Die Erhöhung der Resilienz urbaner Wasserinfrastrukturen wird oft als wichtiges Ziel genannt. Eine Literaturstudie zeigt, dass dafür konkretisiert werden muss, um welche Infrastruktur es sich handelt, gegenüber welcher Störung sie resilient sein soll und an welcher Leistung sich die Resilienz zeigen soll. Hier wird darauf aufbauend ein quantitativer Ansatz der Resilienzmessung vorgeschlagen, der die Schwere des Leistungsausfalls gegenüber einem Grenzwert über die Zeit integriert und dieses Integral über das Zeitintervall und den gewählten Grenzwert normiert. Eine beispielhafte Anwendung für Stadtentwässerungsstrategien bei Starkregenereignissen zeigt, dass der vorgeschlagene Ansatz den Vorteil hat, dass Dauer und Ausmaß eines Leistungsausfalls in einem Resilienzwert berücksichtigt werden können. Zudem erlaubt der Ansatz eine Evaluation unterschiedlicher Störungen, beispielsweise durch Systemausfälle. Durch die Normierung wird ein Vergleich unterschiedlicher Leistungen von Wasserinfrastruktur ermöglicht. Allerdings ist die normierte Resilienz stark von der Wahl des Zeitintervalls und des festgelegten Grenzwertes abhängig und damit nicht ohne weiteres auf andere Systeme übertragbar.

Kanalalterungsmodelle, mit denen sich der Zustand von Abwasserkanälen simulieren lässt, können wertvolle Werkzeuge für die Sanierungsplanung sein. Dennoch werden sie in Deutschland bisher nur von wenigen Kanalnetzbetreibern eingesetzt. Im Rahmen des Forschungsvorhabens SEMA-Berlin wurden verschiedene Modellansätze getestet und hinsichtlich ihrer Prognosequalität bewertet. Für den Modellaufbau wurden die Ergebnisse von mehr als 100 000 TV-Inspektionen sowie Daten zu den individuellen Kanaleigenschaften und Umgebungsfaktoren der Stadt Berlin verwendet. Die Untersuchungen zeigen, dass das statistische Modell GompitZ die Zustandsverteilung des Kanalnetzes mit einer Genauigkeit von 99 % wiedergeben kann. Mit Random Forest, einem Modell des maschinellen Lernens, kann mit einer Trefferquote von 67 % vorhergesagt werden, welcher Kanal sich im schlechten Zustand befindet. Die Ergebnisse können dafür genutzt werden, prioritäre Haltungen für Kanalinspektionen zu identifizieren und Investitionen so zu steuern, dass der Zustand der Kanalisation langfristig erhalten oder sogar verbessert wird.

Deterioration models can be successfully deployed only if decision-makers trust the modelling outcomes and are aware of model uncertainties. Our study aims to address this issue by developing a set of clearly understandable metrics to assess the performance of sewer deterioration models from an end-user perspective. The developed metrics are used to benchmark the performance of a statistical model, namely, GompitZ based on survival analysis and Markov-chains, and a machine learning model, namely, Random Forest, an ensemble learning method based on decision trees. The models have been trained with the extensive CCTV dataset of the sewer network of Berlin, Germany (115,258 inspections). At network level, both models give satisfactory outcomes with deviations between predicted and inspected condition distributions below 5%. At pipe level, the statistical model does not perform better than a simple random model, which attributes randomly a condition class to each inspected pipe, whereas the machine learning model provides satisfying performance. 66.7% of the pipes inspected in bad condition have been predicted correctly. The machine learning approach shows a strong potential for supporting operators in the identification of pipes in critical condition for inspection programs whereas the statistical approach is more adapted to support strategic rehabilitation planning.

Combined sewer systems are one of the major sources of microbiological contamination in urban water bodies. However, identification of hotspots for pathogen emissions is not straightforward, especially in large and complex drainage systems. To determine the relevance of different CSO outlets for bathing water quality a simple tracer approach which uses wastewater volume as a proxy for pathogen emissions has been developed and tested for the city of Berlin, Germany. The approach reveals that the average wastewater ratio in CSO varies largely between different river outlets (0 to 15%). Hence, the outlets with the largest CSO volumes are not automatically the greatest wastewater emitters and assumed hotspots for pathogen contamination do not coincide with hydraulic hotspots. This is verified with own measurements that show enormous differences in pathogen concentrations between waste and stormwater of 4 orders of magnitude. As a result, wastewater which represents only 5% of the CSO volume contributes > 99% of the pathogen loadings to the river. The study highlights the relevance of wastewater volumes for the identification of point sources for the hygienic impairment of water bodies.

Maßnahmen der Regenwasserbewirtschaftung können Probleme der versiegelten Stadt wie die Belastung urbaner Oberflächengewässer und städtische Hitzeinseln vermindern und gleichzeitig die biologische Vielfalt und die Freiraumqualität verbessern. Um dieses Potenzial gezielt einsetzen zu können, wurden im vorliegenden Leitfaden die Vorteile und der Aufwand dieser Maßnahmen konsequent quantitativ bewertet. Ausgehend von dieser Bewertung wurde im Rahmen von KURAS eine Methode entwickelt, die eine integrierte Planung von Maßnahmen der Regenwasserbewirtschaftung für konkrete Stadtquartiere unterstützen kann. Sie verknüpft lokale Anforderungen mit der Maßnahmenbewertung, um geeignete und machbare Maßnahmen auszuwählen und im Stadtquartier zu platzieren. Neben Einzelmaßnahmen wurden in einem Planspiel auch durch die KURAS-Methode erstellte Maßnahmenkombinationen für zwei Berliner Stadtquartiere hinsichtlich ihrer Effekte quantitativ bewertet. Die Ergebnisse zeigen, dass eine gezielte Kombination von Maßnahmen über die Ebenen der Stadt hinweg - vom Gebäude über das Quartier bis zum Kanaleinzugsgebiet - die angestrebten Effekte für Umwelt und Bewohner deutlich erreicht.