Smart Water Consumption Landscapes for Urban Slum Areas

Die Zunahme von Slumgebieten auf derzeit rund 30% der Bevölkerung in Entwicklungsländern stellt eine große Herausforderung an städtebauliche Kapazitäten dar. Sie hat dazu geführt, dass sich der Staat und seine Dienstleistungen, wie z.B. die Wasserversorgung, dauerhaft aus diesen Gebieten zurückgezogen haben. Besonders die ohnehin schon schutzlose Slum-Bevölkerung leidet unter dem drohenden Mangel an Wasserversorgung und Abwasserentsorgung, was die Verfolgung des UN-Ziels der nachhaltigen Entwicklung 6 ("sauberes Wasser und Abwasserentsorgung für alle") gefährdet. Um wesentliche Wasserversorgungsleistungen in städtischen Slums auszuweiten, könnte die Gesellschaft der Zukunft auf KI-basierte Erdbeobachtungstechniken (EO) als Grundlage für ein neues Planungsparadigma zurückgreifen, das die Reichweite der staatlichen Planungskapazitäten in diesen Gebieten wiederherstellt. Eine Vielzahl von EO-Satelliten mit neuartigen Sensortechnologien und Missionskonzepten sind bereits in Betrieb oder werden in naher Zukunft gestartet. Die daraus resultierenden beispiellosen Datenmengen haben eine rasante Entwicklung von Techniken des maschinellen Lernens in der Erdbeobachtung (AI4EO) als leistungsfähiges und vergleichsweise kostengünstiges Instrument zur Bewältigung immer komplexerer gesellschaftlicher Fragen, wie der Vorhersage von Armutsrisiken in Entwicklungsländern, angetrieben.
Basierend auf einer explorativen Fallstudie über Pune, Indien, schlagen wir vor, eine interdisziplinäre Zusammenarbeit aufzubauen, die ausgefeilte AI4EO-Techniken mit einem auf sozioökonomischen Erhebungen basierenden Ansatz zu einem hydroökonomischen Multi-Agenten-Modell kombiniert und ein neues urbanes Wassermanagement-Paradigma bereitstellt, das es Städten auf der ganzen Welt ermöglichen wird, den Zugang zu sauberem Wasser in städtischen Slums zu verbessern.