AKTUELLE  ANWENDUNGEN  VON  KMU  UND  BEHÖRDEN

Datenbasis

Datenprozessierung

MUKLIMOJ3  Eingangsdaten

HRL  3D  Geb.  Modell

EU-DEM

-  Arcpy  Werkzeuge:
Clip
Polygon  in  Raster
Resample
Aggregate
Zonal  Statistics
Rotate
Raster  in  ASCII
-  Datentransformation  auf
nicht-äquidistantes
Modellgitter
Python-Skript

г

ASCII  1

ASCII

Raster  Daten

Tabelle

- 1

physikalische  Parameter

ASCII  I
Raster  Daten

Landnutzung

ASCII  I
Raster  Daten

Geländehöhe

Abb.  3.7:  Schematischer  Ablauf  der  Datenvorbereitung.  Durch  einen  Konfigurationsmechanismus ­
  können  die  Daten  aus  dem  gewünschten  Modellgebiet  für  verschiedene ­
  Rechengitter  (äquidistant  /  nicht-äquidistant)  in  ein  für  das  Modell
nutzbares  Format  transformiert  werden.

einer  besseren  Beschreibung  der  Städte  geführt  hat.  Waren  Parameter  nicht  verfügbar, ­
  haben  wir  für  diese  wie  bisher  den  Landnutzungsdatensatz  mit  den
Literaturwerten  als  Grundlage  genutzt.
Schließlich  haben  wir  alle  genannten  Produkte  als  Eingangsdaten  in  ein  Python-Skript ­
  implementiert  und  somit  die  Datenvorbereitung  automatisiert  (siehe ­
  Abbildung  3.7),  wodurch  sich  der  zeitliche  Aufwand  für  die  Vorbereitung
der  Daten  insgesamt  deutlich  reduziert  hat.
VERGLEICH  DER  NEUEN  MIT  BISHERIGER  METHODE
Um  die  Gleichwertigkeit  oder  eine  Verbesserung  der  in  GUAMO  entwickelten
Methode  gegenüber  der  bisherigen  Methode  (Koßmann  2012)  zu  demonstrieren, ­
  haben  wir  beide  Methoden  auf  vier  Teststädte  angewandt  und  miteinander
verglichen.  Abbildung  3.8  zeigt  den  Vergleich  beider  Methoden  anhand  von
Modellergebnissen  für  die  Stadt  Köln  für  idealisierte  Schönwetterbedingungen
mit  Sonnenstand  eines  7.  Juli.
Für  beide  Methoden  zeigen  die  Simulationen  auf  den  ersten  Blick  ein  plausibles ­
  Ergebnis:  in  beiden  Simulationen  werden  die  höheren  Temperaturen  jeweils ­
  über  versiegelten  Flächen  mit  Bebauung  simuliert,  was  auf  die  Energieumsetzungen ­
  an  den  Gebäuden  (z.  B.  niedrige  Albedo  und  geringe  Verdunstung)
zurückzuführen  ist.  Beiden  Methoden  gleich  ist  auch,  dass  im  Wald  deutlich
niedrigere  Temperaturen  simuliert  werden,  was  sich  aus  der  reduzierten  Sonneneinstrahlung ­
  und  der  höheren  Verdunstungsrate  im  Wald  ergibt.  Auch  ist
die  Orographie  im  Nordosten  des  Modellgebiets  für  die  Temperaturverteilung
ein  wichtiger  Faktor.
Bei  genauerem  Hinsehen  werden  jedoch  Unterschiede  deutlich,  denn  die  Verteilung ­
  der  Lufttemperatur  hängt  stark  von  der  präzisen  städtischen  Struktur
im  Modell  ab.  So  variiert  die  simulierte  Temperatur  bei  der  bisherigen  Methode ­
  (Abb.  3.8a)  zwischen  26.3  °C  im  Umland  und  32.6  °C  in  der  Innenstadt,
während  die  Temperatur  in  der  Simulation  mit  der  neuen  Methode  (Abb.  3.8b)
im  Zentrum  von  Köln  ein  Maximum  von  34  °C  erreicht.