Man öffnet die Wetter-App. Kein Regen laut Vorhersage. Man tritt vor die Tür und wird nass. Das passiert, weil die nächste offizielle Wetterstation bis zu 15 Kilometer entfernt sein kann, auf der anderen Seite eines Hügels, in einem völlig anderen Mikroklima. Traditionelle Meteorologie hat ein Auflösungsproblem — Community-Mesh-Netzwerke sind die vielversprechendste Lösung.
Das britische Met Office betreibt rund 200 offizielle Wetterstationen im ganzen Land. Der US National Weather Service verfügt über etwa 900 automatisierte Oberflächenbeobachtungssysteme. Das klingt nach viel, bis man die betroffenen Flächen betrachtet. In der Praxis beträgt der durchschnittliche Abstand zwischen Stationen in den meisten Industrieländern 25 bis 40 km — und in ländlichen oder weniger entwickelten Regionen ist er noch deutlich größer.
Wetter ist jedoch intensiv lokal. Die Niederschlagsmenge kann zwischen zwei nur 5 km entfernten Orten um 50 % variieren. Temperaturunterschiede von 3 bis 5 °C zwischen einem Stadtzentrum und den umliegenden Vororten sind keine Seltenheit — das ist der bekannte Wärmeinseleffekt. Eine einzige Wetterstation kann schlichtweg nicht die Bedingungen in ihrem gesamten Einzugsbereich abbilden.
Radar- und Satellitendaten helfen, einige Lücken zu schließen, messen aber von oben. Sie können feststellen, dass eine Regenwolke über einem Gebiet liegt, aber nicht, ob es tatsächlich auf Straßenniveau regnet (Virga — Regen, der vor dem Auftreffen verdunstet — ist eine häufige Ursache für Fehlmeldungen).
Ein Wetter-Mesh-Netzwerk ist ein System, das atmosphärische Messwerte von einer großen Anzahl verteilter Sensoren zusammenführt — private Wetterstationen, Smartphones, IoT-Geräte und sogar vernetzte Fahrzeuge — um ein hochauflösendes Beobachtungsraster zu erstellen. Anstatt sich auf einige hundert professionelle Stationen zu stützen, kann ein Mesh-Netzwerk auf Zehntausende oder sogar Millionen von Datenpunkten zurückgreifen.
Der Begriff „Mesh" bezieht sich auf die Netzwerktopologie: Jeder Knoten (Sensor) liefert Daten, und das Netzwerk wird genauer, je mehr Knoten hinzukommen. Es gibt keinen einzelnen Ausfallpunkt, und die Abdeckung konzentriert sich von Natur aus dort, wo Menschen sind — genau dort, wo genaue Wetterinformationen am meisten zählen.
Eine Tatsache, die die meisten überrascht: Fast jedes Smartphone, das seit 2012 hergestellt wurde, enthält einen Luftdrucksensor. Er wurde ursprünglich zur Unterstützung der GPS-Höhenberechnung eingebaut, liefert aber auch kontinuierliche, genaue Messwerte des Luftdrucks.
Luftdruck ist eine der wertvollsten meteorologischen Messgrößen. Schnell sinkender Druck zeigt herannahende Stürme an. Druckgradienten zwischen nahe gelegenen Orten verraten Windmuster. Und da Smartphone-Barometer auf etwa 0,1 hPa genau sind, sind sie für die Wetterbeobachtung tatsächlich nützlich — kein bloßes Spielzeug.
Das PressureNet-Projekt, durchgeführt von Forschern der University of Washington, bewies dies Anfang der 2010er Jahre. Sie sammelten Luftdruckmessungen von Android-Handys und zeigten, dass Smartphone-Druckdaten die Genauigkeit von Wettermodellen verbessern können — insbesondere bei der Vorhersage konvektiver Stürme. Die Forschung wurde im Bulletin of the American Meteorological Society veröffentlicht und zeigte ein klares Signal selbst mit einfacher Qualitätskontrolle.
Während Smartphones Druckdaten liefern, bieten private Wetterstationen (PWS) das Gesamtpaket: Temperatur, Luftfeuchtigkeit, Windgeschwindigkeit, Windrichtung, Niederschlag, UV-Index und manchmal Luftqualität. Stationen von Herstellern wie Davis Instruments, Ecowitt und Ambient Weather kosten zwischen etwa 100 und 500 Dollar.
Weather Underground war Vorreiter bei der Bündelung von PWS-Daten und hat ein Netzwerk aufgebaut, das mittlerweile über 250.000 Stationen weltweit umfasst. Die interaktive Karte zeigt Messwerte einzelner Stationen in der eigenen Nachbarschaft, oft im Sekundentakt aktualisiert.
Die Datenqualität variiert — eine an einer nach Süden ausgerichteten Wand montierte Station wird bei der Temperatur zu hoch messen; eine durch ein Gebäude geschützte Station wird den Wind unterschätzen — aber statistische Methoden können Ausreißer erkennen und herausfiltern, wenn genügend Stationen beitragen. Dichte kompensiert individuelle Ungenauigkeit.
Professionelle Wetterstationen kosten 10.000 bis 50.000 Dollar, werden von ausgebildeten Technikern gewartet und folgen den Aufstellungsrichtlinien der WMO (Weltorganisation für Meteorologie). Eine 150-Dollar-Heimstation auf einem Zaunpfahl kann diese individuelle Genauigkeit nicht erreichen.
Aber hier liegt eine kontraintuitive Erkenntnis: Eine Gruppe von 20 günstigen Stationen innerhalb eines 5-km-Radius liefert häufig ein genaueres Bild der örtlichen Verhältnisse als eine einzelne professionelle Station 25 km entfernt. Die Messfehler einzelner günstiger Stationen sind weitgehend zufällig — manche messen zu hoch, andere zu niedrig — und heben sich beim Mitteln gegenseitig auf. Die professionelle Station misst präzise, aber schlicht nicht am richtigen Ort.
Jedes System, das standortbezogene Daten erfasst, wirft Datenschutzfragen auf. Wenn eine Wetter-App genaue GPS-Koordinaten und den Luftdruck kennt (der mit der Höhe und damit dem Stockwerk in einem Gebäude korreliert), sind das potenziell sensible Informationen.
Gut konzipierte Mesh-Netzwerke begegnen dem mit mehreren Techniken:
Cloudmesh Weather setzt genau diesen datenschutzorientierten Mesh-Ansatz um — Messwerte werden ohne Nutzeridentifikatoren und mit vergröberten Koordinaten übermittelt, sodass das Netzwerk Daten gewinnt, ohne dass der Standort von jemandem verfolgt wird.
Hyperlokale Wetterdaten haben Anwendungen, die traditionelle Vorhersagen schlicht nicht bedienen können:
Smartphones enthalten einen weiteren für die Umweltüberwachung relevanten Sensor: einen Beschleunigungsmesser. Das MyShake-Projekt der UC Berkeley zeigte, dass Smartphone-Beschleunigungsmesser Erdbeben-P-Wellen erkennen können — die schnellen, weniger zerstörerischen Wellen, die vor den schädlichen S-Wellen eintreffen. Mit genügend Handys in einem Netzwerk ist es möglich, Warnungen auszusprechen, bevor das Schütteln einen bestimmten Ort erreicht.
Japans nationales Erdbebenfrühwarnsystem funktioniert nach diesem Prinzip mit dedizierten Sensoren. Ein dichtes handybasiertes Netzwerk könnte theoretisch ähnliche Abdeckung zu einem Bruchteil der Infrastrukturkosten bieten. Die Herausforderung liegt im Herausfiltern von Falschmeldungen — Schritte, zuschlagende Türen, fallen gelassene Handys — was sowohl intelligente Algorithmen als auch hohe Sensordichte erfordert.
Weltweit sind rund 6,8 Milliarden Smartphones in Betrieb. Jedes enthält ein Barometer, einen Beschleunigungsmesser, einen Lichtsensor, ein Mikrofon und GPS. Das ist ein unvorstellbar dichtes Sensornetzwerk, das bereits ausgerollt, bereits mit Strom versorgt und bereits mit dem Internet verbunden ist.
Die technischen Herausforderungen sind real: Akkulaufzeit, Datenqualität, Datenschutz und das schiere Volumen an Daten, das Millionen von Geräten erzeugen würden. Die Entwicklungsrichtung ist jedoch klar. Apple, Google und mehrere Forschungsgruppen arbeiten aktiv an Frameworks, die es Apps ermöglichen, Sensordaten mit minimalem Akkuverbrauch und starken Datenschutzgarantien beizusteuern.
Traditionelle Meteorologie liefert uns das große Bild — synoptische Wettermuster, mehrtägige Vorhersagen, Klimamodellierung. Das wird unverzichtbar bleiben. Aber für die Frage, die die meisten Menschen tatsächlich stellen — „Wird es genau hier auf mich regnen, in der nächsten Stunde?" — wird die Antwort zunehmend von den Handys in der Umgebung kommen, nicht von einer Wetterstation auf der anderen Seite der Stadt.