18

GIS-basierte Modellierung von Umweltmessdaten

Silke RICHTER, Stefan WIEMANN, Pierre KARRASCH und Katharina PECH

Zusammenfassung

Der vorliegende Beitrag wird Möglichkeiten einer flächendeckenden Modellierung der Umweltparameter Temperatur, Ozon und Feinstaub (PM10) aufzeigen und diskutieren. Die Umsetzung erfolgte beispielhaft für den Freistaat Sachsen, unter Verwendung des sächsi-schen Immissionsmessnetzes, bereitgestellt durch das Sächsische Landesamt für Umwelt, Landwirtschaft und Geologie (LfULG).

1 Einleitung

Informationen zu Umweltparametern und deren räumliche und zeitliche Verteilung sind zentrale Bestandteile der Raumplanung (z. B. Regional-, Stadtplanung). Die Raumplanung stellt sowohl den Status als auch den Prozess dar, mit dem unterschiedliche Nutzungen im Untersuchungsraum angeordnet werden sollen (vgl. LANGENHAGEN- ROHRBACH, 2005). Die damit verbundenen planerischen Instrumente (z. B. Landespläne, Regionalpläne) ver-langen Informationen mit deren Hilfe es möglich ist, den gegenwärtigen Zustand eines Raumes zu beurteilen sowie zukünftige Entwicklungen bei Eingriffen oder Zustandsänder-ungen abzuschätzen. Zahlreiche der für die Raumplanung wichtigen Umweltparameter können lediglich punktuell erfasst werden. Dazu zählen auch die in dieser Arbeit betrachte-ten Lufttemperatur- und Luftschadstoffmessungen. Die Bedeutung dieser Daten in Bezug auf raumplanerische Maßnahmen ist kaum infrage zu stellen, da sie sich nachweislich un-mittelbar auf die Lebensqualität des Menschen auswirken (EEA 2005).

2 Analyseschema

Abbildung 1 zeigt den durchgeführten Analyseablauf. Verschiedene Verfahren nutzen da-bei unterschiedliche oder aber gemeinsame Datengrundlagen (vgl. Kapitel 3).

Beginnend mit klassischen Verfahren der Geostatistik wird gezeigt, welchen eingeschränk-ten Nutzen diese bei der flächenhaften Interpolation von Umweltmessdaten im vorliegen-den Fall haben (vgl. Kapitel 4). Auf diesen Erkenntnissen aufbauend kann gezeigt werden, dass für den Parameter der Temperatur eine flächenhafte Interpolation mithilfe des Co-Krigings möglich ist, für das Ozon sowie den Feinstaub jedoch auf andere Verfahren zu-rückgegriffen werden muss. In einem ersten Schritt wurden dabei Verfahren angewendet, die auf fernerkundlichen Daten basieren (vgl. Kapitel 5.2). Ein zweiter Ansatz dagegen nutzt zusätzliche sozioökonomische Daten sowie Informationen über die vorliegende Land-nutzung und basiert auf der Auswertung von attributiven Distanzen in einem multidimen-

Strobl, J., Blaschke, T. & Griesebner, G. (Hrsg.) (2012): Angewandte Geoinformatik 2012. © Herbert Wichmann Verlag, VDE VERLAG GMBH, Berlin/Offenbach. ISBN 978-3-87907-520-1.

GIS-basierte Modellierung von Umweltmessdaten 19

sionalen Merkmalsraum. Die folgenden Kapitel 3 bis 5 geben einen kompakten Überblick über die genutzten Daten sowie die angewendeten Verfahren und deren Ergebnisse.

Abb. 1: Analyseschema der Modellierung von Umweltmessdaten (eigene Darstellung)

3 Datengrundlage

3.1 In situ Messnetz

In der vorliegenden Untersuchung standen Messungen aus dem sächsischen Immissions-messnetz, bereitgestellt durch das Landesamt für Umwelt, Landwirtschaft und Geologie, zur Verfügung. Das Messnetz basiert auf der EU-Richtlinie 2008/50/EC. Neben Luftschad-stoffen, wie Ozon und Feinstaub, werden an den Bodenmessstationen auch meteorologische Parameter, wie die Temperatur erfasst. Die Messstationen sind gleichmäßig in Sachsen verteilt, mit Schwerpunkt in den Städten. Die mittlere Entfernung der Stationen beträgt für Ozon 20 km, für PM10 15 km und für die Temperatur 13 km. Es werden sowohl Hinter-grundkonzentrationen als auch Belastungen durch hohes Verkehrsaufkommen erfasst und jeweils für alle Parameter als Halbstundenmittelwerte veröffentlicht.

3.2 Fernerkundungsdaten

Für die Bestimmung der Parameter PM10 und O3 wurden unterschiedliche Fernerkundungs-produkte verwendet. Im ersten Fall wurden MODIS (Moderate Resolution Imaging Spec-troradiometer)-AOD-Daten genutzt, um einen Zusammenhang zwischen der Aerosolopti-schen Dichte (AOD) und der Konzentration von Feinstaub herzustellen. Für die Bestim-mung des Ozons wurde der Profildatensatz OMO3PR der NASA (National Aeronautics and Space Administration) verwendet. Dieser ermöglicht es nach den Angaben der NASA den Anteil des troposphärischen Ozons aus dem Ozongehalt der gesamten Atmosphärensäule zu extrahieren. Bei beiden Datensätzen ist zu beachten, dass deren geometrische Auflösung von 10×10 km bzw. 13×48 km lokale Variationen der Umweltdaten nicht abbilden kann.

S. Richter, S. Wiemann, P. Karrasch und K. Pech 20

4 Klassische Interpolationsverfahren

Aus dem Bereich der klassischen Geostatistik wurden die Verfahren der IDW (inverse distance weighting) sowie des Krigings einer ausführlichen Analyse unterzogen. Die Er-gebnisse zeigten, dass lediglich für die Temperatur diese gängigen Interpolationsverfahren infrage kommen könnten. Prinzipiell lassen sich die Werte auf die Fläche modellieren, jedoch weisen die Ergebnisse Phänomene auf, bei denen lokale Gegebenheiten wie zum Beispiel Hitzeinseln in Siedlungsräumen ohne Messstation oder Tallagen mit einem verti-kalen Temperaturgradienten nicht berücksichtigt werden (RICHTER et al. 2012).

Für den Parameter Ozon dagegen zeigten schon die Semivariogramme (vgl. Abbildung 2), dass zwischen den Messpunkten keine räumlichen Abhängigkeiten bestehen, was Voraus-setzung für GIS-basierte räumliche Interpolationsmethoden ist (BURROUGH & MCDONNEL 2006). Vergleichbare Semivariogramme ergeben sich auch für PM10.

Abb. 2: Semivariogramm für die Werte des bodennahen Ozons aus in situ Messwerten

(Beispieltag: 25.04.2006) (Model: Funktion zur Modellierung des Semivario-gramms, Binned: Semivarianzen aller Punktpaare, Averaged: durchschnittliche Semivarianz)

Gängige Interpolationsverfahren die nur auf einem Datensatz (in situ oder Fernerkundung) beruhen, sind nicht ausreichend für eine Modellierung der Luftschadstoffe oder der Tempe-ratur auf eine heterogene Fläche, wie Sachsen (vgl. NAGL & SPANGL 2007).

5 Weitere Verfahren zur flächendeckenden Modellierung

5.1 Erweiterte Verfahren der Geostatistik

Für die Temperatur wurde in einem weiteren Schritt die gemeinsame Nutzung von in situ und Fernerkundungsdaten angestrebt. Mit einem Co-Kriging-Verfahren wird die Schätzung eines Parameters (hier: in situ Messwert) unter Hinzunahme eines Hilfsparameters (hier: GLDAS (Global Land Data Assimilation System)) durchgeführt. Wie in RICHTER et al. (2012) gezeigt, können damit plausiblere Ergebnisse erreicht werden.

GIS-basierte Modellierung von Umweltmessdaten 21

Abb. 3: Vergleich der Interpolationsergebnisse für die Temperatur aus in situ Daten, Fernerkundungsdaten und deren gemeinsame Nutzung am 06.05.2006

5.2 Nutzung von Verfahren der Fernerkundung

Wie bereits in Kapitel 3.2 dargestellt, wurde versucht mithilfe der MODIS-AOD-Daten die flächenhafte Verteilung der Feinstaubkonzentrationen zu bestimmen. Dabei wird ange-nommen, dass der Grad der Trübung der Atmosphäre (beschrieben durch die AOD) in einem direkten Zusammenhang mit der zu diesem Zeitpunkt vorliegenden Feinstaubkon-zentration steht. Die Korrelation (0,47) der Messwerte der in situ Stationen mit den ferner-kundlichen AOD-Werten zeigt, dass ein Zusammenhang bestehen könnte. Die Streuung der Messwerte um eine lineare Regression beider Messwerte ist vergleichsweise hoch.

Die Ursache dafür kann in den unterschiedlichen meteorologischen Bedingungen sowie in der Art der Bestimmung der in situ Messwerte liegen. Aus diesem Grund ist es notwendig, meteorologische Parameter wie die Boundary Layer Height (BLH) oder die relative Luft-feuchtigkeit (RH) in unterschiedlichen Drucklevels der Atmosphärensäule zu nutzen. Mit-hilfe dieser zusätzlichen Parameter erfolgt eine Normierung der AOD Messwerte sowie die Aufstellung eines physikalisch-meteorologischen Modells, das wie folgt beschrieben wird:

( )

AODPM

BLH f RH

Eine ausführliche Darstellung der physikalischen und meteorologischen Hintergründe die-ser Modellbildung kann in EMILI et al. (2010) und KOELEMEIJER et al. (2006) nachgelesen werden. Als Quelle für die meteorologischen Daten können die Archive des ECMWF (European Centre for Medium-Range Weather Forecasts) genutzt werden. Die Berücksich-tigung dieser Parameter lassen deutlich verbesserte Korrelationen zwischen den PM10-Werten der in situ Stationen und den AOD-Werten erwarten. Sind die Modellparameter α und β bekannt, lässt sich das Modell auf alle verfügbaren MODIS Messwerte, unabhängig vom Vorhandensein einer in situ Station in diesen Regionen, übertragen.

Für den zweiten mit fernerkundlichen Daten untersuchten Parameter (O3) ist festzustellen, dass trotz der Nutzung speziell dafür vorhandener Profildatensätze kein signifikanter Zu-sammenhang mit den Messwerten der in situ Stationen nachgewiesen werden kann. An dieser Stelle zeigt sich vor allem die geometrische Auflösung als limitierender Faktor.

S. Richter, S. Wiemann, P. Karrasch und K. Pech 22

5.3 Landnutzungsansatz

Eine höhere Auflösung als die zuvor behandelten Ansätze verspricht die Schadstoffmodel-lierung mithilfe von Landnutzungsinformationen. Die Grundlage dieses Modells ist die Annahme, dass ähnlich strukturierte Gebiete vergleichbare Schadstoffkonzentrationen auf-weisen. Die entsprechenden Distanzberechnungen zwischen in situ Stationen und Referenz-flächen basiert auf einem mehrdimensionalen Merkmalsraum in welchem jeder Eingangs-parameter mit einem spezifischen Gewicht versehen ist. Für Sachsen wurde der Landnut-zungskoeffizient nach JANSSEN et al. (2008), die Straßen- und Verkehrsdichte, Bevölke-rungsdaten sowie Höhendaten verwendet. Die Ergebnisse der Modellierung für die 4-Jahresmittel Ozon und PM10 sind in Abbildung 4 dargestellt. Das Bestimmtheitsmaß (R²) im Vergleich zum offiziellen 4-Jahrsmodells des LfULG liegt bei 0,64 für Ozon und 0,86 für PM10. Dies legt nahe, dass das Modell durchaus dazu geeignet ist, eine Abschätzung zur lokalen Luftschadstoffkonzentration zu geben.

Abb. 4: Modellierte Luftschadstoffkonzentrationen für Ozon (links) und PM10 (rechts), gerechnet auf entsprechenden in situ 4-Jahresmitteln (2003-2007)

5.4 Schlussfolgerungen

In den vorangegangenen Kapiteln wurde gezeigt, dass Verfahren unterschiedlicher Kom-plexität geeignet sind punktuell vorliegende Messungen von Luftschadstoffen flächenhaft zu interpolieren oder aber fernerkundliche Daten geeignet sein können, um daraus flächen-haft Luftschadstoffkonzentrationen zu bestimmen. Grundsätzlich lässt sich aber feststellen, dass für die Parameter PM10 und O3 nur der Landnutzungsansatz die Forderung nach einer geometrisch hoch aufgelösten Interpolation erfüllen kann. Die Qualität des Ansatzes wird maßgeblich durch die verwendeten Eingangsdaten sowie die Güte der entsprechenden Ge-wichte bestimmt. Die Hinzunahme weiterer Eingangsdaten, beispielsweise aus der Meteo-rologie, die Anpassung der entsprechenden Gewichte an lokale Gegebenheiten sowie weite-re Validierungsmöglichkeiten sind Gegenstand der aktuellen Forschungsarbeiten.

GIS-basierte Modellierung von Umweltmessdaten 23

6 Nutzung von flächenhaft modellierten Umweltmessdaten im Gesundheitswesen

Statistiken zu Gesundheitsdaten liegen häufig mit Bezug zu Verwaltungseinheiten vor, z. B. Kreis-/Gemeindeebene oder Postleitzahlen. Aufgrund von Datenschutzregelungen können Gesundheitsdaten nur in dieser aggregierten Form verwendet werden. Für räumliche Analy-sen mit Umweltdaten ist es notwendig, dass die Daten den gleichen Raumbezug aufweisen (Gemeinden lassen sich z. B. nicht mit Postleitzahlen vergleichen). Um dies zu erreichen, müssen die Umweltdaten auf die entsprechenden Referenzflächen gebracht werden. Liegen die Umweltdaten als Raster vor, wie mit den zuvor beschriebenen Verfahren, können die Umweltdaten auf jede beliebige Referenzflächen aggregiert werden.

Im Rahmen des Projekts EO2HEAVEN werden Krankheitsdiagnosen untersucht, die im Zusammenhang mit Luftverschmutzung stehen könnten, wie Bronchitis und chronisch obstruktive Lungenerkrankungen (COPD). Hierbei wurden Luftschadstoffkonzentrationen auf Postleitzahlenebene aggregiert. Ebenso stehen die Anzahl der Patienten pro Postleitzahl zur Verfügung. Die Datensätze sind so aufbereitet, dass Gesundheitsexperten anschließend (geo-)statistische Analysen durchführen können, z. B. räumliche Abhängigkeitsuntersu-chungen zwischen der Luftqualität und Krankheiten.

Literatur

BURROUGH, P. A. & MCDONNELL, R. A. (2006), Principles of Geographical Information System. Oxford University Press.

EEA − EUROPEAN ENVIRONMENT AGENCY (2005), Environment and health. EEA Report Nr. 10/2005, Kopenhagen.

EMILI, E., POPP, C., PETITTA, M., RIFFLER, M., WUNDERLE, S. & ZEBISCH, M. (2010), PM10 remote sensing from geostationary SEVIRI and polar orbiting MODIS sensors over the complex terrain of the European Alpine region. In: Remote of Environment, 114, 2485-2499.

JANSSEN, S., DUMONT, G., FIERENS, F. & MENSINK, C. (2008), Spatial interpolation of air pollution measurements using corine land cover data. In: Atmospheric Environment, 42 (20):4884-4903.

KOELEMEIJER, R. B. A., HOMAN, C. D. & MATTHIJSEN, J. (2006), Comparison of spatial and temporal variations of aerosol optical thickness and particulate matter over Europe. In: Atmospheric Environment, 40, 5304-5315.

LANGENHAGEN-ROHBRACH, C. (2005), Raumordnung und Raumplanung. Wissenschaftli-che Buchgesellschaft, Darmstadt.

NAGL, C. & SPANGL, W. (2007), Flächenhafte Darstellung von Luftschadstoffen − Mach-barkeitsstudie zur Berechnung der PM10-, PM2,5-und NO2-Belastung in Österreich. Re-port No. REP-0116. UBA Wien

RICHTER, S., PECH, K., KARRASCH, P. & BERNARD, L. (2012), Potenziale und Grenzen einer gemeinsamen Nutzung von In-Situ- und Fernerkundungsdaten für umweltbezogene Ge-sundheitsanwendungen. DGPF Tagungsband, 21/2012, Potsdam.