Kann ein Algorithmus Oberflächenabfluss besser verhindern als ein smarter Bewässerungscomputer? Das WaRPIC-Papier hat es im Feldtest bewiesen

Der smarte Bewässerungscomputer reicht nicht: das Problem, das niemand zugibt

Wer einen smarten Bewässerungscomputer (Rachio, Hunter Hydrawise, Rain Bird) installiert hat, geht oft davon aus, dass das Problem des Oberflächenabflusses — Wasser, das auf den Gehweg abläuft statt in den Boden einzudringen — damit gelöst ist: Der Computer kennt schließlich die Wettervorhersage und setzt die Bewässerung bei angekündigtem Regen aus. Ein Forschungsteam der Texas A&M University (Informatik sowie Bio- und Agrartechnik) hat diese Annahme geprüft, und das Ergebnis, veröffentlicht auf der BuildSys 2019 — der ACM-Konferenz zu Systemen für energieeffiziente Gebäude — ist eindeutig: Selbst fortschrittliche smarte Bewässerungscomputer verursachen weiterhin Oberflächenabfluss, weil sie eine vereinfachende Annahme über die Infiltrationskapazität des Bodens treffen, die sich in der Realität ständig ändert.

Die Antwort der Forscher heißt WaRPIC (Weather-aware Runoff Prevention Irrigation Control): kein neuer Bewässerungscomputer zum Kaufen, sondern ein günstiges Nachrüstmodul für den bereits vorhandenen Computer, kombiniert mit einem Machine-Learning-Modell, das mit den Daten des eigenen, spezifischen Gartens trainiert wird — nicht mit einer generischen Annahme, die 'für jeden Boden' gelten soll.

Das Papier auf einen Blick

Die Frage: warum auch smarte Bewässerungscomputer danebenliegen

Oberflächenabfluss ist nicht nur verschwendetes Wasser: Er trägt Sedimente, Düngemittelchemikalien und andere Schadstoffe mit sich und verursacht das, was Fachleute als diffuse Gewässerverschmutzung (non-point source pollution) bezeichnen. Die Standardlösung zur Vermeidung ist die Cycle-and-Soak-Methode: Statt 20 Minuten am Stück zu bewässern, wird die Zeit in kürzere Zyklen mit Pausen dazwischen unterteilt, in denen das Wasser einsickern kann.

Das Problem, so erklären die Autoren, liegt darin, korrekt zu berechnen, wie lange jeder Zyklus dauern darf, bevor sich sichtbares Oberflächenwasser bildet — die sogenannte Maximum Allowable Runtime (MAR). Handelsübliche smarte Bewässerungscomputer schätzen den MAR mit einer Formel, die eine über die Zeit konstante Infiltrationskapazität des Bodens annimmt. Doch Jahrzehnte bodenkundlicher Forschung (im Paper zitiert) zeigen, dass die Infiltration sich kontinuierlich mit Jahreszeit, Hangneigung, Bodenzusammensetzung und sogar der Tageszeit ändert. Eine Annahme von Konstanz, so praktisch sie zu programmieren sein mag, ist schlicht falsch — und genau deshalb kann selbst ein gut konfigurierter 'smarter' Bewässerungscomputer weiterhin Oberflächenabfluss verursachen.

Was gemacht wurde: ein Modell, das vom eigenen Garten lernt, nicht von einer generischen Formel

Statt einer immer komplexeren physikalischen Formel hinterherzujagen (ein Ansatz, den frühere Arbeiten bereits mit Differentialgleichungen versucht hatten, aber mit Hardwarekosten, die für den Hausgebrauch zu hoch waren — ein eigenes Sensornetzwerk für jede Zone), wählten die Autoren einen anderen Weg: Sie verwandelten das Problem in eine überwachte Lernaufgabe und nutzten die menschliche Beobachtung als Sensor.

Während einer 2-3-wöchigen Datensammelphase lässt der Gartenbesitzer die Sprinkler jeder Zone laufen und beobachtet, wann sich sichtbares Oberflächenwasser bildet — dieser Moment ist der MAR für diese Bedingungen. Um dann herauszufinden, wie lange der Boden braucht, um seine Aufnahmefähigkeit zurückzugewinnen, werden alle 5 Minuten kurze 10-Sekunden-Tests durchgeführt, bis das Wasser sofort wieder aufgenommen wird. Nach 15-20 Wiederholungen bei verschiedenen Sättigungsgraden des Bodens entsteht ein für diesen Garten spezifischer Datensatz mit drei Eingangsvariablen: Evapotranspiration (ETO), in den vorangegangenen 7 Tagen aus Regen und Bewässerung zugeführtes Wasser (AWA) und Tage seit der letzten Bewässerung (LWA).

Mit nur 15 realen Datenpunkten ist das Problem für ein klassisches neuronales Netz zu klein. Die Autoren lösten diesen Engpass mit Pseudo-Labeling, einer halbüberwachten Lerntechnik: Ein erstes Modell (Ridge Regression, das beste in der Kreuzvalidierung auf den ursprünglichen 15 Datenpunkten) erzeugt Vorhersagen für 202 unbeschriftete historische Wetterbeobachtungen (2015-2018) und vergrößert so den Trainingsdatensatz von 15 auf 220 Datenpunkte — genug, um ein neuronales Netz zuverlässig zu trainieren.

Was entdeckt wurde: die Zahlen aus dem direkten Vergleich mit einem echten smarten Bewässerungscomputer

Auf den erweiterten Daten schlug das neuronale Netz alle getesteten klassischen Regressionsmodelle deutlich: mittlerer quadratischer Fehler (MSE) von 0,43 gegenüber 0,63 bei Ridge Regression, dem besten der klassischen Alternativen, mit einem Bestimmtheitsmaß R² von 0,63 gegenüber 0,45.

Der interessantere Test ist jedoch der direkte Vergleich mit einem echten kommerziellen smarten Bewässerungscomputer (eingestellt auf den fortschrittlichsten verfügbaren Modus, 'Flex Monthly', der die Bewässerung nur aussetzt, wenn kürzlicher Regen und gesättigter Boden erkannt werden). In vier Versuchsdurchläufen lagen die Vorhersagen von WaRPIC sehr nahe am tatsächlich vor Ort gemessenen MAR, während der smarte Bewässerungscomputer systematisch zu hohe Werte lieferte. Rechnet man die Differenz in verschwendetes Wasser um (anhand von Durchflusstabellen für 5/8-Zoll-PVC-Rohre), ist das Ergebnis eindeutig: 4,08 Gallonen Verlust bei WaRPIC gegenüber 156,72 Gallonen Verlust beim smarten Bewässerungscomputer über dieselbe Versuchsreihe — eine Verschwendung von nur 2,6% des kommerziellen Konkurrenten.

Anschließend installierten die Autoren WaRPIC-Module in den Häusern von 12 Familien in einer texanischen Stadt, im Basismodus. Anhand der Bewässerungsempfehlungen der Vorsaison (Mai-Oktober) schätzten sie eine durchschnittliche Einsparung von 38.826 Gallonen Wasser (etwa 147.000 Liter) und 192,53 $ pro Haushalt über die Bewässerungssaison, mit einer Spanne von 8.640 bis 111.780 Gallonen je nach Größe und Eigenschaften des Gartens.

Was das praktisch für deinen Garten bedeutet

Der nützlichste Punkt dieses Papers, jenseits der Zahlen, ist konzeptioneller Natur: Oberflächenabfluss hängt nicht (nur) vom heutigen Regen ab, sondern davon, wie viel Wasser der Boden in den vorangegangenen Tagen aus Regen und früheren Bewässerungen bereits angesammelt hat. Zwei Tage mit identischem aktuellem Wetter können einen sehr unterschiedlichen MAR haben, je nachdem ob der eine auf eine trockene Woche folgt und der andere auf mehrere Regentage — eine Variable, die ein festes Zeitprogramm völlig ignoriert und die selbst kommerzielle 'wetterbasierte' Bewässerungscomputer nur teilweise berücksichtigen.

In der Praxis bedeutet das einen Rat, der auch ganz ohne smarte Hardware gilt: Nach einer Regenperiode, auch einer ergiebigen, braucht der Boden möglicherweise mehr Zeit — nicht weniger —, bevor er das Wasser eines neuen Bewässerungszyklus wieder gut aufnimmt, weil seine Infiltrationskapazität vorübergehend reduziert bleibt. Cycle-and-Soak (kurze Zyklen mit Pausen dazwischen) bleibt auch ohne Vorhersagemodell die einfachste Methode, um Oberflächenabfluss zu vermeiden, indem man die Bewässerung manuell aufteilt statt sie in einer einzigen langen Sitzung abzugeben.

Verbindung zu SprinklerMap

Auch dieses Paper bestätigt, aus einem anderen, praktisch-experimentellen Blickwinkel als die ersten beiden Artikel dieser Reihe, dasselbe Grundprinzip: Oberflächenabfluss und Wasserbedarf hängen von standortspezifischen Variablen ab (Hangneigung, Bodenart, jüngste Bewässerungsgeschichte), die keine generische Formel und kein generischer Bewässerungscomputer im Voraus genau kennen können — es braucht echte, auf dem jeweiligen Grundstück erhobene Daten, wie es WaRPIC mit den Beobachtungen des Gartenbesitzers tut.

SprinklerMap schätzt weder den MAR noch modelliert es die Infiltrationskapazität des Bodens: Das Tool kümmert sich um die hardwareseitige Voraussetzung, die jeden Bewässerungszyklus, kurz oder lang, überhaupt erst sinnvoll macht — gleichmäßige Abdeckung und korrekten Druck pro Zone. Eine schlecht geplante Anlage kann selbst bei perfekt berechnetem MAR an einer Stelle zu Pfützenbildung führen, einfach weil sie dort doppelt so viel Wasser abgibt wie im Rest der Zone. Für die Planung der Cycle-and-Soak-Zyklen nach der eigenen Bodenart siehe /deBewässerungszeiten nach Bodenart berechnen.

Häufig gestellte Fragen zum WaRPIC-Papier

Kann man WaRPIC als Produkt kaufen? Nein, es handelt sich um einen akademischen Forschungsprototyp aus einem wissenschaftlichen Paper von 2019, nicht um ein kommerziell erhältliches Gerät.

Braucht man Bodenfeuchtesensoren für diesen Ansatz? Nein — das ist sogar der zentrale Punkt des Papers: Die Autoren testeten günstige Sensoren und fanden sie für den Außeneinsatz zu ungenau, während zuverlässige Sensoren 500 € oder mehr pro Zone kosten — zu viel für eine typische Hausinstallation. Das Modell nutzt ausschließlich Wetterdaten und Bewässerungshistorie, keine direkten Bodensensoren.

Funktioniert das mit jedem vorhandenen Bewässerungscomputer? Das Modul wird an den Regensensor-Anschluss angeschlossen, den die meisten Hausbewässerungscomputer besitzen (Hunter, Rachio und ähnliche). Die Autoren weisen aber auf eine reale Einschränkung hin: Manche Hersteller nutzen nicht den widerstandsbasierten Mechanismus, auf dem das Nachrüstmodul beruht, wodurch es mit diesen spezifischen Modellen nicht kompatibel ist.

Wie lange dauert es, bis das System gut funktioniert? In den beschriebenen Versuchen reichten 2-3 Wochen vom Gartenbesitzer begleiteter Beobachtung (15-20 Experimente), um ein genaues, zonenspezifisches Modell zu trainieren.

Kurz zusammengefasst

Selbst ein gut konfigurierter smarter Bewässerungscomputer kann weiterhin Wasser durch Oberflächenabfluss verschwenden, weil er auf einer Annahme beruht — konstante Infiltrationskapazität des Bodens —, die die Realität ständig widerlegt. WaRPIC zeigt, dass ein auf den spezifischen Daten eines einzelnen Gartens trainiertes Modell, mit dem absoluten Minimum an menschlicher Beobachtung statt teurer Sensoren, die Wasserverschwendung durch Oberflächenabfluss auf einen Bruchteil (2,6%) dessen reduzieren kann, was ein fortschrittlicher kommerzieller Bewässerungscomputer verliert. Die praktische Erkenntnis gilt auch für alle, die ein solches System nie nutzen werden: Oberflächenabfluss hängt von der jüngsten Regen- und Bewässerungsgeschichte des eigenen Bodens ab, nicht nur vom heutigen Wetter.