library(kwb.impetus)
### Surface water inflows to Berlin
kwb.impetus::q_surface_water
#> # A tibble: 6 × 10
#> fliessgewaesser pegel mq.1991_2017 mnq.1991_2017 nq.1991_2017 nnq.value
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 Dahme Neue… 9.13 0.69 0.2 0.03
#> 2 Oder-Spree-Kanal Wern… 7.9 0.95 0.54 0.1
#> 3 Spree Groß… 12.3 3.04 1.01 1.01
#> 4 Havel Borg… 12.3 2.69 1.7 1.66
#> 5 Wuhle Am B… 0.51 0.23 0.06 0.06
#> 6 Fredersdorfer Mühlenf… Hege… 0.2 0 0 0
#> # ℹ 4 more variables: nnq.date <chr>, mq.2018 <dbl>, mq.2019 <dbl>,
#> # mq.2020 <dbl>
surface_inflows <- kwb.impetus::q_surface_water %>%
dplyr::select(tidyselect::starts_with("mq.")) %>%
dplyr::summarise(dplyr::across(.fns = sum))
#> Warning: There was 1 warning in `dplyr::summarise()`.
#> ℹ In argument: `dplyr::across(.fns = sum)`.
#> Caused by warning:
#> ! Using `across()` without supplying `.cols` was deprecated in dplyr 1.1.0.
#> ℹ Please supply `.cols` instead.
zufluesse <- surface_inflows %>%
tidyr::pivot_longer(
names_to = "parameter",
values_to = "m3_per_second",
cols = tidyselect::everything()
) %>%
dplyr::mutate(
million_m3.per_year = .data$m3_per_second * 365 * 3600 * 24 / 1000000,
parameter = .data$parameter %>%
stringr::str_replace("mq.", "Mittlerer Oberflächenwasserzufluss (") %>%
stringr::str_replace("_", "-") %>%
stringr::str_c(")")
) %>%
dplyr::mutate(referenz = "https://www.berlin.de/sen/uvk/_assets/umwelt/wasser-und-geologie/niedrigwasser/niedrigwasser_berlin_2018-2020.pdf#page=16")
### https://www.bundestag.de/resource/blob/700220/9e2b154d8c50f289702d6ee82cef0cbe/PPT-Socher-data.pdf#page=18
suempfungswaesser <- tibble::tibble(
parameter = "Sümpfungswässer (Lausitzer Revier)",
million_m3.per_year = 144,
m3_per_second = m3_per_year_in_m3_per_second(.data$million_m3.per_year *
1E6),
referenz = "https://www.bundestag.de/resource/blob/700220/9e2b154d8c50f289702d6ee82cef0cbe/PPT-Socher-data.pdf#page=18"
)
randbedingungen_extern <-
list(Suempfungswaesser = suempfungswaesser,
Zufluesse = zufluesse) %>% dplyr::bind_rows() %>%
dplyr::relocate(.data$parameter)
#> Warning: Use of .data in tidyselect expressions was deprecated in tidyselect 1.2.0.
#> ℹ Please use `"parameter"` instead of `.data$parameter`
#> This warning is displayed once every 8 hours.
#> Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
#> generated.
crs_target <- 4326
berlin <-
kwb.fisbroker::read_wfs(dataset_id = "s_wfs_alkis_land") %>%
sf::st_transform(crs = crs_target)
#> Importing WFS dataset_id 's_wfs_alkis_land' from FIS-Broker ... ok. (1.29 secs)
### Water Balance (ABIMO 2017) from FIS-Broker
gwneu2017 <-
kwb.fisbroker::read_wfs(dataset_id = "s02_17gwneu2017") %>%
sf::st_transform(crs = crs_target)
#> Importing WFS dataset_id 's02_17gwneu2017' from FIS-Broker ... ok. (13.02 secs)
## ohne Strassenflaechen
sum(sf::st_area(gwneu2017))
#> 737448657 [m^2]
## mit Strassenflaechen
sum(gwneu2017$flaeche)
#> [1] 837255554
## Wasserflaechen
area_water <-
as.numeric(sf::st_area(berlin)) - sum(gwneu2017$flaeche)
### potential evaporation (for Wasserflaechen)
dwd.1991_2017 <- kwb.impetus::dwd_berlin_monthly %>%
dplyr::filter(parameter %in% c("evapo_r", "evapo_p", "precipitation"),
year >= 1991,
year <= 2017) %>%
dplyr::group_by(parameter, year) %>%
dplyr::summarise(value = sum(.data$mean)) %>%
dplyr::ungroup() %>%
dplyr::group_by(parameter) %>%
dplyr::summarise(value = mean(.data$value)) %>%
tidyr::pivot_wider(names_from = parameter, values_from = value)
## ABIMO Mass Balance Error
## Regen, Unkorrigiert (x 1.09)
regen_unkor_mm <-
sum(gwneu2017$regenja * gwneu2017$flaeche) / sum(gwneu2017$flaeche)
regen_kor_mm <-
sum((gwneu2017$verdunstun + gwneu2017$row + gwneu2017$ri) * gwneu2017$flaeche) /
sum(gwneu2017$flaeche)
regen_kor_mm
#> [1] 622.4107
regen_korrektur_faktor <- regen_kor_mm / regen_unkor_mm
regen_kor_m3 <- regen_kor_mm / 1000 * sum(gwneu2017$flaeche)
regen <- tibble::tibble(
mm.per_year = round(regen_kor_mm, 0),
million_m3.per_year = m3_to_million_m3(regen_kor_m3),
m3_per_second = m3_per_year_in_m3_per_second(regen_kor_m3)
)
verdunstung_m3 <- sum(gwneu2017$verdunstun / 1000 * gwneu2017$flaeche)
verdunstung_m3 # m3/Jahr
#> [1] 307820020
m3_per_year_in_m3_per_second(verdunstung_m3) # m3/s
#> [1] 9.8
verdunstung_mm <-
sum(gwneu2017$verdunstun * gwneu2017$flaeche) / sum(gwneu2017$flaeche)
verdunstung_mm # mm/Jahr
#> [1] 367.6536
verdunstung <- tibble::tibble(
mm.per_year = round(verdunstung_mm, 0),
million_m3.per_year = m3_to_million_m3(verdunstung_m3),
m3_per_second = m3_per_year_in_m3_per_second(verdunstung_m3)
)
oberflaechenabfluss_m3 <-
sum(gwneu2017$row / 1000 * gwneu2017$flaeche)
oberflaechenabfluss_m3 # m3/Jahr
#> [1] 71796279
m3_per_year_in_m3_per_second(oberflaechenabfluss_m3) # m3/s
#> [1] 2.3
oberflaechenabfluss_mm <-
sum(gwneu2017$row * gwneu2017$flaeche) / sum(gwneu2017$flaeche)
oberflaechenabfluss_mm # mm/Jahr
#> [1] 85.75193
oberflaechenabfluss <- tibble::tibble(
mm.per_year = round(oberflaechenabfluss_mm, 0),
million_m3.per_year = m3_to_million_m3(oberflaechenabfluss_m3),
m3_per_second = m3_per_year_in_m3_per_second(oberflaechenabfluss_m3)
)
interflow_m3 <-
sum((gwneu2017$ri - gwneu2017$ri_k) / 1000 * gwneu2017$flaeche)
interflow_mm <-
sum((gwneu2017$ri - gwneu2017$ri_k) * gwneu2017$flaeche) / sum(gwneu2017$flaeche)
zwischenabfluss <- tibble::tibble(
mm.per_year = round(interflow_mm, 0),
million_m3.per_year = m3_to_million_m3(interflow_m3),
m3_per_second = m3_per_year_in_m3_per_second(interflow_m3)
)
gwn_m3 <- sum(gwneu2017$ri_k / 1000 * gwneu2017$flaeche)
gwn_mm <-
sum(gwneu2017$ri_k * gwneu2017$flaeche) / sum(gwneu2017$flaeche)
gwn <- tibble::tibble(
mm.per_year = round(gwn_mm, 0),
million_m3.per_year = m3_to_million_m3(gwn_m3),
m3_per_second = m3_per_year_in_m3_per_second(gwn_m3)
)
wasserhaushalt_berlin <- dplyr::bind_rows(regen,
verdunstung, .id = "parameter") %>%
dplyr::bind_rows(oberflaechenabfluss, .id = "parameter") %>%
dplyr::bind_rows(zwischenabfluss, .id = "parameter") %>%
dplyr::bind_rows(gwn, .id = "parameter") %>%
dplyr::mutate(referenz = "https://fbinter.stadt-berlin.de/fb/berlin/service_intern.jsp?id=s02_17gwneu2017@senstadt&type=WFS&type=WFS")
wasserhaushalt_berlin$parameter <- c(
"Regen",
"Verdunstung",
"Oberflächenabfluss",
"Zwischenabfluss",
"Grundwasserneubildung"
)
### Effektive Verdunstungsverluste ueber Wasserflaechen (Millionen m3/a)
### to do: do on monthly basis !
wasserbilanz_gewaesser <- tibble::tibble(
verdunstung.mm = 775,
# default Wert ABIMO Gewaesserverdunstung,
regen.mm = regen_kor_mm,
wasserflaeche.m2 = area_water,
verdunstung.m3_per_year = verdunstung.mm * wasserflaeche.m2 / 1000,
regen.m3_per_year = regen.mm * wasserflaeche.m2 / 1000,
regen.m3_per_second = m3_per_year_in_m3_per_second(regen.m3_per_year),
verdunstung.m3_per_second = m3_per_year_in_m3_per_second(verdunstung.m3_per_year)
) %>%
tidyr::pivot_longer(names_to = "parameter.einheit",
values_to = "value",
tidyselect::everything())
randbedingungen_intern.2021 <- tibble::tibble(
trinkwasserfoerderung.million_m3 = 215,
trinkwasserfoerderung.m3_per_second = m3_per_year_in_m3_per_second(.data$trinkwasserfoerderung.million_m3 *
1E6),
abwassermenge.million_m3 = 260,
abwassermenge.m3_per_second = m3_per_year_in_m3_per_second(.data$abwassermenge.million_m3 *
1E6),
uferfiltratsanteil.prozent = 54,
#https://www.bwb.de/de/assets/downloads/wvk2040_pk.pdf#page=5
kuenstliche_grundwasseranreicherung.prozent = 14,
#https://www.bwb.de/de/assets/downloads/wvk2040_pk.pdf#page=5
landseitiges_grundwasser.prozent = 100 - .data$uferfiltratsanteil.prozent - kuenstliche_grundwasseranreicherung.prozent,
uferfiltratsanteil.million_m3 = trinkwasserfoerderung.million_m3 * uferfiltratsanteil.prozent /
100,
uferfiltratsanteil.m3_per_second = m3_per_year_in_m3_per_second(.data$uferfiltratsanteil.million_m3 *
1E6),
kuenstliche_grundwasseranreicherung.million_m3 = trinkwasserfoerderung.million_m3 * kuenstliche_grundwasseranreicherung.prozent /
100,
kuenstliche_grundwasseranreicherung.m3_per_second = m3_per_year_in_m3_per_second(.data$kuenstliche_grundwasseranreicherung.million_m3 *
1E6),
landseitiges_grundwasser.million_m3 = trinkwasserfoerderung.million_m3 * landseitiges_grundwasser.prozent /
100,
landseitiges_grundwasser.m3_per_second = m3_per_year_in_m3_per_second(.data$landseitiges_grundwasser.million_m3 *
1E6)
) %>%
tidyr::pivot_longer(names_to = "parameter.einheit",
values_to = "value",
tidyselect::everything()) %>%
tidyr::separate(parameter.einheit,
into = c("parameter", "einheit"),
sep = "\\.") %>%
dplyr::arrange(.data$einheit,
dplyr::desc(.data$value))
flows <- list(
randbedingungen_extern = randbedingungen_extern,
wasserhaushalt_berlin = wasserhaushalt_berlin,
wasserbilanz_gewaesser = wasserbilanz_gewaesser,
randbedingungen_intern.2021 = randbedingungen_intern.2021
)The data generated with the code above is available for download here: impetus_flows_v1.0.0.xlsx