Abstract
Zusammenfassung Aufgrund hoher Stickstoffeinträge überschreiten Nitratkonzentrationen im Grundwasser in Deutschland teils Trinkwassergrenzwerte, was präzisere Vorhersagemodelle und Managementstrategien erfordert. Diese Studie kombiniert Random-Forest-Modelle mit Explainable AI (SHAP-Werten), um die räumliche Verteilung der Nitratkonzentration im Grundwasser von Baden-Württemberg und Niedersachsen vorherzusagen und den Einfluss des Denitrifikationspotenzials zu analysieren. Die Ergebnisse zeigen, dass geodatenbasierte Modelle für Baden-Württemberg gute, für Niedersachsen jedoch fehlerhafte Vorhersagen liefern. Die Diskrepanzen sind auf nicht erfasstes Denitrifikationspotenzial zurückzuführen. Durch SHAP-Werte wird der Einfluss des Denitrifikationspotenzials quantifiziert und sichtbar gemacht. Die Einbeziehung chemischer Parameter wie Eisen und Kalium, die eng mit Denitrifikationsprozessen verknüpft sind, erhöht die Modellgüte in Niedersachsen signifikant (R 2 = 0,06 auf 0,72) und bestätigt die zentrale Rolle anoxischer Bedingungen und spezifischer Elektronenakzeptoren für den Nitratabbau. SHAP zeigt zudem, dass ohne chemische Parameter räumliche Prädiktoren in Niedersachsen zufällige Muster widerspiegeln, statt kausale Zusammenhänge abzubilden. Random-Forest-Modelle kombiniert mit SHAP-Analysen liefern wertvolle Einblicke in die komplexe Wechselwirkung zwischen Nitratdynamik und Denitrifikation im Grundwasser.