UdZ / Edition 03.21

SPECTRUM – APPLIED RESEARCH 98 / UdZ 03.21 nenen Luftqualitätsdaten ausgestattet. Die über den Sensor erfassten Daten werden via Bluetooth an die Telematikeinheit gesendet und dann über das Mobilfunknetz an eine Datenbank gefunkt. Dort werden die Messwerte mit den entsprechenden GPS-Koordinaten versehen und können bei Bedarf mit weiteren externen Datenquellen angereichert werden (s. Figure 1). Durch das entwickelte Iot-Netz sind die Daten nicht nur in Echtzeit ab- rufbar, sondern es ermöglicht darüber hinaus eine Beurteilung der Luftqualität im gesamten Stadtgebiet. Für die visuelle Auswertung wurde eine über die Stadtkarte ge- legteHeatmapgewählt, da diese ein verständliches und intuitives Tool darstellt (s. Figure 2, S. 99). Der/Die Anwendernde hat die Möglichkeit der objektiven Bewertung und kann die Entwicklung der Luftqualitätssituation über den Tag, aber auch historisch be- trachtet, nachvollziehen. Orte besonders guter Luftqualität bzw. besonders hoher Luftverschmutzung lassen sich so identifizieren, was Städte in die Lage versetzt, beispielsweise einen geeigneten Standort für einen neuen Kindergarten auszuwählen. Darüber hinaus kann mit einer solch umfassenden und präzisen Echtzeit- Datenbasis eine Vielzahl weiterer Anwendungsfälle umgesetzt werden. Diese reichen von Smart-City-Ansätzen, wie einer Intelligenten Lichtsignalsteuerung über die Erfassung nächtlicher Kältestrome, bis zumBevölkerungsschutz nach Großbränden. the air quality data obtained. The data collected via the sensor is sent to the telematics unit via Bluetooth and then radioed to a database via the cellular network. There, the measured values are provided with the corresponding GPS coordinates and can be enriched with further external data sources if required (see Figure 1). Through the developed Iot network, the data are not only retrievable in real time, but it also enables an assessment of the air quality in the entire urban area. For the visual evaluation, a heat map superimposed on the city map was chosen because it is a comprehensible and intuitive tool (see Figure 2, p. 99). The user has the possibility of an objective evaluation and can follow the development of the air quality situation over the day, but also historically. Places of particularly good air quality or particularly high air pollution can thus be identified, enabling cities to select a suitable location for a new kindergarten, for example. In addition, such a comprehensive and precise real-time database can be used to implement a wide range of other use cases. These range from smart city approaches, such as intelligent light signal control, to the detection of nocturnal cold currents, to population protection after major fires. 1 Speicher Big Query Analysis Further data sources Big Data Gateway Container Engine +.NET Core Stream More than 60,000 records per second ETL & Enrichment Machine Learning Heatmaps Mobile Fleets Sensor Stack Smal Log Files sent semi-continuously (sometimes bundled) Bild 1: AirQuality Heatmap Figure 1: Simplified representation of the data flow for mobile data acquisition in the ‘ AirQuality ’ project (own illustration) 2 Staubpartikel (PM = Particulate Matter) werden abhängig ihrer Größe in verschiedene Klassen eingeteilt. Feinstaub mit einemDurchmesser kleiner als 10 µmwird als PM 10 klassifiziert, Teilchen mit einemDurch- messer kleiner als 2,5 µm als PM 2,5 (s. Umweltbundesamt 2021). 2 Dust particles (PM = Particulate Matter) are divided into different clas- ses depending on their size. Particulate matter with a diameter smaller than 10 µm is classified as PM 10, particles with a diameter smaller than 2.5 µm as PM 2.5 (see Federal Environment Agency 2021).