Fraunhofer InnoVisions – Nachgeforscht Folge 15
Auf Wetterapps und Regenradare ist nicht immer Verlass. Warum ist es so schwierig, Regen lokal präzise zu messen? Und warum liefern klassische Methoden oft nur punktuelle Daten? In der neuen »Nachgeforscht«-Folge sprechen wir mit Kevin Hock vom Fraunhofer IDMT über das Projekt »lokalRAIN«. Gemeinsam mit der Pan Acoustics GmbH entwickelt er einen akustischen Regensensor, der mithilfe von Deep- und Machine Learning Niederschlag über Schwingungen erfassen kann.
Im Gespräch erläutert Kevin Hock den technologischen Ansatz von »lokalRAIN«: Statt klassischer Messgeräte werden bestehende Oberflächen wie Photovoltaik-Module als Sensoren genutzt. Auftreffende Regentropfen erzeugen Schwingungen, die akustisch erfasst und direkt am Sensorknoten ausgewertet werden. Machine-Learning-Modelle berechnen daraus Niederschlagsintensitäten in sekündlichen Intervallen. Trainiert werden die Modelle sowohl mit realen Messdaten als auch mit simulierten Niederschlagsereignissen aus einer eigens entwickelten Testumgebung.
Die Ergebnisse zeigen, dass sich mit diesem Ansatz präzise und hochaufgelöste Niederschlagsdaten gewinnen lassen. Ein dichtes Netzwerk solcher Sensoren könnte bestehende Messmethoden gezielt ergänzen und damit die lokale Wettererfassung deutlich verbessern. Besonders relevant ist diese Technologie für Bereiche wie Katastrophenschutz, Wasserwirtschaft oder Landwirtschaft, die auf verlässliche Echtzeitdaten angewiesen sind. Perspektivisch kann »lokalRAIN« dazu beitragen, Extremwetterereignisse besser zu verstehen und datenbasierte Entscheidungen im Umgang mit den Folgen des Klimawandels zu unterstützen. Jetzt reinhören auf:
Apple Podcasts
Soundcloud
Spotify
Youtube
Experte
Kevin Hock
Fraunhofer-Institut für Digitale Medientechnologie IDMT