Seit Juli 2020 bietet der DWD in seiner WarnWetter-App das Crowdsourcingmodul Nutzermeldungen an. Damit haben App-Nutzer die Möglichkeit, eigene Meldungen zu aktuellen Wetter- und Unwetterereignissen dem DWD und anderen Nutzern zur Verfügung zu stellen. Die Daten werden nun auch auf Open-Data in Tagespaketen bereitgestellt.
Bei den Nutzermeldungen handelt es sich um Momentaufnahmen des aktuellen Wetterzustandes an einem Ort zu einem gewissen Zeitpunkt. Sie besitzen den Vorteil, dass Informationen zum Wetter in Bodennähe gesammelt werden, an denen sich keine Wetterstation in unmittelbarer Nähe befindet. Diese können dann das Datennetz ergänzen. Insbesondere markante Wetterereignisse können durch den Impact der Nutzerdaten gut abgeschätzt werden und das Warnmanagement verbessern.
Für die Nutzermeldungen wird keine fortgeschrittene Qualitätssicherung durchgeführt, sondern eine weitgehend korrekte meteorologische Einschätzung der Wetterlage durch die Meldenden angenommen. Mit Hilfe von Referenzdatensätzen findet eine instantane Filterung von Falschmeldungen statt. Zusätzlich können meteorologische Falschmeldungen auch manuell durch Nutzende gemeldet werden. Somit wird den Nutzern eine gewisse meteorologische Abschätzung der Wetterlage zugesprochen. Durch das Crowdsourcing kann zusätzlich der Wahrheitsgehalt der Meldung plausibilisiert werden: Je mehr Meldungen an einem Ort zu einem bestimmten Zeitpunkt abgegeben werden, desto wahrscheinlicher ein Ereignis.
Die Nutzermeldungen werden im Open-Data-Portal im GeoJson-Format bereitgestellt. Die Vorhaltezeit beträgt 60 Tage. Anpassungen der Daten sind jederzeit möglich und werden über den RSS-Feed angekündigt. Jede Datei beinhaltet die akkumulierten Meldungen eines Tages (00:00 UTC bis 23:59 UTC) und wird mit 24h Verzögerung bereitgestellt.
Insbesondere in urbanen Bereichen können plötzlich auftretende Starkregenfälle erhebliche Schäden verursachen. Dies ist zumeist auf die großräumige Versiegelung städtischer Flächen und auf ein Versagen des Entwässerungssystems zurückzuführen. Neben den überflutungsbedingten Schäden an Gebäuden und der Infrastruktur besteht die Möglichkeit, dass bei urbanen Sturzfluten auch gefährliche Substanzen freigesetzt werden, die das Grundwasser verunreinigen können. Um Starkregenfälle und damit verbundene, kaskadierende Ereignisse zeitnah prognostizieren zu können, sind effektive Frühwarnsysteme erforderlich, die auf der Vorhersage von Niederschlag sowie auf Strömungs- und Transportszenarien basieren. Im Rahmen des Verbundprojekts EVUS ist geplant, ein derartiges Vorhersagesystem exemplarisch am Beispiel der Stadt Hannover zu entwickeln. Das Projekt gliedert sich in insgesamt sechs Teilprojekte, in deren Rahmen ein Niederschlagsvorhersagemodell sowie Strömungsmodelle für die Oberfläche, das Kanalnetz und den Untergrund entwickelt werden sollen. Mögliche Gebäudeschäden werden mit Hilfe eines Schadensmodells prognostiziert, wobei die Identifizierung besonders kritischer Gebiete einen hohen Stellenwert einnimmt. Einen weiteren Arbeitsschwerpunkt bildet die Entwicklung eines Schadstofftransportmodells, mit dem die mögliche Ausbreitung von gefährlichen Substanzen bestimmt werden kann. Neben herkömmlichen Daten (Sensoren, Wettervorhersagen) sollen insbesondere Informationen aus der Bevölkerung (sog. Crowdsourcing) eingebunden werden. Alle Modelle werden in einem Echtzeitvorhersagesystem gekoppelt und über eine webbasierte Benutzeroberfläche bereitgestellt.
P-phase arrival times automatically created by the SeisComP3 (https://www.seiscomp3.org/) software at the GFZ scanning all stations available in real-time at GEOFON Data Centre and listed in the contributors list. Data have been used in the publication by Steed et al 2018 to test the new CsLoc method, sent in relatime to EMSC using the HMB application (Heinloo, 2016, http://doi.org/10.5880/GFZ.2.4.2016.001). The data sets includes P-phases from 2016 and 2017. The data are presented in two csv tables (part I and part II) that are included in the folder 2018-002_Geofon_csloc_test_phases.zip.