Hey zusammen,
nach ein paar intensiven Tagen Debugging, Umbau und einer Menge ausprobieren ist mein automatisierter Bewässerungs-Workflow endlich live – und das Ding rockt! Ich hatte bislang Smart Irrigation in Nutzung, aber kam meistens nicht so richtig mit den Einstellungsmöglichkeiten klar, vielleicht passen die auch nicht zu meinen Sensoren. Zudem wollte ich eine lokale KI-Unterstützung einbauen. Diese ist im Workflow nun enthalten, aber nur rudimentär. Allerdings gibt es Ausbaupläne.
Was passiert da?
Home Assistant liefert aktuelle Sensordaten pro Garten-Zone (z. B. Fläche, Sonneneinstrahlung, Bodentyp etc.)
Wetterdaten & Regenanalysen kommen aus lokalen Quellen + einer KI-gestützten Einschätzung
Ein lokaler Agent (z. B. via Mistral oder LLaMA) berechnet pro Zone:
- den individuellen Wasserbedarf (inkl. effektiver Regenmengen, Verdunstung etc.)
- die optimale GieĂźzeit in Minuten
- sinnvolle Tageszeiten fürs Gießen (z. B. „05:00–08:00 & 19:00–21:00“)
- Empfehlung zur Aufteilung (z. B. 2 Gaben bei groĂźer Hitze)
Die Tools:
n8n orchestriert wie immer alles (Input → Agent → Ergebnisverarbeitung)
Home Assistant liefert Sensor- & Zoneninfos und schaltet die Zonen nach der Zeitvorgabe
Eigener Code Node berechnet den Wasserbedarf logisch & transparent
KI-Agent liefert kontextuelle Einordnung, Wettertext & Entscheidung- supabase und NocoDB Puffern Zwischenergebnisse, damit nichts verloren geht
- MQTT untertsĂĽtzt die Kommunikation zwischen Homeassistant und N8N
Highlights:
- Flexible JSON-Ausgabe, die auch bei fehlenden Sensorwerten stabil bleibt
- Reduzierung KI und dafĂĽr mehr Codenode
- Basic LLM Chain mit Fall Back Modell (das ist dann Mistral.ai)( war mir neu, dass es das gibt)
- Alle GieĂźempfehlungen werden auf Wunsch geloggt oder getriggert
- Benachrichtung ĂĽber Empfehlung und Ergebnis ĂĽber WhatsApp (WAHA Node)
- Fläche, Pflanzenart, Bodenart, Sonnenlage, Durchflussmenge in Homeassistant konfigurierbar.
Ideen fĂĽr zukĂĽnftige Optimierungsschritte:
Ich würde es perspektivisch auch gern für meine Landwirtschaftsflächen einsetzen, da wird dann auch deutlich mehr potenzial in Form von Wasser sparen gehoben**
Wetterprognose intensiver und langfristiger einbinden (Next Level):
→ Ergänze Vorhersagedaten: Regenwahrscheinlichkeit, Temperaturtrend, Sonnenstunden.
Ziel: “Heute kein Regen, aber morgen 30 mm vorhergesagt?” → lieber noch warten.
Dynamische Schwellenwerte mit Langzeitanalyse:
→ Statt starrer 20.000 Pa automatisch anpassen je nach Monat, Bodentyp, Vegetationsphase.
Beispiel: Im Juli mehr Verdunstung → 25.000 Pa wird dann kritisch.
Pflanzen- & Beet-spezifische Logik:
→ Unterschiedliche Feuchteziele je nach Pflanze oder Zone.
Zuccini beet = „sensibel“, Obstgarten = „robust“ – unterschiedliche Empfehlungen.
- Feedback-Loop mit realer Bodenfeuchte:
→ Nach der Bewässerung Bodenfeuchte prüfen: kam die gewünschte Erhöhung?
Ziel: KI lernt Bewässerungswirkung und passt Empfehlungen langfristig an.
Trendanalyse & Lernsystem:
→ „Letztes Jahr war Juli besonders trocken – dieses Jahr ähnlich“
Agent erkennt Muster über mehrere Jahre hinweg und wird schlauer als der Gärtner (aber nur fast 
).
Falls jemand an sowas Ă„hnlichem arbeitet oder sich fĂĽr smarte Gartenautomatisierung interessiert:
Screenshots im Anhang (Dashboard ist noch in Arbeit), Code fĂĽr n8n, und homeassistant kann ich gern senden.
Bewässerung ausschalten.yaml (2,6 KB)
Bewässerungssteuerung starten N8N.yaml (4,0 KB)
Bewässerungsberechnung starten.yaml (2,1 KB)
Irrigation Weather Analyses-public.json.txt (86,2 KB)
Achtung: die Irrigation Weather Analyses-public.json.txt ist original eine .json datei und stellt den n8n Workflow dar. Ich ich kann hier keine .json hochladen daher habe ich sie als txt gespeichert. Wer sie verwenden möchte müsste nach dem Download das .txt löschen