Im Gegensatz zu berührungslosen akustischen Temperaturmessverfahren (z.B. Akustische Laufzeittomografie A-TOM, Ultraschallanemometer), die unbeeinflusst von der solaren Einstrahlung sind, werden konventionelle Messelemente (z.B. Widerstandsthermometer), durch kurz- u. langwellige Strahlung beeinflusst, wenn sie dieser ungehindert ausgesetzt werden. Trotz eines Strahlungsschutzes, der das Sensorelement vor der direkten Sonneneinstrahlung schützen soll, kann die Temperaturmessung durch Strahlungseinflüsse signifikant beeinträchtigt werden. Hier soll ein Verfahren vorgestellt werden, bei dem aus der Kombination von akustischen Messungen mit zusätzlichen Registrierungen der Luftfeuchte die Größe des Strahlungsfehlers abgeschätzt werden kann. Das Ziel ist es, aus der akustischen virtuellen Temperatur den Strahlungsfehler eines konventionellen Vergleichsgerätes über die spezifische Feuchte zu bestimmen sowie die erreichbare Genauigkeit dieser Abschätzung durch eine Sensitivitätsstudie zu überprüfen.

In smart item environments, multitude of sensors are applied to capture data about product conditions and usage to guide business decisions as well as production automation processes. A big issue in this application area is posed by the restricted quality of sensor data due to limited sensor precision as well as sensor failures and malfunctions. Decisions derived on incorrect or misleading sensor data are likely to be faulty. The issue of how to efficiently provide applications with information about data quality (DQ) is still an open research problem. In this paper, we present a flexible model for the efficient transfer and management of data quality for streaming as well as static data. We propose a data stream metamodel to allow for the propagation of data quality from the sensors up to the respective business application without a significant overhead of data. Furthermore, we present the extension of the traditional RDBMS metamodel to permit the persistent storage of data quality information in a relational database. Finally, we demonstrate a data quality metadata mapping to close the gap between the streaming environment and the target database. Our solution maintains a flexible number of DQ dimensions and supports applications directly consuming streaming data or processing data filed in a persistent database.