Die Auswirkungen des Klimawandels machen sich besonders in Städten bemerkbar – mit immer häufigeren Hitzewellen. Dichte Bebauung, versiegelte Flächen und Abwärme von Gebäuden sowie Verkehr führen zur Entstehung urbaner Wärmeinseln. Dabei sind die Temperaturen in der Stadt im Vergleich zum Umland insbesondere nachts erhöht. Tagsüber führen hohe Temperaturen zu einer starken Hitzebelastung der Einwohner*innen. Besonders betroffen sind vulnerable Bevölkerungsgruppen.

Um diesen Herausforderungen wirksam zu begegnen, braucht es verlässliche, feinräumige Informationen über das urbane Mikroklima. Dafür hat sich die Stadt Mannheim mit dem Umweltconsulting Unternehmen GEO-NET GmbH zusammengeschlossen und einen neuartigen Ansatz entwickelt: eine Kombination aus numerischer Stadtklimamodellierung, Messnetzen und künstlicher Intelligenz. Im Zentrum steht das bewährte Strömungsmodell FITNAH-3D: Es basiert auf physikalischen Gleichungen (Reynolds-Averaged Navier-Stokes) und simuliert Wind- und Temperaturverteilungen mit einer hohen räumlichen Auflösung von bis zu 5 Metern. Bereits in der Stadtklimaanalyse 2020 der Stadt Mannheim kam das Modell erfolgreich zum Einsatz.

Anders als klassische Messnetze oder Satellitendaten erlaubt dieses Modell eine durchgängige, flächendeckende Abbildung lokaler Stadtklimaeffekte – selbst in Innenhöfen oder dicht bebauten Quartieren. Grundlage der Modellierung sind detaillierte Eingangsdaten wie digitale Geländemodelle, Landnutzungskarten und Gebäudehöhen, ergänzt durch meteorologische Start- und Randbedingungen.

Modellrechnungen ermöglichen detaillierte Einblicke in spezifische Wetterlagen und liefern hochaufgelöste Ergebnisse. Da sie jedoch rechenintensiv sind und nur einzelne Wettersituationen abbilden, sind Messungen ergänzend von großer Bedeutung. Um beide Welten zu verbinden, wurde ein künstliches neuronales Netz entwickelt, das die punktuellen Temperaturmessungen eines Messnetzes mit den simulierten FITNAH-3D-Daten verschneidet. Das Ziel: eine nahezu in Echtzeit verfügbare, hochaufgelöste Temperaturkarte im 5-Meter-Raster für das gesamte Stadtgebiet.

Für das Training der KI wurden historische Wetterdaten von 95 Stationen über einen Zeitraum von 15 Monaten genutzt, ergänzt durch neun FITNAH-3D-Simulationen mit unterschiedlichen Anfangswindgeschwindigkeiten und -richtungen. Neben gemessenen bzw. simulierten Temperaturen wurden auch topografische Informationen (z.B. Geländehöhe, Gebäudehöhe) berücksichtigt. Insgesamt ergaben sich aus diesen Eigenschaften über 300 Eingangsneuronen. Das Netz wurde mit der Adam-Optimierung und dem mittleren quadratischen Fehler (MSE) als Loss-Funktion für 200 Epochen (Trainingsdurchgänge) trainiert.

Das Netz erreicht eine hohe Trefferquote von 97 % innerhalb einer Abweichung von ±1 °C und zeigt somit ein hohes Maß an Generalisierbarkeit – auch für bislang ungesehene Wetterlagen. Die Resultate sind vielversprechend: Auf Basis weniger Messstationen gelingt es, Temperaturverteilungen mit feiner Differenzierung sichtbar zu machen – von aufgeheizten Straßenräumen bis zu kühleren Grünflächen. Besonders in der Nacht werden kleinskalige Unterschiede deutlich, etwa durch Kaltluftabflüsse aus Parks oder Unterschiede in der Oberflächenversiegelung.

Für die Echtzeitkarten werden die Messdaten aus dem derzeit rund 350 Stationen umfassenden Stadtklimamessnetz genutzt. Bis Ende des Jahres soll die Anzahl der Messstandorte auf über 500 erweitert werden. Durch die Erfassung weiterer Stationen mit verschiedenen Landnutzungen und Stadtstrukturen in der Umgebung wird die Aussagekraft und Belastbarkeit des neuronalen Netzes weiter verbessert.

Die Anwendungsfälle der Daten des neuronalen Netzes sind vielfältig. Stadtbewohner*innen können anhand der Temperaturkarten die Auswirkungen bereits installierter Anpassungsmaßnahmen nachvollziehen und Orte mit vergleichbar geringer Wärmebelastung identifizieren. Außerdem können sie Aufschluss darüber geben, an welchen Orten Handlungsbedarf für zusätzliche Anpassungsmaßnahmen besteht. So leistet das neuronale Netz einen Beitrag dazu, städtische Hitzeinseln langfristig zu reduzieren und die Bevölkerung während Hitzewellen besser zu schützen.

Gewisse Unsicherheiten bestehen weiterhin – etwa durch notwendige Modellvereinfachungen oder begrenzte Eingangsdaten –, lassen sich jedoch durch kontinuierliche Weiterentwicklung und ergänzende Messungen schrittweise reduzieren. Es zeigt sich: Die Kombination aus physikbasiertem Modell und KI-gestützter Datenintegration ist ein mächtiges Werkzeug für die kommunale Klimaanpassung.

Die entwickelte Systematik ist übertragbar – auf andere Städte, Regionen und auch andere Klimaelemente wie Wind oder Feuchtigkeit. Ziel ist es, resiliente, klimaangepasste Städte datenbasiert zu gestalten.