Evaluating a post-incident drinking water quality monitoring network using consumer complaints and verified leak events​​

Stellen Sie sich die Wasserleitungen einer Stadt wie ein riesiges, verborgenes Nervensystem vor. Seit Jahrzehnten verlassen sich die Wasserversorger auf eine einfache, menschliche Art und Weise, um zu wissen, ob mit diesem System etwas nicht stimmt: Sie warten darauf, dass Menschen anrufen. Wenn ein Wasserhahn braunes Wasser ausspuckt oder das Wasser seltsam riecht, greift ein Bewohner zum Telefon. Diese Beschwerden waren lange Zeit die primäre Alarmglocke für Probleme der Wasserqualität, ein direkter Bericht des Verbrauchers an den Versorger. In den letzten Jahren hat die Technologie jedoch einen anderen Ansatz geboten. Städte installieren nun elektronische Sensoren an Schlüsselpunkten im Netzwerk – Geräte, die ständig die Klarheit, die chemische Balance und die Temperatur des Wassers messen. Die Hoffnung ist, dass diese Maschinen ein Problem erkennen können, bevor eine einzige Person eine Veränderung bemerkt, und so als Frühwarnsystem fungieren, um weitreichende Probleme zu verhindern. Doch eine entscheidende Frage bleibt: Sitzen diese Sensoren tatsächlich an den richtigen Stellen, um die Probleme zu erfassen, die echte Menschen erleben? Wenn die Sensoren die falschen Stadtteile überwachen, könnte selbst die fortschrittlichste Technologie der Welt das Unheil übersehen.

Im Jahr 2019 löste ein schwerwiegender Vorfall in Incheon, Südkorea, eine massive Welle von Beschwerden über „rotes Wasser“ aus. Die Verfärbung hielt Wochen an, betraf einen großen Teil der Stadt und verursachte erheblichen wirtschaftlichen Schaden. In der Folge installierte der örtliche Wasserversorger ein Netzwerk hochmoderner Messstationen in dem betroffenen Gebiet. Diese Stationen wurden an den Eingängen spezifischer Bezirke platziert, sogenannten Bezirksmessgebieten (District Metered Areas), die dazu dienen, die Wasserqualität für diese Nachbarschaften zu überwachen. Das Ziel war es, ein Sicherheitsnetz zu schaffen, das zukünftige Probleme sofort erkennen kann. Zwei Jahre später machte sich ein Forscher auf den Weg, um zu testen, ob dieses neue Netzwerk tatsächlich seine Aufgabe erfüllt. Die Methode war einfach, aber streng: Anstatt nur zu betrachten, was die Sensoren sahen, verglich der Forscher die Sensordaten direkt mit den tatsächlichen Beschwerden, die Bewohner während desselben Zeitraums eingereicht hatten. Die Studie stellte eine einfache, ehrliche Frage: Wenn Menschen sich über schlechtes Wasser beschwerten, beobachteten die nahegelegenen Sensoren dies auch?

Die Untersuchung begann mit der Betrachtung eines spezifischen Ereignisses im September 2022. Die Sensoren registrierten eine massive, stadtweite Welle von Veränderungen der Wasserqualität. Früh am Morgen bewegte sich eine Störung durch das Netzwerk und verursachte einen Anstieg der Trübung, der von zweiundzwanzig der dreiundzwanzig Messstationen erfasst wurde. Diese Datenwelle wanderte in einem klaren, sequenziellen Muster durch das System. Bemerkenswerterweise trat dieses elektronische Signal etwa zwei Tage vor den ersten Beschwerden der Bewohner auf. An dem Tag, als die Beschwerden schließlich anstiegen und einen Höhepunkt von einhundertvierzig Anrufen an einem einzigen Tag erreichten, hatten die Sensoren das Problem bereits seit geraumer Zeit verfolgt. Dieser Teil der Studie zeigte, dass das Netzwerk in der Lage war, seine beabsichtigte Funktion auf einer großen Skala zu erfüllen. Es konnte eine massive Störung im Netz erkennen und die Behörden alarmieren, noch bevor die Öffentlichkeit überhaupt wusste, dass etwas nicht stimmte. Die Technologie funktionierte als breites Frühwarnsystem für die gesamte Stadt.

Die Geschichte änderte sich jedoch dramatisch, als der Forscher den Blickwinkel verengte, um die spezifischen Stadtteile zu untersuchen, aus denen die Anrufe kamen. Die Analyse enthüllte eine krasse und überraschende Lücke. Während die Sensoren exzellent darin waren, das große Ganze zu sehen, waren sie fast völlig blind für die lokalen Probleme, die die Bewohner frustrierten. Als der Forscher die Beschwerden den spezifischen Bezirken zuordnete, aus denen sie stammten, zeichnete sich ein klares Muster ab: Vierundachtzig Prozent der Beschwerden über wahrnehmbare Probleme der Wasserqualität kamen aus Stadtteilen, in denen es überhaupt keine Sensoren gab. Die Sensoren waren in Bezirken platziert, die zwar aus hydraulischen Gründen wichtig waren, aber nicht die Orte, an denen die Wasserqualität für die dort lebenden Menschen tatsächlich versagte. Die sieben Stadtteile mit der höchsten Anzahl an Beschwerden waren alle unüberwacht. Das am stärksten betroffene Gebiet während des Ereignisses im September – ein Bezirk, der das höchste Volumen an Anrufen verzeichnete – besaß keinen Sensor, der die Krise aufgezeichnet hätte. Die Sensoren beobachteten die falschen Orte.

Diese Diskrepanz bedeutete, dass die Sensoren nicht als lokales Frühwarnsystem dienen konnten. Selbst als die Forscher versuchten, eine Verbindung zwischen den Sensordaten und den Beschwerden auf täglicher Basis zu finden, fanden sie nichts. Die Sensoren versäumten es nicht, das Wasser zu detektieren; sie befanden sich schlichtweg nicht an den richtigen Stellen, um das Wasser zu sehen, das die Bewohner tranken. Die Studie schloss die Möglichkeit aus, dass die Sensoren zu unempfindlich oder die Algorithmen zu streng waren. Das Problem war rein die Platzierung. Die Sensoren wurden basierend auf administrativer Bequemlichkeit und dem Layout der Rohre installiert, nicht basierend darauf, wo die Bewohner tatsächlich Probleme erlebten. Die Forschung zeigte, dass, wenn der Versorger die gleiche Anzahl an Sensoren in den Stadtteilen mit den meisten Beschwerden platziert hätte, sie fast neunzig Prozent der Problemgebiete abgedeckt hätten, statt der derzeit nur sechzehn Prozent.

Die Studie untersuchte auch, ob die Sensoren physische Ereignisse wie Rohrbrüche erkennen könnten. Durch die Analyse von Daten aus verifizierten Leckreparaturen fanden die Forscher heraus, dass die Sensoren eine kleine, aber messbare Veränderung der Wasserklarheit innerhalb von achtundvierzig Stunden registrierten, wenn ein Leck innerhalb eines überwachten Stadtteils auftrat. Dies bestätigte, dass die Sensoren empfindlich genug waren, um die physischen Auswirkungen eines Rohrbruchs zu erfassen. Dennoch war dieser Erfolg auf die wenigen Stadtteile beschränkt, in denen sich die Sensoren zufällig befanden. Für den Großteil der Stadt, in dem Lecks und Reparaturen in unüberwachten Blöcken stattfanden, blieben die Sensoren stumm. Die Technologie funktionierte, aber ihr Wert wurde durch ihren Einsatzort massiv eingeschränkt.

Die endgültige Schlussfolgerung der Untersuchung ist eine Lektion über die Grenzen der Technologie ohne Kontext. Ein Überwachungsnetzwerk ist nur so gut wie seine Platzierung. Die Installation teurer Sensoren in den falschen Stadtteilen erzeugt eine falsche Sicherheit, da das System genau die Probleme übersehen wird, die es eigentlich erfassen sollte. Die Studie legt nahe, dass Versorger sich bei der Entscheidung über die Platzierung von Sensoren nicht nur auf Ingenieursmodelle oder Rohrleitungskarten verlassen sollten. Stattdessen sollten sie den Menschen zuhören. Indem Städte die Historie der Kundenbeschwerden nutzen, um die Platzierung der Sensoren zu steuern, könnten sie sicherstellen, dass ihre hochtechnologischen Überwachungssysteme tatsächlich die Gebiete überwachen, in denen die Menschen Schutz am dringendsten benötigen. Die Sensoren in Incheon bewiesen, dass sie eine stadtweite Welle sehen konnten, aber sie scheiterten daran, die lokalen Wellenbewegungen zu erkennen, die für die dort lebenden Menschen von Bedeutung waren. Der Weg nach vorn liegt nicht unbedingt in besseren Sensoren, sondern in einer klügeren Platzierung, die die Stimmen der Bewohner nutzt, um die Augen der Maschinen zu führen.