Projektbericht des Vertiefungsprojektes in dem Studiengang Ökologie und Umweltplanung (WS16/17 - SS17)


Urban Classes - Analyse zum Einfluss des Stadtgrüns auf das Lokalklima am Beispiel Berlins.

Fabio Nolte*, Klara Kaiser*, Raphaela Edler*, Maximilian von Nordheim*, Sami Hussein*

*Technische Universität Berlin, B.Sc. Ökologie und Umweltplanung, 2017

Abstract

Die Bildung Städtischer Wärmeinseln und der Effekt auf den Menschen ist in der Wissenschaft weitestgehend erforscht. Mit Hilfe der „Local Climate Zone“ (LCZ) Klassifikation lassen sich die verschiedenen Mikroklimata einer modernen Großstadt unterteilen. Diese Studie untersucht in welchem Maß sich die Lufttemperatur bei LCZs mit geringem Grünanteil gegenüber hohem Grünanteil unterscheidet. Für den Untersuchungsraum wurde Berlin gewählt, da Berlin eine der wenigen modernen Großstädte mit großem Vegetationsaufkommen ist. Der Untersuchungszeitraum ist eine dreitägige Hitzewelle im Juli 2016. Die Lufttemperatur der verglichenen Klassen weißt über diesen Zeitraum allerdings nur teilweise Unterschiede auf. Der Grund dafür ist die zu ungenaue Projizierung von Mikro- auf Lokalskalen.

The Phenomenon of urban heat islands and its effects on citizens is well known to scientists. The idea of the Local Climate Zone (LCZ) Classification is to classify modern cities in areas with different microclimate features. In this study we will analyze the differences of air temperature in the different local climate zones and find out, if LCS`s with a high percentage of vegetation differ from those with a small vegetation rate. Berlin was chosen as the survey area, because it is one of the few modern cities with a lot of vegetation. The investigation period is a three-day heat wave in July 2016. The air temperature of the compared classes, however, only shows partial differences over this period. The reason for this is the inaccurate projection of micro- to local scales.

1. Einleitung

Im Jahr 2008 lebten erstmals mehr als 50 % der Weltbevölkerung in Städten, bis 2030 werden voraussichtlich fünf Milliarden Menschen die Städte bevölkern (UN 2011). Die voranschreitende Urbanisierung hat die Besonderheiten des Stadtklimas in den letzten Jahrzehnten immer weiter in den Fokus der Klimaforschung treten lassen (vgl. UN 2011, EEA 2012, IPCC 2014). Dabei ist das Phänomen der Städtischen Wärmeinsel (engl.: urban heat island (UHI)) erkannt worden, welches vor allem im Verlauf des Klimawandels an Bedeutung gewinnen wird (IPCC 2014).
Die UHI ist durch eine erhöhte Lufttemperatur im urbanen Raum gegenüber der ländlichen Umgebung gekennzeichnet (Oke 1982, Voogt & Oke 2003, Kim 1992). Die Aufheizung der Stadtatmosphäre wird durch verschiedene Faktoren bedingt. Die dichte Bebauungsstruktur, der hohe Versiegelungsgrad sowie Vegetationsarmut führen zu einer Veränderung des Strahlungshaushaltes und einer verringerten Abkühlung durch Evapotranspiration. Der durch den Klimawandel verursachte Anstieg der Temperaturen, besonders in den Sommermonaten, wird in Europa dazu führen, dass Hitzetage öfter auftreten werden und Hitzewellen in ihrer Intensität und Häufigkeit zunehmen (McMichael et al. 1996, Patz & Khaliq 2002). Eine Hitzewelle ist eine Zeitperiode mit drei oder mehr aufeinanderfolgenden Tagen, an denen die Maximaltemperatur der Luft mindestens 30 °C beträgt (Hutter et al. 2007). Solche Ereignisse treten auch oft im Zusammenhang mit tropischen Nächten auf, welche Lufttemperaturwerte aufweisen, die nicht unter 20°C liegen (DWD Wetterlexikon 2017). Diese hohen Lufttemperaturen erhöhen, wie in verschiedenen Studien belegt wurde, den Hitzestress besonders im städtischen Umfeld, welches durch die UHI geprägt ist (Scherer et al. 2013, Gabriel & Endlicher 2011, Kovats & Hajat 2008, Ward et al. 2016). Hitzestress beeinflusst die menschliche Gesundheit negativ und kann neben Konzentrationsstörungen, Erschöpfung und Dehydration auch zu Kreislaufstörungen und zum Tod führen (ebd.).
Die große Heterogenität im städtischen Raum führt auch zu kleinräumigen Unterschieden in der Lufttemperatur. Hohe Bebauungsdichte sowie hoher Versiegelungsgrad verstärken die Aufheizung, da thermische Energie gespeichert wird und als sensibler Hitzefluss freigegeben wird. Städtisches Grün kann die Effekte der Hitzewelle reduzieren und die Umgebung kühlen, da durch erhöhte Verdunstung die Energie in latente Wärme, also nicht fühlbare Energie, umgewandelt wird (Ward et al. 2016). Die Stadt kann also nicht nur als Gegensatz zum ländlichen Raum gesehen werden, sondern muss detaillierter betrachtet werden (Stewart & Oke 2012). Ein Ansatz der speziell entwickelt wurde, um eine einheitliche Klassifikation vom städtischen und ländlichen Raum auf der Grundlage von Klimadaten zu erstellen, ist das LCZ Konzept. Es ist entstanden, um in der UHI Forschung einen objektiven Rahmen zur Untersuchung der Ausprägungen der städtischen Erwärmungen zu haben (ebd.). Da städtisches Grün die nahe Umgebung kühlen kann (Zölcha et al. 2016, Endlicher 2012, Errel et al. 2011) stellt sich die Frage, ob sich dieser Effekt auch in einem Temperaturunterschied zwischen LCZ’s mit verschieden hohem Grünanteil erkennen lässt und ob das LCZ Konzept geeignet ist, um Auskunft über die Temperaturverteilung in einer Stadt zu geben und damit wichtige Informationen zur Anpassung an den Hitzestress zu liefern.
Im Folgenden wird untersucht, ob im nördlichen Europa (am Beispiel von Berlin, Deutschland) bei Hitzeereignissen ein signifikanter Unterschied in der Lufttemperatur zwischen den LCZ Klassen dense trees, open lowrise, open midrise und compact midrise nachweisbar ist.
Berlins geographische Lage liegt bei 52° 31' N Breitengrad und 13° 24' O Längengrad. Die Stadt hat eine Fläche von 891,68 km2 bei ca. 3,5 Millionen Einwohnern (Bömermann 2012). Berlins Klima wird als warm und gemäßigt klassifiziert. In Berlin herrscht im Jahresmittel eine Temperatur von 8,9 °C. Auf ein Jahr verteilen sich durchschnittlich Niederschläge von 589 mm (DWD 2013).

2. Methodik

Die LCZ- Klassifikation nach Stewart & Oke umfasst insgesamt 17 unterschiedliche lokale Klimaklassen, die sich je nach Oberflächenstruktur, Bedeckung und Intensität menschlicher Nutzung unterscheiden. Das Ziel der LCZ´s ist es durch relativ einfache und übertragbare Stadtklimaklassifikationen aufwändigere Methoden (Messnetze und/oder Simulationen) ersetzen zu können (Stewart & Oke 2012).

Das LCZ Klassifikationssystem ist nicht das erste seiner Art. So gab es z.B. vorher schon das „U.S. National Land Cover Dataset“ (NLDC), welches 16 Klassen, darunter 4 urbane, fasst. Das europäische „Climatope“-System wurde speziell für die Einteilung von Klimazonen in Städten entwickelt und wurde auch schon bei diversen Stadtplanungen angewandt. Da es keine einheitlichen Klimaklassen gibt, ist die Vergleichsmöglichkeit zwischen verschiedenen Städten eingeschränkt (Scherer et al. 1999).

Der Vorteil des LCZ Systems ist, dass es ein allgemeingültiges, leicht zu verstehendes, universell anwendbares Klassifikationsmodell zur Beschreibung von urbanen Strukturen ist. Es dient einer kulturell neutralen Beschreibung der Landnutzung und Landbedeckung, was vor allem für die Klimaforschung von großem Interesse ist (Bechtel et al. 2015).
In einem Bericht des Intergovernmental Panel on Climate Change (IPCC) wird der Mangel an Informationen über städtische Gebiete kritisiert. Oft haben Gemeinden oder Planer keinen ausreichenden Zugang zu Leitfäden oder Daten über lokale klimatische Besonderheiten wie die UHI und deren Auswirkungen (IPCC 2014).
Um diese Lücke zu schließen wurde das “World Urban Database und Acces Portal” (WUDAPT) gegründet. Ziel der offenen Plattform ist es, weltweit Klimadaten über die Formen und Klimafunktionen von Städten zu sammeln und diese Informationen für die Klimaforschung in geeigneter Form zur Verfügung zu stellen (Bechtel et al. 2015). Hier findet das LCZ-Konzept für die einheitliche Klimaklassifizierung von Städten Verwendung. Der erste WUDAPT-Workshop fand vom 7.-9. Juli 2014 am University College Dublin statt, wo die ersten 16 Städte klassifiziert wurden. Im Rahmen dieser Projektarbeit fand ebenfalls am 9. Mai 2017 einen WUDAPT-Workshop statt in Zusammenarbeit mit der Technischen Universität Berlin. Gegenstand der Klassifizierung war Berlin.

Die Bildung der LCZ-Klassen erfolgt nach vier Kriterien. Das erste Kriterium ist die Rauigkeitslänge, welche durch Gebäude und Vegetation beeinflusst wird. Das zweite Kriterium ist die Rauigkeitsklasse, welche von der Dichte der Oberflächenbedeckung beeinflusst wird. Das dritte Kriterium ist die Oberflächenbedeckung um Rauigkeitselemente, welche durch das Material der Oberfläche rund um die Landschaftsobjekte beeinflusst wird. Das vierte und letzte Kriterium ist die thermale Aufnahme von Materialien. Dieses unterteilt die materialabhängige Wärmespeicherfähigkeit in zwei Kategorien (schwer & leicht) (Stewart & Oke 2012).

Daraus ergeben sich zehn urbane Klassen, wovon zwei durch Baustoffe und anthropogene Wärmeemissionen charakterisiert sind und sieben Klassen um Landbedeckung zu klassifizieren. Möglich ist auch die Charakterisierung der Landbedeckungsklassen durch Eigenschaften wie Schneebedeckung.

Es gibt mittlerweile verschiedene Ansätze zur Generierung einer LCZ Karte. Einer der geläufigsten ist die auf Satellitenbilder gestützte Methode, welche auch im weiteren Verlauf dieser Arbeit Verwendung gefunden hat (Bechtel et al., 2015). Diese Methode benötigt zwei Software Komponenten: „Google Earth“ und „SAGA GIS“. Als Eingangsdaten werden die global verfügbaren Landsat Satellitenbilder verwendet (Bechtel et al. 2015, Gál et al. 2015).
Zunächst gilt es, genügend Standort-Metadaten zu sammeln. Am besten ist es den Standort persönlich zu begehen. Ist dies nicht möglich, benötigt man Sekundärquellen wie Luftbilder, Landnutzungskarten oder Satellitenbilder, wie zum Beispiel von Google Earth (Stewart & Oke 2012).
Zu Beginn werden mithilfe der Satellitenbilder Trainingsgebiete in Berlin und Umgebung digitalisiert. Dabei werden für die jeweilige LCZ charakteristische, möglichst homogene Trainingsgebiete in Polygonform erstellt und als kmz-Format gespeichert (Bechtel et al. 2015).
Bei der Erstellung der Trainingsgebiete muss auf eine geeignete Skala geachtet werden. Die Gebiete dürfen nicht zu klein sein, etwa 30-50 m. Außerdem muss das Gebiet im Durchschnitt mindestens größer sein, als der Abstand zur Nachbarschaft, da eine ausreichende Anzahl von homogenen Pixelproben benötigt wird, um eine repräsentative Spektralinformation zu bewahren (Bechtel et al. 2015). Umgekehrt besteht die Gefahr, dass das Trainingsgebiet zu groß ist und das Ergebnis dementsprechend weniger differenziert ausfällt. Eine optimale Größe für ein Polygon wäre eins mit einem Radius zwischen 200-500 m (Stewart & Oke 2012; Bechtel et al. 2015). Hat man von jeder vorhandenen Klasse mindestens fünf Trainingsgebiete, kann man zum nächsten Schritt, der Generierung der LCZ Klassifikation mit SAGA-Gis, übergehen.
Das Programm verschneidet die Vektordatei mit den Grenzen der Polygon-Trainingsgebiete und den Landsat-Satellitenbildern. Schließlich wird die Klassifizierung mit dem eingebauten Random Forest Klassifikationsverfahren durchgeführt. Dabei werden die wahrscheinlichen LCZ-Typen und die Wahrscheinlichkeiten für alle LCZ Klassen für jeden Pixel berechnet (Gál et al. 2015).
Wurde eine Klassifikation generiert, speichert man das Projekt in Saga GIS. Im letzten Schritt wird die neu erstellte kmz. Datei in Google Earth geöffnet mit der neu erstellten LCZ Karte. Danach können weitere Kassifikationsdurchgänge folgen, indem man die Trainingsgebiete ggf. verbessert oder sogar ganz neue hinzufügt. Für die Erstellung dieser LCZ Karte wurden sieben Klassifikationen durchgeführt.

Die verwendeten Daten kommen vom Fachgebiet Klimatologie an der Technischen Universität Berlin, welches das Stadtklima-Messnetz Urban Climate Observation Network (UCON) seit Ende der 1980er betreibt. Für die Bearbeitung der Fragestellung und für die Auswahl der passenden Messstationen waren folgende zwei Kriterien wichtig: eine möglichst homogene Nachbarschaft, d.h. möglichst homogene LCZ´s und dies möglichst in einem Umkreis von 200m (Stewart et al. 2014).
Als Vertreter für die Klasse dense trees werden die Daten der Messstation in Köpenick verwendet. Die Station befindet sich im Köpenicker Forst auf einer Höhe von 2 m. Der nächste Standort ist in der Bamberger Straße. Die Messstation ist an einem Balkon in einer Höhe von 2,5 m über einem Vorgarten angebracht. Die Vegetationsbedeckung der Umgebung beträgt ca. 44 %. Der Standort wurde als compact midrise klassifiziert.
Als Vertreter der Klasse open midrise haben wir die Messstation an der Wiener Straße gewählt. Die Station befindet sich in einer Höhe von 34 m auf einem Dach. Die Umgebung hat einen Vegetationsanteil von 35 %. Die letzte Messstation befindet sich in der Rothenburger Straße. Die Kennwerte der Umgebung sind eine Vegetationsbedeckung von 56 %. Die Station wurde als Vertreter der Klasse open lowrise gewählt (TU Berlin, online o.J.).

Mit dem Tool RStudio wurden mit den Daten vom Deutschen Wetterdienst von der Messstation am Alexanderplatz in Berlin Tage im Jahr 2016 mit Tagestemperaturen über 30 °C und nächtlichen Temperaturen über 20 °C ausfindig gemacht. Danach wurde für die Daten aus dem Urban Climate Observation Network (UCON) eine Funktion geschrieben, um diese bei RStudio einladen zu können, um danach die Werte von den Tagen des Hitzeereignisses für die ausgewählten Messstationen erhalten zu können.

3. Ergebnisse

Im Jahr 2016 haben in Berlin 13 Tage mit Tagestemperaturen über 30 °C stattgefunden. Nächte mit Temperaturen die nicht unter 20 °C gefallen sind, gab es im besagten Jahr 5. Vom 23.06.2016 bis 25.06.2016 überschritten die Tagestemperaturen an allen Tagen 30 °C und an den letzten 2 Tagen fiel die Temperatur auch nicht unter 20 °C. Der Zeitraum vom 23.06.2016 bis 25.06.2016 hat mit der Definition eines Hitzeereignisses am besten übereingestimmt, deshalb wurde dieser Zeitraum für die weiteren Untersuchungen ausgewählt.

Das Ergebnis der LCZ Klassifizierung ist im Anhang in Abbildung 1 zu sehen. Die Berliner Innenstadt ist von compact midrise (rot) und open midrise (orange) geprägt. Am Rande der Stadt ist mehr open lowrise (hellorange) zu sehen. Die Klassifikation zeigt außerdem viele Gebiete mit low plants (hellgrün), aber auch dense trees (grün) und water (blau). Vereinzelt ist auch large lowrise (grau), welches auf Industriegebiete hinweist, und bare rock or paved (schwarz) vorzufinden.

Als Ergebnis für die unterschiedlichen Stationen wurden Maximal- und Minimaltemperaturen, sowie die gemittelten Tagestemperaturen während des betrachteten Hitzeereignisses ausgewertet (siehe Tabellen im Anhang). Die höchste Temperatur wurde am 25.06.2016 bei der Bamberger Str. (compact midrise) mit 38,8 °C gemessen.
Die niedrigste Temperatur mit 13,5 °C ist bei der Station in Köpenick (dense trees) am 23.06.2016 gemessen worden. Der niedrigste gemittelte Temperaturwert ist auch am 23.06.2016 und auch bei der Station in Köpenick (dense trees) mit 20,4 °C vorzufinden. Sowohl für die Maximaltemperaturen, als auch die Minimaltemperaturen sind sich die Stationen Köpenick (dense trees) und Rothenburgstr. (open lowrise) auffallend ähnlich. Die Werte der Bamberger Str. (compact midrise) und der Wiener Str. (open midrise) sind am 25.06.2016 bei der Maximaltemperatur und der Minimaltemperatur mit weniger als einem Grad Celsius Unterschied auch sehr ähnlich.

Die Maximaltemperaturen der Luft erreicht die Bamberger Str. in einem Gebiet, welches als compact midrise klassifiziert wurde. Die durchschnittlichen Lufttemperaturen bei der Wiener Str. sind jedoch an allen gemessenen Tagen um mehr als 1 °C höher als bei der Bamberger Straße. Die ähnlichen Eigenschaften der beiden LCZs, wie die gleiche Gebäudehöhe oder der gleiche Anteil der prozentual undurchlässigen Oberfläche einer Zone, zeigen, dass die Temperaturunterschiede dieser beiden LCZs im Vergleich deshalb auch gering bleiben.


Abb. 2: Boxplot der Lufttemperatursstundenwerte am 25.06.2016, sortiert nach abnehmendem Grünanteil(eigene Darstellung)

Der Boxplot der Stundenwerte des 25.06.2016 (Abb.2) zeigt, dass bei der Messstation in Köpenick im Durchschnitt die geringste Temperatur vorherrscht. Der untere Whisker weist mit knapp unter 20 °C ebenfalls die niedrigste Temperatur auf. Der obere Whisker, also die maximal gemessene Temperatur, ist gleich den Stationen in der Rothenburgstr. und der Wiener Str. bei ungefähr 33 °C bis 34 °C. Die höchste Temperatur wurde bei der Bamberger Str. gemessen und beträgt über 35 °C. Die Mediane aller Stationen befinden sich im Bereich zwischen 24 °C - 26 °C und steigen mit sinkendem Grünanteil an.

4. Diskussion

Im Folgenden wird die Analyse zum Einfluss des Stadtgrüns auf das Lokalklima in Berlin mithilfe des LCZ Konzepts diskutiert. Grundgedanke der Entwickler war es, LCZs nur für die Klassifizierung von Messstandorten (in UHI Studien) zu verwenden, um eine Vergleichbarkeit zwischen verschiedenen Studien und Städten schaffen zu können. Motivation war dabei die Ungenauigkeit der Begriffe urban und rural, die keine universelle Beschreibung der Morphologie, der Oberflächeneigenschaften und des Klimas liefern (Stewart & Oke 2012). Für diesen Zweck existieren bereits erste Studien, die zeigen, dass die Einteilung in LCZs sinnvoll ist und eine generelle Vergleichbarkeit geschaffen werden kann (vgl. Alexander & Mills 2014, Leconte et al. 2015, Stewart et al. 2014). In dieser Arbeit wurde das Konzept verändert genutzt. Anders als vorgesehen, wurden von den bereits vorhandenen Messstationen aus dem UCON Messnetz vier der 15 Stationen repräsentativ ausgewählt.
Die Auswahl fand dabei nach den Kriterien der Homogenität in einem 200 m Radius und dem LCZ Typ statt. Da Berlin eine sehr heterogene Stadt ist, war es nicht möglich ausschließlich Messstationen zu verwenden, welche im 200 m Radius einer einzigen LCZ zugewiesen sind. So zeigt Abbildung 3, dass die Messstationen in der Bamberger Straße und der Wiener Straße nicht nur unter dem Einfluss von compact oder open midrise stehen, sondern auch von der jeweils anderen Klasse beeinträchtigt werden.
Entspricht ein Gebiet keiner Definition einer LCZ, besteht die Möglichkeit der Bildung von Subklassen (Ching et al. 2014, Stewart & Oke 2012). Dies hat sich bei diesem Fallbeispiel jedoch nicht angeboten, da eine kleinteiligere Klassifikation nicht förderlich gewesen wäre, um die Fragestellung zu beantworten. Im Gegenteil, das Bilden von Subklassen würde es erschweren Temperaturunterschiede zwischen den bestehenden Klassen festzustellen.
Eigene Erfahrungen im Rahmen des Projektes zeigen am Beispiel von Berlin, dass die „halbautomatische“ Klassifizierung zwar schnell geht, die Ergebnisse innerhalb der Gruppe jedoch Unterschiede aufweisen und der Arbeitsaufwand verschieden wahrgenommen wird. Vor allem bei compact und open midrise unterschieden sich die Klassifikationen. Mögliche Gründe dafür könnten ungleiche Motivation der einzelnen Teilnehmer oder unterschiedliche Interpretation der abstrakten Klassen sein.
Für diese Arbeit benötigte es sieben Iterationen, drei von einer Person und weitere vier unter der Aufsicht von fünf Personen bis man mit dem Ergebnis zufrieden war.
Das LCZ Konzept ist Menschen zu empfehlen, die wenig Kenntnisse über die zu klassifizierende Stadt haben, da man mit relativ geringem Aufwand einen geographisch großen Bereich klassifizieren kann.

abb.3_classes.jpg
Abb. 3: Klassifkation der Bamberger Straße, Wiener Straße mit 200 m Radius (Google Earth)


Die Arbeitshypothese, dass sich bei Hitzeereignissen ein signifikanter Unterschied in der Lufttemperatur zwischen verschiedenen LCZs feststellen lässt, wirft auch die Frage auf, ob das LCZ Konzept zur Bestimmung von Lufttemperaturunterschieden in der Stadt geeignet ist. Die Ergebnisse lassen keine eindeutige Beantwortung dieser Frage zu. Betrachtet man zunächst nur die LCZs mit dem größten Unterschied, dense trees und compact midrise, zeigen die Daten einen Unterschied. Wald ist zu jeder betrachteten Tageszeit und an allen ausgewerteten Tagen kühler als die Innenstadt. Vergleicht man jedoch compact- mit open midrise so lassen sich keine eindeutigen Unterschiede mehr feststellen.
Es sollte beachtet werden, dass innerhalb einer LCZ Unterschiede im mikroskaligen Bereich bestehen (Leconte et al. 2015). Jeder der Messstandorte steht unter mikroskaligen Einflüssen. Die Messstation in der Bamberger Straße steht auf einem Balkon im Erdgeschoss und ist somit schattig angelegt. Dies spiegelt sich in den gemittelten Tageswerten wieder. Die Station ist an jedem betrachteten Tag kühler als die Wiener Straße (open midrise), obwohl erwartet wurde, dass compact midrise wärmere Lufttemperaturen aufweisen würde als open midrise. Die Minimalwerte, welche an zwei der drei Tage in der Bamberger Str. am höchsten sind, können durch die Abwärme der Hausfassade erklärt werden. Die Station in der Rothenburgstraße (open lowrise) in Steglitz liegt in einem Garten mit mehreren Metern Abstand zu Häuserfassaden. Somit hat man hier ganz andere mikroskalige Einflüsse, durch mehr Vegetation und vermutlich geringeren Einfluss durch die Gebäudestrukturen. Im Osten von Berlin liegt die Messstation Köpenick. Diese liegt im Köpenicker Forst in der Nähe vom Großen Müggelsee. Das Gebiet zeichnet sich durch sein großes zusammenhängendes Waldgebiet aus, welches allerdings durch eine große Anzahl von kleinen Wegen durchschnitten wird. Die Station steht auf einer kleinen Waldlichtung. In der Wiener Straße ist die Messvorrichtung an einem Mast in 34 m Höhe auf dem Dach einer Feuerwache befestigt. Die Umgebung ist geprägt von einer offenen Blockrandbebauung. Wie sich zeigt stehen die Messstationen unter verschiedenen mikroskaligen Einflüssen und von der Mikroskala auf die größere lokale Skala zu schließen, bzw. Ergebnisse mit „Gewalt“ auf eine größere Skala zu projizieren, ist schwer möglich. In dieser Studie konnte ausschließlich mit den Daten auf der Mikroskala gearbeitet werden.
Hier stoßen die zur Verfügung stehenden Mittel an ihre Grenzen. Im Optimalfall wäre es möglich gewesen, nach der Klassifizierung eigens darauf basierende Messstationen zu installieren und die Daten dieser auszuwerten. So hätte man eine bessere Vergleichbarkeit der Daten schaffen können.

5. Schlussfolgerung

Die vorangegangene Betrachtung der Ergebnisse hat gezeigt, dass es schwer möglich ist von mikroskalig beeinflussten Messungen auf die lokale Skala zu schließen bzw. Messergebnisse auf diese zu projizieren. Für eine aussagekräftige Analyse wäre es von Nöten mehr und eigene Messstationen, anhand der erstellten Klassifikation, aufzustellen.
Trotzdem hat diese Arbeit gezeigt, dass das LCZ Konzept auch anders als ursprünglich vorgesehen genutzt werden kann. Anhand der bereits vorhandenen Messstationen, die nach Klassifikation eingeordnet wurden, zeigt sich eine Abstufung der Lufttemperatur zwischen LCZs mit hohem Grünanteil und LCZs mit deutlich geringerem Grünanteil. Die Lufttemperatur steigt mit sinkendem Grünanteil. Der größte Unterschied tritt dabei zwischen dense trees und compact midrise auf.
Betrachtet man LCZs die ähnliche Eigenschaften aufweisen, wie compact midrise und open midrise, lassen die Ergebnisse keine Interpretation bezüglich unterschiedlicher Lufttemperaturen mehr zu. Durch die abstrakten LCZ-Klassen bestehen in der Klassifikation Interpretationsspielräume, was bei unterschiedlichen Personen zu unterschiedlichen Ergebnissen führt. Es kann, wie auch in dieser Arbeit, passieren, dass der Grünanteil nicht der ersten Einschätzung entspricht (compact midrise: 44 %, open midrise: 35 %).
Das LCZ Konzept bietet eine gute Möglichkeit erste Einschätzungen der lokal skaligen Temperaturunterschiede im Stadtraum vorzunehmen, differenziertere Studien mit größerer Auflösung wären jedoch nötig, um die daraus resultierenden Einflüsse auf das Humanbioklima vorherzusagen.
Abschließend lässt sich sagen, dass der Grünanteil in der Stadt das Lokalklima hinsichtlich der Lufttemperatur kühlend beeinflusst, wobei die Kühlung mit geringer werdendem Grünanteil abnimmt.

Quellen

Alexander, P. J., Mills, G., 2014: Local Climate Classification and Dublin’s Urban Heat Island. In: Atmosphere, (Heft: 4-5) 755-774 S.

Bechtel, B., Alexander, P.J., Böhner, J., Ching, J., Conrad, O., Feddema, J., Mills, G., See, L., Stewart, L., 2015: Mapping Local Climate Zones for a Worldwide Database of the Form and Function of Cities. MDPI AG.

Bömermann, H., 2012: Stadtgebiet und Gliederung. In: Zeitschrift für amtliche Statistik Berlin Brandenburg, Amt für Statistik Berlin-Brandenburg.

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 applications. American Meteorological Society Symposium on Urban Environment, 2-7 February 2014, Atlanta Georgia.

Deutscher Wetterdienst (DWD), 2013: Zahlen und Fakten zum Klima in Berlin. Pressegespräch „Land Berlin und Deutscher Wetterdienst wollen enger zusammenarbeiten“.

Deutscher Wetterdienst (DWD), o,J.: Wetterlexikon. Online unter: https://www.dwd.de/DE/service/lexikon/Functions/glossar.html?lv2=102672&lv3=102802 (Abruf 29.06.2017)

Endlicher, W., 2012: Einführung in die Stadtökologie. Eugen Ulmer KG: Stuttgart.

Errel, E., Pearlmutter, D., Williamson, T., 2011: Urban microclimate: Designing the spaces between buildings. Earthscan, London; Washington.

European Environmental Agency, 2012: Urban adaptation to climate change in Europe – challenges and opportunities for cities together with supportivenational and European policies. In: EEA Report, European Environmental Agency.

Gál, T., Bechtel, B., Unger, J., 2015: Comparison of two different Local Climate Zone mapping methods. ICUC9 - 9th International Conference on Urban Climate jointly with 12th Symposium on the Urban Environment.

Gabriel, K., Endlicher, W., 2011: Urban and rural mortality rates during heat waves in Berlin and Brandenburg, Germany. In: Environmental Pollution, (Heft: 159) 2044-2050 S.

Hutter, H. P., Moshammer, H., Wallner, P., Leitner, B., Kundi, M., 2003: Heatwaves in Vienna: effects on mortality. In: Wiener klinische Wochenschrift, May 2007 (Heft: 119) 223-227 S.

Intergovernmental Panel on Climate Change (IPCC), 2014: Climate Change 2014 – Synthesis Report – Summary for Policy Makers. Intergovernmental Panel on Climate Change, IPCC.

Kim, H.H., 1992: Urban heat island. In: International Journal of remote sensing, (Heft: 13) 2319-2336 S.

Kovat, R. S., Hajat, S., 2008: Heat stress and public health: a critical review. In: Annu Rev Public Health, (Heft: 29)41-55 S.

Leconte, F., Bouyer, J., Claverie, R. & Petrissans, M., 2015: Using Local Climate Zone scheme for UHI assessment: Evaluation of the method using mobile measurements. In: Building and Environment, (Heft: 83) S. 39-49.

McMichael, A. J.,Campbell-Lendrum, D. H., Corvalán, C. F., Ebi, K.L., Githeko, A. K., Scheraga, J. D., Woodward, A., 1996: Climate change and human health: risks and responses. World Health Organization (WHO), Genf 2003.

Oke, T. R., 1982: The Energetic Basis of the Urban Heat Island. In: Quarterly Journal of the Royal Meteorological Society, (Heft: 108) 1-24 S.

Patz, J. A., Khaliq, M., 2002: Global climate change and health: challenges for future practitioners. In: J Am Med Assoc, (Heft: 287) 2283– 2284 S.

Scherer, D., Fehrenbach, U., Lakes, T., Lauf, S., Meier, F., Schuster, C., 2013: Quantification of heat-stress related mortality hazard, vulnerability and risk in Berlin, Germany. In: Die Erde.

Scherer, D., Fehrenbach, U., Beha, H.-D., Parlow, E., 1999: Improved concepts and methods in analysis and evaluation of the urban climate for optimizing urban planning processes. In: Atmospheric Environment (Heft: 33).

Stewart, I. D., Oke, T., Krayenhoff, E. S. 2014: Evaluation of the “local climate zone” scheme using temperature observations and model simulations. In: International Journal of Climatology, 34(4), 1062-1080 S.

Stewart, I.D., Oke, T.R., 2012: Local climate zones for urban temperature Studies. In: American meteorological society, Bulletin of the American Meteorological Society (Heft 93), 1879- 1900 S.

Technische Universität Berlin, o.J.: Stadtklima-Messnetz Berlin. Online unter: https://www.klima.tu-berlin.de/index.php?show=forschung_dch_messnetz&lan=de (Abruf 22.09.2017)

United Nations (Hrsg.) New York, 2011: The Millennium Development Goals. In: Report 2011.

Voogt, J. & Oke, T.R., 2003: Thermal Remote Sensing of Urban Climates. In: Remote Sensing of Environment, (Heft: 86) 370- 384 S.

Ward, K., Lauf, S., Kleinschmit, B., Endlicher, W., 2016: Heat waves and urban heat islands in Europe: A review of relevant drivers. In: Science of the Total Environment (Heft: 569–570) 527-539 S.

Zölcha, T., Maderspachera, J., Wamslerb, C., Pauleitc, S., 2016: Using green infrastructure for urban climate-proofing: An evaluation of heat mitigation measures at the micro-scale. Urban Forestry & Urban Greening, (Heft: 20) 305–316 S.

Abbildungsverzeichnis

Abb.1: LCZ Klassifikation und Messstationen (eigene Darstellung)
Abb.2: Boxplot der Lufttemperatursstundenwerte am 25.06.2016, sortiert nach abnehmendem Grünanteil(eigene Darstellung)
Abb.3: Klassifkation der Bamberger Straße, Wiener Straße mit 200 m Radius (Google Earth)

Tabellenverzeichnis

Tab.1: Maximaltemperaturen 23-25.06.2016 (eigene Darstellung)
Tab.2: Minimaltemperaturen 23-25.06.2016 (eigene Darstellung)
Tab.3: gemittelte Temperaturen 23-25.06.2016 (eigene Darstellung)

Anhang

Tab. 1: Maximaltemperaturen 23-25.06.2016

Messstation 23.06.2016 24.06.2016 25.06.2016
Bamberger Str. (Compact midrise)26,9 °C36,7 °C38,8 °C
Köpenick (Dense trees)27,3 °C 33,0 °C35,4°C
Rothenburgstr. (Open lowrise)27,7 °C 33,5°C 36,3 °C
Wiener Str. (Open midrise)28,2 °C33,5 °C37,3 °C

Tab. 2: Minimaltemperaturen 23-25.06.2016

Messstation 23.06.2016 24.06.2016 25.06.2016
Bamberger Str. (Compact midrise) 16,9°C 19,1 °C 22,1°C
Köpenick (Dense trees) 13,5 °C 15,5 °C 19,1 °C
Rothenburgstr. (Open lowrise) 14,4 °C 16,8 °C 19,9 °C
Wiener Str. (Open midrise) 17 °C 19,5°C 21,7 °C

Tab. 3: gemittelte Temperaturen 23-25.06.2016

Messstation 23.06.2016 24.06.2016 25.06.2016
Bamberger Str. (Compact midrise) 21,9 °C 25,6 °C 27,8 °C
Köpenick (Dense trees) 20,4 °C 24,5 °C 26,8 °C
Rothenburgstr. (Open lowrise) 21,3 °C 25,5 °C 27,4 °C
Wiener Str. (Open midrise) 23,2 °C 26,9 °C 29,2 °C



abb.1classesneu.jpg
Abb.1: LCZ Klassifikation und Messstationen (eigene Darstellung)


QR Code
QR Code wiki:urban_classes (generated for current page)