Early Warning System

Udfordring:

Skybrud og større regnhændelser sker oftere og oftere pga. klimaforandringerne. Det er kloaksystemet ikke designet til at håndtere, hvilket kan resultere i oversvømmelser i lavtliggende områder med højt grundvandsspejl og nær fjorde og vandløb.

Det kan koste meget for borgere, der lever i disse kritiske områder og for myndigheder, som skal bruge mange ressourcer på at håndtere omkostningerne efterfølgende. Der er derfor brug for nye metoder og løsninger til at forudsige nedbør og hvornår der er risiko for, at der ikke er kapacitet i kloakkerne og på terræn til at forsinke regnvandet.

Udvikling af et Early Warning system tager i dette projekt udgangspunkt i data fra Flensborg by, som har store problemer med oversvømmelser i forbindelse med skybrud.

Løsning:

Gennem samarbejdet har der været arbejdet på at skabe en ny hydrodynamisk model, der kan forudsige potentielle oversvømmelser baseret på aktuelle og historiske regnhændelser samt realtidsmålinger af vandstanden.

Modellerne er koblet op på machine learning for at optimere dem på sigt. På den måde er der udviklet en model og et beslutningsværktøj, som forsyningen kan reagere på i forhold til aktuelle regnhændelser og sikre at vandet guides hen, hvor der er kapacitet i kloaksystemet eller på terrænet.

TBZ Flensborg stiller deres faciliteter til rådighed, hvor de danske virksomheder LNH Water, Kjartan Ravn Consult og tyske Hydro & Meteo sammen med videnparterne Kiel Universitet skaber modellerne og tester dem.

Resultater:

Det er lykkedes at kombinere hydrauliske modeller baseret på historiske data med modeller baseret på realtid. Den videreudbyggede SWMM model med Kalman Filter kan videreføres til andre lokaliteter og resultater med varsel om potentielle oversvømmelser, der vises i et brugervenligt interface.

De første resultater for Flensborg by var baseret på historiske data, men det er nu lykkedes at integrere realtids data med historiske data. Der er et stort perspektiv og mange muligheder i brug af Early Warning systems, og i at kunne kombinere brugen af både historiske og realtids data af forskellig art.

Det giver muligheder for bedre varslingssystemer at i byer og lande med mindre grad af realtime data.

Forløb:

Samarbejdet forløb fra d. 1/3-2021 til d. 31/1-2023

Partnere i samarbejdet: