Fraunhofer-Institut für Digitale Medientechnologie IDMT
Die Erfassung von Niederschlägen ist technisch und wirtschaftlich anspruchsvoll. Bestehende Methoden sind mit hohem Aufwand und Kosten verbunden sind, weshalb ihre Umsetzung limitiert ist. Niederschlagsmessdaten liegen deshalb oft nur für vereinzelte Orte vor, wodurch örtliche Regenprognosen nur ungenau modelliert werden können und schnelle und gezielte Maßnahmen bei Starkregenereignissen erschwert werden Es besteht daher der Bedarf an innovativen Messmethoden, die kostengünstig und damit flächendeckend einsetzbar sind.
Das Forschungsprojekt »lokalRAIN« adressiert diese Herausforderung durch die Entwicklung einer neuartigen Regenmessmethode. Diese nutzt den Körperschall, der beim Aufprall von Niederschlag auf verschiedene Oberflächen entsteht, wie z. B. Photovoltaik-Module, Fahrzeugdächer oder Dachfenster. Die dabei entstehenden akustischen Schwingungen werden mit Schwingungsaufnehmern erfasst und mithilfe von Machine und Deep Learning-Methoden (ML/DL) ausgewertet, um präzise Niederschlagsdaten in Echtzeit zu gewinnen. Ziel des Projekts ist es, akustische Sensorknoten zur Erfassung von Regen zu entwickeln, die in einem robusten Netzwerk durch Sensordatenfusion eine umfassende Abdeckung ermöglicht. Im Rahmen des Projekts werden die benötigten ML/DL-Algorithmen sowie eine prototypische Sensorknoten-Hardware mit Fokus auf Vernetzung, geringem Energieverbrauch, günstigen Produktionskosten und geringem Wartungsbedarf entwickelt.
Anwendungsbereiche
Ortsgenaue Niederschlagsdaten sind für verschiedene Anwendungsbereiche von hoher Relevanz: Echtzeit-Monitoring dient der besseren Lagebeurteilung und Maßnahmenpriorisierung bei Extremwetter- und Starkregenereignissen. Versicherungen benötigen detaillierte Wetterdaten für eine verbesserte Risikoeinschätzung. Stadtplaner und der Katastrophenschutz sind auf genaue Niederschlagsmuster angewiesen, um Überschwemmungsgebiete und Ablaufsysteme gezielt zu planen und zu überwachen. Landwirtschaftliche Betriebe können mithilfe räumlich hochaufgelöster Daten ihre Bewässerungsstrategien optimieren und so Effizienz und Ressourcenschonung verbessern.
