Brainstorming

Hier könnt ihr euer Projekt strukturieren und planen, Aufgaben verteilen und Dateien und Daten austauschen. Mit dem Stift-Button oben rechts kommt ihr in den Bearbeitungsmodus. Ihr könnt auch gleichzeitig an der Seite arbeiten. Hilfreiche Tipps und Tricks für das Arbeiten im Wiki findet ihr im Hilfebereich des GDI-DE Wikis.

• Präferierte Plattform - QGIS / Analysen in GIS
• Begrenzung auf räumliche Grenzen - Frankfurt? Mainz? - 
• Mögliche Vorbilder Beispiele - Meteoblue Wärmekarte existiert für Mainz, Darmstadt, Frankfurt:
• Daran kann man sich orientieren und gegenprüfen für Wärmedarstellung, passt das so
• Nachbilden von Meteoblue-Wärmekarte - von Meteoblue und Anreicherung durch Erfrischungsorte Erfrischungsorte  - gibt es konkret für Mainz hier Nachholbedarf bei grüner / blauer Infrastruktur (eher Fokus Stadtentwicklung)
  
• Zusätzliche Analysen z.B. Bebauungsdichte aus OSM
• Darstellungsform / zur Verfügung stellen Geoserver
• Fernerkundungsdaten - Landsat Thermalband / interessanter wäre ggf. hochaufgelöst mit DGM-Daten / Höhendaten evtl. - Mapping von Temperatur hochaufgelöst
• aus Landsat Hitzeinfos rausziehen
• SkyView-Faktor über Höhe von Gebäuden / Bebauungsdichte integrieren evtl. über Schattenwurf
• Über Landbedeckung Emissionsgrad berechnen - durch Begrünung Emissionsgrad senken - wie kann man das Stadtklima verbessern? - Versiegelte Flächen etc.

Idee / Konzept

Beschreibt die Grundidee und das Ziel eurer Challenge im Hackathon. Was wollt ihr in der Zeit erreichen? Was ist die Kernidee, und warum ist dieser Ansatz sinnvoll?

• - Idee über Dachtypen Flachdächer Potential Begrünung oder Hochhaus mit viel Fassadenfläche - welche Potentiale gibt es (Flächen für Entgegenwirken gegen Hitze)
• Zensusdaten / Altersstruktur integrieren z.B. viele ältere Menschen in der Mainzer Altstadt - besonders gefährdete Bereiche / Bevölkerung ?
• Sentinel / LIDAR ist genauer - erstmal das probieren

Welche Elemente wollen wir umsetzen?

1. Sentinel-Daten zur Hitzekarte - Ziel Temperaturkarte nachbilden
2. Begrünungskarte (NDVI/Bebauungsfaktor/Vegetationsindex)
3. Zusammenführung / Aufbereitung der Daten (allgemein Harmonisierung / GIS-Analyse )
4. Anreicherung durch grüne/blaue Orte aus OSM
5. Hintergrundkarte / Webdarstellung mit Geoserver

technische Umsetzung in QGIS mit Webkarte (falls die Zeit reicht)

räumliche Begrenzung für Mainz

Projektplanung

Eine kurze Übersicht über die Schritte, die zur Erfüllung der Challenge notwendig sind. Welche Aufgaben werden in den verschiedenen Phasen des Hackathons erledigt?

Was?	Wie?

Coding / Umsetzung

Erklärt, wie ihr die Entwicklung angeht. Welche Technologien oder Programmiersprachen nutzt ihr, um die Idee möglichst effizient umzusetzen? Auch legt hier gerne euren verwendeten Code ab.

Schwierigkeiten

Welche Herausforderungen sind während der Bearbeitung der Challenge aufgetreten? Gab es technische Hürden oder Zeitdruck? Beschreibe kurz die Schwierigkeiten und wie ihr sie gelöst habt.

Präsentation

Umsetzung

Temperaturkarte und Begrünungsindex

• Datengrundlage Landsat-8-Daten für Mainz
• Prüfung Datenreihen nach Kriterien: minimale Bewölkung und Aufnahme um die Mittagszeit und hohe Temperatur (hier Höchsttemperatur 29°)
• Ziel: Maximale Ausprägung von Hitzeinseln soll in den Daten erkennbar sein
• Datenlücken im Aufnahmeraum durch erneute Analyse von einem vergleichbaren Aufnahmezeitpunkt
• Auswahl Datengrundlage mit bester Abdeckung
• Berechnung relevante Kennzahlen mithilfe Tutorial https://giscrack.com/how-to-calculate-land-surface-temperature-with-landsat-8-images/
• Wir haben die Formel für ε=0.0025⋅Pv​+0.95 angepasst, um die Landbedeckung speziell in Mainz widerzuspiegeln
  
  • Basiswert = typischer Wert für Mischung von städtischen Materialien
  • Vegetationsfaktor = reduzierter Faktor geringere Vegetationsdichte in urbaner Bereich
• Entsprechende Einfärbung von LST (Temperaturkarte) und NDVI (Begrünungsindex)

Anteil alternde Bevölkerung in Mainz

Datengrundlage

• BKG 100m-Raster für Deutschland (GPKG)
• Zensus 2022 (Anteil der ü. 65 Jährigen) im 100m Raster (CSV)

• Verknüpfung der beiden Datensätze über IDs (Anreicherung der GPKG mit Zensusdaten)
• Ergebnis sind eingefärbte Rasterquadrate nach Anteil der ü. 65 Jährigen
• Abstufung 0-20% / 20-40% /  40-60% /  60-80% / 80-100%
• Anpassung der Darstellung mit hoher Transparenz für niedriges mittleres Alter
• Plausibilitätsprüfung - die Mainzer Neustadt ist relativ hell = viele junge Menschen / besonders dunkle Punkte decken sich z.B. mit Seniorenwohnheimen

Kombination zu Hitzegefahr-Karte für alternde Bevölkerung

Ideen / Brainstorming Umsetzung

• Ziel: Darstellung von Orten mit Überhitzungsgefahr für alternde Bevölkerung
• Idee 1: Wo sind wenige "kühle Orte" und gleichzeitig Hitzeinseln
• Idee 2: Erreichbarkeitsanalyse von Hitzeinseln zu Krankenhaus (Hitzeinseln vektorisieren → Mittelpunkt mit Erreichbarkeits-Routing zu Krankenhäusern)
• Idee 3: QNEAT3 Ansatz - wie Isolinien die Entfernungen zu Krankenhäusern darstellt
• Problem: Alternde Bevölkerung Shape / Raster - Shape zu Raster oder umgekehrt - soll die Analyse / Ergebnis in Raster oder Vektor vorliegen?

Konzept

• Kombination der Ideen
• Wärmekarte (Rasterdaten) sollen vektorisiert werden
• Darstellung Hitzeinseln als "Isolinien" der Temperatur (Regionen hoher Temperatur als Flächen)
• Überführung Temperatur in "Gitterraster" = Aggregation der Informationen in Gitterraster der Zensusdaten
• Verschneidung vom Temperatur-Vektorlayer mit Vektorlayer der alternden Bevölkerung (Gitterraster)
• Ergebnis Verschneidung enthält in Gitterraster Informationen zu beidem: Temperatur und Bevölkerungsdaten
• Ziel: Orte mit Überhitzungsgefahr für alternde Bevölkerung

Schwierigkeiten & Probleme

Nutzung von LST über hochauflösende Sentinel-Daten

• Erster Ansatz war direkt mit den hochaufgelösten Sentiel-Daten zu arbeiten
• Idee war Landsat-Ansatz für LST wäre direkt auf Sentiel-Daten übertragbar
• Problem - das ist mit Landsat nicht ohne weiteres möglich - man benötigt erst den LST aus Landsat
• erst im Anschluss kann man über eine Schätzung der Parameter eine hochauflösenden LST aus Sentiel erzeugen
• Nachdem wir den Landsat-Ansatz dann erst im Anschluss umgesetzt haben, ist uns die Zeit für die Sentinel-Daten ausgegangen

Probleme mit dem LST/NDVI-Tutorial

• Das Tutorial war sehr hilfreich, allerdings war ein Vorzeichenfehler im Tutorial - den wir konsequent übernommen haben (in der Formel P_v müsste plus anstatt minus sein)
• Tutorial: https://giscrack.com/how-to-calculate-land-surface-temperature-with-landsat-8-images/

Probleme mit dem Wiki gdi-de 

• Bei der Nutzung der Dokumentation über das Wiki dgi-de kam es zu einem Serverfehler, wodurch die Dokumentation von ca. 2 Stunden nicht übernommen wurde und wiederholt werden musste. 

Probleme mit Datenlücken / fehlenden Daten

• Passend zum Datenzeitraum vom Zensus wollten wir die Landsat-Daten auch für einen ähnlichen Zeitraum wählen - Allerdings gab es hierfür keine Landsat-Daten für die heißesten Tages des Jahres in Mainz und viele Sommertage hatten Wolken im Stadtgebiet Mainz und waren deswegen nicht geeignet
• Alternativ haben wir deswegen Daten aus 2024 genutzt, die eine höhere Tagestemperatur aufweisen und frei von Wolken sind

Präsentation

• Nutzung von PowerPoint für die Idee
• Nutzung von einem Webserver zur Darstellung der Ergebnisse
• Unterstützend Darstellung mit QGIS

Für das Finale: Nutzt die vorgegebene Präsentationsvorlage, um das Projekt kurz und prägnant vorzustellen und die wichtigsten Aspekte und Ergebnisse zu zeigen.

Bitte verwendet für die Präsentation eures Projektes diese Vorlage: 

💡 Bitte ladet eure Abschlusspräsentation hier hoch (über die Funktion "Dateien und Bilder einfügen" im Bearbeiten-Menü der Seite)

Abgabepräsentation

Ergebnisse

Eine kurze Übersicht der finalen Ergebnisse, die die Zielsetzung der Challenge widerspiegeln. Gerne in Text- und Dateiform. 

Was habt ihr im Hackathon erreicht? Hier geht es darum, die Fortschritte und das finale Ergebnis zu dokumentieren und die Zielerreichung zu bewerten.

• Darstellung der LST-Daten mit Hilfe von Sentinel-Daten hat so nicht funktioniert. 
• Darstellung der LST-Daten mit Landsat-Daten für den heißesten Tag in Deutschland 2024 hat funktioniert.
• Dazu die Darstellung des NDVI, um darzustellen, welchen positiven Einfluss Vegetation haben kann und wo es am Beispiel von Mainz ggf. Lücken geben könnte. 
• Einbinden der Alterstrukturdaten aus dem Zensus 2022; Darstellung der relevanten Kacheln. 
• Verarbeiten der Daten in QGIS über die "Zonenstatistik" liefert Kacheln, in welchen die von uns gewählten Parameter passen, d. h. die Temperatur als auch die Bevölkerungsdichte von ü65-Jährigen MitbürgerInnen einen von uns gewählten "kritischen" Wert überschreiten. 
• Aussagekraft: in diesen Bereichen mit hohem ü65-Anteil ist es entweder bereits heute sehr heiß (Kategorie akut) oder es könnte in den kommenden Jahren zu weiteren kritischen Bereichen kommen (Kategorie perspektivisch). Kategorisiert wurden diese Bereich von 1-9, wobei diese zusammengefasst wurden zu 1-3: akut, 4-6: grenzwertig und 7-9 perspektivisch.
• Ergänzend dazu: wichtige POI für die Bevölkerung ü65, darunter Wasserflächen (aus NDWI) mit kühlendem Effekt, sonstige Wasserstellen, Bänke, Krankenhäuser für Notfälle, ...

Übersicht LST

Image Added

Übersicht LST + Gefährdungszonen

Image Added

Übersicht Zensus 2022 ü65-Jahre

Image Added

Übersicht der Gefährdungszonen Kategorie A, B, C 

Image Added

Allgemein

Platz für euer Feedback, d.h. weitere Beobachtungen, Lernerfahrungen oder Empfehlungen. Was möchtet ihr uns noch mitgeben?

• Tolle Organisation und tolle Verpflegung!
• Spannende Use-Cases, welche unterschiedliche Ideen hervorrufen und kreative Ansätze. 
• Sehr intensiv: Zeitmanagement sehr wichtig und klar "Cuts" zu setzen ist zwar schwer, aber notwendig. 
• Gruppenarbeit und Aufgabenteilung hat gut funktioniert, das Setting mit den anderen Studis hat Spaß gemacht.