In der modernen Wasserwirtschaft stellt die Digitalisierung einen entscheidenden Faktor dar, um das komplexe System Grundwasser besser zu verstehen und aktuellen Herausforderungen wie dem Klimawandel und gestiegene Erwartungen an Transparenz zu begegnen. Mit einer zunehmenden Datenmenge aus Sensoren wird es zusätzlich unerlässlich, diese Daten effizient und intelligent zu nutzen.

Was braucht man, um Daten automatisiert zu verarbeiten und Erkenntnisse aus diesen zu gewinnen? Mensch und Technologie! Die Abteilung Wasserwirtschaftliche Information des Oldenburgisch-Ostfriesischen Wasserverbands (OOWV) hat dies erkannt und einen kontinuierlichen Transformationsprozess eingeleitet.

Die Einführung neuer Rollen wie Data Manager, Data Engineer, Data Scientist und Solution Architect ist essentiell. Diese Experten bilden das Fundament des datenorientierten Teams, das für die kurzfristige Beschaffung, Pflege und Bereitstellung von Daten genauso verantwortlich ist wie für den Aufbau von langfristigen Datenpipelines, die Entwicklung von Informationssystemen und die Analyse von Daten. Weiterbildungen im Bereich Datenpipelines, Machine Learning und weiteren Themen sind ebenfalls wichtiger Bestandteil des Veränderungsprozesses und garantieren, dass das Team auf dem neuesten Stand bleibt.

In einer Kooperation zwischen dem OOWV und der smart data worx GmbH entwickeln wir darüber hinaus anhand eines konkreten Use-Cases eine innovative, cloud-fähige Data-Science-und-Engineering-Plattform. Um KRITIS-Sicherheitsstandards zu erfüllen sowie die Integration in bestehende heterogene IT-Landschaften zu ermöglichen, wird eine spezialisierte Plattform für die Wasserwirtschaft benötigt. Kubernetes bildet die Basis für eine resiliente Infrastruktur, während containerisierte Entwicklungsumgebungen flexibles Arbeiten ermöglichen. Datenpipelines werden transparent und effizient z.B. durch Apache Airflow und DuckDB gestaltet. KI-Modelle werden nachvollziehbar mittels MLflow und BentoML betrieben, und die Integration von Large Language Models (LLMs) erlaubt eine sichere Anwendung von Chatbots.

Die Digitalisierung in der Wasserwirtschaft erfordert eine umfassende Transformation, die sowohl menschliche als auch technologische Elemente einbezieht. Der kontinuierliche Wandel hin zu datenorientierten Ansätzen und die Integration moderner Technologien bieten wertvolle Chancen, um das Verständnis und Management von Grundwassersystemen nachhaltig zu verbessern. Dieser Ansatz leistet nicht nur einen Beitrag zur Optimierung bestehender Systeme, sondern ermöglicht auch die Anpassung an zukünftige Anforderungen und Herausforderungen.

Die Bereitstellung von Daten ist häufig ein Spagat zwischen Geschwindigkeit und Datenqualität. Die Grundwasserstandsdaten des landesweiten Messnetzes des Landes Berlin werden im Wasserportal (https://wasserportal.berlin.de/start.php) mit einem Tag Zeitversatz als (quasi ungeprüfte) Rohdaten veröffentlicht. Das bisherige Plausibilisierungsverfahren beanspruchte durch die manuelle Prüfung viel Arbeitszeit, so dass geprüfte Grundwasserstandsdaten erst zu einem späteren Zeitpunkt zur Verfügung standen. Wünschenswert wäre jedoch eine weitgehend automatisierte Plausibilisierung als Qualitätskontrolle, die bereits in den Datenflow integriert ist, die Prüfroutine beschleunigt und die Datenqualität verbessert wird.

Es wurde daher ein Werkzeug entwickelt, das auf Grundlage unterschiedlicher Methoden und unter Einbeziehung verschiedener externer Datensätze die Plausibilisierung von Rohdaten weitgehend automatisiert. Neben der Beschleunigung lag der Hauptfokus auf der Entwicklung eines methodisch umfangreichen Prüfverfahrens, das eine hohe Aussagekraft sicher gewährleistet. Dazu wurde eine multifaktorielle Entscheidungsmatrix erstellt, die neben der absoluten Änderung der Messwerte, Daten benachbarter Messstellen, Niederschlagsdaten und statistischer Berechnungen auch hydrogeologische Zusammenhänge berücksichtigt. Ebenso wurden bei der Methodenentwicklung Heterogenitäten der hydraulischen Verhältnisse und die räumliche wie zeitliche anthropogene Beeinflussung der Grundwasserstände einbezogen.

Das Werkzeug wurde als Python-package umgesetzt und in die Grundwasserplattform ENOLA integriert. Die Plattform wurde in das zentrale Datenprocessing des Landesmessnetzes eingebunden. Ein interaktives Interface in Form einer kartenbasierten Webapp ermöglicht die übersichtliche Darstellung der Ergebnisse sowie die manuelle Nachkontrolle und ggf. Korrektur von Messwerten und Ergebnissen. Die App wird auf einem hausinternen Server betrieben und kann von berechtigten NutzerInnen im Intranet über einen Browser genutzt werden. Über eine API-Schnittstelle werden die plausiblen Messwerte zur weiteren Verarbeitung bereitgestellt.

Durch die Integration des Plausibilisierungstools in das Messnetz der Landesgeologie Berlin werden eingehende Daten weitgehend automatisiert geprüft. Zukünftig können (automatisiert) plausibel geprüfte Daten direkt im Wasserportal veröffentlicht werden, wodurch die Datenqualität der bereitgestellten Daten verbessert wird.

Grundwassermodelle sind in Infrastrukturprojekten mit Grundwasserinteraktion unverzichtbare Werkzeuge für Planung, Bau und Betrieb. Sie liefern Prognosen, Risikoabschätzungen und Entscheidungsgrundlagen. Leitlinien wie die DVGW W107 oder die Australian Groundwater Modelling Guidelines beschreiben einen überwiegend linearen Modellierungsprozess: Konzeptualisierung, Datenerhebung, Kalibrierung und Validierung erfolgen sequenziell. Für solche linearen Abläufe bieten die verwendeten Software-Werkzeuge optimale Unterstützung. Demgegenüber unterliegen Modelle als digitale Zwillinge eines Bauprojekts oder eines Anlagenbetriebs durch Planungsänderungen und im Zeitverlauf zunehmende Erkenntnisse über das reale System durch Messungen oder Erkundungsprogramme einem ständigen Anpassungsdruck. Die Anforderungen und Risiken im Ablauf der Grundwassermodellierung weisen dabei zahlreiche Parallelen zu Prozessen im Release-Management in der Softwareentwicklung auf.

Anhand des Beispiels der Grundwasserströmungsmodellierung für Planung und Bau der 2. S-Bahn-Stammstrecke in München werden diese Parallelen evident. In diesem Projekt begleitet die Modellierung alle Planungs- und Bauphasen und umfasst dabei in unterschiedlichsten Detailgraden unter anderem Grundwasseraufstauberechnungen, Auslegung von Grundwasserüberleitung, Wasserhaltung und Versickerungsanlagen, Untersuchung geothermischer Nutzung und Planung von Monitoringkonzepten. Bauseits kommen unterschiedlichste Techniken zum Einsatz, die in der Modellierung adäquat reflektiert werden müssen: Horizontal- und Vertikalfilterbrunnen, Entwässerungslanzen, offene und Deckelbauweise mit Bohrpfahl-, Schlitz-, Schmal- und Spundwänden, Tunnelvortriebsmaschinen, bergmännischer Vortrieb mit und ohne Druckluftbeaufschlagung, Bodenvergütung, Injektionen, etc.

Anhand des Projektbeispiels wird deutlich, wie es durch pragmatische Adaption des Modellierungsprozesses unter Übernahme von Methoden aus der Softwareentwicklung sowie sinnvolle Ergänzung der eingesetzten Standard-Werkzeuge gelingen kann, trotz der hohen Dynamik Auftraggebern, Planenden und Ausführenden gegenüber jederzeit kurzfristig fachlich aussagefähig zu sein – aber auch, wo noch methodische Defizite und Potenzial zur Weiterentwicklung bestehen.

Understanding and representing subsurface heterogeneity is highly relevant yet remains a significant challenge in developing reliable groundwater flow models. In this work, a novel stochastic subsurface modelling approach, tailored to unconsolidated sediments, which are characterized by high complexity and heterogeneity in terms of its geological structure and hydraulic properties, based on ArchPy framework for hierarchical 3D geological modelling, is proposed and tested for the drinking water supply area of the city of Görlitz, in framework of the project CRossWATER, which is funded by the EU-Interreg-Poland-Saxony-Programme. A large borehole dataset served as the basis for developing a geologically informed underground model. After pre-processing and reinterpreting this dataset, an ensemble of stochastic realizations is generated to represent different possible configurations of geological units, lithofacies distributions, and associated hydraulic property fields by applying the ArchPy framework. These ensembles collectively account for both structural and parametric uncertainty in the modelled domain. Subsequent analyses explored probability-based and information-theoretic measures, such as entropy metrics, to assess spatial uncertainty and evaluate the degree of confidence in subsurface representations. Ultimately, this work aims to enhance understanding of spatial hydrogeological uncertainty arising from sedimentary processes, heterogeneity, and anisotropy, and to evaluate how these factors influence not only geological interpretations but also subsequent analyses of groundwater flow and transport processes. The approach and workflow presented here primarily serves as a foundation for the future exploration and reduction of uncertainty in hydrogeological modelling for the groundwater resource management in Görlitz, which can easily be transferred to other study areas with similar characteristics and data availability.

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.