Das Projekt


Citizen Science und Crowdsourcing

Das Oxford Wörterbuch definiert citizen science, auf Deutsch auch Bürgerwissenschaften genannt, als wissenschaftliche Arbeit, welche von BürgerInnen, oft in Zusammenarbeit mit oder unter der Leitung von professionellen ForscherInnen und wissenschaftlichen Institutionen geführt wird.

Citizen scientists, auf Deutsch BürgerwissenschaftlerInnen, werden vom Oxford Wörterbuch definiert als Angehörige der Öffentlichkeit, welche bei einer wissenschaftlichen Arbeit beteiligt sind, oft in Zusammenarbeit mit oder unter der Leitung von professionellen WissenschaftlerInnen oder wissenschaftlichen Institutionen; ein/e Amateur-ForscherIn. Citizen sciencists bieten nicht nur wertvolle Daten, sondern können zusätzlich das Bewusstsein der Öffentlichkeit für Umweltthemen, in diesem Fall zum Thema Wasser, stärken (Johnson et al. 2014).

Die Sammlung von Umweltdaten mithilfe von citizen scientists ist kein neues Konzept. Seit 1900 werden bereits jährlich zu Weihnachten Vogelzählungen durchgeführt, die mithelfen den Vogelbestand zu bestimmen. Die Audubon Weihnachts-Vogelzählung ist weltweit das längste andauernde citizen science Projekt. Aber es gibt auch andere Beispiele: der schwedische Meteorologe Tor Bergeron bat die Menschen die Schneetiefe (Bergeron 1949) und Regen (Bergeron 1960) zu messen. Heute ist das Sammeln von solchen Daten wesentlich einfacher, da Smartphones und soziale Medien genutzt werden können und so die Kommunikation zwischen citizen scientists und WissenschaftlerInnen wesentlich erleichtert wird.

Crowdsourcing („die Weisheit der Vielen“) ist eine Methode, welche unter die Kategorie citizen science fällt, wo Daten mithilfe „der Vielen“, daher einer grossen Menge an TeilnehmerInnen gesammelt werden. Jeder kann mitmachen!


Hydrologie und hydrologische Daten

Wasser ist für die Gesellschaft eine grosse Herausforderung. Daher werden HydrologInnen gebeten, wichtige Grundlagen zu erforschen, die für Entscheidungen im Wassermanagement benötigt werden. Das ist allerdings schwierig, da oft wichtige Daten nicht in ausreichender Form erhoben werden. Häufig betrifft dies auch Entwicklungsländer, wo dringende Wassermanagement-Entscheidungen getroffen werden müssen. Die Abnahme der amtlichen hydrologischen und meteorologischen Beobachtungsdaten ist oft frustrierend, vor allem in Hinblick auf die neuen Herausforderungen. Es gibt allerdings heute neue Methoden Umweltdaten zu messen, wie zum Beispiel Fernerkundung, geophysische Methoden und drahtlose Sensoren-Netzwerke. Allerdings sind wichtige hydrologische Messgrössen, wie zum Beispiel Bodenfeuchte oder Abfluss mit einer guten räumlichen und zeitlichen Auflösung weiterhin schwierig zu beobachten.


CrowdWater

CrowdWater ist ein Projekt an der Universität Zürich, am Institut für Geographie, in der Gruppe Hydrologie und Klima und wird vom SNF finanziert.

CrowdWater ist ein Doktoratsprojekt der Universität Zürich, mit dem Ziel das Potential von „crowdsourcing“, also Beobachtungen freiwilliger TeilnehmerInnen zu untersuchen. Wie der Name bereits verrät, geht es in diesem Projekt um den Bereich der Hydrologie, konkret um Wasserstand, Abfluss und Bodenfeuchte. Im Projekt werden sowohl die Möglichkeiten der Datenerhebung, als auch der potentielle Wert dieser gesammelten Daten für hydrologische Vorhersagen untersucht. Das langfristige Ziel des Projektes ist es, eine grosse Anzahl an Beobachtungen zu erheben und damit die Vorhersage hydrologischer Ereignisse wie zum Beispiel Trockenheit oder Überschwemmung zu verbessern.

Mit dem Projekt CrowdWater verfolgen wir zwei Ansätze. Einerseits untersuchen wir, wie die Öffentlichkeit an hydrologischen Beobachtungen beteiligt werden kann. Zurzeit gehen wir hierfür einem „geocaching“ Ansatz unter Verwendung von Smartphones nach. Mithilfe einer App, welche in den kommenden Monaten entwickelt wird, können TeilnehmerInnen eigene virtuelle Messstellen mithilfe von GPS und digitalen Fotos einrichten. An diesen neuen Messstellen können Beobachtungsdaten von verschiedenen TeilnehmerInnen eingeschickt werden. Diese Daten veröffentlichen wir anschliessend auf der CrowdWater Homepage.

Ein weiterer Schwerpunkt des CrowdWater Projektes ist es den möglichen Nutzen dieser Daten zu analysieren. Mithilfe von Computermodellen wird untersucht, ob diese zusätzlichen Daten tatsächlich die hydrologischen Vorhersagedaten verbessern können.

Da die App erst entwickelt wird, sammeln wir zurzeit Daten mithilfe von Informationstafeln und Papierformularen an verschiedenen Bächen und Flüssen im Grossraum Zürich. Diese Daten helfen uns, unsere Methodik zu verbessern und ermöglichen eine Untersuchung der Datenqualität. Sobald eine neue Station aufgestellt wird, werden wir dies hier auf der Homepage, sowie auf unserer Facebook Seite und unserem Twitter Konto posten.


Datensammlung

Es gibt drei verschiedene Datenarten, die wir sammeln möchten:

Für die Erhebung des Wasserstandes sollen TeilnehmerInnen den momentanen Wasserstand des jeweiligen Flusses oder Baches mit einem früheren Wasserstand auf einem Foto vergleichen. Diesem Foto wurde eine virtuelle Messlatte hinzugefügt, welche in zehn Wasserstandskategorien unterteilt ist. Das folgende Bild zeigt ein Beispiel eines Fotos mit einer solchen virtuellen Messlatte. Diese hinzugefügte Messlatte soll in etwa die typische Bandbreite zwischen Niedrig- und Hochwasser dieses Gewässers abdecken.

Wasserstand

Der Abfluss ist schwierig abzuschätzen. TeilnehmerInnen werden daher gebeten einzelne Komponenten, mit denen der Abfluss berechnet werden kann, abzuschätzen. Diese Komponenten sind: die Breite des Baches (an einem bestimmten Querschnitt des Baches), die mittlere Tiefe des Baches (an demselben Querschnitt), die Fliessgeschwindigkeit und der Materialtyp des Bachbettes. Die Fliessgeschwindigkeit kann mithilfe der sogenannten Pu-Stecken Methode gemessen werden. Für diese Methode wird ein Stecken oder ein Blatt in den Bach geworfen und die Zeit, welche der Stecken benötigt, um eine vordefinierte Distanz flussabwärts zu fliessen, wird gemessen. Dies ergibt eine Geschwindigkeit in m/s, die Standardeinheit für Fliessgeschwindigkeiten. Für ein Video über die Pu-Stecken-Methode, welche nach Pu der Bär benannt ist, klicke hier. Für alle, die es eilig haben: der Teil des Videos, welcher das Spiel erklärt, beginnt bei Minute 3:13. Der Materialtyp des Bachbettes kann verwendet werden, um die Rauigkeit des Bachbettes und somit die Reibung abzuschätzen. Grobes Material erzeugt eine höhere Rauigkeit und somit eine stärkere Reibung, was bedeutet, dass die Fliessgeschwindigkeit langsamer ist. Dafür ist die durchschnittliche Grösse des Materials im Bachbett wichtig (die möglichen Kategorien sind Sand, Kies, Geröll, Felsblöcke und Felsuntergrund), nicht jedoch Schwebstoffe oder Material welches im Bach schwimmt. Die Grafik unten stellt die Komponenten Breite, mittlere Tiefe und Materialtyp dar.

Bachparameter

Für die Bodenfeuchte wurde eine beschreibende und einfach zu verwendende Skala entwickelt (Rinderer et al. 2012). TeilnehmerInnen können zwischen sieben Klassen der Bodenfeuchte wählen, zwischen „so trocken, ich werde nicht einmal nass, wenn ich für eine längere Zeit am Boden sitze“ und „so nass, dass das Wasser bereits auf der Bodenoberfläche steht“. Die sieben Kategorien werden in der folgenden Grafik dargestellt.

Bodenfeuchte


Karte mit aktuellen Messstationen


Quellen

Bergeron, T., 1960. Operation and results of “‘Project Pluvius.’” In Physics of Precipitation, Geophys. Monogr., No. 5. Amer. Geophys. Union, pp. 152–157.

Bergeron, T., 1949. The problem of artificial control of rainfall on the globe. Part II: The coastal orographic maxima of precipitation in autumn and winter. Tellus, 1, pp.15–32.

Johnson, M.F. et al., 2014. Network environmentalism: Citizen scientists as agents for environmental advocacy. Global Environmental Change, 29, pp.235–245. Available at: http://linkinghub.elsevier.com/retrieve/pii/S0959378014001733.

Rinderer, M. et al., 2012. Sensing with boots and trousers - qualitative field observations of shallow soil moisture patterns. Hydrological Processes, 26(26), pp.4112–4120. Available at: http://doi.wiley.com/10.1002/hyp.9531.