Einleitung
Wie steht es eigentlich mit dem Schadstoffgehalt in unserer Luft – und wie wirkt sich das auf unsere Gesundheit aus? Feinstaub, Stickoxide oder Ozon sind unsichtbar, können aber spürbare Folgen haben: von kurzfristigem Unwohlsein bis hin zu chronischen Atemwegserkrankungen. Genau dieser Frage sind wir im Data Science Track von TechLabs nachgegangen. Ursprünglich wollten wir untersuchen, ob es einen direkten Zusammenhang zwischen Atemwegserkrankungen und Luftschadstoffen gibt. Doch im Verlauf des Projekts mussten wir unseren Fokus anpassen – und haben dabei spannende Einblicke in die Luftqualität Deutschlands im Jahr 2023 gewonnen.
Methodik
Für unsere Analyse haben wir Luftqualitätsdaten des Jahres 2023 von der Website des Umweltbundesamt mittels Webscraping heruntergeladen. Die Datengrundlage bestand aus stündlichen Medianwerten verschiedener Messstationen in ganz Deutschland für folgende Schadstoffe:
PM10
PM2.5
CO
O₃
SO₂
NO₂
Vorgehen im Überblick:
Datenaufbereitung & - bereinigung ◦ Zusammenführen der Messstationen ◦ Aggregation der Stundenwerte ◦ Prüfung auf Ausreißer und fehlende Werte
Visualisierung mit Heatmaps Um Muster und zeitliche Häufungen sichtbar zu machen, erstellten wir mehrere Heatmaps. Diese eigneten sich besonders gut, um Unterschiede zwischen Tageszeiten und Schadstoffen darzustellen.
Geplanter Vergleich mit Krankheitsdaten Ursprünglich wollten wir die Schadstoffwerte mit Atemwegserkrankungen vergleichen. Allerdings lagen die Krankheitsdaten nur als Jahresgesamtwerte vor. Eine stündliche oder monatliche Zuordnung war daher nicht möglich, weshalb wir diesen Teil der Analyse verwerfen mussten.
Analyse von Extremwerten Besonders auffällig: Die höchsten Schadstoffwerte des Jahres wurden um 1:00 Uhr nachts gemessen. Die Erklärung lag nahe – die Silvesternacht. Nach Herausnahme des 01.01. relativierten sich diese Extremwerte deutlich.
Weitere Analysen ◦ Boxplots zur Verteilung der Messwerte ◦ Vergleich von Minimal-, Maximal- und Medianwerten ◦ Darstellung der durchschnittlichen Stundenwerte aller Stationen ◦ Abgleich mit geltenden Grenzwerten in einer finalen Heatmap
Ergebenis
Zentrale Erkenntnisse:
Ozonwerte (O₃) sind insbesondere im Nachmittagsbereich erhöht – ein bekanntes Phänomen durch photochemische Prozesse bei Sonneneinstrahlung.
Die durchschnittlichen Schadstoffwerte lagen 2023 meist unterhalb der gesetzlichen Grenzwerte.
Der messbare Schadstoffausstoß in der Silvesternacht war jedoch extrem auffällig und stellte einen deutlichen Ausreißer dar.
Tageszeitliche Muster sind klar erkennbar – Luftqualität ist kein konstanter Zustand, sondern unterliegt regelmäßigen Schwankungen. Unsere wichtigsten Learnings: • Datenverfügbarkeit bestimmt maßgeblich die Forschungsfrage.
Visualisierungen können Hypothesen hinterfragen oder neu formen. • Ausreißer müssen kontextualisiert werden – sonst führen sie zu falschen Interpretationen.
Gute Datenaufbereitung ist mindestens genauso wichtig wie komplexe Modellierung.
Auch wenn wir die ursprüngliche Gesundheitsfrage nicht vollständig beantworten konnten, haben wir wertvolle Einblicke in die Luftqualität Deutschlands gewonnen – und gelernt, wie wichtig saubere, vergleichbare Datensätze für fundierte Analysen sind. Unsere Visualisierungen zeigen deutlich: Heatmaps sind ein äußerst wirkungsvolles Werkzeug, um komplexe zeitliche Zusammenhänge verständlich darzustellen.
Team
Gunar
Sam
Nina
Mentor:in
Paul
