German: In den vergangenen Jahren hat sich die Datenlage zum Zustand der Abwasserkanalisation und zur Wirkung unterschiedlicher Sanierungsverfahren stetig verbessert. Basierend auf diesen Erkenntnissen wurden durch das Kompetenzzentrum Wasser Berlin und die Berliner Wasserbetriebe Prognosemodelle zur Bewertung unterschiedlicher Sanierungsszenarien sowie zur Lokalisierung schadhafter Kanäle entwickelt. Die vorliegende Studie zeigt den Weg von Bestands- und Zustandsdaten des Kanalnetzes zu einem an die lokalen Randbedingungen angepassten Simulationswerkzeug für die strategische Kanalsanierungsplanung. Dabei werden Methoden zur modellgestützten Ergänzung von Datenlücken sowie die entwickelten Modellkomponenten für Kanalalterung und -sanierung vorgestellt. Darüber hinaus werden Ergebnisse ausgewählter Sanierungsszenarien und die wichtigsten Prognoseunsicherheiten diskutiert. Der entwickelte Ansatz unterstützt die Kanalsanierungs- und Investitionsplanung von Kommunen und hilft, den Zustand der Abwasserinfrastruktur langfristig zu erhalten oder zu verbessern.

The main aim of this study was a survey of micropollutants in stormwater runoff of Berlin (Germany) and its dependence on land-use types. In a one-year monitoring program, event mean concentrations were measured for a set of 106 parameters, including 85 organic micropollutants (e.g., flame retardants, phthalates, pesticides/biocides, polycyclic aromatic hydrocarbons (PAH)), heavy metals and standard parameters. Monitoring points were selected in five catchments of different urban land-use types, and at one urban river. We detected 77 of the 106 parameters at least once in stormwater runoff of the investigated catchment types. On average, stormwater runoff con-tained a mix of 24 µg L-1 organic micropollutants and 1.3 mg L-1 heavy metals. For organic micropol-lutants, concentrations were highest in all catchments for the plasticizer diisodecyl phthalate. Concentrations of all but five parameters showed significant differences among the five land-use types. While major roads were the dominant source of traffic-related substances such as PAH, each of the other land-use types showed the highest concentrations for some substances (e.g., flame retardants in commercial area, pesticides in catchment dominated by one family homes). Comparison with environmental quality standards (EQS) for surface waters shows that 13 micropollutants in storm-water runoff and 8 micropollutants in the receiving river exceeded German quality standards for receiving surface waters during storm events, highlighting the relevance of stormwater inputs for urban surface waters. © 2021 by the authors. Licensee MDPI, Basel, Switzerland.

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.