Projekt RUN-ML

Reduktion von Unsicherheiten in der Niederschlag-Abfluss-Modellierung durch detaillierte Klassifizierung von Flächennutzungen mithilfe von Fernerkundungsdaten und Maschinellem Lernen (RUN-ML)

Die Hochwasserereignisse und urbanen Sturzfluten der letzten Jahre haben eindringlich gezeigt, welche Schäden und negative Folgen für die Umwelt durch extreme Niederschlag-Abfluss-Ereignisse entstehen können. Echtzeit-Warnsysteme zur Abbildung der realen, aktuellen Situation werden zurzeit noch erforscht, statische Hochwasser- und Starkregengefahrenkarten liegen dagegen schon für viele Flüsse und Kommunen vor. Die Abschätzung der Oberflächen-abflüsse von befestigten Flächen durch Kanalnetzmodelle (urbane Niederschlag-Abfluss-Modelle) ist aufgrund möglicher Kalibrierungen relativ gut möglich. Eine Prognose des Oberflächenabflusses von unbefestigten, versickerungsfähigen Flächen ist dagegen bei der Modellierung mit größeren Unsicherheiten behaftet. Hierzu zählen auch die Überlagerung von unbefestigten Flächen durch Baumkronen sowie eine fehlende Differenzierung zwischen der Art der Begrünung (Bäume, Büsche, Wiese). Insbesondere fehlt aber eine Berücksichtigung des über das Jahr veränderlichen Abflussverhaltens von unbefestigten Flächen. Da diese unbefestigten, versickerungsfähigen Flächen bei sehr starken Regen aber neben den befestigten Flächen ebenfalls und dann flächendeckend abflusswirksam werden können, ist eine detail-liertere Klassifizierung dieser Flächen erforderlich, um genauere Modellergebnisse zu erzielen.


In den letzten Jahren wurden verschiedene Ansätze zur detaillierten Erfassung von unbefestigten Flächen untersucht. Hierzu zählen die Klassifizierung von Flächen über alternative Daten wie die Auswertung von Topographie oder Color-Infrared-Falschfarbenbildern in Kombination mit Vegetationsindices sowie die Ableitung hydrologischer Kenngrößen aus Fernerkundungsdaten. Um aus diesen umfassenden Datensätzen die gewünschten Informationen zu extrahieren, sind maschinelles Lernen (ML) Techniken erforderlich. ML-Techniken können Informationen aus verschiedenen Quellen extrahieren und in ein einziges Modell umwandeln. Diese Fähigkeit ist besonders geeignet, um das Verhalten von Einzugsgebieten unter instationären Bedingungen zu modellieren, z. B. bei der Anpassung an die Auswirkungen des Klimawandels oder an saisonale Variationen.


Um die Ergebnisse dieser Forschungsarbeit in eine breite Anwendung überführen zu können, sollen die entwickelten methodischen Ansätze in die Modellierungsumgebung ++SYSTEMS integriert werden. So können in Zukunft Kanalnetzsimulationen auch bei seltenen, für Überflutungen relevanten Niederschlag-Abfluss-Ereignissen realitätsnäher durchgeführt werden.

Projekt INSIDe (INtegrative modeling of the spread of Serious Infectious Diseases)

Tandler.com im BMBF Projekt INSIDe (INtegrative modeling of the spread of Serious Infectious Diseases):

Wie die Corona-Krise deutlich gezeigt hat, kann es notwendig werden, rechtzeitig gezielte Maßnahmen wie Kontaktbeschränkungen etc. zu ergreifen, um das Ausbreiten gefährlicher Infektionskrankheiten einzudämmen und den Schaden an Leib und Leben der Bevölkerung zu minimieren.

Um „rechtzeitig“ agieren zu können, ist ein frühzeitiges Wissen um das Vorhandensein, die Ausdehnung und die zeitliche Entwicklung eines Krankheitsausbruchs unerlässlich.

Im Falle von Corona wurde versucht, dieses Wissen durch umfangreiche Testkampagnen zu gewinnen. Personen zu testen ist allerdings sehr kostenintensiv und flächendeckend so gut wie unmöglich, selbst im Krisenfall. Auch die maximale, während der Corona-Krise erreichte Testintensität ist nicht ausreichend, um ein klares Bild eines Krankheitsausbruchs und dessen Verlauf zu zeichnen. Zudem werden im Normalfall, also ohne eine bereits bekannte Pandemie, Personentests überhaupt nicht durchgeführt.

Es gibt allerdings eine Alternative zu Personentests: Viele Infektionskrankheiten lassen sich in den Ausscheidungen der Betroffenen nachweisen, was bedeutet, dass eine Quelle umfangreicher Daten jederzeit zugänglich ist: das Abwasser!

Auch wenn Krankheitserreger im Abwasser nachgewiesen werden können, ist eine gezielte Maßnahmenplanung noch nicht möglich, da aus Konzentrationsverläufen von Krankheitserregern oder deren Abbauprodukten an Abwasser-Probenahmestellen (in der Regel in Kanalschächten) noch nicht direkt abgelesen werden kann, in welchen Stadtgebieten, Häuserzeilen oder konkreten Gebäuden genau ein Ausbruch erfolgt ist.

Mittels mathematischer Modelle ist es allerdings möglich, diese Lücke zu schließen und Rückschlüsse von Messdaten im Kanal (also Erreger-Konzentrationskurven mit zeitlichem Verlauf) auf infizierte Personen in entsprechenden Gebäuden zu ziehen.

Generell müssen hier verschiedene Sachverhalte modelliert werden: 1) wie übertragen sich Erreger von Person zu Person? 2) Wie bewegen sich Personen innerhalb einer Stadt und darüber hinaus (zu Hause, Arbeit, Schule, öffentlicher Verkehr etc.)? 3) Wie werden Erreger nach dem Ausscheiden im Kanal transportiert und/oder chemisch ab- oder umgebaut?

Der Punkt 3) hingegen, kann durch explizite, hydraulische Reaktions-Transportmodelle für chemische Substanzen im Kanalnetz abgebildet werden, welche innerhalb des INSIDe-Konsortiums durch unseren Partner Universität der Bundeswehr München (UBW) sowie uns, der tandler.com Gesellschaft für Umweltinformatik mbH erstellt werden.

Forschungsprojekt Smart & Wise

Das erfolgreiche Forschungsprojekt Smart & Wise wurde abgeschlossen! Hier wurden neue Ansätze für die Wasser und Abwasserinfrastruktur erforscht und anhand verschiedener Referenzprojekte in Indien und Deutschland getestet!

Detaillierte Informationen finden Sie jederzeit auf der folgenden Seite.

The overall project goal is to support the implementation of reliable and sustainable water and wastewater infrastructure systems (WIS) with added value for smart cities. Because system planning has a large influence on system reliability and sustainability we decided to develop systematic planning methods and tools. We consider three levels of water and wastewater infrastructure systems (WIS): 1. conventional WIS (enables to benefit from successful approaches) 2.+3. advanced and smart WIS (integration of innovative and smart solutions). An overview about some work contents and questions we investigated as well as the 5 actions fields we are working on are summarized here under projects. The methodologies and tools were developed based on practical examples in India and Germany. After the development their application is proved and demonstrated in pilot studies. See also the ongoing work on the pilot cases.