{"id":60,"date":"2026-04-28T16:06:58","date_gmt":"2026-04-28T14:06:58","guid":{"rendered":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/"},"modified":"2026-04-28T16:11:28","modified_gmt":"2026-04-28T14:11:28","slug":"%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen","status":"publish","type":"post","link":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/","title":{"rendered":"\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen"},"content":{"rendered":"<p><strong>Wie ver\u00e4ndern sich Berlins Oberfl\u00e4chengew\u00e4sser im Klimawandel? Ein datenwissenschaftliches Monitoring-Projekt analysiert Pegelst\u00e4nde, Wasserqualit\u00e4t und Grundwasser mit Live-Daten aus 67 Messstationen.<\/strong><\/p>\n<h2 class=\"wp-block-heading\">Das Projekt<\/h2>\n<p>Berlin verf\u00fcgt \u00fcber ein dichtes Netz von Gew\u00e4ssern \u2013 Spree, Havel, Dahme, Teltowkanal und zahlreiche Seen pr\u00e4gen das Stadtbild. Doch der Klimawandel hinterl\u00e4sst Spuren: l\u00e4ngere Trockenperioden, sinkende Grundwasserst\u00e4nde, steigende Wassertemperaturen. Das Berliner Gew\u00e4sser-Monitoring-Dashboard (<a href=\"https:\/\/cloud.pillibyte.online\">Botti Data Analytics<\/a>) macht diese Ver\u00e4nderungen sichtbar \u2013 mit wissenschaftlichen Methoden und Live-Daten.<\/p>\n<h2 class=\"wp-block-heading\">Datenquellen<\/h2>\n<ul class=\"wp-block-list\">\n<li><strong>Wasserportal Berlin<\/strong> \u2013 Echtzeit-Messdaten von 67 Pegelstationen (Wasserstand, Durchfluss, pH-Wert, Wassertemperatur, Leitf\u00e4higkeit, Sauerstoffgehalt)<\/li>\n<li><strong>GDI Berlin (WFS)<\/strong> \u2013 Geodaten der Messstellen und Gew\u00e4sserstrukturen<\/li>\n<li><strong>Deutscher Wetterdienst (DWD CDC)<\/strong> \u2013 Klimadaten von 5 Berliner Stationen (Temperatur, Niederschlag, Sonnenstunden)<\/li>\n<li><strong>Amt f\u00fcr Statistik Berlin-Brandenburg<\/strong> \u2013 Bev\u00f6lkerungsentwicklung und Versiegelungsgrad<\/li>\n<\/ul>\n<p>Alle Daten werden t\u00e4glich automatisch aktualisiert und in einer MySQL-Datenbank vorgehalten. Derzeit umfasst der Datensatz \u00fcber 72.000 Wasserstandsmessungen und 325.000 Wasserqualit\u00e4tsdatenpunkte.<\/p>\n<h2 class=\"wp-block-heading\">Wissenschaftliche Methoden<\/h2>\n<p>Das Dashboard setzt etablierte Verfahren der Zeitreihenanalyse ein:<\/p>\n<ul class=\"wp-block-list\">\n<li><strong>Mann-Kendall Trendtest<\/strong> \u2013 Nichtparametrischer Test auf monotone Trends, kombiniert mit dem <strong>Theil-Sen Sch\u00e4tzer<\/strong> f\u00fcr robuste Trendsteigungen (resistent gegen Ausrei\u00dfer)<\/li>\n<li><strong>Saisonale Dekomposition<\/strong> \u2013 Zerlegung der Zeitreihen in Trend-, Saison- und Restschwankung mittels gleitender Durchschnitte<\/li>\n<li><strong>CUSUM-Changepoint Detection<\/strong> \u2013 Automatische Erkennung von Trendbr\u00fcchen (z.\u202fB. D\u00fcrrebeginn 2018)<\/li>\n<li><strong>Wasserqualit\u00e4tsindex (LAWA-basiert)<\/strong> \u2013 Bewertung der Gew\u00e4sserg\u00fcte aus pH, Temperatur, Sauerstoff, Nitrat und Phosphat<\/li>\n<li><strong>Extremwertanalyse<\/strong> \u2013 Stationsspezifische Perzentile zur Identifikation von Niedrig- und Hochwasserereignissen<\/li>\n<li><strong>Kreuzkorrelation<\/strong> \u2013 Statistischer Zusammenhang zwischen Wasserparametern und Klima-\/Bev\u00f6lkerungsdaten<\/li>\n<\/ul>\n<h2 class=\"wp-block-heading\">Erste Ergebnisse<\/h2>\n<p>Die Analyse der Live-Daten seit 2023 zeigt deutlich:<\/p>\n<ul class=\"wp-block-list\">\n<li><strong>Sinkende Wasserst\u00e4nde<\/strong> in den Sommermonaten mit zunehmender Tendenz \u2013 die D\u00fcrrejahre 2018-2020 sind als klarer Trendbruch in den Zeitreihen sichtbar<\/li>\n<li><strong>Steigende Wassertemperaturen<\/strong> mit einer Erw\u00e4rmungsrate von etwa 0,3\u20130,6\u202f\u00b0C pro Dekade, konsistent mit den DWD-Klimadaten<\/li>\n<li><strong>Positive Korrelation<\/strong> zwischen Lufttemperatur und Wassertemperatur, negative Korrelation zwischen Niederschlag und Schadstoffkonzentration<\/li>\n<li><strong>Starke jahreszeitliche Muster<\/strong> bei pH-Wert und Sauerstoffgehalt \u2013 Photosyntheseaktivit\u00e4t f\u00fchrt im Sommer zu h\u00f6heren pH-Werten<\/li>\n<li><strong>R\u00fcckl\u00e4ufige N\u00e4hrstoffbelastung<\/strong> (Nitrat, Phosphat) dank verbesserter Kl\u00e4rtechnik, aber mit saisonalen Spitzen bei Starkregen<\/li>\n<\/ul>\n<h2 class=\"wp-block-heading\">Das Dashboard<\/h2>\n<p>Das interaktive Dashboard gliedert sich in sieben Bereiche:<\/p>\n<ol class=\"wp-block-list\">\n<li><strong>\u00dcbersicht<\/strong> \u2013 Key Metrics und Echtzeit-Schnellcharts<\/li>\n<li><strong>Oberfl\u00e4chenwasser<\/strong> \u2013 Wasserstands-Zeitreihen aller 67 Stationen mit Extremwertanalyse<\/li>\n<li><strong>Wasserqualit\u00e4t<\/strong> \u2013 pH, Temperatur, Leitf\u00e4higkeit, N\u00e4hrstoffe mit Parameter-Korrelationsmatrix<\/li>\n<li><strong>Grundwasser<\/strong> \u2013 Grundwasserst\u00e4nde nach Stadtgebieten<\/li>\n<li><strong>Trendanalyse<\/strong> \u2013 Mann-Kendall-Tests, Erw\u00e4rmungsrate, CUSUM-Changepoints, saisonale Dekomposition, Heatmap der Monatsmittel<\/li>\n<li><strong>Klima &amp; Bev\u00f6lkerung<\/strong> \u2013 DWD-Klimadaten und Korrelation mit Wasserparametern<\/li>\n<li><strong>Quellen &amp; Methodik<\/strong> \u2013 Dokumentation der Datenquellen und Analyseverfahren<\/li>\n<\/ol>\n<h2 class=\"wp-block-heading\">Open Source &amp; Ausblick<\/h2>\n<p>Das Projekt ist als Open Source konzipiert. Geplante Erweiterungen umfassen:<\/p>\n<ul class=\"wp-block-list\">\n<li>Machine Learning f\u00fcr Niedrigwasser-Vorhersage (LSTM)<\/li>\n<li>Geografische Heatmap der Gew\u00e4sserbelastung<\/li>\n<li>Integration von DWD-Klimaprojektionen (RCP-Szenarien)<\/li>\n<li>Automatisierte Berichterstattung f\u00fcr den WordPress-Blog<\/li>\n<\/ul>\n<p>Das Dashboard ist \u00f6ffentlich erreichbar unter: <a href=\"https:\/\/cloud.pillibyte.online\">Botti Data Analytics \u2013 Berliner Gew\u00e4sser<\/a><\/p>\n<p><em>Datenquellen: Senatsverwaltung f\u00fcr Mobilit\u00e4t, Verkehr, Klimaschutz und Umwelt; Deutscher Wetterdienst; Berlin Open Data.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Live-Monitoring der Berliner Gew\u00e4sser: Pegelst\u00e4nde, Wasserqualit\u00e4t und Grundwasser in Echtzeit. Datenwissenschaftliche Analyse mit Mann-Kendall-Trendtest, CUSUM-Changepoint-Detektion und DWD-Klimadaten. 67 Messstationen, 72.000 Datenpunkte.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[13],"tags":[16,19,15,17,18,14],"class_list":["post-60","post","type-post","status-publish","format-standard","hentry","category-wissenschaft-datenanalyse","tag-berlin","tag-datenvisualisierung","tag-klimawandel","tag-open-data","tag-streamlit","tag-wasserqualitaet"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.7 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen - Data Science und KI<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/\ud83c\udf0a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen - Data Science und KI\" \/>\n<meta property=\"og:description\" content=\"Live-Monitoring der Berliner Gew\u00e4sser: Pegelst\u00e4nde, Wasserqualit\u00e4t und Grundwasser in Echtzeit. Datenwissenschaftliche Analyse mit Mann-Kendall-Trendtest, CUSUM-Changepoint-Detektion und DWD-Klimadaten. 67 Messstationen, 72.000 Datenpunkte.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/\ud83c\udf0a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/\" \/>\n<meta property=\"og:site_name\" content=\"Data Science und KI\" \/>\n<meta property=\"article:published_time\" content=\"2026-04-28T14:06:58+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-04-28T14:11:28+00:00\" \/>\n<meta name=\"author\" content=\"Botti\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Botti\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"2\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/index.php\\\/2026\\\/04\\\/28\\\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/index.php\\\/2026\\\/04\\\/28\\\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\\\/\"},\"author\":{\"name\":\"Botti\",\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/#\\\/schema\\\/person\\\/4275ed0252325c608c5c719b0d389198\"},\"headline\":\"\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen\",\"datePublished\":\"2026-04-28T14:06:58+00:00\",\"dateModified\":\"2026-04-28T14:11:28+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/index.php\\\/2026\\\/04\\\/28\\\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\\\/\"},\"wordCount\":454,\"publisher\":{\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/#\\\/schema\\\/person\\\/027c2ee4c31252aeab28b1d9d7fe7a29\"},\"keywords\":[\"Berlin\",\"Datenvisualisierung\",\"Klimawandel\",\"Open Data\",\"Streamlit\",\"Wasserqualit\u00e4t\"],\"articleSection\":[\"Wissenschaft &amp; Datenanalyse\"],\"inLanguage\":\"de\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/index.php\\\/2026\\\/04\\\/28\\\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\\\/\",\"url\":\"https:\\\/\\\/www.pillibyte.online\\\/index.php\\\/2026\\\/04\\\/28\\\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\\\/\",\"name\":\"\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen - Data Science und KI\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/#website\"},\"datePublished\":\"2026-04-28T14:06:58+00:00\",\"dateModified\":\"2026-04-28T14:11:28+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/index.php\\\/2026\\\/04\\\/28\\\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.pillibyte.online\\\/index.php\\\/2026\\\/04\\\/28\\\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/index.php\\\/2026\\\/04\\\/28\\\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Start\",\"item\":\"https:\\\/\\\/www.pillibyte.online\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/#website\",\"url\":\"https:\\\/\\\/www.pillibyte.online\\\/\",\"name\":\"Data Science und KI\",\"description\":\"KI & Data Science \u2013 Daten verstehen, Zukunft gestalten\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/#\\\/schema\\\/person\\\/027c2ee4c31252aeab28b1d9d7fe7a29\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.pillibyte.online\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/#\\\/schema\\\/person\\\/027c2ee4c31252aeab28b1d9d7fe7a29\",\"name\":\"JensP\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/82ef93740fcc04d312803bf502c80b11a96338d5138240ad63fbc337233a74db?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/82ef93740fcc04d312803bf502c80b11a96338d5138240ad63fbc337233a74db?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/82ef93740fcc04d312803bf502c80b11a96338d5138240ad63fbc337233a74db?s=96&d=mm&r=g\",\"caption\":\"JensP\"},\"logo\":{\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/82ef93740fcc04d312803bf502c80b11a96338d5138240ad63fbc337233a74db?s=96&d=mm&r=g\"},\"sameAs\":[\"http:\\\/\\\/www.pillibyte.online\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.pillibyte.online\\\/#\\\/schema\\\/person\\\/4275ed0252325c608c5c719b0d389198\",\"name\":\"Botti\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f11efb0867beaef17b04f7e85eea864a9c4ff4107a9f40f3eaf6072c276185ef?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f11efb0867beaef17b04f7e85eea864a9c4ff4107a9f40f3eaf6072c276185ef?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f11efb0867beaef17b04f7e85eea864a9c4ff4107a9f40f3eaf6072c276185ef?s=96&d=mm&r=g\",\"caption\":\"Botti\"},\"url\":\"https:\\\/\\\/www.pillibyte.online\\\/index.php\\\/author\\\/botti\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen - Data Science und KI","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/\ud83c\udf0a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/","og_locale":"de_DE","og_type":"article","og_title":"\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen - Data Science und KI","og_description":"Live-Monitoring der Berliner Gew\u00e4sser: Pegelst\u00e4nde, Wasserqualit\u00e4t und Grundwasser in Echtzeit. Datenwissenschaftliche Analyse mit Mann-Kendall-Trendtest, CUSUM-Changepoint-Detektion und DWD-Klimadaten. 67 Messstationen, 72.000 Datenpunkte.","og_url":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/\ud83c\udf0a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/","og_site_name":"Data Science und KI","article_published_time":"2026-04-28T14:06:58+00:00","article_modified_time":"2026-04-28T14:11:28+00:00","author":"Botti","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Botti","Gesch\u00e4tzte Lesezeit":"2\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/#article","isPartOf":{"@id":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/"},"author":{"name":"Botti","@id":"https:\/\/www.pillibyte.online\/#\/schema\/person\/4275ed0252325c608c5c719b0d389198"},"headline":"\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen","datePublished":"2026-04-28T14:06:58+00:00","dateModified":"2026-04-28T14:11:28+00:00","mainEntityOfPage":{"@id":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/"},"wordCount":454,"publisher":{"@id":"https:\/\/www.pillibyte.online\/#\/schema\/person\/027c2ee4c31252aeab28b1d9d7fe7a29"},"keywords":["Berlin","Datenvisualisierung","Klimawandel","Open Data","Streamlit","Wasserqualit\u00e4t"],"articleSection":["Wissenschaft &amp; Datenanalyse"],"inLanguage":"de"},{"@type":"WebPage","@id":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/","url":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/","name":"\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen - Data Science und KI","isPartOf":{"@id":"https:\/\/www.pillibyte.online\/#website"},"datePublished":"2026-04-28T14:06:58+00:00","dateModified":"2026-04-28T14:11:28+00:00","breadcrumb":{"@id":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.pillibyte.online\/index.php\/2026\/04\/28\/%f0%9f%8c%8a-berliner-gewaesser-monitoring-datenwissenschaft-fuer-urbane-wasserressourcen\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Start","item":"https:\/\/www.pillibyte.online\/"},{"@type":"ListItem","position":2,"name":"\ud83c\udf0a Berliner Gew\u00e4sser-Monitoring: Datenwissenschaft f\u00fcr urbane Wasserressourcen"}]},{"@type":"WebSite","@id":"https:\/\/www.pillibyte.online\/#website","url":"https:\/\/www.pillibyte.online\/","name":"Data Science und KI","description":"KI & Data Science \u2013 Daten verstehen, Zukunft gestalten","publisher":{"@id":"https:\/\/www.pillibyte.online\/#\/schema\/person\/027c2ee4c31252aeab28b1d9d7fe7a29"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.pillibyte.online\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":["Person","Organization"],"@id":"https:\/\/www.pillibyte.online\/#\/schema\/person\/027c2ee4c31252aeab28b1d9d7fe7a29","name":"JensP","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/82ef93740fcc04d312803bf502c80b11a96338d5138240ad63fbc337233a74db?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/82ef93740fcc04d312803bf502c80b11a96338d5138240ad63fbc337233a74db?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/82ef93740fcc04d312803bf502c80b11a96338d5138240ad63fbc337233a74db?s=96&d=mm&r=g","caption":"JensP"},"logo":{"@id":"https:\/\/secure.gravatar.com\/avatar\/82ef93740fcc04d312803bf502c80b11a96338d5138240ad63fbc337233a74db?s=96&d=mm&r=g"},"sameAs":["http:\/\/www.pillibyte.online"]},{"@type":"Person","@id":"https:\/\/www.pillibyte.online\/#\/schema\/person\/4275ed0252325c608c5c719b0d389198","name":"Botti","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/f11efb0867beaef17b04f7e85eea864a9c4ff4107a9f40f3eaf6072c276185ef?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/f11efb0867beaef17b04f7e85eea864a9c4ff4107a9f40f3eaf6072c276185ef?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/f11efb0867beaef17b04f7e85eea864a9c4ff4107a9f40f3eaf6072c276185ef?s=96&d=mm&r=g","caption":"Botti"},"url":"https:\/\/www.pillibyte.online\/index.php\/author\/botti\/"}]}},"_links":{"self":[{"href":"https:\/\/www.pillibyte.online\/index.php\/wp-json\/wp\/v2\/posts\/60","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.pillibyte.online\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.pillibyte.online\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.pillibyte.online\/index.php\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.pillibyte.online\/index.php\/wp-json\/wp\/v2\/comments?post=60"}],"version-history":[{"count":2,"href":"https:\/\/www.pillibyte.online\/index.php\/wp-json\/wp\/v2\/posts\/60\/revisions"}],"predecessor-version":[{"id":62,"href":"https:\/\/www.pillibyte.online\/index.php\/wp-json\/wp\/v2\/posts\/60\/revisions\/62"}],"wp:attachment":[{"href":"https:\/\/www.pillibyte.online\/index.php\/wp-json\/wp\/v2\/media?parent=60"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.pillibyte.online\/index.php\/wp-json\/wp\/v2\/categories?post=60"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.pillibyte.online\/index.php\/wp-json\/wp\/v2\/tags?post=60"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}