Effektiv vandforvaltning ved hjælp af AI

Effektiv vandforvaltning med AI betyder, at sensorer, prognoser og modeller bruges til at opdage vandspild, forudsige belastning og styre ressourcer mere præcist. AI kan støtte beslutninger i forsyning, landbrug og klimatilpasning, men effekten afhænger af datakvalitet, ansvarlig drift og menneskelig kontrol.

Hvad betyder effektiv vandforvaltning med AI?

Effektiv vandforvaltning handler ikke kun om at bruge mindre vand. Det handler om at bruge den rigtige mængde vand på det rigtige tidspunkt, opdage tab tidligt og prioritere indsatser, før små afvigelser bliver til større driftsproblemer. AI kan bidrage ved at finde mønstre i data, som er svære at se manuelt, især når data kommer fra mange kilder på samme tid.

I praksis kan et AI-system sammenholde målere, vejrprognoser, vandtryk, jordfugtighed, satellitdata, historisk forbrug og driftslogfiler. Formålet er ikke at erstatte fagpersoner, men at give dem et bedre beslutningsgrundlag. En model kan foreslå, hvor en lækage sandsynligvis findes, hvornår et vandingsvindue er mest hensigtsmæssigt, eller hvilke områder der bør følges tæt ved risiko for tørke eller oversvømmelse.

Den mest nyttige anvendelse opstår, når AI kobles til et klart driftsmål. Det kan være lavere vandtab i et ledningsnet, mere præcis vanding i landbrug, bedre beredskab ved ekstremnedbør eller mere gennemsigtig prioritering mellem forbrugere, natur og produktion. Hvis målet er uklart, kan teknologien give flotte analyser uden praktisk effekt.

AI er derfor et styringslag oven på eksisterende vandfaglighed. Det kan gøre data-processering hurtigere og mere konsekvent, men det ændrer ikke de fysiske begrænsninger: rør kan stadig sprænge, pumper kan fejle, målere kan være forkerte, og vandmagasiner kan være pressede.

Hvorfor er data vigtigere end selve modellen?

AI i vandforvaltning begynder med målinger. En model kan kun opdage relevante mønstre, hvis data beskriver virkeligheden tilstrækkeligt godt. Vandtryk, flow, nedbør, grundvandsstand, vandkvalitet, temperatur, jordfugtighed og forbrugsdata fortæller hver især en del af historien. Uden sammenhæng mellem dem bliver modellen let en avanceret gættemaskine.

Derfor er datadækning ofte den største praktiske begrænsning. Et forsyningsselskab kan have gode hovedmålere, men få sensorer ude i nettet. Et landbrug kan have satellitbilleder og vejrdata, men mangle lokale jordfugtighedsmålinger. En kommune kan have skybrudsdata, men ikke et samlet billede af afløbssystem, terræn, veje og kritiske bygninger.

WMO’s seneste globale vandressourcerapport fremhæver behovet for bedre monitorering og datadeling, fordi vandcyklussen i stigende grad viser store afvigelser på tværs af floder, reservoirer, søer, grundvand og gletsjere. Det er en direkte pointe for AI: bedre modeller kræver bedre observationer. Jo mere usikkert datagrundlaget er, desto mere forsigtigt bør AI-resultater omsættes til handling.

God datastyring indebærer også klare definitioner. En lækagealarm, et tørkeindeks, en vandkvalitetsafvigelse og et normalt forbrugsmønster skal defineres på forhånd. Ellers kan forskellige afdelinger tolke den samme model forskelligt. Et fælles sprog for data gør AI mere anvendelig og lettere at revidere.

Hvilke vandproblemer kan AI opdage tidligere?

AI er særlig nyttig, når et problem viser sig som små ændringer i store datamængder. I et vandledningsnet kan et uventet trykfald, natforbrug eller flowmønster pege på en lækage. I et vandløb kan afvigende temperatur, turbiditet eller vandstand indikere en miljøændring. I landbrug kan jordfugtighed og vejrprognoser afsløre, at en mark snart rammer vandstress.

De typiske anvendelser kan samles i fire grupper:

• Afvigelsesdetektion, hvor modellen markerer målinger, der ikke passer til normalt mønster.
• Prognoser, hvor modellen forudsiger forbrug, vandstand, vandingsbehov eller belastning.
• Optimering, hvor modellen foreslår en rækkefølge for ventiler, pumper, vanding eller vedligehold.
• Prioritering, hvor knappe ressourcer målrettes de områder, hvor risiko eller effekt er størst.

En tidlig advarsel er dog ikke det samme som en sikker diagnose. Et lavere tryk kan skyldes lækage, ventilændring, målefejl eller usædvanligt forbrug. AI bør derfor bruges til at indsnævre feltet og udløse kontrol, ikke til automatisk at konkludere årsagen uden validering.

For læseren betyder det, at værdien sjældent ligger i én enkelt model. Den ligger i en samlet arbejdsgang, hvor målinger bliver tolket, verificeret og omsat til handling. Et system, der giver færre, men mere præcise alarmer, kan være mere værd end et system, der registrerer alt og overbelaster driftspersonalet.

Hvordan bruges AI i byernes vandforsyning?

I byernes vandforsyning kan AI bruges til at analysere ledningsnet, pumper, trykzoner, reservoirer, målere og forbrug. Målet er ofte at reducere vandtab, stabilisere forsyningen og opdage fejl tidligere. Verdensbanken peger på, at sensorteknologi, datastyring og beregning kan hjælpe vandsektoren med at overvåge vandkvalitet, optimere forsyning og forbedre beslutninger.

Et praktisk eksempel er lækagedetektion. Hvis et område normalt har lavt natforbrug, men flowet pludselig stiger, kan en model sammenligne ændringen med vejr, sæson, historik og trykdata. Systemet kan derefter rangere sandsynlige problemzoner, så teknikere kan lede mere målrettet. Det kan spare tid, især i store net med mange gamle rør.

AI kan også bruges til trykstyring. For højt tryk kan øge belastningen på rør og ventiler, mens for lavt tryk kan give serviceproblemer. En model kan foreslå justeringer, men selve styringen bør være afgrænset af tekniske sikkerhedsregler. I kritiske systemer må optimering ikke gå foran drikkevandssikkerhed, forsyningssikkerhed eller dokumenteret beredskab.

I byer med mange datakilder kan AI desuden understøtte vedligehold. I stedet for at udskifte rør efter alder alene kan organisationen kombinere alder, materiale, jordbund, brudhistorik, trykvariationer og konsekvens ved fejl. Det giver en mere risikobaseret plan, hvor de mest sårbare dele af nettet prioriteres først.

Hvordan kan AI styre vanding i landbrug?

I landbrug kan AI hjælpe med at bestemme, hvor meget vand en afgrøde har brug for, og hvornår vanding giver størst effekt. Det kan ske ved at kombinere jordfugtighedsmålere, vejrprognoser, satellitbilleder, dronedata, afgrødetype og historiske udbyttedata. Formålet er at undgå både undervanding og unødigt forbrug.

FAO beskriver digitalt landbrug som et område, hvor AI, satellitdata, UAV’er, variable rate technologies og landbrugsrobotter kan støtte bedre ressourcebrug. Rapporten nævner blandt andet, at landbrugsrobotter kan måle, kortlægge og optimere vand- og irrigationsbrug, og at droner og variable teknologier kan bidrage til lavere vand- og pesticidforbrug. Det er ikke en garanti for bestemte besparelser, men det viser, hvor teknologien passer ind.

En nyttig AI-løsning i marken skal tage højde for, at vandbehov ikke er jævnt fordelt. Lavninger, jordtype, afgrødestadie, skygge, vind og fordampning kan ændre behovet inden for samme mark. En model kan opdele marken i zoner og foreslå forskellig vanding, hvis vandingsudstyret kan styres præcist nok.

Der er en tæt forbindelse til AI i agroteknologisk forskning, men driftsbrug kræver mere end forskningsresultater. Sensorer skal vedligeholdes, beslutninger skal kunne forklares, og landmanden skal kunne tilsidesætte anbefalinger, hvis lokale forhold ændrer sig. AI bør gøre vandingen mere informeret, ikke fjerne den agronomiske vurdering.

Hvad kan AI gøre ved oversvømmelse og tørke?

AI kan ikke forhindre ekstremt vejr, men teknologien kan hjælpe med at forberede beslutninger. Ved oversvømmelse kan modeller sammenholde nedbørsprognoser, terræn, kloakdata, jordmætning, vandløb og havvandstand. Ved tørke kan de analysere reservoirer, grundvand, jordfugtighed, afgrødebehov og forventet nedbør. I begge tilfælde handler det om tidligere signaler og mere præcis prioritering.

WMO rapporterer, at kun en tredjedel af verdens flodbassiner havde normale forhold i 2024, og at rapporten efterlyser mere monitorering og datadeling. Sådanne tal gør det tydeligt, hvorfor vandforvaltning ikke kan bygge på historiske gennemsnit alene. Et klima med større udsving kræver modeller, der kan håndtere usikkerhed og opdateres, når nye målinger kommer ind.

AI kan for eksempel hjælpe en kommune med at identificere, hvilke veje, kældre, pumpestationer eller plejehjem der er mest udsatte ved en bestemt regnhændelse. I tørkeperioder kan en vandmyndighed bruge modeller til at se, hvor begrænsninger i vandindvinding rammer hårdest, og hvor alternative vandkilder eller midlertidig prioritering bør vurderes.

Det er beslægtet med bredere AI til forvaltning af naturressourcer, hvor systemet ikke kun optimerer én teknisk komponent, men balancerer flere hensyn. Vand til husholdninger, fødevareproduktion, energi, natur og industri kan ikke altid maksimeres samtidigt. AI kan synliggøre trade-offs, men den kan ikke selv afgøre den politiske prioritering.

Hvornår giver en digital tvilling mening?

En digital tvilling er en løbende opdateret model af et fysisk system. I vandforvaltning kan det være et ledningsnet, et vandløbsopland, et reservoir, et renseanlæg eller et irrigationssystem. Modellen kan bruges til at teste scenarier, før der ændres i den virkelige drift.

Digital tvilling giver især mening, når systemet er komplekst, ændringer er dyre, og konsekvensen af fejl er høj. Et forsyningsselskab kan simulere, hvad der sker, hvis en pumpe tages ud af drift. En kommune kan undersøge, hvordan et skybrud bevæger sig gennem et område. Et landbrugskollektiv kan vurdere, hvordan forskellige vandingsstrategier påvirker samlet vandforbrug over en sæson.

AI kan være et lag i den digitale tvilling, men de to begreber er ikke det samme. En hydraulisk model kan beskrive rør, tryk og flow uden AI. En AI-model kan forudsige forbrug uden at være en fuld digital tvilling. Kombinationen bliver stærk, når en fysisk forståelig model suppleres med mønstergenkendelse fra måledata.

Hvilke datafejl kan give dårlige beslutninger?

Datafejl i vandforvaltning er sjældent små detaljer. En måler, der driver langsomt, kan få et område til at se mere effektivt ud, end det er. En vejrstation langt fra marken kan give en forkert vurdering af fordampning. En sensor i et rør kan være korrekt placeret til normal drift, men dårlig til at opdage en bestemt type lækage.

De mest almindelige problemer er manglende målinger, tidsforsinkelse, fejlkalibrering, databrud, uens formater og historiske data, der ikke længere passer til de nye klimaforhold. AI kan nogle gange opdage huller og afvigelser, men den kan også skjule dem, hvis resultatet præsenteres som en præcis anbefaling uden usikkerhed.

Organisationer bør derfor arbejde med datakvalitet før modelvalg. Det indebærer faste rutiner for kalibrering, versionsstyring af datasæt, dokumentation af sensorer og en tydelig markering af usikre målinger. Når en model bruges til driftsbeslutninger, bør der også være logning af, hvilke data der lå bag anbefalingen på tidspunktet.

En enkel tommelfingerregel er at spørge, om beslutningen kunne forklares for en fagperson uden adgang til modellen. Hvis svaret er nej, mangler der enten forklaringsdata, procesbeskrivelse eller kontrolpunkter. Det er særlig relevant, når AI bruges til vandkvalitet, forsyningssikkerhed eller fordeling af en knap ressource.

Hvordan bør mennesker holde kontrol med systemet?

Menneskelig kontrol i AI-baseret vandforvaltning handler om at definere grænser, kontrollere anbefalinger og sikre, at systemet ikke optimerer snævert på et mål, der skader helheden. Et system kan for eksempel reducere energiforbrug i pumpning, men samtidig skabe uønskede trykvariationer. Det kan spare vand i en mark, men øge risikoen for lavere udbytte, hvis modellen undervurderer lokal tørke.

Kontrol bør placeres flere steder i arbejdsgangen:

1. Før brug: Definer formål, risikoniveau, datakilder, beslutningsret og stopkriterier.
2. Under brug: Overvåg alarmer, modeldrift, usikkerhed og afvigelser fra normal praksis.
3. Efter brug: Sammenlign anbefalinger med faktiske hændelser, fejl og driftsresultater.

Det er ikke nok at have en person, der formelt kan trykke stop. Personen skal have tilstrækkelig information til at forstå, hvorfor systemet anbefaler en handling. Hvis forklaringen kun er en score uden kontekst, bliver kontrollen svag. Driftspersoner har brug for konkrete indikatorer: hvilke målinger ændrede sig, hvilken historik ligner situationen, og hvilken usikkerhed er knyttet til anbefalingen.

For organisationer i Danmark er det ofte en fordel at adskille pilotprojekter fra drift. En model kan først bruges som observationsværktøj, derefter som beslutningsstøtte og først senere som del af automatiseret styring. Hvert trin bør have dokumenterede kriterier for, hvornår systemet er modent nok til næste niveau.

Hvilke regler og sikkerhedskrav kan få betydning?

Vandforsyning er en samfundskritisk funktion. Derfor skal AI i vandforvaltning vurderes anderledes end AI, der kun bruges til intern analyse. Hvis et system påvirker sikkerhed, drift eller beredskab i en vandforsyning, kan krav til dokumentation, risikostyring, cybersikkerhed og menneskelig overvågning få stor betydning.

EU’s AI Act klassificerer AI-systemer, der bruges som sikkerhedskomponenter i forvaltning og drift af blandt andet vandforsyning, som højrisiko-AI. Det betyder ikke, at enhver analyse af vanddata er højrisiko. En intern rapportmodel og et system, der styrer eller beskytter kritisk infrastruktur, er forskellige situationer. Afgrænsningen bør foretages konkret.

Sikkerhed handler også om adgang til data og systemer. Sensorer, API’er, fjernstyring, cloudmiljøer og driftsplatforme kan skabe nye angrebsflader. Et AI-system, der samler data på tværs af forsyning, geografi og forbrug, kan være værdifuldt for driften, men det kræver klar adgangsstyring og logning.

Derfor bør AI i vandforsyning kobles til eksisterende AI-sikkerhedsprotokoller og standarder. Det praktiske spørgsmål er ikke, om AI er sikkert i sig selv, men om den konkrete løsning kan dokumenteres, testes, overvåges og afbrydes uden at bringe forsyningen i fare.

Hvordan kan en organisation begynde i praksis?

En god begyndelse er at vælge et afgrænset problem, hvor der allerede findes data og en tydelig driftsmæssig gevinst. Det kan være lækagealarmer i én trykzone, bedre prognoser for vandbehov i et bestemt område, prioritering af rørinspektion eller optimering af vanding på udvalgte marker. Små afprøvninger gør det lettere at måle effekt og opdage dataproblemer.

En praktisk rækkefølge kan se sådan ud:

• Definer beslutningen: Hvilken handling skal AI faktisk forbedre?
• Kortlæg data: Hvilke målinger findes, hvor ofte opdateres de, og hvem ejer dem?
• Fastlæg kontrol: Hvem må ændre drift, og hvornår skal menneskelig godkendelse kræves?
• Test mod historik: Kan modellen genkende kendte hændelser uden for mange falske alarmer?
• Mål effekt: Følg vandtab, responstid, energiforbrug, fejlrate eller andre relevante indikatorer.

Det er fristende at begynde med den mest avancerede model. I vandforvaltning er det ofte bedre at begynde med et enkelt dashboard, gode datakilder og et klart beslutningspunkt. Først når organisationen ved, hvilke data der er stabile, og hvilke beslutninger der gentages ofte, giver mere avanceret AI mening.

Hvis målet er reduktion af vandforbrug med kunstig intelligens, bør effekten måles i konkrete driftsindikatorer. Det kan være mindre spild, færre manuelle inspektioner, hurtigere reaktion på lækager eller bedre vandingspræcision. En generel teknologirapport er ikke nok til at vise, om vandforvaltningen faktisk er blevet mere effektiv.

Hvornår er AI ikke den rette løsning?

AI er ikke den rette løsning, når problemet skyldes manglende vedligehold, uklart ansvar eller for få grundmålinger. Hvis et ledningsnet ikke er kortlagt, hvis sensorer ikke kalibreres, eller hvis ingen har mandat til at handle på en alarm, vil en model kun gøre problemet mere synligt. Den løser det ikke.

AI bør også fravælges eller udskydes, når beslutningen kræver værdimæssig prioritering snarere end mønstergenkendelse. Fordeling af vand i en tørkeperiode kan kræve politiske, miljømæssige og sociale hensyn. En model kan beskrive konsekvenser, men den bør ikke alene afgøre, hvem der skal begrænses, eller hvilke økosystemer der skal prioriteres.

Nogle vandopgaver løses bedre med kendt styringsteknik, hydrauliske beregninger eller manuel inspektion. En simpel trykregulator, bedre målerplacering eller en opdateret vedligeholdsplan kan give større effekt end en kompleks model. AI bør vælges, når der findes gentagne beslutninger, tilstrækkelige data og en realistisk mulighed for at handle på resultatet.

Det nøgterne mål er ikke mest mulig automatisering. Målet er bedre vandforvaltning. AI er relevant, når teknologien gør beslutninger hurtigere, mere præcise eller mere gennemsigtige uden at fjerne ansvar, sikkerhed eller lokal faglig vurdering.

Hvad betyder udviklingen for klima- og ressourcearbejde?

Vandforvaltning er tæt forbundet med klima, energi, fødevarer og natur. Når vandcyklussen bliver mere uforudsigelig, bliver det vanskeligere at planlægge efter historiske normaler. AI kan bidrage ved at samle observationer og scenarier, så beslutningstagere tidligere kan se, hvor risikoen stiger.

Det gør teknologien relevant for både klimatilpasning og ressourceeffektivitet. Et bedre varsel kan give tid til at flytte mobile barrierer, ændre pumpestrategi eller forberede sårbare områder. En bedre vandingsprognose kan reducere unødvendigt forbrug og samtidig beskytte afgrøder. En bedre analyse af vandkvalitet kan hjælpe med at opdage forurening eller økosystempres tidligere.

Samtidig bruger digitale systemer også ressourcer. Sensorer skal produceres, data skal lagres, og modeller skal beregnes. I de fleste vandprojekter er den største klimarelevans dog ikke selve beregningen, men om systemet faktisk reducerer spild, energi, fejludrykninger eller unødvendig vandindvinding. Effekten bør derfor måles på hele arbejdsgangen.

AI i vandforvaltning bør ses som en del af bredere klimatilpasningsstrategier med kunstig intelligens. Den bedste anvendelse er ofte tværfaglig: vandteknikere, hydrologer, agronomer, it-sikkerhed, datamedarbejdere og lokale beslutningstagere skal kunne forstå og udfordre systemet.

Hvilke kilder ligger til grund?

Artiklen bygger især på WMO’s State of Global Water Resources 2024, UN-Water-rapporten Water for Prosperity and Peace, Verdensbankens oversigt over innovation i vandsektoren, FAO’s briefing om digitale teknologier i landbrug og EU’s AI Act.