Lokale Klassifikation zur Differenzierung des Stadtklimas am Beispiel Berlins

ausgearbeitet von Sinah Drenske, Marie Kreitlow, Luisa Rau

Abstract

Diese Ausarbeitung setzt sich mit der Local Climate Zone (LCZ)-Klassifikation auseinander, die zur Kategorisierung städtischer Strukturen entwickelt wurde. Unterschiedliche LCZ-Klassifikationen für die Stadt Berlin werden hinsichtlich ihrer Übereinstimmung auf verschiedenen Ebenen, gesamtheitlich, urban – rural und einzeln, miteinander verglichen. Hierbei wird der Einfluss des/der Durchführenden („lokale/r Experte/Expertin“) auf das Ergebnis der überwachten Klassifikation überprüft. Außerdem wird mit Hilfe von Lufttemperaturdaten an drei Standorten ermittelt, ob sich ausgewählte LCZs hinsichtlich ihrer Lufttemperatur signifikant voneinander unterscheiden. Ziel ist es, die Effizienz der Methodik zur Differenzierung des Stadtklimas zu untersuchen. Die Differenzen zwischen den Klassifikationen spiegeln sich in den direkten Vergleichen ihrer Klassifikationsergebnisse wider. Lediglich 20 % des Untersuchungsraums sind in allen Klassifikationen gleich klassifiziert worden. Die Übereinstimmungen sind überwiegend auf den rurale Klassen, vor allem Wasser, Zonen dichter Bewaldung und niedrigen Pflanzenbewuchses, zurückzuführen. Urbane Klassen weisen geringere Übereinstimmungen als rurale Klassen auf. LCZs, die während einer Befragung der Durchführenden Personen als schwer zu klassifizierend eingeschätzt wurden, weisen auch mehr Abweichungen auf. Die Lufttemperaturdifferenzen zwischen den untersuchten urbanen Standorten und dem ruralen Standort sind signifikant. Jene zwischen den untersuchten urbanen Standorten sind es jedoch nicht. Die Lufttemperaturunterschiede belegen das Potential der LCZ-Klassifizierung zur Differenzierung des Stadtklimas.

Mit dem Beginn des jetzigen Jahrtausends ist ein neues Zeitalter angebrochen: das Zeitalter der Städte (BMZ 2014). Schätzungen zufolge lebt derzeit mehr als die Hälfte der Gesamtbevölkerung in Städten und dieser Anteil wird sich weiter erhöhen (BMZ 2014; CHING et al. 2014). Städte weisen im Vergleich zum Umland veränderte klimatische Bedingungen auf (KUTTLER 2013; STEWART 2010). Das Stadtklima wird unter anderem durch die Verteilung und Struktur der Bebauung, den Versiegelungsgrad und die Flächennutzung beeinflusst. Jene Parameter führen zur Modifizierung des Wärmehaushalts und teilweise zur Ausbildung urbaner Hitzeinseln (engl. Urban Heat Island - UHI). Der Einfluss von UHI’s auf das Humanbioklima ist nicht zu unterschätzen. Eine zonale Differenzierung der Stadt ist für die stadtklimatologische Forschung daher von unmittelbarer Relevanz (KUTTLER 2013). Der Begriff UHI beschreibt eine inselartig auftretende Überwärmung der Stadt, die sich von der kühleren Umgebung des Umlandes abhebt (STEWART & OKE 2012). Dieses Phänomen wurde bereits in verschiedenen Studien erforscht (LAUWEAT et al. 2016; COSEO and Larsen 2014; STEWART 2011). Darin ist jedoch die uneinheitliche Verwendung der Begriffe urban und rural problematisch. Zudem sind urbane Standorte hinsichtlich ihrer strukturellen und materiellen Beschaffenheit heterogen. Sie lassen sich darüber hinaus nicht immer eindeutig vom Umland trennen, da städtische Strukturen oft dezentrale Ausbreitungsmuster aufweisen (STEWART & OKE 2012).

Klassifikationen der Landbedeckung aus Luft- und Satellitenbildern bieten neben der Ermittlung von Veränderungsprozessen der Landbedeckung eine Grundlage zur Kategorisierung von Stadtstrukturen. Hierbei erfassen Fernerkundungssensoren auf Satelliten oder Flugzeugen die Reflexion der Erdoberfläche in verschiedenen Bereichen des elektromagnetischen Spektrums. Die Reflexion wird, in Grauwerten kodiert, in den Pixeln eines Bildes abgebildet (LEXIKON DER FERNERKUNDUNG 2015). Ziel einer Klassifikation ist die Einteilung aller Pixel eines Bildes in Klassen. Zur Untersuchung der Beziehung zwischen Stadtstruktur und lokalem Klima wurden verschiedene Klassifikationssysteme entwickelt (LECONTE et al. 2015). Es wird zwischen pixelbasierten Verfahren, die ausschließlich auf Spektraleigenschaften beruhen und objektbasierten Verfahren, die zusätzlich Form, Textur und Nachbarschaftsmerkmale des Pixels miteinbeziehen, unterschieden. Weiterhin wird zwischen unüberwacht und überwacht unterschieden. In unüberwachten Klassifikationen werden nach einem rein statistischen Verfahren Pixel mit ähnlichen Helligkeitswerten identifiziert und einer Klassengemeinschaft zugeteilt. Sie ist anwenderunabhängig und basiert ausschließlich auf Informationen aus den Pixeln. Im Nachgang müssen die erstellten Klassen von einem Bearbeiter sinnvoll definiert werden. Bei der überwachten Klassifikation ordnen Anwender zunächst Bildausschnitte einer Klasse zu. Diese werden als Trainingsgebiete bezeichnet; sie dienen dem Trainieren des Klassifizierungsalgorithmus und bilden die Grundlage für die semiautomatische Gliederung des restlichen Bildes (LEXIKON DER FERNERKUNDUNG 2015).

Eines dieser Verfahren stellt das 2009 von STEWART und OKE entwickelte Klassifikationssystem der Local Climate Zones (LCZs) dar. Anfangs zur Bestimmung der UHI dienend, bietet sich die LCZ-Klassifikation zur Kategorisierung von Strukturtypen an (BECHTEL et al. 2015). Mit World Urban Database and Access Portal Tools (WUDAPT) werden die benötigte Datengrundlage und die Software zur LCZ-Klassifikation global zugänglich gemacht. Ziel ist eine weltweite Standardisierung städtischer Klassifikationen um die Vergleichbarkeit stadtklimatologischer Untersuchungen zu erhöhen. Dies soll durch eine einfache Bedienbarkeit, die keine klimatologischen Fachkenntnisse voraussetzt, geschaffen werden. Der Anwender agiert als lokaler Experte, dessen Stadtkenntnisse in die Klassifikation einfließen (WUDAPT 2016).

Es wird untersucht, inwieweit sich die Methodik der LCZ-Klassifikation nach WUDAPT zur Differenzierung des Stadtklimas in Berlin eignet. Dabei stellt sich die Frage, inwieweit LCZ-Klassifikationen verschiedener Anwender und Anwenderinnen übereinstimmen. Des Weiteren wird anhand von Lufttemperaturwerten überprüft, ob tatsächlich stadtklimatische Differenzen zwischen den LCZs auftreten. Die aus den beiden Fragen abgeleiteten Hypothesen lauten dahingehend:

1. Die Ergebnisse der LCZ-Klassifikation sind unabhängig vom lokalen Experten und somit übertragbar (Anwenderunabhängigkeit).
2. Die LCZ-Klassen weisen signifikante Unterschiede in der Lufttemperatur auf (Lufttemperaturdifferenz).

Untersuchungsgebiet

Das Untersuchungsgebiet, in dem die Klassifikationen erstellt wurden, umfasst die Stadt Berlin einschließlich des Umlandes (Bernau bei Berlin, Straußberg, Erkner, Grunewald, Potsdam, Falkensee). Die 3,5 Millionen Einwohner große Stadt (Stand 2012) befindet sich 52° 31` 12`` n. Br., 13° 24` 36`` ö. L. in der gemäßigten Klimazone. Das Untersuchungsgebiet umfasst eine Fläche von ca 900 km². Die durchschnittliche Lufttemperatur liegt bei 9,1 °C bei einem mittleren Jahresniederschlag von 570 mm (BERLIN ONLINE STADTPORTAL GMBH & CO. KG 2016). Der größte Anteil der Fläche geht auf Siedlungs- und Verkehrsfläche (57%) zurück. Der Anteil an öffentlichen Grünflächen liegt bei 12,9 %, Wald bei 18,3% und Wasser bei 6,7% (SENATSVERWALTUNG FÜR STADTENTWICKLUNG UND UMWELT 2014). Der Versiegelungsgrad ist in der Innenstadt mit 70 – 80 % am höchsten (SENATSVERWALTUNG FÜR STADTENTWICKLUNG UND UMWELT 2011).

Stadtstrukturen werden, basierend auf klimarelevanten Oberflächeneigenschaften – Höhe und Anordnung der Rauhigkeitselemente, Durchlässigkeit der Oberflächenbedeckung und thermische Eigenschaften der Materialien – in charakteristische Zonen eingeteilt. Es wird zwischen urbanen (1 – 10) und ruralen Klassen (A – G) unterschieden, die jeweils ein charakteristisches Lufttemperaturregime aufweisen, welches über trockenen Oberflächen in windstillen, klaren Nächten in Gebieten mit einfachem Relief besonders deutlich wird (STEWART & OKE 2012). Zu den ruralen Klassen werden Naturbedeckung, Asphalt, Stein und Wasser gezählt. Urbane Klassen sind maßgeblich durch Bebauung geprägt.

Tab. 1 – Übersicht der in dieser Studie klassifizierten Local Climate Zones (LCZ) für Berlin (verändert nach Stewart & Oke 2012)

LCZ	Bezeichnung	Bildliche Beschreibung	LCZ	Bezeichnung	Bildliche Beschreibung
1	Compact high-rise		A	Dense trees
2	Compact mid-rise		B	Scattered trees
4	Open high-rise		C	Bush, Scrub
5	Open mid-rise		D	Low plants
6	Open low-rise		E	Bare rock or paved
8	Large low-rise		F	Bare soil or sand
9	Sparsely built		G	Water
10	Heavy industry

Im Rahmen eines Workshops im WiSe 15/16 an der TU Berlin wurden in Kleingruppen acht LCZ-Klassifikationen mit WUDAPT erstellt. Bis auf zwei Anwender waren die Beteiligten nicht näher mit dem LCZ-Klassifikationssystem vertraut und wiesen ähnliche Kenntnisse im Bereich der Klimatologie auf. Die Anzahl der Wohnjahre in Berlin variiert zwischen 1 und 28 (s. Anhang 2). Zunächst wurden mit Daten von WUDAPT in Google Earth fünf bis fünfzehn Trainingsgebiete für die nach Ansicht der AnwenderInnen in Berlin vorkommenden LCZs erstellt. Hierbei wurden Richtlinien zur Größe, Form und dem Mindestabstand der Trainingsgebiete beachtet (WUDAPT 2016). Anschließend wurde mittels eines GIS die LCZ-Klassifikation anhand der Trainingsgebiete nach BECHTEL et al. (2015) erstellt. Die Klassifikation wurde mindestens drei Mal wiederholt. Dabei wurden die Trainingsgebiete angepasst, um infolgedessen die Klassifikation zu verbessern. Anschließend wurde eine Umfrage durchgeführt, in der die AnwenderInnen zu den verwendeten Hilfsmitteln und über Schwierigkeiten beim Verständnis des Konzeptes, dem Einteilen, Korrigieren und Verbessern der Trainingsgebiete und der Durchführung der Klassifikation befragt wurden (s. Anhang 2). Darin wurde auch auf mögliche Probleme bei der Klassifikation einzelner LCZs eingegangen.

Um festzustellen, inwieweit sich die LCZ-Klassifikation mit WUDAPT zur Differenzierung der Stadtstruktur eignet, werden die acht überwacht erstellten LCZ-Klassifikationen Berlins auf Übereinstimmungen bzw. Abweichungen miteinander verglichen. Dies wird auf drei Ebenen untersucht:

1. gesamte Klassifikation
2. urbane (1 – 10 in Tab. 1) und rurale Klassen (A – G in Tab. 1)
3. LCZ's einzeln

Die Vergleiche werden im Statistikprogramm R durchgeführt. Hierbei werden für jedes Pixel der gerasterten Klassifikation die drei Zahlenwerte Rot, Grün und Blau (RGB) gemittelt, um fälschliche Übereinstimmungen verschiedener Klassen zu vermeiden. Die durch die Mittelung der Pixel in Grautöne umgewandelten Klassifikationen werden in Ebenen übereinandergelegt. Danach wird für jedes Pixel in allen Ebene überprüft, wie viele verschiedene Klassen dort auftreten. Ebenen, in denen keine der abgefragten LCZs vorkommt werden mit dem Wert 0 aufgefüllt und gehen nicht in den Vergleich mit ein.
In einem weiteren Schritt der Analyse erstellt man zunächst eine Modalklassifikation. Diese zeigt für jedes Pixel jene LCZ an, welche über alle Klassifikationen (Ebenen) am häufigsten klassifiziert wurde. Die einzelnen Klassifikationen werden anschließend auf ihre Übereinstimmung mit der Modalklassifikation überprüft. Zudem werden, basierend auf der Umfrage, die Anzahl der Wohnjahre in Berlin für jede Anwendergruppe gemittelt. Aus den Angaben wird der lineare Zusammenhang dieser Variablen durch eine Regression überprüft.

Um die Aussagekraft des Klassifikationssystems zur Ermittlung stadtklimatischer Paramater zu überprüfen, werden die Lufttemperaturen vom Deutschen Wetterdienst (DWD) dreier Standorte in unterschiedlichen LCZs in Berlin auf signifikante Unterschiede überprüft. Es werden die stündlichen Mittelwerte der Lufttemperatur an den Standorten Grunewald im Jagen (Grun), Rothenburgstraße (Roth) und Swinemünder Straße im Brunnenviertel (Swin) verglichen. Die Messungen umfassen den Zeitraum vom 1. bis 5. Juli 2015. Mit Hilfe des t-Tests wird geprüft, ob die Mittelwerte der Stichproben signifikante Unterschiede aufweisen. Da der t-Test für zwei Stichproben gilt, werden drei t-Tests zur Überprüfung jeder Standortkombination durchgeführt (R).

Abbildung 1 bildet das Ergebnis der acht LCZ-Klassifikationen ab. Augenscheinlich unterscheiden sich diese voneinander. Auffällig ist die Heterogenität in der Klassifikation des Stadtzentrums und des Stadt-Umland-Übergangs. Die urbanen Klassen (1 – 10) werden durch eine rötliche-orange Färbung, Vegetation (A – D) in Grüntönen und Gewässer (G) blau dargestellt (vgl. WUDAPT 2016). In den Klassifikationen 1, 2 und 4 ist zu erkennen, dass das Stadtzentrum stärker von Klassen der Compact-LCZ’s (rötliche Färbung) bestimmt ist. Die Klassifikationen 2 und 4 zeigen eine stärkere Differenzierung der Grünflächen als andere Klassifikationen. In den Klassifikationen 3 und 7 sind verstärkt bebaute Klassen (Industrie) klassifiziert, wo andere Klassifikationen Vegetation verzeichnen.

In Abbildung 2 werden alle acht Klassifikationen miteinander verglichen. 1/5 der Pixel stimmen bei allen Klassifikationen überein und wurden somit von allen gleich klassifiziert. In 27,7 % der Pixel weicht eine der Klassifikationen ab. 27,1 % der Pixel beinhalten zwei Abweichungen. Die maximale Anzahl der möglichen Abweichungen wird bei 0,01 % der Pixel festgestellt und ist aufgrund des geringen Wertes im Diagramm nicht darstellbar. Aufgrund der geringen Übereinstimmung der Klassifikationen trifft die Hypothese, in der eine Unabhängigkeit der Ergebnisse der LCZ-Klassifikation vom lokalen Experten erwartet wird, nicht zu.

Um zu analysieren, auf welche LCZ-Klassen sich die Übereinstimmung verteilt, werden in Abb. 3 links urbane Klassen (1, 2, 4, 5, 6, 8, 9, 10) und rechts rurale Klassen (A – G) untereinander verglichen. Unterschiede in der Übereinstimmung bei der Klassifikation von ruralen und urbanen Klassen sind festzustellen. 0,3 % der urbanen Klassen werden von allen Anwendern gleich klassifiziert, im Gegenteil zu den ruralen Klassen, bei denen 23,2 % der Pixel übereinstimmend klassifiziert werden. Mit 26,5 % kommt eine Abweichung bei der ruralen Bedeckung am häufigsten vor, wohingegen bei urbanen Klassen zwei Abweichungen mit 36,1 % am häufigsten auftreten. Festzuhalten ist, dass die geringen Übereinstimmungen aller Klassifikationen mehrheitlich auf die Klassifikation urbaner Klassen zurückzuführen sind.

In den Vergleichen der Übereinstimmung der einzelnen LCZs fällt auf, dass fünf von acht urbanen Klassen keine einzige vollständige Übereinstimmung aller acht Klassifikationen aufweisen (s. Abb. 5, Anhang 1). Die zuvor ermittelten 0,3 % vollständiger Übereinstimmung urbaner Klassen sind auf LCZ 2 – Compact mid-rise –, 5 – open mid rise – und 6 – open low-rise – zurückzuführen. Die Hälfte der urbanen Klassen weisen mit über 30 % der Pixel ein Maximum bei vier Abweichungen auf, die andere Hälfte bei drei Abweichungen. Zu denen, die ein Maximum bei vier Abweichungen aufweisen, gehören auch LCZ 9 – sparsely built – und 10 – heavey industry. Den Umfrageergebnissen zufolge ist über 70 % der Befragten die Auswahl der Trainingsgebiete von LCZ 9 und 10 besonders schwergefallen. Jene Klassen sind außerdem am häufigsten falsch klassifiziert worden (s. Anhang 2). Der Vergleich der einzelnen ruralen Klassen zeigt, dass diese mehr Übereinstimmungen aufweisen als die urbanen Klassen (s. Abb. 5). In den ruralen Klassen A – dense trees –, B – scattered trees –, D – low plants – und G – water – bestehen vollständige Übereinstimmungen aller acht Klassifikationen in verschiedener Ausprägung. Besonders hoch sind diese in A und D mit rund einem Viertel der Pixel, sowie G mit 46,9 %. Somit übersteigt die Prozentanzahl der in allen Klassifikationen gleich klassifizierten Pixel lediglich in LCZ G die Anzahl der abweichenden Pixel. Dies verdeutlicht, wie selten Übereinstimmungen aller acht Klassifikationen vorkommen und wie ausgeprägt die Anwenderabhängigkeit einer Klassifikation ist. Bei den ruralen Klassen sind die prozentualen Maximalwerte der Verteilung auf die Anzahl der Abweichungen breit gefächert. Sie liegen im Mittel zwischen zwei und drei Abweichungen. Bei den ruralen Klassen bestanden weniger Probleme in der Auswahl der Trainingsgebiete (s. Anhang 2). Fälschliche Klassifikationen wurden jedoch auch hier angegeben. Es ist festzuhalten, dass einzelne rurale Klassen auffallend hohe vollständige Übereinstimmungen aufweisen und die Verteilung der prozentualen Maximalwerte ruraler Klassen bei geringeren Abweichungen liegen als bei urbanen Klassen.

Laut unserer Umfrage bei den AnwenderInnen wurde die Entscheidung über die Zugehörigkeit der LCZs zur Landbedeckung als besonders schwierig wahrgenommen. Programminstallation, Programmbedienung sowie das Anlegen und Korrigieren der Trainingsgebiete wurde vom Großteil der AnwenderInnen nicht als schwierig empfunden. Die Methode betreffend, gaben über 80 % der Anwender an, dass das Verkleinern, Löschen und Neuanlagen der Trainingsgebiete zur Verbesserung der Klassifikation beitrugen. Über 90 % der Anwender griffen auf STEWART & OKE (2012), über 70 % auf die Webseite www.wudapt.org und 15 % auf BECHTEL et al. (2015) zurück. Bei der Untersuchung des Zusammenhangs zwischen der Wohndauer in Berlin und der Übereinstimmung mit der Modalklassifikation zeigt sich kein linearer Zusammenhang. Der Korrelationskoeffizient ® weist mit 0.08 einen Wert nahe 0 auf (s. Abb. 5). Es gibt sowohl Gruppen mit höherer gemittelter Wohndauer aber niedriger Übereinstimmung (s. GK8 in Abb. 5) als auch Gruppen mit kürzerer Wohndauer in Berlin und hoher Übereinstimmung mit der Modalklassifikation (s. GK1 in Abb. 5).

Die zweite Hypothese (Lauftemperaturdifferenz zwischen LCZs) kann teilweise bestätigt werden. Im Vergleich zwischen urbanen und ruralen LCZs konnten signifikante Unterschiede in den Lufttemperaturen nachgewiesen werden. Zwischen urbanen LCZs waren die Lufttemperaturdifferenzen nicht signifikant, lagen aber im Rahmen der angegebenen Differenzen strukturähnlicher LCZs. STEWART & OKE (2010) erläutern, dass Lufttemperaturunterschiede zwischen LCZs strukturähnlicher Standorte im Bereich zwischen 0,5 bis 2 K liegen können. Diese Annahme bestätigt sich. Beispiel dafür sind die geringen Lufttemperaturdifferenzen an den Standorten Swin, LCZ 2, und Roth, LCZ 6. Lufttemperaturdifferenzen zwischen LCZs mit geringer Strukturähnlichkeit – urbane im Vergleich zu ruralen LCZs – können jedoch 5 K überschreiten (STEWART & OKE 2010).
In Tab. 2 werden die geographische Lage sowie die dort klassifizierten LCZs aufgelistet. Die Zuordnung der Standorte zu einer LCZ erfolgt nach dem Kriterium der meist gewählten LCZ am jeweiligen Standort. Grun wird in allen Klassifikationen der LCZ A, Roth in den meisten Fällen der LCZ 6 und Swin der LCZ 2 zugeordnet (s. Tab. 2). Die Lufttemperatur am Standort Grun unterscheidet sich signifikant von der Lufttemperatur an den Standorten Roth und Swin, dabei unterscheiden sich Grun und Swin deutlicher voneinander (s. Tab. 3). Roth und Swin unterscheiden sich nicht signifikant in der Lufttemperatur. Da die Unterschiede in der Lufttemperatur zwischen zwei urbanen Klassen nicht signifikant sind, ist eine Klassifizierung zwischen Klasse 2 und 6 im Sinne einer Differenzierung des Stadtklimas nach BECHTEL et al. (2015) in Frage zu stellen.

Tab. 2 – Standorte und geographische Lage der Messstationen Grunewald (Grun), Rothenburgstraße (Roth), Swinemünder Straße (Swin) zur Analyse der Lufttemperaturdifferenz und die an den drei Standorten klassifizierten LCZs der acht Klassifikationen und jeweils die meist klassifizierte LCZ. In Klammern: Weitere in Frage kommende LCZs (eigene Darstellung).

Tab. 3 – Mittelwerte der Messstationen Swinemünder Straße, Rothenburgstraße und Grunewald (*: Signifikanzniveau bei p < 0.05) (eigene Darstellung).

Das LCZ-Klassifizierungssystem nach WUDAPT soll vor allem im städtischen Bereich Anwendung finden, besonders urbane Klassen sollten daher simpel und präzise zu klassifizieren sein. Die durchgeführte Analyse zeigt, dass genau diese Klassen am stärksten voneinander abweichen. Dies kann verschiedene Ursachen haben. Ein Grund der starken Abweichungen können die variierenden Erfahrungen und Kenntnisse der lokalen Experten über die Funktionsweise einer Klassifizierung sein. Diese können sich in Abhängigkeit von deren Zuhilfenahme von Literatur unterscheiden. Die Auswahl geeigneter Trainingsgebiete wurde als schwierigster Schritt angesehen (s. Anhang 2). Dies kann auf das Fehlen von Informationen über die Eigenschaften der LCZs oder ein mangelhaftes Verständnis der Methodik zurückzuführen sein. Laut der Umfrage wurde von einem Großteil lediglich auf STEWART & OKE (2012) und die Webseite www.wudapt.org zurückgegriffen. Dass die LCZs A, D und G vergleichsweise hohe Anteile an maximaler Übereinstimmung aufweisen, kann damit zusammenhängen, dass sie durch ihr oftmals großflächiges Vorkommen und ihre leichte Abgrenzbarkeit zu anderen LCZs eindeutiger zuzuordnen sind. Die Klassen C und F sind im Untersuchungsgebiet weniger großflächig vertreten, was das Identifizieren und Abgrenzen bei der Erstellung von Trainingsgebieten, sichtbar anhand geringerer Übereinstimmungen, erschwert.

Inhomogene Klassifizierungen können auch auf den semiautomatischen Algorithmus von im verwendeten GIS (SAGA) zurückzuführen sein. LCZ 5 – open mid-rise – wird beispielsweise aufgrund des hohen Grünraumanteils in Berlin oft fälschlicherweise als LCZ B – scattered trees – klassifiziert. Dies geschieht häufig bei vereinzelten Bäumen in Hinterhöfen. Da der Zusammenhang zwischen der Anzahl der Wohnjahre und der Übereinstimmung der Klassifikation nicht bestätigt werden konnte, kommt diese nicht als Ursache für die Abweichungen urbaner Klassen in Frage. Es ist jedoch zu beachten, dass die Wohndauer pro Gruppe gemittelt wurde. Zudem sagen die Wohnjahre in Berlin allein wenig über die Stadtkenntnisse und die Wahrnehmung städtischer Strukturen einer Person aus. Es kann auch nicht eindeutig festgestellt werden, ob in einer Gruppe jedes Individuum zum gleichen Anteil am Klassifikationsergebnis mitgewirkt hat.
Da das LCZ-Schema ursprünglich für nordamerikanische Stadtstrukturen entwickelt wurde, können Unsicherheiten beim Anlegen der Trainingsgebiete während der Anwendung in anderen Regionen entstehen. Um dem entgegenzuwirken, könnten Subklassen gebildet werden. Dies ist jedoch nicht wünschenswert, da somit der Ansatz zur Standardisierung von Stadtstrukturen untergraben wird (STEWART & OKE 2012). Zudem können die Parameter der Oberflächeneigenschaften, wie Sky-View-Factor und Versiegelungsgrad, nicht genau angegeben werden und die Lufttemperaturunterschiede zwischen Subklassen werden tendenziell noch geringer ausfallen, als die zwischen den Haupt-LCZs (STEWART & OKE 2012).

Die Unterschiede in der Lufttemperatur zwischen den zwei ausgewählten urbanen Klassen Swin (LCZ 2) und Roth (LCZ 6) sind nicht signifikant, eine Klassifizierung nach BECHTEL et al. (2015) zur Ermittlung des UHI-Effektes ist daher in Frage zu stellen. Da die Standorte nicht persönlich begutachtet, sondern nach Mehrheitszuordnung einer Klasse zugeordnet wurden, kann nicht ausgeschlossen werden, dass sie der gleichen LCZ oder anderen LCZs als bisher angenommen, angehören. Da man Höhenabstände und Vegetationsanteile genauer vor Ort abschätzen kann als in Google Earth. Es stellt sich die Frage, inwieweit sich die LCZ-Klassifizierung bei so geringen Lufttemperaturdifferenzen zwischen innerstädtischen Klassen zur Ermittlung der Heterogenität der UHI eignet. Berücksichtigt werden muss, dass die Referenzwerte von lediglich drei Messstationen herangezogen wurden. Eine höhere Standortanzahl könnte ein breiteres Spektrum an Ergebnissen liefern. Der Workshop dauerte einen Arbeitsag (ca. 8 Stunden) inklusive einer Einführung in das Thema, sowie der Klassifizierung nach WUDAPT. Aufgrund der hier erkenntlichen Anwenderabhängigkeit auf das Ergebnis der LCZ ist das WUDAPT-Prinzip einer kostenfreien, einfachen und zeitunaufwändigen Klassifikation ohne Vorwissen oder Einbeziehung der Mindestkriterien nach STEWART & OKE 2010 – wie dem Sky View Factor oder einer Ortsbegehung – in Frage zu stellen.

Neben WUDAPT gibt es andere Methoden um die UHI von Städten zu ermitteln. UrbClim besteht aus einem Landoberflächenschema und einem dreidimensionalen atmosphärischen Grenzschicht-Modul. Im Landoberflächenschema wird urbanes Gebiet als undurchlässige Schicht mit Werten für Albedo, Emissivität, aerodynamische und thermische Rauhigkeitslänge, sowie der Berücksichtigung anthropogener Wärmeflüsse angesehen. Das Modell beachtet turbulente Energieflüsse sensibler und latenter Wärmeströme, Windgeschwindigkeiten und Stadt-Land-Temperaturen. Es ist geeignet für Untersuchungen über längere Zeit mit hoher räumlicher Auflösung. Output sind UHI-Karten der untersuchten Stadt. Derzeit läuft das NACLIM-Project (URBAN CLIMATE SERVICE CENTRE 2016), für welches sich auch eine Probefläche in Berlin befindet. Ziel ist die Erstellung von Hitze-Stress-Karten. Es ist interessant herauszufinden, inwiefern diese mehr auf klimatologischen Parametern zur UHI-Bestimmung beruhenden Karten eine aussagekräftigere Alternative zur Differenzierung des Stadtklimas darstellt. Trotz eventuell höherer Aussagekraft ist jedoch diese Methode wiederum aufgrund des hohen zeitlichen und finanziellen Bedarfs zur Ermittlung der benötigten Klimaparameter für eine weltweite Vergleichbarkeit problematisch.

Trotz des Ansatzes zur Standardisierung von Stadtstrukturen entstehen verschiedene Klassifikationen. Dabei hat die Wohndauer der AnwenderInnen alleine in unserer Fallstudie keinen signifikanten Einfluss. Hier spielt die Auswahl der Trainingsgebiete und deren unterschiedlicher Schwierigkeitsgrad in der Abgrenzung eine größere Rolle.
Die größten Unterschiede zwischen den verschiedenen Klassifikationen liegen im städtischen Bereich. Im Vergleich zwischen urbanen und ruralen LCZs konnten signifikante Unterschiede sowohl in der Übereinstimmung der Klassifikationen als auch in den Lufttemperaturen nachgewiesen werden. Zwischen urbanen LCZs waren die Lufttemperaturdifferenzen nicht signifikant, lagen aber im Rahmen der angegebenen Differenzen strukturähnlicher LCZs.
Durch das Schema der LCZ-Klassifizierung soll der Vergleich von UHI-Studien durch standardisierte Stadtstrukturen erleichtert werden. In den LCZ-Klassifikationen könnten Klassen mit größerem Risiko zur Ausbildung von UHI’s festgehalten werden. Hierfür müssen die Lufttemperaturunterschiede zwischen den Klassen detaillierter untersucht werden. Solange die Ergebnisse der LCZ-Klassifikationen so heterogen ausfallen, bleibt die Vergleichbarkeit von UHI-Studien erschwert. Da die Ergebnisse der Klassifikationen stark anwenderabhängig sind, sollten die Indikatoren zur Bestimmung der LCZs von den lokalen Experten vor dem Anlegen der Trainingsgebiete eingehend studiert werden. Zudem sollten bei Unklarheiten Ortsbegehungen im Untersuchungsgebiet angesetzt werden. Diese Maßnahmen entsprechen nicht ganz dem WUDAPT-Prinzip, welches sich auf eine kostengünstige und zeitlich unaufwändige Methodik beruft.

Abb. – Abbildung

DWD – Deutscher Wetterdienst

Grun – Grunewald

LCZ – Local Climate Zones

NACLIM – North Atlantic Climate

RGB – Rot-Grün-Blau

Roth – Rothenburgstraße

SVF – Sky View Factor

Swin – Swinemünder Straße

Tab. – Tabelle

UHI – Urban Heat Island

WUDAPT – World Urban Database and Access Portal Tools

Abbildung 1 – Rasterbilder der untersuchten LCZ-Klassifikationen (Google Earth 2016). Legende von WUDAPT (2016).

Abbildung 2 – Prozentuale Übereinstimmung der Bildpixel von acht LCZ-Klassifikationen. Anzahl der Klassen pro Pixel (%) (eigene Darstellung).

Abbildung 3 – Prozentuale Übereinstimmung der Bildpixel von acht LCZ-Klassifikationen. Anzahl der Klassen pro Pixel (%). Links: Urbane Klassen (LCZ 1,2,4,5,6,8,9,10), rechts: Rurale Klassen (LCZ A – G) (eigene Darstellung).

Abbildung 4 – Vergleich der einzelnen urbanen und ruralen Klassen aus acht LCZ-Klassifikationen (eigene Darstellung).

Abbildung 5 – Lineare Regression der pro Gruppe gemittelten Wohnjahre in Berlin und der Übereinstimmung der LCZ-Klassifikation pro Gruppe mit der erstellten Modalklassifikation in Prozent. R: Korrelationskoeffizient. Schwarze Linie: Regressionsgerade (eigene Darstellung).

Tabelle 1 – Übersicht der in dieser Studie klassifizierten Local Climate Zones für Berlin (verändert nach Stewart & Oke 2012).

Tabelle 2 – Standorte und geographische Lage der Messstationen Grunewald (Grun), Rothenburgstraße (Roth), Swinemünder Straße (Swin) zur Analyse der Lufttemperaturdifferenz und die an den drei Standorten klassifizierten LCZ's der acht Klassifikationen und jeweils die meist klassifizierte LCZ. In Klammern: Weitere in Frage kommende LCZ's (eigene Darstellung).

Tabelle 3 – Mittelwerte der Messstationen Swinemünder Straße, Rothenburgstraße und Grunewald (*: Signifikanzniveau bei p < 0.05) (eigene Darstellung).

BECHTEL, B., ALEXANDER, P., BÖHNER, J., CHING, J., CONRAD, O., FEDDEMA, J., MILLS, G., SEE, L. AND STEWART, I., 2015: Mapping local climate zones for a worldwide database of form and function of cities. – International Journal of Geographic Information (4): 199–219.

BERLIN ONLINE STADTPORTAL GMBH & CO. KG (Hrsg.), 2016: Zahlen und Fakten. Online im Internet. URL: http://www.berlin.de/berlin-im-ueberblick/zahlenfakten/ [Stand: 3.7.16].

BMZ - BUNDESMINISTERIUM FÜR WIRTSCHAFTLICHE ZUSAMMENARBEIT UND ENTWICKLUNG (Hrsg.), 2014: Perspektiven der Urbanisierung – Städte nachhaltig gestalten. Bonifatius Druck und Verlag: Paderborn, 24 S.

CHING, J., MILLS, G., FEDEMA, J., OLESON, K., SEE, L., STEWART, I., BECHTEL, B., CHEN, F., NEOPHYTOU, M., HANNA, A., 2014: Facilitating advanced urban canopy modeling for weather, climate and air quality applicaitions – American Meteorological Society Symphosium on Urban Environment, 2 – 7 Feburary 2014, Atlanta Georgia.

COSEO, P., LARSEN, L., 2014: How factors of land use/land cover, building configuration, and adjacent heat sources and sinks explain Urban Heat Islands in Chicago – Landscape and Urban Planning, 125: 117 – 129.

KUTTLER, W., 2013: Klimatologie. 2. Aufl., Schöningh/ UTB: Paderborn, 306 S.

LAUWEAT, D., DE RIDDER, K., SAEED, S., 2016: Assessing the current and future urban heat Island of Brussels, Urban Climate 15 (2016) 1 – 15.

LECONTE, F., BOUYER, J., CLAVERIE, R., PÉTRISSANS, M. 2015: Using Local Climate Zone scheme for UHI assessment: Evaluation of the method using mobile measurements. – Building and Environment (83): 39 – 49.

LEXIKON DER FERNERKUNDUNG, 2015: Klassifizierung. Online im Internet. URL: http://www.fe-lexikon.info/lexikon-k.htm#klassifizierung- [Stand: 20.05.2016].

SENATSVERWALTUNG FÜR STADTENTWICKLUNG UND UMWELT (Hrsg), 2011: Umweltatlas. Online im Internet. URL: http://www.stadtentwicklung.berlin.de/umwelt/umweltatlas/ [Stand 3.7.16].

SENATSVERWALTUNG FÜR STADTENTWICKLUNG UND UMWELT, 2014: Strategie Stadtlandschaft. Online im Internet. URL: http://www.stadtentwicklung.berlin.de/umwelt/landschaftsplanung/strategie_stadtlandschaft/download/Strategie-Stadtlandschaft-Berlin.pdf [Stand: 05.07.2016].

STEWART, I.D. 2010: A systematic review and scientific critique of methodology in modern urban heat island literature. International Journal of Climatology 31: 200 – 217.

STEWART, I.D., OKE, T.R. 2012: Local Climate Zones for Urban Temperature Studies. American Meteorological Society 93, 1879–1900.

STEWART, I., T. OKE, 2010: Thermal differentiation of Local Climate Zones using temperature observations from urban and rural field sites. – American Meteorological Society: Ninth Symp. On the Urban Environment. Online in Internet. URL: https://ams.confex.com/ams/19Ag19BLT9Urban/webprogram/Paper173127.html [Stand: 08.06.2016].

URBAN CLIMATE SERVICE CENTRE, 2016: NACLIM – North Atlantic CLIMate. Online im Internet. URL: https://urban-climate.be/c/NACLIM/ [Stand: 07.06.2016].

WUDAPT – WORLD URBAN DATABASE AND ACCESS PORTAL TOOLS, 2016: Online im Internet. URL: http://www.wudapt.org [Stand: 06.06.16].

Anhang 1 – Tabelle mit einzelnen Prozentwerten der Vergleiche.

Anhang 2 – Tabelle der Umfrage zur Durchführung der Klassifizierung; 11 Befragte.