Beteiligte: Carla Novoa Sepúlveda, Katja Linder, Peter Keller
Wohnen in Deutschland ist sowohl durch ökonomische Einflüsse als auch durch klimatische Änderungen unter Druck geraten. Extremwetterlagen häufen sich, Belastung durch unsanierten Bestand und Mieten steigen. Das Jahr 2003 war europaweit ein Extremjahr und hat viele hitzbedingte Tote verursacht. Ausgehend von der Situation in Frankfurt am Main, wird das Risiko für 2023 analysiert, da für dieses Jahr die meisten Daten verfügbar sind aus Mikrozensus und Deutschlandatlas.
Wir modellieren den Risiko-Index (RI) unter Berücksichtigung zweier Haupteinflüsse
- Klima-Exposition (KEI) als Hazard
- Vulnerabilität des Wohnens (VUL) (getrennt in sozial und baulich) als Mischung aus Exposition und Vulnerabilität
Das Risiko ist dann
Details zur Modellierung und Datenquellen hier:
Modellierungsdetails - Beschreibung
Die resultierende Risikokarte auf Gemeinde-Ebene macht besonders exponierte Gebiete sichtbar. So ist Ostdeutschland großflächig durch Hitze und Dürre betroffen, aber auch durch großen Bestand von Altbauten, im Vergleich niedrigere Nettohaushaltseinkommen und hohen Anteil über 65 Jähriger, die durch Hitze besonders gefährdet sind. Im Oberrheingraben macht sich die geographische Lage bemerkbar. Steigende Hitzeeinfluss und Dürre betrifft dabei besonders die Pfalz. Grosse Teile des westlichen Deutschlands sind insbesondere durch hohe Anteile von Siedlungs- und Verkehrflächen (hohe Urbanisierung) exponiert.
Mittels bivariatem Choropleth, der den Einfluss der beiden Faktoren KEI und VUL sichtbar macht, lassen sich besonders gefährdete Gemeinden auch visuell gut einordnen. Dazu definiert man LOW als Gebiet, wo der jeweilige Faktor unter seinem Median liegt, und HIGH als Gebiete wo er darüber liegt. So kann man abschätzen, dass ein Gebiet mit überdurschnittlicher Belastung durch Klima und sozialer/baulicher Vulnerabilität mit ca. 35% Wahrscheinlichkeit zum obersten Dezil der gefährdeten Gebiete gehört. Die folgende Karte illustiert dies.
- Verarbeitung von Rasterdaten mit Python aus 4 GB Daten des DWD (HYRAS, ERA5)
- Mitteln der Daten über die Gemeinden Deutschlands via GeoPandas-Bibliothek anhand Geometriedaten des BKG
- Auswahl relevanter Features aus den Daten des Mikrozensus und Deutschland-Atlas (PowerQuery, Excel)
- Kartenerstellung und Export via GeoPandas in Jupyter-Notebooks unter Verwendung eines selbst erstellten choropleth-pipeline Pakets
- Risikomodellierung
Physische Klimatreiber (Hitze, Starkregen, Wind, Dürre)
Elemente im Gefährdungsraum (Bevölkerungsdichte, Siedlungs- und Verkehrsflächen)
Anfälligkeit, geringe Resilienz
- 65+ (medizinisch, physiologisch)
- niedriges Einkommen (geringe Anpassungs- resp Bewältigungsfähigkeit)
- Altbauanteil (Fragilität der Bausubstanz, thermische Ineffizienz)
wobei g eine (glatte) Aggregationsfunktion ist. Im einfachsten Fall kann g als Linearkombination von Exposure und Vulnerabilität gewählt werden, d.h.