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.
Mithilfe von Radar- und Ultraschallsensoren wird der Wasserstand kontaktlos gemessen. Die gesamte Elektronik ist in einem witterungsbeständigen Gehäuse untergebracht. Um kontinuierliche Messungen durchzuführen, ist die Messeinrichtung mit einem autarken Energiesystem ausgestattet.
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 Hochwasser werden Informationen über Wasserstand, Abfluss (Fließgeschwindigkeit) und Wetter mithilfe eines eigens entwickelten KI-Modells analysiert. Dabei spielt die zeitliche Entwicklung dieser Daten eine zentrale Rolle. Das KI-Modell wird mithilfe von TensorFlow erstellt und mit verschiedenen Lernmethoden trainiert. Im Rahmen des Deep Learnings kommt dabei ein rekurrentes neuronales Netz (RNN) zum Einsatz, das speziell für die Analyse von Zeitreihendaten entwickelt wurde. Um zeitliche Abhängigkeiten und Muster präzise zu erfassen, wird eine erweiterte Architektur wie Long Short-Term Memory (LSTM) oder Gated Recurrent Unit (GRU) verwendet.
Die Darstellung der Daten erfolgt über eine iOS- und Android-App, in der die Stationen übersichtlich auf einer Karte visualisiert werden. Durch Anklicken einer Station können alle zugehörigen Informationen und Messwerte abgerufen werden. Wird ein Hochwasser frühzeitig erkannt, erhält man eine Benachrichtigung. Um die volle Funktionalität der App zu gewährleisten, wird sie native für beide Plattformen entwickelt. Zusätzlich bietet eine Webseite autorisierten Personen die Möglichkeit, Einstellungen für die Messeinrichtungen vorzunehmen.