Förbättrad kunskap om vatten genom nya data och kapacitet

Hur kan ny kapacitet och data hjälpa oss?

data and capacity

I många situationer finns inte tillräcklig med kunskap för att tillgodose samhällets behov av vatteninformation. I t.ex. utvecklingsländer är det ofta brist på kvalificerade personer som kan bygga, driva och förbättra en hydrologisk produktionskedja (från observationssystem till distributionskanaler). Det leder inte sällan till att samhällena blir överrumplade av översvämningar eller torka, vilket leder till stora samhällskostnader i form av t.ex. skadad infrastruktur, försenade transporter, avbrott i energiförsörjning, försäkringsfordringar, försämrade skördar, utsläpp av orenat avloppsvatten i sjöar och vattendrag, försämrad folkhälsa, och förlorade människoliv. Städer är ett annat exempel där hydrologisk kunskap är otillräcklig.

Observationssystem i städer är t.ex. ofta för glesa för att fånga nederbördens stora variation i tid och rum. Små snabba regnceller kan på kort tid leda till kraftiga översvämningar i både gatumiljö och i avloppsledningsnät, med stora samhällskostnader som konsekvens (exemplifierat ovan). Intensiv nederbörd förväntas dessutom bli mer frekventa i ett förändrat klimat, vilket ökar risken för än högre samhällskostnader. 

I det här forskningsområdet utforskar vi möjligheten att bättre förstå och kvantifiera hydrologiska processer genom att använda nya typer av data och genom kapacitetsutveckling. Det övergripande målet är att applicera den här kunskapen för att öka vatteninformationens samhällsnytta.

Nya data

Det finns en mängd nya datatyper med potential att förbättra hydrologisk kvantifiering.
Ett exempel är signalstyrkan från mikrovågslänkar i telekommunikationsnät (Figur 1). Mikrovågslänkar skickar en GHz-signal mellan master i telekommunikationsnäten. Signalen dämpas av regndroppar, och genom att mäta signalstyrkan kan man uppskatta regnets intensitet. Den här typen av data har stor användningspotential i t.ex. utvecklingsländer (där telekommunikationsnät drivs operationellt och täcker stora ytor, till skillnad från nuvarande observationssystem), och i städer (genom mer komplett yttäckningsgrad, högre tidsupplösning, bättre kapacitet att fånga skyfall, och redundans för ökad beredskap). Klicka här för att se vår live visualisering av regn baserat på mikrovågsdata.

 Regnmätning med hjälp av telekommunikationsnät.
Figur 1. Regnmätning med hjälp av telekommunikationsnät.

Klicka här för att se vår live demo.

Ett annat exempel är satellitbaserade höjdmätningar (altimetri) som ger ökade möjligheter att mäta vattennivå i sjöar och stora vattendrag (Figur 2). En viktig fördel med den här typen av data är satelliternas förmåga att mäta på många fler platser än konventionella fältbaserade mätningar, och den förhållandevis korta tiden från mätningen till dess att data kan användas vidare. Det i sin tur ger möjlighet att t.ex. justera operationella hydrologiska modeller, och därmed potentiellt förbättra hydrologiska prognoser. Klicka här för mer bakgrund och ett exempel från Västafrika.   

Vattennivå Niger
Figur 2. Vattennivå mätt med hjälp av satellit (blå) och med pegel (grön) i Mali. Källa: Guillermo Grau, isardSAT (2018).

Ett gemensamt drag hos många nya datatyper är att data finns i riklig mängd (t.ex. på många platser eller för många tidssteg), men att varje enskild mätning har lägre tillförlitlighet jämfört med konventionella data. Det här öppnar upp flera forsknings- och utvecklingsfrågor, t.ex.

  • Hur väl kan hydrologiska variabler kvantifieras med hjälp av data från t.ex. telekommunikationsnät och sattelitobservationer?
  • Vad är det mest tillförlitliga informationsinnehållet i olika typer av data?
  • Hur kan nya datatyper bäst kombineras med konventionella data för att på bästa sätt nyttja deras respektive informationsinnehåll?
  • Vad är mervärdet att integrera nya datatyper i den hydrologiska produktionskedjan?
  • På vilket sätt förändras vår kunskap om hydrologiska processer och vattencykeln genom att använda nya datatyper?

Kapacitetsutveckling

Praktisk träning Niger
Figur 3. Praktisk träning kring hydrologisk modellering i Niamey, Niger.

Klicka här för att se vårt operativa pilotsystem för hydrologiska prognos- och varningsar i Västafrika.

Kvalificerade personer är en förutsättning för att kunna skapa och använda hydrologisk kunskap. Expertis behövs inom en rad olika områden för att bygga, driva och förädla alla komponenter i den hydrologiska produktionskedjan, för att tolka dess resultat, och för att agera på informationen. Inom det här forskningsområdet bygger vi kapacitet med hjälp av en praktisk, interaktiv lärandeprocess (Figur 3). Normalt sett fokuserar vi på en av samhällets vattenutmaningar (t.ex. översvämning) och bygger kapacitet runt det ämnet med hjälp av samhällsvetenskapliga ramverk och agil utvecklingsmetodik. Genom denna ömsesidiga lärandeprocess adresserar vi ett antal viktiga forsknings- och utvecklingsfrågor, som t.ex.

  • Vilken expertis behövs mest?
  • Vilka komponenter i den hydrologiska produktionskedjan är mest/minst utvecklade?
  • Vilka metoder är bäst lämpade för att utveckla kapacitet och samla in feedback i en given kulturell kontext?
  • Vilka hydrologiska processer orsakar en viss vattenutmaning? På vilket sätt förändras vår förståelse av fenomenet genom kapacitetsutveckling?
  • I vilken mån förbättrar kapacitetsutvecklingen samhällets beredskap och resiliens kring vattenutmaningen?

Mer information om en av våra kapacitetsutvecklingsprojekt som fokuserar på översvämningsprognoser och varningar i Västafrika finns på www.fanfar.eu.

Utvalda publikationer

Andersson J.C.M., Arheimer B., Traoré F., Gustafsson D., and Ali A. (2017). Process refinements improve a hydrological model concept applied to the Niger River basin. Hydrological Processes, 31, 4540–4554, doi.org/10.1002/hyp.11376.

Andersson J.C.M., Berg P., Hansryd J., Jacobsson A., Olsson J., and Wallin J .(2017), Microwave links improve operational rainfall monitoring in Gothenburg, Sweden. 15th International Conference on Environmental Science and Technology, 31st August – 2nd September 2017, Rhodes, Greece. Conference paper CEST2017_00249 in the CEST2017 Proceedings.

Tollefson, J. 2017. Mobile-phone signals bolster street-level rain forecasts. Nature, 544, 146–147, dx.doi.org/10.1038/nature.2017.21799

Magnusson J., Gustafsson D., Hüsler F., and Jonas, T. (2014), Assimilation of point SWE data into a distributed snow cover model comparing two contrasting methods, Water Resources Research, 50, 7816– 7835, doi.org/10.1002/2014WR015302.

Olsson, J., & Josefsson, W. (2015). Skyfallsuppdraget – ett regeringsuppdrag till SMHI, SMHI Klimatologi rapport nr. 37, 45p. Norrköping, Sverige, SMHI - Sveriges Meteorologiska och Hydrologiska Institut.