Zwischen Schilf und Asphalt tastet sich mein Blick durch den Nachhimmel. Neuburg am Inn schläft; nur der Fluss atmet und trägt das Glimmen der Brücke wie einen trägen Gedanken. Ich bin allein mit meinem improvisierten Setup – ein Frankenstein aus Platinen, Linsen und Late-Night-Code. Halb Labor, halb Tagebuch. Mein Ziel: den Moment erwischen, in dem ein Meteor den Himmel verlässt. Ein Datenherzschlag im Dunkeln.
Schneller Überblick
Zusammenfassung
Der Artikel beschreibt das nächtliche Beobachten und digitale Aufzeichnen eines Meteorenschauers am Inn bei Neuburg. Mit improvisierter Technik, bestehend aus günstigen Einplatinencomputern, Sensoren und einer Kamera, gelingt es dem Autor, vier Meteore mit unterschiedlichen Messwerten und unter wechselnden Bedingungen zu registrieren. Neben technischen Hürden stehen Naturbeobachtungen und Reflexionen im Fokus.
Auf den Punkt
- Improvisiertes Setup aus Raspberry Pi, Sensoren und Open-Source-Software eingesetzt
- Vier Meteore wurden erkannt, darunter ein besonders helles Ereignis um 23:41 Uhr
- Feuchte, Nebel und Technikprobleme stellten Herausforderungen dar
- Kürzere Belichtungszeiten lieferten bessere Messergebnisse
- Empfehlungen für Nachbau und Sicherheit werden gegeben
FAQ
- Wie viele Meteore wurden während der Messnacht detektiert?
- Vier Meteore, darunter ein deutlicher Peak um 23:41 Uhr.
- Welche technische Ausstattung wurde verwendet?
- Raspberry Pi Zero, ESP32, Sensorarray, Weitwinkelobjektiv, Powerbank und LTE-Stick.
- Gab es technische Schwierigkeiten während der Messung?
- Ja, unter anderem Verbindungsabbrüche durch Feuchtigkeit und einen notwendig gewordenen Reboot.
- Welche Belichtungszeit war optimal für die Meteorenerkennung?
- 500 ms mit Gain x1.5 ergab beste Messergebnisse.
Prolog – Der Fluss schweigt elektrisch
20:37 Uhr. Die Sonne ist längst hinter den Hügelrändern verschwunden, aber die Restwärme hängt noch in der Luft. Über dem Wasser wabert eine dünne Schicht Nebel wie Pixelrauschen. Mein Atem bildet kurze Wölkchen vor der Stirnlampe. Die Welt reduziert sich auf schwache LED-Flecken und den Geruch nach feuchtem Metall.
Das Equipment steht wie eine Mini-Raumsonde im Kies: Raspberry Pi Zero, ESP32, ein paar abenteuerlich zusammengelötete Drähte. Sensorleitungen führen in den Pi, das Python-Skript blinkt monoton. Die alte Smartphone-Linse wirkt schief, aber sie hält. Ich prüfe die Verbindung zum LTE-Stick – die Zeitsynchronisation passt. Heute soll der Meteorenschauer sein Maximum erreichen. Laut Prognose: vier bis acht sichtbare Ereignisse pro Stunde. Ich will sehen, wie viele die Kamera davon wirklich schluckt.
Der Aufbau – Aluminium, Algorithmen und Mückenschwärme
21:10 Uhr. Ich knie im Dunkeln, Taschenlampe zwischen den Zähnen. Das Alustativ – krumm, aber tapfer – steckt im feuchten Sand. Jede Schraube klingt beim Festziehen dumpf, als würde ich die Nacht selbst justieren. Ich kontrolliere die Werte im Terminalfenster:
[LOG 21:12] Temp: 30.9°C | Hum: 47% | Lux: 0.15 | Noise: 2.2%
[LOG 21:25] FOV calibration... done
Der Logger spuckt CSV-Zeilen aus, die wie Morsezeichen des Himmels wirken. Ich lasse die Kamera in den Dry-Run-Modus gehen, teste Fokus und Sternschärfe. Das weiße Powerbank-Licht blendet kurz – ich sehe meinen eigenen Schatten auf der Wasseroberfläche. Ich muss lachen: der Schatten eines Nerds, der Sterne jagt.
Setup-Checkliste:
- Kameraeinheit (Raspberry Pi Zero + ESP32)
- Sensorarray (DHT22, Lichtsensor, Gyro-Korrektur)
- Weitwinkelobjektiv aus altem Smartphone
- ND-Filter gegen Brückenschein
- Powerbank (20.000 mAh)
- Laptop mit „Nightcatcher“-Logger (Python)
- LTE-Stick zur Zeitkalibrierung
21:48 Uhr – Kalibrierung erfolgreich. Alles stabil. Noch zu hell für Meteore, aber das Hintergrundrauschen zeichnet schon erste Muster. Ich notiere: „Gain x2, Exposure 200 ms.“
Erste Nachtmessung – Datenrauschen und Geduld
22:32 Uhr. Der Himmel ist jetzt vollständig schwarzblau. Das Flussufer glitzert an ein paar Stellen, wo Tropfen vom Blattwerk fallen. Mücken tanzen über der Powerbank. Ich ziehe die Kapuze hoch und starte den Autocapture.
Die Werte rollen Sekunde für Sekunde:
| Zeit | Temp (°C) | Lux | Noise (%) | Meteors Detected |
|——|———–|—–|————|——————|
|22:35|30.7|0.03|2.0|0|
|22:48|30.6|0.02|2.1|0|
|23:10|30.4|0.03|—|0|
Ich scrolle über die Tabelle und merke plötzlich: Verbindungsanzeige rot. Der LTE-Stick hängt. Mini‑Story 1 – Fail & Fix: Ich fluche leise, krame das Multitool hervor, ziehe den Stick ab und wieder ein. Kurzzeitige Panik – was, wenn jetzt alle Zeitstempel kippen? Ein manueller ntpdate-Befehl später läuft’s wieder:
[WARN 23:22] LTE reconnect ok, drift +0.41 s
Gerettet. Ich richte mich auf, reibe mir die Knie. Der Inn rauscht leise, irgendwo klirrt eine Flasche – vielleicht ein Angler, vielleicht der Wind.
Belichtung – Daten im Dunkel
23:40 Uhr. Ich spüre, wie die Nacht dichter wird. Kein Lüftl mehr. Dann passiert es: Ein kurzer Strich, schräg durchs Sichtfeld. Auf dem Bildschirm ein Sprung von 0 auf 1 in der meteor_count-Spalte. Ein echtes Ereignis. Ich grinse, trinke einen Schluck lauwarmes Wasser aus der Flasche. Wie ein elektrischer Puls zwischen Hirn und Himmel.
Danach starte ich eine Vergleichsreihe: Belichtungszeit 200 ms → 500 ms → 900 ms.
Zusätzliche Messung:
| Exposure | Avg. Noise (%) | Detection Signal | Bemerkung |
|———–|—————-|——————|————|
|200 ms|1.9|schwach|gute Kantenschärfe|
|500 ms|3.4|mittel|leichte Überbelichtung|
|900 ms|5.8|stark|Bewegungsunschärfe|
Ich lerne: weniger ist mehr – kürzere Belichtung liefert sauberere Daten für schnelle Ereignisse. Note to self: Algorithmus anpassen, um nur Peaks > 2 σ über Noise als Treffer zu zählen.
Zwischenraum – Wenn das Licht stockt
0:27 Uhr. Nebel zieht auf, wie dünner Rauch. Der Himmel franst aus, Signalstärke schwankt. Spinnweben glitzern in der Stirnlampenblende. Ich atme aus, erstarre – ein Fuchs steht keine zwei Meter entfernt, schaut mich an, als wollte er sagen: „Noch wach, oder?“ Mini‑Story 2 – Begegnung: Wir halten Blickkontakt für vielleicht drei Sekunden. Dann verschwindet er im Gebüsch. Ich lache leise und denke: Vielleicht war auch das ein Datenpunkt.
Die Verbindung bricht wieder kurz, diesmal kein LTE‑Problem, sondern Kondenswasser auf dem USB-Port. Ich föhne mit der warmen Atemluft, wische mit dem Ärmel. Nachdem das Log wieder läuft, prüfe ich Signalspannung: stabil 3,29 V. Im Log steht:
[LOG 00:41] Sensor restored | humidity spike 62% → 49%
Nachglühen – Aus Zahlen wird Licht
02:10 Uhr. Ich sitze in der Kälte, Laptop auf dem Schoß, Finger halb taub. In der CSV blinken vier klare Ereignisse – drei schwache, ein kräftiger Peak um 23:41 Uhr. Noise konstant um 4 %. Keine Artefakte. Eine saubere Nacht. Ich mache ein Backup auf den Stick. Das Programm summt dumpf im Hintergrund, als wolle es weiterrechnen, obwohl die Meteore längst vorbei sind.
Gegen 03:30 Uhr schalte ich ab. Der Monitor spiegelt sich im Wasser, das so ruhig scheint, als hielte es die Daten fest. Ich sammle Kabel, zerlege die Kamera. Der Himmel graut schon leicht, ein paar Nebelfetzen treiben über den Pfad. Ich lehne mich an den Rucksack. Alles still. Nur das Rauschen im Ohr – oder das Nachleuchten der Messwerte.
Anhang – Wetter, Daten, Reflexion
Wetterdaten: klar, 31.1 °C Anfangstemperatur, Wind 4.6 km/h, kein Regen, Nebel ab 00:20 Uhr (leicht).
Kamera-Status: Stabil, 1 Reboot nötig. Akkuverbrauch ~35 %.
Ergebnis: 4 Meteore im Datensatz, davon 1 hell; Noise Ø 4 %.
Zitat aus dem Log:
„Meteor event #1 – recorded 23:41:09, Δt=0.42 s, amplitude +2.9 σ“
Ich starre auf diese Zeilen und denke: Vielleicht braucht man kein Teleskop, nur Geduld und einen stabilen USB-Port.
Mitmachen & Nachbauen
- Verwende ausschließlich geschützte Flächen; kein betretenes Gleis oder Damm.
- Raspberry oder alte USB-Webcam reichen für erste Tests.
- Offene Software wie „Nighttime Logger“ (Python/OpenCV) nutzen – keine Closed‑Source‑Firmware nötig.
- Immer Powerbank gegen Feuchtigkeit abdichten!
Was ich nächstes Mal anders mache
- Sensorports mit Schrumpfschlauch isolieren.
- Separate Stromversorgung für LTE und Kamera, um Reboots zu vermeiden.
- Experiment mit IR‑Filter bei leichtem Nebel fortsetzen.
- Mehr Hintergrundmessungs‑Samples über mehrere Nächte sammeln.
Mini‑Datenreport
- Temperaturspanne: 31,1 → 28,9 °C
- Feuchtespitze: 62 % bei 00:41 Uhr
- Max. Signalpeak: +2.9 σ über Noise
- Meteore erkannt: 4
- Fehlerquote LTE: ~4 % Paketverlust
- Bestes Exposure‑Setting: 500 ms bei Gain x1.5
Ich gehe den Waldweg zurück, Kopf voll Formeln und Sternen. In meinen Logs glüht der Himmel nach – als hätte der Inn kurz aufgeblinkt, um sich digital zu verewigen.
Bei nächtlichen Feldexperimenten am Gewässer bitte auf rutschige Ufer, wechselnde Temperaturen und Stromquellen achten. Geräte gegen Feuchtigkeit sichern und Notbeleuchtung mitführen. Alle Verbindungen spannungsfrei prüfen, bevor die Elektronik im Freien aktiviert wird.
Aufgezeichnete Umgebungsdaten können Rückschlüsse auf Standort und Zeitpunkt ermöglichen. Bitte sensibel mit GPS-Koordinaten und personenbezogenen Daten umgehen und Veröffentlichung nur in anonymisierter Form vornehmen.
# Donau2Space Git · Mika/meteor_detection_experiment # Mehr Code, Plots, Logs & Scripts zu diesem Artikel $ ls LICENCE.md/ README.md/ artifact.001/ artifact.002/ $ git clone https://git.donau2space.de/Mika/meteor_detection_experiment $
Diagramme
Begriffe kurz erklärt
- Raspberry Pi Zero: Ein winziger Einplatinencomputer, der sich gut für einfache Elektronikprojekte oder als kleine Linux-Steuerzentrale eignet.
- ESP32: Ein günstiger Mikrocontroller mit WLAN und Bluetooth, ideal für eigene Smart-Home- oder Sensorschaltungen.
- Python-Skript: Ein kleines Programm in der Sprache Python, das Aufgaben automatisch ausführt – etwa Messwerte einlesen oder Dateien speichern.
- LTE-Stick: Ein USB-Gerät, das über das Handynetz Internetverbindung ermöglicht, wenn kein WLAN oder Kabelanschluss da ist.
- Zeitsynchronisation: Sorgt dafür, dass ein Computer oder Messgerät die gleiche Uhrzeit wie andere Systeme hat, oft per Internet oder GPS.
- FOV calibration: Dabei wird das Sichtfeld einer Kamera genau eingestellt, damit Messungen oder Bilder später korrekt skaliert sind.
- Dry-Run-Modus: Ein Testlauf, bei dem ein Programm ohne echte Aktionen prüft, ob alles richtig funktioniert.
- Sensorarray: Eine Gruppe von Sensoren, die gemeinsam verschiedene Messdaten erfassen, etwa Temperatur, Licht oder Bewegung.
- DHT22: Ein günstiger Sensor, der Temperatur und Luftfeuchtigkeit misst und leicht an Mikrocontroller angeschlossen werden kann.
- USB-Port: Eine Steckverbindung, über die Geräte wie Tastaturen, Speichersticks oder Messhardware mit dem Computer verbunden werden.
- CSV-Datei: Eine einfache Textdatei, in der Daten tabellarisch mit Kommas oder Semikolons getrennt gespeichert sind.
- amplitude +2.9 σ: In der Statistik bedeutet das, dass ein Messwert 2,9 Standardabweichungen über dem Durchschnitt liegt – also recht selten vorkommt.
- OpenCV: Eine freie Softwarebibliothek, die Bilder und Videos analysieren und Objekte, Farben oder Bewegungen erkennen kann.
