Veranstaltungsprogramm
Eine Übersicht aller Sessions/Sitzungen dieser Veranstaltung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.
|
Tagesübersicht |
| Sitzung | |
|
S17.1 Digital groundwater systems Ort: Telemann-Saal, Kongresshalle am Zoo Chair der Sitzung: Olaf Kolditz, Helmholtz-Zentrum für Umweltforschung GmbH UFZ Chair der Sitzung: Thomas Kalbacher Chair der Sitzung: Tianyuan Zhen Chair der Sitzung: Zhao Chen, Technische Universität Dresden Chair der Sitzung: Erik Nixdorf | |
| Präsentation 5 | |
16:30 - 16:45
ID: 231 / Session 17.1: 5 Cloudbasiertes Grundwassermodell und -datenmanagement: Auf dem Weg zu Surrogatmodellen DHI WASY GmbH, Deutschland In diesem Vortrag soll eine Softwarelösung – MIKE Mine – als Beispiel für die Umsetzung digitaler Workflows in der Grundwasserwirtschaft vorgestellt werden. Die Softwarelösung ist eine cloudbasierte Web-Plattform. Manuelle und automatisierte Datenerfassung Mit der Softwarelösung wird eine manuelle als auch automatisierte Erfassung von grundwasserrelevanten Daten ermöglicht. D.h. dem User soll ermöglicht werden Daten manuell in das System zu laden. Dies könnten beispielsweise Stichtagsmessungsdaten sein. Zum anderen soll über Schnittstellen wie API oder ftp-Verbindungen eine automatisierte Datenerfassung ermöglicht werden. Z.B. können über die Schnittstellen aktuelle Regendaten, Datenlogger oder Daten von betrieblichen Infrastrukturen automatisiert eingeladen werden. Modelle und Modellergebnisse Ein wichtiger Baustein für die Grundwasserwirtschaft sind mittlerweile Grundwassermodelle. Darum können mit der Softwarelösung MIKE Mine auch Grundwassermodelle (FEFLOW und MODFLOW USG) in das System geladen werden. Die Modelle können, limitiert auf bestimmte Funktionen, über die Web-Plattform bedient werden. Die Ergebnisse der Simulationen werden im System hinterlegt und werden somit für den User über die Web-Plattform zugänglich gemacht. Auch wiederkehrende automatisierte Modellläufe sind mit dem System möglich. Eine gemeinsame Datenbank für Messungen und Modelle Wie oben beschrieben, werden sowohl Messdaten als auch Modelldaten im System gespeichert. D.h. die Daten liegen in einer gemeinsamen Datenbank auf der Cloud. Dadurch kann das Modell jederzeit mit den aktuellen Messdaten verglichen werden und dessen Prognosefähigkeit ständig überprüft werden. Transparenz Die Web-Plattform verfügt über ein User Management. Verschiedene Personen können auf die Plattform zugreifen. Es können auch weitere Stakeholder oder Behörden eingeladen werden. Dadurch kann die Transparenz erhöht werden, da die Daten sowie Modellergebnisse immer für alle verfügbar ist. Vor allem die Modellergebnisse werden oft nur in Berichten dargestellt. In diesem System sollen auch die gesamten Modellergebnisse transparent offengelegt werden. Verschiedene Funktionalitäten, wie Dashboards, Zeitreihenanalysen oder Kartenansichten, ermöglichen eine einfache Interaktion mit den vorhandenen Daten. Auch kann so ein Grundwassermonitoring vorgenommen werden. Interaktion mit Grundwassermodellen Oftmals sind Grundwassermodelle nur von Experten verwendbar. Mit der hier vorgestellten Softwarelösung wird ermöglicht einfache Modellszenarien in FEFLOW und MODFLOW USG über die Web-Plattform zu erstellen und rechnen zu lassen. Dadurch wird auch nicht-Experten ermöglicht, die oftmals teuren Modelle zu nutzen. Ein Praxisbeispiel ist das Testen von Brunnenstandorten von neuen Wasserrechtsanträgen. Surrogatmodelle bzw. datenbasiertes Machine Learning Datenstrukturen sind die Voraussetzung für Surrogatmodelle und datenbasiertes Machine Learning. Mit der Softwarelösung sind sowohl Messdaten als auch Modelldaten in einer gemeinsamen Datenbankstruktur auf der Cloud. Alle Modellszenarien und deren Ergebnisse sind somit in einer brauchbaren Struktur, um damit Surrogatmodell aufzusetzten. Über verschiedene Skripte (z.B. Python) können die Daten für die Surrogatmodellerstellung verwendet werden. Gleichzeitig kann über die Datenbankstruktur auch datenbasiertes Machine Learning oder Zeitreihen-Forecasting durchgeführt werden. | |

