Ein Teilziel des Forschungsprojekts FAIR ist die Entwicklung von Ansätzen zur flächendeckenden Erfassung von Temperaturdaten mit Hilfe von Mobiltelefonen. Als Basis für die eigentliche Forschung an geeigneten Messverfahren und Modellen wurde im Rahmen von FAIR die MoWeSta Plattform zur Erfassung von Temperaturdaten vom Lehrstuhl für Networked Embedded Systems der Universität Duisburg-Essen entwickelt.
MoWeSta besteht aus einem Dienst zur Erfassung und Verarbeitung von Wetterdaten, der über eine zugehörige Android App sowie Arduino-basierte Umweltsensoren mit Messungen versorgt werden kann. Um die Messungen der verschiedenen Nutzer und Geräte auszuwerten, greift der Dienst in regelmäßigen Abständen auf Daten der Messstationen des Deutschen Wetterdiensts (DWD) zu und speichert sie. Sowohl über die Android App als auch über eine Webanwendung können Nutzer die Messungen ihrer eigenen Geräte und die Messungen des DWD einsehen und nutzen.
Im Hintergrund werden die Daten von den Forschern der Universität Duisburg-Essen zur Entwicklung und Bewertung von Messverfahren und Modellen verwendet. Um die spezifischen Herausforderungen dieser Forschungsarbeit zu motivieren, beschreiben wir im Folgenden beispielhaft die Auswertung einiger einfacher Szenarien.
Um die grundsätzliche Eignung von Mobiltelefonen für die Erfassung von Temperaturdaten zu veranschaulichen, beginnen wir mit einem einfachen Experiment, bei dem wir einen Arduino-basierten Umweltsensor zusammen mit einem Android-basierten Mobiltelefon über drei Tage im Außenbereich nutzen, um die Temperatur zu erfassen. Auf dem Arduino verwenden wir die MoWeSta Software, die auf Github zur freien Nutzung bereitgestellt wird. Auf dem Mobiltelefon verwenden wir die MoWeSta App, die kostenlos bei Google Play erhältlich ist. Im Gegensatz zum Arduino ist das Mobiltelefon jedoch nicht mit einem dedizierten Außentemperatursensor ausgestattet. Um dennoch die Temperatur abschätzen zu können, erfassen wir auf dem Mobiltelefon stattdessen die Temperatur der Batterie.
Um die Geräte vor Diebstahl zu schützen, platzieren wir sie auf einem Balkon im ersten Obergeschoss mit Süd-Ost-Ausrichtung. Da bei dieser Ausrichtung unsere Messungen stark durch die Sonne beeinflusst werden, stellen wir sie unter einen Tisch, so dass sie die meiste Zeit über nicht der direkten Strahlung der Sonne ausgesetzt sind.
Abbildung 1 zeigt die Ergebnisse dieser Messungen. Neben dem Arduino (orange) und dem Mobiltelefon (grau) tragen wir als Vergleich noch die Messdaten der nächstliegenden DWD Messstation (blau) auf. Diese ist 12 km (Luftlinie) entfernt und liegt ca. 100 m höher als der Messort auf dem Balkon. Entsprechend sind leichte Abweichungen zwischen den Messwerten schon aufgrund der Standortunterschiede zu erwarten.
Wie die Abbildung veranschaulicht, liegen die Temperaturmessungen des Umweltsensors im Schnitt ca. 2 Grad über den Werten der Messstation. Über die Mittagszeit liegen die Werte des Umweltsensors jedoch erkennbar höher. Eine einfache Erklärung hierfür ist, dass der ad hoc Sonnenschutz durch den Tisch weniger effektiv ist als der kontrollierte Aufbau der Messstation des DWD. So wird sowohl der Sensor als auch das Mobiltelefon in den Morgenstunden trotz des Tisches von der Sonne getroffen und entsprechend sind die Messwerte besonders am ersten Tag der Messung deutlich zu hoch.
Betrachtet man die Messungen des Mobiltelefons, das neben dem Umweltsensor platziert ist, so kann man feststellen, dass sie im Schnitt um 3-4 Grad über den Messungen des DWD liegen. Der grundsätzliche Verlauf der Messungen des Mobiltelefons entspricht dabei in etwa den Messungen des Umweltsensors. Allerdings ist der Effekt der Sonneneinstrahlung vor allem an Tag 2 und 3 ausgeprägter und hält länger an. Ein Grund hierfür ist, dass die Batterietemperatur im inneren des Mobiltelefons gemessen wird und das Gehäuse zum Schutz der Bauteile geschlossen ist. Das Gehäuse des Umweltsensors ist hingegen gut belüftet, um Änderungen der Umgebungstemperatur möglichst schnell erfassen zu können.
Am späten Abend und in der Nacht, wenn die Sonne die Messungen auf dem Balkon nicht mehr beeinflussen kann, ist der Verlauf aller Messungen, abgesehen von einem kleinen Versatz sehr ähnlich. Aufgrund dieses Sachverhalts ist es analog zu bestehenden Ergebnissen [1] problemlos möglich, die Messungen des Mobiltelefons z.B. mit Hilfe des linearen Heat-Transfer-Models auf die Messungen der Wetterstation zu kalibrieren. Selbst ohne weitere Filterung, wie sie von Overeem et al. vorgeschlagen wird, ergibt sich so für dieses Beispiel ein durchschnittlicher Fehler (mean average error) von ca. 2 Grad Celsius.
Da wohl nur sehr wenige Personen ihr Telefon über Nacht auf den Balkon legen würden, stellt sich natürlich die Frage, ob sich ähnliche Ergebnisse auch mit Messungen im Innenbereich erreichen lassen. Um das zu testen, holen wir das Mobiltelefon und den Umweltsensor vom Balkon und legen ihn für 3 Tage in die Wohnung. Während der Messungen ist die Wohnung nicht klimatisiert und die Türen und Fenster sind aufgrund der hohen Außentemperaturen in der Regel geöffnet.
Abbildung 2 zeigt wieder die Messwerte der DWD Messstation (blau), des Umweltsensors (grau) und des Mobiltelefons (orange) im zeitlichen Verlauf. Wie man deutlich erkennen kann, messen das Mobiltelefon und der Umweltsensor jetzt abgesehen von einem konstanten Versatz durchgängig sehr ähnliche Verläufe. Vergleicht man jedoch die Messungen im Innenraum mit den Messwerten der DWD Station, so sieht man deutlich, dass die Messungen im Innenraum den Temperaturverlauf der Außentemperatur nur schlecht wiedergeben. Zwar gibt es aufgrund der guten Belüftung einen Unterschied zwischen Tag (wärmer) und Nacht (kälter), aber die Differenz beträgt nur rund 2-3 Grad Celsius.
Auch in diesem Szenario lässt sich auch das Heat-Transfer-Model anwenden, um eine lineare Abbildung zwischen Innen- und Außentemperatur zu berechnen. Der daraus resultierende durchschnittliche Fehler ist aufgrund der geringeren Schwankungen mit ca. 1,6 Grad Celsius (mean average error) sogar geringer als bei den Messungen auf dem Balkon. Allerdings sind die für den Innen- und Außenbereich erforderlichen Abbildungen sehr unterschiedlich, denn für die Abbildung der Messungen im Innenbereich müssen die Messwerte deutlich stärker skaliert werden. Entsprechend lässt sich ein solcher Ansatz nicht sinnvoll auf Tagesverläufe anwenden, die Messungen aus Innen- und Außenbereich kombinieren. Abgesehen davon ergeben sich bei der Nutzung von Daten aus dem Innenbereich z.B. durch Klimatisierung noch weitere Fragestellungen, die sich ohne weiteres Wissen über die Umgebung nicht einfach lösen lassen.
Um diese Probleme zu vermeiden, konzentriert sich die derzeitige Entwicklung der Verfahren und Modelle auf die Auswertung von Messungen aus dem Außenbereich. Der Fokus liegt dabei zum einen auf der Konzeption von kontextabhängigen Filtern zur Auswahl der Messungen sowie der Bereitstellung von Modellen zur Abbildung der Messungen auf die Außentemperatur. Primärer Fokus für die Filterung ist die Nutzung von Positionsinformationen, die mit Karteninformationen angereichert werden. Fokus für die Modellbildung ist der zeitliche Verlauf der Messdaten bei längerem Aufenthalt im Außenbereich.
[1] Overeem, A. & Robinson, James & Leijnse, H. & Steeneveld, Gert-Jan & Horn, Berthold & Uijlenhoet, Remko. (2013). Crowdsourcing urban air temperatures from smartphone battery temperatures. Geophysical Research Letters. 10.1002/grl.50786.