Hochauflösende Bestimmung von atmosphärischem Wasserdampf mit kostengünstigem GNSS und maschinellem Lernen High-Resolution Atmospheric Water Vapour Retrieval with Low-Cost GNSS and Machine Learning
SNSF Starting Grant · ETH Zürich
200
GNSS-Stationen GNSS Stations
GNSS
GPS + Galileo
3D
Wasserdampf-Modell Water Vapour Model
ML
Wettervorhersage Weather Prediction
Über das Projekt About the Project

Atmosphärischer Wasserdampf spielt eine entscheidende Rolle in Wettersystemen und ist das häufigste Treibhausgas. Er ist essenziell für Wolkenbildung und Niederschlag, variiert aber stark über Zeit und Raum. Genaue Kenntnis seiner Verteilung ist wichtig für die Wettervorhersage, insbesondere bei Extremwetterereignissen. Bestehende Methoden zur Beobachtung von Wasserdampf sind jedoch begrenzt, was zu Datenlücken führt, die akkurate Wettervorhersagen erschweren.

Der SNSF Starting Grant AWARE zielt darauf ab, diese Lücke durch den Einsatz von Globalen Navigationssatellitensystemen (GNSS), einschliesslich GPS und Galileo, zu schliessen, um atmosphärischen Wasserdampf in hoher Auflösung zu überwachen. GNSS-Signale sind empfindlich gegenüber Wasserdampf, und technologische Fortschritte haben erschwingliche GNSS-Empfänger genau genug für wissenschaftliche Anwendungen gemacht.

AWARE wird 200 kostengünstige GNSS-Messstationen in und um Zürich installieren, wobei Citizen Scientists bei der Verteilung der Geräte helfen. Durch die Nutzung handelsüblicher Komponenten können diese Stationen kosteneffizient und zu einem Bruchteil der Kosten herkömmlicher Ausrüstung hergestellt werden, was eine viel dichtere Erfassung von atmosphärischem Wasserdampf ermöglicht. Zusätzlich wird das Projekt den Einsatz von Drohnen mit GNSS-Ausrüstung zur Messung in verschiedenen Höhen erforschen.

Die gesammelten Daten werden mittels maschinellem Lernen analysiert, um ein dreidimensionales Modell des atmosphärischen Wasserdampfs zu erstellen. Maschinelles Lernen wird auch helfen, Extremwetterereignisse zu erkennen und vorherzusagen.

Atmospheric water vapour plays a crucial role in weather systems and is the most abundant greenhouse gas. It is essential for cloud formation and precipitation but varies significantly over time and space. Accurate knowledge of its distribution is important for weather forecasting, especially for severe weather events. However, existing methods for observing water vapour are limited, resulting in data gaps that hinder accurate weather forecasting.

The SNSF Starting Grant AWARE aims to address this gap by using Global Navigation Satellite Systems (GNSS), including GPS and Galileo, to monitor atmospheric water vapour at high resolution. GNSS signals are sensitive to water vapour, and recent technological advancements have made affordable GNSS receivers accurate enough for scientific applications.

AWARE will install 200 low-cost GNSS monitoring stations in and around Zurich, Switzerland, involving citizen scientists to help distribute the devices. By utilizing off-the-shelf components, these stations can be produced cost-efficiently and at a fraction of the cost of traditional equipment, enabling much denser sampling of atmospheric water vapour. Additionally, the project will explore the use of drones equipped with GNSS to collect measurements across different altitudes.

The collected data will be analysed using machine learning to create a three-dimensional model of atmospheric water vapour. Machine learning will also help to detect and predict severe weather events.

Drei Säulen der Forschung Three Pillars of Research
GNSS-Netzwerk GNSS Network 200 kostengünstige GNSS-Empfänger, die GPS- und Galileo-Signale nutzen, um atmosphärischen Wasserdampf mit wissenschaftlicher Genauigkeit zu messen. 200 low-cost GNSS receivers using GPS and Galileo signals to measure atmospheric water vapour with scientific accuracy.
Citizen Science Privatpersonen in Zürich beherbergen GNSS-Stationen und ermöglichen so ein dichtes Messnetz zu einem Bruchteil der herkömmlichen Kosten. Citizens across Zurich host GNSS stations, enabling a dense measurement network at a fraction of the cost of conventional equipment.
Maschinelles Lernen Machine Learning ML-Algorithmen erstellen dreidimensionale Wasserdampf-Modelle und ermöglichen die Erkennung und Vorhersage von Extremwetterereignissen. ML algorithms create three-dimensional water vapour models and enable detection and prediction of severe weather events.
Bedeutung Impact

Genaue Wettervorhersagen sind von entscheidender Bedeutung, mit weitreichenden wissenschaftlichen und wirtschaftlichen Auswirkungen auf Bereiche wie Verkehr, Landwirtschaft und Katastrophenmanagement sowie auf das tägliche Leben. Die innovativen Ansätze von AWARE haben das Potenzial, die Wettervorhersage zu transformieren und unser Verständnis der atmosphärischen Dynamik zu vertiefen.

Accurate weather predictions are critically important, with far-reaching scientific and economic impacts on sectors such as transportation, agriculture, and disaster management, as well as influencing daily life. The innovative approaches introduced by AWARE have the potential to transform weather forecasting and deepen our understanding of atmospheric dynamics.

Team
Prof. Dr. Benedikt Soja Projektleitung · Professor für Weltraumgeodäsie Project Lead · Professor of Space Geodesy
Leonardo Trentini ETH Zürich
Adam Cegła ETH Zürich
Christoph Baumann ETH Zürich
Sinéad McGetrick ETH Zürich