixWillkommen, SandraBroda, StefanKönig, WolframMarahrens, StephanRauch, MarkUmweltbundesamt2026-06-082026https://epflicht.bibliothek.uni-halle.de/handle/123456789/1192251972625837urn:nbn:de:gbv:3:2-123456789-1192257Die harmonisierte Bewertung der Vulnerabilität des Grundwassers in Bezug auf Einträge von Wirkstoffen und ihren Abbauprodukten wird im Zulassungsverfahren von Pflanzenschutzmitteln (PSM) relevant, wenn zielgerichtete Monitoringdaten für die Bewertung des Grundwasserrisikos herangezogen werden. In dem Projekt wurden Faktoren der Vulnerabilität anhand von Daten aus den Überwachungsprogrammen der Bundesländer untersucht. Informationen und Daten zu Wirkstoffen und Metaboliten von PSM im Grundwasser wurden in einer umfangreichen bundesweiten Datenbank für Deutschland zusammengeführt, harmonisiert und ausgewertet. Zur räumlichen Vorhersage von Stoffkonzentrationen an Messstellen und um Standortfaktoren als relevante Treiber der Vulnerabilität von Grundwasserleitern gegenüber dem PSM-Eintrag zu identifizieren, wurden Modelle des maschinellen Lernens (ML) anhand der genannten Datengrundlage trainiert. Die ML-Modelle waren in der Lage, relevante Faktoren und räumliche Zusammenhänge aufzudecken, insbesondere der Einfluss der Landwirtschaft und der Filtertiefe wurden als steuernde Größen identifiziert. Für acht mobile und sehr mobile Abbauprodukte von drei Wirkstoffen stehen oberflächennahe Filter und größere Anbauflächen der zugehörigen Kulturen im Umkreis der Messstellen im Zusammenhang mit höheren Konzentrationen im Grundwasser. Weitere erklärende Variablen (Features) wie Bodeneigenschaften (Sandgehalt, Makroporen) und die Grundwasserneubildung zeigten je nach Stoff z.T. unterschiedliche Effekte auf die Stoffkonzentrationen. Hydrogeologische Variablen spielten in den Metabolitenmodellen eine untergeordnete Rolle. Es ist davon auszugehen, dass die Modelle vorwiegend lernen, welche Gebiete wahrscheinlich einen PSM-Einsatz aufweisen. Dies basiert zum einen auf räumlichen Korrelationen, die der Verteilung der kulturspezifischen Anbauflächen innerhalb Deutschlands geschuldet sind. Die Bodeneigenschaften, die Höhenlage, der Niederschlag und die Nitratkonzentrationen sind solche Parameter, die eher auf eine Korrelation mit Gebieten hinweisen, in denen eine bestimmte Kultur verstärkt angebaut wird, sowie generell auf landwirtschaftliche Nutzung. Aufgrund fehlender tatsächlicher Anwendungsdaten von Wirkstoffen auf landwirtschaftlichen Flächen wird die Ableitung kausaler Zusammenhänge in Bezug auf die Grundwasservulnerabilität erschwert, weshalb die Modelle nicht für eine Indexentwicklung genutzt werden konnten. Die Ergebnisse beziehen sich auf mobile Metaboliten mit langer Anwendungshistorie ihrer Muttersubstanzen und damit auf ein begrenztes Stoffspektrum. Wirkstoffmodelle und Wirkstoffgruppenmodelle konnten aufgrund des hohen Anteils der Messungen unterhalb der Bestimmungsgrenze nur in einem begrenzten Rahmen getestet werden. Modelle von sehr mobilen und mobilen Wirkstoffen zeigten eine den Metabolitenmodellen ähnliche Gewichtung der Variablen. Aus einem Abgleich zwischen den Monitoringdaten ausgewählter Stoffe und etablierten Vulnerabilitätsverfahren (Schutzfunktion der Grundwasserüberdeckung nach Hölting et al., 1995 und LAWA; sowie zwei Konfigurationen des Prozessmodells GeoPELMO DE) lässt sich keine klare Empfehlung für eine der beiden Methoden ableiten. Aus diesem Grund sollte sich die Auswahl von Standorten für zielgerichtete Nachzulassungsmonitoringstudien zum gegenwärtigen Zeitpunkt ausdrücklich auf das Urteil von Experten stützen, wobei lokale Daten mit höherer räumlicher Auflösung verfügbar sein sollten.The harmonized assessment of groundwater vulnerability according to entries of active substances and their degradation products becomes relevant for the authorization of plant protection products (PPPs) if targeted monitoring data is used in the groundwater risk assessment. In the project, vulnerability factors were investigated using data from the monitoring programs of the federal states. Information and data of active substances and metabolites of PPP in groundwater was assembled, harmonized, and analyzed in a nationwide database for Germany. Machine learning (ML) models were trained with a variety of explanatory features with the aim to predict PPP concentration classes at monitoring sites and to assess the drivers that characterize the vulnerability of the aquifers. The ML models were capable to learn relevant factors and spatial relationships, especially agricultural intensity and the top filter edge were identified as key features. Eight mobile and very mobile transformation products from three active substances were strongly affected by shallow filter depths and the size of the cultivated area of the main crops in vicinity of the monitoring well showing increased PPP concentrations in groundwater. Further explanatory variables (features), such as soil properties (sand content and macropore classes) and groundwater recharge, demonstrated compound specific partly different effects on PPP concentrations in groundwater. Hydrogeological features played only a minor role for the metabolite models. We assume that the ML models predominantly learned which areas are likely to be exposed to PPP use. This is based, on the one hand, on spatial dependencies driven by the distribution of the crop-specific area under cultivation. Soil characteristics, altitude, precipitation, and nitrate concentrations are such parameters which are an indicator for regions with a distinct crop and with agricultural use intensity in general. Because of missing actual application data causal relations in relation to groundwater vulnerability are uncertain and building an index upon the empirical data is not possible. Sensu stricto, the results are valid for a limited spectrum of compounds (mobile metabolites with long-lasting application history of their parent compounds). Active substance models and active substance group models could barely be tested because of left-censored data below the limit of quantification. Model results of very mobile and mobile active substances and metabolites demonstrated a similar behavior with respect to the feature dependence. A comparison between monitoring data of selected compounds and established vulnerability concepts (protective function of the aquifer according to Hölting et al. (1995) and LAWA; two process-based model versions according to GeoPELMO DE) did not enable to clearly recommend one of the two methods. Because of this, targeted post-registration monitoring studies should explicitly rely on expert judgement for site selection and characteristics with local data availability at higher spatial resolution.1 Online-Ressource (226 Seiten, 19,67 MB) : Illustrationen, Diagrammegerhttp://rightsstatements.org/vocab/InC/1.0/363.7