Ist eine Temperaturdifferenz zwischen Stadt und Land langzeitlich erkennbar?

Johannes Winterstein, Paul Graml, Thomas Lackner

Heute, im Jahr 2023, überschlagen sich die Zeitungsartikel über Extremwetterlagen. Die Diskussionen über den Klimawandel sind nicht mehr wegzudenken. Spitzentemperaturen in Stadtgebieten.(Vgl. Wit 2021:1) Aber ist diese Temperaturdifferenz auch langzeitlich erkennbar? Ein komplexes Forschungsfeld mit einer langen Geschichte soll uns diese Antwort erbringen. Bereits in unserer Einführungsliteratur „The artificial production of Carbon Dioxide“ von G.S. Callender, aus dem Jahr 1938 ging hervor, dass ein erhöhter CO2 Ausstoß Einfluss auf die Umgebungstemperatur hat.(Vgl. Callender 1938:223) Diese Erkenntnis hat uns auf die Frage gebracht, ob aufgrund eines erhöhten CO2 Gehalts in Städten auch eine Temperaturdifferenz zwischen Land und Stadt messbar und auch langzeitlich erkennbar ist. Kann man vielleicht sogar eine Stadtentwicklung herauslesen? Nach einer ersten Recherche über dieses Phänomen der urbanen Wärmeinsel, wie es unter Fachleuten bekannt ist, zeigte sich uns schnell, dass es zu diesem Thema bereits eine lange Historie gibt. Schon Architekten des antiken Roms wiesen auf den klimatischen Unterschied zwischen Stadtgebiet und Umland hin.(Vgl. Weber 2019:19). Bis heute entwickelte sich daraus ein großes wissenschaftliches Forschungsfeld mit vielen institutionell agierenden Beteiligten.(Vgl. Weber 2019:23) In unserer Ausarbeitung werden wir die historische Entwicklung dieser Forschung der „Urban Heat Islands“ darlegen und auf deren Arbeitsweisen eingehen. Dazu wurde von uns ein Programm geschrieben, mit dem wir diese Vergleiche langzeitlich für deutsche Städte anstellen konnten.

Der Begriff „Stadtklima“ wird aufgrund des klimatischen und lufthygienischen Unterschieds zwischen dem Stadtgebiet und dem umliegenden Umland angewandt.(Vgl. Kuttler 2013:212) „Urban Heat Islands“, zu deutsch „urbane Wärmeinseln“, sind dabei ein Teil davon und werden nur in Bezug auf den Temperaturunterschied verwendet.(Vgl. Kuttler 2013:223) Von einer „Stadt“ spricht man im klimatologischen Sinne nicht gemessen an einer Einwohnerzahl, sondern bereits ab einem stark besiedelten Gebiet.(Vgl. Weber 2019:15). Eine Stadt betrachtet man als Gebiet „in welchem der dreidimensionale Baukörper mit dynamischen Prozessen in Beziehung steht.“ (Weber 2019:15) Der Begriff der urbanen Wärmeinsel wurde vermutlich 1947 das erste Mal öffentlich verwendet. (Vgl. Kuttler 2019:31)

Abb. 1) Stadtklima Darstellung DWD

Bereits vor mehr als 2000 Jahren waren sich Stadtplaner indischer und römischer Städte über ein vorherrschendes Stadtklima bewusst.(Vgl. Kuttler 2019:28) Allen voran der römische Architekt Marcus Vitruvius, der mit seinen 10 Büchern über die Architektur bereits auf das Stadtklima hinwies und Bebauungspläne danach auszurichten empfahl.(Vgl. Kuttler 2019:28) Mit der vermehrten Entwicklung von Ballungszentren und Feuerstellen, nahm man ebenfalls eine verstärkte Luftverschmutzung wahr, wie Wilhelm Kuttler es an einem Beispiel aus England fest macht. (Vgl. Kuttler 2019:29) Eine erhöhte Temperatur in Stadtgebieten wurde nachweislich erstmals in den USA festgestellt. Wie Stephan Weber in seinem Werk schreibt, waren es die Ärzte Charles Caldwell in Philadelphia, und William Currie in New York, die Ende des 18. Jahrhunderts in den jeweiligen Stadtgebieten eine erhöhte Temperatur gegenüber dem Umland feststellten. (Vgl. Weber 2019:19) Eine erste langzeitliche Messung des Effektes führte der Apotheker Luke Howard im Raum London durch. (Vgl. Weber 2019:19) Mit seiner über 25-jährigen Messreihe und der dreiteiligen Veröffentlichung seines Berichts „The Climate of London“ in den Jahren 1818, 1820 und 1833, wies er den Effekt der urbanen Wärmeinsel nach. (Vgl. Mills 2008:154) Wie aus seinem Bericht, neu veröffentlicht durch den IAUC (International Association for Urban Climate), hervorgeht, hatte Howard dazu bereits detaillierte Angaben über Messzeiten, Messinstrumente, Messpositionen angeführt. Neben der Temperatur hat er auch noch Wind, Luftdruck und weitere Werte gemessen. (Vgl. Mills 2008:153) Aufgrund seiner alleinigen Arbeit war es Howard aber nicht möglich, die Messungen zu gleichen Zeitpunkten durchzuführen. Weshalb er, wie in der Abbildung 2 ersichtlich, in den Jahren 1897-1906 jeden Tag um 09:00 Uhr in der Früh in der Stadt und in den Jahren 1907-1916 im Umland gemessen hat. In seinem Bericht hält Howard dabei fest, dass eine stündliche Messung zu einem weitaus genaueren Ergebnis führen würde und führte die erhöhten Temperaturen bereits auf die industrielle Abwärme und die Gebäudeheizungen zurück. (Vgl. Kuttler 2019:30)

Abb. 2) jährlich Stadt (voll) - Land (strichliert) Mitteltemperaturen. a-b Stadt 1897-1906 / c-d Land 1907-1916

Die beträchtliche Leistung, die Howard mit diesem Bericht erbrachte, war aus Eigeninitiative entstanden und inspirierte in den Folgejahren, auch durch vermehrt entstehende Messstationen, weitere Forscher. (Vgl. Weber 2019:19) Im 19. Jahrhundert konzentrierte man sich vermehrt auf Datenerhebung und Aufzeichnung, woraus sich bis Mitte des 20.Jahrhunderts eine aktivere Art des Forschungsfeldes entwickelte. (Vgl. Weber 2019:19f) Es entstand ein breites Forschungsfeld, bei dem alle möglichen klimatischen Veränderungen in Bezug auf die Stadt festzustellen waren, erste mobile Messreihen entstanden und auch erste statistisch verarbeitete Messergebnisse Anwendung fanden.(Vgl. Kuttler 2019:31f) Auf der gesamten Nordhalbkugel entstand ein institutionelles Netzwerk an Mess- und Forschungseinheiten. (Vgl. Weber 2019:21f) Ab diesem Zeitpunkt setzte man sich auch bereits mit Messabweichungen auseinander, und versuchte diese über Modellberechnungen auszugleichen. (Vgl. Jones 1986:161f) In der seitlich angeführten Tabelle von Stephan Weber werden alle wesentlichen Entwicklungsschritte nochmal gesammelt aufgezeigt.

Abb. 3) Zeitstrahl von Stephan Weber

Bei der Betrachtung langer Messreihen kommt es zu abweichenden Ergebnissen, was zu einer Schwierigkeit für die Ausarbeitung führen kann. Wie Philip Jones in seinem Bericht schreibt, können diese Unterschiede aus verschiedensten Gründen entstehen. Station Betreiber messen an verschiedenen Zeitpunkten, bilden den Mittelwert anders, verschieben während der Messzeit die Position der Station oder die Stadt wächst zur Station. (Vgl. Jones 1986:161) All diese Gründe machen eine langzeitliche Betrachtung von Messdaten von Lufttemperatur schwierig und komplex. Diese Schwierigkeit sieht auch Karl in der Inhomogenität der zu vergleichenden Stationen in der Datenaufnahme. Diese können aus einer Vielzahl von Faktoren entstehen. Karl führt dabei die Änderung der Messinstrumente und -techniken, Änderungen der Ablese-Zeitpunkte und Verlegungen des Stations-Standorts an. (Vgl. Karl 1987:1744) Letzteres wurde vermutlich oft gemacht, weil Stationen am Stadtrand im Laufe der Urbanisierung von der Stadt eingeschlossen wurden, was dazu führt, dass aus einer Landstation eine Stadtstation wurde und dies somit einen direkten Einfluss auf die Temperaturmessung hatte. (Vgl. Jones 1986:162-166) Eine weitere Herausforderung ist die Kontinuität der Messstationen. Viele Messstationen wurden im Laufe der Zeit aufgegeben oder an eine andere Stelle verlegt.

Abb 4.) DWD Stationen mit Tagestemperaturen von 1850-2010

Unterschiedliche Ergebnisse können auch in der unterschiedlichen Weiterverarbeitung zustande kommen. So wurde in den USA zum Beispiel die Tagesdurchschnittstemperatur mit dem arithmetischen Mittel aus Tages-Minimum und Maximum berechnet. (Vgl. Karl 1988:1100) Bei deutschen Stationen in Deutschland waren es für lange Zeit verschiedenste Ansätze zur Berechnung des Tagesdurchschnitts. Es wurden immer Temperaturwerte zu festen Uhrzeiten genommen und das arithmetische Mittel genommen. Allerdings haben die Stationen oft unterschiedliche Messzeitpunkte und unterschiedliche Gewichtungen für abgelesene Daten verwendet, sodass es zum Teil zu nicht vergleichbaren Ergebnissen gekommen sein wird. Ab 1987 wurde vom DWD die Berechnung des Tagesdurchschnitts vorgegeben durch: (T07 + T14 + 2*T21) / 4. Ab 2001 wird er berechnet aus mindestens 21 Stundenwerten, so sind die Ergebnisse noch genauer. (Vgl. DWD Klimadaten Archiv)

Um diese Unregelmäßigkeiten und Lücken auszugleichen, liefern Jones 1886 und Karl 1987 mehrere Ansätze. Dabei haben beide eine ähnliche Herangehensweise. So findet man für eine Kanidaten-Station, bei der man Lücken und Inhomogenitäten ausgleichen will, Umland-Stationen, bei denen man ähnliche Wetter-Anomalien (Wetterereignisse, zum Beispiel ein sehr warme Winter) sieht. Dann werden die Daten der Kanidaten-Station mit Hilfe von aufwändigen und kleinteiligen Berechnungen von Werten aus Zeitintervallen ausgeglichen. So wird ermöglicht, Inhomogenitäten und Diskontinuitäten von Datensätzen zu homogenisieren. Diese Methoden sind sehr komplex und erfordern ein breites Wissen der Materie. Deshalb haben wir versucht, auf möglichst lückenlose und schon vorher bereinigte Datenreihen zurückzugreifen.

Im zweiten Teil unserer Arbeit versuchen wir den Wärmeinseleffekt langzeitlich in deutschen Städten nachzuweisen. Die Programmierung ist dabei so ausgelegt, dass sie mit den jeweiligen Datensätzen für jede Stadt übertragbar ist. Unser Ziel war es, zu innerstädtischen Stationen jeweils eine Partnerstation im ländlichen Umland (<100km Entfernung) zu finden und den Temperaturunterschied der beiden Stationen langzeitlich zu vergleichen. Unsere Vorgehensweise war wie folgt: 1. Stadtstation mit möglichst langer, lückenloser Datenreihe suchen 2. innerstädtische Lage bestätigen (DWD Climate Data Center) 3.In Liste nach Landstation im Umland (<100km) mit möglichst langer, lückenloser Datenreihe suchen.

Um Stationen mit langen Datenreihen zu finden, haben wir auf die Datensätze des Deutschen Wetterdienstes zurückgegriffen, welche online auf deren “Open Data Server” zur Verfügung gestellt werden. (Vgl. DWD Open Data Server) Die Schwierigkeiten, durch die oben beschriebenen Inhomogenitäten, haben wir aufgrund der einseitigen Datenbeschaffung minimieren können. Stationsverschiebungen, Messzeiträume und Stadtgebietsveränderungen wurden von uns dabei kontrolliert. Die detaillierte Messbeschaffenheit, wie Mittelwertbildung, Messzeiten, usw. ,waren für uns aber nicht klar zugänglich. Der DWD führt hierbei ausschließlich die Bereinigung der Daten an und stuft diese in Qualitätsstufen ein, ohne eine genaue Angabe darüber zu machen. Aus diesem Grund nehmen wir die Datensätze des DWD als gegebene Grundlage für unsere Ausarbeitung an.

Für unsere Nachforschungen fokussieren wir uns auf die Temperaturwerte von Stationen. So entnehmen wir den Mittel-, Maximal-, und Minimalwert eines Tages. Letzteres ist am aussagekräftigsten, so schreibt Karl in seiner Untersuchung von Effekten der Urbanisierung auf das Klima in den USA: “The urbanization bias was found to be a predominately nighttime phenomenon especially pronounced in minimum temperature and the diurnal temperature range.” (Karl 1988:1118)

Folgende Stationspaare werden verglichen (die Stations-ID dient zur Identifikation der Stationen auf dem Open Data Server):

1. München-Stadt (3379) und Altomünster-Maisbrunn (142)

2. Frankfurt am Main (1420) und Schotten (4560)

3. Köln-Stammheim (2968) und Weilerswist-Lommersum (1327)

4. Dortmund (1032) und Arnsberg (186)

Abb. 5) geographische Lage der Stationspaare

Die Datensätze, welche man vom DWD bekommt, werden in .txt Dateien ausgegeben. In jeder Zeile wird der Stationsname, das Datum des Tages, an welchem gemessen wird, und die verschiedenen Messparameter angezeigt. In diesem Projekt werden wir jeweils das Tagesmaximum,-minimum und den Tagesdurchschnitt, und das Qualitätsniveau dieser Daten auslesen. Die anderen Parameter sind hier nicht von Interesse. In allen verwendeten Datensätzen ist bis 1981 das Qualitätsniveau auf 5 (historische, subjektive Verfahren) Und danach auf 10 (Qualitätsprüfung und Korrektur beendet). -999 bedeutet, dass es für den Tag und den Parameter keinen Wert gibt.

Abb 6. Rohdaten vom DWD

Abb 7. Qualitätsniveaus DWD

Der Moving Average rechnet mit einem vorher bestimmten Fenster den Durchschnitt dieser im Fenster vorhandenen Werte aus, um gibt dies als einen Punkt an. Dadurch wird der Plot „geglättet“ und lesbarer, da starke Schwankungen rausgerechnet werden. So werden größere Trends erkennbar. Es geht aber auch Information und Detailliertheit verloren. Wir haben den Wert auf 1000 gesetzt, da dadurch der Plot lesbarer wurde, aber nicht zu viel Information verloren gegangen ist.

In den folgenden Plots wird die Differenz über den Zeitverlauf angezeigt. (Stadtstation minus Landstation) Wenn es für einen Zeitraum keine überlappende Daten gibt, wird bei dem Plot eine Lücke angezeigt.

Abb.8 Plot erstellt mit matplotlib

Abb.9 Plot erstellt mit matplotlib Abb.10 Plot erstellt mit matplotlib

Unerklärlichkeiten: Beispiel Frankfurt: Abb.11 Plot erstellt mit matplotlib

Hier ist anzunehmen, dass eine Wetterstation an einen anderen Ort gesetzt wurde. Da die Differenz vom Minimum in den 2000er Jahren deutlich größer wurde. Auch sind fehlende Messwerte in diesem Zeitraum anzunehmen, und die stark ansteigende Linie ist ein Artefakt vom Moving Average, welcher diese Linie erzeugt. Fraglich ist auch, warum der Durchschnitt und das Maximum in diesem Zeitraum leicht nach unten gehen, aber in deutlich abgeschwächter Form im Vergleich zum Anstieg des Minimums. Da wir diese Fragen nicht klären konnten, haben wir uns dafür entschieden, die Frankfurt - Schotten Differenz nicht mit in den folgenden Städtevergleich mit aufzunehmen. Wie im Abschnitt “Datenerhebung Methoden” beschrieben, zeigen sich Inhomogenitäten, welche sich nur schwer erklären lassen.

Die zentralen Bestandteile des Codes sind 3 Funktionen:

Die Funktion „stadtland1“ nimmt die Pfade zu den Dateien der Stadt und des Landes sowie den gewünschten Wert (Minimum, Durchschnitt oder Maximum) entgegen. Sie lädt die Temperaturdaten und Datumswerte aus den Dateien und berechnet die Temperaturdifferenzen zwischen Stadt und Land. Dann wird ein Moving Average mit einer Fenstergröße von 1000 angewendet. Dies wird mit der Numpy Funktion: „np.convolve“ gemacht. Das Ergebnis daraus wird Ausgegeben, wenn die Funktion aufgerufen wird.

Die Funktion „convert_str_to_date“ konvertiert Datumswerte im Format „yyyymmdd“ aus der .txt Datei in das Datumsformat „yyyy-mm-dd“. Damit können dann die verschiedenen Parameter einem Datum zugeordnet werden.

Die Funktion „show_plot“ wird definiert, um einen Plot mit Matplotlib zu erstellen, um die Temperaturdifferenzen darzustellen. Hier werden Designentscheidungen getroffen, damit die Plots zugeordnet werden können und Aussagen daraus getroffen werden können.

Um generelle Aussagen treffen zu können, haben wir die jeweiligen Minima, Maxima, und Durchschnitte der drei Städte München, Dortmund und Köln auf jeweils einen Plot ausgegeben. Wichtig zu beachten ist, dass die Skalierungen der Plots sich unterscheiden.

Abb.12 Plot erstellt mit matplotlib Abb.13 Plot erstellt mit matplotlib Abb.14 Plot erstellt mit matplotlib

Einzelne Berge und Täler vom Plot sind hier zu vernachlässigen, da lokale und andere Effekte an den Wetterstationen eine Rolle spielen, die wir nicht nachvollziehen können. Der generelle Trend steht hier im Fokus, ebenso wie die Frage, ob der Anstieg in den 60er Jahren einzigartig ist oder wie es vor den 50er Jahren ausgesehen hat (ob es sich nur um ein Plateau handelt oder ob die Differenz generell niedriger war). Hier ist deutlich zu erkennen, dass die Differenz fast immer über Null liegt. Das bedeutet, dass die Stadt generell wärmer ist als das Land. Am deutlichsten zeigt sich dies beim Minimum. Die kältesten Momente in der Stadt sind immer wärmer als die kältesten Momente auf dem Land. Dies könnte damit erklärt werden, dass in der Stadt offene Betonflächen sich aufheizen und Wärme in die Umgebung abgeben, wenn es kälter wird. Solche offenen Betonflächen findet man auf dem Land nicht. Das Maximum liefert hingegen weniger aussagekräftige Daten. Die Skalierung ist auch deutlich kleiner als beim Minimum. Üblicherweise sind die Minimaltemperaturen einer Stadt in der Nacht. Diese Beobachtung, dass Urban Heat Islands über die Nacht größere Unterschiede in der Temperatur erzeugen, stützt unter anderem die Untersuchungen von Karl 1988.

Hier wird mit den vorher genannten Funktionen aus 6 .txt Dateien (3x Stadt, 3 xLand ) jeweils ein vorher ausgesuchter Parameter ausgelesen. Daraus wird wieder jeweils die Differenz gebildet, und alle drei Ergebnisse werden dann im Graphen angezeigt.

Mit dem vorherigen Skript kann man auch mit leichter Veränderung die Anzahl von Tagen anzeigen lassen, welchen über eine gewisse Temperatur haben. Hier wird es auch wieder deutlich, dass es in der Stadt mehr wärmere Tage gibt, als an den Wetterstationen auf dem Land. Beim Minimum ist zwar die Anzahl der einzelnen Tage klein, aber dort ist das Verhältnis am deutlichsten. Beim Maximum gibt es zwar deutlich mehr Tage insgesamt, aber der Unterschied ist nicht so deutlich. Der Durchschnitt zeigt aber eine generelle Tendenz an, dass die Stadt wärmer ist als das Land.

Ereignistage T = 20

Abb.15 Ereignistage Tabelle

Hier wird aus den 3 Funktionen nur die „convert_str_to_date“ und „stadtland1“ Funktion verwendet, da kein Plot erstellt werden muss. Dann wird aus der Stadt.txt und Land.txt alle Tage gezählt, die einen Wert über 20 haben. Das Ergebnis kann man sich dann einfach in der Konsole anzeigen lassen

Wenn das Projekt weiterlaufen würde, könnte man das Skript noch erweitern. Man könnte das Handling der .txt Dateien automatisieren. Dies würde viel Zeit beim Erstellen der Plots sparen. Weiterhin gibt es die Möglichkeit, von der DWD Seite direkt die Dateien auszulesen und auszuwerten. Dann könnte man diese Werte auch in einem Plot verrechnen, so dass man in der Aussage, dass die Stadt wärmer ist als das Land, eine stärkere Datengrundlage hat. Evtl. würde man auch Phänomene sehen, die jetzt noch nicht klar sind.

Die Klimaforschung ist heutzutage ein sehr komplexes Feld. So werden, um Aussagen über Wetterentwicklungen detailliert treffen zu können, eine Vielzahl an Faktoren mit einbezogen. Regionale Wetterlagen, werden über vielschichtige Messabläufe beobachtet. (Vgl. Weber 2019: 23). Die Frage, ob ein Temperaturunterschied zwischen Stadt-Land langzeitlich erkennbar ist, konnten wir jedoch schon beantworten und bestätigen. Der Unterschied zeigt sich an allen drei Beispielen. Besonders groß ist der Unterschied bei Minimal-Temperaturen. Wir können also klar die Aussage treffen, dass der UHI-Effekt langzeitlich erkennbar ist. Eine detaillierte Aussage über die Höhe des Temperaturunterschiedes ist mit dieser Datenlage nicht zu treffen. Aussagen bezüglich des Einflusses von Stadtentwicklungen sind ebenfalls schwierig.

Die Gruppenarbeit war produktiv, und jeder konnte einen guten Beitrag leisten. Es gab zwar unterschiedliche Niveaus, aufgrund der unterschiedlichen Anzahl an besuchten Semestern, die sich aber aufgrund des für uns allen neuen Themas, relativierten.

Es hat sich dann im Verlauf des Projektes eine Aufteilung ergeben, was die spezifischen Themen angeht (Programmieren, Quellen analysieren etc.). Dies war sehr praktisch, da dadurch die Zeit effektiv genutzt werden konnte. Ein Nachteil, der dadurch entstand, war dass man nicht mehr in den anderen Themenbereichen eingreifen konnte und so z.B. auf seinen Themenbereich eingeschränkt arbeiten musste.

Das Format und die freie Aufgabengestaltung haben alle dazu gebracht, sich mit der Thematik interessengesteuert auseinanderzusetzen.

Download Skript von Nextcloud

Howard, Luke (1933): The Climate of London. (published by IAUC) [https://urban-climate.org/documents/LukeHoward_Climate-of-London-V1.pdf (aufgerufen am 25.07.2023)]

Jones, Philip D., et al(1986): Northern Hemisphere Surface Air Temperature Variations: 1851-1984. In: Journal of Climate and Applied Meteorology, Vol.25 No.2/February 1986, S.161-179. [http://www.geo.umass.edu/faculty/bradley/jones1986.pdf (aufgerufen am 25.07.2023)]

Karl, Thomas R. et al. (1988): Urbanization: Its Detection and Effect in the United States Climate Record, Journal of Climate, Vol 1, S.1099-1123

Karl, Thomas R., Williams Jr., Claude N.(1987): An Approach to Adjusting Time Series for Discontinuous Inhomogenities, Journal of Climate and Applied Meteorology, Vol 20, S.1744-1763

Kuttler, Wilhelm (2013):Klimatologie. Ferdinand Schöningh. Paderborn 2009. 2. Auflage

Kuttler, Wilhelm(2019): Zur Geschichte der Stadtklimatologie. In: Lozán, J.L., Breckle, S.-W., Grassl,H., Kuttler, W., Matzarakis, A.(Hrsg.). Warnsignal Klima: Die Städte. S. 28-23.[www.klima-warnsignale.uni-hamburg.de. doi:10.2312/warnsignal-klima.die-staedte.04 (aufgerufen am 13.08.2023)]

Mills, Gerald (2008):Luke Howard and The Climate of London. In: RMetS Weather, Vol. 63 No.6/June 2008,S.153-157.

Weber, Stephan (2019):Historische Entwicklung der Stadtklimaforschung. In: Henninger, Sasha, Weber, Stephan( 2019): Stadtklima. Paderborn:Ferdinand Schöningh. S.19-25.

Wit, Rosmarie de (2021):Wetterlexikon | Sind Städte wirklich wärmer?. [https://www.zamg.ac.at/cms/de/aktuell/schon-gewusst/wetterlexikon/wetterlexikon-sind-staedte-wirklich-waermer (aufgerufen am 04.09.2023)]

Abb 1.) DWD Online [https://www.dwd.de/DE/forschung/klima_umwelt/klimawirk/stadtpl/projekt_warmeinseln/projekt_waermeinseln_node.html (aufgerufen am 25.07.2023)]

Abb 2.) Howard, Luke (1933): The Climate of London. (published by IAUC).S.5. [https://urban-climate.org/documents/LukeHoward_Climate-of-London-V1.pdf (aufgerufen am 25.07.2023)]

Abb 3.) Weber, Stephan (2019):Historische Entwicklung der Stadtklimaforschung. In: Henninger, Sasha, Weber, Stephan( 2019): Stadtklima. Paderborn:Ferdinand Schöningh. S.22.

Abb 4.) DWD Climate Data Center:[https://cdc.dwd.de/portal (aufgerufen am 25.07.2023)]

Abb 5.) DWD Climate Data Center:[https://cdc.dwd.de/portal (aufgerufen am 25.07.2023)]

Abb 6.) DWD Climate Data Center:[https://cdc.dwd.de/portal (aufgerufen am 25.07.2023)]

Abb 7.) DWD Climate Data Center:[https://cdc.dwd.de/portal (aufgerufen am 25.07.2023)]

Abb 8 - 14.) Plots erstellt mit Matplotlib: [https://matplotlib.org/ (aufgerufen am 25.07.2023)]

DWD open data server:[ https://opendata.dwd.de/ (aufgerufen am 25.07.2023)] DWD climate Data Server:[ https://cdc.dwd.de/portal/ (aufgerufen am 25.07.2023)]

DWD Klimadaten Deutschlands - Monats- und Tageswerte (Archiv) : [https://www.dwd.de/DE/leistungen/klimadatendeutschland/klarchivtagmonat.html;jsessionid=A094D529A42CB6B99C6EB8620917EA5B.live21071?nn=16102 (aufgerufen am 25.07.2023)]