Mit dem Smartphone die Mobilfunkstrahlung schätzen – eine Pilotstudie zu einer Idee

Smartphones messen ununterbrochen, wie stark sie die umliegenden Mobilfunkantennen empfangen. Diese Empfangswerte liessen sich nutzen, um die Strahlenbelastung der Bevölkerung grossflächig und kostengünstig zu schätzen, ohne teure Messgeräte. Eine Forschungsgruppe um das Swiss TPH und Fields at Work hat dafür eine Umrechnungsmethode entwickelt und in einer Pilotstudie getestet. Die Arbeit ist nicht neu: Version 1 erschien im September 2024, die überarbeitete Version 2 im März 2025. Das dabei geprüfte Protokoll knüpft methodisch direkt an unsere bisherige Kritik an Exposimeter-Messungen an. Was für die Arbeit spricht, sei vorweg gesagt: Die zugrunde liegende Physik stimmt, die Daten und Auswertungsskripte sind vollständig offengelegt, und die Autoren benennen ihre Grenzen selbst, jedoch mit einem sehr geringen Anspruch. Das Problem liegt nicht in fehlender Sorgfalt, sondern darin, dass die belastbaren Aussagen viel schmaler sind, als eine bevölkerungsweite Erfassung der Exposition durch Mobilfunk erfordern würde.

Die Idee: aus dem Empfangspegel die Feldstärke schätzen

Mobilfunkgeräte überwachen laufend sogenannte Signalstärke-Indikatoren (Signal Strength Indicators, SSI) wie RSSI, RSRP oder bei 5G das SS-RSRP. Diese Werte hängen mit der empfangenen Leistung der Basisstation zusammen, also mit der Downlink-Belastung. Sie hängen indirekt auch mit der Sendeleistung des eigenen Geräts zusammen: Empfängt das Handy ein starkes Signal, steht die Basisstation meist nah, der Pfadverlust ist gering, und das Gerät kommt mit wenig Sendeleistung aus. Bei schwachem Empfang dreht es seine Sendeleistung hoch. Diese negative Korrelation zwischen Empfangsqualität und Sendeleistung ist gut belegt und macht die SSI grundsätzlich zum Stellvertreter für beide Expositionsanteile, Downlink wie Uplink.

Im EU-Projekt ETAIN (Horizon Europe) hat die Gruppe daraus die Smartphone-App «ETAIN 5G Scientist» entwickelt. Die App weist neben den Mobilfunksignalen auch WLAN-Signale aus; in dieser Studie ist WLAN jedoch ausgeblendet, sie beschränkt sich auf die zellularen Netze von 3G bis 5G. Das langfristige Ziel sind räumlich aufgelöste Expositionskarten aus den Daten vieler Nutzerinnen und Nutzer. Damit das funktioniert, braucht es Umrechnungsfunktionen, die aus den App-Werten Feldstärken machen. Genau diese Funktionen herzuleiten, ist Zweck der Arbeit. Die Pilotmessungen sollten laut den Autoren das Protokoll für die volle Umsetzung in den Niederlanden und der Schweiz straffen, in eingeschränkter Form auch für Deutschland, Griechenland und Spanien; brauchbare Umrechnungsfunktionen für 5G mit adaptiven Antennen blieben dabei ausdrücklich künftigen Messkampagnen vorbehalten.

Was hier positiv auffällt und in diesem Forschungsfeld nicht selbstverständlich ist: Der gesamte Datensatz inklusive Rohdaten und R-Skripten liegt offen auf der Yoda-Plattform der Universität Utrecht (CC BY 4.0), und die Studie folgt der STROBE-Leitlinie für Beobachtungsstudien. Die Auswertung ist damit nachvollziehbar und reproduzierbar. Das ist solide offene Wissenschaft, und die folgende Kritik richtet sich nicht gegen die Transparenz, sondern gegen die Tragweite der Schlüsse.

Was gemessen wurde

Getestet wurde an vier Standorten in Lyon (Vortest, Juli 2023) und an 14 Standorten in den Niederlanden (Pilotstudie, Oktober bis November 2023), in städtischen wie ländlichen Gebieten. Zum Einsatz kamen drei Smartphone-Modelle und die jeweils gängigsten Netzbetreiber. Pro Standort führte eine geschulte Person standardisierte Nutzungsszenarien von je zwei Minuten durch: Flugmodus (Umgebungsbelastung), Telefonie und Datenübertragung, jeweils bis 4G beziehungsweise bis 5G erzwungen.

Als Referenz dienten zwei Messsysteme der Firma Fields at Work (Zürich):

Wichtig: Das ExpoM-RF4 wurde hier nicht nur als Messgerät eingesetzt, sondern als Kalibrierreferenz, also als der «wahre Wert», gegen den die App abgeglichen wird. In der Metrologie muss eine Referenz nachweislich genauer sein als das, was sie kalibriert, weil ihre eigene Unsicherheit direkt in jede abgeleitete Funktion propagiert. Ob das ExpoM dieser Rolle gewachsen ist, behandeln wir gebündelt in Kritikpunkt 2.

Was herauskam

Für die Fernfeldbelastung zeigte sich ein positiver, log-linearer Zusammenhang zwischen dem LTE-RSSI und der gemessenen Feldstärke. Am besten funktionierte die Karten-Funktion: Sie erklärte in beiden Ländern über 95 Prozent der Streuung (Vorhersagefehler RMSLE: 1.26 dBμVm-1 in Frankreich, 1.64 dBμVm-1 in den Niederlanden). Die technische und die App-Funktion schnitten deutlich schwächer ab: Sie erklärten nur 37 bis 45 Prozent der Streuung (RMSLE: 7.12 bis 8.05 dBμVm-1). Daraus zogen die Autoren selbst den entscheidenden Schluss: SSI eignen sich im Mittel und über viele Datenpunkte als Schätzer für die Downlink-Belastung, nicht aber für die momentane Exposition an einem einzelnen Punkt.

Für die Nahfeldbelastung durch das eigene Gerät fanden sie den erwarteten negativen Zusammenhang: Je besser die Empfangsqualität, desto geringer die Belastung am Ohr (Koeffizient -0.31) und auf der Brust (-0.20). Wer schlechten Empfang hat, wird durch sein eigenes Handy stärker belastet.

Und zwei Befunde, die für die Einordnung zentral sind: Es liessen sich keine 5G-Umrechnungsfunktionen ableiten, und das 5G-Signalmass NR-ssRSRP war kein signifikanter Prädiktor für die 5G-Belastung. In den Niederlanden bot nur ein Anbieter (Vodafone) überhaupt 5G an, durchgehend nicht-eigenständig (non-standalone), und das 3.5-GHz-Band trat in den Messungen gar nicht auf. Die folgenden vier Kritikpunkte setzen genau an dieser Lücke zwischen Anspruch und Datenlage an.

Kritikpunkt 1: Das beste Ergebnis stützt sich auf sehr wenige Messorte

Das Aushängeschild der Studie ist die Karten-Funktion. Sie erklärt in beiden Ländern über 95 Prozent der Streuung, also fast die gesamte beobachtete Schwankung, und liefert in Frankreich wie in den Niederlanden fast denselben Umrechnungsfaktor. Das klingt robust, ist es aber nicht, denn dieser Wert beruht auf sehr wenigen Datenpunkten: Die Karten-Funktion mittelt die Messungen je Standort zu einem einzigen Wert und wird dann an 4 Standorten in Frankreich und 14 in den Niederlanden angepasst. Eine fast perfekte Übereinstimmung mit nur vier Punkten sagt wenig aus, sie lässt sich mit fast jeder Linie erreichen. Das breite Schwankungsband des französischen Faktors (0.55 bis 1.28) zeigt diese Unsicherheit direkt.

Aufschlussreich ist der Gegensatz zu den datenreichen Funktionen. Die technische und die App-Funktion arbeiten mit mehreren hundert Einzelmessungen (395 in Frankreich, 891 in den Niederlanden) und erklären nur noch 37 bis 45 Prozent der Streuung. Je mehr echte Einzeldaten eine Funktion verwendet, desto schlechter passt sie also. Der Grund ist einfach: Sobald man über einen ganzen Standort mittelt, fällt genau die zeitliche und nutzerbezogene Schwankung weg, die eine Schätzung für eine einzelne Person und einen einzelnen Moment treffen müsste. Die Karten-Funktion eignet sich deshalb für grobe Flächenmittel, nicht aber als Beleg, dass aus einem einzelnen Handy-Wert eine verlässliche Feldstärke folgt.

Kritikpunkt 2: Das Referenzgerät trägt die ihm zugewiesene Rolle nicht

Die ganze Methode steht und fällt mit der Referenz. Die App-Werte werden gegen die Messung des ExpoM-RF4 kalibriert. Schon im Ansatz gibt es dabei ein Problem, das tiefer reicht als die bekannte temporäre Blindheit: App und Referenz erfassen physikalisch nicht dasselbe.

Was die App liest, und was das Exposimeter misst

Die drei Messgrössen bilden Verschiedenes ab. RSRP (4G), SS-RSRP (5G) und RSCP (3G) beziehen sich auf die Referenz-, Pilot- und Synchronisationssignale und sind verkehrsunabhängig. Zugeschaltete Erweiterungsträger können gar kein eigenes Broadcast-Referenzsignal führen, das einen RSRP liefern würde. Eine code-selektive Messung, wie die Gutachter Heberling und Bornkessel sie vorschlagen, erfasst ebenfalls nur diese Referenzsignale, optional weitere Pilotsignale. Der RSSI ist die gesamte Empfangsleistung im Band; die Studie beschreibt ihn als Summe aus Referenz- und Interferenzsignalen, also Nachbarzellen und Rauschen, nicht aber als Mass für den Datenverkehr der eigenen Zelle. Das Exposimeter dagegen misst im Downlink-Band vor allem den Verkehr, also die datengetriebene Emission, und auch diese wegen seiner zeitlichen Blindheit nicht zwingend vollständig.

Daraus folgt: Die App liefert mit RSRP, SS-RSRP oder RSSI im Kern ein referenz- und interferenzgeprägtes Mass, das Exposimeter ein verkehrsgeprägtes. Kalibriert wird also ein Indikator gegen eine Referenz, die physikalisch eine andere Grösse erfasst. Dass die Karten-Funktion über Standortmittel trotzdem eng korreliert, spiegelt räumliche und netzbezogene Regelmässigkeiten wider, nicht eine direkte Messung derselben Grösse.

Epidemiologisch wäre ohnehin die effektive Belastung massgebend, also Referenz- plus Verkehrsanteil samt ihrer zeitlichen Dynamik. Keiner der drei Wege liefert das sauber: Die code-selektive Messung blendet den Verkehr ganz aus, das Exposimeter erfasst ihn zeitlich nur lückenhaft, und das App-Mass bildet primär Referenz und Interferenz ab. Die Interferenz hängt zudem stark von der Messposition ab (in Innenräumen können bereits 0.3 m einen deutlichen Unterschied machen) und von der Abstrahlcharakteristik des Senders, die bei MaMIMO zeitlich hochdynamisch ist.

Die bekannten Einschränkungen des ExpoM-RF4

Der ExpoM-RF4 tastet seine 35 Bänder nacheinander ab, jedes Band 50 ms, der Zyklus wiederholt sich erst alle 7 Sekunden. Jedes Band wird damit nur rund 0.7 Prozent der Zeit beobachtet. Hinzu kommt, dass auch die Steuer- und Referenzsignale von Mobilfunksendern nicht durchgehend anliegen: Sie werden je nach Technologie periodisch und in sehr unterschiedlichen Abständen gesendet, LTE-Referenzsignale nahezu in jedem Subframe im Millisekundentakt, der 5G-Synchronisationsblock SSB dagegen nur etwa alle 20 Millisekunden. Je seltener und kürzer ein Signal gesendet wird, und je kürzer an einem Standort gemessen wird, desto eher fällt es durch das 0.7-Prozent-Raster. Für einen quasi-stationären Träger ist das verkraftbar, für kurze, sprunghafte oder selten gesendete Signale wird die Erfassung zum Zufall.

Das ExpoM misst zudem die Summe aller Sender im Band, unabhängig davon, ob es sich um Downlink (DL) oder Uplink (UL) handelt. Das spielt bei Zeitduplex (TDD) eine Rolle, dazu gleich mehr.

Aus demselben Grund kann das ExpoM auch verschiedene Funktechnologien, die sich ein Frequenzband teilen, nicht auseinanderhalten. Es ordnet die Belastung allein nach dem Frequenzband einer Technologie zu, so auch in dieser Studie, wo die unteren Downlink-Bänder pauschal als LTE und das 3.5-GHz-Band als New Radio (5G NR) geführt werden. Unterhalb von rund 2.8 GHz liegen heute aber über Refarming und Dynamic Spectrum Sharing 3G, 4G und 5G nebeneinander im selben Band; das frequenzselektive Exposimeter summiert sie und schreibt sie einer einzigen Technologie zu. Das verbundene Handy unterscheidet sie dagegen, weil seine Demodulation die technologiespezifischen Werte liefert (RSCP für 3G, RSRP/RSSI für 4G, SS-RSRP für 5G). Oberhalb von 2.8 GHz, im 3.5-GHz-Band, sendet derzeit nur 5G, dort stellt sich diese Vermischung nicht. Auch hier misst die Referenz somit eine gröbere, technologisch unscharfe Grösse als die App.

Wir haben die strukturelle Schwäche des band-sequenziellen Messprinzips bereits an den SwissNIS-Messungen von Loizeau et al. (2023) und an der nutzungsbasierten Studie von Fernandes Veludo et al. (2025) beschrieben. Es ist dasselbe Gerät und dasselbe Grundproblem. Dieselbe Schwäche steckt nun in dieser Kalibrierreferenz.

TDD und Massive MIMO: warum die Referenz bei 5G versagt

Zwei Eigenheiten von 5G verschärfen das Problem.

Erstens das Duplexverfahren. 4G läuft in den hier gemessenen Netzen im Frequenzduplex (FDD): Down- und Uplink liegen auf getrennten Frequenzbändern, das Exposimeter im Downlink-Band sieht die Handy-Emission nicht. 5G im 3.5-GHz-Band (n78) und auch WLAN nutzen dagegen Zeitduplex (TDD): Down- und Uplink teilen sich dieselbe Frequenz und wechseln sich zeitlich ab. Bei 5G und WLAN beschränkt sich das auf einen Teil der vielen Sub-Kanäle dieses breitbandigen Signals, was die Trennung zusätzlich erschwert. Das ExpoM ist frequenzselektiv, unterstützt aber keine Trennung nach Richtung oder Zeit: Es kann in einem TDD-Band den Downlink der Basisstation nicht von der Uplink-Emission des nur etwa 30 cm entfernten Mess-Smartphones trennen und misst dessen eigene Sendeleistung mit. Die Referenz überschätzt damit die Downlink-Belastung gerade dort, wo das Handy selbst sendet, während der App-Wert ausschliesslich den Downlink abbildet. In TDD-Bändern messen Referenz und Prädiktor also systematisch Unterschiedliches. WLAN war nicht Gegenstand der Studie und das 3.5-GHz-Band trat nicht auf, doch genau diese TDD-Bänder sind die 5G-Zukunft, für die das Protokoll vorgesehen ist.

Zweitens die adaptiven Antennen (Massive MIMO). Sie bündeln die Sendeleistung räumlich und zeitlich auf die aktiven Nutzer. Das verbundene Handy empfängt den auf es gerichteten Synchronisationsblock und liefert dafür einen SS-RSRP-Wert; die App sieht das Referenzsignal einer MaMIMO-Zelle also durchaus, eine quantitative Schätzung der Gesamtbelastung bleibt aber sehr vage. Der stark gebündelte Verkehrsstrahl trägt unter Last den weitaus grössten Leistungsanteil. Er kann während des 50-ms-Messfensters in eine andere Richtung zeigen und in der langen Messpause genau den Sektor des Exposimeters bedienen. Damit wird er vom Referenzgerät praktisch übersehen.

Die code-selektive Alternative

Heberling und Bornkessel empfehlen in ihrem Review eine code-selektive Messung der lastunabhängigen Signalisierungskanäle (RS0–RS3 bei LTE, SSS bei 5G, CPICH bei UMTS), Band für Band und technologiespezifisch mit einem Spektrumanalysator. Messtechnisch ist das der sauberere, besser reproduzierbare Weg, weil Referenzsignale stabil sind und nahezu dasselbe messen wie die App auf dem Smartphone. Er hat aber die bereits genannte Kehrseite: Er erfasst nur den verkehrsunabhängigen Anteil und lässt den Verkehr aussen vor, der für die tatsächliche Belastung entscheidend ist. Bei 5G unter Last verschärft sich das, weil die Signalisierung dann nur rund 1 Prozent der Leistung ausmacht und der gerichtete Daten-Beam typischerweise eine deutlich höhere Antennenverstärkung aufweist als die Abstrahlung in den ganzen Antennensektor. Spektrumanalysatoren eignen sich nicht für das breite Monitoring, wohl aber als Referenzgerät.

Kritikpunkt 3: Drei Smartphones, aber keine Antennencharakterisierung

Die App wurde auf drei Modellen geprüft (Samsung S22+ beziehungsweise A22, Xiaomi Redmi Note 11S, Oppo A77, alle unter Android 13). Die Autoren berichten vernachlässigbare Unterschiede in den Signalstärke-Verteilungen und reduzierten deshalb für die Kurzfassung des Protokolls auf ein einziges Budget-Modell, den Samsung A22. Dieser Schluss verdient zwei kritische Anmerkungen.

Erstens war die Modell-Gleichheit nicht durchgängig gegeben. Beim Samsung S22+ in Frankreich wurden nur 12 RSSI-Aggregate erfasst, die als unplausibel verworfen wurden, und NR-ssRSRP wurde mit diesem Modell gar nicht aufgezeichnet. Die Aussage zur Modell-Unabhängigkeit stützt sich also auf Daten, bei denen ein Modell für den zentralen 5G-Indikator ausfiel.

Zweitens, und gewichtiger, wurde nur die Ähnlichkeit der ausgelesenen Empfangswerte geprüft, nicht die Invarianz des Umrechnungsfaktors über Geräte mit unterschiedlicher Antenne. Die Methode setzt über die Friis-Gleichung eine konstante Antennenverstärkung voraus. Die isotropen Antenneneigenschaften der Smartphones wurden aber nicht erfasst. Eine Smartphone-Antenne ist ausgeprägt richtungsabhängig; ihr Empfang hängt stark von Orientierung, Handgriff und Körpernähe ab. Diese Richtwirkung wurde weder im reflexionsfreien Raum vermessen noch korrigiert. Das Handy ist in dieser Methode das eigentliche Messgerät, weil die App seinen Modemwert ausliest. Eine nicht charakterisierte, stark anisotrope Empfangscharakteristik des Messgeräts ist deshalb eine grundlegende, unquantifizierte Unsicherheit, gerade für die geplante Nutzung mit beliebig gehaltenen Geräten.

Kritikpunkt 4: Nahfeld dünn belegt und am Sensor-Limit

Insgesamt lagen für das Ohr 85 und für die Brust 30 Aggregate vor. Die zitierten negativen Koeffizienten stammen aus den Datenübertragungs-Szenarien und beruhen auf nur 21 Aggregaten am Ohr und 30 an der Brust. Videoanruf-Szenarien wurden aus dem Protokoll entfernt, weil sie kaum je über der Nachweisgrenze der Sonden von 2 V/m lagen. Damit fällt ein verbreiteter realer Nutzungsfall aus der Nahfeld-Analyse heraus, und die untere Nachweisgrenze zeigt, dass die Sonden für einen Teil des Alltagsverhaltens zu unempfindlich sind.

Schwerer wiegt, dass gerade der kritische Bereich schlecht abgedeckt ist. Die Autoren schreiben, ihre Daten seien am unteren Ende der Empfangsstärke dünn, und die Mechanismen der Sendeleistungsregelung bei schwachem Signal seien nicht vollständig erfasst worden. Die höchste persönliche Belastung durch das eigene Gerät entsteht aber genau dort, bei schwachem Empfang. Die Methode ist also dort am schwächsten belegt, wo die Exposition am höchsten ist. Hinzu kommt, dass die Sondendaten aus Lyon wegen eines elektrischen Defekts ungültig waren, sodass das Nahfeld ausschliesslich auf den niederländischen Messungen beruht.

Die unabhängige Begutachtung stützt die Vorbehalte

Open Research Europe arbeitet mit offener Begutachtung nach der Publikation. Drei der vier Gutachten fielen zustimmend aus (Orlacchio, López Espí, Gavrilas). Das vierte, von Dirk Heberling (RWTH Aachen) und Christian Bornkessel (TU Ilmenau) vom 8. Mai 2025, stimmte nur mit Vorbehalten zu und bewertete das Studiendesign als nur teilweise angemessen. Beide gelten als herausragende EMF-Messtechniker, eine ihrer Arbeiten ist in der Studie als Referenz zitiert.

Die wichtigsten Punkte: Ein einziger, über alle Frequenzen, Geräte und Standorte gemittelter Umrechnungsfaktor sei zu grob; genauer wäre eine frequenz- und gerätespezifische Kalibrierung, Band für Band. Der gemittelte Faktor gelte streng genommen nur für Netze mit gleicher Frequenzzusammensetzung; ändert sich die proportionale Frequenzzusammensetzung, wird er zunehmend ungenau. Frequenzspezifische statt gemittelte Faktoren liessen sich grundsätzlich in der App umsetzen, da diese die Frequenz der bedienenden und der benachbarten Zellen ohnehin kennt. Die RSSI-Werte des Telefons seien grob quantisiert und nach oben begrenzt, sodass sich starke Felder nicht mehr auflösen liessen. Beim gewichtigsten Einwand, 5G und Massive MIMO, halten sie fest, dass das aus dem SSB-Signalisierungskanal gelesene Leistungsmass die tatsächliche Belastung unter Last nicht abbilde. Schliesslich kritisieren sie, dass Datei-Uploads berücksichtigt wurden, aber keine datenintensiven Downloads.

Mehrere weitere Einwände betreffen die Methodik im Detail. Der Fernfeld-Umrechnungsfaktor sollte nach Ansicht der Gutachter nicht vom Länderszenario abhängen, sondern allein vom Sensortyp, also vom frequenzabhängigen Antennenfaktor und der Kalibrierung des Telefons; dass Frankreich und die Niederlande unterschiedliche Faktoren ergaben (0.91 gegenüber 1.09), deutet darauf hin, dass der Faktor Netzunterschiede aufnimmt, die er nicht enthalten sollte. Als Mass für die Netzlast tauge die Zahl der Antennen nicht, da eine einzelne Basisstation auf dem Land stärker ausgelastet sein könne als viele Antennen in der Stadt. Offen bleibe zudem, wie Signale einzelner Zellen identifiziert und wie fortgeschrittene Verfahren wie Carrier Aggregation behandelt werden. Und die selbstinduzierte Uplink-Belastung ordnen die Autoren der Fraunhofer-Grenze zu, während sie messtechnisch eher dem reaktiven Nahfeld zuzurechnen sei.

Dazu kommt die falsch angegebene Startfrequenz des ExpoM-RF4 in Abbildung 1 (50 Hz statt 50 MHz), ein Druckfehler, der aber die Frage aufwirft, ob die Gerätespezifikation im Manuskript sorgfältig geprüft wurde.

Reicht die Qualität für Monitoring und Kartierung?

Das ist die entscheidende praktische Frage. Die Antwort hängt davon ab, wer sie stellt, und die drei Positionen unterscheiden sich klar.

Was die Autoren selbst sagen

Die Autoren beanspruchen keine Momentan-Messung und keinen 5G-Nachweis. Sie sprechen durchgängig von «Stellvertreterwerten» (exposure proxies) und von «Potenzial», ohne diese Begriffe an einem Repräsentativitäts-Kriterium festzumachen. Für die Karten-Funktion, also standortgemittelte Werte aus vielen Nutzerinnen und Nutzern, sehen sie die Machbarkeit als gezeigt. Das ist eine ehrliche, zurückhaltende Einschätzung. Woran sich «Potenzial» bemessen liesse, bleibt aber offen.

Was Heberling und Bornkessel sagen

Sie sehen das Studiendesign als nur teilweise geeignet und beanstanden die Vergröberung auf einen einzigen frequenzgemittelten Faktor grundsätzlich. Ein solcher Faktor sei nur dort gültig, wo die Frequenzzusammensetzung des Netzes ähnlich bleibt wie in den Testregionen. In der Schweiz, wo das Frequenzspektrum anders verteilt und der 5G-Ausbau weiter fortgeschritten ist als in den Niederlanden 2023, ist diese Bedingung nicht garantiert. Für die MaMIMO-Problematik teilen sie die hier vorgetragene Einschätzung: Die 5G-Belastung unter Last wird nicht abgebildet.

Unsere Einschätzung

Für ein taugliches Monitoring- oder Kartierungsverfahren sollten drei Mindestanforderungen erfüllt sein.

1. Wiederkehrend kurz sendende Emittenten dürfen nicht systematisch übersehen werden. Basisstationen senden auch ohne aktive Nutzer ihre Pilot- und Synchronisationssignale. Diese Signale übersieht die App nicht: Sie liest das Referenzsignal einer Zelle aus, solange es nicht so schwach ist, dass es ohnehin kaum mehr beiträgt. Das Erfassungsproblem liegt hier beim Referenzgerät, nicht bei der App, denn das zeitblinde ExpoM erwischt kurze, periodisch gesendete Signale nur zufällig. Den Verkehrsanteil zeigt aber auch die App nicht an: Eine Zelle im Leerlauf und dieselbe Zelle unter Volllast unterscheiden sich in der effektiven Belastung um Grössenordnungen. Für die Diskussion biologischer Wirkungen ist gerade diese nicht erfasste Dynamik von Bedeutung.

2. Massive MIMO muss zumindest qualitativ erfasst werden. Die App erfasst das Referenzsignal einer MaMIMO-Zelle, weil das Endgerät den in die ganze Zelle gesendeten Synchronisationsblock empfängt. Eine quantitative Schätzung der Gesamtbelastung bleibt damit aber sehr vage. Unerfasst bleibt der nutzergerichtete Verkehrsstrahl, der unter Last den grössten Leistungsanteil trägt: Bei adaptiven Antennen fällt die verkehrsgetriebene Dynamik noch deutlich grösser aus als bei Antennen mit fester Senderichtung, was einen allgemeingültigen Hochrechnungsfaktor mit Aussagekraft kaum erwarten lässt.

Einen solchen Faktor mit einem ExpoM-RF4 als Kalibrator zu bestimmen, das die in ihrer Stärke und Senderichtung hoch dynamischen Verkehrs-Beams nur zufällig erfasst, ist erst recht nicht zielführend. Hier käme man um eine Kalibrierung mit einem Echtzeit-Signalanalysator nicht herum, und selbst dann bliebe die grosse Spannweite des stark situationsabhängigen Faktors bestehen.

3. Die Schätzunsicherheit sollte 6 dB nicht überschreiten. Dieser Wert ist keine formale Anforderung, aber eine praxisrelevante Schwelle: 6 dB entsprechen einem Faktor 2 in der Feldstärke, also einem Faktor 4 in der Leistungsdichte. Nur die Karten-Funktion für 4G erfüllt das 6-dB-Kriterium (RMSLE 1.26 bzw. 1.64 dBμVm-1), doch sie liefert Standortmittelwerte, keine personenbezogene Exposition und keine Momentanwerte. Für alle individualisierten Schätzungen überschreitet der Vorhersagefehler die Schwelle deutlich (RMSLE 7.12 bis 8.05 dBμVm-1).

Wie in Kritikpunkt 2 dargelegt, ist die Referenz für transiente und für TDD-Signale selbst nicht belastbar, und sie misst zudem eine andere Grösse als die App. Man kalibriert also einen vom Referenzsignal geprägten App-Wert gegen eine verkehrsgeprägte, temporär blinde Referenz. Nur die zeitliche und räumliche Mittelung aus vielen Werten der Karten-Funktion entschärft das; für Momentanwerte und adaptive Antennen bleibt es bestehen.

Fazit zur Monitoring-Tauglichkeit: Das Verfahren taugt höchstens als Kartierungsansatz für ortsgemittelte 4G-LTE-Downlink-Belastungen, sofern die Frequenzzusammensetzung des Netzes ähnlich bleibt wie im Pilotgebiet. Als Monitoring-Instrument für Momentanwerte, für adaptive Antennen, für TDD-Anwendungen und erst recht für die Abbildung der zeitlichen Dynamik der Exposition ist die Methode nicht geeignet. Die Autoren widersprechen dieser Einschätzung durch ihre bewusst vorsichtige Sprache nicht.

Hinzu kommt eine praktische Hürde, die selbst die Kartierung betrifft. Belastbare Karten entstehen überhaupt nur bei einer sehr grossen Zahl von Messpunkten, möglichst gleichmässig über das ganze Gebiet verteilt. Das setzt voraus, dass sehr viele Freiwillige die App installieren und ihre Daten dem Projekt überlassen. Ohne erkennbaren Mehrwert für die Teilnehmenden dürfte das kaum gelingen.

Aus eigener Erfahrung sind wir zudem skeptisch, was die erreichbare Genauigkeit angeht. Das IBH hat 2014 Versuche mit Ekahau HeatMapper 1.1.4 durchgeführt, einer auf dem Notebook installierten App zur Messung der WLAN-Abdeckung in Innenräumen, einmal mit der interner Antenne des Notebooks, einmal mit einer externen Omni-Antenne. Ziel war ein ungefährer Umrechnungsfaktor zu Channel-Power-Messungen mit einem Spektrumanalysator und bikonischer Messantenne. Wir gaben diese Versuche rasch auf, weil die Resultate eine zu grosse Spannweite zeigten. Das Grundproblem, einen software-ausgelesenen Empfangswert verlässlich auf eine kalibrierte Feldmessung abzubilden, ist also nicht neu.

Als methodischer Beitrag bleibt die Arbeit ein nützlicher Schritt: offene Daten, reproduzierbares Protokoll, ehrliche Selbsteinschätzung. Für die eigentliche Aufgabe aber, ein Monitoring der tatsächlichen, dynamischen Bevölkerungsexposition für epidemiologische Studien, trägt das wenig. Selbst wenn die ortsgemittelte 4G-Schätzung brauchbar wäre, und auch das ist nach dem Gesagten fraglich, bliebe sie auf eine Technologie beschränkt, deren Anteil an der Gesamtexposition sinkt. Expositionsrelevant und wachsend sind 5G mit adaptiven Antennen und, in einigen Jahren, 6G. Genau dort versagt der Ansatz strukturell. Ein Verfahren, das die Belastung von gestern ordentlich abbildet, die von morgen aber gar nicht, löst das Problem nicht, das es lösen soll.