Karl E. Schedler, Karl G. Gutbrod, Mathias Müller, Olav Schröder

• Durch den immer mehr zunehmenden Bedarf an Automatisierung und Optimierung des Winterdienstes und neuerdings auch im Hinblick auf autonomes Fahren steigen auch die Anforderungen an kleinräumige Vorhersagen des Straßenwetters, welche die streckenspezifischen Eigenschaften abbilden können. Im Projekt FE FE040279 „Streckenbezogene Glättevorhersage“ war die Aufgabe zu lösen, den derzeitigen Stand der Technik bezüglich Straßenwettervorhersagen darzustellen und die Frage zu klären, inwieweit Straßenzustandserfassung durch mobile Sensoren, zusammen mit stationären Straßenwetterstationen geeignet sind, die unterschiedlichen Streckeneigenschaften abzubilden und die Prognosen zu verbessern. Zu diesem Zweck wurden über zwei Winter (2015/16 und 2016/17) auf drei ausgesuchten Teststrecken (BAB A 4, BAB A 9, St2139) Methoden zur genaueren Vorhersage der winterbedingten Glätte für die einzelnen Abschnitte innerhalb eines zu bearbeitenden Straßennetzes untersucht. Dabei kam es hauptsächlich auf die Größen Fahrbahntemperatur, Wasserfilmdicke und Taupunkttemperatur an. Dafür wurden in einem 5-Schritte-Prozess (1) Wettermodelle, (2) Punktprognosen, (3) Fahrbahnzustands-Prognosen, (4) Streckenprognosen und (5) zeitliche Variabilität (Verläufe) verglichen und neue Konzepte getestet. Die Strecken A 9 (ca. 50 km, 380-520 m ü. NN) und St2139 (ca. 15 km , 480-901 m ü. NN) haben für meteorologischen Verhältnisse, abwechslungsreiche Topografie- und Geländeeigenschaften. Zur Charakterisierung sind sie mit drei bzw. einer Wetterstation ausgestattet und es wurden von den Lkw der AM Greding und der SM Viechtach, welche mit mobiler Sensorik (MARWIS v. Fa. Lufft) bestückt worden sind, in den beiden Winterhalbjahren fast täglich und insgesamt mehrere hundertmal im normalen Betriebsablauf befahren. Erfasst wurden dabei Taupunkt- und Fahrbahntemperatur, Wasserfilmdicke und Eisprozent, sowie Straßenzustand. Mit speziell ausgerüsteten Fahrzeugen des Auftragnehmers und der BASt (IceCar) wurde auf allen drei Teststrecken eine sogenannte erweiterte Thermalkartierung (Thermal mapping) mit zusätzlich Taupunkt- und Bilanzstrahlungsmessung zur Charakterisierung der Strahlungsbedingungen der Strecke bei standardisierten Wetterbedingungen aufgenommen. Die Messungen zeigten eine hohe Variabilität auf den Strecken, die innerhalb einer Fahrt bei Temperatur bis zu 17 °C und bei Wasserfilmdicke bis über 2.000 μm erreicht. Diese Variabilität korreliert wenig mit den Messungen an den Stationen und wird von keinem Prognose-Anbieter sehr gut erfasst. Die bei den Recherchen zum Stand der Technik gefundenen Dienste-Anbietern, speziell von Straßenwettervorhersagen haben sich, neben den projektbeteiligten Wetterdiensten DWD und meteoblue, drei weitere private Wetterdienstleister bereit erklärt, über die gesamte Projektlaufzeit online Vorhersagedaten für die Teststrecken zu liefern, welche ausgewertet und validiert worden sind. Die Prognosen erreichten für Stationen im besten Falle einen MAE (mittl. abs. Fehler – siehe Glossar) von ±2.3 °C und verglichen mit mobilen Messungen auf der Strecke einen MAE von ±2.1 °C. Für die Wasserfilmdicke werden im Schnitt bestenfalls ±180 μm erreicht. Die stationären und mobilen Messdaten wurden ausführlich zur Plausibilisierung und Beurteilung der Messunsicherheiten ausgewertet. Außerdem wurde untersucht, wie anhand der zahlreich erfassten Daten sich statistische Modelle finden lassen, welche die spezifischen Streckeneigenschaften mit möglichst geringen Fehlern wiedergeben können. Dabei kann gezeigt werden, dass durch die im normalen betrieblichen Ablauf zu unterschiedlichsten Wetterbedingungen erfassten mobilen Messdaten eine deutlich bessere Bild der Streckeneigenschaften erreichen lässt, als dies beispielsweise durch eine einfache Thermalkartierungen möglich ist. Anhand der mobilen Streckenmessungen wurden durch Klassifizierung nach Wetterlagen Standardprofile der Temperatur erstellt, die es erlauben, den Prognose-Fehler für Temperatur von ±2.1 °C auf ±1.9 °C, und mithilfe von Nowcasting auf ±0.6 °C zu senken. Eine Prognose für die nächsten 12 Stunden dürfte mithilfe dieser Methoden einen Fehler (MAE) von ±1.2 °C erreichen können. Bei den Wasserfilmdicken werden mit mobilen Streckenmessungen und Klassifizierung nach Niederschlagsmenge Standardprofile der Wasserfilmdicke erstellt, die es erlauben, den Prognose-Fehler für Wasserfilmdicke von ±190 μm auf ±90 μm und mithilfe von Nowcasting auf unter ±50 μm zu senken. Eine Prognose für die nächsten 12 Stunden dürfte mithilfe dieser Methoden einen Fehler von unter ±100 μm erreichen können. Die Methoden wurden mithilfe der Daten von 2015/16 entwickelt und anhand der Fahrten von 2016/17 geprüft, sodass eine Anwendung auf unabhängige Fahrten und andere Strecken gesichert ist. Sie erfordert die Erstellung von regelmäßigen mobilen Messprofilen, die zu Standard-Profilen klassifiziert werden. Anhand der Erfahrungen von zwei Wintern dürfte ein Training des Modells innerhalb von einer Wintersaison machbar sein, während der es schon zu Verbesserungen der Streckenvorhersagen kommen könnte. Die neuen Methoden stellen eine signifikante Verbesserung des Stands der Technik dar und können mit geeigneten Maßnahmen binnen weniger Monate in die Praxis eingeführt werden.
• Due to the increasing demand for automation and optimization of the winter service and, more recently, also with regard to autonomous driving, the requirements for small-scale predictions of the road weather, which can represent the route-specific properties, also increase. In project FE FE040279 “Route-related sleet prediction”, the task was to determine the current state of the art regarding road weather forecasting and to clarify the extent to which road condition detection by mobile sensors, together with stationary road weather stations, are suitable to map the different route properties and to improve the predictions. For this purpose, methods for the more precise prediction of the winter-conditioned sleet for the individual sections within a road network to be treated were investigated on three selected test routes (A4, A9, St2139) over two winters (2015/16 and 2016/17). The main factors were the road temperature, the water film height and the dew point temperature. For this, (1) weather models, (2) point forecasts, (3) roadway forecasts, (4) route forecasts and (5) temporal variability (gradients) were compared and new concepts were tested in a 
5-step process. The roads A 9 (length 50 km, 380-520 m above sea level) and St2139 (about 15 km, 480-901 m above sea level) have diverse topography and terrain characteristics relative to their meteorological conditions. For characterization, they are equipped with three or one weather station. In addition, 2 trucks of the AM Greding and the SM Viechtach, were equipped with mobile sensors (MARWIS by Lufft) and measured road conditions almost daily in the 2 winter half-years, during normal operation, totaling several 100x, and recording dew point and road temperature, water film height and ice percent, as well as road conditions. With specially equipped vehicles, the contractor and the BASt (IceCar) conducted a so-called extended thermal mapping with additional dew point and balancing radiation measurements for the characterization of the radiation conditions of the track on standardized weather conditions on all three test sections. The measurements showed a high variability over the distances, which reached within a ride at temperatureup to 17 ° C and at water film height to over 2,000 μm. This variability correlates little with the measurements at the stations and is not detected by any prognosis provider very well. In addition to the project partners DWD and meteoblue, 3 private meteorological service providers agreed to supply online forecast data for the test routes during at least one winter. The forecasts were evaluated and validated, and reached an MAE of ±2.3 °C for stations and a MAE of ±2.1 °C compared to mobile measurements on the road. For water film height, a mean absolute error of ±180 μm was reached. Stationary and mobile measurement data were evaluated in detail for their plausibility and measurement uncertainties. Possibilities to define statistical functions on the basis of the data collected, which reflect the specific road properties with least possible errors, were also investigated. It could be shown that by means of mobile measurement data acquired under a wide range of weather conditions, a significantly better picture of the road properties can be achieved than is possible, for example, by thermal mapping. On the basis of the mobile measurements, standard profiles of the temperature were made by classification according to weather conditions, which allow to reduce the forecast error for temperature from ±2.1 °C to ±1.9 °C, and further to ±0.6 °C with the help of nowcasting. A forecast for the next 12 hours should thus be able to achieve an error (MAE) of ±1.2 °C using these methods. For the water film heights, standard road profiles of the water film height were created with mobile measurements and classification according to the amount of precipitation, which allowed to reduce the forecast error for water film height from ±180 μm to ±90 μm and to below ±50 μm with nowcasting. A forecast for the next 12 hours should be able to achieve an error of less than ±100 μm using these methods. The methods were developed using data from 2015/16 and tested on the road profiles in 2016/17, so that the application is scientifically underpinned to independent journeys and other routes. It requires the creation of regular mobile measurement profiles, which are classified as standard profiles. On the basis of the experiences of two winters, a training of the model is likely to be possible within a winter season, during which gradual improvements could be made to the route predictions. The new methods represent a significant improvement in the state of the art and can be introduced into practice within a few months using appropriate measures.