Wir kommen erneut zurück aus einem Rekordsommer mit Hitzewellen und extremen Wetterereignissen. Doch auch wenn die Tage kürzer werden und die Abende abkühlen, bleibt das Thema Hitze und Stadtentwicklung eine drängende Herausforderung für Wissenschaft und Planung. Mit vortrainierten Deep-Learning-Modellen und Open-Source Daten lassen sich die kühlende Wirkung von Eingriffen in transformierenden Stadtlandschaften effizient abschätzen.
Städtische Hitze als planerische Herausforderung
Trotz enormer wissenschaftlicher Fortschritte, breiter öffentlicher Akzeptanz und der akuten Dringlichkeit des Themas werden praktische Lösungen zur Verbesserung lokaler klimatischer Verhältnisse kaum umgesetzt. Aktuelle Modelle zur Simulation klimatischer Effekte bewegen sich zwischen zwei Extremen: hochauflösende Modelle, die proprietäre Software und Spezialwissen erfordern, und simplere Open-Source-Modelle, die auf Landschaftsebene eher grobe Werte liefern.
In der Planungspraxis stützt man sich daher häufig auf sehr präzise, aber nur einmalig erstellte Klimakarten, die von Behörden öffentlich bereitgestellt werden. Diese dienen dazu, Problemgebiete zu erkennen und allgemeine Strategien (etwa gegen städtische Wärmeinseln) vorzuschlagen. Gegenwärtig leisten sich nur die grössten Stadtentwicklungsprojekte eine eigene Klimamodellierung – und noch seltener erfolgt dies im Rahmen einer Variantenstudie zur Minderung negativer Auswirkungen der geplanten Entwicklungen.
Dies spiegelt eine breitere Kluft zwischen Wissenschaft und Praxis wider (die sogenannte «Science–Action Gap»). Die allerwichtigsten Grundlagen sind verfügbar und wissenschaftlich belegt. Es fehlen jedoch etablierte Prozesse, die konkrete Entwurfsentscheidungen systematisch mit ihren mikroklimatischen Wirkungen verknüpfen könnten.
KI-Modelle machen Mikroklimaeffekte sichtbar – und nutzbar!
Eine zunehmend verwendete Alternative in der Klimamodellierung sind sogenannte Emulator-Modelle. Anstatt vollumfängliche physikalische Simulationen durchzuführen, werden diese Modelle darauf trainiert, die Outputs von Klimamodellen mit reduzierten und einfacheren Grundlagendaten nachzubilden. Dies macht es beispielsweise möglich, abzuschätzen, wie sich eine Änderung der Gebäudehöhe oder neuer Grünraum auf die lokale Temperatur auswirkt – ohne fortgeschrittene Klimaexpertise.
Um kurz in die technische Seite einzutauchen: Unser Ansatz wurde in Python implementiert und nutzt ein ConvNet, das darauf trainiert ist Karten der physiologisch äquivalenten Temperatur (PET) für den Kanton Zürich zu generieren. Das Modell greift auf öffentlich verfügbare Daten zurück – in unserem Fall Höhen- und Oberflächenmodelle sowie RGB-Orthofotos. Auch mit diesen reduzierten Inputs erreicht der Emulator eine Genauigkeit von rund 97 %.
Dieser Ansatz ermöglicht Entwurfsszenarien schnell, kostengünstig und ohne Abhängigkeit von Spezialsoftware zu testen – und verhilft damit klimasensible Planung näher in die alltägliche Praxis zu bringen.
Dr. Michal Switalski ist Postdoktorand in der Forschungsgruppe Planning of Landscapes and Urban Systems (PLUS, IRL). Neben seiner Tätigkeit an der Fachstelle raum+ arbeitet er daran, diverse Themenbereiche in die Raum- und Landschaftsplanung zu integrieren. Dafür entwickelt er Messmethoden, die auf maschinellem Lernen und Deep Learning basieren.
À lire également
