Drei Sensoren optimieren Regenwassermessung in Städten – Datengetriebene Sparse Sensing

Städte weltweit sehen sich immer häufiger mit Überschwemmungen durch heftige Regenfälle konfrontiert. Um solche Ereignisse frühzeitig zu erkennen und zu steuern, ist eine hochauflösende Messung des Regenwassers im Abwassernetz erforderlich – doch Zeit, Budget und Technik stellen oft große Hindernisse dar.

In einer neuen Studie wurde ein datengetriebener Sparse‑Sensing‑Ansatz (DSS) entwickelt, der mit dem EPA‑SWMM‑Modell kombiniert wird, um die optimale Platzierung von Sensoren in städtischen Regenwassersystemen zu bestimmen. Der Ansatz wurde am Beispiel des Woodland‑Avenue‑Einzugsgebiets in Duluth, Minnesota, erprobt.

Zunächst generierte das SWMM‑Modell ein umfangreiches Trainingsdatenset, das die Spitzenflussprofile an allen 77 Knotenpunkten des Netzwerks abbildet. Anschließend wendete DSS Techniken der singulären Wertzerlegung (SVD) zur Dimensionsreduktion und der QR‑Faktorisierung zur Sensorzuweisung an, um die wichtigsten Messstellen zu identifizieren.

Die Validierung zeigte, dass lediglich drei Sensoren – aus insgesamt 77 möglichen – die Spitzenflussprofile mit einer Nash‑Sutcliffe‑Effizienz (NSE) zwischen 0,92 und 0,95 rekonstruieren konnten. Damit wurde die Rekonstruktionsleistung als zufriedenstellend bewertet.

Darüber hinaus erwies sich das Modell als robust gegenüber Messunsicherheiten. Die Auswirkung von Sensorausfällen ist standortabhängig, verbessert sich jedoch mit zunehmender Sensoranzahl. Diese Flexibilität macht den Ansatz besonders attraktiv für städtische Infrastrukturen mit begrenzten Ressourcen.

Die Ergebnisse zeigen, dass ein datengetriebener Sparse‑Sensing‑Ansatz es Städten ermöglicht, mit einer minimalen Anzahl von Sensoren ein zuverlässiges Monitoring des Regenwassers zu realisieren und damit die Bewältigung von Überschwemmungen effektiver zu gestalten.