s/weather-prediction/weather prediction/gi
Deutscher Wetterdienst DWD 1996: Klimakarten für das Land Berlin, Teil 1: Bioklima Berlin, Gutachten im Auftrag der Senatsverwaltung für Stadtentwicklung, Umweltschutz und Technologie, unveröffentlicht. GEO-NET 2013: Klimaökologische Untersuchung „Tempelhofer Freiheit“ in Berlin – Entwurf Rev. 02, im Auftrag der Tempelhof Projekt GmbH, Berlin unveröffentlicht. GEO-NET 2022: Regionale Kaltluftströmungen in Deutschland. Eigene Untersuchung. Unveröffentlicht. Groß, G. 1989: Numerical simulation of the nocturnal flow systems in the Freiburg area for different topographies, in: Beitr. Phys. Atmosph.,H 62, S. 57-72. Groß, G. 2002: The exploration of boundary layer phenomena using a nonhydrostatic mesoscale model, in: Meteor.Z.schr. Vol. 11 Nr.5, S.701-710. Höppe, P. 1984: Die Energiebilanz des Menschen. Münchener Universitätsschriften, Meteorol. Inst., Wiss. Mitt. 49. Höppe, P., Mayer, H. 1987: Planungsrelevante Bewertung der thermischen Komponente des Stadtklimas. Landschaft und Stadt 19 (1), S. 22–29. Kiese, O. et al. 1992: Stadtklima Münster. Entwicklung und Begründung eines klimarelevanten Planungskonzeptes für das Stadtgebiet von Münster. Stadt Münster – Werkstattberichte zum Umweltschutz 1/1992. Landesamt für Gesundheit und Soziales (LAGeSo) (Hrsg.) 2014: Verzeichnis der Krankenhäuser und Privatentbindungsanstalten, Stand 06/2014, Berlin. Internet: https://www.berlin.de/lageso/service/downloadcenter/ (Zugriff: 01.08.2024) Landesvermessung und Geobasisinformation Brandenburg (LGB) 2022: Amtliches Liegenschaftskatasterinformationssystem (ALKIS), Potsdam Internet: https://geobasis-bb.de/lgb/de/geodaten/liegenschaftskataster/alkis/ (Zugriff: 01.08.2024) Landesvermessung und Geobasisinformation Brandenburg (LGB) 2013: Digitales Geländemodell (DGM), Potsdam Internet: https://geobasis-bb.de/lgb/de/geodaten/3d-produkte/gelaendemodell/ (Zugriff 28.07.2020) Matzarakis, A., Mayer, H., 1996: Another Kind of Environmental Stress: Thermal Stress. NEWSLETTERS No. 18, 7-10. WHO Colloborating Centre for Air Quality Management and Air Pollution Control. Matzarakis, A., Rutz, F., Mayer, H., 2000: Modellierung der mittleren Strahlungstemperatur in urbanen Strukturen, Fachtagung METTOOLS, Stuttgart 2000. Internet: https://www.urbanclimate.net/matzarakis/papers/Tmrt_mettoolsiv.PDF (Zugriff: 04.02.2019) Mosimann, Frey, Trute, Wickenkamp 1999: Karten der klima- und immissionsökologischen Funktionen – Instrumente zur prozessorientierten Betrachtung von Klima und Luft in der Umweltplanung, in: Naturschutz und Landschaftsplanung 31,(4),S. 101-108, Stuttgart. Moriske & Turowski 2002: Handbuch für Bioklima und Lufthygiene, 8. Ergänzungslieferung, Ecomed-Verlag, Landsberg. Richter & Röckle (iMA Immissionen, Meteorologie Akustik) o.J.: Das numerische Simulationsmodell FITNAH, digitale PDF-Datei, Freiburg. Internet: https://www.ima-umwelt.de/fileadmin/Dokumente/Klima/fitnah_kurzuebersicht.pdf (Zugriff am 27.01.2016) SenStadt (Senatsverwaltung für Stadtentwicklung, Baue und Wohnen Berlin) (Hrsg.) 2020: Flächennutzung und Stadtstruktur – Dokumentation der Kartiereinheiten und Aktualisierung des Datenbestandes, Berlin. Internet: https://www.berlin.de/umweltatlas/_assets/literatur/nutzungen_stadtstruktur_2020.pdf (Zugriff 23.05.2025) SenStadtUm (Senatsverwaltung für Stadtentwicklung und Umwelt Berlin) (Hrsg.) 2015: GEO-NET Umweltconsulting GmbH, Hannover: GIS-gestützte Modellierung von stadtklimatisch relevanten Kenngrößen auf der Basis hochaufgelöster Gebäude- und Vegetationsdaten; EFRE Projekt 027 Stadtklima Berlin, Abschlussbericht. Internet: https://www.stadtentwicklung.berlin.de/umwelt/umweltatlas/download/Projektbericht_StadtklimaBerlin_SenStadtUm_IIID_2015.pdf (Zugriff 25.01.2016) SenStadtUm (Senatsverwaltung für Stadtentwicklung und Umwelt Berlin) (Hrsg.) 2015c: PRISMA – Planungsraumbezogenes Informationssystem für Monitoring und Analyse, Berlin. Internet: https://www.stadtentwicklung.berlin.de/soziale_stadt/sozialraumorientierung/de/prisma.shtml (Zugriff 26.11.2015) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) 2025a: Stadtklimaanalyse Berlin 2020/2022: Dokumentation der Datengrundlagen, Modellsimulation und Klimaanalyse. Internet: https://www.berlin.de/umweltatlas/_assets/literatur/doku_klimaanalyse_2022.pdf (Zugriff 22.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) 2025b: Klimamodellierung 2022: Auswertung von Messdaten ausgewählter Klimastationen in Berlin und Potsdam. Internet: https://www.berlin.de/umweltatlas/_assets/literatur/doku_klimastationen_2022.pdf (Zugriff 22.04.2025) VDI (Verein Deutscher Ingenieure) 2008: Richtlinie VDI 3785, Blatt1, Methodik und Ergebnisdarstellung von Untersuchungen zum planungsrelevanten Stadtklima, Düsseldorf. Internet: https://www.vdi.de/ (Zugriff am 11.05.2009) VDI (Verband Deutscher Ingenieure) 2015: Richtlinie VDI 3787 Blatt 2 Umweltmeteorologie: Methoden zur human-biometeorologischen Bewertung der thermischen Komponente des Klimas. Verein Deutscher Ingenieure, Düsseldorf. Internet: https://www.vdi.de/ (Zugriff 02.04.2024) VDI (Verein Deutscher Ingenieure) 2022: Richtlinie VDI 3787, Blatt2, Methoden zur human-biometeorologischen Bewertung der thermischen Komponente des Klimas, Düsseldorf. Internet: https://www.vdi.de/ (Zugriff am 02.04.2025) Vogt, J. 2002: Bericht über orientierende Untersuchungen zur lokalklimatischen Funktion der Flächen des Gleisdreieckes in Berlin, Textteil, Voruntersuchung im Auftrag der Vivico Management GmbH, unveröffentlicht, Berlin. Vogt, J. 2002: Bericht über orientierende Untersuchungen zur lokalklimatischen Funktion der Flächen des Gleisdreieckes in Berlin, Abbildungsteil, Voruntersuchung im Auftrag der Vivico Management GmbH, unveröffentlicht, Berlin. SenStadt (Senatsverwaltung für Stadtentwicklung Berlin) (Hrsg.) 2001: Umweltatlas Berlin, Karte 04.07 Klimafunktionen, 1:50 000, Berlin. Internet: https://www.berlin.de/umweltatlas/klima/klimaanalyse/2000/zusammenfassung/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung Berlin) (Hrsg.) 2003: Umweltatlas Berlin, Karte 04.10 Klimamodell Berlin – Analysekarten, 1:50 000, Berlin. Internet: https://www.berlin.de/umweltatlas/klima/klimaanalyse/2001/zusammenfassung/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung Berlin) (Hrsg.) 2004: Umweltatlas Berlin, Karte 04.11 Klimamodell Berlin – Bewertungskarten, 1:50 000, Berlin. Internet: https://www.berlin.de/umweltatlas/klima/klimabewertung/2001/zusammenfassung/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung Berlin) (Hrsg.) 2009: Umweltatlas Berlin, Karte 04.10 Klimamodell Berlin – Analysekarten, Berlin. Internet: https://www.berlin.de/umweltatlas/klima/klimaanalyse/2005/zusammenfassung/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung Berlin) (Hrsg.) 2022: Umweltatlas Berlin, Karte 04.10 Klimamodellierung Berlin – Klimaanalysekarten 2022, Berlin. Internet: https://www.berlin.de/umweltatlas/klima/klimaanalyse/2022/zusammenfassung/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung Berlin) (Hrsg.) 2009: Umweltatlas Berlin, Karte 04.11 Klimamodell Berlin – Bewertungskarten, Berlin. Internet: https://www.berlin.de/umweltatlas/klima/klimabewertung/2005/zusammenfassung/ (Zugriff 16.04.2025) SenStadtUm (Senatsverwaltung für Stadtentwicklung und Umwelt Berlin) (Hrsg.) 2018: Umweltatlas Berlin, Karte 03.11.2 Verkehrsbedingte Luftbelastung im Straßenraum 2020 und 2025, Berlin. Internet: https://www.berlin.de/umweltatlas/luft/strassenverkehr-emissionen-und-immissionen/2018/zusammenfassung/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) (Hrsg.) 2021: Umweltatlas Berlin, Karte 01.02 Versiegelung, Berlin. Internet: https://www.berlin.de/umweltatlas/boden/versiegelung/2021/zusammenfassung/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) (Hrsg.) 2015: Umweltatlas Berlin, Karte 01.11.3 Naturnähe, Berlin. Internet: https://www.berlin.de/umweltatlas/boden/bodenfunktionskriterien/2015/zusammenfassung/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) (Hrsg.) 2022: Umweltatlas Berlin, 2022, Karte 04.12 Entwicklung der Anzahl ausgewählter klimatologischer Kenntage, Berlin. Internet: https://www.berlin.de/umweltatlas/klima/klimawandel/2022/zusammenfassung/ SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) (Hrsg.) 2022: Amtliches Liegenschaftskatasterinformationssystem (ALKIS), Berlin. Internet: https://gdi.berlin.de/geonetwork/srv/ger/catalog.search#/metadata/0a7c53a5-b29d-3f45-9734-1c811045e6c2 (Zugriff 16.04.2025) SenStadtUm (Senatsverwaltung für Stadtentwicklung und Umwelt Berlin) (Hrsg.) 2016: Umweltatlas Berlin, Karte 04.11 Klimamodell Berlin – Planungshinweiskarte Stadtklima, Berlin. Internet: https://www.berlin.de/umweltatlas/klima/klimabewertung/2015/zusammenfassung/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) (Hrsg.) 2020: Umweltatlas Berlin, Reale Nutzung der bebauten Flächen / Grün- und Freiflächenbestand 2020. Internet: https://www.berlin.de/umweltatlas/nutzung/flaechennutzung/2020/zusammenfassung/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) (Hrsg.) 2020: Umweltatlas Berlin, Gebäudehöhen. Internet: https://www.berlin.de/umweltatlas/nutzung/gebaeudehoehen/ (Zugriff 16.04.2025) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) (Hrsg.) 2020: Umweltatlas Berlin, Vegetationshöhen. Internet: https://www.berlin.de/umweltatlas/biotope/vegetationshoehen/2020/methode/ (Zugriff 16.04.2025)
Die Karte zeigt die mittleren Monatswerte für die Globalstrahlung in kWh/m². Je höher die Globalstrahlung am Standort, umso besser eignet er sich - grundsätzlich - für die Nutzung von Solarthermie oder Photovoltaik. Allerdings spielen noch weitere Faktoren eine Rolle wie Verschattung, Neigungswinkel der gewählten Fläche, Statik z.B. bei Nutzung von Anlagen auf Dachflächen u.v.m. Näheres dazu erfahren Sie im Thementeil des Energie-Atlas Bayern. Die Daten stammen aus dem Strahlungs- und Klimamessnetz des Deutschen Wetterdienstes aus dem Zeitraum von 1981 bis 2010.
Ziel des Projekts KIMBIF ist die Hochrechnung (Extrapolation) und Prognose (Forecast) der Erzeugungsleistung von Photovoltaik(PV)-Anlagen mit bifazialen PV-Modulen. Durch die Nutzung des auf der Rückseite einfallenden Lichts erreicht einen höheren Ertrag im Vergleich zu monofazialen Modulen. Die Einstrahlungsverhältnisse auf der Rückseite eines Modulfeldes sind jedoch so komplex, dass die Leistung einer solchen PV-Anlage mit rein physikalischen Modellen nicht mit vertretbarem Aufwand und der erforderlichen Genauigkeit aus den aktuellen Betriebsbedingungen abgeschätzt oder vorhergesagt werden kann Im Projekt werden daher datengetriebene Modelle mit Methoden der künstlichen Intelligenz (KI-Modelle) für Monitoring und Einspeisevorhersage von bifazialen PV-Systemen entwickelt und in einem großen, kommerziellen PV-Park zur Anwendung gebracht. Diese generischen Modelle sollen zum einen durch Mehrfachadaption die Extrapolation von einer begrenzten, detailliert vermessenen Referenzeinheit (PV-Modulstrang oder PV-Teilfeld) auf den gesamten PV-Park erlauben und zum anderen auf andere PV-Anlagen übertragbar sein. Dies beinhaltet auch Verfahren zur kontinuierlichen Adaptierung der KI-Modelle mittels Life-long Learning, um eine nahezu unmittelbare Nutzung nach dem Betriebsstart einer PV-Anlage mit einer limitierten Datenbasis sowie eine fortschreitend verbesserte Anpassung der KI-Modelle an das reale Betriebsverhalten zu ermöglichen. Die KI-Modelle werden zur Ermittlung der erwarteten aktuellen Leistungswerte für einen PV-Park, für die Anlagenüberwachung zur Fehlererkennung auf der Ebene der Teileinheiten und für die vorausschauende Wartungsplanung (predictive maintenance) eingesetzt. Des Weiteren wird mit dem Modell ein Leistungsvorhersagesystem (z.B. 24h-Forecast) unter Verwendung von Wetterprognosen für eine optimierte Betriebsführung des PV-Parks erstellt und im Betriebsleitsystem implementiert und erprobt.
Die 4D-Var Datenassimilation (4D-var DA) ist eine spezielle Methode, die zur Initialisierung von Klima- und Wettervorsagen durch die Schätzung von Klimamodellparametern benutzt wird, in dem Modelle an beobachtende Daten angepasst werden. Aus verschiedenen Gründen führen DA unvermeidliche methodische Fehler ein, die sich auf die Genauigkeit der Modellvorhersagen auswirken. Aktuelle Methoden zur Fehlerkorrektur brauchen erhebliche Computerressourcen. Dies ist ein Grund, warum die Verwendung dieser Methoden in der Klimamodellierung begrenzt ist und sie nur in vereinfachten Versionen angewandt werden. Die Entwicklung einer konzeptuell neuartigen, robusten und effizienten, nichtlinear-variationellen Fehlerschätzungsmethode (NOVFEM) ist Ziel dieses Projekts. Diese Methode wird Fehler von DA Methoden schätzen und die notwendigen Korrekturen bestimmen. Im Besonderen ist es geplant, VOVFEM im Rahmen einer Anwendung in Klimavorhersagesystemen zu entwickeln. Der Vorteil der vorgeschlagenen Methode ist, dass der Algorithmus auf einer abstrakten mathematischen Formulierung basiert und deshalb in vielen geophysikalischen Bereichen angewandt werden kann. Eine weitere Innovation dieses Projekts ist die Entwicklung einer Methode zur schnellen und einfachen Berechnung von inversen Kovarianzmatrizen, die z. B. Anwendung in DA finden. Die vorgeschlagenen Methode ist im Vergleich mit existieren Methoden effizienter. Es wird erwartet, dass die theoretischen Ergebnisse dieses Projekt national und international veröffentlicht werden und ein freier Zugang zur NOVFEM Software wird bereitgestellt werden.
Eine Reihe von Mechanismen wurden benannt, um die Abnahme und Zunahme der Meereisausdehnung im Südpolarmeer in den letzten Jahren zu erklären. Aber die Prozesse, die diese Entwicklung antreiben, sind bis jetzt noch nicht umfassend verstanden. Die Simulation des antarktischen Meereises in aktuellen Klimamodellen bleibt ein grundlegendes Problem. Es gibt einige Hinweise darauf, dass das Problem, neben der Formulierung von atmosphärischen und ozeanischen Prozesse, auch auf die Beschreibung der Meereisphysik im Südpolarmeer zurückzuführen ist. Obwohl ein großer Teil der gegenwärtigen Meereisbedeckung im Südlichen Ozean aus einer marginalen Eiszone besteht, lösen kontinuumsmechanische Meereismodelle die Meereisschollen normalerweise weder auf, noch parametrisieren sie dieses Regime und vernachlässigen somit wichtige Rückkopplungen zur Vorhersage von Klima und Wetter. Darüber hinaus ist die Anwendung von kontinuumsmechanischen Meereismodellen auf, oder unterhalb der Skala einzelner Schollen fragwürdig, da die zugrunde liegende Kontinuumsannahme dieser Meereismodelle wahrscheinlich nicht gegeben ist. In diesem Projekt möchten wir die Defizite der derzeitig verwendeten kontinuumsmechanischen Meereismodelle adressieren, indem wir ein hybrides Meereismodell entwickeln, das die Wechselwirkungen zwischen Atmosphäre, Meereis und Ozean bis zur Schollenskala explizit beschreibt. Das hybride Modell bietet einen nahtlosen Ansatz zur Vorhersage des Meereises, der von der Simulation einzelner Meereisschollen in der marginalen Eiszone bis hin zur Darstellung des Packeises reicht. Unser hybrides Modell, das Partikel- mit Kontinuumsmethoden kombiniert, wird zu einem besseren Verständnis und einer besseren Vorhersage des antarktischen Klimasystems beitragen, indem es Kopplungen zwischen Atmosphäre, Meereis und Ozean bis hin zu einer Schollenskala explizit miteinbezieht. Kleinskalige Prozesse, die sich auf einzelne Schollen beziehen, sind für das polare Klima wichtig, aber ihre Parametrisierung in kontinuumsmechanischen Meereismodellen bleibt eine offene Forschungsfrage.Um den Einfluss der schollenskaligen Wechselwirkungen auf die Entwicklung der Meereisbe-deckung im Südlichen Ozean zu analysieren, werden wir ein Diskretes-Elemente-Modell entwickeln, das auf der Beschreibung von DESIgn und dem Princeton-DEM basiert, und es in die kontinuumsmechanische Meereisformulierung im Klimamodell ICON einbetten. Unser Ziel ist, die Interaktion von Meereisschollen explizit in einem Teilgebiet wie der marginalen Eiszone darzustellen, denn es hat sich gezeigt, dass die Schollengrößenverteilung das simulierte Meereisvolumen signifikant beeinflusst. In Regionen, in denen eine hohe räumliche Auflösung nicht erforderlich ist, verwenden wir zur Simulation des Meereises das kontinuumsmechanische Modell, das ein geeigneter, recheneffizienter Ansatz ist, um die Meereisentwicklung auf großen Skalen und mit niedriger Auflösung zu beschreiben.
Moderne Wettervorhersagen und Klimaprognosen sind stark abhängig von numerischen Simulationen, welche die atmosphärischen Zustandsgrößen auf ein Gitternetz, das die Erde umspannt, abbilden. Die numerischen Modelle lösen die fluidmechanischen auf Elementarprinzipien basierenden Bewegungsgleichungen für alle Zustandsgrößen auf jedem Gitterpunkt. Die Gitterweite ist begrenzt durch die Rechenleistung, so dass Phänomene kleinerer Skalen als die Gitterweite von den Modellen nicht aufgelöst werden. Das Brechen interner Schwerewellen ist eines dieser Phänomene. Atmosphärische Schwerewellen werden meistens in der Troposphäre angeregt, wandern aufwärts und werden instabil, da ihre Amplitude durch die dünner werdende Hintergrundluft wächst. Schließlich brechen sie. Die höhenmäßige Amplitudenverstärkung ist, im Besonderen, theoretisch nicht gut verstanden. Das Wellenbrechen spielt eine wichtige Rolle für die Genauigkeit der Vorhersagen, so dass es nicht vernachlässigt werden darf. Eine bewährte Abhilfe ist durch Parametrisierungen gegeben. Sie schätzen den Einfluss der nicht aufgelösten Effekte mithilfe der aufgelösten Zustandsgrößen ab. Die Qualität der Parametrisierung hängt konstruktionsbedingt von den betrachteten Skalen ab. Mit zunehmender Rechenleistung wird die Auflösung der Modelle verfeinert, die Skalen dadurch verkürzt und genauere Parametrisierungen werden notwendig. In diesem Projekt wird eine Theorie für Schwerewellenbrechen entwickelt, die in Parametrisierungen der nächsten Generation Anwendung findet und dabei Methoden aus Numerik, Asymptotik und Funkionalanalysis verbindet. Als erstes werden asymptotische wandernde Wellenlösungen der skalierten Bestimmungsgleichungen, welche erstmals die realistische höhenmäßige Amplitudenverstärkung berücksichtigen, hergeleitet. Diese Lösungen werden gegenüber den kompletten nichtlinearen Eulergleichungen, die den Elementarprinzipien entsprechen, validiert und der Einfluss von Dissipation untersucht. Wandernde Wellenlösungen gehören zu einer spezielle Lösungsklasse, die es gestattet Stabilität analytisch zu erforschen. Aus dem Gebiet der Funktionalanalysis wird die spektrale Stabilitätsanalyse angewandt, um Kriterien zur Vorhersage instabiler Wellen herzuleiten. Diese Kriterien werden Parametrisierungen als Schwellwerte für Wellenbrechen dienen.
Die digitale Berliner Luftkarte – so war Luftqualität an Ihrem Ort 2024 Wo ist die Luftbelastung am höchsten? Warum saubere Luft so wichtig ist Wie funktioniert die Luftkarte? Was bedeutet ein „Bedarf für Luftverbesserungen“ konkret? Wie werden die Werte berechnet? Dank der Unterstützung der Open Data Informationsstelle Berlin (ODIS) wurde die digitale Berliner Luftkarte entwickelt. Sie ermöglicht es den Bewohnerinnen und Bewohnern Berlins, schnell zu überprüfen, wie es um die Luftqualität in verschiedenen Teilen der Stadt bestellt ist. Durch die Eingabe einer Adresse oder einen Klick auf die Karte lässt sich der jeweilige Standort bestimmen. Jeder markierte Bereich umfasst eine Fläche von 50 × 50 Metern. Die Luftkarte basiert auf der Analyse der drei bedeutendsten Luftschadstoffe: Stickstoffdioxid (NO 2 ), grober Feinstaub (PM 10 ) und feiner Feinstaub (PM 2.5 ). Anhand dieser Daten wird bewertet, wie dringend Maßnahmen zur Verbesserung der Luftqualität erforderlich sind. Die Einstufung einer Fläche erfolgt nach dem Schadstoff mit dem höchsten Belastungswert, wobei sie in eine von fünf Kategorien eingeordnet wird: sehr niedriger, niedriger, mäßiger, erhöhter oder hoher Bedarf für Luftverbesserungen. Derzeit existiert in Berlin kein Bereich mit einem sehr niedrigen Bedarf für Luftverbesserungen. Ein solcher würde sich durch eine Schadstoffkonzentration auszeichnen, die nach Einschätzung der Weltgesundheitsorganisation (WHO) kaum Gesundheitsrisiken birgt. Die Berliner Senatsverwaltung setzt sich dafür ein, dass die WHO-Grenzwerte in Zukunft eingehalten werden können. Wichtige Hinweise: Die Karte zeigt die durchschnittlichen Werte für das gesamte Jahr 2024 (Jahresmittelwerte). Die Daten beziehen sich ausschließlich auf die Außenluft. Die angezeigten Werte sind unabhängig von kurzfristigen Verkehrsschwankungen, Windverhältnissen oder der Etage, in der man wohnt. Während Wetter-Apps oft aktuelle Momentaufnahmen basierend auf Messwerten und Modellierungen darstellen, bietet die Berliner Luftkarte eine durchschnittliche Bewertung der Luftqualität über ein ganzes Jahr. Ein Blick auf die Verteilung der Kategorien innerhalb Berlins zeigt, dass 48 % der Stadtfläche nur einen geringen Bedarf an Luftverbesserungen haben. Leider liegen diese Gebiete oft nicht dort, wo die Menschen wohnen – nur 15 % der Berliner Bevölkerung lebt in solchen Zonen. Besonders gute Luft findet sich vor allem in Regionen mit wenig Bebauung, wie am Müggelsee oder im Grunewald. Im Gegensatz dazu leben 74 % der Berlinerinnen und Berliner in Gebieten mit mäßigem Handlungsbedarf, obwohl diese nur 46 % der Stadtfläche ausmachen. Meist handelt es sich dabei um Wohngebiete in Straßennähe oder Regionen, in denen häufig mit Holz geheizt wird. 6 % der Stadtfläche weisen eine erhöhte Luftbelastung auf, was sich auf 11 % der Bevölkerung auswirkt. Diese Orte befinden sich oft an stark befahrenen Hauptstraßen oder Autobahnen. Die höchste Belastungskategorie („hoher Bedarf für Luftverbesserungen“) betrifft weniger als 0,3 % der Stadtfläche und Bevölkerung und wird daher in den Diagrammen nicht gesondert ausgewiesen. Ebenso gibt es keine Bereiche, in denen die WHO-Grenzwerte vollständig eingehalten werden. Luftverschmutzung hat nachweislich erhebliche Auswirkungen auf die Gesundheit von Mensch und Natur. Über die Atemwege gelangen Schadstoffe wie Feinstaub in den Körper und verteilen sich über den Blutkreislauf bis in die Organe. Dies kann zu vielfältigen gesundheitlichen Schäden führen: Rußpartikel erhöhen das Krebsrisiko. Schwermetalle können sich im Gehirn ablagern und neurologische Erkrankungen begünstigen. Atemwegsreizungen können chronischen Husten, Asthma oder verstärkte allergische Reaktionen hervorrufen. Ungeborene Kinder sind ebenfalls betroffen: Eine hohe Schadstoffbelastung erhöht das Risiko für geringes Geburtsgewicht und Frühgeburten. Es gibt keinen unbedenklichen Feinstaub Besonders kritisch ist Feinstaub: Je kleiner die Partikel, desto gefährlicher. Winzige Partikel können die natürlichen Schutzbarrieren des Körpers überwinden, tief in Organe eindringen und sich dort ablagern. Einige gelangen sogar über den Riechnerv direkt ins Gehirn. Wissenschaftliche Erkenntnisse belegen, dass selbst geringe Mengen Feinstaub gesundheitsschädlich sind – es gibt also keine unbedenkliche Feinstaubbelastung. Jede markierte Fläche (50 × 50 Meter) enthält folgende Basisinformationen: Zeitraum : Jahresdurchschnitt 2024 Luftschadstoffe : NO 2 , PM 10 und PM 2.5 in Mikrogramm pro Kubikmeter (µg/m³) Die Kategorisierung erfolgt auf Grundlage der WHO-Empfehlungen, die Grenzwerte für eine möglichst geringe Gesundheitsgefährdung definieren. Da diese Werte nur selten eingehalten werden, hat die WHO Zwischenstufen zur schrittweisen Annäherung an das Ziel festgelegt. Diese Zwischenwerte dienen als Basis für die Kategorisierung der Berliner Luftqualität. Die höchste Schadstoffkonzentration innerhalb einer Zelle bestimmt dabei deren Einordnung. Um die WHO-Grenzwerte für saubere Luft zu erreichen, sind Maßnahmen auf verschiedenen Ebenen notwendig – sowohl durch Behörden als auch durch individuelles Handeln. Beispiele für Handlungsbedarf: Verkehrsreiche Straßen : Maßnahmen wie Umweltzonen, Tempolimits oder der Ausbau umweltfreundlicher Verkehrsmittel können die Belastung durch Stickstoffdioxid (NO 2 ) und durch Feinstaub (PM 10 und PM 2.5 ) verringern. Dabei gilt: jeder vermiedene Autokilometer verbessert die Luftqualität. Auch E-Autos produzieren Feinstaub durch Abriebe. Heizungen : Der Einsatz moderner Filteranlagen oder emissionsarmer Heizsysteme reduziert Schadstoffe wie Feinstaub (PM). Auch Holzöfen können sauber betrieben werden, wie der Ofenführerschein zeigt. Industriegebiete & Überregionale Schadstoffquellen : Schadstoffe können in der Atmosphäre über weite Distanzen transportiert werden. Die Behörden haben die Aufgabe, europaweit für saubere Industrieanlagen zu sorgen. Zur Berechnung der Luftqualität kommt das statistische Modell „FAirQ“ der INWT Statistics GmbH zum Einsatz. Dieses System nutzt Methoden aus den Bereichen „Big Data“ und „Künstliche Intelligenz“, um auf Basis der folgenden Faktoren Prognosen zu erstellen: Messwerte der Berliner Luftgütemessstationen (BLUME) Verkehrsdaten von über 200 Messpunkten in der Stadt Wetterprognosen des Deutschen Wetterdienstes (DWD) Großräumige Schadstoffvorhersagen aus dem COPERNICUS-Programm (CAMS) Das Modell analysiert, wie sich diese Variablen auf die Luftqualität auswirken und nutzt sie zur Berechnung der stündlichen Belastungswerte. Diese werden über das Jahr gemittelt und auf das 50 × 50 Meter Raster übertragen. Da Modellwerte immer eine Annäherung an die Realität darstellen, gibt es kleinere Abweichungen. Besonders an Autobahnen kann die berechnete Schadstoffkonzentration höher ausfallen als in angrenzenden Wohngebieten, da sich Schadstoffe in der Atmosphäre verdünnen. Beispielsweise sinkt die Stickstoffdioxid-Belastung (NO 2 ) bereits innerhalb von 100 Metern von einer Verkehrsquelle erheblich ab. Eine detaillierte Beschreibung des Systems ist hier zu finden: Abschlussbericht zur Luftschadstoffprognose
| Origin | Count |
|---|---|
| Bund | 2152 |
| Kommune | 6 |
| Land | 1699 |
| Wirtschaft | 1 |
| Wissenschaft | 16 |
| Zivilgesellschaft | 1 |
| Type | Count |
|---|---|
| Ereignis | 24 |
| Förderprogramm | 839 |
| Kartendienst | 3 |
| Lehrmaterial | 1 |
| Messwerte | 1 |
| Strukturierter Datensatz | 2 |
| Text | 443 |
| Umweltprüfung | 7 |
| unbekannt | 1415 |
| License | Count |
|---|---|
| geschlossen | 497 |
| offen | 2219 |
| unbekannt | 19 |
| Language | Count |
|---|---|
| Deutsch | 2573 |
| Englisch | 320 |
| Resource type | Count |
|---|---|
| Archiv | 45 |
| Bild | 39 |
| Datei | 1088 |
| Dokument | 145 |
| Keine | 832 |
| Multimedia | 1 |
| Unbekannt | 11 |
| Webdienst | 210 |
| Webseite | 816 |
| Topic | Count |
|---|---|
| Boden | 2253 |
| Lebewesen & Lebensräume | 1570 |
| Luft | 2735 |
| Mensch & Umwelt | 2735 |
| Wasser | 2243 |
| Weitere | 2682 |