Deutsch In den letzten Jahren kam es vermehrt zu extremen Hochwasserereignissen, die wahrscheinlich auch durch den Klimawandel begünstigt wurden. Solche Ereignisse verursachen in den betroffenen Regionen nicht nur erhebliche Sachschäden an Infrastruktur und Eigentum, sondern stellen auch ein erhöhtes Risiko für die Gefährdung von Menschenleben dar. Aus diesem Grund wollen wir mit unserem System FloodTastic in Kooperation mit dem Hydrographischen Dienst Land Kärnten die bestehenden, aber sehr kostenintensiven Hochwassererkennungssysteme ergänzen. Dadurch könnte ein kostengünstiges und dichteres Netzwerk an Messeinrichtungen aufgebaut und so eine deutlich präzisere Überwachung der Pegelstände und eine verbesserte Frühwarnung der Bevölkerung ermöglicht werden. Hierbei wird der Wasserstand von Flüssen mit eigenen Messeinrichtungen gemessen und über eine LoRa-Verbindung an einen zentralen Server übertragen. Für eine umfassendere Auswertung der Pegeldaten werden neben den eigenen Messwerten auch Wetter- und Wasserstandsdaten des Hydrographischen Dienstes Land Kärnten sowie aufbereitete Wetterdaten von der GeoSphere Austria einbezogen. In weiterer Instanz werden die Pegelwerte mit einem KI-Modell analysiert, um bei kritischen Entwicklungen eine Alarmierung per App zu ermöglichen.
English In recent years, there has been an increase in extreme flooding events, which have probably also been favoured by climate change. Such events not only cause considerable material damage to infrastructure and property in the affected regions, but also pose an increased risk to human life. For this reason, we want to supplement the existing but very cost-intensive flood detection systems with our FloodTastic system in cooperation with the Carinthian Hydrographic Service. This would enable a more cost-effective and denser network of measuring devices to be set up, allowing much more precise monitoring of water levels and improving early warning for the population. In this system, the water level of rivers is measured using proprietary measuring equipment and transmitted to a central server via a LoRa connection. For a more comprehensive evaluation of the water level data, weather and water level data from the Hydrographic Service of Carinthia and processed weather data from GeoSphere Austria are included in addition to the own measured values. In a further instance, the water level values are analysed using an AI model to enable alerts to be sent via app in the case of critical developments.
Der Wasserstand wird mithilfe selbst entwickelter Messeinrichtungen kontaktlos gemessen. Im Rahmen dieser Diplomarbeit wurden zwei Varianten umgesetzt: Eine Messeinrichtung nutzt einen Ultraschallsensor, die andere basiert auf einem Radarsensor. Beide Geräte sind in einem wetterfesten Gehäuse verbaut und für den Außeneinsatz konzipiert. Damit die Messungen kontinuierlich erfolgen können, sind die Systeme mit einem autarken Energiesystem ausgestattet. Ein Solarpanel sorgt für die Stromversorgung, sodass kein externer Stromanschluss notwendig ist.
Die Daten der Messeinrichtungen werden über LoRa übertragen. Dabei bestehen zwischen den einzelnen Messeinrichtungen Point-to-Point-Verbindungen, während die Hauptknoten alle empfangenen Daten gesammelt an zentrale LoRa-Gateways weiterleiten. Diese Gateways sind in das The Things Network integriert, wodurch eine zuverlässige und effiziente Datenübertragung gewährleistet wird.
Mithilfe von Docker wird eine flexible und effiziente Serververwaltung ermöglicht. Die Serveranwendungen laufen auf zwei virtuellen Servern von Anexia. Für die Datenspeicherung kommt TimescaleDB zum Einsatz. Dabei handelt es sich um eine Erweiterung für die relationale Datenbank PostgreSQL, welche eine performante Speicherung und Verwaltung zeitbasierter Daten ermöglicht. Dadurch wird eine Leistung erreicht, die mit Zeitreihendatenbanken vergleichbar ist. Der Zugriff auf die Daten erfolgt über eine API, die in Rust unter Verwendung des Actix-Frameworks entwickelt wird, um eine hohe Effizienz und hervorragende Anfragefähigkeit zu gewährleisten.
Für die frühzeitige Erkennung von Hochwasserereignissen werden Wasserstand,
Abfluss und Wetterdaten mithilfe eines eigens entwickelten KI-Modells analysiert.
Dabei spielt die zeitliche Entwicklung dieser Messwerte eine zentrale Rolle.
Zum Einsatz kommt ein rekurrentes neuronales Netzwerk auf Basis der Long Short-Term Memory (LSTM) Architektur,
das speziell für die Verarbeitung von Zeitreihendaten geeignet ist.
Das KI-Modell wurde
in Python unter Verwendung von Keras und TensorFlow umgesetzt und besteht aus vier aufeinanderfolgenden
LSTM-Schichten. Als Eingangsdaten dienen unter anderem die Wasserstands- und Abflussdaten des
Hydrographischen Dienstes Land Kärnten sowie Wetterdaten der GeoSphere Austria. Das trainierte
LSTM-Modell prognostiziert Abflusswerte für ausgewählte Stationen in einer zeitlichen Auflösung
von einer Stunde, wodurch eine präzisere und frühzeitige Hochwasserwarnung ermöglicht wird.
Die Darstellung der Messdaten erfolgt über eine eigens entwickelte iOS-App, die aus einer Startansicht und einer Kartenansicht besteht. In der Startansicht werden alle Stationen in einer Liste dargestellt, wobei die wichtigsten Informationen wie aktueller Wasserstand und Warnstatus direkt ersichtlich sind. In der Kartenansicht erscheinen die Stationen als Pinnadel auf einer interaktiven Karte und lassen sich antippen, um detaillierte Messwerte abzurufen. Bei erhöhter Hochwassergefahr erfolgt eine automatische Push-Benachrichtigung über das Apple Push Notification System (APNs), um Nutzerinnen und Nutzer frühzeitig zu warnen. Zusätzlich wurde eine React Webseite entwickelt, auf der die Stationen ebenfalls in einer Listen- und Kartenansicht visuell dargestellt werden. Über die Weboberfläche können Konfigurationen an den Messeinrichtungen vorgenommen werden, zum Beispiel die Anpassung des Messintervalls oder die Verwaltung einzelner Stationen.