=Paper=
{{Paper
|id=Vol-2197/paper1
|storemode=property
|title=Internet of Things: Moderne Technik für die Umweltdatenerfassung
(Internet of Things: Modern Technology for Environmental Data Collection)
|pdfUrl=https://ceur-ws.org/Vol-2197/paper1.pdf
|volume=Vol-2197
|authors=Helmut Heller,Sonja Teschemacher
}}
==Internet of Things: Moderne Technik für die Umweltdatenerfassung
(Internet of Things: Modern Technology for Environmental Data Collection)==
https://ceur-ws.org/Vol-2197/paper1.pdf
Tagungsband UIS 2018
Beitrag A: Helmut Heller, Sonja Teschemacher
Internet of Things:
Moderne Technik für die Umweltdatenerfassung
Internet of Things:
Modern Technology for Environmental Data Collection
Helmut Heller1, Sonja Teschemacher2
1
Leibniz-Rechenzentrum (LRZ) der Bayerischen Akademie der Wissenschaften,
heller@lrz.de
2
Lehrstuhl für Hydrologie und Flussgebietsmanagement, Technische Universität München,
sonja.teschemacher@tum.de
Abstract
Ideally, methods for collecting environmental data should be inexpensive and easy.
Technologies developed for the Internet of Things (IoT) could potentially help achieve that
goal: Employing the IoT architecture, IoT devices (such as single board microcontrollers,
sensors, and radio systems), and IoT software, all originally developed for the commercial
market or the maker scene, seems to be a perfect fit for the environmental sciences. In this
paper we investigate whether IoT technology lives up to its promise by implementing the
technologies in a practical case of hydrological research for direct flow measurements and
report about the pros and cons we experienced.
Zusammenfassung
An die Umweltdatenerfassung werden je nach Anwendungsfall unterschiedliche
Anforderungen gestellt, wobei in den meisten Fällen eine kostengünstige, einfach zu
bedienende und zuverlässige Datenerfassung, -übertragung und –speicherung
wünschenswert ist. Über Technologien des Internet of Things, die ursprünglich für
kommerzielle Anwendungen und die Maker Szene entwickelt wurden, können mithilfe von
Einplatinencomputern und einer Vielzahl an möglichen Erweiterungen verschiedenste
Parameter gemessen und zu einem Cloud-Dienst übertragen werden. Mithilfe weiterer
Anwendungen können die Daten in naher Echtzeit benutzerfreundlich dargestellt sowie
7
Tagungsband UIS 2018
Warnungen bei Auftreten besonderer Ereignisse an den Nutzer gesendet werden. Die
Methodik wird anhand eines hydrologischen Beispiels zur Direktabflussmessung vorgestellt
und konnte durch die Kosteneffizienz und die Erleichterung von Monitoring und Wartung des
Messnetzes einen maßgeblichen Beitrag zur Datenerfassung liefern.
1 Motivation
Umweltdaten beinhalten grundsätzlich alle Daten, mit denen die Umwelt beschrieben
werden kann. Ihre Erfassung ist sowohl im wissenschaftlichen Bereich als auch für
Entscheidungsträger interessant. Die verschiedenen Parameter unterscheiden sich
dabei in ihrer zeitlichen und räumlichen Variabilität sowie der erforderlichen
Genauigkeit und Relevanz für Entscheidungen. Diese Unterschiede resultieren in
verschiedenartigen Anforderungen an die Technik zur Erfassung der Daten.
Üblicherweise werden Umweltdaten mit meteorologischen Parametern wie z.B.
Temperatur, Globalstrahlung, rel. Luftfeuchte, Windgeschwindigkeit, Windrichtung und
Niederschlag oder mit Messwerten zur Luftqualität assoziiert. Diese Messdaten sind
aufgrund der zeitlichen Variabilität der zugrundeliegenden physikalischen Prozesse
selbst zeitabhängig, können jedoch räumlich überwiegend gut interpoliert werden.
Ausnahme ist dabei der Niederschlag, der sowohl zeitlich als auch räumlich sehr
unterschiedlich auftreten kann. Im Gegensatz dazu verändern sich Daten, die die
Geologie, den Bodenaufbau oder die Bodentextur beschreiben nur über längere
Zeiträume, können jedoch große räumliche Variabilitäten aufweisen. Die zeitlichen
Veränderungen sind auf Beeinflussungen durch Bodenbearbeitung oder die
Phänologie der Vegetation während der Vegetationsperiode zurückzuführen.
Umweltdaten im Bereich der Hydrologie beinhalten typischerweise Wasserstände,
Abflüsse oder Grundwasserstände. Je nach Anwendung bzw. Fragestellung können
aber auch Schneehöhen, Bodenfeuchten oder Saugspannungen wichtige
Informationen bieten. Die Daten weisen im Allgemeinen eine große räumliche und
zeitliche Variabilität auf, da sie von den Landnutzungs- und Bodeneigenschaften sowie
von den meteorologischen Verhältnissen beeinflusst werden. Der wichtigste
Einflussfaktor ist dabei die Niederschlagsmenge, -intensität und -verteilung.
Daten mit einer großen räumlichen Variabilität erfordern ein möglichst dichtes
Messnetz, da eine Interpolation der Daten zu großen Unsicherheiten führt. Bei kleinen
8
Tagungsband UIS 2018
Variabilitäten ist dagegen eine geringe Anzahl an Messstationen ausreichend. Bei
einer großen zeitlichen Variabilität ist dagegen unbedingt eine kontinuierliche
Erfassung der Daten erforderlich, wohingegen bei langsamen Veränderungen auch
eine manuelle Datenerfassung möglich ist. Insbesondere bei zeitlich variablen Daten,
die kurzfristige Entscheidungen beeinflussen können, ist zudem eine automatische
Datenübertragung notwendig. Aufgrund der teilweise hohen Kosten für die
Datenerfassung und –übertragung ist die Erstellung eines Messnetzes üblicherweise
ein Kompromiss zwischen der Messtechnik, der Dichte der Messstationen und der
erforderlichen Datenmenge und –belastbarkeit. Ein Beispiel aus dem Bereich der
Hydrologie wäre die Messung von Abflüssen, die aufgrund der maßgeblichen
Beeinflussung durch Niederschlagsereignisse zeitlich und räumlich sehr variabel
auftreten können und damit oft eine schnelle Reaktion von Entscheidungsträgern oder
auch Wissenschaftlern erfordern.
In den letzten Jahren entstand unter dem Schlagwort “Internet of Things” (IoT) eine
neue Technik, die “Things”, also “Dinge”, über das Internet miteinander und mit
zentralen Komponenten vernetzt. Diese Dinge können Aktoren sein, z.B. Lampen wie
die Philips Hue Lampen [Philips 2018], oder Sensoren wie etwa Temperatursensoren,
z.B. von Nest [Nest 2018]. Gerade im Bereich “Smart Home” gibt es mittlerweile viele
vernetzte Lösungen, etwa von QIVICON [Qivicon 2018]. All diesen Ansätzen sind zwei
Faktoren gemein: die Architektur und der Massenmarkt, der durch Massenfertigung zu
stark fallenden Preisen führt.
Neben diesem kommerziellen Ansatz entwickelte sich in den letzten 5 bis 10 Jahren
jedoch auch eine sehr aktive und breite Gruppe von Bastlern und Hobbyisten, die
sogenannte “Maker Szene”. Diese community folgt dem open source Gedanken und
teilt bereitwillig Ideen und Lösungen, was zu gegenseitiger Befruchtung und Inspiration
führt und die Gemeinschaft als ganzes unglaublich agil werden lässt. Entscheidend für
das enorme Wachstum der Bewegung waren sicher zum einen das Erscheinen kleiner,
einfach zu verwendender, billiger (2€ bis 35€) und sehr leistungsfähiger
Einplatinencomputer für den embedded Bereich, wie 2005 Arduino und 2012
Raspberry Pi, zum anderen die Verfügbarkeit von preiswerten 3D-Druckern [Prusa
2018] für Privatpersonen. Neben den Chip-Produzenten bildete sich ein ganzes
Ökosystem von Firmen, die Zusatzhardware (sog. breakout boards, shields oder hats)
9
Tagungsband UIS 2018
anbieten, welche mit einfachsten Mitteln (teilweise sogar ohne Löten) eine enorme
Erweiterung des Funktionsumfangs erlaubt.
Es ist nun naheliegend, diese aktuellen Entwicklungen aufzugreifen und aus dem
Konsum- und Hobbybereich in den Bereich der Wissenschaft zu übertragen. Ihre
Vorteile – preiswert durch Massenfertigung, einfach in der Anwendung, flexibel im
Aufbau, vernetzt, offen, agil, vielfältig – ermöglichen erweiterte Messmethoden und
dadurch die Gewinnung von neuen wissenschaftlichen Erkenntnissen.
2 Untersuchungsgebiet
Anhand eines hydrologischen Beispiels soll demonstriert werden, welche IoT-
Technologien und Maker Hardware sich auf welche Weise für die Datenerfassung an
abgelegenen Orten eignet.
2.1 Hintergrund und Zielstellung
Das Messgebiet wurde im Rahmen eines Projekts zur prozessbasierten Modellierung
natürlicher und dezentraler Hochwasserrückhaltemaßnahmen zur Analyse der
ereignis- und gebietsabhängigen Wirksamkeit aufgebaut [Teschemacher et al. 2015].
Eine der Maßnahmen ist die Änderung der Landnutzung und Bewirtschaftung, deren
zu erwartende Wirksamkeit jedoch in bisherigen Studien eine große Heterogenität
aufweist [DWA 2015]. Gründe hierfür sind einerseits gebiets- und ereignisabhängige
Unterschiede, andererseits die unterschiedliche Abbildung der Prozesse von
Abflussbildung und Konzentration in den verwendeten hydrologischen Modellen.
Ziel des Messkonzepts ist die Untersuchung der landnutzungsabhängigen
Unterschiede von Bodenaufbau und bodenhydraulischen Parametern sowie deren
Einfluss auf die Prozesse der Abflussbildung und -konzentration. Dazu sollen die
Abflusskomponenten sowie die vorherrschenden Rahmenbedingungen landnutzungs-
und ereignisabhängig erhoben werden. Neben der Verbesserung des
Prozessverständnisses sollen aus den Messergebnissen Erkenntnisse zum Einfluss
von Landnutzungs- und Bewirtschaftungsänderungen auf den Hochwasserabfluss und
damit auf die Wirksamkeit dezentraler Hochwasserschutzmaßnahmen gewonnen
werden. Zudem werden die Daten für die Parametrisierung, die Kalibrierung und die
Validierung des hydrologischen Modells WaSiM verwendet [Schulla 2017], um dessen
Eignung für die Szenarienrechnung zu analysieren.
10
Tagungsband UIS 2018
2.2 Gebietscharakteristik
Das Untersuchungsgebiet liegt im Einzugsgebiet der Glonn (Pegel Odelzhausen), das
sich am südlichen Rand des Tertiärhügellandes zwischen Augsburg und München
befindet (Abbildung 1). Das betrachtete Teilgebiet, das drei Messflächen mit
unterschiedlicher Landnutzung beinhaltet, hat eine Größe von ca. 1 km². Geologisch
befindet es sich am südlichen Rand der oberen Süßwassermolasse [BGL 1996]. Die
Bodenverteilung ist vergleichsweise homogen und besteht überwiegend aus
Braunerde mit lehmiger Deckschicht [LfU 2015].
Abbildung 1: Lage und Ansicht des Untersuchungsgebiets; oben: Lage des Untersuchungsgebiets in
Bayern und Anordnung der Messflächen im Untersuchungsgebiet; unten: Ansicht des Messhangs mit
Grabenstandorten, Bodenparameter-Messstandorte und Akkumulationsflächen.
Der in nord-östlicher Richtung ausgerichtete Messhang beinhaltet eine Acker-, eine
Grünland- und eine Waldfläche, die land- bzw. forstwirtschaftlich genutzt werden. Die
Hangneigung liegt im Mittel bei 6,5° (Acker), 6,7° (Grünland) und 10,6° (Wald). Die
Grünlandfläche wird als Mähwiese genutzt und entsprechend ca. zweimal pro
Vegetationsperiode gemäht. Die Ackerfläche wird konventionell durch Pflugeinsatz
bewirtschaftet. Die ausgewachsenen Bäume der Waldfläche bestehen hauptsächlich
aus Fichten, im Jungwald überwiegen Laubbäume.
11
Tagungsband UIS 2018
2.3 Messkonzept
Das Messkonzept beinhaltet verschiedene Parameter, die räumlich und zeitlich
aufgelöst erfasst werden und zueinander in Beziehung gesetzt werden können
(Abbildung 2). Die Speicherung der Daten erfolgt über getrennte Datenlogger.
2.3.1 Messaufbau
Der meteorologische Input des Systems wird über zwei Davis Vantage 2 Pro [Davis,
2018] Kompaktwetterstationen aufgezeichnet, von denen sich eine auf der Freifläche
am Acker und eine im Wald befindet. Die gemessenen Parameter beinhalten die
Lufttemperatur, die relative Luftfeuchte, die Globalstrahlung und den Niederschlag.
Aufgrund der kleinen Gebietsgröße und den dementsprechend zum Teil schnellen
Abflussreaktionen, werden die Daten minütlich aufgezeichnet.
Abbildung 2: Komponenten des Messkonzepts und Positionierung im Messhang.
Der laterale Wasserfluss wird am Hangfuß der Felder unterteilt in Oberflächenabfluss
und Zwischenabfluss durch den Aushub von Messgräben und der Installation von
Wehren, Ultraschallsensoren und Kippzählern erfasst (Abbildung 3). In jedem Graben
wird der Zwischenabfluss mit sechs Kippzählern in zwei Ebenen und drei Segmenten
getrennt gemessen, um die horizontale und vertikale Heterogenität bestimmen zu
können. Während Abflussereignissen sammelt sich das Wasser in den Gräben und
muss herausgepumpt werden. Am angrenzenden Bach wird zudem der
Gesamtabfluss des Messhangs über Wehre bilanziert.
Um die Rahmenbedingungen der Abflussereignisse beschreiben zu können, werden
an verschiedenen Standorten oberhalb der Gräben Tiefenprofile von Bodenfeuchte
12
Tagungsband UIS 2018
und Saugspannung gemessen. Diese dienen als Information für den Wassergehalt im
Boden und den vertikalen Wasserfluss. Zudem wird die Bodenfeuchte der Bereiche
am Grabenrand erfasst, um eine direkte Korrelation zu den jeweiligen Abflüssen
herstellen zu können.
2.3.2 Messnetz und Datenlogger
Die drei Messflächen liegen zwar am gleichen Messhang, sind allerdings räumlich so
weit voneinander entfernt, dass eine gemeinsame Datenerfassung nicht möglich war.
Zudem ermöglicht die getrennte Aufzeichnung eine bessere Validierung der Daten und
eine verringerte Wahrscheinlichkeit größerer Datenverluste. An allen drei Standorten
wird der Niederschlag erfasst, der als Vergleichsgröße der erfassten Daten betrachtet
werden kann. Bei einer Übereinstimmung dieser Messungen kann daher von
grundsätzlich funktionierenden Datenloggern ausgegangen werden.
Abbildung 3: Aufbau und Instrumentierung der Gräben zur Messung der Zwischenabflüsse und des
Oberflächenabflusses.
Die Erfassung der Wasserstände des Rambachs sowie die Bodenfeuchtemessungen
in den Gräben erfolgt in separaten Datenloggern an den entsprechenden Standorten.
Die Bodenfeuchte- und Saugspannungsdaten oberhalb der Gräben werden an zwei
Standorten (Wald, Acker+Wiese) erfasst. Die genannten Daten werden jeweils lokal
erfasst und müssen vor Ort ausgelesen werden. Kriterien für das Ausleseintervall sind
13
Tagungsband UIS 2018
die Speicherkapazität des Loggers sowie die Notwendigkeit der Überprüfung der
Datenvollständigkeit und -qualität.
Der Oberflächenabfluss (1 Ultraschallsensor + 1 Temperatursensor) und die
Zwischenabflüsse (6 Kippwaagen) in den Gräben werden pro Landnutzung jeweils mit
einem Raspberry Pi aufgezeichnet. Zudem wird der Wasserstand im Graben über
einen Ultraschallsensor erfasst und die Daten der Wetterstation gespeichert. Die
meteorologischen Rahmenbedingungen und die Messung eines möglichen
Grabeneinstaus sind für das Monitoring und die Wartung des Gebiets von großer
Bedeutung, da nur bei ausreichendem Niederschlag und entsprechenden
Vorbedingungen ein Abfluss erfolgt bzw. bei Ausfall der Pumpen und einem daraus
folgenden Anstieg des Wasserspiegels eine schnelle Wartung erforderlich ist. In
diesem Fall ist daher ein regelmäßiges Ausleseintervall der Daten nicht ausreichend,
um kontinuierliche Daten gewähleisten zu können.
2.4 Anforderungen an die Datenerfassung und -übertragung
Aus dem Messaufbau, den zu messenden Parametern und den benötigten
Informationen für das Monitoring und die Wartung des Messgebiets lassen sich
folgende Anforderungen ableiten:
• Erfassung von 19 bis 51 Messwerten je Messstation in regelmäßigen, meist
minütlichen Intervallen und Speicherung der Daten auf einem internen
Datenspeicher mit ausreichender Größe,
• kontinuierliche Übertragung in naher Echtzeit, um eine schnelle Wartung bei
Problemen gewährleisten zu können (eine Verzögerung von wenigen Minuten
ist tolerabel),
• Darstellung der Daten in einem intuitiv und schnell zu erfassenden Format,
ebenfalls in naher Echtzeit,
• rechtzeitige automatisierte Warnung bei Fehlfunktionen, wie etwa bei Volllaufen
des Grabens durch Ausfall einer Pumpe oder bei Absinken der
Batteriespannung,
• automatische Information bei Auftreten eines interessanten Ereignisses, zum
Beispiel einem Niederschlagsereignis, das einen bestimmten, vorgegebenen
Schwellwert überschreitet,
14
Tagungsband UIS 2018
• Zuverlässigkeit des Datenloggers um Datenverlust und häufige Besuche
vermeiden zu können,
• hohe Flexibilität, um auf sich ändernde Anforderungen während des
Messzeitraums reagieren zu können,
• Finanzierbarkeit.
Durch die Umsetzung einer kostengünstigen Selbstbaulösung konnte der Umfang des
im Rahmen der Projektmittel möglichen Messaufbaus deutlich vergrößert werden.
Folglich wurde eine Kombination verschiedener Methoden ermöglicht, die eine
Betrachtung verschiedener Gesichtspunkte und damit ein besseres
Prozessverständnis zulässt [Bachmair & Weiler 2014; Bracken et al. 2013].
Das auf einem Raspberry Pi basierende Loggersystem wurde seit Messbeginn
kontinuierlich weiterentwickelt und berücksichtigt den Einsatz von Internet-of-Things-
Technologien. Die verwendeten Methoden sowie deren Umsetzung im Messgebiet
werden in den folgenden beiden Abschnitten vorgestellt.
3 Methoden: IoT als „enabling technology“
3.1 Internet of Things
Das “Internet of Things” (IoT) ist eine neue Technik, die “Things”, also “Dinge”, über
das Internet miteinander und mit zentralen Komponenten vernetzt. Abbildung 4 zeigt
bekannte Beispiele aus dem smart home Bereich (obere Reihe) sowie dem
Fitnessbereich (untere Reihe). Das gemeinsame Merkmal all dieser Produkte ist
informationstechnisch die Architektur, die in Abbildung 5 dargestellt ist, aber auch die
Massenfertigung, die die Preise stark fallen lässt.
In der Architektur steht als zentrale Komponente eine Cloud-Instanz, die die Daten der
Sensoren entgegennimmt, speichert, auswertet und Aktionen auslöst. Diese
Komponente ist always-on und durch die Nutzung von Cloud-Services sowohl
hochverfügbar als auch ohne eigene Hardware zu betreiben. Diese Cloud-Instanz wird
typischerweise vom Hersteller (z.B. Nest, Philips, Qivicon) als Software-as-a-Service
für die Kunden betrieben. Die Kunden müssen sich um nichts kümmern, registrieren
ihre Sensoren und Aktoren einmalig bei der Cloud-Instanz und kommunizieren über
einen Web-Browser ausschließlich mit der Cloud-Instanz. Dort legen sie über ein
15
Tagungsband UIS 2018
graphisches Interface auch Regeln fest, unter welchen Bedingungen welche Aktion
ausgelöst werden soll.
Abbildung 4: Kommerzielle Beispiele für den Einsatz von IoT.
Obere Reihe: smart home devices (Nest Thermostat [Nest, 2018], Philips Hue Lampe [Philips, 2018],
Qivicon Heizungssteuerung [Qivicon, 2018]), untere Reihe: Fitnessprodukte (Jawbone UP-Band,
Withings Körperanalyzer [Withings 2018], Xiaomi Amazfit smart watch [Amazfit 2018]).
Abbildung 5: IoT Architektur.
Damit die Dinge (Things) ihre Daten in die Cloud liefern können, bedarf es einer
Datenanbindung, die heutzutage über das nahezu überall verfügbare Internet realisiert
wird. Dank fortschreitender Miniaturisierung und aufgrund des Drucks des
Massenmarkts fertigen Chip-Schmieden heute spezialisierte IoT-Chips, wie den
ESP8266 [Espressif, 2018], die sich mit einigen wenigen externen Bauteilen zu einem
kompletten Modul (z.B: ESP-01 [EBay, 2018]) ergänzen lassen und das für unter 2€
eine 32bit CPU, 1 MByte Flash Speicher, WiFi, eine serielle Schnittstelle und 4
Input/Output Pins (GPIO) bietet [Frings, 2018].
16
Tagungsband UIS 2018
Im IoT kommunizieren nun nicht nur Sensoren und Aktoren mit ihrer zugehörigen
Cloud-Instanz, sondern diese kann zur Entscheidungsfindung über das Internet auch
mit anderen Cloud-Instanzen, sogenannten Cloud-Services, kommunizieren (und
auch selbst solche Services für andere Maschinen bereitstellen). So kann die Cloud-
Instanz für ein Smart Home etwa prognostizierte Wetterdaten für den Standort des
Hauses von anderen Cloud-Services abrufen [Lewis, 2016], um eine vorausschauende
Temperatursteuerung zu realisieren. Erst diese Verknüpfung von vielen Cloud-
Services ist die Grundlage für die enorme Leistungsfähigkeit des IoT, das im Grunde
genommen nichts anderes ist als Datenaustausch zwischen Maschinen über das
Internet.
3.2 Cloud Computing
Cloud Computing nimmt einen zentralen Platz in der IoT Architektur ein, aber was ist
das eigentlich genau? Beim Cloud Computing stellt ein Cloud-Anbieter wie Amazon
oder Google oder auch das Leibniz-Rechenzentrum (LRZ) eine Infrastruktur für
virtuelle Maschinen bereit. Das heisst, dass der Kunde auf der Hardware des Cloud-
Anbieters virtuelle Maschinen, also virtuelle Computer, die sich verhalten, wie ein
realer Computer, z.B. ein Linux-Server, starten kann. Im vorliegenden IoT-Fall macht
das der IoT-Hersteller, also Withings oder Nest. Auf dem virtuellen Server läuft nun ein
mandantenfähiges (d.h. es kann mehrere voneinander isolierte Benutzer bedienen)
Programm, das die Daten der IoT Sensoren entgegen nimmt, in einem für jeden
Benutzer separaten Bereich speichert, auswertet, darstellt und mit dem Benutzer aber
auch anderen IoT oder Cloud-Services kommuniziert. Da hier dem Benutzer ein
laufendes Applikationsprogramm zur Verfügung gestellt wird, spricht man von
Software-as-a-Service (SaaS).
Gerade im IoT-Bereich, wo mit einer hohen Zahl (im Bereich von Millionen) von
Geräten gearbeitet wird, die darüber hinaus auch noch stark fluktuieren kann, da die
IoT-Sensoren ja nicht kontinuierlich senden, kommt noch ein anderer Vorteil der Cloud
zum tragen: ihre Elastizität. Darunter versteht man, dass bei plötzlich steigender
Arbeitslast ohne große Verzögerung automatisch weitere virtuelle Cloud-Maschinen
gestartet werden können, die sich die Last teilen. So kann auch bei stark
schwankenden Lastprofilen eine temporäre Überlast der Cloud-Instanz vermieden
werden. Geht die Last zurück, so werden die zusätzlichen Instanzen wieder
17
Tagungsband UIS 2018
abgeschaltet. Der IoT-Hersteller muss also keine eigene Hardware, die für den
Spitzenlastfall dimensioniert ist, anschaffen und in Bereitschaft halten, sondern er kauft
vom Cloud-Provider stets genau die benötigte Rechenleistung ein.
Ähnlich einer kommerziellen public Cloud wie der von Amazon, Google oder Microsoft
bietet das LRZ eine private Cloud [LRZ, 2018] nur für Wissenschaftler an. Gründe, die
für ihre Benutzung sprechen sind (i) diese Cloud ist für Münchner Wissenschaftler
kostenlos, (ii) das LRZ bietet kostenlose Unterstützung bei der Benutzung der LRZ
Cloud und (iii) es bleiben die Daten garantiert in Deutschland, da sie in einem rein
deutschen Rechenzentrum ohne ausländische Abhängigkeiten gespeichert und
verarbeitet werden. Der Datenschutz ist somit gewährleistet, da fremde Mächte, wie
z.B. US-Behörden, keinen Zugriff auf diese Daten erhalten.
3.3 Maker Szene
Während vor 20 oder 30 Jahren “Bastler” mit dem Lötkolben Schaltungen aus
Einzelteilen (Transistor, Widerstand, Kondensator, Spule, …) zusammenbauten,
verwenden heutzutage die sogenannten Maker fertige Module, die sich oft durch
einfaches Zusammenstecken zu völlig neuen Maschinen kombinieren lassen. Dabei
sind auf den Modulen oft Millionen von Transistorfunktionen integriert, die ungleich
mehr Möglichkeiten bieten, als dies noch vor 10 Jahren denkbar war. Ein
Mikrocomputer mit eingebautem WiFi access point, wie z.B. der oben genannte ESP-
01 [EBay, 2018] wird durch Aufstecken eines digitalen DS18B20 Temperatursensors
zu einer mobilen Temperaturmessstelle und kann durch Ergänzen mit anderen
Sensoren einfach und preiswert zu einer drahtlosen Wetterstation erweitert werden.
Die früheren Bastler waren oft Einzelkämpfer, die heutigen Maker sind über das
Internet vernetzt und bilden so eine Gemeinschaft, die dem open source Gedanken
folgt und bereitwillig Ideen und Lösungen teilt, was zu gegenseitiger Befruchtung und
Inspiration führt und die Gemeinschaft als ganzes unglaublich agil werden lässt. Viele
YouTube Kanäle liefern Ideen und Wissen frei Haus [Spiess 2018; GreatScott! 2018;
Make 2018; TPAI 2018] und auf den einschlägigen Webseiten [instructables 2018;
Hackster 2018] der Maker Szene finden sich viele weitere Anregungen. Auch
Zeitschriften, z.B. die deutsche “Make:” [Make Magazin, 2018], die im Heise-Verlag
erscheint, liefern regelmäßig Anregungen für neue Einsatzmöglichkeiten der IoT-
Technologie.
18
Tagungsband UIS 2018
Da diese Maker als Gruppe auch eine gewisse Marktmacht darstellen, hat sich gerade
im Elektronikbereich ein ganzes Ökosystem von Firmen gebildet [Adafruit, 2018;
Sparkfun, 2018; element14, 2018], die Zusatzhardware (sog. breakout boards, shields
oder hats) anbieten, welche teilweise sogar nur durch Zusammenstecken eine enorme
Erweiterung des Funktionsumfangs erlauben. So gibt es von diesen Firmen Sensoren
für Temperatur, Luftdruck, relative Luftfeuchte, Helligkeit, Wasserstand, Abstand
(Ultraschall) oder passive Bewegungsmelder (PIR) auf breakout boards, die einfach
durch Aufstecken eingebunden werden können.
Die Gemeinschaft der Maker trifft sich regelmäßig auf Messen, sogenannten Maker
Faires [Maker 2018] zum Ideenaustausch. Dort werden die eigenen Projekte der
Gemeinschaft vorgestellt. Diese Treffen sind unglaublich motivierend und inspirierend
und stellen das offline Pendant zur online community dar.
3.4 Einplatinencomputer
Entscheidend für das enorme Wachstum der Bewegung war sicher das Erscheinen
kleiner, einfach zu verwendender, billiger und sehr leistungsfähiger
Einplatinencomputer für den embedded Bereich, wie 2005 Arduino und 2012
Raspberry Pi [RaspberryPi 2018]. Diese Computer erlauben erst die Anbindung der
Sensoren, welche nur ein analoges oder digitales elektrisches Signal liefern, an das
Internet und damit die Umsetzung der IoT-Architektur.
Die Einplatinencomputer unterscheiden sich durch ihre individuelle Funktionalität, die
sich im jeweiligen Preis (2 € bis 35 €) widerspiegelt. Während ein Arduino
beispielsweise analoge Eingänge bietet, kann auf einem Raspberry Pi ein voll
funktionfsähiges Linux-Betriebsystem installiert werden, auf dem mehrere Programme
parallel ausgeführt werden können. Das Betriebsystem und die USB-Schnittstellen
ermöglichen insbesondere die einfache Einbindung zusätzlicher Produkte, wie
beispielsweise einen UMTS-Stick zur Herstellung einer Internetverbindung. Je nach
Anwendungsfall und –erfordernissen können verschiedene Systeme miteinander
verbunden werden, um so die jeweiligen Vorteile nutzen zu können. Sollte an einer
Messstelle UMTS nicht vorhanden sein, so kann auch eine LoRa [Cytron, 2018]
Funkstrecke zwischengeschaltet werden, mit der bei Sichtverbindung bis zu 40 km
überbrückt werden können.
19
Tagungsband UIS 2018
3.5 3D Druck
Mit 3D-Druckern lassen sich nicht nur angepasste Gehäuse der genau richtigen Größe
und Form einfach ausdrucken, sondern es können auch funktionale Bauteile
hergestellt werden. Das additive manufacturing, bei dem das Baumaterial Schicht für
Schicht (FDM: Fused Deposition Modeling) aufgetragen wird, erlaubt zudem das
Einbetten von elektronischen Bauteilen (z.B. Magnetfeldsensoren) im Druckteil.
Wichtig ist auch der schnelle turn around: innerhalb weniger Stunden steht ein
physisches 3D-Objekt zur Verfügung. Oft müssen anschließend noch Korrekturen
durchgeführt werden, bis nach einigen Iterationen ein einsatzfähiges Teil vorhanden
ist. Werden größere Stückzahlen gebraucht, so kann die Druckbeschreibung (das
sogenannte STL file) anschließend per Internet zu einem Dienstleister übertragen
werden, der dann in wenigen Wochen die Teile fertigt.
4 Anwendung von IoT in den Umweltwissenschaften
Das vorliegende Anforderungsprofil auf dem hydrologischen Messgebiet legt eine
Lösung durch Übertragung der IoT Architektur auf den Wissenschaftsbereich und
Verwendung von IoT Baugruppen nahe. Anhand dieses Beispiels möchten wir
demonstrieren, welche IoT Technologien und Maker Hardware sich auf welche Weise
für hydrologische Messungen an abgelegenen Orten (Stichwort “off-grid”) eignet, um
ansonsten nicht durchführbare Messungen zu ermöglichen. In einem ersten Schritt
wurde die IoT Architektur aus Abbildung 5 auf die Gegebenheiten des
Wissenschaftsbereichs angepasst. Abbildung 6 zeigt die modifizierte IoT Architektur.
Abbildung 6: Für den Wissenschaftsbereich modifizierte IoT Architektur.
20
Tagungsband UIS 2018
4.1 Datenerfassung und -übertragung
Auf der linken Seite befindet sich das Messgebiet mit den Umweltsensoren für
Temperatur, relative Luftfeuchte, Globalstrahlung, Windstärke und -richtung,
Niederschlag, Zwischenabflüssen, Oberflächenabfluss und diversen internen
Parametern wie Batteriespannungen, Stromaufnahme, Ladestrom,
Solarpanelspannung, Aktivität der Lenzpumpen und Wasserstand im Graben. Alle
Daten laufen in einem Gateway-Rechner, hier ein Raspberry Pi Modell 2B bzw. 3B
(RPI) mit Linux Betriebssystem, zusammen und werden dort lokal auf einem USB
Speicherstick abgespeichert. Dieser lokale Speicher dient als Sicherung gegen
Datenverlust bei längerem Ausfall der Internetanbindung und zusätzlichem Ausfall der
Spannungsversorgung während keine Daten gesendet werden können. Die Sticks sind
zudem durch eingebautes „wear leveling“ wesentlich haltbarer als die internen Micro-
SD-Karten, die bei ständigen Schreibvorgängen mit der Zeit ermüden und so zu
Ausfällen des Loggers führen. Bei erneuter Verfügbarkeit der Internetanbindung
werden die bisher noch nicht übertragenen Daten automatisch nachsynchronisiert,
sodass auf dem Cloud-Server ein vollständiger Datensatz vorhanden ist. Die für die
Analysen besonders wichtigen meteorologischen Daten werden zudem im
Datenlogger der DAVIS Wetterstation zwischengespeichert, der allerdings bei der
benötigten zeitlichen Auflösung nur wenige Tage puffern kann. Diese
Zwischenspeicherung läuft unabhängig vom RPI, insbesondere auch, wenn dieser
mangels Strom abgeschaltet werden musste. Sobald der RPI bei genügend
Batteriespannung wieder erwacht, holt er sich die zwischenzeitlich im DAVIS
Datenlogger gespeicherten Daten und überträgt diese in die Cloud.
Die Anbindung an das Internet erfolgt über einen handelsüblichen UMTS Stick, der in
den RPI eingesteckt werden kann. Eine PrePaid Flatrate für 2€/Monat erlaubt eine
bandbreitenbegrenzte Anbindung an das Internet, die jedoch für die geringen
Datenmengen völlig ausreichend ist. Allerdings erlaubt der Provider bei diesem Tarif
keine eingehenden Internetverbindungen, sodass es nicht möglich war, sich remote
auf dem RPI einzuloggen, um Änderungen an den Programmen vornehmen zu
können. Diese Problematik wurde durch einen reverse ssh-Tunnel zur Cloud-Instanz
mit autossh [cytopia, 2018] gelöst, der sich im Betrieb sehr bewährte. Somit ist es nun
möglich, sich jederzeit und einfach remote auf dem RPI einzuloggen und sowohl
Fernwartung als auch Anpassungen an den Programmen vorzunehmen.
21
Tagungsband UIS 2018
4.2 Datenspeicherung und -darstellung
Auf der rechten Seite von Abbildung 6 ist der Teil gezeigt, der im
Universitätsrechenzentrum, hier das Leibniz-Rechenzentrum in Garching bei
München, abläuft. In der LRZ Compute Cloud [LRZ, 2018] installierten wir ThingSpeak
[The Mathworks, 2018] als die zentrale Instanz, die über das IoT-Protokoll MQTT
[MQTT 2018] die Daten von den Gateways in naher Echtzeit (die Verzögerung beträgt
nur wenige Sekunden) entgegennimmt und speichert. Um die Übertragung gegen
Angriffe und Manipulationen abzusichern, werden alle Daten kryptographisch
verschlüsselt durch den reverse ssh-Tunnel übertragen. Um Datenverlust auch bei
längerem Ausfall der Funkstrecke auszuschließen, werden alle Daten zusätzlich lokal
auf dem RPI gespeichert und täglich als kompletter Datensatz nochmals in die Cloud
übertragen. In der Cloud findet täglich ein automatischer backup aller Daten auf Band
statt, für den das LRZ mindestens 10 Jahre Verfügbarkeit garantiert.
Da die Daten in Echtzeit in der Cloud vorliegen, können sie auch sofort angezeigt
werden [Teschemacher & Heller 2018]. Wir verwendeten das Highstock Framework
[Highcharts 2018], das eine interaktive live Exploration der Messdaten erlaubt. Es ist
so mit einem Blick erkennbar, ob etwa eine Störung der Messeinrichtung vorliegt, die
es erforderlich macht, den Fehler umgehend vor Ort zu beheben. Dies beugt dem
Verlust unwiederbringlicher Messdaten sowie der nachhaltigen Beschädigung des
Messaufbaus vor. Es handelt sich bei Highcharts/HighStocks um ein JavaScipt
Framework, das einfach auf der Webseite eingebunden werden kann. Nach Aufruf der
Webseite führt der Webbrowser des Wissenschaftlers den JavaScript Code aus.
Dieser Highcharts Code kann seinerseits ThingSpeak nach Daten fragen und diese
von dort abholen.
Die IoT Architektur kann hier ihre Stärke ausspielen: verteilte Sensoren senden über
MQTT ihre Daten verschlüsselt an einen MQTT-Broker in der Cloud. Dieser gibt die
Daten an eine ThingSpeak Instanz weiter, die die Daten speichert und verwaltet. Ein
Webserver liefert auf Anfrage eines Klienten ein JavaScript-Programm aus, das im
Webbrowser ausgeführt wird und sich seinerseits an den ThingSpeak-Server wendet.
Von dort fordert es die vom Benutzer gewünschten Daten an und stellt diese dann
lokal dar. Da die Daten für den gewünschten Zeitraum nun lokal vorliegen erfolgt die
Reaktion auf Benutzereingaben (etwa Ausblenden von Graphen, Verschieben des
Darstellungsfensters, etc.) nahezu instantan, was das Arbeiten sehr angenehm und
22
Tagungsband UIS 2018
effektiv macht. Dass MQTT-Broker, ThingSpeak und der Webserver alle auf der
gleichen virtuellen Maschine in der Cloud laufen, ist keineswegs erforderlich. Jede
Komponente könnte auch irgendwo im Internet laufen, solange die Komponenten
untereinander erreichbar sind.
Abbildung 7 zeigt beispielhaft eine Darstellung der Messwerte der meteorologischen
Station auf der Freifläche am Acker und im Wald, die von unterschiedlichen
Datenloggern gesendet wurden. Die Daten werden gemeinsam dargestellt und können
so verglichen und plausiblisiert werden. Die grau dargestellten Legendenpunkte
wurden für die Darstellung ausgeblendet.
Abbildung 7: Darstellung der meteorologischen Parameter Lufttemperatur, Niederschlag und
Globalstrahlung für die Stationen auf der Freifläche und im Wald.
4.3 Alerting on Demand
Wir verwenden die minutenaktuellen Messdaten ferner im Rahmen des “Alerting on
Demand” (Abbildung 8) dazu, uns über IFTTT [IFTTT 2018] per email oder SMS
umgehend über besondere Situationen informieren zu lassen. Dazu zählt das
Auftreten für die Messung wichtiger natürlicher Phänomene, wie z.B. hier
Niederschlag, aber auch das Ausbleiben regelmäßiger Messwerte (z.B. weil das
Funklink oder der Strom ausgefallen sind) bzw. deren Wiederaufnahme. Welche
Ereignisse zu einem Alarm führen, ist vollständig frei programmierbar und kann flexibel
an die Erfordernisse angepasst werden. Dazu läuft ein Python Programm auf der
23
Tagungsband UIS 2018
Cloud-Instanz als CRON-Job jede Stunde und holt sich von ThingSpeak die jeweils
neuesten Daten der letzten Stunde. Wenn ein Ereignis auftrat oder keine neuen Daten
geliefert wurden, ruft das Programm einen IFTTT URL auf und übermittelt zusätzliche
Parameter (etwa die Niederschlagsmenge). Dieser URL wurde zuvor einmalig in sechs
einfachen Schritten in IFTTT als “Maker Event” konfiguriert und mit dem Google Mail
applet verknüpft. So kann festgelegt werden, welche email mit welchen Parametern
(z.B. die Niederschlagsmenge oder -intensität) an wen verschickt wird, wenn der URL
aufgerufen wird. Statt Google Mail könnte auch eine SMS verschickt werden. Und
IFTTT könnte, ganz dem Paradigma des IoT folgend, andere Datenquellen mit
einbeziehen.
Abbildung 8: Alerting on demand.
Eine weitere Möglichkeit wäre dementsprechend, dass IFTTT die Messanlagen zum
Stromsparen schlafen legt und nur aufweckt, wenn für das Messgebiet Regen
vorhergesagt wird.
4.4 Hardware-Erweiterungen
Die Stromversorgung der Messstationen erfolgt über Solarpanele und
Pufferakkumulatoren, da die Messungen fernab von urbanen Gebieten stattfinden und
daher kein Netzanschluss zur Verfügung steht. Abbildung 9 zeigt den Aufbau einer der
drei identischen Messstationen. Die Stromversorgung ist aus Redundanzgründen
zweifach ausgelegt. Der RPI wird über einen fernsteuerbaren Schaltwandler aus den
12V Bleiakkumulatoren versorgt. Da der Computer die Datenerfassungszentrale ist,
24
Tagungsband UIS 2018
muss er möglichst lange laufen. Daher wird er aus beiden Akkumulatoren versorgt,
entkoppelt über zwei 1N4001 Dioden, sodass er sich immer aus dem Akkumulator mit
der höheren Spannung bedient. Der linke Akkumulator in Abbildung 9 speist
hauptsächlich die Hauptlenzpumpe, die ein Volllaufen des Grabens verhindert und
durch einen unabhängigen Schwimmerschalter betätigt wird, wenn der Wasserstand
eine Schaltschwelle überschreitet. Der rechte Akkumulator ist primär für den RPI
gedacht, speist aber auch eine Notlenzpumpe, die in Aktion tritt, wenn der Graben
bereits teilweise gefüllt ist. Jeder Akkumulator wird von einem eigenen Solarpanel mit
eigenem Solarregler geladen. Die Solarregler schalten auch die Last ab, wenn die
Akkuspannung zu tief absinkt, um eine Beschädigung der Akkumulatoren zu
verhindern.
Abbildung 9: Verdrahtungsplan.
Nach Abflussereignissen und den damit einhergehenden längeren Pumpdauern, hat
es sich gezeigt, dass die in den Akkumulatoren gespeicherte Energie gerade in den
Wintermonaten und bei längeren Bewölkungsphasen für einen durchgehenden Betrieb
nicht ausreicht. Dies führte einerseits zu einem Ausfall der Pumpen und einem
folgenden Anstieg des Wasserspiegels im Graben (Abbildung 10), andererseits wurde
25
Tagungsband UIS 2018
ein hinter dem Solarregler angeschalteter RPI hart abgeschaltet, was zu Filesystem-
Inkonsistenzen führt und dieses beschädigen kann. Wir haben daher eine
Fernüberwachungsschaltung mit 8-fach Analog-Digital-Wandler für Solarpanel,
Akkumulatoren, Solar-Laderegler und Pumpen entwickelt, die es uns erlaubt, die
Ursachen für die Abschaltungen der Station zu ermitteln. Gleichzeitig verhindert diese
Schaltung ein hartes Abschalten des Microcomputers bei Spannungsausfall;
stattdessen wird der Raspberry Pi bei Unterspannung kontrolliert heruntergefahren
und dann erst der Spannungswandler abgeschaltet. Das Einschalten erfolgt
automatisch sobald die Spannung einen per Software einstellbaren Schwellwert
wieder überschreitet.
Abbildung 10: Überwachung der Messdaten während eines größeren Niederschlagsereignisses im
Winter, das nach einem Ausfall der Pumpen zu einem Einstau des Grabens geführt hat.
Mithilfe der Spannungsüberwachung kann die Regelung und die Funktionsfähigkeit
der Laderegler überprüft werden. Es hat sich beispielsweise gezeigt, dass die
Laderegler die Last schon sehr früh abwerfen. Außerdem drosseln sie, wie in
Abbildung 11 (Batterie Wald RPi) ersichtlich ist, den Ladestrom bereits bei einer
Akkuspannung von nur 13,6V, was den Akkumulator sicher nicht vollständig auflädt.
Der andere Laderegler in Abbildung 11 (Batterie Wald Pumpen) scheint zudem einen
Defekt zu haben, denn er trennt nachts das Solarpanel nicht vom Akkumulator ab: die
Spannung am Solarpanel sinkt nur bis auf etwa den Wert der Akkuspannung ab,
müsste aber wie bei allen anderen Reglern bis auf wenige Volt absinken. Mithilfe dieser
26
Tagungsband UIS 2018
Informationen können so bereits vor einem Wartungsbesuch Lösungen erarbeitet bzw.
entsprechende Ersatzteile besorgt werden.
Die online-Überwachung der Messstationen offenbarte außerdem, dass die in den
Kippwaagen verwendeten elektro-mechanischen Sensoren (Reed Relais)
insbesondere nach längeren Einstauzeiten zu Ausfällen (hängen bleiben) neigen und
dann vor Ort ersetzt werden müssen. Wir entwickelten daher eine vollelektronische
Alternative, die auf einem HALL-Sensor basiert und durch 3D-Druck ein langlebiges
und wartungsfreies snap-in replacement für den mechanischen Sensor darstellt.
Abbildung 11: Vergleich des Regelverhaltens zweier Solarregler im Wald.
4.5 Messergebnisse
Die ersten Daten im Untersuchungsgebiet wurden im Juni 2016 aufgezeichnet.
Bisherige Messungen zeigen eine Beeinflussung der Speicherkapazität und
Infiltrationsfähigkeit von der Landnutzung und der Bewirtschaftung, wodurch
Unterschiede im Jahresverlauf zu erwarten sind [Rieger et al. 2017]. Zudem konnte
ein Einfluss der Vorbedingungen festgestellt werden. Die Modellierung des Messhangs
mithilfe des hydrologischen Modells WaSiM zeigt eine Übereinstimmung der
landnutzungsabhängigen Zwischenabflusscharakteristik, wird jedoch durch die
Unterschiede von Modell- und Gebietsparametern erschwert [Teschemacher et al.
2018]. Eine Zusammenstellung weiterer Messergebnisse zur Beschreibung der
Landnutzungsabhängigkeiten und Reaktionszeiten ist in Arbeit.
27
Tagungsband UIS 2018
5 Fazit und Ausblick
Der durch Verwendung von IoT-Technologie kosteneffizient mögliche Aufbau von drei
identischen Messstationen auf Basis des RaspberryPi Microcomputers ermöglichte
umfangreiche, landnutzungsabhängige, hydrologische Messungen, die ansonsten
innerhalb des vorgegebenen finanziellen Rahmens nicht möglich gewesen wären. Die
bisherigen Messergebnisse können eine Eignung des verwendeten Loggersystems
bestätigen, wodurch der Raspberry Pi nach einer entsprechenden Test- und
Optimierungsphase als kostengünstige Alternative zu konventionellen Datenloggern
gesehen werden kann. Durch die Flexibilität des Betriebsystems konnten
verschiedene Zusatzmodule eingebunden werden, die das Monitoring eines
Messnetzes deutlich erleichtern. Im vorgestellten Anwendungsfall konnten etwa durch
die Echtzeit-Datenübertragung der Messdaten sowie zusätzlicher Informationen wie
die Batteriespannung Probleme schneller erkannt und gezielt vor Ort behoben werden.
Die hier eingesetzte IoT-Lösung muss dennoch als Prototyp bezeichnet werden, denn
Probleme, die erst im Betrieb aufscheinen, wie hängende Reed-Kontakte, zu hoher
Stromverbrauch, ungenügende Ladung der Akkumulatoren, Instabilitäten beim Betrieb
der RPIs, defekte SD-Karten oder zu hohes Rauschen auf den ADC-Eingängen
mussten und müssen laufend adressiert und durch Modifikationen behoben werden.
Kommerzielle Geräte sind dagegen aufgrund der längeren Entwicklungsphase meist
zuverlässiger, in ihrem Funktionsumfang aber auch deutlich eingeschränkter, weniger
flexibel oder wesentlich teuerer. Die hohe Flexibilität der IoT-Selbstbaulösung
ermöglicht es erst, die Probleme im laufenden Betrieb zu identifizieren und Stück für
Stück zu beheben. Gerade in innovativen, neuen Messsituationen überwiegt die
Flexibilität einer Selbstbaulösung den Verlust an Stabilität gegenüber einem
etablierten Serienmessgerät.
Durch die Speicherung der Daten in der LRZ-Cloud, können diese Daten im LRZ über
den “Data Science Storage” (DSS) mit anderen LRZ-Computern geteilt werden. So
wäre es beispielsweise möglich, die Daten als Input für aufwändige Rechnungen auf
dem SuperMUC, einem der schnellsten Rechner in Europa, zu verwenden. Oder sie
auf der GPGPU-Farm des LRZ mit Methoden des Machine Learning zu analysieren,
ohne sie erneut kopieren und übertragen zu müssen; dies ist insbesondere für große
Datensätze im TeraByte-Bereich von Bedeutung.
28
Tagungsband UIS 2018
Beim vorgestellten Anwendungsfall handelt es sich um einen Forschungsspezialfall,
der nur bedingt wiederverwendbar ist. Die verwendeten Methoden sind jedoch auf
andere hydrologische Fragestellungen übertragbar. Die Anwendungsmöglichkeiten
lassen sich dabei allgemein in zwei Gruppen aufteilen.
Einerseits kann durch eine automatische Datenübertragung, -darstellung, -sicherung
und -auswertung bei kontinuierlich messenden Messstationen (z.B. Abfluss,
Meteorologie) die Wartung deutlich erleichtert werden. Unregelmäßigkeiten können
automatisch erkannt und die Wartungsintervalle der Stationen den Bedürfnissen
entsprechend angepasst werden.
Andererseits besteht im hydrologischen Bereich die Problematik, dass
Umweltmessdaten mit großer räumlicher und zeitlicher Heterogenität, die nicht über
Satellit, Befliegungen oder Radar gemessen werden können, oft nicht mit
ausreichender Genauigkeit erfasst werden. Beispiele sind hier Schneehöhen,
Bodentemperaturprofile oder Bodenfeuchteprofile. Eine kosteneffiziente Erstellung
und Wartung von kleinräumigen Messnetzen würde die Datengrundlage für detaillierte
Analysen erheblich verbessern.
Danksagung
Die Untersuchungen erfolgten innerhalb des ProNaHo-Forschungsvorhabens, das im
Auftrag des Bayerischen Landesamtes für Umwelt durchgeführt wird. Unterstützt
wurden die Feld- und Laboranalysen durch das DHG Forschungsstipendium für
hydrologische Feldstudien.
6 Literaturverzeichnis
Adafruit (2018): Adafruit Industries, Unique & fun DIY electronics and kits.
https://www.adafruit.com/ (aufgerufen am 3.6.2018).
Amazfit (2018): https://www.geekbuying.com/item/English-Version-Huami-Amazfit-
Smartwatch-Youth-Edition-392751.html, https://www.xiaomiglobal.de/ (aufgerufen am
3.6.2018).
Bachmair, S.; Weiler, M. (2014): Interactions and connectivity between runoff generation
process-es of different spatial scales. In: Hydrological Processes 28, 4, 1916–1930.
BGL (1996): Geologische Übersichtskarte 1:500.000 Bayern. München: Bayerisches
Geologisches Landesamt.
Bracken, L.J.; Wainwright, J.; Ali, G.A.; Tetzlaff, D.; Amith, M.W.; Reaney, S.M.; Roy, A.G.
(2013): Concepts of hydrological connectivity: Research approaches, pathways and future
agendas. In: Earth-Science Reviews 119, 17–34.
29
Tagungsband UIS 2018
cytopia (2018): SSH tunnelling for fun and profit: Autossh. https://www.everythingcli.org/ssh-
tunnelling-for-fun-and-profit-autossh/ (aufgerufen am 3.6.2018).
Cytron (2018): example tutorial of LoRa wireless point-to-point communication.
https://cytrontechnologies.github.io/RFM-LoRa-Shield-Examples/
(aufgerufen am 3.6.2018).
DAVIS (2018): Vantage Pro2 Sensor Suite. https://www.davisnet.com/solution/vantage-pro2/
(aufgerufen am 01.06.2018).
DWA (2015): DWA-M550 - Dezentrale Maßnahmen zur Hochwasserminderung. Deutsche
Vereinigung für Wasserwirtschaft, Abwasser und Abfall.
EBay (2018): ESP8266 Serial WIFI Wireless Transceiver. https://www.ebay.de/itm/ESP8266-
ESP-01-Serial-WIFI-Wireless-Transceiver-Wireless-LWIP-AP-STA-
AIP/142636717307?hash=item2135cf94fb:g:sG0AAOSwEeVZeyZo
(aufgerufen am 3.6.2018).
element14 (2018): http://uk.farnell.com/internet-of-things (aufgerufen am 3.6.2018).
Espressif (2018): ESP8266. https://www.espressif.com/en/products/hardware/esp8266ex/
overview (aufgerufen am 3.6.2018).
Frings (2018): ESP8266 und ESP8285 Module Starter Anleitung.
http://stefanfrings.de/esp8266/ (aufgerufen am 3.6.2018).
GreatScott! (2018): https://www.youtube.com/channel/UC6mIxFTvXkWQVEHPsEdflzQ
(aufgerufen am 3.6.2018).
Hackster (2018): Learn to design, create, and program electronics. https://www.hackster.io/
(aufgerufen am 3.6.2018).
Highcharts (2018): Make your data come alive. https://www.highcharts.com (aufgerufen am
3.6.2018).
IFTTT (2018): If This Then That. https://ifttt.com/ (aufgerufen am 3.6.2018).
instructables (2018): http://www.instructables.com/ (aufgerufen am 3.6.2018).
Lewis (2016): Now you can always take the weather with you.
https://www.ibm.com/blogs/internet-of-things/weather/ (aufgerufen am 3.6.2018).
LFU (2015): Digitale Übersichtsbodenkarte von Bayern im Maßstab 1:25000: ÜBK25.
Augsburg: Bayerisches Landesamt für Umwelt.
LRZ (2018): The LRZ Compute Cloud. https://www.lrz.de/cloud (aufgerufen am 3.6.2018).
Make (2018): Work Shop https://www.youtube.com/channel/UChtY6O8Ahw2cz05PS2GhUbg
(aufgerufen am 3.6.2018).
Make: Magazin (2018): https://www.heise.de/make/ (aufgerufen am 3.6.2018).
Maker Faire (2018): Bodensee, 2. Juni 2018. https://maker-faire.de/ (aufgerufen am 3.6.2018).
MQTT (2018): https://mosquitto.org/ (aufgerufen am 3.6.2018).
Nest (2018): Nest Thermostats. https://nest.com/thermostats/ (aufgerufen am 3.6.2018).
Philips Hue (2018): Das smarte LED-Lichtsystem mit App-Steuerung.
https://www2.meethue.com/de-de#, https://www.digitaltrends.com/smart-home-reviews/
philips-hue-review/ (aufgerufen am 2.6.2018).
Prusa (2018): Original Prusa i3 MK2S kit. https://shop.prusa3d.com/ (aufgerufen am 3.6.2018).
30
Tagungsband UIS 2018
Qivicon (2018): Willkommen im Smart Home. https://www.qivicon.com/de/,
https://www.amazon.de/Deutsche-Telekom-QIVICON-Home-99920525/dp/B00J8K5AWG
(aufgerufen am 3.6.2018).
RaspberryPi (2018): Teach, Learn and Make with Raspberry Pi. https://www.raspberrypi.org/
(aufgerufen am 4.6.2018).
Rieger, W.; Teschemacher, S.; Haas, S.; Springer, J.; Disse, M. (2017): Multikriterielle
Wirksamkeitsanalysen zum dezentralen Hochwasserschutz. In: Wasserwirtschaft 107, 11,
S. 56–60.
Schulla (2017): Model Description. WaSiM: Water balance Simulation Model. Zürich.
Sparkfun (2018): https://www.sparkfun.com/ (aufgerufen am 3.6.2018).
Spiess, A. (2018). The Guy with the Swiss Accent. https://www.youtube.com/channel/
UCu7_D0o48KbfhpEohoP7YSQ/featured (aufgerufen am 3.6.2018).
Teschemacher, S.; Haas, S.; Rieger, W. (2015): ProNaHo Prozessbasierte Modellierung
Natürlicher sowie Dezentraler Hochwasserrückhaltemaßnahmen zur Analyse der ereignis-
und gebietsabhängigen Wirksamkeit. IN: DWA Landesverbandstagung Bayern, Straubing,
Germany, Oct 21-22, 2015.
Teschemacher, S.; Disse, M.; Rieger, W. (2018): Experimentelle und modellgestützte
Untersuchung der Abflussbildung und -konzentration in verschiedenen Landnutzungstypen
am Beispiel eines Messhangs im Einzugsgebiet der Glonn (Odelzhausen). In: Forum für
Hydrologie und Wasserbewirtschaftung, Heft 39.18, Beiträge zum Tag der Hydrologie 2018.
Dresden, S. 95-106.
Teschemacher, S.; Heller, H. (2018): http://tunnel.dyn.mwn.de/~sonja/meteo (aufgerufen am
3.6.2018).
The Mathworks (2018): ThingSpeak. https://thingspeak.com (aufgerufen am 3.6.2018).
TPAI (2018): The Post Apocalyptic Inventor. https://www.youtube.com/channel/
UCDbWmfrwmzn1ZsGgrYRUxoA (aufgerufen am 3.6.2018).
Withings (2018): Withings WS-50 Smart Body Analyzer. https://www.amazon.de/Withings-
WS-50-Smart-Analyzer-schwarz/dp/B00BKRQ4E8, https://support.health.nokia.com/hc/de
/categories/200118207-Smart-Body-Analyzer-WS-50 (aufgerufen am 3.6.2018).
31