Crowdsourced Thermal Mapping Using Glider GPS Data

Die traditionelle Erfassung von Temperaturdaten in Gewässern ist oft ein kostspieliges und räumlich begrenztes Unterfangen. Forschungsschiffe und fest installierte Stationen liefern zwar präzise Daten, doch ihr Einsatz erlaubt nur Momentaufnahmen oder punktuelle Messungen. Für ein dynamisches, flächendeckendes Verständnis von Phänomenen wie der Wärmespeicherung in Seen, der Entstehung von Kaltwasserzonen oder dem Einfluss von Zuflüssen sind neue, skalierbare Methoden erforderlich.

Ein vielversprechender Ansatz liegt in der Verschmelzung von Bürgerwissenschaft (Citizen Science) und moderner Freizeittechnologie. Segel- und Surfgleiter, die mit handelsüblichen GPS-Geräten ausgestattet sind, durchqueren kontinuierlich Gewässer. Diese Geräte protokollieren nicht nur die Position, sondern häufig auch Geschwindigkeit, Kurs und – entscheidend – die Wassertemperatur. Die aggregierten Daten Tausender solcher privaten Fahrten bilden ein massives, sich selbst erneuerndes und verteiltes Sensornetzwerk.

Dieser Artikel untersucht die Methodik und das Potenzial der crowdgesourcten thermischen Kartierung mittels solcher GPS-Daten von Gleitern. Der Fokus liegt auf der Datenakquisition, der Fusion und Bereinigung heterogener Datensätze sowie der algorithmischen Interpolation zu hochaufgelösten, zeitlich dynamischen Temperaturkarten. Wir beleuchten, wie diese kostengünstige Methode die limnologische Forschung und das Gewässermonitoring revolutionieren kann, indem sie räumliche Muster und zeitliche Trends sichtbar macht, die mit konventionellen Mitteln unentdeckt blieben.

Hoe verzamel je thermische gegevens met zweefvliegtuig-GPS?

De kern van de methode ligt in het crowdsourcen van vluchtgegevens van een grote groep zweefvliegers. Elke deelnemer vliegt met een standaard GPS-logger of een zweefvlieg-app op een tablet in het cockpit. Deze apparaten registreren continu en automatisch de positie (lengte- en breedtegraad), hoogte, snelheid en tijdstempel, typisch met een frequentie van één keer per seconde.

Thermiek manifesteert zich in deze datastroom als een snelle hoogtewinst op een specifieke locatie. Wanneer een zweefvlieger een thermiekbel vindt en erin gaat cirkelen, toont het GPS-spoor een karakteristiek cirkel- of spiraalpatroon met een gestage stijgingssnelheid, vaak uitgedrukt in meters per seconde. De verzamelde ruwe data bevatten dus impliciet de thermische activiteit: waar de piloot stijgt, bevindt zich thermiek.

Na de vlucht uploaden de vliegers hun GPS-track (meestal in het .igc-formaat) naar een gecentraliseerd platform of een gedeelde database. Hier begint de dataverwerking. Speciale algoritmen analyseren alle ingediende tracks. Ze identificeren eerst de cirkelende segmenten en filteren deze uit de rechte zweef- of glijfasen. Vervolgens berekenen ze voor elk cirkelsegment de gemiddelde locatie (het thermiekcentrum), de gemiddelde stijgsnelheid, de tijd en de verticale uitstrekking.

Deze geïsoleerde thermiekgebeurtenissen uit honderden of duizenden vluchten worden vervolgens geaggregeerd en gevisualiseerd op een kaart. Dit resulteert in een thermische heatmap waarop hotspots duidelijk zichtbaar worden: gebieden met frequente en sterke thermiek krijgen een prominente kleur, terwijl zwakkere of minder betrouwbare gebieden minder opvallen. Op deze manier transformeren individuele vluchtervaringen in een collectief, objectief en ruimtelijk gedetailleerd beeld van de thermische opbouw in een regio.

Van ruwe data naar een bruikbare stedelijke warmtekaart

De ruwe datastroom uit het crowdsourced glidernetwerk – een continue stroom van GPS-posities en temperatuurmetingen – vormt de grondstof voor de warmtekaart. De eerste kritieke stap is datafusie en tijdssynchronisatie. Elk datapunt moet een exacte geografische locatie (x, y) en een betrouwbare temperatuurwaarde (z) krijgen, waarbij de vertraging tussen temperatuursensor en GPS-fix wordt gecorrigeerd.

Vervolgens ondergaat de dataset een robuuste kwaliteitscontrole. Outliers, veroorzaakt door bijvoorbeeld directe zoninstraling op de sensor of stilstand bij verkeerslichten, worden gefilterd. Daarna worden de punten geaggregeerd in ruimtelijke cellen (bijv. 10x10 meter raster). Voor elke cel wordt een representatieve waarde berekend, vaak de mediaan, om de invloed van resterende anomalieën te minimaliseren en een gestabiliseerd beeld te krijgen.

De geaggregeerde data vereist ruimtelijke interpolatie om een continu veld te creëren. Technieken als Ordinary Kriging zijn hierbij waardevol, omdat ze niet alleen interpoleren maar ook de ruimtelijke autocorrelatie en onzekerheid in de metingen modelleren. Dit resulteert in een nauwkeurig geschat temperatuurraster over het volledige onderzoeksgebied.

De laatste transformatie is normalisatie om de stedelijke hitte-eiland (UHI) intensiteit zichtbaar te maken. De absolute temperaturen worden gerelateerd aan een referentiewaarde, zoals het gemiddelde van de coolste (groene, landelijke) cellen in de dataset. Deze stap converteert de temperatuurkaart naar een direct interpreteerbare UHI-intensiteitskaart, waarop de afwijking van de achtergrondtemperatuur direct afleesbaar is.

Het eindproduct is een dynamische, hoge-resolutie warmtekaart die de microscala-variatie van het stedelijk hitte-eiland vastlegt. Deze kaart dient als een objectieve basis voor stadsplanning, zoals het identificeren van kwetsbare wijken, het plannen van groeninfrastructuur en het evalueren van de effectiviteit van verkoelende maatregelen.