LI Solutions
Zurück

ForrestApp

Eine umfassende IoT-Lösung zur Echtzeit-Erkennung und Lokalisierung von Umweltemissionen über große, abgelegene Gebiete

Weiter
  • 99 %+
    Minutengenaue Erkennung von Luftqualitätsanomalien mit über 99 % Genauigkeit erreicht
  • ~1 km²
    Jeder IoT-Sensor deckt ~1 km² ab und sorgt auch in Gebieten ohne Netzinfrastruktur für lückenlose Abdeckung
Kunde
ForrestApp (Umwelt-IoT-Startup)
Branche
Umweltüberwachung / IoT
Kundenüberblick

ForrestApp ist ein Climate-Tech-Startup in frühen Stadien, spezialisiert auf Luftqualität und Emissionsüberwachung. Das Flaggschiffprodukt (das ForrestApp-System) hilft Unternehmen wie Versorgern, Minen, Deponien sowie Öl- und Gasbetrieben, Treibhausgasemissionen und Luftschadstoffe in Echtzeit zu überwachen.

Die „digitale Nase"-Sensoren kombinieren Gasdetektion mit KI, um zu bestimmen, woher eine Emission kommt. Als Netzwerk eingesetzt sollen sie Lecks und Verschmutzungsereignisse früh genug erkennen, um noch etwas dagegen tun zu können.

Wir haben die gesamte Software-Seite von Grund auf gebaut, vom IoT-Rückgrat bis zu den Apps.

forrest app screenshot
Problemstellung

Die Überwachung der Luftqualität über weite und abgelegene Gebiete ist mit herkömmlichen Methoden extrem schwierig. Der Kunde musste Gaslecks, Verschmutzung oder Waldbrandrauch in Standorten wie Wäldern und Industriestandorten schnell und präzise erkennen.

Bestehende Lösungen (feste Stationen oder manuelle Inspektionen) waren entweder zu langsam, hatten unzureichende Abdeckung oder boten unzureichende Datenanalyse. Gewollt war ein System, das Anomalien in Echtzeit erkennt und die Emissionsquelle auf einen kleinen Bereich lokalisiert, sodass eine schnelle Reaktion möglich wird, bevor kleine Probleme zu großen Katastrophen werden.

forrest app screenshot
Kontext

ForrestApp musste Sensoren in entlegenen Regionen einsetzen (z. B. große Ranches, Weinberge, Bergwälder) — oft ohne zuverlässige Internet- oder Stromversorgung. Die Lösung musste also offline funktionieren und dennoch kontinuierlich Daten erfassen.

Pain Points
  • Konnektivitätslücken

    Viele Zielstandorte haben nur begrenzte Mobilfunkabdeckung. Das System musste Daten über alternative Wege übertragen (z. B. Satellitenkommunikation), um Datenverluste zu vermeiden. Ebenso brauchten Außendienstmitarbeiter Offline-Zugriff auf Karten und Sensordaten, wenn sie vor Ort arbeiten.

  • Echtzeit-Alarme

    Ein Emissionsereignis (etwa ein Methanleck oder Brand) auch nur Stunden zu spät zu erkennen, kann zu Bußgeldern oder Sicherheitsrisiken führen. Der Kunde forderte sofortige Alarme und minutenaktuelle Status-Updates von jedem Gerät.

  • Skalierbarkeit & Abdeckung

    Um große geografische Gebiete abzudecken, mussten mehrere Sensoren eingesetzt werden (jeder Sensor überwacht ~1 km²). Die Plattform musste Dutzende oder Hunderte von Geräten nahtlos verwalten und ihre Daten in einem einzigen Dashboard zusammenführen.

  • Genauigkeit & Zuverlässigkeit

    Fehlalarme oder verpasste Detektionen mussten minimiert werden. Die Analytik der Lösung musste robust und KI-gestützt sein, um echte Emissionsereignisse mit hoher Präzision zu identifizieren — der Kunde versprach Endnutzern eine Detektionsgenauigkeit von >99 %. Zudem mussten Geräte wartungsarm sein (batteriebetrieben mit langer Lebensdauer) und die Software-Architektur fehlertolerant, angesichts der Kritikalität der Daten.

Ansatz

Unser Entwicklungsteam baute eine Full-Stack-IoT-Plattform, die ForrestApps Herausforderungen mit einer plattformübergreifenden App, IoT-Konnektivität und Cloud-Infrastruktur löste.

Wir wählten Flutter für die Client-Anwendung, um aus einer einzigen Codebasis eine einheitliche Erfahrung auf Android, iOS und Web zu liefern. Im Backend integrierten wir die ResIOT-IoT-Plattform und AWS-Cloud-Services für Gerätekommunikation, Datenverarbeitung und Skalierung.

Die Lösung wurde von Tag eins mit einem Offline-first-Ansatz und Echtzeit-Fähigkeiten entworfen.

forrest app screenshot
Eingesetzte Technologien

Flutter · ResIOT-IoT-Plattform · AWS (Cloud- und IoT-Services) · Satelliten- und LoRaWAN-Kommunikation · Karten-APIs (mit Offline-Tiles) · MQTT/WebSockets für Live-Updates

forrest app screenshot
  • Wichtigste Lösungsmerkmale
    IoT-Sensornetzwerk-Integration

    Wir verbanden ein verteiltes Netzwerk smarter Umweltsensoren („digitale Nasen") mit der Cloud. Jedes Sensorgerät war mit LoRaWAN-Funk und Satelliten-Uplink für die Datenübertragung ausgestattet. Über die ResIOT-Plattform übermitteln die Sensoren ihre Messwerte in Echtzeit an einen zentralen Server — auch von entlegenen Standorten ohne terrestrisches Internet. Dieses IoT-Rückgrat sichert die kontinuierliche 24/7-Überwachung, da Sensoren Telemetrie per Satellit senden können, falls 4G/LTE nicht verfügbar ist.

  • Wichtigste Lösungsmerkmale
    Offline-Modus & Karten

    Die mobile ForrestApp-App (in Flutter gebaut) wurde so konzipiert, dass sie offline zuverlässig funktioniert. Wir implementierten lokales Daten-Caching, sodass Nutzer beim Verlust der Netzverbindung weiterhin die zuletzt synchronisierten Messwerte und den Status sehen können. Interaktive Karten (auf Basis von OpenStreetMap-Daten) sind im Offline-Modus verfügbar, indem Kartenkacheln vorab heruntergeladen werden — so können Techniker auch ohne Verbindung zu Sensoren navigieren und Abdeckungsbereiche einsehen. Dieser Offline-first-Ansatz war für den Feldeinsatz und ländliche Deployments entscheidend.

  • Wichtigste Lösungsmerkmale
    Echtzeit-Überwachung & Alarme

    Das System liefert Echtzeit-Status-Updates und sofortige Anomalie-Alarme. Wir nutzten MQTT- und WebSocket-Kanäle (über ResIOT und AWS IoT), um Live-Daten an das Dashboard zu pushen. Sobald ein Sensor einen anomalen Wert erkennt (z. B. einen Anstieg von Methankonzentration oder Rauchpartikeln), wird auf der Plattform ein Alarm erzeugt. Nutzer erhalten Push-Benachrichtigungen und sehen das Ereignis auf der Karte mit hervorgehobenem Sensor. Die Backend-Analytik, gestützt auf ForrestApps KI-Algorithmen, filtert Rauschen und False Positives heraus, sodass nur glaubwürdige Bedrohungen Alarme auslösen. Operatoren sehen das Ereignis, während es noch passiert, nicht erst im Bericht der nächsten Woche.

  • Wichtigste Lösungsmerkmale
    Vereinheitlichtes Dashboard & Plattform

    Wir entwickelten ein nutzerfreundliches Dashboard, zugänglich über die mobile App und ein Web-Portal. Alle Sensordaten fließen in diese zentrale Plattform. Das Interface erlaubt dem Kunden und seinen Kunden, aktuelle Werte, historische Trends und Analyse-Einblicke für jeden Sensor oder jede Sensorgruppe zu sehen. Kennzahlen (wie Gaskonzentration, Batteriestatus, Signalstärke) aktualisieren sich live. Wir integrierten ResIOTs Widget-Fähigkeiten, um Diagramme, Gerätesteuerungen und Kartenansichten der Sensorstandorte einzubinden. Alles landet an einem Ort, über alle Standorte hinweg.

  • Wichtigste Lösungsmerkmale
    Robuste Cloud-Infrastruktur

    Das Backend läuft auf AWS. Sensordaten werden in Echtzeit aufgenommen und lösen Serverless-Funktionen aus, die Anomalie-Erkennung ausführen und Benachrichtigungen versenden. Die Infrastruktur skaliert ohne manuellen Eingriff von 10 auf 10.000 Sensoren, und die Telemetrie wird mit Failover über mehrere Availability Zones gespeichert, denn ein Überwachungssystem, das ausfällt, ist schlimmer als gar keine Überwachung.

Ziehen
01
02
03
  1. Details der Umsetzung
    Phase 1. Erste Bewertung & Design
    • In dieser Phase arbeiteten wir eng mit dem Kunden zusammen, um Anforderungen zu erfassen und den Workflow der Umweltüberwachung zu verstehen. Wir definierten die Systemarchitektur, wählten Flutter für die App und identifizierten ResIOT als geeignete IoT-Plattform für Geräteverwaltung und Kommunikation. Das Team plante Schlüsselfunktionen wie Offline-Betrieb, Echtzeit-Alarme und Integration des KI-Anomalie-Erkennungsmodells des Kunden. Wir erstellten Wireframes für die Nutzeroberfläche (Dashboard und mobile Screens) und designten das Datenbankschema auf AWS für Sensordaten und Event-Logs.
  2. Details der Umsetzung
    Phase 2. Entwicklung & Integration
    • Unsere Ingenieure entwickelten die Flutter-Anwendung und das Cloud-Backend parallel. Im Frontend implementierten wir eine intuitive UI mit Dashboards, Karten und Gerätesteuerungen — für eine reibungslose UX auf Mobil und Desktop. Wir integrierten Karten-Funktionalität mit Offline-Caching, damit Nutzer Karten ihrer Standorte herunterladen können. Parallel konfigurierte das IoT-Integrationsteam die ResIOT-Plattform, registrierte ForrestApp-Sensoren und richtete Daten-Connectoren ein. Wir schrieben Backend-Services auf AWS (mit AWS Lambda und API Gateway), die mit dem MQTT-Datenstrom von ResIOT kommunizieren und eingehende Sensordaten in Echtzeit verarbeiten. In dieser Phase integrierten wir auch die KI-Logik des Kunden: Sensordaten wurden in einen Anomalie-Erkennungsalgorithmus eingespeist (am Edge oder in der Cloud), um zu entscheiden, ob ein Emissionsereignis vorliegt. Die Entwicklung verlief iterativ, mit wöchentlichen Demos für den Kunden, sodass wir Feedback zu Alarmschwellen und Reporting-Analytik einarbeiten konnten.
  3. Details der Umsetzung
    Phase 3. Tests, Deployment & Launch
    • Wir führten umfangreiche Tests des Gesamtsystems durch. Dazu gehörten Simulationen von Sensordaten zur Prüfung der Echtzeit-Alarmierung, Offline-Szenario-Tests (App ohne Internet, um die Datenpersistenz sicherzustellen) und Feldtests mit echten Hardware-Geräten. Wir feinjustierten die Satelliten-Workflows, um intermittierende Konnektivität sauber zu handhaben (z. B. Pufferung von Messwerten bei verzögertem Satelliten-Pass). Nach erfolgreicher Validierung wurden die Cloud-Komponenten in die AWS-Umgebung des Kunden ausgerollt und die Flutter-App im App Store / Play Store für einen kontrollierten Release veröffentlicht. Beim ersten Feldeinsatz erkannte das System ein Test-Gasrelease in unter zwei Minuten.

Ergebnisse und Wirkung

Echtzeit-Reaktion auf Vorfälle
Erkennung und Handlung in Minuten, minimiert Risiken von Unfällen, Umweltschäden und Strafen
Breite Abdeckung mit weniger Lücken
~1 km² pro Sensor, kontinuierliche Überwachung ohne tote Winkel, auch in abgelegenen Gebieten
Hohe Präzision & weniger Fehlalarme
99 %+ Genauigkeit durch KI-gestützte Analytik, mit drastisch weniger Fehlalarmen
Verbesserte operative Effizienz
Zentrales Dashboard steigert die operative Effizienz um ~30 %, ersetzt manuelle Prüfungen durch automatisierte Erkenntnisse
Kundenwirkung
mit Pilotkunden gelauncht und zum Kern des kommerziellen Angebots des Kunden geworden

Tech-Stack

vor der ForrestApp-Umsetzung
Vor der Umsetzung

Umweltüberwachung war reaktiv und zersplittert. Die Kunden des Kunden verließen sich auf ein Flickwerk lokaler Sensoren, periodischer manueller Inspektionen und nachträglicher Berichte. Die Abdeckung war begrenzt, und das Erkennen einer Emissionsquelle konnte Stunden oder Tage dauern.

nach der ForrestApp-Umsetzung
Nach der Umsetzung

ForrestApp liefert ein proaktives, vereinheitlichtes Überwachungssystem. Automatisierte IoT-Sensoren spüren kontinuierlich Probleme auf, und sobald eine Anomalie auftritt, wird ein Alarm mit der exakten Position gesendet. Was einst ein langsamer, manueller Prozess war, ist nun ein sofortiger, datengetriebener Vorgang. Ein Deponiebetreiber, der ForrestApp nutzt, kann beispielsweise ein Gasleck sofort auf der digitalen Karte lokalisieren, statt Hektar Land zu durchsuchen — was die Reaktionszeit drastisch verkürzt und die Sicherheit verbessert.

Wichtigste Erkenntnisse
Früherkennung funktioniert im Feldmaßstab

Die Kombination aus Sensornetzwerken und KI-Anomalie-Erkennung verkürzte die Erkennung von Lecks und Verschmutzung von Stunden auf Minuten, in einem Maßstab, in dem manuelle Inspektion nie realistisch war. Für die beteiligten Branchen ist das der Unterschied zwischen einem Eintrag im Vorfallsprotokoll und einem Bußgeld.

Wichtigste Erkenntnisse
Design für Offline- und Remote-Einsatz

Offline-first war die richtige Entscheidung. Satelliten-Backhaul und lokales Caching halten das System an Orten ganz ohne Konnektivität am Laufen, also genau dort, wo die Sensoren am dringendsten gebraucht werden.

Wichtigste Erkenntnisse
Plattformübergreifende Effizienz mit Flutter

Eine Flutter-Codebasis deckte iOS, Android und Web ab, was bei einem Startup-Budget zählte. Die identische UI auf allen Plattformen machte auch die Nutzerschulung einfacher.

Wichtigste Erkenntnisse
Skalierbarkeit und Nachhaltigkeit

Das Fundament aus AWS und ResIOT fängt Wachstum bei Sensoren und Regionen ohne Umbau auf. Lange Batterielaufzeiten und Over-the-Air-Updates halten die Betriebskosten niedrig genug, dass ein Startup die Flotte tatsächlich langfristig betreiben kann.

Wichtigste Erkenntnisse
Mit dem Kunden gebaut, Woche für Woche

Wöchentliche Demos und iteratives Testen mit dem Startup-Team stimmten Alarmschwellen und Dashboard-Funktionen auf reale Erwartungen ab. Bei einem neuartigen Produkt war diese Feedback-Schleife der Unterschied zwischen der Auslieferung ihrer Idee und der Auslieferung unserer.

Brauchen Sie eine ähnliche Lösung?

Wenn Sie Sensoren ins Feld bringen und die Software-Seite so zuverlässig sein muss wie die Hardware, sprechen Sie mit uns. Wir entwerfen die komplette Pipeline, vom Gerät bis zum Dashboard.

Kontakt aufnehmen