Kunstig intelligens i reduktion af vandforbrug

Kunstig intelligens kan reducere vandforbrug ved at forudsige behov, opdage lækager og styre vand mere præcist i landbrug, bygninger, industri og forsyningsnet. Gevinsten kommer ikke fra AI alene, men fra målte data, sensorer, validerede modeller og beslutninger, der faktisk ændrer pumpning, vanding eller forbrug.

Hvordan reducerer kunstig intelligens vandforbrug i praksis?

Kunstig intelligens reducerer vandforbrug ved at gøre vandstyring mere situationsbestemt. I stedet for faste intervaller, grove gennemsnit eller manuel reaktion på problemer kan en model beregne, hvornår vand er nødvendigt, hvor meget der er nødvendigt, og hvor tab sandsynligvis opstår.

Det sker typisk gennem tre mekanismer. Den første er forudsigelse, hvor modellen bruger historiske data, vejrudsigter, jordfugtighed, produktionstal eller forbrugsmønstre til at vurdere et kommende behov. Den anden er anomalidetektion, hvor systemet finder afvigelser i flow, tryk eller målerdata. Den tredje er optimering, hvor en algoritme foreslår en rækkefølge, en ventilindstilling, en vandingsplan eller en prioritering af vedligehold.

AI er derfor mest nyttig som en del af effektiv vandforvaltning ved hjælp af AI, hvor data bliver koblet til fysiske handlinger. En model, der kun viser en rapport, sparer ikke vand i sig selv. Besparelsen opstår først, når anbefalingen ændrer drift, investering, adfærd eller kontrol.

Hvor giver AI størst effekt på vandforbrug?

AI giver typisk størst effekt dér, hvor vandforbruget er højt, varierer meget eller er svært at gennemskue med almindelige målere. Landbrug, forsyningsnet, større bygninger, datacentre, fødevareproduktion og procesindustri er derfor mere oplagte anvendelser end små miljøer med stabilt og overskueligt forbrug.

Landbrug er centralt, fordi den nyeste ikke-tomme globale World Bank/FAO-værdi for indikatoren landbrugets andel af ferskvandsudtag er ca. 71,6 procent for 2021. Tallet siger ikke, at AI automatisk kan spare en bestemt andel. Det viser, at vandreduktion i dyrkning, kunstvanding og jordbrugsbeslutninger kan have stor betydning, hvis teknologien bruges rigtigt.

I byer og forsyningsnet handler potentialet ofte om tab, tryk, rørbrud og uventede forbrugsmønstre. I industri handler det om procesvand, rengøring, køling, recirkulation og kvalitetskontrol. I bygninger handler det om drift af toiletter, køleanlæg, haver, lækager og afvigende forbrug uden for åbningstid.

Hvilke data skal en AI-model bruge?

En AI-model til vandreduktion skal bruge data, der både beskriver vandet og den aktivitet, vandet knytter sig til. Rå liter pr. døgn er sjældent nok. Modellen skal kunne se, om ændringen skyldes vejret, produktionen, antal brugere, jordtype, tryk, temperatur, sæson eller en faktisk fejl.

De mest almindelige datatyper er målerdata, flowdata, trykdata, vejrdata, jord- og fugtsensorer, driftslog, geografiske data, billeddata fra droner eller satellitter og oplysninger om vedligehold. For nogle opgaver er manuel registrering stadig nødvendig, fordi sensorer ikke kan forklare alt: en måler kan vise et spring i forbrug, men en tekniker kan afgøre, om årsagen er lækage, rengøring, ændret drift eller målerfejl.

God dataindsamling med AI begynder derfor med datakvalitet. Tidsstempler skal passe, målere skal være placeret rigtigt, og systemet skal vide, hvilke perioder der er normale. Hvis grunddata er ujævne, kan en avanceret model give et præcist udseende svar på et upræcist spørgsmål.

• Forbrugsdata viser, hvor meget vand der bruges over tid.
• Kontekstdata forklarer, hvorfor forbruget ændrer sig.
• Kontroldata viser, om modellen faktisk fører til en fysisk ændring.
• Kvalitetsdata afslører, om en anbefaling skaber nye problemer, for eksempel lavere udbytte, dårligere hygiejne eller øget energiforbrug.

Hvordan kan AI gøre kunstvanding mere præcis?

AI kan gøre kunstvanding mere præcis ved at kombinere data om jord, afgrøder, vejr, fordampning, plantevækst og tidligere vandingsrespons. Målet er ikke bare at vande mindre, men at vande på det rigtige tidspunkt og i den rigtige mængde, så spild, udvaskning og unødvendig fordampning reduceres.

FAO beskriver digitale teknologier i landbrug som blandt andet mobile løsninger, fjernmåling, IoT, droner, præcisionslandbrug og AI. I FAO’s briefing om digitale teknologier i landbrug og landdistrikter fremgår det, at præcisionslandbrug, variable-rate-teknologi og droner kan reducere vand- og pesticidbrug samt ressourceomkostninger. Den samme kilde beskriver AI som en teknologi, der kan forbedre ressourcebrug, støtte tidlige beslutninger og overvåge produktion løbende.

I praksis kan et system foreslå, at et felt ikke vandes i dag, fordi jordfugtigheden stadig er høj, og regn er sandsynlig. Det kan også foreslå, at kun den tørreste del af et areal vandes, eller at vanding flyttes til et tidspunkt med lavere fordampning. I mere avancerede opsætninger kan modellen kobles til ventiler, pumper og zonestyring.

Den faglige kontrol ligger i, om anbefalingerne holder på tværs af sæsoner. En model, der kun er trænet på normale år, kan fejle i tørke, ved nye afgrøder eller efter ændret jordbehandling. Derfor bør en vandingsmodel testes mod både vandforbrug, udbytte, jordtilstand og risiko for udvaskning.

Hvordan kan AI finde lækager og skjult spild?

Lækager i forsyningsnet og bygninger viser sig ofte som mønstre, der afviger fra normal drift. Et konstant natforbrug, et trykfald, et pludseligt flow i en zone eller en forskel mellem leveret og afregnet vand kan være tegn på skjult spild. AI kan hjælpe med at sortere disse signaler, så mennesker eller automatiske systemer reagerer hurtigere.

Maskinlæring bruges her typisk som anomalidetektion. Modellen lærer et normalt mønster for et område, et rørnet, en bygning eller en forbrugergruppe. Når data afviger, kan systemet give en prioritet: sandsynlig lækage, mulig målerfejl, usædvanlig drift eller behov for fysisk inspektion.

Forskning i lækagedetektion i vanddistributionsnet beskriver små lækager som svære at opdage, blandt andet fordi netværkets dynamik er kompleks. Det betyder, at AI ikke bør beskrives som en perfekt lækagefinder. Den mere realistiske værdi er hurtigere afgrænsning: hvor skal man først undersøge, hvilken zone har størst sandsynlighed for tab, og hvilke data mangler, før en beslutning er sikker nok?

For forsyninger kan det kobles til AI til forvaltning af naturressourcer, fordi vandtab ikke kun er et driftsproblem. Det påvirker også energi til pumpning, kemikalier, reservekapacitet og belastning af lokale vandressourcer.

Hvordan bruges AI i bygninger og industri?

I bygninger kan AI analysere forbrug fra fjernaflæste målere, tekniske anlæg og driftskalendere. Et kontorhus, en skole, et hotel eller et hospital har ofte gentagne mønstre. Hvis vandforbruget stiger i weekenden, om natten eller uden sammenhæng med aktivitet, kan systemet pege på utætte installationer, køleanlæg, toiletter, vandingssystemer eller rengøringsprocesser.

I industri er potentialet ofte knyttet til processtyring. AI kan sammenligne vandforbrug med produktion, temperatur, råvarer, vaskeprogrammer, kølebehov og kvalitetsmålinger. Hvis en proces bruger mere vand end tilsvarende perioder med samme output, kan systemet foreslå kontrol af dyser, ventiler, recirkulation, filtrering eller planlægning.

AI kan også hjælpe med genbrug af procesvand, men kun når kvalitet, sikkerhed og driftskrav er dokumenteret. Et system kan beregne, hvilke vandstrømme der egner sig til genbrug, men det skal stadig afklares, om vandet må bruges til den konkrete proces, og om ændringen påvirker hygiejne, produktkvalitet, arbejdsmiljø eller myndighedskrav.

Der opstår ofte en kobling til energi. Mindre varmt vand, mindre pumpning og bedre køling kan reducere energiforbrug, mens sensorer, databehandling og datacentre også bruger energi. Den sammenhæng ligner problemstillingerne i reduktion af energiforbrug gennem AI, hvor nettoeffekten afhænger af både teknologi og drift.

Hvad kan AI ikke løse alene?

AI kan ikke alene reparere et rør, skifte en ventil, ændre en afgrøde, installere en måler eller gøre en organisation bedre til vedligehold. Hvis den fysiske infrastruktur er dårlig, hvis målere mangler, eller hvis ingen følger op på alarmer, bliver modellen et ekstra analyseværktøj uden praktisk vandbesparelse.

AI kan heller ikke erstatte vandbalance, faglig inspektion og almindelig driftsdisciplin. Mange vandbesparelser kommer fra kendte tiltag: kalibrerede målere, trykstyring, lækagesøgning, vedligehold, recirkulation, bedre rengøringsrutiner og korrekt dimensionerede anlæg. AI giver mest mening, når disse grundelementer findes, men beslutningen stadig er kompleks.

Et andet forbehold er rebound-effekt. Hvis en teknologi gør vandforbrug mere effektivt, kan den samlede produktion eller aktivitet vokse, så det samlede vandudtag ikke falder. I landbrug kan mere præcis vanding for eksempel give højere udbytte, men den samlede vandbelastning afhænger af areal, afgrødevalg, vandrettigheder og lokale ressourcer.

• AI kan finde mønstre, men den kan ikke gøre dårlige målere gode.
• AI kan prioritere indsats, men den kan ikke fjerne behovet for fysisk vedligehold.
• AI kan optimere lokalt, men den kan ikke alene afgøre, hvad der er bæredygtigt for et helt vandopland.
• AI kan reducere spild, men den kan også flytte belastningen til energi, databehandling eller nye driftskrav.

Hvordan måler du, om vandforbruget faktisk falder?

Vandbesparelse skal måles mod en retfærdig baseline. Det er ikke nok at sammenligne januar med juli eller et tørt år med et vådt år. Forbruget skal normaliseres for vejr, produktion, antal brugere, areal, åbningstid, afgrøde, jordtype eller anden relevant aktivitet.

UN-Water beskriver indikator 6.4.1 om ændring i vandeffektivitet over tid som værditilvækst pr. mængde vand brugt, med fokus på landbrug, industri og service. Den tilgang viser, hvorfor liter alene sjældent er hele svaret. En fabrik kan bruge mindre vand pr. produceret enhed, selv om totalforbruget stiger, og en mark kan spare vand pr. ton udbytte uden at reducere vandudtag i et presset opland.

Derfor bør en AI-løsning måles på flere niveauer: totalt vandudtag, forbrug pr. aktivitet, spild eller tab, vandkvalitet, energi og driftsomkostninger. I forsyningsnet bør man også se på, om mindre vandtab skyldes reelle lækagereparationer, ændret tryk, mere præcis måling eller blot ændret opgørelsesmetode.

Et godt måledesign gemmer også de anbefalinger, som modellen gav, og de handlinger, der faktisk blev udført. Ellers kan man ikke se, om besparelsen skyldes AI, vejret, lavere aktivitet, en manuel kampagne eller tilfældig variation.

Hvilke risici følger med datadrevet vandstyring?

Den første risiko er fejlagtig automatisering. Hvis en model undervurderer vandbehovet i landbrug, kan udbytte og plantesundhed falde. Hvis den overvurderer en lækage, kan der bruges tid på forkerte rørstrækninger. Hvis den styrer tryk forkert, kan det påvirke service, brandsikkerhed eller rørbelastning.

Den anden risiko er dataskævhed. En model, der er trænet på én type jord, bygning, rørnet eller industri, kan fungere dårligt et andet sted. Vandforbrug er lokalt. Klima, regulering, infrastruktur, priser, adgang til sensorer og teknisk modenhed ændrer, hvad en model kan bruges til.

Den tredje risiko er uklar ansvarsfordeling. Når en AI-anbefaling påvirker vandforsyning, afgrøder, hygiejne eller produktion, skal det være klart, hvem der godkender ændringen, hvem der kontrollerer resultatet, og hvem der kan slå automatisering fra. Den kontrol er særlig relevant, hvis systemet er koblet direkte til pumper, ventiler eller tekniske anlæg.

Den fjerde risiko er, at AI-projektet selv får et skjult ressourceforbrug. IEA beskriver i rapporten Energy and AI, at AI afhænger af elektricitet til datacentre, samtidig med at AI kan bruges til optimering i energisystemer. For vandprojekter betyder det, at en tung model bør vurderes mod sin praktiske nytte. En simpel regel, der sparer det samme vand med mindre beregning, kan være den bedre løsning.

Hvordan ser den europæiske og danske relevans ud?

I Europa og Danmark er AI til vandreduktion især relevant, hvor vandforbrug hænger sammen med klimatilpasning, landbrug, forsyningssikkerhed, energiforbrug og miljødata. Relevansen er ikke begrænset til områder med permanent vandmangel. Også perioder med tørke, lokale magasiner, grundvandspres, stigende kølebehov og krav til dokumentation kan gøre bedre vandstyring vigtig.

UN-Water beskriver vandstress som forholdet mellem ferskvandsudtag og tilgængelige fornybare ferskvandsressourcer, inklusive miljømæssige vandbehov. Det gør lokal kontekst afgørende. En liter sparet i et vandstresset opland har ikke samme betydning som en liter sparet et sted med rigelig, stabil og bæredygtigt forvaltet adgang.

For organisationer i Danmark vil den praktiske vurdering ofte handle om dokumentation, drift og databehandling. Kan vandforbruget måles tilstrækkeligt detaljeret? Er der hjemmel og aftaler for data fra sensorer eller lejere? Kan ændringer kontrolleres uden at gå på kompromis med hygiejne, forsyningssikkerhed eller produktion? Er besparelsen stor nok til at retfærdiggøre teknologien?

For offentlige og private aktører kan AI samtidig bruges til at prioritere naturressourcer, klimatilpasning og vedligehold mere systematisk. Den største værdi ligger sjældent i en enkelt model. Den ligger i et bedre beslutningsgrundlag, hvor data om vand, energi, areal, vejr og drift ses samlet.

Hvordan bør en organisation starte uden at overinvestere?

En organisation bør starte med vandbalancen, ikke med modellen. Først skal det være klart, hvor vandet kommer ind, hvor det bruges, hvor det forlader systemet, og hvilke målere der kan dokumentere forbruget. Dernæst bør de største tab og mest variable forbrugsposter findes.

Når de største problemområder er kendt, kan du vurdere, om AI faktisk er nødvendig. Hvis vandforbruget falder med en simpel timer, en bedre ventil eller en årlig lækagekontrol, er det ofte nok. Hvis forbruget afhænger af mange skiftende forhold, eller hvis der er mange datakilder, kan maskinlæring give mening.

1. Lav en baseline for mindst en relevant sæson eller produktionsperiode.
2. Kontroller målere, datakvalitet og tidsstempler.
3. Find de største vandposter og de mest uforklarlige afvigelser.
4. Test en enkel regelbaseret løsning før en mere avanceret model.
5. Brug AI på et afgrænset område, hvor handling og effekt kan måles.
6. Beslut på forhånd, hvornår modellen skal stoppes, ændres eller udvides.

En pilot bør have en konkret beslutning knyttet til sig. Eksempler kan være: Skal denne mark vandes i nat? Skal denne zone lækagesøges først? Skal skylletiden i denne proces ændres? Skal køletårnet have en anden driftsprofil? Uden en sådan beslutning bliver projektet let en analyseøvelse.

Hvornår giver AI mindre mening end enklere styring?

AI giver mindre mening, når vandforbruget er lavt, stabilt og let at forklare. Hvis et anlæg bruger omtrent samme mængde vand hver dag, og afvigelser hurtigt kan ses med almindelige alarmer, er regelbaseret overvågning ofte tilstrækkelig. Det samme gælder, hvis der mangler data, eller hvis ingen har ansvar for at handle på modellens output.

AI giver også mindre mening, når den fysiske løsning allerede er oplagt. En utæt installation skal repareres. En forkert indstillet timer skal ændres. Et område uden målere skal måles, før en model kan hjælpe. En organisation bør ikke bruge en avanceret model til at udsætte en enkel beslutning.

Den mest robuste tilgang er trinvis. Brug først måling, vandbalance, vedligehold og enkle styringsregler. Brug derefter AI, når problemet kræver forudsigelse, mønstergenkendelse, prioritering eller optimering på tværs af mange variable. På den måde bliver kunstig intelligens et værktøj til vandreduktion, ikke et dyrt lag oven på uafklaret drift.

Hvilke kilder ligger til grund?

Artiklen bygger især på World Bank/FAO-data om landbrugets ferskvandsudtag, FAO’s briefing om digitale teknologier i landbrug, UN-Waters indikator for vandeffektivitet over tid, IEA’s rapport Energy and AI samt Otamendi m.fl.s studie af AI-baseret vandressourceforvaltning i Segura-bassinet.