Go to file
2025-11-08 17:58:45 +01:00
assets modified 2025-11-08 17:43:58 +01:00
docs modified 2025-11-08 17:43:58 +01:00
firmware Struktur abgepasst 2025-11-08 16:49:03 +01:00
hardware Struktur abgepasst 2025-11-08 16:49:03 +01:00
mechanical Struktur abgepasst 2025-11-08 16:49:03 +01:00
.editorconfig Struktur abgepasst 2025-11-08 16:49:03 +01:00
.gitattributes Struktur abgepasst 2025-11-08 16:49:03 +01:00
.gitignore Initial Setup 2025-11-04 10:52:16 +01:00
CODE_OF_CONDUCT.md Verhaltenskodex (Code of Conduct) added 2025-11-08 16:55:52 +01:00
CONTRIBUTING.md CONTRIBUTING.md added 2025-11-08 16:58:51 +01:00
Info.md Info.md aktualisiert 2025-11-08 10:07:36 +01:00
LICENSE-HARDWARE.md Hardware-LICENSE-HARDWARE.md modified 2025-11-08 17:27:47 +01:00
LICENSE.md Name modified 2025-11-08 17:24:46 +01:00
readme.md Modified 2025-11-08 17:54:14 +01:00
RELEASE_NOTES.md Struktur abgepasst 2025-11-08 16:49:03 +01:00
SECURITY.md SECURITY.md added 2025-11-08 17:58:45 +01:00

FireNose Waldbrandfrüherkennung mit LoRaMesh

Projektübersicht

Durch den Klimawandel steigt die Waldbrandgefahr erheblich aufgrund längerer Trockenperioden, höherer Temperaturen und häufigerer „Feuerwetter“-Lagen (Hitze, geringe Luftfeuchtigkeit, Wind). Obwohl menschliche Aktivitäten wie Lagerfeuer oder Brandstiftung als Hauptursachen gelten, bleiben über 50% der Waldbrandursachen in Deutschland unbekannt. Kritische Faktoren wie Bodenfeuchte-Variabilität und Schadstoffemissionen (VOC, CO) in Bodennähe wurden bislang kaum systematisch erfasst.

FireNose integriert erstmalig Modelle für Feuerwinde, thermische Bodentemperaturen und Echtzeit-Gas-Messungen. Die Daten werden lokal vor Ort gesammelt, ausgewertet und per energieeffizientem LoRaMesh-Funknetz übertragen. So ist eine Früherkennung von Waldbränden schon wenige Minuten nach Ausbruch möglich selbst in schwer zugänglichen Waldgebieten.

Herausforderungen und Lösungsansatz

  • Direkte Funkübertragung in dichtbewachsenen Wäldern ist technisch sowie energetisch anspruchsvoll.
  • Energieversorgung erfolgt über PV-Module und Ladezellen mit eingeschränkten Möglichkeiten.
  • Das Meshnetzwerk verwendet synchrone Zeitslots für Redundanz und Übertragungssicherheit.
  • Prognosemodelle basieren auf KI-Algorithmen für Gasdetektion und Brandvorhersage.
  • Der Energieverbrauch ist so gering, dass ein Betrieb mit einer Langzeitbatterie bis zu 10 Jahre wartungsfrei möglich ist.

Verzeichnisstruktur

  • assets/
    Unterstützende Dateien wie Bilder oder Grafiken.

  • docs/
    Umfassende Projektdokumentation, Benutzer- und Entwickleranleitungen.

  • firmware/
    Quellcode und Firmware für Sensorik und Mesh-Netzwerk. Lizenz: Apache 2.0.

  • hardware/
    Hardware-Designs, Schaltpläne und Leiterplattenlayouts. Lizenz: CERN-OHL-P.

  • mechanical/
    Mechanische Konstruktionen und CAD-Modelle für Gehäuse und Halterungen.

  • .editorconfig
    Editor-Konfiguration für Formatierungsrichtlinien.

  • .gitattributes
    Git-Attribute für Zeilenenden und Merge-Verhalten.

  • .gitignore
    Dateien und Ordner, die von Git ignoriert werden.

  • CODE_OF_CONDUCT.md
    Verhaltenskodex für respektvolle Zusammenarbeit.

  • CONTRIBUTING.md
    Leitfaden für Beiträge und Mitarbeit im Projekt.

  • Info.md
    Projektbezogene Zusatzinformationen.

  • LICENSE-HARDWARE.md
    Ausführliche Lizenzinformationen zur Hardware (CERN-OHL-P).

  • LICENSE.md
    Gesamtprojektlizenz, Firmware unter Apache 2.0, Dokumentation in der Regel CC BY-SA.

  • readme.md
    Diese Projektübersicht.

  • RELEASE_NOTES.md
    Changelog und Infos zu Versionen und Updates.

  • SECURITY.md
    Vorgehensweise zur Meldung und Handhabung von Sicherheitsproblemen.

Lizenz

  • Firmware: Apache License 2.0
  • Hardware: CERN Open Hardware Licence Version 2 Permissive (CERN-OHL-P)
  • Dokumentation & sonstige Inhalte: Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 (CC BY-SA 4.0)

Bitte beachten Sie die einzelnen Lizenztexte in den jeweiligen LICENSE-Dateien für Details.